ChatGPT Meets Iris Biometrics
Michigan State University（密歇根州立大学）
本文采用零样本设置评估GPT-4多模态大语言模型在多数据集、攻击、遮挡和真实变化下的虹膜识别能力，并与Gemini Advanced比较，验证其专业生物识别应用潜力。
2024-08-09 cs.CV
A Siamese Network to Detect If Two Iris Images Are Monozygotic
Department of Computer Science and Engineering University of Notre Dame（计算机科学与工程系 纽约大学）
本研究提出首个基于 Siamese network 和对比学习的自动化分类器，用于判定一对虹膜图像是否来自同卵双胞胎，在使用完整虹膜图像时其准确率超越了人类分类水平。
2025-06-25 cs.CV
Investigating Weight-Perturbed Deep Neural Networks With Application in Iris Presentation Attack Detection
Michigan State University（密歇根州立大学）
本研究评估了DNN对权重和偏置参数扰动的敏感性，涉及VGG、ResNet和DenseNet三种架构及高斯噪声、权重置零和缩放三种扰动，在虹膜呈现攻击检测任务中提出无需训练的扰动模型集成方法，在两个数据集上显著提升性能。
2023-11-22 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
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
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
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
Lowering the Barrier to IREX Participation: Open-Source Algorithms, Toolkit, and Benchmarking for Iris Recognition
University of Notre Dame（内布拉斯加大学）
本文提出两种新的开源虹膜识别算法，提供Python和符合IREX标准的C++实现，用于提交官方IREX X计划。研究旨在首次根据IREX测试协议评估开源虹膜识别解决方案，并提供一个模型C++提交，显著促进其他团队的开源方法进入IREX评估。新方法包括两个神经网络，分别使用三元组损失与批量硬三元组挖掘（TripletIris）和ArcFace损失（ArcIris）。此外，文章还提供了两种现有方法的开源IREX兼容C++实现：基于虹膜图像过滤的人类显著性驱动内核（HDBIF）算法，以及用于检测和比较Fuchs密钥（CRYPTS）的人类可解释算法。除了CRYPTS在1:N搜索中面临时间限制外，其他方法已通过官方IREX X评估，并在多个流行学术基准上进行了评估。最后，本文还提供了可用于任何新虹膜识别方法的虹膜分割和圆圈估计开源模型。
2026-06-08 cs.CV cs.LG
Face Recognition Techniques: A Survey
目前，研究已经扩展到从各种生物特征技术中提取辅助信息，如指纹，人脸，虹膜，手掌和声音。这些信息包含一些主要特征，如性别，年龄，胡须，胡子，疤痕，身高，头发，肤色，眼镜，体重，面部标记和纹身。所有这些信息都有助于人类的识别。人脸识别面临的主要挑战是找到人的年龄和性别。本文综述了用于确定年龄和性别的各种人脸识别技术。现有的技术进行了讨论的基础上，他们的性能。本文还为今后的进一步研究提供了方向。
2021-01-30 cs.CV
On Benchmarking Iris Recognition within a Head-mounted Display for AR/VR Application
