Towards Robust Iris Recognition Through Occlusion Identification and Conditional Diffusion-Based Reconstruction
Texas State University（德克萨斯州立大学）
针对虹膜纹理被遮挡时识别性能下降的问题，提出含遮挡类型识别、基于扩散重建及深度学习识别三个模块的框架，通过确定遮挡类别、重建受损区域并提取特征，提升了在CASIA-Iris-Thousand数据集上的虹膜识别性能。
2026-07-24 cs.CV
Post-Mortem Iris Recognition Resistant to Biological Eye Decay Processes
Research and Academic Computer Network NASK（科研与学术计算机网络NASK）；University of Notre Dame（圣母大学）；Medical University of Warsaw（华沙医科大学）
本文提出了一种专门针对尸体样本的端到端虹膜识别方法，为虹膜生物特征识别技术在法医学中的应用提供了一个很好的平台。据我们所知，这是第一种专门用于验证死后获取的虹膜样本的方法。我们微调了一个基于卷积神经网络的分割模型，其中包含大量多样化的虹膜数据（包括死后和患病的眼睛），并将Gabor内核与新设计的、通过Siamese网络学习的虹膜特定内核相结合。由此产生的方法显着优于现有的现成的虹膜识别方法（学术和商业）上新收集的数据库的死后虹膜图像和所有可用的时间范围，因为死亡。我们将所有模型和方法本身与本文一起提供。
2019-12-05 cs.CV
Iris Recognition After Death
Research and Academic Computer Network NASK（研究与学术计算机网络（NASK））；University of Notre Dame（圣母大学）；Medical University of Warsaw（华沙医科大学）
本文介绍了一个全面的研究死后人类虹膜识别进行了1,200近红外和1,787可见光样本收集37个死者保存在太平间的条件。我们使用了四种独立的虹膜识别方法（三种商业方法和一种学术方法）来分析真实和冒名顶替者的比较分数，并检查虹膜质量在死后长达814小时内衰减的动态。这项研究表明，死后虹膜识别可能在死亡后约5至7小时接近完美，偶尔甚至在死亡后21天仍然有效。这些结论与过去文献中的陈述相矛盾，即虹膜在死亡后不久无法用作生物识别，并表明对生物识别重要的虹膜死后变化的动态比以前假设的更温和。这篇论文包含了一个全面的医学评论，有助于理解眼睛的哪些死后变形可能会影响自动虹膜识别的性能。我们还表明，死后虹膜识别同样适用于在近红外拍摄的图像，当使用可见光样本的红色通道。然而，交叉波长匹配呈现出明显更差的性能。本文符合可重复的研究和数据库在这项研究中使用的公开，以促进死后虹膜识别的研究。据我们所知，本文提供了最全面的评价死后虹膜识别和死后虹膜图像的最大数据库。
2018-10-31 cs.CV
ThirdEye: Triplet Based Iris Recognition without Normalization
University of Connecticut（康涅狄格大学）
大多数虹膜识别流程包括三个阶段：分割成虹膜/非虹膜像素，将虹膜区域归一化为固定区域，并提取相关特征进行比较。鉴于深度学习的最新进展，谨慎地询问准确的虹膜识别需要哪些阶段。Lojez等人（IWBF 2019）最近得出结论，分割阶段对于良好的准确性仍然至关重要。我们问归一化是否有益？为了回答这个问题，我们开发了一种新的虹膜识别系统，称为基于三重卷积神经网络的ThirdEye（Schroff等人，ICCV 2015）。ThirdEye直接使用分割的图像而不进行归一化。我们在ND-0405、UbirisV 2和IITD数据集上分别观察到1.32%、9.20%和0.59%的相等出错率。对于IITD，最受约束的数据集，这改进了最好的先验工作。然而，对于ND-0405和UbirisV 2，我们的相等出错率比现有系统稍差。我们的结论假设是，规范化是更重要的约束较少的环境。
2019-07-13 cs.CV
Alignment Free and Distortion Robust Iris Recognition
University of Chinese Academy of Sciences（中国科学院大学）；CRIPAC CASIA（中国科学院自动化研究所模式识别国家重点实验室（CRIPAC））；NLPR CASIA（中国科学院自动化研究所国家模式识别实验室）
虹膜识别是一种可靠的个人身份识别方法，但其准确性仍有很大的提高空间，特别是在约束较少的情况下。例如，头部姿势的自由移动可能导致虹膜图像之间的大的旋转差异。光照变化会引起虹膜纹理的不规则变形。为了鲁棒地匹配具有头部旋转的类内虹膜图像，现有的解决方案通常需要在虹膜图像预处理中通过确定范围内的穷举搜索或在虹膜特征匹配中通过最小汉明距离的暴力搜索来进行精确的对准操作。在野外环境下，虹膜旋转的不确定性比在约束条件下大得多，在一定范围内进行穷举搜索是不可行的。本文提出了一个统一的特征级解决方案，在野外的对齐自由和失真鲁棒虹膜识别。提出了一种新的基于深度学习的方法--无对齐虹膜网络（AFINet），该方法使用可训练的VLAD（局部聚集描述符向量）编码器NetVLAD来解耦局部表示与其空间位置之间的相关性。同时采用可变形卷积算法，通过自适应密集采样克服虹膜纹理失真。在三个公开的虹膜图像数据库和模拟退化数据库上进行的大量实验结果表明，AFINet的识别性能明显优于现有的虹膜识别方法。
2019-12-01 cs.CV
Spoofing PRNU Patterns of Iris Sensors while Preserving Iris Recognition
Michigan State University（密歇根州立大学）
光响应非均匀性（PRNU）的原理用于将图像与其源相关联，即，在这项工作中，我们调查是否有可能修改虹膜图像采集使用一个传感器，以欺骗不同的传感器的PRNU噪声模式。在这方面，我们开发了一个图像扰动例程，迭代修改原始虹膜图像中的像素块，使其PRNU模式接近目标传感器。实验表明所提出的扰动方法在欺骗虹膜图像中存在的PRNU图案同时仍然保留其生物特征内容中的功效。
2018-12-15 cs.CV
Database of iris images acquired in the presence of ocular pathologies and assessment of iris recognition reliability for disease-affected eyes
Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）
本文提出了一个数据库的虹膜图像收集的疾病影响的眼睛和虹膜识别的可靠性的影响，眼部疾病的分析。为此，我们收集了一个数据库的虹膜图像采集91个不同的眼睛在常规眼科访问。该收集收集健康眼睛以及具有各种眼睛病理的眼睛的样本，包括白内障、急性青光眼、后粘连和前粘连、视网膜脱离、虹膜红变、角膜血管化、角膜移植、虹膜损伤和萎缩以及角膜溃疡、混浊或混浊。据我们所知，这是第一个将向公众开放的此类数据库。在分析中，数据被分为五组样本，这些样本对虹膜识别具有类似的预期影响：1）健康（无影响），2）未受影响的清晰虹膜（尽管检测到了疾病），3）几何扭曲的虹膜，4）扭曲的虹膜组织和5）阻塞的虹膜组织。然后使用三种不同的虹膜识别方法（MIRLIN，VeriEye和OSIRIS）来寻找健康眼睛和受疾病影响的眼睛的平均真实和冒名顶替者比较分数的差异。具体而言，当与一组健康眼睛相比时，我们获得了所有虹膜匹配器和所有受疾病影响的眼睛的显著更差的真实比较分数，这具有影响假不匹配率的高潜力。
