CASIA-Iris-Africa: A Large-scale African Iris Image Database
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
虹膜生物特征是一种表型生物特征，已被证明与人类自然生理变化无关。虹膜生物识别技术的研究取得了巨大的进展，部分原因是公开的虹膜数据库。各种数据库已提供给研究人员，以解决紧迫的虹膜生物识别的挑战，如约束，移动，多光谱，合成，远距离，隐形眼镜，活性检测等，然而，这些数据库主要包含高加索和亚洲的讲师与非洲人很少的主题。尽管有许多关于面部生物识别中种族偏见的调查研究，但很少有关于虹膜生物识别的研究发表，主要是由于公共领域缺乏包含足够非洲人虹膜样本的种族多样性大规模数据库。此外，这些数据库中的大多数包含相对少量的主题和标记图像。本文提出了一个名为CASIA-Iris-Africa的大型非洲数据库，可用作虹膜识别社区的补充数据库，以调解种族偏见对非洲人的影响。该数据库包含1023名非洲受试者（2046个虹膜类）的28，717张图像，这些图像具有年龄，性别和种族属性，可用于非洲人的人口统计学敏感研究。一组特定的应用程序协议与数据库相结合，以确保数据库的可变性和可伸缩性。一些开源的SOTA算法的数据库上的性能结果，这将作为基线性能。尽管在其他数据库上的性能较好，但基线算法在所提出的数据库上的性能相对较差，这证明了这些虹膜识别算法中存在种族偏见。该数据库将在我们的网站上提供：http://www.idealtest.org。
2023-02-25 cs.CV
Recognition Oriented Iris Image Quality Assessment in the Feature Space
UCAS（中国科学院大学）；CASIA（中国科学院自动化研究所）
在真实场景中，由于环境的不可控性和主体的非合作性，大部分虹膜图像的质量都很差。为了保证识别算法不受低质量图像的影响，传统的基于手工因子的方法会丢弃大部分图像，这会导致系统超时并破坏用户体验。针对这一问题，本文提出了一种面向虹膜识别的虹膜图像质量度量和评价方法。该方法将虹膜图像嵌入的特征空间距离（DFS）作为质量度量，并基于具有注意力机制的深度神经网络进行预测。本文提出的质量度量可以显着提高识别算法的性能，同时减少识别丢弃的图像的数量，这是优于手工制作的因素为基础的虹膜质量评估方法。提出了图像拒绝率（IRR）和等误率（EER）之间的关系，以评价在相同图像质量分布和相同识别算法下质量评价算法的性能。相对于手工因素的方法，所提出的方法是一种尝试，以弥补图像质量评估和生物特征识别之间的差距。该代码可在https://github.com/Debatrix/DFSNet上获得。
2020-09-27 cs.CV eess.IV
The Biometric Menagerie - A Fuzzy and Inconsistent Concept
Spiru Haret University（斯皮鲁哈雷特大学）
本文证明了在虹膜识别中，绵羊，山羊，羔羊和狼的概念-由Doddington和Yager在所谓的生物识别动物园中提出，最多是模糊的，至少没有很好地定义。它们不仅取决于用户或他们的生物特征模板，而且还取决于校准虹膜识别系统的参数。本文表明，在虹膜识别的情况下，这些概念的扩展具有非常不清晰和不稳定（非平稳）的边界。用户对这些类别的隶属关系通常表示为程度（作为模糊值），而不是明确值。此外，它们被定义为模糊Sugeno规则，而不是经典的（清晰的）定义。由于这些原因，我们说Doddington和Yager提出的生物计量动物园最多只能是生物计量学的一个模糊概念，但即使是这种状态也需要改进其定义。所有这些事实都在巴斯大学虹膜图像数据库进行的一系列12次详尽的虹膜识别测试中得到了实验证实，同时使用了三种不同的虹膜代码尺寸（256 x16，128 x8和64 x4），两种不同的虹膜纹理编码器（Log-Gabor和Haar-Hilbert）和两种不同类型的安全模型。
2012-09-27 cs.CV
Introduction to Presentation Attack Detection in Iris Biometrics and Recent Advances
Universidad Autonoma de Madrid（马德里自治大学）；European Commission - DG Joint Research Centre（欧洲委员会联合研究中心）；Hochschule Ansbach（安斯巴赫应用技术大学）
虹膜识别技术在过去的几十年里吸引了越来越多的兴趣，我们见证了从研究实验室到现实世界应用的迁移。这项技术的部署提出了与这些系统相关的主要漏洞和安全威胁的问题。在这些威胁中，演示攻击是最相关和最受研究的。呈现攻击可以被定义为直接向生物识别系统的捕获设备呈现人类特征或伪像，试图干扰其正常操作。在虹膜的情况下，这些攻击包括使用真实的虹膜以及具有不同复杂程度的人工制品，例如照片或视频。本章介绍虹膜呈现攻击检测（PAD）方法，这些方法已被开发用于降低呈现攻击带来的风险。首先，我们总结了最常见的攻击类型，包括需要解决的主要挑战。其次，我们提出了一个分类的表示攻击检测方法作为一个简要介绍这一非常活跃的研究领域。最后，我们讨论了这些方法集成到虹膜识别系统根据最重要的实际应用场景。
2021-11-24 cs.CV
Synthetic Iris Image Databases and Identity Leakage: Risks and Mitigation Strategies
