[论文解读] Feature Level Clustering of Large Biometric Database

Hunny Mehrotra, Dakshina Ranjan Kisku+3 more|arXiv (Cornell University)|Feb 2, 2010

Face and Expression Recognition参考文献 7被引用 3

一句话总结

本文提出一种在特征层面的模糊聚类方法，以高效地对大型离线签名数据库进行分区，用于生物特征识别。通过结合全局和局部描述符与模糊c均值聚类，该方法比传统的k均值聚类更有效地减少搜索空间，在实验中实现了更低的箱体漏检率。

ABSTRACT

This paper proposes an efficient technique for partitioning large biometric database during identification. In this technique feature vector which comprises of global and local descriptors extracted from offline signature are used by fuzzy clustering technique to partition the database. As biometric features posses no natural order of sorting, thus it is difficult to index them alphabetically or numerically. Hence, some supervised criteria is required to partition the search space. At the time of identification the fuzziness criterion is introduced to find the nearest clusters for declaring the identity of query sample. The system is tested using bin-miss rate and performs better in comparison to traditional k-means approach.

研究动机与目标

• 解决大型生物特征数据库索引中的挑战，其中特征缺乏自然排序。
• 通过使用聚类而非顺序搜索来分区生物特征数据，以减少识别过程中的搜索空间。
• 通过利用模糊聚类处理特征相似性中的不确定性，提高识别准确性。
• 为大规模生物特征系统开发一种可扩展的解决方案，采用基于全局和局部描述符的特征层面聚类。
• 在箱体漏检率方面，证明其性能优于传统的k均值聚类。

提出的方法

• 从离线签名图像中提取全局和局部描述符，以形成综合的特征向量。
• 应用模糊c均值聚类，根据相似性将特征向量分组为簇，允许部分隶属关系。
• 在识别过程中使用模糊性准则，以确定查询样本最可能所属的簇。
• 在特征层面将数据库划分为簇，以减少识别过程中的搜索空间。
• 优化聚类过程，以处理生物特征的高维性和无序性。
• 使用箱体漏检率作为主要指标，与传统k均值聚类进行性能比较。

实验结果

研究问题

• RQ1 当特征缺乏自然排序时，如何高效地分区大型生物特征数据库？
• RQ2 与传统k均值聚类相比，特征层面的模糊聚类是否能提升识别性能？
• RQ3 同时使用全局和局部描述符对聚类准确率和搜索效率有何影响？
• RQ4 模糊性准则如何在特征区域模糊或重叠时增强识别过程？
• RQ5 特征层面聚类在大规模生物特征系统中在多大程度上降低了箱体漏检率？

主要发现

• 所提出的特征层面模糊聚类方法在箱体漏检率方面优于传统的k均值方法。
• 模糊聚类有效处理了生物特征空间中的不确定性和重叠，提高了识别的鲁棒性。
• 全局和局部描述符的整合增强了用于聚类的特征向量的判别能力。
• 基于聚类的分区在识别过程中显著减少了搜索空间，提升了可扩展性。
• 由于更好的簇分离和成员分配，系统在大规模生物特征应用中表现出更优的性能。
• 结果证实，与硬性k均值聚类相比，模糊聚类更适合用于具有固有特征模糊性的生物特征数据索引。