2018-09-01 cs.CV
Implications of Ocular Pathologies for Iris Recognition Reliability
Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）
本文分析了虹膜识别如何受到眼部疾病的影响，并提供了一个适当的数据集，该数据集包括从230只不同眼睛（包括184只受20多种不同眼部疾病影响的眼睛）拍摄的2996张虹膜图像。在常规眼科检查期间，在近红外和可见光下收集图像。利用四个独立的虹膜识别算法（MIRLIN，VeriEye，OSIRIS和IriCore）进行的实验研究呈现出四个有价值的结果。首先，登记过程对阻挡虹膜或引起几何失真的那些眼睛状况高度敏感。第二，即使那些不产生虹膜结构的可见变化的条件也可能增加相同眼睛的样本之间的不相似性。第三，影响虹膜的几何形状或组织结构或以其他方式产生障碍的眼睛状况显著降低了同眼相似性，并且对冒名顶替者比较分数具有较低但仍具有统计学显著性的影响。第四，对于不健康的眼睛，疾病对虹膜识别的影响最突出的是造成分割错误。据我们所知，本文描述了向研究人员公开提供的最大的受疾病影响的眼睛的虹膜图像数据库，并提供了对虹膜识别用于患病眼睛时我们可以预期的最全面的研究。
2018-09-01 cs.CV
Iris Recognition for Infants
University of Notre Dame（圣母大学）；Warsaw University of Technology（华沙工业大学）；PayEye Poland（波兰佩耶公司）；Medical University of Warsaw（华沙医科大学）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
本文首次构建了面向4-6周婴儿的完整虹膜识别系统，通过专用近红外传感器、新分割模型及多种编码方法，在17名婴儿数据上实现EER 3%和AUC 99%，显著优于成人系统，并利用StyleGAN合成隐私安全的婴儿虹膜图像。
2025-01-02 cs.CV
Perception of Image Features in Post-Mortem Iris Recognition: Humans vs Machines
Research and Academic Computer Network（研究与学术计算机网络）；University of Notre Dame（圣母大学）；Medical University of Warsaw（华沙医科大学）
死后虹膜识别可以提供一种额外的个人身份识别方法。然而，与已经建立的人类指纹检查相反，虹膜识别更难被人类解释，因此它从未被应用于法医诉讼。虹膜特征，特别是死后获取的虹膜图像中的虹膜特征，对于解决虹膜识别任务的人类专家来说是最重要的，在生物识别专家中没有强烈的共识。本文探讨了两种方法来拓宽这方面的知识：（a）与眼动仪，人类使用的显着特征比较虹膜图像在屏幕上提取，和（b）类激活映射产生的卷积神经网络解决虹膜识别任务进行了分析。人类和基于深度学习的解决方案都使用同一组虹膜图像对进行了检查。这使得比较注意力地图成为可能，并得出结论：（a）基于深度学习的方法可以提供人类可解释的决策，并通过视觉解释将人类检查员指向显著区域，以及（b）在许多情况下，人类和机器使用不同的特征，这意味着基于深度学习的方法可以为人类专家提供补充支持。本文提供了我们第一个已知的人类可解释的比较基于机器和基于人类的死后虹膜识别，和训练的模型注释显着的虹膜图像区域。
2019-10-09 cs.CV
Influence of segmentation on deep iris recognition performance
Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）；XLAB d.o.o.（XLAB有限责任公司）；Faculty of Electrical Engineering, University of Ljubljana（卢布尔雅那大学电气工程学院）
尽管深度学习在计算机视觉和图像处理的许多领域兴起，但到目前为止，虹膜识别并没有从这些趋势中受益匪浅。现有的大部分关于深度虹膜识别的研究都集中在用于生成有区别的和鲁棒的虹膜表示的新模型上，并且依赖于类似于传统虹膜识别管道的方法。因此，所提出的模型并不以端到端的方式进行虹膜识别，而是使用标准的启发式虹膜分割（和展开）技术来为深度学习模型产生归一化的输入。然而，由于深度学习能够对非常复杂的数据分布和非线性数据变化进行建模，因此出现了一个明显的问题。在深度学习环境中使用传统分割方法有多重要？为了回答这个问题，我们在本文中提出了虹膜分割对深度学习模型性能的影响的实证分析，使用一个简单的两阶段流水线，包括分割和识别步骤。我们评估分割的准确性如何影响识别性能，但也检查是否需要分割。我们使用CASIA Thousand和SBVPI数据集进行实验，并报告了几个有趣的发现。
2020-05-08 cs.CV
A new scheme of signature extraction for iris authentication
National School of Sfax（斯法克斯国立学校）
虹膜识别是一种较新的生物特征识别技术，具有可变性、稳定性和安全性等优点，在高安全性环境中最有应用前景。本文提出了虹膜识别的方法。本文介绍了几种方法，第一种是基于灰度直方图提取瞳孔，第二种是基于椭圆和抛物线HOUGH变换确定虹膜和上下眼睑的边缘，第三种是利用二维Gabor小波对虹膜进行编码，最后利用汉明距离进行身份认证。
2013-02-17 cs.CV
Assessment of iris recognition reliability for eyes affected by ocular pathologies
Research and Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）
本文分析了虹膜识别如何受到眼部疾病的影响，并提供了一个适当的数据集，包括230只不同眼睛的2996个虹膜图像（包括184只受疾病影响的眼睛，代表20多种不同的眼部疾病）。在常规眼科实践中，在近红外和可见光下收集图像。实验研究表明了四个有价值的结果。首先，登记过程对使虹膜被遮挡或引入几何失真的那些眼睛状况高度敏感。第二，即使那些不产生虹膜结构的可见变化的条件也可能增加相同眼睛的样本之间的不相似性。第三，眼睛状况影响虹膜的几何形状、其组织结构或产生障碍物显著降低虹膜识别的可靠性。第四，对于患有疾病的眼睛，疾病对虹膜识别的最突出影响是造成分割错误。据我们所知，这是第一个向研究人员公开的受疾病影响的眼睛的虹膜图像数据库，也是我们对非健康眼睛部署虹膜识别时所能预期的最全面的研究。
2018-09-01 cs.CV
Are Gabor Kernels Optimal for Iris Recognition?