Warsaw University of Technology（华沙理工大学）；PayEye
本文综述了从传统图像处理到GAN、VAE和扩散模型的虹膜图像合成方法，分析其生成保真度，并探讨训练集身份特征泄漏风险及缓解策略，以评估其替代真实生物特征数据集的可行性。
2025-06-03 cs.CV
Hardware Implementation of Multimodal Biometric using Fingerprint and Iris
Macquarie University（麦考瑞大学）
在本文中，多模态生物识别系统的硬件架构，大规模利用固有的并行性。该系统是基于多个生物特征融合，使用两个生物特征，指纹和虹膜。每个生物特征首先在软件层面进行优化，解决一些直接影响FAR和FRR的问题。然后，这两个生物特征的硬件架构，其次是最后的多模态硬件架构。据作者所知，没有其他基于FPGA的设计使用这两个特性。
2022-01-16 cs.CR cs.CV
Ethnicity and Biometric Uniqueness: Iris Pattern Individuality in a West African Database
本研究构建AFHIRIS西非虹膜数据库，发现种族差异致熵降低，但通过微调决策阈值即可在抵抗错误匹配上保持同等性能，证明虹膜识别在该群体中依然稳健。
2023-09-12 cs.CV
Linear regression analysis of template aging in iris biometrics
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）
这项工作的目的是确定不同的虹膜编码方法是如何脆弱的生物特征模板老化现象。这被认为是特别重要的，当画廊和探针样品之间的时间间隔显着延长，超过几年。我们的实验采用虹膜老化分析进行使用三种不同的虹膜识别算法和数据库的583个样本从58虹膜收集长达9年的间隔。为了确定随着时间推移以及与样本图像的多个图像质量和几何因素相关的相似性分数的退化率，进行线性回归分析。对29个回归模型进行了检验，每个模型中的时间参数和几何因素都具有统计学意义。质量措施，显示统计上显着影响的预测变量，根据方法，图像清晰度和局部对比度或它们的相互关系。据我们所知，这是第一篇描述使用多元回归模型进行老化分析的论文，数据涵盖了如此广泛的时间段。结果表明，模板老化效应发生在虹膜生物特征的统计显着的程度。图像质量和几何因素可能会导致相似性得分的下降。而时间参数的估计值在各模型中均具有统计学意义，且值相近。这表明，老化现象也可能与图像的质量和几何测量无关。
2018-09-01 cs.CV
A Survey on Periocular Biometrics Research
Halmstad University（哈尔姆斯塔德大学）
眼周是指眼睛附近的面部区域，包括眼睑、睫毛和眉毛。虽然人脸和虹膜已被广泛研究，眼周区域已成为一个有前途的特点，无约束的生物特征，以下要求增加鲁棒性的人脸或虹膜系统。该区域具有令人惊讶的高识别能力，可以很容易地通过现有的面部和虹膜设置获得，并且可以放松对用户合作的要求，从而促进与生物识别系统的交互。它也可以在很宽的距离范围内使用，即使在虹膜纹理无法可靠获得（低分辨率）或部分面部遮挡（近距离）的情况下也是如此。在这里，我们回顾了眼周生物识别研究的最新进展。描述了多个方面，包括：i）现有的数据库，ii）用于眼周检测和/或分割的算法，iii）用于识别的特征，iv）眼周区域的最有区别的区域的识别，v）与虹膜和面部模态的比较，vi）软生物测定（性别/种族分类），以及vii）性别转换和整形手术对识别准确性的影响。这项工作预计将提供眼周生物识别技术中最相关的问题的见解，全面覆盖现有的文献和最新的技术水平。
2018-10-08 cs.CV
Generating a Biometrically Unique and Realistic Iris Database
Luddy School of Informatics, Computing & Engineering, Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校勒迪信息学、计算与工程学院）
针对真实虹膜数据库的伦理与隐私获取难题，本文在开源扩散框架中训练扩散模型，生成逼真、彩色且生物特征唯一的虹膜图像，并验证其纹理唯一性与色素分布完整性。
2025-03-15 cs.CV cs.LG
Understanding Biometric Entropy and Iris Capacity: Avoiding Identity Collisions on National Scales
Cambridge University（剑桥大学）
本文通过类比生日问题推导虹膜识别容量的一般解，并结合NIST万亿级比较数据证明双眼虹膜熵足以支撑全球唯一身份识别。
2023-08-06 cs.CR cs.CV
Bi-Encoder Contrastive Learning for Fingerprint and Iris Biometrics
Department of Computer Science（计算机科学系）；Columbia University（哥伦比亚大学）；College of Medicine（医学院）；SUNY Downstate Health Sciences University（SUNY 下州健康科学大学）；Department of Mechanical Engineering（机械工程系）