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）；The Norwegian Colour and Visual Computing Laboratory, NTNU（挪威色彩与视觉计算实验室，挪威科技大学（NTNU））；Norwegian Biometrics Laboratory, NTNU（挪威生物识别实验室，挪威科技大学（NTNU））；Mathematical and Applied Visual Computing（数学与应用视觉计算（TU Darmstadt））；Mathematical and Applied Visual Computing, TU Darmstadt（数学与应用视觉计算，达姆施塔特工业大学）
增强现实和虚拟现实正被部署在不同的应用领域。这些应用程序可能涉及访问或处理关键和敏感信息，这需要严格和持续的访问控制。鉴于为此类应用开发的盔装显示器（HMD）通常包含用于视线跟踪目的的内部摄像头，我们评估了此类设置用于通过虹膜识别验证用户的适用性。在这项工作中，我们首先通过研究三种成熟的手工特征提取方法来评估一组适用于HMD设备的虹膜识别算法，并对其进行补充，我们还使用四种深度学习模型进行分析。在考虑到最低限度的硬件要求的独立头戴式显示器，我们采用和适应最近开发的微型分割模型（EyeMMS）分割虹膜。此外，考虑到虹膜的非理想和非协作捕获，我们定义了一个新的虹膜质量度量，我们称之为虹膜掩模比（IMR）来量化虹膜识别性能。受虹膜识别性能的影响，我们还提出了在HMD中的非协作捕获设置中对用户进行连续认证。通过在公开的OpenEDS数据集上进行的实验，我们表明，在一般情况下使用深度学习方法可以实现EER = 5%的性能，同时具有连续用户身份验证的高准确性。
2020-10-20 cs.CV cs.LG
An approach to human iris recognition using quantitative analysis of image features and machine learning
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Oklahoma（俄克拉荷马大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
虹膜图案是每个人独特的生物特征，使其成为人类身份识别的宝贵而强大的工具。在本文中，提出了一个有效的框架虹膜识别的四个步骤。(1)虹膜分割（使用相对总变分结合粗略虹膜定位），（2）特征提取（使用形状和密度、FFT、GLCM、GLDM和小波），（3）特征约简（使用核PCA）和（4）分类（应用多层神经网络）对从200名志愿者获得的CASIA-Iris-Interval数据集的2000幅虹膜图像进行分类。结果表明，该方案可以提供一个可靠的预测精度高达99.64%。
2020-09-12 cs.CV cs.LG eess.IV
Open Source Iris Recognition Hardware and Software with Presentation Attack Detection
University of Notre Dame（圣母大学）
本文提出了我们已知的第一个具有演示攻击检测（PAD）的开源硬件和软件虹膜识别系统，该系统可以使用Raspberry Pi板和一些外围设备轻松组装，价格约为75美元。这项工作的主要目标是为防欺骗虹膜识别提供低成本的基线，这可能（a）刺激虹膜PAD的研究，并允许安全虹膜识别系统的简单原型，（b）提供一个低成本的安全虹膜识别替代更复杂的系统，（c）作为一个教育平台。我们提出了一个轻量级的图像复杂度引导的卷积网络，用于快速准确的虹膜分割，特定领域的人类启发的二值化统计图像特征（BSIF）来构建虹膜模板，并结合2D（虹膜纹理）和3D（基于光度立体）的PAD特征。建议的虹膜识别运行时间约为3.2秒，建议的PAD在Raspberry Pi 3B+上运行时间约为4.5秒。硬件规格和整个管道的所有源代码与本文一起提供。
2020-08-19 cs.CV
Iris-GAN: Learning to Generate Realistic Iris Images Using Convolutional GAN
New York University（纽约大学）
生成具有真实感的虹膜图像是一个有趣且具有挑战性的问题。大多数经典的统计模型不足以捕捉虹膜图像中复杂的纹理表示，因此无法生成具有真实感的虹膜图像。在这项工作中，我们提出了一个基于生成对抗网络（GAN）的机器学习框架，它能够生成从先验分布（从一组训练图像中学习）采样的虹膜图像。我们将此框架应用于两个流行的虹膜数据库，并生成看起来非常逼真的图像，并在这些数据库中的图像分布相似。通过实验结果表明，生成的虹膜图像具有良好的多样性，并且能够捕捉到不同部分的先验分布。
