[论文解读] Pilot Comparative Study of Different Deep Features for Palmprint Identification in Low-Quality Images

Ahmad S. Tarawneh, Dmitry Chetverikov+1 more|arXiv (Cornell University)|Apr 10, 2018

Biometric Identification and Security参考文献 17被引用 32

一句话总结

本研究评估了预训练的深度卷积神经网络（AlexNet、VGG-16 和 VGG-19）在低质量图像中进行掌纹识别的性能，采用支持向量机（SVM）作为分类器。结果表明，更深的网络（VGG-16、VGG-19）提取的特征更具判别性，且较低层的全连接层在识别准确率上优于较高层，尤其在对比度低、存在阴影的MOHI数据集上表现优于高质量的COEP数据集。

ABSTRACT

Deep Convolutional Neural Networks (CNNs) are widespread, efficient tools of visual recognition. In this paper, we present a comparative study of three popular pre-trained CNN models: AlexNet, VGG-16 and VGG-19. We address the problem of palmprint identification in low-quality imagery and apply Support Vector Machines (SVMs) with all of the compared models. For the comparison, we use the MOHI palmprint image database whose images are characterized by low contrast, shadows, and varying illumination, scale, translation and rotation. Another, high-quality database called COEP is also considered to study the recognition gap between high-quality and low-quality imagery. Our experiments show that the deeper pre-trained CNN models, e.g., VGG-16 and VGG-19, tend to extract highly distinguishable features that recognize low-quality palmprints more efficiently than the less deep networks such as AlexNet. Furthermore, our experiments on the two databases using various models demonstrate that the features extracted from lower-level fully connected layers provide higher recognition rates than higher-layer features. Our results indicate that different pre-trained models can be efficiently used in touchless identification systems with low-quality palmprint images.

研究动机与目标

• 评估预训练深度卷积神经网络在低图像质量条件下识别掌纹的性能。
• 比较AlexNet、VGG-16和VGG-19在低质量掌纹图像上的特征提取能力。
• 分析网络深度和层位置对识别准确率的影响。
• 量化高质量（COEP）与低质量（MOHI）掌纹数据库之间的性能差距。

提出的方法

• 对预训练的卷积神经网络模型（AlexNet、VGG-16、VGG-19）进行微调，以从掌纹图像中提取特征。
• 从各网络的全连接层提取特征，重点关注低层与高层特征的差异。
• 使用支持向量机（SVM）作为提取特征的分类器。
• 在两个数据集上进行实验：MOHI（低质量，存在阴影、对比度低）和COEP（高质量）。
• 通过不同层和模型的对比评估识别准确率，以衡量特征的判别能力。
• 采用标准指标进行对比分析，评估模型在复杂成像条件下的性能表现。

实验结果

研究问题

• RQ1 在低质量图像中，AlexNet、VGG-16或VGG-19中哪一个预训练CNN架构在掌纹识别任务中表现最佳？
• RQ2 同一CNN模型中，不同层的深度特征性能如何变化？
• RQ3 高质量（COEP）与低质量（MOHI）掌纹数据库之间的识别准确率差距是多少？
• RQ4 在低质量环境下，较低层的全连接层是否比高层全连接层提取出更具判别性的特征？
• RQ5 使用预训练模型进行迁移学习，能否有效应对掌纹识别中真实世界挑战，如阴影和低对比度？

主要发现

• 由于更深的网络结构和更强的特征表示能力，VGG-16和VGG-19在识别低质量掌纹图像方面优于AlexNet。
• 在MOHI数据集中，较低层全连接层（如fc6、fc7）的识别率显著高于较高层（如fc8）。
• COEP（高质量）与MOHI（低质量）数据集之间的识别准确率差距显著，凸显了低质量图像带来的挑战。
• 来自更深网络（VGG-16/19）的特征对光照变化、阴影和低对比度具有更强的鲁棒性。
• 结合预训练CNN与SVM的方法，可有效实现迁移学习，适用于真实世界条件下无接触掌纹识别。
• 本研究证实，网络深度和层位置是影响低质量图像识别中特征质量的关键因素。