[论文解读] Palmprint Recognition Using Deep Scattering Convolutional Network

Shervin Minaee, Yao Wang|arXiv (Cornell University)|Mar 30, 2016

Biometric Identification and Security参考文献 24被引用 36

一句话总结

本文提出一种基于深度散射卷积网络（DSCN）的掌纹识别系统，用于提取平移与旋转不变特征，随后通过主成分分析（PCA）进行降维，并采用支持向量机（SVM）或最小距离分类器进行分类。该方法在PolyU掌纹数据集上实现了100%的准确率，优于先前的最先进方法，通过捕捉传统描述子中丢失的高频判别性内容，显著提升了性能。

ABSTRACT

Palmprint recognition has drawn a lot of attention during the recent years. Many algorithms have been proposed for palmprint recognition in the past, majority of them being based on features extracted from the transform domain. Many of these transform domain features are not translation or rotation invariant, and therefore a great deal of preprocessing is needed to align the images. In this paper, a powerful image representation, called scattering network/transform, is used for palmprint recognition. Scattering network is a convolutional network where its architecture and filters are predefined wavelet transforms. The first layer of scattering network captures similar features to SIFT descriptors and the higher-layer features capture higher-frequency content of the signal which are lost in SIFT and other similar descriptors. After extraction of the scattering features, their dimensionality is reduced by applying principal component analysis (PCA) which reduces the computational complexity of the recognition task. Two different classifiers are used for recognition: multi-class SVM and minimum-distance classifier. The proposed scheme has been tested on a well-known palmprint database and achieved accuracy rate of 99.95% and 100% using minimum distance classifier and SVM respectively.

研究动机与目标

• 开发一种鲁棒的掌纹识别系统，以减少对复杂预处理和对齐步骤的依赖。
• 利用散射网络提取平移与旋转不变特征的能力，提升生物特征识别性能。
• 评估散射特征与PCA结合标准分类器在知名掌纹数据库上的有效性。
• 展示高准确率与低计算成本，适用于电子设备中的实时部署。

提出的方法

• 散射网络使用预定义的小波滤波器，为掌纹图像创建多层不变表示。
• 从网络的多层中提取散射特征，捕捉低频与高频纹理细节。
• 应用主成分分析（PCA）降低散射特征的维度，提升计算效率。
• 采用两种分类器——多类SVM与最小距离分类器——在降维后的特征空间中进行模板匹配。
• 该方法在PolyU掌纹数据库上进行训练与测试，使用一半图像用于训练，另一半用于测试。
• 实现采用MATLAB，SVM使用LIBSVM，分类采用标准最近邻算法。

实验结果

研究问题

• RQ1 与传统基于变换的方法相比，散射网络能否为掌纹识别提供更鲁棒且更不变的特征表示？
• RQ2 散射特征与PCA的结合如何影响识别准确率与计算负载？
• RQ3 在基准掌纹数据集上，使用标准分类器的散射特征能实现多高的准确率？
• RQ4 在有限训练样本下，系统表现如何，体现其泛化能力？

主要发现

• 所提方法在PolyU掌纹数据集上使用多类SVM分类器实现了100%的识别准确率。
• 使用最小距离分类器时，系统在采用700个PCA特征的情况下达到99.43%的准确率。
• 即使每人在训练集中仅使用2张样本，SVM分类器仍达到99.84%的准确率，表明其具有强大的泛化能力。
• 当使用SVM分类器并采用200个PCA特征时，系统实现100%准确率，表明散射特征具有极强的判别能力。
• 模板匹配过程每张图像耗时约0.09秒，适用于实时应用。
• 散射网络在表1列出的所有先前最先进方法中表现最优，包括基于HOG、Gabor和四元数PCA的方法。