2018-12-25 cs.CV
Complex-valued Iris Recognition Network
Queensland University of Technology（昆士兰科技大学）；Michigan State University（密歇根州立大学）
在这项工作中，我们设计了一个全复值神经网络的虹膜识别任务。与一般对象识别的问题不同，其中实值神经网络可以用于提取相关特征，虹膜识别依赖于从输入虹膜纹理中提取相位和幅度信息，以便更好地表示其生物特征内容。这需要提取和处理实值神经网络不能有效处理的相位信息。在这方面，我们设计了一个完全复值的神经网络，可以更好地捕捉虹膜纹理的多尺度，多分辨率，多方向的相位和幅度特征。我们显示了一个强大的对应关系的建议复值虹膜识别网络与Gabor小波，用于生成经典的IrisCode;然而，所提出的方法使一个新的能力，自动复值特征学习，是专为虹膜识别。我们在三个基准数据集上进行了实验- ND-CrossSensor-2013，CASIA-Iris-Thousand和UBIRIS.v2 -并显示了所提出的网络对虹膜识别任务的好处。我们利用可视化方案来传达复值网络与标准实值网络相比如何从虹膜纹理中提取根本不同的特征。
2022-02-16 cs.CV
DeepIrisNet2: Learning Deep-IrisCodes from Scratch for Segmentation-Robust Visible Wavelength and Near Infrared Iris Recognition
Centre for Development of Advanced Computing（高级计算发展中心）
首先，我们介绍了一个基于深度学习的框架DeepIrisNet 2，用于可见光谱和NIR虹膜表示。该框架可以在没有经典的虹膜归一化步骤或非常精确的虹膜分割的情况下工作，允许在非理想情况下工作。该框架包含空间Transformer层以处理变形，并在某些中间层之后监督分支以减轻过拟合。此外，我们提出了一个双CNN虹膜分割管道，包括虹膜/瞳孔边界框检测网络和语义像素分割网络。此外，为了获得紧凑的模板，我们提出了一种使用DeepIrisNet 2生成二进制虹膜代码的策略。由于没有地面实况数据集可用于CNN训练虹膜分割，我们构建大规模手动标记数据集并将其公开; i）虹膜，瞳孔边界框，ii）标记的虹膜纹理。在具有挑战性的ND-IRIS-0405、UBIRIS.v2、MICHE-I和CASIA v4 Interval数据集上评估网络。所提出的方法显着提高了国家的最先进的，并取得了优异的性能超过所有以前的方法。
2019-02-06 cs.CV cs.LG stat.ML
Learning scale-variant features for robust iris authentication with deep learning based ensemble framework
Putra Malaysia University（马来西亚博特拉大学）
近年来，移动互联网加速了智能移动的扩散发展.移动支付、移动安全和隐私保护成为人们广泛关注的焦点。虹膜识别技术是这些领域中一种安全性较高的身份认证技术，在生物认证领域中有着广泛的应用。卷积神经网络（CNN）是图像识别的主流深度学习方法之一，但其抗噪能力较弱，需要一定的内存来进行图像分类任务的训练。在此基础上，本文提出了一种基于Mask R-CNN和Inception V4神经网络模型的微调神经网络模型，该模型将虹膜检测、提取和识别功能集成在一个整体系统中，构成一个虹膜识别系统。该框架具有可扩展性和高可用性的特点，不仅可以学习虹膜图像的部分-整体关系，而且增强了整个框架的鲁棒性。重要的是，所提出的模型可以使用不同的样本光谱进行训练，例如可见光波长（VW）和近红外（NIR）虹膜生物特征数据库。在Jetson Nano的移动边缘计算设备中执行时，识别平均准确率达到99.10%。
2020-06-13 cs.CV cs.LG
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
Iris super-resolution using CNNs: is photo-realism important to iris recognition?