本研究通过双编码器对比学习验证个体生物特征相关性，发现虹膜匹配性能高而跨模态匹配接近随机，挑战了传统独立性假设。
2025-10-27 cs.CV cs.LG
Secured Cryptographic Key Generation From Multimodal Biometrics: Feature Level Fusion of Fingerprint and Iris
Bannari Amman Institute of Technology（班纳里·阿曼理工学院）；K.S.Rangasamy College of Technology（K.S.拉加斯瓦米技术学院）
人类用户很难记住长的加密密钥。因此，长期以来，研究人员一直在研究利用用户的生物特征而不是令人难忘的密码或密码短语的方法，以努力生成强大且可重复的加密密钥。我们的目标是将用户的生物特征的波动性到生成的密钥，从而使关键unguessable缺乏显着的知识，用户的生物特征的攻击者。我们更进一步，试图将多种生物识别方式纳入密钥生成，以提供更好的安全性。在这篇文章中，我们提出了一种有效的方法，基于多模态生物特征（虹膜和指纹）的安全密钥的生成。该方法由三个模块组成，即：1）特征提取，2）多模态生物特征模板生成和3）密钥生成。首先，分别从指纹和虹膜图像中提取特征、细节点和纹理属性。随后，将提取的特征在特征级融合在一起以构建多生物特征模板。最后，从多生物特征模板生成256位安全密钥。为了实验，我们采用了从公开来源获得的指纹图像和来自CASIA虹膜数据库的虹膜图像。实验结果证明了该方法的有效性。
2010-03-07 cs.CR cs.CV
A Benchmark for Iris Location and a Deep Learning Detector Evaluation
Federal University of Paraná (UFPR)（巴拉那联邦大学（UFPR））；Federal University of Ouro Preto (UFOP)（欧鲁普雷图联邦大学（UFOP））
虹膜被认为是唯一概率最高的生物特征。虹膜定位是生物识别系统的一项重要任务，直接影响到虹膜识别、欺骗和隐形眼镜检测等特定应用中的结果。这项工作将虹膜定位问题定义为包围虹膜区域的最小平方窗口的划界。为了建立虹膜定位的基准，我们注释（虹膜平方边界框）四个数据库从不同的生物识别应用程序，并使他们公开提供给社会。除了这4个注释的数据库，我们还包括来自文献的另外2个数据库。我们在这六个数据库上进行实验，五个是用近红外传感器获得的，一个是用可见光传感器获得的。我们比较了经典和优秀的Daugman虹膜定位方法与两种基于窗口的检测器：1）基于方向直方图（HOG）和线性支持向量机（SVM）分类器的滑动窗口检测器; 2）基于深度学习的检测器，从YOLO对象检测器进行微调。实验结果表明，基于深度学习的检测器在准确性和运行时间（GPU版本）方面优于其他检测器，应尽可能选择。
2018-04-30 cs.CV
Learning-Free Iris Segmentation Revisited: A First Step Toward Fast Volumetric Operation Over Video Samples
University of Notre Dame（圣母大学）；Research and Academic Computer Network（研究与学术计算机网络）
虹膜生物识别中的主体匹配性能取决于快速、高质量的虹膜分割。在许多情况下，虹膜生物特征采集设备依次获取多幅图像，并将每幅图像的分割和匹配结果相结合以增强结果。到目前为止，分割已经发生在2D中，对每个图像单独操作。但是，这样的方法，虽然强大，不利用潜在的收益，在性能提供的治疗作为体积数据的连续图像。作为这个方向的第一步，我们将神经元的灵活无学习重建（FLoRIN）框架，一个最初为神经显微镜体积设计的开源分割和重建框架，应用于虹膜视频的体积分割。此外，我们引入了一个新的近红外虹膜视频数据集，其中每个受试者的瞳孔由于可见光刺激而迅速改变大小，作为FLoRIN的测试床。我们比较了由FLoRIN，基于深度学习（SegNet）和Daugman（OSIRIS）虹膜分割方法生成的虹膜掩模的匹配性能。我们表明，通过将体积的信息，FLoRIN实现了一个因素的3.6到一个数量级的吞吐量增加，只有一个轻微的下降，在主题匹配性能。我们还证明了基于FLoRIN的虹膜分割在低资源硬件上保持了这种加速比，使其适用于嵌入式生物识别系统。
2019-01-06 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
Deep Learning for Iris Recognition: A Review
Hunan First Normal University（湖南第一师范学院）；Southeast University（东南大学）；National University of Defense Technology（国防科技大学）
虹膜识别是一种安全的生物识别技术，以其稳定性和隐私性而闻名。由于没有两个虹膜是相同的，并且在人的一生中几乎没有变化，虹膜识别被认为比其他生物识别方法更可靠，更不容易受到外部因素的影响。与传统的基于机器学习的虹膜识别方法不同，深度学习技术不依赖于特征工程，拥有出色的性能。本文收集了120篇相关论文，对基于深度学习的虹膜识别的发展进行了总结。本文首先介绍了虹膜识别的研究背景以及本文的研究动机和贡献。然后，我们介绍了虹膜识别中广泛使用的常见数据集。在此基础上，总结了基于深度学习技术的虹膜识别过程中涉及的关键任务，包括识别、分割、呈现攻击检测和定位。最后，我们讨论了虹膜识别的挑战和潜在的发展。本文综述了基于深度学习的虹膜识别的研究进展。
