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
Periocular biometrics: databases, algorithms and directions
Halmstad University（哈尔姆斯塔德大学）
本文综述了眼周生物特征识别作为独立模态的研究现状，涵盖数据库、算法及在非受控条件下与人脸或虹模态结合的应用，并展望未来趋势。
2023-07-26 cs.CV eess.IV
VRBiom: A New Periocular Dataset for Biometric Applications of HMD
Idiap Research Institute（伊迪亚普研究所）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Université de Lausanne（洛桑大学）
本文发布VRBiom眼周视频数据集，包含25人900段NIR视频及约1100个欺骗攻击视频，用于HMD场景下的虹膜/眼周识别、检测、分割与防伪研究。
2024-07-02 cs.CV
Cross-Sensor Periocular Biometrics in a Global Pandemic: Comparative Benchmark and Novel Multialgorithmic Approach
Halmstad University（哈尔姆斯塔德大学）；Norwegian University of Science and Technology（挪威科技大学）；Universidad Autonoma de Madrid（马德里自治大学）
大量可用的相机导致成像条件的广泛变化，产生大的类内变化和显着的性能下降，如果异构图像进行比较的人识别。然而，随着生物识别技术的部署，更换损坏或过时的硬件或在异构应用程序之间交换信息是很常见的。光谱带的变化也可能发生。例如，可能需要将监视面部图像（通常在可见光谱VIS中获取）与传统虹膜数据库（通常在近红外NIR中获取）进行比较。在这里，我们提出了一个多算法的方法来处理来自不同传感器的眼周图像。随着口罩在对抗COVID-19的前线，眼周识别正在重新流行，因为它是唯一仍然可见的面部区域。我们整合不同的比较器与融合方案的基础上，线性逻辑回归，其中分数表示的对数似然比。这允许容易地解释分数和使用贝叶斯阈值进行最佳决策，因为来自不同比较器的分数在相同的概率范围内。我们评估我们的方法的上下文中的交叉眼的竞争，其目的是比较识别方法时，近红外和可见光的眼周图像匹配。我们的方法在FAR= 0.01%时实现了EER=0.2%和FRR仅为0.47%，代表了竞争对手的最佳整体方法。实验还报告了来自不同智能手机的VIS图像数据库。我们还讨论了模板大小和计算时间的影响，计算量最大的比较器在结果中起着重要作用。最后，该方法优于其他流行的融合方法，如平均值的分数，支持向量机或随机森林。
2022-03-30 cs.CV
ConvSRC: SmartPhone based Periocular Recognition using Deep Convolutional Neural Network and Sparsity Augmented Collaborative Representation
King Saud University（沙特国王大学）
基于智能手机的眼周识别已经得到了生物识别研究界的极大关注，因为生物识别模式的限制，如人脸，虹膜等，大多数现有的方法用于眼周识别采用手工制作的功能。最近，基于学习的图像表示技术，如深度卷积神经网络（CNN），在许多视觉识别任务中表现出出色的性能。CNN需要大量的数据用于其学习，但是对于眼周识别，只有有限的数据量可用。解决方案是使用在相关领域的数据集上预训练的CNN，在这种情况下，挑战是有效地提取判别特征。使用相关的CNN模型（VGG-Net），我们提出了一种简单，高效和紧凑的图像表示技术，考虑到丰富的信息和稀疏性存在于激活的卷积层，并采用主成分分析。对于识别，我们使用一个有效的和强大的稀疏增强协作表示为基础的分类（SA-CRC）技术。为了全面评估ConvSRC（所提出的系统），在VISOB挑战数据库上进行了实验，该数据库在ICIP 2016中用于眼周识别比赛。所获得的结果显示了ConvSRC优于最先进的方法;它在FMR = 10-3时获得了超过99%的GMR，并且比ICIP 2016挑战赛的第一名获胜者高出10%。
2018-01-16 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
Periocular Embedding Learning with Consistent Knowledge Distillation from Face
Northeastern University（东北大学）；AiV Research, AiV Co.（AiV公司AiV研究院）；Yonsei University（延世大学）；Institute for Basic Science（基础科学研究院）；Samsung Electronics Co., Ltd.（三星电子株式会社）
针对眼周生物特征判别性不足的问题，提出一致性知识蒸馏方法，从人脸网络向眼周网络迁移判别信息，在预测层和特征层施加一致性约束，实现野外环境下鲁棒的眼周识别，在标准基准上取得最优结果。
2024-01-28 cs.CV
One-Shot Learning for Periocular Recognition: Exploring the Effect of Domain Adaptation and Data Bias on Deep Representations
Halmstad University（哈尔姆斯塔德大学）
本文研究单样本眼周识别中深度表征在数据稀缺下的行为，发现开箱即用CNN和SIFT等传统方法可显著降低EER并超越微调生物特征网络。
2023-07-11 cs.CV