University of Notre Dame（圣母大学）
Gabor核被广泛接受为虹膜识别的主要滤波器。在这项工作中，我们调查，鉴于目前的兴趣在神经网络，如果Gabor内核是唯一的家庭的功能在虹膜识别中表现最好，或者如果更好的过滤器可以直接从虹膜数据学习。我们使用（故意）单层卷积神经网络，因为它模仿基于虹膜代码的算法。我们学习了两组数据驱动的内核;一组从随机初始化的权重开始，另一组从开源的Gabor内核开始。通过实验，我们证明了网络不会收敛于Gabor内核，而是收敛于边缘检测器，斑点检测器和简单波的混合。在我们对三个主题不相交的数据集进行的实验中，我们发现这些学习的内核的性能与开源的Gabor内核相当。这些使我们得出两个结论：（a）在虹膜识别中提供最佳性能的函数家族比Gabor内核更广泛，以及（b）我们可能达到了使用单个卷积层的虹膜编码算法的最大性能，但具有多个过滤器。与这项工作一起发布的是一个学习数据驱动内核的框架，可以很容易地移植到开源虹膜识别软件（例如，OSIRIS -开源IRIS）中。
2020-02-20 cs.CV
Unsupervised Pre-trained, Texture Aware And Lightweight Model for Deep Learning-Based Iris Recognition Under Limited Annotated Data
Indian Institute of Technology, Kharagpur（印度理工学院克勒格布尔分校）
在本文中，我们提出了一个纹理感知的轻量级深度学习框架的虹膜识别。我们的贡献主要有三个方面。首先，为了解决标记虹膜数据的缺乏，我们提出了一个重建损失引导的无监督预训练阶段，然后进行监督细化。这使得网络权重集中在有区别的虹膜纹理模式上。接下来，我们在卷积神经网络中提出了几种纹理感知即兴创作，以更好地利用虹膜纹理。最后，我们表明，我们的系统训练和架构选择使我们能够设计一个高效的框架，其参数比当代深度学习基线少100倍，但在数据集内和跨数据集评估中实现更好的识别性能。
2020-02-20 cs.CV
Human Iris Recognition in Post-mortem Subjects: Study and Database
Research and Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）
本文提出了一个独特的死后人类虹膜识别的研究和我们所知的第一个数据库的近红外和可见光虹膜图像的死者收集到近17天后死亡的人。我们使用了四种不同的虹膜识别方法来分析短期比较（死亡后60小时内收集的样本）和长期比较（死亡后407小时内收集的样本）中虹膜质量衰减的动态。这项研究表明，死后虹膜识别是可能的，甚至在死后17天偶尔也能工作。这些结论反驳了一个广为流传的谣言，即虹膜在死亡后不久就不能使用了。我们公开了这个数据集，让其他人验证我们的发现，并研究这个重要而陌生的话题的新方面。我们不知道任何早期的论文提供死后的人类虹膜图像，并采用四种不同的匹配器进行全面的分析。
2018-09-01 cs.CV
Stratified SIFT Matching for Human Iris Recognition
National Institute of Technology Rourkela（鲁尔克拉国家理工学院）
本文提出了一种有效的三重分层SIFT匹配虹膜识别。目标是过滤错误配对的常规SIFT匹配。在Strata I中，使用传统的SIFT方法对来自图库和探针虹膜图像的关键点进行配对。由于虹膜的不同区域处的高图像相似性，可能存在一些损伤。这些通过在Strata II中找到成对关键点的梯度来检测和过滤。此外，成对关键点的缩放因子用于去除Strata III中的损伤。在Strata III之后保留的对很可能是虹膜识别的潜在匹配。该系统在CASIAV3和BATH数据库上的识别准确率分别为96.08%和97.15%。这标志着在现有的虹膜SIFT匹配的准确性和FAR的显着改善。
2013-01-06 cs.CV
Presentation Attack Detection for Iris Recognition: An Assessment of the State of the Art
Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））；University of Notre Dame（圣母大学）
虹膜识别越来越多地用于大规模应用。因此，虹膜识别中的呈现攻击检测具有重要意义。本调查涵盖了关于这一主题的各种研究文献。不同类别的演示攻击进行了描述，并放置在一个应用程序相关的框架，并在检测每一类攻击的最新技术进行了总结。由此得出的一个结论是，虹膜识别的呈现攻击检测尚未解决。本书描述了可供研究的数据集，概述了近期和中期的研究方向，并提出了一份推荐阅读材料的简短清单。
2018-06-13 cs.CV
Cross-spectral Iris Recognition for Mobile Applications using High-quality Color Images
Research and Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）
随着最近向移动计算的转变，生物特征认证的新挑战出现在地平线上。本文提供了一个全面的研究跨光谱虹膜识别的情况下，在该情况下，高品质的彩色图像与手机被用来对注册图像收集在典型的，近红外设置。灰度转换的彩色图像，采用选择性的RGB通道的选择取决于虹膜着色显示，以提高识别精度的眼睛颜色和匹配软件的一些组合相比，仅使用红色通道，具有相同的出错率驱动低至2%。作者不知道有任何其他论文关注跨光谱虹膜识别是一种使用专业虹膜识别设置进行近红外注册，然后使用彩色图像进行基于移动设备的验证的场景。
2018-07-11 cs.CV
Texture Aware Autoencoder Pre-training And Pairwise Learning Refinement For Improved Iris Recognition
Indian Institute Of Technology Kharagpur（印度理工学院克勒格布尔分校）
本文提出了一种纹理感知的端到端可训练虹膜识别系统，专门针对虹膜等训练数据有限的数据集设计。我们建立在我们以前的阶段式学习框架与某些关键的优化和架构创新。首先，我们使用无监督的自动编码器学习来预训练第一阶段编码器网络，该学习在通常的重建损失之上使用额外的数据关系损失进行优化。数据相关性损失使得能够学习更好的纹理表示，这对于纹理丰富的数据集（如虹膜）至关重要。第1阶段特征表示的鲁棒性通过辅助去噪任务进一步增强。这种预训练证明有利于在数据受限的虹膜数据集上有效地训练深度网络。接下来，在第二阶段的监督细化中，我们为端到端的可训练虹膜识别系统设计了一个成对学习架构。成对学习包括训练管道本身内部的虹膜匹配任务，并且与通常的离线匹配相比，识别性能有显着提高。我们在三个公开可用的虹膜数据集上验证了我们的模型，并且对于数据集内和跨数据集配置，所提出的模型始终优于传统和深度学习基线
2022-02-15 cs.CV
Beyond Mortality: Advancements in Post-Mortem Iris Recognition through Data Collection and Computer-Aided Forensic Examination