2023-03-15 cs.CV
Biometrics for Child Vaccination and Welfare: Persistence of Fingerprint Recognition for Infants and Toddlers
Michigan State University（密歇根州立大学）；Dayalbagh Educational Institute（达亚尔巴格教育学院）；Saran Ashram Hospital（萨兰阿什拉姆医院）
随着需要儿童的生物特征识别的许多新兴应用（例如，跟踪儿童疫苗接种时间表、识别失踪儿童和防止新生婴儿在医院交换），调查儿童生物识别准确性的时间稳定性是重要的。三个最常用的生物特征（指纹，人脸和虹膜）的识别精度的持久性已被调查的成年人。然而，生物识别准确性的持久性还没有系统地研究0-4岁年龄组的儿童。鉴于非常年幼的儿童往往不合作，不理解或不遵守指示，我们认为，在所有生物识别方式中，指纹是识别儿童的最可行方法。这主要是因为与其他生物特征相比，更容易捕获幼儿的指纹，例如，虹膜，儿童需要直接盯着相机来启动虹膜捕获。在这份报告中，我们详细介绍了我们的倡议，调查指纹识别的持久性为0-4岁的年龄组的儿童。根据我们研究第一阶段收集的数据所获得的初步结果，使用指纹识别0-4岁儿童似乎是有希望的。
2015-04-17 cs.CV
Noise Influence on the Fuzzy-Linguistic Partitioning of Iris Code Space
Spiru Haret University（Spiru Haret大学）；Clintelica AB（Clintelica AB公司）
本文分析了虹膜识别系统中存储或使用的虹膜代码集作为一个f-粒度空间。f-granulation是通过在虹膜代码空间中识别模糊概念狼、山羊、羔羊和绵羊（以前由Doddington引入为生物特征动物园的“动物”）的扩展来给出的-它们一起形成虹膜代码空间的分区。这里的主要问题是，当虹膜片段受到噪声采集时，这种划分的客观性（稳定/静止）如何。为了证明虹膜代码空间相对于定义生物识别动物园的模糊概念的f粒化在噪音条件下不稳定（对噪音敏感），三种类型的噪音（局部变量、运动模糊、盐和胡椒）已交替添加到从巴斯大学虹膜图像数据库提取的虹膜片段中。180详尽的（所有对所有）虹膜识别测试的结果在这里提出和评论。
2012-09-27 cs.CV
Cancelable Biometric Template Protection Based on Multi-Instance Fusion: A Contralateral Iris Approach
National Science and Technology Development Agency（泰国国家科学技术发展局）
提出可撤销对侧虹膜模板保护方案，无需外部密钥或令牌。用多数投票融合每只眼睛三个样本生成稳定模板，结合盐基位排列及左右模板异或得到保护融合模板，提高系统准确性和安全性。
2026-07-07 cs.CR cs.CV
Deep convolutional neural networks for face and iris presentation attack detection: Survey and case study
Ain Shams University（艾因夏姆斯大学）；The American University in Cairo（开罗美国大学）
生物特征呈现攻击检测越来越受到关注。移动设备的用户发现使用手指、面部或虹膜识别而不是密码来解锁他们的智能应用程序更方便。在本文中，我们调查的方法在最近的文献中提出的检测人脸和虹膜呈现攻击。具体来说，我们研究了微调非常深的卷积神经网络的人脸和虹膜反欺骗任务的有效性。我们在六个公开的基准数据集上比较了两种不同的微调方法。结果表明，这些深度模型在学习区分特征方面是有效的，这些特征可以以非常低的出错率区分真实和伪造的生物特征图像。对人脸PAD的跨数据集评估显示出比现有技术更好的泛化能力。我们还对虹膜PAD数据集进行了跨数据集测试，其出错率相等，这在以前的文献中没有报道。此外，我们建议使用一个经过训练的深度网络来检测人脸和虹膜攻击。与仅单独训练一种生物特征的网络相比，我们没有注意到准确性下降。最后，我们分析了网络学习的特征，与图像频率分量相关，以证明其预测决策的合理性。
2020-04-29 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
Optimizer Sensitivity In Vision Transformerbased Iris Recognition: Adamw Vs Sgd Vs Rmsprop
Universitas Widya Gama Malang（玛琅维迪亚伽马大学）
本文研究了不同优化器对基于视觉变换器的虹膜识别系统性能的影响，旨在提升生物识别模型的鲁棒性。
2025-11-28 cs.CV stat.CO
Deep Representations for Iris, Face, and Fingerprint Spoofing Detection
University of Campinas（坎皮纳斯州立大学）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Federal University of Ouro Preto（奥鲁普雷托联邦大学）