Synthetic Periocular Iris PAI from a Small Set of Near-Infrared-Images
Hochschule Darmstadt（达姆施塔特应用科学大学）；Universidad de Santiago-Chile（智利圣地亚哥大学）；Universidad Adolfo Ibañez（阿道夫·伊瓦涅斯大学）
生物识别技术的相关性越来越高，因为它可以用于多种应用，例如访问控制。不幸的是，随着生物识别应用程序的部署增加，我们观察到攻击的增加。因此，检测这种攻击的算法（呈现攻击检测（PAD））的相关性一直在增加。LivDet-2020竞赛专注于呈现攻击检测（PAD）算法，但仍存在一些问题，特别是对于未知的攻击场景。为了提高生物特征识别系统的鲁棒性，改进PAD方法至关重要。这可以通过增加用于训练这种算法的呈现攻击工具（PAI）和真实图像的数量来实现。不幸的是，捕获和创建演示攻击工具，甚至捕获真实图像有时很难实现。本文提出了一种新的PAI综合创建（SPI-PAI）使用四个国家的最先进的GAN算法（cGAN，WGAN，WGAN-GP和StyleGAN 2）和一个小的一组眼周近红外图像。GAN算法之间的基准是使用生成的图像和用于训练的原始图像之间的Frechet初始距离（FID）来执行的。LivDet-2020竞赛报告的最佳PAD算法使用StyleGAN 2算法获得的合成PAI为我们进行了测试。令人惊讶的是，PAD算法无法将合成图像检测为呈现攻击，并将所有图像归类为真实图像。这些结果证明了合成图像欺骗呈现攻击检测算法的可行性，以及需要用大量图像和PAI场景不断更新和训练这些算法。
2021-07-26 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
Leveraging Large-Scale Face Datasets for Deep Periocular Recognition via Ocular Cropping
School of Information Technology, Halmstad University, Sweden（信息科技学院，哈姆斯塔德大学，瑞典）；Computer Graphics and Vision and AI Group, University of Balearic Islands, Spain（计算机图形学与视觉与人工智能小组，巴利阿里群岛大学，西班牙）
我们专注于眼部生物识别技术，特别是眼周区域（眼睛周围的区域），它提供了高分辨率和最小的采集限制。我们评估了三种不同深度和复杂度的卷积神经网络架构，以评估其对眼周识别的有效性。这些网络是在从大规模VGGFace 2数据库中提取的1，907，572个眼部作物上训练的。这与现有的作品形成了鲜明的对比，现有的作品通常依赖于小规模的眼周数据集进行训练，只有几千张图像。实验是用来自VGGFace 2-Pose的眼部图像进行的，VGGFace 2的子集包含野生面部图像，以及UFPR-Periocular数据库，该数据库由通过移动设备捕获的自拍照组成，屏幕上有用户指导。由于VGGFace 2的不受控制的条件，使用眼部裁剪获得的相等出错率（EER）范围为9- 15%，明显高于使用全脸图像获得的3-6% EER。相比之下，UFPR-Periocular的性能明显更好（EER为1-2%），这要归功于更高的图像质量和更一致的采集协议。据我们所知，这是迄今为止UFPR数据集上报告的最低EER。
2025-10-30 cs.CV
Sex-Classification from Cell-Phones Periocular Iris Images
Universidad Tecnologica de Chile - INACAP（智利技术大学 - 国家职业教育学院）；Universidad Andres Bello - DCI（安德烈斯·贝略大学 - 信息与传播系）
自拍软生物识别技术在营销、安全和网上银行等各种应用中具有巨大的潜力。然而，它面临着许多挑战，因为在数据采集条件下存在有限的控制。本章介绍了一种超分辨率-卷积神经网络（SRCNN）方法，该方法可提高从受试者面部自拍图像中裁剪的低质量眼周虹膜图像的分辨率。这项工作表明，增加图像分辨率（2倍和3倍）可以提高性别分类率时，使用随机森林分类。右眼最佳性别分类率为90.15%，左眼最佳性别分类率为87.15%。这是在图像从150 x150像素升级到450 x450像素时实现的。这些结果与现有技术相比很好，表明当使用SRCNN提高图像分辨率时，性别分类率会增加。此外，还创建了一个使用iPhone X从150名受试者中捕获的新颖自拍数据库（可应要求提供）。
2018-12-31 cs.CV
Iris and periocular recognition in arabian race horses using deep convolutional neural networks
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）
本文提出了一种研究，致力于识别马的虹膜和眼周特征，使用深度卷积神经网络（DCNN）。赛马的识别对于比赛前的动物身份确认至关重要。由于这通常是在比赛前不久进行的，所以快速可靠的方法是很重要的，这些方法对动物友好，不会造成伤害。虹膜识别已经被证明可以与马虹膜一起工作，前提是为这种任务部署的算法针对马虹膜进行了微调，并且输入数据具有非常高的质量。在我们的工作中，我们研究了利用深度卷积神经网络融合虹膜和眼周区域特征的可能性。通过这种方法，马的眼部生物测定可以在不采用复杂算法的情况下表现良好，这些算法需要大量的微调和输入图像的先验知识，同时是旋转、平移的，并且在某种程度上也是图像质量不变的。我们能够实现有希望的结果，EER=9.5%，使用两个网络架构与分数级融合。
2018-09-01 cs.CV