University of Notre Dame（圣母大学）；Michigan State University（密歇根州立大学）；Meta；Dutchess County Medical Examiner’s Office（达奇斯县法医办公室）
本文通过收集大规模死后虹膜数据和实现攻击检测模型，提升法医虹膜识别的准确性和可解释性，推动该领域的发展。
2026-03-27 cs.CV
Post-mortem Iris Recognition with Deep-Learning-based Image Segmentation
Research and Academic Computer Network（研究与学术计算机网络）；University of Notre Dame（圣母大学）；Medical University of Warsaw（华沙医科大学）
本文提出了第一个已知的虹膜识别方法，专门为死后样本设计。我们建议使用基于深度学习的虹膜分割模型来提取死后虹膜图像中高度不规则的虹膜纹理区域。我们展示了如何使用分割掩模预测的神经网络在传统的，基于Gabor的虹膜识别方法，采用圆形近似的瞳孔和边缘虹膜边界。作为一个整体，这种方法允许在死后虹膜识别的准确性显着提高的方法，仅为生前虹膜设计，包括学术OSIRIS和商业IriCore实现。对于死亡后10小时内收集的样本，所提出的方法达到的EER小于1%，而OSIRIS和IriCore分别观察到的EER为16.89%和5.37%。对于死后369小时收集的样本，所提出的方法实现了EER 21.45%，而OSIRIS和IriCore分别观察到33.59%和25.38%。此外，该方法进行了测试，从眼科诊所的患者，它也提供了一个优势，其他两个算法收集的虹膜图像的数据库。这项工作是迈向死后特定虹膜识别的第一步，这增加了法医调查中识别死者身份的机会。从42名受试者获得的死后虹膜图像的新数据库以及基于深度学习的分割模型与论文一起提供，以确保本文中提供的所有结果都是可重复的。
2019-10-08 cs.CV
Iris Recognition with Image Segmentation Employing Retrained Off-the-Shelf Deep Neural Networks
University of Notre Dame（圣母大学）；Research and Academic Computer Network（研究与学术计算机网络）
本文提供了三种新的、开源的、基于深度学习的虹膜分割方法，以及如何在传统的基于Gabor小波的虹膜识别中使用不规则分割掩模的方法。为了训练和验证这些方法，我们使用了由不同团队和不同传感器获取并公开提供的广泛虹膜图像，包括从CASIA-Iris-Interval-v4、BioSec、ND-Iris-0405、UBIRIS、Warsaw-BioBase-Post-Mortem-Iris v2.0（死后虹膜图像）和ND-TWINS-2009-2010（从同卵双胞胎获取的虹膜图像）获取的数据。这种不同的训练数据应该增加所提出的分割技术的泛化能力。在数据库不相交的训练和测试中，我们证明了基于深度学习的分割在获得的结果和手动注释的地面实况之间计算的交集方面优于传统的（OSIRIS）分割。有趣的是，当使用基于深度学习的分割时，基于Gabor的虹膜匹配并不总是更好，并且与采用基于Daugman的分割的方法相当。
2019-01-04 cs.CV
An Embedded Iris Recognition System Optimization using Dynamically ReconfigurableDecoder with LDPC Codes
The University of Auckland（奥克兰大学）
虹膜纹理的提取和分析在生物特征识别中得到了广泛的研究。随着虹膜识别从实验室技术向全国范围应用的过渡，大多数系统在时间和空间上都面临着很高的复杂性，导致其不适合嵌入式设备。在本文中，所提出的设计包括一个最小的计算机视觉模块和多模式QC-LDPC解码器，可以减轻虹膜采集和后续过程中造成的变化和噪声。对IEEE 802.16标准中的几类QC-LDPC码进行了测试，验证了精度提高的有效性。上述代码中的一些用于进一步的QC-LDPC解码器量化、验证和彼此比较。我们表明，我们可以应用动态部分重构技术来实现虹膜识别系统的多模式QC-LDPC解码器。结果表明，该实现是功率有效的，适合边缘应用。
2021-07-08 cs.CV
Towards an efficient Iris Recognition System on Embedded Devices
虹膜识别（IR）是市场上最可靠和准确的生物识别系统之一。如今，在硬件价格降低的前提下构建NIR捕获设备具有挑战性。商业NIR传感器受到保护，不会被修改。构建新设备的过程并不简单，因为它需要从头开始捕获高质量的图像，校准操作距离以及构建轻量级软件（如眼睛/虹膜检测器和分割子系统）。鉴于这些挑战，这项工作的目的是开发和实现虹膜识别软件的嵌入式系统和校准近红外非接触式双目设置。我们评估和对比速度与性能获得两个嵌入式计算机和红外摄像机。此外，一个轻量级的分割器子系统被称为“Unet_xxs”，它可以用于虹膜语义分割在有限的内存资源。
2022-10-24 cs.CV
Human Saliency-Driven Patch-based Matching for Interpretable Post-mortem Iris Recognition
University of Notre Dame（圣母大学）
与活体虹膜识别相反，法医虹膜识别是一个新兴的研究领域，它利用虹膜生物识别的辨别能力来帮助人类检查人员识别死者。作为一种基于机器学习的技术，在一个主要的人类控制的任务，法医识别作为“备份”，以人类的专业知识，在死后的识别任务。因此，机器学习模型必须是（a）可解释的，并且（b）死后特异性的，以考虑腐烂的眼组织中的变化。在这项工作中，我们提出了一种方法，满足这两个要求，并采用人类感知的一种新的方式接近创建一个死后特定的特征提取器。我们首先在死后虹膜图像上训练一个基于深度学习的特征检测器，使用人类突出显示的图像区域的注释作为他们的决策。实际上，该方法直接从人类那里学习可解释的特征，而不是纯粹的数据驱动特征。其次，区域虹膜代码（再次，与人类驱动的过滤内核）被用来配对检测到的虹膜补丁，这是成对的，基于补丁的比较分数翻译。通过这种方式，我们的方法向人类考官提供人类可理解的视觉线索，以证明识别决策和相应的置信度得分是合理的。当对从259名死者中收集的死后虹膜图像数据集进行测试时，所提出的方法在三个最佳虹膜匹配器中名列前茅，表现出比商业（非人类可解释的）VeriEye方法更好的结果。我们提出了一种独特的死后虹膜识别方法，该方法采用人类显着性进行训练，以提供完全可解释的比较结果，用于法医检查，实现最先进的识别性能。
2022-08-03 cs.CV
Post-mortem Human Iris Recognition
Research and Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）