生物识别系统显著改善了个人身份识别和认证，在个人、国家和全球安全中发挥着重要作用。然而，这些系统可能会被欺骗（或“欺骗”），尽管最近在欺骗检测方面取得了进展，但当前的解决方案通常依赖于领域知识、特定的生物识别读取系统和攻击类型。我们假设在传感器上对生物识别欺骗的了解非常有限，以基于两种深度学习方法获得用于虹膜、面部和指纹模态的出色欺骗检测系统。第一种方法包括为每个域学习合适的卷积网络架构，而第二种方法侧重于通过反向传播学习网络的权重。我们考虑了九个生物识别欺骗基准--每个基准包含给定生物识别模态和攻击类型的真实和虚假样本--并通过组合和对比两种学习方法来学习每个基准的深度表示。这种策略不仅提供了对这些方法如何相互作用的更好理解，而且还创建了在九个基准中的八个中超过最知名结果的系统。结果强烈表明，基于卷积网络的欺骗检测系统可以对已知的攻击具有鲁棒性，并且可以毫不费力地适应尚未到来的基于图像的攻击。
2015-01-29 cs.CV
One-shot Representational Learning for Joint Biometric and Device Authentication
Michigan State University（密歇根州立大学）
在这项工作中，我们提出了一种方法，同时执行（i）生物识别（即，识别个体），以及（ii）设备识别，（即，识别设备）。这样的联合识别方案可以在诸如智能电话的设备中用于增强安全性以及隐私。我们建议自动学习一个联合表示，封装生物特征和传感器特定的功能。我们评估所提出的方法，使用虹膜，面部和眼周图像获得近红外虹膜传感器和智能手机摄像头。使用来自15个传感器的14，451张图像进行的实验导致高达99.81%的rank-1识别准确率和高达100%的验证准确率，错误匹配率为1%。
2021-01-02 cs.CV
On the Feasibility of Creating Iris Periocular Morphed Images
Hochschule Darmstadt（达姆施塔特应用技术大学）；Universidad de Santiago（圣地亚哥大学）；Universidad de Chile（智利大学）
本文提出一个端到端框架，在图像层面从眼周虹膜图像生成虹膜融合图像，包含配对主体选择、分割、融合创建和新虹膜识别系统，实验证明其生成的逼真图像能混淆传统虹膜识别系统。
2024-08-24 cs.CV
Synthesizing Iris Images using Generative Adversarial Networks: Survey and Comparative Analysis
Michigan State University（密歇根州立大学）
本文综述并比较多种基于GAN的合成虹膜图像生成方法，从真实性、独特性和生物特征效用评估其对虹膜识别与攻击检测的价值。
2024-05-11 cs.CV
Experimental analysis regarding the influence of iris segmentation on the recognition rate
University of Salzburg（萨尔茨堡大学）；Halmstad University（哈尔姆斯塔德大学）
在这项研究中，作者将研究虹膜的检测和分割及其对虹膜生物识别工具链整体性能的影响。作者将研究是否分割准确性，根据符合地面真相，可以作为虹膜生物识别工具链的整体性能的预测。也就是说：如果分割精度得到提高，这是否总是会提高整体性能？此外，作者将系统地评估分割参数的影响，瞳孔和边缘边界和归一化中心（基于Daugman的橡胶板模型），对虹膜生物识别工具链的其余部分。作者将研究是否准确地找到这些参数是重要的，以及如何一致性，即在分割过程中提取相同的虹膜区域，影响整体性能。
2022-11-10 cs.CV eess.IV
Gender and Ethnicity Classification of Iris Images using Deep Class-Encoder
IIIT-Delhi（印度德里信息技术学院）；West Virginia University（西弗吉尼亚大学）
软生物特征模态已经在不同的应用中显示出它们的效用，包括显著减小搜索空间。这导致改进的识别性能、减少的计算时间和测试样本的更快处理。一些常见的软生物特征模态是种族、性别、年龄、头发颜色、虹膜颜色、面部毛发或痣的存在以及标记。本研究针对虹膜影像进行种族与性别分类。我们提出了一种新的基于监督的自动编码器的方法，深度类编码器，它使用类标签通过将学习到的特征向量映射到其标签来学习给定样本的判别表示。该模型在两个数据集上进行评估，每个数据集用于种族和性别分类。与现有方法和最先进的方法相比，使用所提出的深度类编码器获得的结果证明了其有效性。
2017-10-08 cs.CV
Smartphone-based Iris Recognition through High-Quality Visible Spectrum Iris Capture
Clarkson University（克拉克森大学）
本研究提出一款Android应用，通过自动对焦和变焦结合YOLOv3-tiny与G-ATTU-Net模型，实现高质量可见光谱虹膜采集与识别，在47名受试者上VIS和NIR的TAR分别达96.57%和97.95%，显著提升智能手机安全性。
2024-12-17 cs.CV eess.IV