Robust Periocular Recognition By Fusing Sparse Representations of Color and Geometry Information
University of Beira Interior（贝拉Interior大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）
在本文中，我们提出了一个重新加权弹性网（REN）模型的生物特征识别。新的模型被应用到数据分离成几何和颜色的空间分量。几何信息的提取使用一个快速卡通纹理分解模型的基础上的双重制定的总变分规范，使我们能够携带有关图像的整体几何信息。颜色分量使用线性和非线性颜色空间来定义，即红-绿-蓝（RGB）、色度-亮度（CB）和色调-饱和度-值（HSV）。接下来，根据贝叶斯融合方案，稀疏表示的分类目的。该方案是数值求解使用梯度投影（GP）算法。在所提出的模型的实证验证中，我们选择了眼周区域，这是一个新兴的特征，以其对低质量数据的鲁棒性而闻名。我们的研究结果是在公开的UBIRIS.v2数据集中获得的，与相关的最先进的技术相比，识别效率得到了一致的提高。
2013-09-11 cs.CV
OcularAge: A Comparative Study of Iris and Periocular Images for Pediatric Age Estimation
Clarkson University（克林顿大学）
本研究基于288名儿童历时八年的超2.1万张近红外眼部图像，系统比较虹膜与眼周图像在4至16岁儿童年龄估计中的表现，发现眼周模型更优，首次建立儿童眼部年龄估计纵向基准并验证了实时部署潜力。
2025-05-08 cs.CV eess.IV
SIP-SegNet: A Deep Convolutional Encoder-Decoder Network for Joint Semantic Segmentation and Extraction of Sclera, Iris and Pupil based on Periocular Region Suppression
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；School of Computer and Communication Engineering, University of Science & Technology Beijing（北京科技大学计算机与通信工程学院）
机器视觉领域的当前发展为在各种现实应用中部署多模态生物识别系统开辟了新的前景。这些系统有能力处理单峰生物特征系统的局限性，这些系统容易受到欺骗、噪声、非普遍性和类内变化的影响。此外，在这些识别系统中优选地使用各种生物特征中的眼睛特征。这种系统具有高的独特性，持久性和性能，而基于其他生物特征（指纹，语音等）的技术。很容易被破坏这项工作提出了一种称为SIP-SegNet的新型深度学习框架，该框架在无约束场景中以更高的精度执行眼睛特征（巩膜，虹膜和瞳孔）的联合语义分割。在这些场景下获取的图像表现出浦肯野反射、镜面反射、眼睛注视、偏角拍摄、低分辨率和各种遮挡，特别是眼睑和睫毛。为了解决这些问题，SIP-SegNet首先使用去噪卷积神经网络（DnCNN）对原始图像进行去噪，然后基于对比度限制自适应直方图均衡（CLAHE）进行反射去除和图像增强。我们提出的框架，然后提取眼周信息，使用自适应阈值，并采用模糊滤波技术来抑制这些信息。最后，使用密集连接的全卷积编码-解码器网络实现巩膜、虹膜和瞳孔的语义分割。我们使用了五个CASIA数据集来评估SIP-SegNet基于各种评估指标的性能。仿真结果验证了所提出的SIP-SegNet的最佳分割，巩膜，虹膜和瞳孔类的平均f1分数分别为93.35，95.11和96.69。
2020-02-15 cs.CV eess.IV
Attention-Aware Transformer-Based Aggregation Network for Video Periocular Recognition
Department of Computer Science, Federal University of Minas Gerais, Belo Horizonte, Brazil（巴西米纳斯吉拉斯联邦大学计算机科学系）；Department of Informatics, Federal University of Paraná, Curitiba, Brazil（巴西巴西南部联邦大学信息技术系）
本文提出一种基于变换器的聚合网络，用于视频眼周识别，通过特征嵌入和聚合模块提升识别鲁棒性，在COX Face数据集上优于传统方法，达到99.8%的TPR@1e-1和96.6%的Rank-5。
2026-05-15 cs.CV cs.LG
Ocular Recognition Databases and Competitions: A Survey
Federal University of Parana（巴拉那联邦大学）；Federal University of Ouro Preto（欧鲁普雷图联邦大学）；Pontifical Catholic University of Parana（巴拉那天主教大学）
虹膜和眼周区域作为生物特征的使用已经被广泛研究，这主要是由于虹膜特征的奇异性以及当图像分辨率不足以提取虹膜信息时使用眼周区域。除了提供有关个人身份的信息外，还可以探索从这些特征中提取的特征以获得其他信息，例如个人的性别，药物使用的影响，隐形眼镜的使用，欺骗等。这项工作对为视觉识别创建的数据库进行了调查，详细介绍了它们的协议以及如何获取图像。我们还描述和讨论了最流行的眼识别比赛（比赛），突出了提交的算法，实现了最好的结果，只使用虹膜特征，也融合虹膜和眼周区域信息。最后，我们描述了将深度学习技术应用于眼识别的一些相关工作，并指出了新的挑战和未来的方向。考虑到有大量的眼部数据库，并且每个数据库通常是针对特定问题设计的，我们相信这项调查可以为眼部生物识别技术的挑战提供一个广泛的概述。
