[论文解读] Palm Vein Identification based on hybrid features selection model

Mohammed Hamzah Abed, Ali Hakem Alsaeedi+3 more|arXiv (Cornell University)|Jul 31, 2020

Biometric Identification and Security参考文献 28被引用 6

一句话总结

本文提出一种混合特征选择模型 2D-DWTPP，结合二维离散小波变换（2D-DWT）、主成分分析（PCA）和粒子群优化（PSO），以提升掌纹静脉识别（PVI）的准确性。该方法减少了特征冗余，并通过 PSO 包装模型选择最优特征，使用支持向量机（SVM）分类器实现 98.65% 的准确率，显著优于 AlexNet（63.5%）和未选择特征的分类器（78.79%）。

ABSTRACT

Palm vein identification (PVI) is a modern biometric security technique used for increasing security and authentication systems. The key characteristics of palm vein patterns include, its uniqueness to each individual, unforgettable, non-intrusive and cannot be taken by an unauthorized person. However, the extracted features from the palm vein pattern are huge with high redundancy. In this paper, we propose a combine model of two-Dimensional Discrete Wavelet Transform, Principal Component Analysis (PCA), and Particle Swarm Optimization (PSO) (2D-DWTPP) to enhance prediction of vein palm patterns. The 2D-DWT Extracts features from palm vein images, PCA reduces the redundancy in palm vein features. The system has been trained in selecting high reverent features based on the wrapper model. The PSO feeds wrapper model by an optimal subset of features. The proposed system uses four classifiers as an objective function to determine VPI which include Support Vector Machine (SVM), K Nearest Neighbor (KNN), Decision Tree (DT) and Naïve Bayes (NB). The empirical result shows the proposed system Iit satisfied best results with SVM. The proposed 2D-DWTPP model has been evaluated and the results shown remarkable efficiency in comparison with Alexnet and classifier without feature selection. Experimentally, our model has better accuracy reflected by (98.65) while Alexnet has (63.5) and applied classifier without feature selection has (78.79).

研究动机与目标

• 解决掌纹静脉模式识别中高维冗余特征的问题。
• 提升掌纹静脉识别（PVI）系统的准确性和效率。
• 开发一种融合多种优化与降维技术的混合特征选择模型。
• 在多种分类器上评估所提模型的性能，尤其是支持向量机（SVM）。
• 在 PVI 任务中证明其相对于深度学习模型（AlexNet）和非优化分类器的优越性。

提出的方法

• 应用二维离散小波变换（2D-DWT）从掌纹静脉图像中提取多尺度特征。
• 使用主成分分析（PCA）对 2D-DWT 输出进行降维，并消除冗余特征。
• 采用粒子群优化（PSO）作为基于包装的搜索算法，识别最优特征子集。
• 将 PSO 优化后的特征集成到包装模型中，通过四种分类器（SVM、KNN、DT 和朴素贝叶斯）评估性能。
• 使用掌纹静脉图像数据集进行系统训练与验证，以分类准确率为首要评估指标。
• 由于在评估阶段表现最优，最终选择支持向量机（SVM）作为分类器。

实验结果

研究问题

• RQ1 结合 2D-DWT、PCA 和 PSO 的混合特征选择模型能否提升掌纹静脉识别的准确性？
• RQ2 所提出的 2D-DWTPP 模型在掌纹识别任务中与深度学习模型（如 AlexNet）相比表现如何？
• RQ3 在所提出的特征选择框架下，SVM、KNN、DT 或朴素贝叶斯中哪一个分类器表现最佳？
• RQ4 特征选择在掌纹静脉系统中在多大程度上减少了冗余并提升了分类性能？
• RQ5 PSO 包装模型是否能有效识别出对掌纹模式分类最具相关性的特征？

主要发现

• 所提出的 2D-DWTPP 模型在使用 SVM 分类器时实现了 98.65% 的分类准确率，显著优于未进行特征选择的基线分类器（78.79%）。
• 该模型超越了仅实现 63.5% 准确率的 AlexNet，表明在该特定生物识别任务中，手工设计的特征工程结合优化方法可优于深度学习。
• SVM 被确定为所提框架中最具效果的分类器，在四种测试分类器中准确率最高。
• 将 PSO 与包装模型结合，实现了对高相关性特征的有效选择，减少了冗余并提升了模型泛化能力。
• PCA 有效降低了 2D-DWT 提取特征的维度，提升了计算效率并改善了性能。
• 该混合模型在掌纹静脉模式识别中表现出鲁棒性和高效性，凸显了信号处理、降维与元启发式优化相结合的价值。