Iris Style Transfer: Enhancing Iris Recognition with Style Features and Privacy Preservation through Neural Style Transfer
Technical University of Munich（慕尼黑工业大学）
针对虹膜识别的鲁棒性需求与隐私担忧，该研究受神经风格迁移启发，利用虹膜风格特征提升识别准确率并抵抗变异，还提出通过神经风格迁移模糊可识别特征以保护隐私。
2025-04-14 cs.CV cs.HC
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
Multibiometrics Using a Single Face Image
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院）；Faculty of Informatics, Shizuoka University（izuoka大学信息学学院）
针对多生物特征系统便利性不足的问题，提出一种仅需单张人脸图像即可提取人脸、虹膜等五种特征的新颖多生物特征识别方法，并验证了其有效性。
2025-06-28 cs.CV
Swap It Like Its Hot: Segmentation-based spoof attacks on eye-tracking images
Virginia Tech（弗吉尼亚理工大学）
提出IrisSwap攻击，通过分割和数字交换受害者虹膜模式欺骗基于注视的活体检测，以高达58%的比率突破现有防御模型，揭示眼动追踪认证的漏洞。
2024-04-22 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
Training-free Dimensionality Reduction via Feature Truncation: Enhancing Efficiency in Privacy-preserving Multi-Biometric Systems
Hochschule Darmstadt（达姆斯塔特应用技术大学）
本文研究免训练的特征截断降维方法，通过融合人脸、指纹和虹膜多模态特征，在保持等错误率不损失的前提下将模板尺寸缩减67%，从而提升同态加密下多生物特征识别系统的效率。
2025-08-15 cs.CV
CNN Hyperparameter tuning applied to Iris Liveness Detection
Federal University of Paraná（巴拉那联邦大学）；Pontifical Catholic University of Paraná（巴拉那天主教大学）
虹膜模式由于其高水平的稳定性和唯一性而显著地改善了生物特征识别领域。这种物理特征在安全和其他相关领域中发挥了重要作用。然而，呈现攻击，也称为欺骗技术，可以用来绕过生物识别系统与文物，如印刷图像，人造眼睛，和纹理隐形眼镜。为了提高这些系统的安全性，人们提出了许多活性检测方法，并于2013年发起了第一届国际虹膜活性检测竞赛，以评估其有效性。在本文中，我们提出了一个超参数调整的CASIA算法，由中国科学院提交给第三届虹膜活性检测竞赛，在2017年。提出的修改促进了整体改进，具有8.48%的攻击呈现分类出错率（APCER）和0.18%的Bonafide呈现分类出错率（BPCER），用于评估组合数据集。对其他阈值进行了评价，试图减少所评价数据集上APCER和BPCER之间的权衡，并成功得出。
2020-02-12 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
Robust Iris Segmentation Based on Fully Convolutional Networks and Generative Adversarial Networks
Federal University of Paraná (UFPR)（巴拉那联邦大学）；Pontifical Catholic University of Paraná (PUCPR)（巴拉那天主教大学）
虹膜由于其高度的唯一性而被认为是最重要的生物特征之一。基于虹膜的生物特征识别应用主要依赖于虹膜分割，其适用性对于不同的环境，如近红外（NIR）和可见光（VIS）的不稳定。本文介绍了基于全卷积网络（FCN）和生成对抗网络（GANs）的两种鲁棒虹膜分割方法。类似于常见的卷积网络，但没有完全连接的层（即，分类层），FCN在其末端采用来自不同卷积层的池化层的组合。基于博弈论，一个GAN被设计为两个网络相互竞争，以产生最佳分割。所提出的分割网络在所有评估的数据集中取得了有希望的结果（即，BioSec，CasiaI 3，CasiaT 4，IITD-1）和VIS图像（NICE.I，CrEye-Iris和MICHE-I），在非合作和合作领域都优于基线技术，这些技术是迄今为止在文献中发现的最好的技术，即，这些数据集的最新技术水平。此外，我们手动标记了CasiaT 4，CrEye-Iris和MICHE-I数据集的2，431张图像，使这些掩模可用于研究目的。
2018-09-04 cs.CV
Cross-spectral Periocular Recognition: A Survey
Indian Institute of Technology Bhubaneswar（布巴内斯瓦尔印度理工学院）；Keele University（基尔大学）