2022-02-04 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
Selfie Periocular Verification using an Efficient Super-Resolution Approach
Hochschule Darmstadt（达姆施塔特应用技术大学）；TOC Biometrics Company（TOC生物识别公司）；Hochschule Ansbach（安斯巴赫应用技术大学）
基于自拍的生物识别技术具有广泛应用的巨大潜力，因为例如眼周验证是非接触式的，并且当面部的大部分被面罩覆盖时，在诸如COVID-19的流行病中使用是安全的。尽管具有优势，但基于自拍的生物识别技术仍存在挑战，因为对不同距离处的数据采集的控制有限。因此，必须使用超分辨率（SR）来提高眼睛图像的质量并保持或改善识别性能。本文提出了一种有效的单图像超分辨率算法，该算法在滤波器的大小和效率之间进行了权衡。为此，该方法实现了一个损失函数的基础上，用于评估虹膜图像质量的Sharpness度量。与最先进的方法相比，我们的方法大大减少了参数的数量：从2，170，142减少到28，654。我们在远程验证系统上的最佳结果是FaceNet的EER为8.89%，VGGFace为12.14%，ArcFace为12.81%。然后，从SR图像中提取嵌入向量，基于FaceNet的系统对于x2的嵌入率为8.92%，x3为8.85%，x4为9.32%。
2022-03-18 cs.CV eess.IV
Predicting Gender from Iris Texture May Be Harder Than It Seems
University of Notre Dame（圣母大学）
根据虹膜图像预测性别已经被几位研究人员报道为机器学习在生物识别中的应用。最近关于这个主题的研究表明，性别线索的优势位于眼周区域，而不是虹膜纹理本身。本论文的重点是梳理出用于性别预测的信息是在虹膜基质的纹理中，还是在眼周区域，或者两者兼而有之。我们提出了一个更大的虹膜性别数据集，并使用线性SVM和CNN评估性别预测的准确性，比较手工制作和深度功能。我们使用概率遮挡掩蔽来深入了解这个问题。结果表明，虹膜纹理的性别辨别能力比以前认为的要弱，并且与性别相关的信息主要在眼周区域。
2018-11-25 cs.CV
Learning to Predict Fitness for Duty using Near Infrared Periocular Iris Images
Hochschule Darmstadt（达姆施塔特应用科学大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Universidad de Chile（智利大学）；TOC Biometrics（TOC生物识别公司）
这项研究提出了一种新的数据库和方法来检测由于酒精，药物消耗和睡眠剥夺从近红外（NIR）眼周图像的警觉性条件的减少。该研究的重点是确定外部因素对中枢神经系统（CNS）的影响。目标是分析这如何影响虹膜和瞳孔运动行为，以及是否可以使用标准虹膜NIR捕获设备对这些变化进行分类。本文提出了一种修改后的MobileNetV 2虹膜近红外图像进行分类下的酒精/药物/嗜睡的影响。结果表明，基于MobileNetV 2的分类器可以检测不适合的警觉状态，从虹膜样本捕获后，酒精和毒品消费鲁棒性与检测准确率分别为91.3%和99.1%。嗜睡是最具挑战性的，占72.4%。对于属于Fit/Unfit类的两类分组图像，该模型使用比标准深度学习网络算法更少的参数，分别获得了94.0%和84.0%的准确度。这项工作是生物识别应用的一个进步，用于开发一个自动系统来分类“适合工作”，并防止由于酒精/药物消耗和嗜睡而发生的事故。
2022-09-04 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
Ocular Verification for Virtual Reality
University of Wyoming（怀俄明大学）；San Diego State University（圣地亚哥州立大学）
研究虚拟现实中眼部验证，评估虹膜质量指标局限性，用生成模型应对数据挑战，进行单模态与多模态识别及融合，发现部分指标在VR数据上失效，图像调整利于眼周识别，多模态融合降低错误接受率。
2026-11-03 cs.CV
A Lightweight Transformer with Phase-Only Cross-Attention for Illumination-Invariant Biometric Authentication
Department of Mechanical Engineering, Indian Institute of Technology, Kanpur, India（印度理工学院坎普尔分校机械工程系）；Advanced Technology Development Centre, Indian Institute of Technology, Kharagpur, India（印度理工学院Khargapur分校先进技术发展中心）；Department of Mathematics, School of Science, GITAM Deemed to be University, Hyderabad, India（印度希达姆大学Hyderabad分校数学系）
本文提出一种轻量级视觉Transformer（POC-ViT），结合额头与眼周双重生物特征，利用仅相位交叉注意力提取空间特征相关性，在光照变化及佩戴口罩场景下实现98.8%的高准确率，适用于边缘部署。
2025-08-14 cs.AI cs.CV cs.LG
Fitness-for-Duty Classification using Temporal Sequences of Iris Periocular images
