iWarpGAN: Disentangling Identity and Style to Generate Synthetic Iris Images
Michigan State University（密歇根州立大学）
提出iWarpGAN，通过身份与风格解耦的两条变换路径生成具有类间和类内变化的合成虹膜图像，经标准质量指标和匹配器验证，并提升深度学习虹膜匹配器性能。
2023-08-30 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
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
Synthetic Iris Presentation Attack using iDCGAN
West Virginia University（西弗吉尼亚大学）；IIIT Delhi（印度德里信息技术研究所）
虹膜生物识别模式的可靠性和准确性促使其在边境控制和国家ID项目等关键应用中的大规模部署。虹膜识别系统的广泛发展已经引起了对这些系统对各种攻击的敏感性的担忧。在过去，研究人员已经研究了各种虹膜呈现攻击的影响，如纹理隐形眼镜和打印攻击。在这项研究中，我们提出了一种新的呈现攻击使用基于深度学习的合成虹膜生成。利用深度卷积生成对抗网络的生成能力和虹膜质量指标，我们提出了一个新的框架，命名为iDCGAN（虹膜深度卷积生成对抗网络），用于生成逼真的合成虹膜图像。我们证明了这些综合生成的虹膜图像作为演示攻击虹膜识别的效果，通过使用商业系统。最先进的演示攻击检测框架，MANUST被用来分析它是否可以区分这些合成生成的虹膜图像从真实图像。实验结果表明，减轻所提出的合成演示攻击是至关重要的。
2017-10-29 cs.CV
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
Gradient-Guided Exploration of Generative Model's Latent Space for Controlled Iris Image Augmentations
Fitzpatrick Hall of Engineering, University of Notre Dame, IN 46556, USA（北达科他大学工程学院384号大楼，印第安纳州，46556，美国）
本文提出通过梯度引导生成模型潜在空间来生成具有特定属性的同身份虹膜图像，以提升虹膜识别和对抗检测的鲁棒性。
2026-04-27 cs.CV cs.LG
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
Forensic Iris Image Synthesis
University of Notre Dame（圣母大学）
本文提出基于条件 StyleGAN 的死后虹膜图像合成模型，利用 350 多名对象的数据集生成符合 ISO/IEC 29794-6、可由 PMI 控制腐败变形的类内与类间样本，并开源代码和权重。
2023-12-07 cs.CV
Resist : Reconstruction of irises from templates
University of Connecticut（康涅狄格大学）
虹膜识别系统将虹膜图像转换为特征向量。开创性的流水线将图像分割成虹膜和非虹膜像素，将该区域归一化为固定尺寸的矩形，并提取存储并称为模板的特征（Daugman，2009）。此模板存储在系统中。虹膜的未来读数可以被转换并与模板向量进行比较，以确定或验证个体的身份。由于模板通常存储在一起，因此它们是攻击者的重要目标。我们展示了如何在各种虹膜识别系统中反转模板。也就是说，我们展示了如何将模板转换成现实的虹膜图像，也被视为相同的虹膜由相应的识别系统。我们的反演是基于一个卷积神经网络架构，我们称之为RESIST（从模板重建虹膜）。我们将RESIST应用于传统的Gabor滤波器流水线，应用于DenseNet（Huang等人，CVPR 2017）特征提取器，以及无需归一化即可工作的DenseNet架构。两个DenseNet特征提取器都基于最近的ThirdEye识别系统（Ahmad和Fuller，BTAS 2019）。当使用ND-0405数据集进行训练和测试时，重建图像对于三个管道分别表现出100%、76%和96%的rank-1准确度。我们方法的核心类似于自动编码器。然而，独立训练核心产生低准确性。最终的架构集成到生成对抗网络中（Goodfellow等人，NeurIPS，2014）产生更高的准确性。
2021-04-13 cs.CR cs.CV
ICE-GAN: Identity-aware and Capsule-Enhanced GAN with Graph-based Reasoning for Micro-Expression Recognition and Synthesis
University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）