本文提出了一种独特的分析死后人类虹膜识别。死后的人类虹膜图像是在大学太平间分三次收集的，每次间隔大约11个小时，第一次是在死后5到7个小时。对四种独立的虹膜识别方法进行的分析表明，虹膜在死后不久就对生物特征识别无用的共同主张并不完全正确。由于瞳孔在死后有一个恒定的中性扩张（所谓的“尸体位置”），这使得虹膜图案从扩张的角度来看是完全可见的。我们发现，超过90%的虹膜在死亡后几小时被捕获时仍然被正确识别，并且严重的虹膜退化在大约22小时后开始，因为当角膜开始浑浊时，识别率下降到13.3 - 73.3%（取决于所使用的方法）。仅观察到一种方法（本研究采用的四种方法中）仅两种入组失败（共104张图像）。这些研究结果表明，虹膜死后变化的动力学对生物识别很重要，比以前认为的要温和得多。据我们所知，本文提出了关于虹膜识别在死后如何工作的第一个实验研究，我们希望这些初步发现将刺激这一领域的进一步研究。
2018-09-01 cs.CV
Super-Resolution and Image Re-projection for Iris Recognition
Federal University of Tocantins（托坎廷斯联邦大学）；Halmstad University（哈尔姆斯塔德大学）
最近的几项工作已经解决了深度学习的能力，以揭示丰富的，分层的和歧视性的模型，用于最多样化的目的。具体而言，在超分辨率领域，使用不同深度学习方法的卷积神经网络（CNN）尝试从低分辨率图像恢复真实纹理和细粒度细节。在这项工作中，我们探讨了这些方法的可行性虹膜超分辨率（SR）在虹膜识别环境。为此，我们测试了具有和不具有所谓的图像重投影的不同架构，以减少将其应用于不同虹膜数据库的伪影，以验证不同CNN用于虹膜超分辨率的可行性。结果表明，CNN和图像重投影可以提高结果，特别是对于使用完全不同的训练数据库成功执行迁移学习的识别系统的准确性。
2022-10-20 cs.CV
Impact of Iris Pigmentation on Performance Bias in Visible Iris Verification Systems: A Comparative Study
Indian Institute of Technology Mandi（印度曼迪理工学院）；Technology Innovation Hub, Indian Institute of Technology Mandi（印度曼迪理工学院技术创新中心）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本研究比较分析了虹膜色素沉着（蓝色与深色）对可见光虹膜验证系统性能的影响，发现系统对蓝色虹膜准确率更高，并揭示了跨设备与颜色的固有偏差，强调需通过包容性数据集和模型优化促进公平识别。
2024-11-13 cs.CV
Very Low-Resolution Iris Recognition Via Eigen-Patch Super-Resolution and Matcher Fusion
Halmstad University（哈尔姆斯塔德大学）；University of Malta（马耳他大学）
目前虹膜识别的研究正朝着实现更宽松的采集条件的方向发展。这对所获取图像的质量有影响，其中低分辨率是主要问题。在这里，我们评估了一个超分辨率算法用于重建虹膜图像的基础上的特征变换的局部图像补丁。每个补丁分别重建，允许更好的质量增强图像通过保留局部信息。对比度增强用于提高重建质量，匹配器融合用于提高虹膜识别性能。我们使用1,872个近红外虹膜图像的数据库来验证该系统。所提出的方法优于双线性或双三次插值，特别是在较低的分辨率下，并且两个系统的融合将下采样因子的EER推到5%以下，图像大小仅为13 x13。
2022-10-18 cs.CV
Iris Recognition Based on SIFT Features
Biometric Recognition Group - ATVS, Escuela Politecnica Superior, Universidad Autonoma de Madrid（马德里自治大学高等理工学院生物特征识别组）
基于虹膜图像的生物识别方法被认为具有很高的准确性，近年来虹膜生物识别技术受到了广泛的关注。在本文中，我们使用的尺度不变特征变换（SIFT）识别虹膜图像。与传统的虹膜识别系统不同，SIFT方法不依赖于虹膜图案到极坐标的变换或高度精确的分割，允许较少约束的图像采集条件。在尺度空间中提取具有特征的SIFT特征点，并利用SIFT算子根据特征点周围的纹理信息进行匹配。实验是使用BioSec多模式数据库，其中包括3,200虹膜图像从200个人在两个不同的会话中获得。我们的贡献与不同的SIFT参数对识别性能的影响的分析。我们还展示了SIFT方法和基于极坐标变换和Log-Gabor小波的流行匹配方法之间的互补性。这两种方法的组合实现了显着更好的性能比任何一个单独的计划，在相等的出错率的性能提高了24%。
2021-10-30 cs.CV
Exploring New Directions in Iris Recognition
Spiru Haret University of Bucharest（布加勒斯特斯皮鲁·哈雷特大学）；University of Bath（巴斯大学）
提出了一种基于圆形模糊虹膜分割（CFIS）和Gabor解析虹膜纹理二进制编码器（GAITBE）的虹膜识别方法。CFIS过程被设计为保证对于相似的眼睛图像将获得相似的虹膜片段，尽管事实上遮挡程度可能从一个图像到另一个图像而变化。其结果是一个圆形的虹膜环（与瞳孔同心），近似于实际的虹膜。GAITBE证明了利用希尔伯特变换从不同虹膜中提取的虹膜编码之间的统计独立性。来自巴斯大学虹膜数据库的虹膜以两种不同的长度（768 / 192字节）进行二进制编码，并在单次注册和多次注册识别场景中进行测试。所有的情况下说明的能力，新提出的方法，以缩小类间匹配分数的分布，因此，以保证一个陡峭的下降的错误接受率。
2011-07-13 cs.CV
Iris recognition in cases of eye pathology
Medical University of Warsaw（华沙医科大学）；Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））；Warsaw University of Technology（华沙理工大学）
本章提供了关于虹膜识别，世界上领先的生物特征识别技术之一，如何受到眼睛中存在的病理和疾病的影响，这种影响可能产生的影响，以及在匹配虹膜样本时考虑这些影响的可能方法。为了使这项研究成为可能，使用了一个特殊的虹膜图像数据库，代表了20多种不同的眼部疾病（包括白内障，青光眼，虹膜发红，粘连，虹膜缺损，角膜病变等），并包含从230个不同的虹膜收集的近3000个样本。然后，使用四种不同的虹膜识别方法，进行了一系列的实验，得出了几个重要的结论。世界上最流行的眼部疾病之一-白内障-显示出恶化真正的比较分数时，从白内障影响的眼睛获得的结果相比，那些来自健康的虹膜。还分析了疾病对眼睛结构造成的不同类型的影响，结果显着。登记过程对使虹膜被遮挡或引入几何失真的那些眼睛状况高度敏感。影响虹膜几何形状或产生障碍物的障碍异常地能够降低真实的比较分数，使得整个生物计量系统的性能可能受到影响。实验还表明，不完善的执行图像分割阶段是最突出的贡献者识别错误。
2018-09-04 cs.CV
Deep Learning-Based Feature Extraction in Iris Recognition: Use Existing Models, Fine-tune or Train From Scratch?