TOC R&D Center（TOC研发中心）；Universidad de Chile（智利大学）；Hochschule Darmstadt（达姆施塔特应用技术大学）
提出融合CNN与LSTM的虹膜眼周图像时间序列模型，用于履职适合度及酒精、药物、困倦状态分类，不适合受试者预测精确率达96.9%。
2023-04-24 cs.CV cs.HC
DOOMGAN:High-Fidelity Dynamic Identity Obfuscation Ocular Generative Morphing
University of North Texas（北卡罗来纳大学达顿分校）
针对可见光谱眼部生物特征的形变攻击研究不足的问题，提出包含关键点驱动编码、注意力引导生成和动态损失加权的DOOMGAN模型，攻击成功率等指标优于基线，还发布了首个眼部形变数据集。
2025-07-23 cs.CV
Finger Texture Biometric Characteristic: a Survey
Technical Engineering College of Mosul（摩苏尔技术工程学院）；Northern Technical University（北方技术大学）；Birkbeck, University of London（伦敦大学伯贝克学院）；Newcastle University（纽卡斯尔大学）；University of Leicester（莱斯特大学）
\begin{abstract} In recent years, the Finger Texture (FT) has attracted considerable attention as a biometric characteristic. It can provide efficient human recognition performance, because it has different human-specific features of apparent lines, wrinkles and ridges distributed along the inner surface of all fingers. Also, such pattern structures are reliable, unique and remain stable throughout a human's life. Efficient biometric systems can be established based only on FTs. In this paper, a comprehensive survey of the relevant FT studies is presented. We also summarise the main drawbacks …
2020-06-07 cs.CV
Trait of Gait: A Survey on Gait Biometrics
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Vellore Institute of Technology（韦洛尔理工学院）；Mayo Clinic（梅奥诊所）；Anna University（安娜大学）
步态分析是研究评估和量化动物运动的系统方法。随着时间的推移，步态分析的研究有了很大的发展。这是一门古老的艺术，今天它仍然在现代科学和医学中得到应用。本文介绍了如何一个人的步态可以被用作生物特征。它将涵盖该领域内完成的突出研究，并解释每种步态分析的细微差别和进展。从早期到最先进的步态识别的突出方法都包括在内。该调查还审查了各种步态数据集。这项研究的总体目标是为任何希望在步态生物识别领域进行研究的人提供一个简明的路线图。
2019-03-26 cs.CV
Reversing the Irreversible: A Survey on Inverse Biometrics
Hochschule Darmstadt（达姆施塔特应用科学大学）；European Commission - DG-Joint Research Centre（欧盟委员会联合研究中心）
本文综述了逆向生物特征识别技术，指出从不受保护模板重建合成样本对系统构成隐私泄露与攻击威胁，并全面总结了过去十五年该领域的重建算法、漏洞评估及防御对策。
2024-01-05 cs.CV
Presentation Attack Detection Methods based on Gaze Tracking and Pupil Dynamic: A Comprehensive Survey
研究目的：在生物识别领域，可见的人类特征很受欢迎，并且可以用于移动设备上的验证和识别。然而，冒名顶替者能够通过创建假的和人工的生物特征来欺骗系统。可见生物识别系统遭受了呈现攻击的高安全风险。研究方法：与此同时，基于挑战的方法，特别是凝视跟踪和瞳孔动态似乎是比其他非接触式生物识别系统更安全的方法。我们回顾现有的工作，探讨视线跟踪和瞳孔动态活性检测。主要结果：本研究分析了视线跟踪和瞳孔动态呈现攻击的各个方面，例如最先进的活性检测算法，各种工件，公共数据库的可访问性，以及该领域的标准化总结。此外，我们讨论了未来的工作和开放的挑战，以创建一个安全的活性检测基于挑战的系统。
2021-12-07 cs.CV
A Survey of Multibiometric Systems
University Of Mysore（迈索尔大学）
大多数部署在现实世界应用中的生物识别系统都是单峰的。使用单峰生物识别系统必须应对各种问题，例如：感知数据中的噪声;类内变化;类间相似性;非普遍性;欺骗攻击。这些问题已经通过使用多生物识别系统得到解决，由于存在多个独立的证据，预计该系统将更加可靠。
2012-10-02 cs.CV
Biometrics Recognition Using Deep Learning: A Survey