University of Salzburg（萨尔茨堡大学）；Federal University of Tocantins（托坎廷斯联邦大学）；Halmstad University（哈尔姆斯塔德大学）
目前，在虹膜识别中，使用手机和监控视频等采集条件较宽松的低分辨率图像越来越普遍。同时，各种各样的单图像超分辨率技术正在出现，特别是使用卷积神经网络（CNN）。这些方法的主要目标是尝试恢复更精细的纹理细节，基于基本上取决于CNN架构和训练方法的目标函数的优化来生成更逼真的图像。在这项工作中，作者探索使用CNN进行虹膜识别的单个图像超分辨率。为此，他们测试了不同的CNN架构，并使用不同的训练数据库，在1.872近红外虹膜图像数据库和手机图像数据库上验证了他们的方法。他们还使用质量评估，视觉结果和识别实验来验证CNN提供的照片真实感是否可以反映出虹膜识别的更好识别率。结果表明，使用纹理数据库训练的更深层次的架构，在边缘保留和方法的平滑度之间提供平衡，可以在虹膜识别过程中获得良好的结果。
2022-10-24 cs.CV
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
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
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
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
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
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
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
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 Verification with Convolutional Neural Network and Unit-Circle Layer
Czech Technical University（捷克理工大学）；Microsoft Development Center Serbia（微软塞尔维亚开发中心）
我们提出了一种新的卷积神经网络来验证两个归一化图像之间的虹膜匹配。该网络经过端到端的训练，并在三个公开可用的数据集上进行验证，从而针对四种基线方法产生最先进的结果。该网络在CASIA.v4数据集上的表现比最先进的方法好10%。在网络中，我们使用了一个新的单元圈层，取代了一个共同的虹膜验证流水线中的Gabor过滤步骤。我们表明，该层将模型的性能提高了15%，对以前看不到的数据。
2019-09-17 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
Adversarial Examples to Fool Iris Recognition Systems
West Virginia University（西弗吉尼亚大学）
对抗性示例最近被证明能够通过向输入空间图像添加精心制作的小扰动来欺骗深度学习方法。在本文中，我们研究了基于代码的虹膜识别系统生成对抗性示例的可能性。由于生成对抗性示例需要对抗性损失的反向传播，因此传统的基于滤波器组的虹膜代码生成框架不能用于这样的设置中。因此，为了弥补这个缺点，我们提出训练一个深度自动编码器代理网络来模仿传统的虹膜代码生成过程。然后，使用迭代梯度符号法算法部署此训练好的代理网络来生成对抗性示例。我们通过三种攻击场景来考虑非目标攻击和目标攻击。考虑到这些攻击，我们研究了在白盒和黑盒框架中欺骗虹膜识别系统的可能性。
2019-07-18 cs.CV cs.LG eess.IV
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
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
Efficient IRIS Recognition through Improvement of Feature Extraction and subset Selection
Islamic Azad University Mashhad Branch（伊斯兰阿扎德大学马什哈德分校）；Ferdowsi University of Mashhad（马什哈德费尔多西大学）
最优特征子集的选择和分类已成为虹膜识别领域的一个重要问题。在本文中，我们提出了几种方法虹膜特征子集的选择和矢量创建。利用轮廓波变换技术从虹膜图像中提取确定性特征序列。Contourlet变换捕捉虹膜图像的内在几何结构。该方法将虹膜图像分解成一组方向子带，在不同尺度下捕获不同方向的纹理细节，从而降低特征向量的维数，我们使用该方法从归一化的虹膜图像中只提取有效位和信息。在这种方法中，我们忽略脆弱位。最后，我们使用支持向量机（支持向量机）分类器来近似我们所提出的系统中的人识别量。实验结果表明，大多数方法减少了处理时间，提高了分类精度，而且虹膜特征向量长度比其他方法要小得多。
2009-06-25 cs.CV
Longitudinal Performance of Iris Recognition in Children: Time Intervals up to Six years
Clarkson University（克拉克森大学）；St. Lawrence University（圣劳伦斯大学）
虹膜识别性能的时间稳定性是其作为生物特征识别方式成功的核心。随着儿童应用范围的扩大，儿童虹膜识别性能的时间稳定性知识库中的空白已经影响了全球范围内应用过程中的决策。本报告对儿童的纵向虹膜识别性能进行了最广泛的分析，数据来自相同的230名儿童，年龄在4至17岁之间，年龄在6.5岁以上。匹配分数的评估、影响匹配分数的可变性因素的统计建模以及错误拒绝的根本原因的深入评估得出结论，老化对虹膜识别性能没有影响。
2023-03-10 cs.CV eess.IV