微表情是人们真实情感和动机的反映，因此吸引了越来越多的研究者对人脸微表情自动识别的研究。短的检测窗口，微妙的面部肌肉运动和有限的训练样本使得微表情识别具有挑战性。为此，我们提出了一种新的基于图推理的身份感知和胶囊增强的生成对抗网络（ICE-GAN），引入微表情合成作为辅助任务来辅助识别。生成器生成具有可控微表情和身份感知特征的合成人脸，其长期依赖性通过图推理模块（GRM）捕获，并且该生成器检测图像真实性和表情类。我们的ICE-GAN在Micro-Expression Grand Challenge 2019（MEGC 2019）上进行了评估，与获奖者相比有显著改善（12.9%），并超过了其他最先进的方法。
2021-04-26 cs.CV
Iris Liveness Detection Competition (LivDet-Iris) -- The 2023 Edition
University of Notre Dame（圣母大学）；Clarkson University（克拉克森大学）；Hochschule Darmstadt (HDA)（达姆施塔特应用科学大学（HDA））；IDVisionCenter（ID视觉中心）；Beijing University of Civil Engineering and Architecture (BUCEA)（北京建筑大学（BUCEA））
2023届LivDet虹膜呈现攻击检测竞赛新增GAN生成虹膜PAI类别与人类检测基准，多机构提交8种算法，结果显示虹膜PAD仍具挑战性。
2023-10-06 cs.CV
Generative Iris Prior Embedded Transformer for Iris Restoration
School of Integrated Circuits, Beijing University of Posts and Telecommunications（北京邮电大学集成电路学院）；School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）
针对复杂退化虹膜图像恢复难题，提出嵌入生成式虹膜先验的 Transformer 模型（Gformer），通过分层编解码网络结合 GAN 先验与长距离依赖建模，显著提升了虹膜恢复与识别性能。
2024-09-20 cs.CV eess.IV
FH-GAN: Face Hallucination and Recognition using Generative Adversarial Network
Shanghai Jiao Tong University（上海交通大学）
影响视觉人脸识别的因素很多，如低分辨率图像、年龄、光照和姿态变化等，其中最重要的问题之一就是低分辨率的人脸图像，这会导致人脸识别的性能下降。大多数通用的人脸识别算法通常假设人脸图像具有足够的分辨率。然而，在实践中，许多应用往往没有足够的图像分辨率。现代人脸超分辨率模型表现出合理的性能，从其相应的低分辨率图像重建高分辨率图像。然而，他们不考虑身份级别的信息，在幻觉，直接影响低分辨率的人脸识别的结果。为了解决这个问题，我们提出了一个人脸幻觉生成对抗网络（FH-GAN），它提高了低分辨率人脸图像的质量，并准确地识别这些低质量的图像。具体来说，我们做了以下贡献：1）我们提出了FH-GAN网络，一个端到端的系统，同时提高了人脸幻觉和人脸识别。该网络的新颖性取决于通过结合用于身份保护的面部识别网络将身份信息并入基于GAN的面部超分辨率算法中。2)我们还提出了一种新的人脸幻觉网络，即密集稀疏网络（DSNet），它改进了最先进的人脸幻觉。3)我们通过报告对人脸幻觉和识别的良好结果，展示了联合训练人脸识别和基于GAN的DSNet的好处。
2019-05-16 cs.CV
Using a GAN to Generate Adversarial Examples to Facial Image Recognition
Dublin City University（都柏林城市大学）；Insight Centre for Data Analytics（洞察数据分析中心）
在线发布的图像存在隐私问题，因为它们可以用作面部识别系统的参考示例。这种滥用图像的行为侵犯了隐私权，但很难反击。众所周知，可以为基于深度神经网络的识别系统创建对抗性示例图像。这些对抗性示例可用于破坏图像作为参考示例或训练数据的效用。在这项工作中，我们使用生成对抗网络（GAN）来创建对抗示例来欺骗面部识别，并且我们在欺骗面部识别方面取得了可接受的成功率。我们的研究结果减少了训练时间的GAN，通过删除的ESTA组件。此外，我们的研究结果表明，可以采用知识蒸馏来大幅减少生成模型的大小，而不会影响性能，这表明我们的贡献可以在智能手机上轻松运行
2021-11-30 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
TV-GAN: Generative Adversarial Network Based Thermal to Visible Face Recognition