Snapchat（Snapchat公司）；University of California, Riverside（加州大学河滨分校）；Facebook Research（脸书研究院）；The University of Western Australia（西澳大学）；Chinese University of Hong Kong（香港中文大学）
在过去的几年里，基于深度学习的模型在许多计算机视觉、语音识别和自然语言处理任务中取得了非常成功的结果。这些模型似乎很适合处理从手机认证到机场安全系统的日益增长的生物识别问题。近年来，越来越多地利用基于深度学习的模型来提高不同生物识别系统的准确性。在这项工作中，我们对生物识别领域（包括人脸、指纹、虹膜、掌纹、耳朵、语音、签名和步态识别）的120多个有前途的作品进行了全面调查，这些作品部署了深度学习模型，并展示了它们在不同应用中的优势和潜力。对于每种生物特征，我们首先介绍了文献中广泛使用的可用数据集及其特征。然后，我们将讨论几个有前途的深度学习工作开发的生物特征，并显示他们的表现在流行的公共基准。我们还将讨论使用这些模型进行生物识别时面临的一些主要挑战，以及该领域研究的未来可能方向。
2021-02-08 cs.CV cs.LG
Multi-Spectral Facial Biometrics in Access Control
University of Calgary（卡尔加里大学）
这项研究展示了使用多光谱传感器（如RGB，深度和红外）获取的面部生物识别技术如何在自动和半自动访问系统的授权过程中帮助数据积累。这些数据用于个人身份验证以及面部温度估计。我们利用廉价的RGB-D传感器获取的深度数据来找到受试者的头部姿势。这允许选择包含用于面部识别和面部温度读取的正面头部姿势的视频帧。前视图帧的使用提高了面部识别的效率，而对应的同步IR视频帧允许对感兴趣的面部区域进行更有效的温度估计。此外，本研究报告了生物识别技术在生物医学和医疗保健解决方案中的新兴应用。包括调查最近的试点项目，涉及生物统计数据的新传感器和人类生理和行为生物统计的新应用。它还展示了在自然和非接触式控制界面中使用生物识别技术进行手术控制，康复和无障碍的新前景。
2020-07-22 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 Biometrics: A Survey on an Emerging Challenge
Hochschule Darmstadt（达姆施塔特应用科学大学）；Inria（法国国家信息与自动化研究所）；Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
结合生物识别技术的系统在个人、商业和政府身份管理应用中已经变得无处不在。合作（例如出入控制）和非合作（例如监视和取证）系统都受益于生物鉴别技术。这种系统依赖于人类某些生物或行为特征的独特性，这使得能够使用自动算法可靠地识别个人。然而，最近，公众和学术界对自动决策系统（包括生物识别技术）中存在的系统性偏见表示担忧。最突出的是，人脸识别算法经常被媒体、非政府组织和研究人员贴上“种族主义”或“偏见”的标签。这篇文章的主要贡献是：（1）在生物特征识别的背景下，算法偏见的主题的概述，（2）对现有文献的生物特征偏差估计和缓解的全面调查，（3）相关的技术和社会问题的讨论，以及（4）剩余的挑战和未来的工作项目的大纲，无论是从技术和社会的角度来看。
2020-04-14 cs.CR cs.CV cs.CY
A Survey of Super-Resolution in Iris Biometrics with Evaluation of Dictionary-Learning
Halmstad University（哈尔姆斯塔德大学）；University of Malta（马耳他大学）；Universidad Autonoma de Madrid（马德里自治大学）；Nokia Bell-Labs（诺基亚贝尔实验室）
分辨率的不足对基于图像的生物识别的性能有负面影响。虽然已经提出了许多通用的超分辨率方法来恢复低分辨率图像，但它们通常旨在增强其视觉外观。然而，生物特征图像的视觉增强不一定与更好的识别性能相关。因此，重建方法需要结合来自目标生物特征模态的特定信息，以有效地提高识别。本文提出了一个全面的调查虹膜超分辨率的方法提出的文献。我们还采用了基于局部图像块PCA特征变换的特征块重建方法。虹膜的结构是利用建立一个补丁的位置相关的字典。此外，图像块被单独恢复，具有它们自己的重建权重。这使得解决方案可以在本地进行优化，有助于保留本地信息。为了评估该算法，我们从CASIA Interval V3数据库中降级了高分辨率图像。考虑了不同的分辨率，15 x15像素是最小的分辨率。据我们所知，这是文献中采用的最小分辨率之一。该框架与六个公共虹膜比较器相补充，用于进行生物特征验证和识别实验。实验结果表明，该方法显着优于双线性和双三次插值在非常低的分辨率。许多比较器的性能达到了令人印象深刻的相等出错率低至5%，并在考虑虹膜图像只有15 x15像素时，前1级精度为77-84%。这些结果清楚地证明了在匹配之前使用训练的超分辨率技术来提高虹膜图像的质量的益处。
2022-03-27 cs.CV eess.IV
Model Compression Techniques in Biometrics Applications: A Survey
INESC TEC（葡萄牙系统与计算机工程与技术研究所）；FEUP, University of Porto（波尔图大学工程学院）；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）
本文综述量化、知识蒸馏和剪枝等模型压缩技术在生物特征识别中的应用，比较其优劣并指出未来应兼顾性能与模型公平性。
2024-01-18 cs.AI cs.CV
A Comprehensive Survey on Deep Gait Recognition: Algorithms, Datasets and Challenges