University of Notre Dame（圣母大学）
可以采用现代深度学习技术来生成用于虹膜识别任务的有效特征提取器。问题是：我们是应该在相对大的虹膜图像数据集上从头开始训练这样的结构，还是更好地微调现有模型以使它们适应新的领域？在这项工作中，我们探索了流行的ResNet-50架构的五组不同的权重，以确定虹膜特定的特征提取器是否比为非虹膜任务训练的模型表现更好。从每个卷积层中提取特征，并在与ResNet-50模型训练中使用的样本不相交的数据集上测量支持向量机实现的分类精度。我们表明，最佳的训练策略是微调一组现成的权重虹膜识别域。这种方法比现成的权重和从头开始训练的模型都更准确。获胜的，微调的方法也显示了性能的增加相比，以前的工作，其中只有现成的（未微调）模型用于虹膜特征提取。我们制作了性能最好的ResNet-50模型，用超过360，000张虹膜图像进行了微调，并与本文一起公开。
2020-02-20 cs.CV
The Impact of Preprocessing on Deep Representations for Iris Recognition on Unconstrained Environments
Federal University of Paraná (UFPR)（巴拉那联邦大学）；Federal University of Ouro Preto (UFOP)（欧鲁普雷图联邦大学）；Pontifical Catholic University of Paraná (PUCPR)（巴拉那天主教大学）
虹膜作为一种生物特征被广泛使用，因为它具有高度的区分性和唯一性。目前，主要的研究挑战之一是在无约束环境下对可见光范围内的虹膜图像进行识别。在这种情况下，所获取的虹膜受到捕获距离、旋转、模糊、运动模糊、低对比度和镜面反射的影响，从而产生干扰虹膜识别系统的噪声。为了解决这些问题，除了提取虹膜区域外，通常还需要对虹膜图像进行归一化和分割等预处理。但这些技术不可避免地会出现一些错误。在这种情况下，我们建议使用深度表示，更具体地说，基于VGG和ResNet-50网络的架构，用于处理使用（而不是）虹膜分割和归一化的图像。我们使用从人脸域的迁移学习，并提出了一个具体的数据增强技术虹膜图像。我们的研究结果表明，使用非规范化的，只有圆圈界定的虹膜图像的方法达到了一个新的国家的艺术在官方协议的NICE。II竞争，一个子集的UBIRIS数据库，一个最具挑战性的数据库在无约束的环境，报告平均相等的出错率（EER）为13.98%，这代表了约5%的绝对减少。
2018-08-29 cs.CV
Iris Recognition Based on LBP and Combined LVQ Classifier
Mansoura University（曼苏拉大学）；Faculty of Computer and Information Sciences（计算机与信息科学学院）
虹膜识别被认为是用于人类身份识别和验证的最佳生物特征方法之一，这是因为它具有因人而异的独特特征，以及它在安全领域的重要性。本文提出了一种基于局部二值模式和直方图特性的虹膜识别和分类算法，采用局部二值模式和直方图特性作为统计特征提取方法，采用组合学习矢量量化分类器作为神经网络分类方法，建立了一个依赖于两种特征的混合模型。提出了一种基于Canny边缘检测和Hough循环变换的虹膜定位和分割方法，将LBP算法得到的特征向量应用于组合LVQ分类器中，确定最小可接受的分类性能，并在多个LVQ分类器之间进行多数表决。介绍了具有不同扩展和大小的不同虹膜数据集CASIA、MMU 1、MMU 2和LEI。由于LBP是在灰度级上工作的，所以彩色虹膜图像应该被转换成灰度级。与其他方法相比，该系统在不同虹膜数据集上的识别率高达99.87%.
2011-11-07 cs.CV
Deep GAN-Based Cross-Spectral Cross-Resolution Iris Recognition
近年来，交叉光谱虹膜识别已经成为一种很有前途的生物识别方法，以建立个人的身份。然而，匹配在不同光谱带（即，将可见光（VIS）虹膜探针与近红外（NIR）虹膜图像的图库相匹配，或反之亦然）与带内NIR匹配相比，显示出显著的性能下降。因此，在本文中，我们研究了一系列深度卷积生成对抗网络（DCGAN）架构，以进一步提高跨光谱虹膜识别方法的准确性。此外，与文献中现有的作品，我们引入了一个分辨率差异到经典的交叉光谱匹配问题域。我们已经开发了两种不同的技术，使用条件生成对抗网络（cGAN）作为骨干架构的跨光谱虹膜匹配。在第一种方法中，我们通过训练cGAN同时解决交叉分辨率和交叉光谱匹配问题，该cGAN将交叉分辨率和交叉光谱任务联合转换为相同的分辨率和相同的光谱。在第二种方法中，我们设计了一个耦合的生成对抗网络（cpGAN）架构，该架构由一对cGAN模块组成，该cGAN模块将VIS和NIR虹膜图像投影到低维嵌入域中，以确保来自同一受试者的两种虹膜模态的特征向量之间的最大成对相似性。
2021-08-03 cs.CV
ImmerIris: A Large-Scale Dataset and Benchmark for Off-Axis and Unconstrained Iris Recognition in Immersive Applications
Shanghai Key Lab of Intelligent Information Processing（上海智能信息处理关键实验室）；Fudan University（复旦大学）；Huaiyin Normal University（淮阴师范学院）；Zhengzhou University of Light Industry（郑州轻工业学院）；Tongji University（同济大学）
本文提出ImmerIris数据集，包含546名受试者499,791张虹膜图像，是目前最大的公开虹膜数据集，用于评估沉浸式应用中的虹膜识别系统，提出无预处理的虹膜识别方法，提升了识别鲁棒性。
2026-04-25 cs.CV
An Analysis of 1-to-First Matching in Iris Recognition
University of Notre Dame（圣母大学）
虹膜识别系统是一种成熟的技术，在世界各地广泛使用。在识别（与验证相反）模式中，要识别的虹膜通常与所有N个登记的虹膜匹配。这就是经典的“1对N搜索”。为了提高大规模识别的速度，在一些业务系统中使用了改进的“1-to-First”搜索。1对1搜索以找到的第一个低于阈值的匹配结束，而1对N搜索总是在所有注册中找到最佳匹配。我们知道以前没有研究评估1到1搜索的准确性与1到N搜索的准确性有何不同。使用来自2，800个不同虹膜的超过50，000个虹膜图像的数据集，我们进行实验来评估1到第一和1到N搜索的相对准确性。我们评估的准确性差异如何变化与更大数量的注册虹膜，并与更大范围的旋转差异虹膜图像之间允许。我们发现1对1的误匹配出错率高于1对N，并且随着注册虹膜的数量和旋转范围的增大，差异增大。
2017-02-03 cs.CV
A novel method for iris recognition using BP neural network and parallel computing by the aid of GPUs (Graphics Processing Units)
University of Kashan（卡尚大学）；Islamic Azad University of Arak Science & Research Branch（阿拉克伊斯兰阿扎德大学科学与研究分校）
本文提出一种基于Haar小波特征提取与BPNN分类器的虹膜识别新方法，并借助CUDA在GPU上实现并行计算以加速学习过程，同时给出了系统性能与加速结果。
2023-09-06 cs.CV