在诸如面部、虹膜、指纹等的许多生物特征中，眼周区域具有优于其他生物特征的优点，因为它是非侵入性的，并且充当虹膜或眼睛区域（非常严格的小区域）与整个面部区域（非常宽松的大区域）之间的平衡。研究表明，由于各种姿势，衰老，表情，面部变化和其他人为因素，这是不会受到太大影响的区域，否则会发生很大变化。由于其在无约束和非合作场景下相对于人脸和虹膜生物特征识别具有明显的优势，近年来对该主题进行了积极的研究。许多研究人员已经探索了眼周生物识别技术，包括可见光（VIS）和红外（IR）光谱图像。对于24/7工作的系统（诸如在监视场景中），配准过程可以取决于白天VIS眼周图像（或任何面部照片图像），并且测试或识别过程可以发生在仅涉及IR眼周图像的夜间。这就产生了一个具有挑战性的研究问题，称为跨光谱匹配的图像，其中VIS图像用于注册或画廊图像和IR图像用于测试或识别过程，反之亦然。经过二十多年的深入研究，在跨光谱域的人脸和虹膜生物识别，一些研究人员现在已经把他们的工作集中在匹配异构（跨光谱）眼周图像。虽然对现有的眼周生物特征研究进行了大量的调查，但还没有对其交叉光谱方面进行研究。本文分析和评论了当前最先进的技术在跨光谱眼周识别，包括各种方法，数据库，其协议和当前国家的最先进的识别性能。
2018-12-04 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
Research on Bi-mode Biometrics Based on Deep Learning
鉴于生物特征具有优良的独立区分特性，生物特征识别技术几乎涉及人类区分的所有相关领域。指纹、虹膜、人脸、声纹等生物特征已被广泛应用于公安部门的侦测探测、移动设备解锁、目标跟踪等领域。随着电子设备的使用越来越广泛，频率也越来越高。只有识别率高的生物特征识别技术才能保证这些领域的长远发展。
2017-05-16 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
Empirical Assessment of End-to-End Iris Recognition System Capacity
Clarkson University（克拉克森大学）；West Virginia University（西弗吉尼亚大学）
Iris是生物识别应用中的一种成熟模式，包括消费电子产品，电子商务，边境安全，取证和全国范围内的身份重复数据删除。鉴于生物识别的使用范围不断扩大，身份冲突（当来自两个不同人的模板匹配时）是系统部署的一个必要考虑因素。本研究探讨了系统容量估计经验估计的约束能力的端到端的虹膜识别系统（近红外系统与道格曼为基础的特征提取）在一个可接受的出错率，即系统可以解决之前遇到错误。我们研究了六个系统参数对虹膜识别系统的约束能力的影响-注册身份的数量，图像质量，模板尺寸，随机特征消除，滤波器分辨率和系统工作点。在我们的评估中，我们分析了24种不同系统配置中每种配置的5158个唯一身份的1320万次比较。这项工作提供了一个框架，以更好地了解虹膜识别系统的能力作为生物识别系统配置的功能超出了操作点，大规模的应用。
2023-03-20 cs.CV eess.IV
Generalist Multimodal LLMs Gain Biometric Expertise via Human Salience
本文研究通用多模态大语言模型在隐私约束下通过人类显著性信息实现虹膜攻击检测的可行性，实验表明其在虹膜攻击检测中优于传统CNN模型和人工评估。
2026-03-17 cs.AI cs.CV
Iris Recognition for Personal Identification using LAMSTAR neural network
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
虹膜识别是生物特征识别中最重要的方法之一。这是因为虹膜纹理提供了许多特征，如雀斑、冠状、条纹、皱纹、隐窝等。这些特征对于不同的人是独特的，可以区分。虹膜解剖结构的这些独特特征使得个体之间的区分成为可能。因此，在过去的几年里，大量的人一直在努力提高其性能。在这篇文章中，首先解释了虹膜识别系统的不同常见步骤。然后将一种特殊类型的神经网络用于识别部分。实验结果表明，特别是当初始步骤做得好时，可以获得较高的精度。
2019-07-28 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
A Watermarking Technique Using Discrete Curvelet Transform for Security of Multiple Biometric Features
C. U. Shah University（C. U. Shah 大学）；Atmiya Institute of Technology & Science（Atmiya 科技学院）
通过使用多重水印，可以提高生物特征水印方法的鲁棒性和安全性。这种多重水印技术是为了提高生物特征和数据的安全性而提出的。当冒名顶替者试图创建欺骗的生物特征时，不可见的生物特征水印特征可以对多媒体数据提供适当的保护。本文提出了一种多生物特征水印技术，将指纹、人脸、虹膜和签名等生物特征嵌入到图像中。在嵌入前，利用Shen-Castan边缘检测和主成分分析提取指纹、虹膜、人脸和签名特征。将这些生物特征嵌入到宿主图像的各个中频曲波系数中。所有四个指纹特征，虹膜特征，面部特征和签名特征都是个人的生物特征，如果发生任何操纵，它们将用于交叉验证和版权保护。所提出的技术是脆弱的，当冒名顶替者试图非法删除水印特征时，无法从水印图像中提取特征。它可以用于多种版权认证和验证。