The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）；University of Science and Technology of China（中国科学技术大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The Hong Kong Polytechnic University（香港理工大学）
本文从深度表示学习与网络架构两个层面系统综述深度步态识别方法、数据集与性能，并探讨其隐私安全挑战及未来方向。
2023-08-05 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
A Literature Survey of various Fingerprint De-noising Techniques to justify the need of a new De-noising model based upon Pixel Component Analysis
Shri Shankaracharaya Group of Institutions（斯里·商羯罗教育集团）
图像预处理是生物特征模式识别中图像处理的重要环节。本文对各种经典和现代的指纹图像去噪模型进行了研究和评述。用于去噪的各种模型广泛，从利用频率变换矩阵去噪、直方图模型去噪、引入Gabor滤波器去噪及其类型来增强指纹图像。基于信噪比（SNR）和均方出错率（MSE）计算了各种去噪模型的输出效率。仿真实验结果表明，在小波域内采用基于Gabor滤波器的去噪模型，采用复合法去噪，仅能改善均方误差。改进的MSE在SNR没有显著改善的情况下仅通过本质上非最优的少量余量来改善指纹图像。因此，本研究的目的是建立一个最佳的去噪模型的指纹图像，使其用于生物认证可以更强大的性质。
2015-12-03 cs.CV
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
Blockchain and Biometrics: Survey, GDPR Analysis, and Future Directions
Biometrics and Data Pattern Analytics Lab, Universidad Autonoma de Madrid, Spain（生物特征与数据模式分析实验室，马德里自治大学，西班牙）；Biometric Law Lab, Centre for IT & IP Law (CITIP), KU Leuven, Belgium（生物特征法律实验室，信息与知识产权法中心（CITIP），鲁汶大学，比利时）
本文综述区块链与生物识别结合的研究，首次基于GDPR进行法律分析，探讨其在PKI、可信服务及身份管理中的应用，并指出当前挑战与未来方向。
2025-10-24 cs.CR cs.CV cs.DC
Biometric Template Protection for Neural-Network-based Face Recognition Systems: A Survey of Methods and Evaluation Techniques
Idiap Research Institute（Idiap研究所）
本文综述了基于神经网络的人脸识别系统中保护人脸模板的生物特征模板保护方法，将其分为非NN和NN学习两类，评估了识别准确率、不可逆性和可更新性等标准，并呼吁加强经验性评估与可复现性研究。
2022-12-06 cs.CR cs.CV
A Survey On Anti-Spoofing Methods For Face Recognition with RGB Cameras of Generic Consumer Devices
La Rochelle University（拉罗谢尔大学）；Hanoi University of Science and Technology（河内科技大学）
基于人脸识别的生物识别系统的广泛部署使得人脸呈现攻击检测（人脸反欺骗）成为一个越来越重要的问题。这项调查深入调查了过去二十年来只需要通用消费设备的RGB摄像头的人脸呈现攻击检测（PAD）方法。我们提出了一个面向攻击的类型学现有的脸PAD方法，我们提供了一个审查超过50个最近的脸PAD方法及其相关问题。我们采用了全面介绍的方法，最有影响的脸PAD以下建议的类型学，并按时间顺序。通过这样做，我们描绘了面部PAD领域的主要挑战，演变和当前趋势，并对其未来的研究提供了见解。从实验的角度来看，这份调查文件提供了现有公共数据库的概述和不同PAD方法的广泛比较实验结果。
2020-10-08 cs.CV
A Comprehensive Survey on Pose-Invariant Face Recognition
University of Technology, Sydney（悉尼科技大学）
在各种姿势下识别人脸的能力是人类的基本能力，这对计算机视觉系统提出了独特的挑战。相对于近几十年来被广泛研究并逐渐成熟的正面人脸识别，姿态不变人脸识别（PIFR）仍然是一个很大程度上尚未解决的问题。然而，PIFR对于实现人脸识别在现实世界应用中的全部潜力至关重要，因为人脸识别本质上是一种用于识别不合作主体的被动生物特征识别技术。在本文中，我们讨论了固有的困难PIFR，并提出了一个全面的审查已建立的技术。现有的PIFR方法可以分为四类，即，姿态鲁棒特征提取方法、多视图子空间学习方法、面部合成方法和混合方法。的动机，战略，优点/缺点，和代表性的方法的性能进行了描述和比较。此外，有前途的未来研究方向进行了讨论。
2016-07-16 cs.CV
A Human-Centered Risk Evaluation of Biometric Systems Using Conjoint Analysis
Shizuoka University（静冈大学）；RIKEN AIP（理化学研究所人工智能项目）；Fujitsu Limited（富士通有限公司）