Iris Recognition Under Biologically Troublesome Conditions - Effects of Aging, Diseases and Post-mortem Changes
Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））；Warsaw University of Technology（华沙理工大学）；University of Notre Dame（圣母大学）；Medical University of Warsaw（华沙医科大学）
本文介绍了虹膜识别可靠性的最全面的分析，在人体自然和病理发生的各种生物过程中，包括衰老，疾病和迄今为止的死后变化。对所有这三个方面都提出了有见地的结论。模板老化现象的广泛回归分析表明，瞳孔扩张的差异，结合样本图像的某些质量因素和时间本身的进展可以显着降低识别精度。当虹膜识别用于受某些眼部病变影响的眼睛或（甚至更多）已故受试者的眼睛时，也可以观察到影响效果。值得注意的是，适当的数据库被交付给生物识别社区，以刺激虹膜生物识别研究中这些非常重要的领域的进一步研究。最后，提出了一些开放性问题，以激发对这些重要主题的进一步讨论和研究。据作者所知，这是虹膜识别可靠性的唯一科学研究，范围如此广泛，新颖。
2018-09-01 cs.CV
Domain-Specific Human-Inspired Binarized Statistical Image Features for Iris Recognition
University of Notre Dame（圣母大学）
二值化统计图像特征（BSIF）已成功地用于许多计算机视觉任务中的纹理分析，包括虹膜识别和生物特征呈现攻击检测。重要的一点是，BSIF在虹膜识别中的所有应用都使用了原始的BSIF滤波器，这些滤波器是在从自然图像中提取的图像块上训练的。本文测试的问题，是否特定于域的BSIF可以提供更好的性能比默认的BSIF。第二个要点是选择用于BSIF训练的图像块。从眼睛跟踪实验中获得的图像补丁，其中人类执行虹膜识别任务，可以提供比随机补丁更好的性能吗？我们的研究结果表明，（1）特定领域的BSIF特征可以优于默认的BSIF特征，（2）以人类表现指导的特定于任务的方式选择图像块可以优于选择随机块。这些结果很重要，因为BSIF通常被认为是一个通用的纹理工具，不需要任何领域自适应，和人工任务指导的选择补丁的训练从来没有（据我们所知）。本文遵循可重复的研究要求，并提供了新的虹膜域特定的BSIF滤波器，用于滤波器训练的补丁，用于测试的数据库和所设计的虹膜识别方法的源代码，以促进这一概念的应用。
2018-11-18 cs.CV
Iris Recognition with a Database of Iris Images Obtained in Visible Light Using Smartphone Camera
Research and Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）
本文提供了一个新的数据库的虹膜图像收集在可见光下使用手机的摄像头，并提出了实验结果，涉及现有的商业和开源虹膜识别方法，即：IriCore，VeriEye，MIRLIN和OSIRIS。提出了若干重要的意见。首先，我们设法表明，经过简单的预处理，这样的图像提供了良好的可见性虹膜纹理，即使在重色素虹膜。其次，对于所有四种方法，登记阶段不会受到不同类型的数据用作输入的事实的影响。这意味着零或接近零的注册失败，即，无法从样本中提取模板的情况。第三，我们实现了良好的匹配精度，所有四种方法的正确真实匹配率超过94.5%，同时能够在每种情况下保持零错误匹配率。使用其中一种商业方法实现了超过99.5%的正确真实匹配率，表明此类图像可以与现有的生物识别解决方案一起使用，只需最少的额外工作。最后，实验表明，不正确的图像分割是识别精度下降的最普遍的原因。据我们所知，这是第一个使用移动终端捕获的虹膜图像数据库，其中图像质量超过了ISO/IEC 19794 - 6和29794 - 6文件中定义的近红外照明虹膜图像。该数据库将向所有研究人员开放。
2018-09-01 cs.CV
Segmentation-Aware and Adaptive Iris Recognition
虹膜识别作为一种最准确、最方便的身份识别技术，在电子安全领域得到了越来越广泛的应用。已知在远距离处或在较少约束的成像环境下获取的虹膜图像的质量会降低虹膜匹配精度。眼周信息固有地嵌入在这样的虹膜图像中，并且可以被利用来辅助在这样的非理想场景下的虹膜识别。我们对这种虹膜模板的分析也表明感兴趣区域的显著退化和减少，其中虹膜识别可以受益于可以考虑不同二进制位的重要性的相似性距离，而不是文献中直接使用汉明距离。眼周信息可以动态地增强，通过将可用虹膜区域的有效面积的差异，用于更准确的虹膜识别。本文提出了这样一个分割辅助自适应框架，更准确的少约束虹膜识别。在三个公开的虹膜数据库上进行了数据集内和跨数据集性能评估，验证了该框架的有效性。
2019-12-31 cs.CV eess.IV
Pigment Melanin: Pattern for Iris Recognition
University of Tehran（德黑兰大学）；University of Waterloo（滑铁卢大学）；Henry Ford Hospital（亨利福特医院）
由于人眼角膜对可见光的反射，使得基于可见光成像的虹膜识别成为一个难题。尽管如此，色素黑色素在VL中提供了丰富的特征源，这在近红外（NIR）成像中是不可用的。这是由于真黑素的生物光谱学，一种在NIR中不受刺激的化学物质。在这种情况下，可以通过在图像直方图上使用变分技术的自适应过程来提供观察这种图案的合理解决方案。为了描述的模式，形状分析方法是用来获得每个主题的特征代码。一个重要的问题是，从VL中提取的黑色素图案在多大程度上独立于NIR中的虹膜纹理。考虑到这个问题，本研究提出了融合从NIR和VL提取的特征，以提高识别性能。我们已经收集了我们自己的数据库（UTIRIS）包括近红外和VL图像的158只眼睛的79个人。实验结果表明，该算法对虹膜的色团模式高度敏感，提高了虹膜识别率。
2009-11-29 cs.CV
Performance of Humans in Iris Recognition: The Impact of Iris Condition and Annotation-driven Verification
Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））
本文通过（1）评估身份验证中不同虹膜条件的影响，以及（2）引入提高人们决策准确性的注释步骤，来推进虹膜图像的人类检查的最新技术水平。在第一次实验中，114名受试者被要求决定是否虹膜图像对描绘同一只眼睛（真正的对）或两个不同的眼睛（冒名顶替者对）。图像对采样了六种情况：（1）算法易于分类，（2）算法难以分类，（3）瞳孔扩张差异大，（4）受疾病影响的眼睛，（5）同卵双胞胎，以及（6）死后样本。在第二次会议中，114名受试者中的85名被要求注释支持他们决策的匹配和不匹配区域。允许受试者在注释过程中改变其初始分类。结果表明：（a）当被要求注释一对图像之间的匹配和非匹配区域时，人们提高了他们的身份验证准确性，（b）描绘瞳孔扩张差异大的同一只眼睛的图像对受试者来说是最具挑战性的，但从注释驱动的分类中受益匪浅，（c）当验证真正的死后和受疾病影响的眼睛时，人类比虹膜识别算法表现得更好（即，样本显示由于瞳孔扩张而超出健康虹膜的变形），以及（d）注释不能提高分析来自同卵双胞胎的图像的准确性，这仍然使人们感到困惑。
2018-11-20 cs.CV
Cataract influence on iris recognition performance