The University of Queensland（昆士兰大学）
这项工作解决了使用热成像相机传感器捕获的图像上的人脸识别任务，该传感器可以在非光照环境下工作。虽然它可以大大增加当前安全监控系统的范围和好处，但与可见光域（VLD）中的人脸识别任务相比，使用热图像执行这样的任务是一个具有挑战性的问题。这部分是由于与VLD数据相比，收集的热成像数据数量少得多。不幸的是，直接应用现有的非常强大的人脸识别模型训练使用VLD数据到热成像数据将不会产生令人满意的性能。这是由于热像和VLD像之间存在畴隙。为此，我们提出了一个热可见生成对抗网络（TV-GAN），它能够将热人脸图像转换为相应的VLD图像，同时保持身份信息，这足以让现有的VLD人脸识别模型进行识别。图1给出了一些例子。与以前的方法不同，我们提出的TV-GAN使用显式闭集人脸识别损失来正则化神经网络训练。然后，该信息将以梯度损失的形式被传送到发电机网络中。在实验中，我们表明，通过对网络使用这种额外的显式正则化，TV-GAN在翻译TV-GAN之前没有看到的人的热图像时能够保留更多的身份信息。
2017-12-07 cs.CV
TL-GAN: Improving Traffic Light Recognition via Data Synthesis for Autonomous Driving
Shandong University（山东大学）；QCraft
交通灯识别作为自动驾驶汽车感知模块的关键组成部分，在智能交通系统中起着至关重要的作用。目前流行的基于深度学习的交通灯识别方法在很大程度上依赖于训练数据的大量性和丰富多样性。然而，在诸如闪光、停电或极端天气等各种罕见场景下收集数据是相当具有挑战性的，从而导致训练数据的不平衡分布，从而降低了识别罕见类别的性能。在本文中，我们试图提高交通灯识别利用数据合成。受生成对抗网络（GANs）的启发，提出了一种新的交通灯生成方法TL-GAN，用于合成稀有类数据，以提高自动驾驶中的交通灯识别能力。TL-GAN将交通信号灯序列生成分解为图像合成和序列拼接两部分。在图像合成阶段，我们的方法使有条件的生成，以允许完全控制所生成的交通灯图像的颜色。在序列拼接阶段，我们设计了风格混合和自适应模板，合成了逼真多样的交通灯序列。大量的实验表明，所提出的TL-GAN在不使用生成的数据的情况下对基线进行了显着的改进，与用于一般图像合成和数据不平衡处理的竞争算法相比，其性能达到了最先进的水平。
2022-03-28 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
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
A comparative study of generative adversarial networks for image recognition algorithms based on deep learning and traditional methods
New York University（纽约大学）；Northwestern University（西北大学）；Northeastern University（东北大学）；Columbia University（哥伦比亚大学）；Southern Methodist University（南卫理公会大学）
本文比较了基于GAN的深度学习图像识别算法与传统方法，实验表明GAN在复杂图像处理、识别精度和抗噪声能力上具有显著优势。
2024-08-07 cs.CV cs.LG eess.IV
Image Generation and Recognition (Emotions)
Imperial College London（帝国理工学院）
生成对抗网络（GANs）是由Goodfellow等人在2014年提出的，此后已扩展到多个计算机视觉应用中。本报告对最近的GAN研究进行了全面调查，概述了各种架构和应用，以及训练GANs和处理潜在空间的方法。随后讨论了未来GAN研究的潜在领域，包括：评估GANs，更好地理解GANs，以及训练GANs的技术。本报告的第二部分概述了代表7种基本人类情感中每一种的“野外”图像数据集的汇编，并分析了在此数据集上结合FER2013数据集训练StarGAN时所做的实验。
2019-12-13 cs.CV cs.LG eess.IV
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
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
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
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
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