2017-01-16 cs.CR cs.CV cs.MM
Iris Recognition Using Scattering Transform and Textural Features
NYU Polytechnic School of Engineering（纽约大学理工学院）
自二十世纪中叶以来，虹膜识别引起了人们的广泛关注。在所有的生物特征中，虹膜被认为具有丰富的特征集。在过去，不同的特征已经被用于执行虹膜识别。在本文中，两个强大的功能集被引入用于虹膜识别：散射变换为基础的功能和纹理特征。PCA也被应用在提取的特征上，以降低特征向量的维数，同时保留其初始值的大部分信息。最小距离分类器用于对每个新测试样本进行模板匹配。在一个著名的虹膜数据库上进行了测试，结果表明，该方法具有良好的效果，最高准确率为99.2%。
2015-07-08 cs.CV
An Experimental Study of Deep Convolutional Features For Iris Recognition
New York University（纽约大学）；University of California at Riverside（加州大学河滨分校）
虹膜是一种流行的生物特征识别技术，被广泛用于身份认证。在过去，不同的特征已经被用于执行虹膜识别。其中大多数是基于生物识别专家设计的手工制作的功能。由于深度学习在计算机视觉问题中取得了巨大的成功，人们对将卷积神经网络在一般图像识别中学习的特征应用于其他任务（如分割、人脸识别和目标检测）产生了很大的兴趣。在本文中，我们已经研究了从VGG-Net中提取的深度特征用于虹膜识别的应用。该算法在两个著名的虹膜数据库上进行了测试，取得了令人满意的结果，最高准确率为99.4%，优于以往的最好结果。
2017-02-04 cs.CV cs.LG
Topological Invariant-Based Iris Identification via Digital Homology and Machine Learning
Bartin University（巴尔辛大学）；Ege University（埃兹大学）
本研究提出基于数字同调拓扑不变量的虹膜识别方法，通过计算子区域的Betti数构建特征矩阵并结合机器学习模型，实现了优于CNN的高准确率，提供了紧凑且可解释的深度学习替代方案。
2025-08-13 cs.CV
Privacy-Preserving Iris Recognition: Performance Challenges and Outlook
Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
本文探讨了基于FHE的隐私保护虹膜识别系统性能挑战，提出了一种符合ISO/IEC 24745标准的可扩展框架，通过Gabor滤波器提取特征并应用二进制掩码进行匹配，实验表明其准确性与明文方法相似，但计算开销高约12万倍。
2026-03-27 cs.CR cs.CV
Deep Representations for Cross-spectral Ocular Biometrics
University of Beira Interior（贝拉内瓦尔大学）
眼睛生物测定中的主要挑战之一是交叉光谱场景，即，如何匹配不同波长（通常是可见光（VIS）和近红外（NIR））下获取的图像。本文使用基于虹膜和眼周区域的众所周知的深度学习表示，针对封闭和开放世界设置设计并广泛评估了交叉光谱眼部验证方法。使用非标准化虹膜/眼周区域的边界框作为输入，我们微调卷积神经网络（CNN）模型（基于VGG 16或ResNet-50架构），最初用于人脸识别。基于在两个公开可用的交叉光谱眼部数据库中进行的实验，我们报告了光谱内和交叉光谱场景的结果，在融合来自眼周和虹膜区域的ResNet-50深度表示时观察到最佳性能。当与最先进的技术相比时，我们观察到所提出的解决方案在交叉光谱情况下以及在PolyU双光谱和交叉眼交叉光谱数据集中始终将相等出错率（EER）值降低了90% / 93% / 96%和61% / 77% / 83%。最后，我们评估的效果，“深度”因素的特征表示在识别的有效性，和-基于主观分析的最有问题的成对比较-我们指出了进一步的方向，这一领域的研究。
2019-11-21 cs.CV
Verification system based on long-range iris and Graph Siamese Neural Networks
Vicomtech Foundation（Vicomtech基金会）；Public University of Navarre（纳瓦拉公立大学）；Netherlands Forensic Institute（荷兰法医学研究所）
生物识别系统代表了用户身份验证和验证等任务的有效解决方案，因为它们能够高精度地分析身体和行为特征。然而，特别是当使用物理生物识别技术时，如虹膜识别，它们需要特定的硬件，如视网膜扫描仪，传感器或高清摄像头来实现相关结果。同时，它们要求用户非常接近相机以提取高分辨率信息。出于这个原因，在这项工作中，我们提出了一种新的方法，使用远程（LR）距离图像实现虹膜验证系统。更具体地说，我们提出了一种新的方法，将LR虹膜图像转换成图形，然后使用图连体神经网络（GSNN）来预测两个图是否属于同一个人。在这项研究中，我们不仅描述了这种方法，而且还评估了如何将这些图像的光谱分量用于改进图形提取和最终分类任务。结果表明，这种方法的适用性，鼓励社区探索生物识别系统中的图形应用。
2022-07-28 cs.CV cs.LG