Research and Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）
本文介绍了实验研究揭示较弱的性能的自动虹膜识别方法的白内障受影响的眼睛相比，健康的眼睛。关于这一主题的研究很少，主要是结合稀缺的数据库，这些数据库往往缺乏代表一种以上疾病的图像。我们建立了自己的数据库，获取了华沙医科大学37名患者的1288张眼睛图像。这些图像代表了几种常见的眼部疾病，如白内障，以及不太常见的情况，如由疾病或眼外伤引起的虹膜图案改变。图像是在近红外光（用于生物识别）和选定的情况下，也在可见光（用于眼科诊断）。由于白内障是数据库中样本最多的疾病，因此在本文中，我们只关注这种疾病。为了评估性能恶化的程度，我们使用三种虹膜识别方法（商业和学术解决方案）来计算健康眼睛和受白内障影响的眼睛的真正匹配分数。结果表明，虹膜识别的可靠性显着下降，表现为恶化的真实分数在本研究中使用的所有三个匹配器（12%的学术匹配器的真实分数增加，高达175%的真实分数增加获得一个示例商业匹配器）。真实分数的增加影响了两个匹配器的最终错误不匹配率。据我们所知，这是唯一的这种研究，采用一个以上的虹膜匹配器，并分析了虹膜图像分割的可靠性降低的潜在来源。
2018-09-01 cs.CV
Demographic Bias in Presentation Attack Detection of Iris Recognition Systems
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所 IGD）；TU Darmstadt（达姆施塔特工业大学）
随着生物识别系统的广泛使用，人口统计偏差问题引起了更多的关注。虽然许多研究解决了生物特征验证中的偏差问题，但还没有分析呈现攻击检测（PAD）决策中的偏差的作品。因此，我们调查和分析虹膜PAD算法在本文中的人口偏见。为了进行清晰的讨论，我们将差异绩效和差异结果的概念适用于PAD问题。我们使用NDCLD-2013数据库，使用三个基线（手工制作，迁移学习和从头开始培训）研究虹膜PAD的偏差。实验结果指出，与男性相比，女性用户受到PAD的保护明显较少。
2020-07-03 cs.CV
SVD-EBP Algorithm for Iris Pattern Recognition
Walchand College of Engineering（沃尔昌德工程学院）
本文提出了一种基于误差反向传播（EBP）的神经网络方法，用于对不同类型的眼睛图像进行分类。为了降低分层神经网络的复杂度，采用奇异值分解（SVD）优化输入向量的维数。本文的主要工作是为特征提取和分类提供最佳的方法。本文介绍了SVD-EBP组合系统的详细结构和实验结果。关键词-奇异值分解（SVD），误差反向传播（EBP）。
2012-04-10 cs.CV
Open Source Presentation Attack Detection Baseline for Iris Recognition
University of Notre Dame（圣母大学）
本文提出了我们已知的第一个开源演示攻击检测（PAD）解决方案，以区分真实的虹膜图像（可能佩戴透明隐形眼镜）和带纹理隐形眼镜的虹膜。该软件可以作为各种PAD评估的基准，也可以作为一个开源平台，提供虹膜PAD的最新参考方法。该软件是用C++和Python编写的，只使用开源资源，如OpenCV。该方法不包括虹膜图像分割，这可能是未知的假样本的问题。相反，它做出最佳猜测来定位虹膜的粗略位置。PAD相关的特征提取与二进制统计图像特征（BSIF），这是由集成的分类器，包括支持向量机，随机森林和多层感知器分类。当前软件附带的模型已使用NDCLD'15数据库进行了训练，并在LivDet-Iris 2017竞赛中包含的独立数据集上进行了评估。该软件实现了用任何真实图像和攻击图像数据库重新训练分类器的功能。本文提供的当前版本的准确性在NDCLD'15的主题不相交子集上测试时超过99%，在LivDet-Iris 2017基准测试时在85%左右波动，这与LivDet-Iris 2017获奖者获得的结果相当。
2019-05-09 cs.CV
Direct attacks using fake images in iris verification
Universidad Autonoma de Madrid（马德里自治大学）
在这方面的贡献，虹膜识别系统的直接攻击的脆弱性进行了研究。已经从BioSec基线数据库的真实虹膜创建了假虹膜图像数据库。虹膜图像使用商业打印机打印，然后呈现在虹膜传感器处。我们使用我们的实验公开可用的虹膜识别系统，其中一些修改，以改善虹膜分割步骤。基于不同的操作场景所取得的结果，我们表明，该系统是容易受到直接攻击，指出对这种类型的欺诈行为的对策的重要性。
2021-10-30 cs.CV
A Prior Embedding-Driven Architecture for Long Distance Blind Iris Recognition
Hunan University of Arts and Sciences（湖南文理学院）；Xi’an Jiaotong University（西安交通大学）；University of Wollongong（伍伦贡大学）
针对远距离盲虹膜识别率低的问题，提出先验嵌入驱动架构，结合 Iris-PPRGAN 复原网络和 Insight-Iris 分类器，在 CASIA-Iris-distance 数据集上将识别率提升至 90%。
2024-08-01 cs.AI cs.CV
DeepIris: Iris Recognition Using A Deep Learning Approach
New York University（纽约大学）；University of California, Riverside（加州大学河滨分校）
虹膜识别在过去的几十年里一直是一个活跃的研究领域，因为它在安全方面有着广泛的应用，从机场到国土安全边境控制。过去已经提出了不同的特征和算法用于虹膜识别。在本文中，我们提出了一个基于残差卷积神经网络（CNN）的端到端虹膜识别深度学习框架，它可以联合学习特征表示并执行识别。我们训练我们的模型在一个著名的虹膜识别数据集上，只使用几个训练图像，从每个类，并显示出有前途的结果和改进，比以前的方法。我们还提出了一种可视化技术，它能够检测虹膜图像中的重要区域，这可能是最影响识别结果。我们相信这个框架可以广泛应用于其他生物识别任务，有助于拥有更可扩展和更准确的系统。
2019-07-22 cs.CV cs.LG
Deep Learning for Iris Recognition: A Survey
Queensland University of Technology（昆士兰科技大学）；University of Beira Interior（贝拉内格罗大学）；Instituto de Telecomunicações（电信研究所）；Halmstad University（哈尔姆斯塔德大学）
在本次调查中，我们对过去10年中发表的200多篇关于虹膜识别深度学习技术最新发展的论文、技术报告和GitHub存储库进行了全面回顾，涵盖了算法设计、开源工具、开放挑战和新兴研究等广泛主题。首先，我们对虹膜生物识别中的两个主要子任务（分割和识别）开发的深度学习技术进行了全面分析。其次，我们专注于深度学习技术，用于虹膜识别系统对呈现攻击和通过人机配对的鲁棒性。第三，我们深入研究了用于法医应用的深度学习技术，特别是在死后虹膜识别中。第四，我们回顾了用于虹膜识别的深度学习技术中的开源资源和工具。最后，我们强调了技术挑战，新兴的研究趋势，并展望了虹膜识别中的深度学习的未来。
2022-10-12 cs.AI cs.CV