针对现有生物识别系统风险评估未充分考虑攻击者动机的问题，提出结合联合分析、错误接受率与攻击概率的以人为中心的评估框架，经600名日本参与者调研验证有效，可助力平衡系统安全性与可用性。
2024-09-17 cs.CR cs.CV cs.HC
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
Face Image Quality Assessment: A Literature Survey
Hochschule Darmstadt（达姆施塔特应用技术大学）；Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；European Commission, Joint Research Center（欧盟委员会联合研究中心）；Universidad Autonoma de Madrid（马德里自治大学）
人脸分析和识别系统的性能取决于所获取的人脸数据的质量，而人脸数据的质量又受到许多因素的影响。因此，根据生物计量效用自动评估面部数据的质量可以用于检测低质量数据并相应地做出决策。这项调查提供了一个概述的人脸图像质量评估文献，主要集中在可见光波长的人脸图像输入。观察到基于深度学习的方法的趋势，包括最近的方法之间的显着概念差异，例如将质量评估集成到人脸识别模型中。除了图像选择之外，面部图像质量评估还可以用于本文所讨论的各种其他应用场景中。指出了有待解决的问题和挑战。强调了算法评估可比性的重要性，以及未来工作的挑战，即创建除了提供准确的效用预测之外还可解释的深度学习方法。
2021-10-25 cs.CV
Deep Gait Recognition: A Survey
Queen’s University（女王大学）；Ingenuity Labs Research Institute（才智实验室研究所）
步态识别是一种有吸引力的生物特征识别方式，其目的是根据人的行走方式来识别人。自2015年以来，深度学习通过自动学习判别表示的能力重塑了该领域的研究格局。基于深度学习的步态识别方法现在在该领域占据主导地位，并且已经促进了现实世界的应用。在本文中，我们全面概述了深度学习步态识别的突破和最新发展，并涵盖了广泛的主题，包括数据集，测试协议，最先进的解决方案，挑战和未来的研究方向。我们首先回顾了常用的步态数据集以及用于评估它们的原则。然后，我们提出了一种新的分类法，由四个独立的维度，即身体表示，时间表示，特征表示和神经架构，以帮助表征和组织在这一领域的研究景观和文献。根据我们提出的分类法，对使用深度学习的步态识别方法进行了全面的调查，并讨论了它们的性能，特点，优势和局限性。最后，我们对当前的挑战进行了讨论，并提出了一些有前途的方向，为未来的研究在步态识别调查。
2022-02-13 cs.CV
Ear Recognition: More Than a Survey
University of Ljubljana（卢布尔雅那大学）
从人耳图像中自动识别身份是生物识别领域的一个研究热点。从远处以隐蔽方式捕获耳朵图像的能力使该技术成为监视和安全应用以及其他应用领域的吸引人的选择。近年来，该领域做出了重大贡献，但开放的研究问题仍然存在，阻碍了该技术的更广泛（商业）部署。本文介绍了自动人耳识别（从2D图像）领域的概述，并特别侧重于最新的，在这一领域提出的基于矢量的方法。开放的挑战进行了讨论，并概述了潜在的研究方向，为读者提供了一个参考点的问题，值得在未来的研究目标。除了对人耳识别技术进行全面回顾外，本文还介绍了一个新的、完全无约束的从网络上收集的人耳图像数据集和一个工具箱，该工具箱实现了几种最先进的人耳识别技术。该数据集和工具箱旨在解决该领域的一些悬而未决的问题，并向研究界公开提供。
2019-02-01 cs.CV
GAN-based Facial Attribute Manipulation
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of California, Merced（加州大学默塞德分校）
人脸属性操作（FAM）旨在对给定的人脸图像进行美学修改以呈现期望的属性，由于其广泛的实际应用，从数字娱乐到生物识别取证，受到了极大的关注。在过去的十年中，随着生成对抗网络（GANs）在合成逼真图像方面的显着成功，已经提出了许多基于GAN的模型来解决FAM，其中包括各种问题制定方法和指导信息表示。本文对基于GAN的FAM方法进行了全面的综述，重点总结了它们的主要动机和技术细节。本次调查的主要内容包括：（i）介绍与FAM相关的研究背景和基本概念，（ii）系统地回顾基于GAN的FAM方法的三个主要类别，（iii）深入讨论FAM方法的重要属性，开放问题和未来的研究方向。这项调查不仅为新进入该领域的研究人员建立了一个良好的起点，也为视觉社区提供了参考。
2022-10-23 cs.CV
Beyond the Visible: A Survey on Cross-spectral Face Recognition
Centre Inria d’Université Côte d’Azur（蔚蓝海岸大学Inria中心）；Michigan State University（密歇根州立大学）；Monash University（莫纳什大学）
该综述聚焦跨光谱人脸识别（CFR），梳理了深度神经网络推动下的CFR研究进展，涵盖问题定义、应用场景、光谱波段、相关方法、评估数据集，并提出了领域挑战与未来研究方向。
2024-10-09 cs.CV
A Comprehensive Survey of Masked Faces: Recognition, Detection, and Unmasking
Chungbuk National University（忠北国立大学）；Assiut University（艾斯尤特大学）
本文综述口罩人脸识别、口罩检测与人脸去口罩的深度学习方法、数据集、指标、挑战及未来方向。
2024-05-09 cs.CV
