[论文解读] Multispectral Palmprint Recognition Using a Hybrid Feature

Sina Akbari Mistani, Shervin Minaee+1 more|arXiv (Cornell University)|Dec 27, 2011

Biometric Identification and Security参考文献 29被引用 13

一句话总结

该论文提出了一种混合特征集，结合掌纹能量与局部小波能量，用于多光谱掌纹识别，采用最小距离分类器在PolyU多光谱掌纹数据集上实现了98.8%的准确率。该方法通过融合结构特征与纹理特征，提升了对相似线条图案及低质量图像的鲁棒性。

ABSTRACT

Personal identification problem has been a major field of research in recent years. Biometrics-based technologies that exploit fingerprints, iris, face, voice and palmprints, have been in the center of attention to solve this problem. Palmprints can be used instead of fingerprints that have been of the earliest of these biometrics technologies. A palm is covered with the same skin as the fingertips but has a larger surface, giving us more information than the fingertips. The major features of the palm are palm-lines, including principal lines, wrinkles and ridges. Using these lines is one of the most popular approaches towards solving the palmprint recognition problem. Another robust feature is the wavelet energy of palms. In this paper we used a hybrid feature which combines both of these features. %Moreover, multispectral analysis is applied to improve the performance of the system. At the end, minimum distance classifier is used to match test images with one of the training samples. The proposed algorithm has been tested on a well-known multispectral palmprint dataset and achieved an average accuracy of 98.8\%.

研究动机与目标

• 解决基于线条的掌纹识别的局限性，例如在主线条相似或特征不清晰的掌纹中区分度差的问题。
• 克服因图像质量低或线条重叠导致的掌纹提取挑战。
• 通过结合结构特征（掌纹）与纹理特征（小波能量）提升识别准确率。
• 开发一种在训练数据有限场景下仍具鲁棒性与可扩展性的方法。
• 证明多光谱成像在提升特征多样性与识别性能方面的有效性。

提出的方法

• 通过在平滑的掌纹图像上应用拉普拉斯掩模提取掌纹特征，以检测主线条及其能量分布。
• 通过在掌纹图像的非重叠块上应用三阶段离散小波变换（DWT）计算局部小波能量。
• 将掌纹特征向量与小波特征向量归一化至相同动态范围，以避免某一特征类型占主导。
• 通过逐元素相加的方式将归一化后的特征合并为单一的混合特征向量。
• 使用最小距离分类器进行分类，将测试样本与最近的训练模板进行匹配。
• 将每人多个训练图像的平均特征向量作为该人的参考模板。

实验结果

研究问题

• RQ1 将掌纹能量与小波能量结合是否能提升多光谱掌纹系统中的识别准确率？
• RQ2 在训练样本与测试样本比例变化时，特别是数据有限的情况下，所提出的混合特征表现如何？
• RQ3 线性特征与变换特征的融合是否能增强对模糊或不明确掌纹的鲁棒性？
• RQ4 在相同基准数据集上，所提出方法与现有最先进方法（如PCA+GWR和QPCA）相比表现如何？
• RQ5 减少训练样本数量在多大程度上影响混合特征方法的识别性能？

主要发现

• 当每人使用12张图像中的6张进行训练时，所提出的混合特征方法在PolyU多光谱掌纹数据集上实现了98.8%的识别准确率。
• 即使每人仅使用4张训练样本（4/12比例），系统仍保持98.08%的准确率，表明在低数据条件下具有强大的泛化能力。
• 该方法优于PCA+GWR方法（在6/12比例下准确率为95.17%）和QPCA方法（在6/12比例下准确率为98.13%），准确率达到98.88%。
• 仅使用小波特征即实现了98.49%的准确率，表明其具有强大的判别能力；而仅使用线条特征时准确率为94.58%，说明其在孤立状态下相对较弱。
• 在多次随机划分训练/测试集的实验中，识别准确率保持稳定，十次重复实验的平均准确率为98.8%。
• 两种特征的融合显著优于单独使用任一特征集，证实了结构特征与纹理特征所提供互补信息的有效性。