Personal identification system based on hyperspectral palmprint

Abstract

Biometrics is the measurement and analysis of unique biological, physical, or behavioral traits (modalities) of individuals and turning them into a digital print that can be used as an identification or verification method. Furthermore, for a trait to be considered a modality, it must be universal, unique, permanent, collectible, and acceptable. Some modalities are better than others in some criteria, making some suitable for a particular task yet invalid in another. Biometrics are utilized in systems that can perform three main tasks: enrolling, identifying, and verifying. They also grant us the ability to use them in a direct, straightforward manner (unimodality) or by fusing several elements on several levels (multimodality) to achieve more accurate results. We can measure its accuracy through well-defined error metrics and performance curves. While we have established some decent knowledge concerning biometrics, we have yet to define how to use them. One of the ways to use biometrics is through deep learning. In order for a machine to use biometric data, we are not only required to have an enhanced image that is focused on the region of interest. We must extract the features that differentiate one individual from another, which is a task done through the use of deep neural networks. The concept of deep learning is inspired by the cognitive ability of humans, which makes deep learning very capable of detecting objects. And from that comes the concept of Convolutional Neural Networks (CNN), which are special deep neural networks that mimic animals’ visual systems. CNNs can be pre-trained in order to reduce actual training time and improve performance by producing a transfer-learning model. In our work, we used a database that contains palmprint hyperspectral images of 190 people. Each person has twelve pictures from both their left and right hands. Then, we performed band selection to select the most discriminating bands. After that, we trained and tested four transfer-learning networks for the purpose of performing feature extraction, and then used a classifier in unimodal and two multimodal approaches. We finally evaluated their performances and recorded their results.

La biom´etrie est la mesure et l’analyse de traits uniques (modalit´es) d’individus et leur transformation en une empreinte num´erique pouvant ˆetre utilis´ee comme m´ethode d’identification ou de v´erification. De plus, pour qu’un trait soit consid´er´e comme une modalit´e, il doit ˆetre universel, unique, permanent, et collectable. Certains sont meilleurs que d’autres dans certains crit`eres, ce qui rend certains adapt´es et d’autre invalides pour une tˆache particuli`ere. La biom´etrie est utilis´ee dans des syst`emes qui peuvent effectuer trois tˆaches principales, l’inscription, l’identification et la v´erification. Ils nous donnent ´egalement la possibilit´e de les utiliser de mani`ere directe (unimodalit´e) ou en fusionnant plusieurs ´el´ements `a plusieurs niveaux (multimodalit´e) pour obtenir des r´esultats plus pr´ecis. Nous pouvons mesurer sa pr´ecision grˆace `a des m´etriques d’erreur et des courbes de performances bien d´efinies. Bien que nous ayons ´etabli une connaissance d´ecente concernant la biom´etrie, nous devons encore d´efinir comment les utiliser. L’une des m´ethodes les plus r´ecentes et avanc´ees dans le domaine est l’utilisation de r´eseaux de neurones. Pour qu’une machine utilise des donn´ees biom´etriques, nous devons extraire les caract´eristiques qui diff´erencient un individu d’un autre, ce qui est une tˆache effectu´ee grˆace `a l’utilisation de r´eseaux de neurones profonds. Le concept d’apprentissage profond s’inspire de la capacit´e cognitive des humains, ce qui rend l’apprentissage profond tr`es capable de d´etecter des objets. R´eseau de neurones convolutifs ou r´eseau de neurones `a convolution, qui sont des r´eseaux neuronaux profonds sp´eciaux qui imitent les syst`emes visuels des animaux. Les CNN peuvent ˆetre pr´e-form´es afin de r´eduire le temps de formation r´eel et d’am´eliorer les performances en produisant un mod`ele d’apprentissage par transfert. Dans notre travail, nous avons utilis´e une base de donn´ees qui contient des images hyperspectrales de l’empreinte palmaire de 190 personnes. Ensuite, nous avons effectu´e une s´election de bandes pour s´electionner les bandes les plus discriminantes. Apr`es cela, nous avons entraˆın´e et test´e quatre r´eseaux d’apprentissage par transfert `a des fins d’extraction de caract´eristiques, puis utilis´e un classifieur dans des approches unimodales et deux multimodales. Nous avons finalement ´evalu´e leurs performances et enregistr´e leurs r´esultats

La biom´etrie est la mesure et l’analyse de traits uniques (modalit´es) d’individus et leur transformation en une empreinte num´erique pouvant ˆetre utilis´ee comme m´ethode d’identification ou de v´erification. De plus, pour qu’un trait soit consid´er´e comme une modalit´e, il doit ˆetre universel, unique, permanent, et collectable. Certains sont meilleurs que d’autres dans certains crit`eres, ce qui rend certains adapt´es et d’autre invalides pour une tˆache particuli`ere. La biom´etrie est utilis´ee dans des syst`emes qui peuvent effectuer trois tˆaches principales, l’inscription, l’identification et la v´erification. Ils nous donnent ´egalement la possibilit´e de les utiliser de mani`ere directe (unimodalit´e) ou en fusionnant plusieurs ´el´ements `a plusieurs niveaux (multimodalit´e) pour obtenir des r´esultats plus pr´ecis. Nous pouvons mesurer sa pr´ecision grˆace `a des m´etriques d’erreur et des courbes de performances bien d´efinies. Bien que nous ayons ´etabli une connaissance d´ecente concernant la biom´etrie, nous devons encore d´efinir comment les utiliser. L’une des m´ethodes les plus r´ecentes et avanc´ees dans le domaine est l’utilisation de r´eseaux de neurones. Pour qu’une machine utilise des donn´ees biom´etriques, nous devons extraire les caract´eristiques qui diff´erencient un individu d’un autre, ce qui est une tˆache effectu´ee grˆace `a l’utilisation de r´eseaux de neurones profonds. Le concept d’apprentissage profond s’inspire de la capacit´e cognitive des humains, ce qui rend l’apprentissage profond tr`es capable de d´etecter des objets. R´eseau de neurones convolutifs ou r´eseau de neurones `a convolution, qui sont des r´eseaux neuronaux profonds sp´eciaux qui imitent les syst`emes visuels des animaux. Les CNN peuvent ˆetre pr´e-form´es afin de r´eduire le temps de formation r´eel et d’am´eliorer les performances en produisant un mod`ele d’apprentissage par transfert. Dans notre travail, nous avons utilis´e une base de donn´ees qui contient des images hyperspectrales de l’empreinte palmaire de 190 personnes. Ensuite, nous avons effectu´e une s´election de bandes pour s´electionner les bandes les plus discriminantes. Apr`es cela, nous avons entraˆın´e et test´e quatre r´eseaux d’apprentissage par transfert `a des fins d’extraction de caract´eristiques, puis utilis´e un classifieur dans des approches unimodales et deux multimodales. Nous avons finalement ´evalu´e leurs performances et enregistr´e leurs r´esultats