[论文解读] Making Hand Geometry Verification System More Accurate Using Time Series Representation with R-K Band Learning

Vit Niennattrakul, Chotirat Ann Ratanamahatana|ArXiv.org|May 9, 2009

Biometric Identification and Security参考文献 27被引用 7

一句话总结

本文提出了一种增强的手部几何验证系统，通过在时间序列的手部图像表示中用R-K带学习替代传统的Sakoe-Chiba带，并结合动态时间规整（DTW），提升了准确性。该方法学习用户特定的R-K带和阈值，降低了假接受率（FAR）和假拒绝率（FRR），在等错误率（EER）点实现了1.8%的总成功率（TSR）提升。

ABSTRACT

At present, applications of biometrics are rapidly increasing due to inconveniences in using traditional passwords and physical keys. Hand geometry, one of the most well-known biometrics, is implemented in many verification systems with various feature extraction methods. In recent work, a hand geometry verification system using time series conversion techniques and Dynamic Time Warping (DTW) distance measure with Sakoe-Chiba band has been proposed. This system demonstrates many advantages, especially ease of implementation and small storage space requirement using time series representation. In this paper, we propose a novel hand geometry verification system that exploits DTW distance measure and R-K band learning to further improve the system performance. Finally, our evaluation reveals that our proposed system outperforms the current system by a wide margin, in terms of False Acceptance Rate (FAR), False Rejection Rate (FRR), and Total Success Rate (TSR) at Equal Error Rate (EER).

研究动机与目标

• 解决现有手部几何验证系统依赖固定带（如Sakoe-Chiba）所导致的局限性，这些固定带可能无法很好地适应个体用户差异。
• 通过引入用户特定的R-K带学习，动态调整规整窗口，以实现更优的相似性匹配，从而提升系统准确性。
• 通过个性化阈值与带优化，降低假接受率（FAR）与假拒绝率（FRR）。
• 使用标准生物特征指标（FAR、FRR与TSR）在等错误率（EER）点评估所提系统的性能。
• 证明基于R-K带学习的时间序列表示优于先前最先进的Sakoe-Chiba带系统。

提出的方法

• 系统通过两种技术将手部图像转换为时间序列：基于质心的特征提取与基于角度的特征提取。
• 使用动态时间规整（DTW）计算时间序列之间的相似性，其中R-K带取代了固定的Sakoe-Chiba带，以实现自适应规整。
• 采用迭代学习算法，通过评估启发式性能并优化边界，来优化R-K带与用户特定阈值。
• 该算法维护一个带段队列，并递归地将性能未提升的段划分为子部分，直至满足终止条件。
• 系统在注册阶段学习个体R-K带与阈值，测试阶段则使用这些参数将输入模板与存储的用户模板进行匹配。
• 性能通过FAR、FRR与总成功率（TSR）进行评估，结果在等错误率（EER）点报告。

实验结果

研究问题

• RQ1 与固定Sakoe-Chiba带相比，R-K带学习是否能提升手部几何验证系统的准确性？
• RQ2 在使用时间序列表示与DTW并结合用户特定R-K带时，所提系统的FAR、FRR与TSR表现如何？
• RQ3 在所提框架中，基于质心的时间序列转换技术是否优于基于角度的技术？
• RQ4 与全局阈值方法相比，个性化R-K带与阈值学习在多大程度上降低了错误率？
• RQ5 所提方法是否能实现低于先前最先进的Sakoe-Chiba带系统的等错误率（EER）？

主要发现

• 与先前系统相比，所提系统在EER点实现了1.8%的总成功率（TSR）提升，使用基于质心的技术时达到88.10%。
• 基于质心方法，假接受率（FAR）从14.06%降至11.72%；基于角度方法，FAR从25.59%降至23.67%。
• 基于质心方法，假拒绝率（FRR）从14.30%降至11.91%；基于角度方法，FRR从25.78%降至23.43%。
• 基于质心的时间序列转换技术始终优于基于角度的技术，在所有指标上均实现了更低的EER与更高的TSR。
• 使用用户特定的R-K带与阈值显著降低了FAR与FRR，证明了在动态时间规整中个性化带学习的有效性。