虹膜识别—DeepIrisNet2

hello，这是鑫鑫鑫的论文分享站，今天分享的文章是DeepIrisNet2: Learning Deep-IrisCodes from Scratch for Segmentation-Robust Visible Wavelength and Near Infrared Iris Recognition，《从零开始学习深层虹膜图像分割鲁棒可见光和近红外虹膜识别》，一篇关于虹膜识别的论文，一起来看看吧~

摘要：

• DeepIrisNet2的基于深度学习的框架，用于可见光谱和近红外虹膜表示。
• 该框架不需要经典的虹膜归一化步骤，也不需要非常精确的虹膜分割;允许在非理想的情况下工作。该框架包含空间转换层，在特定的中间层后以处理变形和监督分支，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/瞳孔边界盒检测网络和语义像素分割网络。
• 此外，为了得到紧凑的模板，我们提出了使用DeepIrisNet2生成二值虹膜码的策略。由于没有ground truth数据集用于CNN训练虹膜分割，我们构建了大规模的手标数据集（虹膜，瞳孔边框，标记虹膜纹理）并公开
• 该网络在具有挑战性的ND-IRIS-0405, UBIRIS上进行评估。v2, michei，和CASIA v4 interval数据集。所提出的方法显著地改进了现有的技术（the state-of-the-art ），并取得了优于之前所有方法的优异性能

1.Introduction
近年来，非理想虹膜的虹膜识别对于在较少的环境约束条件下，从远距离和较少的用户合作下进行虹膜识别具有重要意义。随着这一趋势，各种各样的选择被探索，如可见光光谱虹膜识别(VS)和手机设备虹膜识别等。可见光光谱虹膜识别的主要优点是，相对于近红外光下的固定距离成像，它可以在移动和远距离情况下成像。众所周知的挑战如噪声虹膜挑战评估(Noisy Iris Challenge Evaluation ）NICE I, II)虹膜生物识别比赛Iris biometrics competition [2]和移动虹膜挑战评估Mobile Iris CHallenge Evaluation(MICHE I, II)[6]重申了人们对可见光谱虹膜识别日益增长的兴趣。此外，最近的手机也有了与专用数码相机同等成像能力的摄像头，这使得它们能够进行虹膜识别。移动电话设备上的生物识别认证将扩大传统生物识别系统的功能和能力。（可见光下的虹膜识别和传统的红外识别。）
本文的重点是提出一个虹膜识别框架，以突破现有虹膜识别系统的实际的限制。特别地，我们提出了一种新的和鲁棒的基于深度CNN的虹膜识别框架，可以有效地工作在无约束的近红外或可见光谱虹膜采集。由于图像捕获的不受约束的特点，改图像对虹膜的精确分割产生了挑战，很可能没有清晰的虹膜纹理用于识别。为了回答这些问题,提出了框架介绍)本文提出了一种高度容忍分割误差的虹膜识别框架，并证明了在不使用传统的Daugman橡胶片模型进行虹膜归一化的情况下，可以实现高精度的虹膜识别3],2)一个新的基于深CNN的架构称为DeepIrisNet2为了提取虹膜纹理表示有效和紧凑的虹膜特征。
本文的主要贡献可以总结如下：
1：我们首先提出了一个简单而有效的监督学习框架，名为DeepIrisNet2，以获得高度有效的虹膜表示，这样虹膜对光照、尺度和仿射变换具有不变性。所提议的CNN是从头开始训练的，我们提供了关于训练超参数的广泛细节，以及他们的直觉选择，以发布完全可复制的CNN虹膜识别。
2.与传统的虹膜识别系统不同，提出的DeepIrisNet2直接使用rectilinear虹膜图像进行训练，而没有使用Daugman的橡胶板模型进行归一化，将直角坐标系转换为极坐标。
3：提出了一种新的基于双CNN的虹膜分割框架。第一阶段CNN检测虹膜和瞳孔边界盒，第二阶段CNN将边界盒检测到的区域作为输入，进行语义像素分割，得到真实的虹膜区域。该过程减少了计算量，并减轻了遮挡和其他噪声的影响。
4:我们建立了一个大规模的手工标记数据集，名为虹膜检测和分割Groundtruth数据库(IrisDSGD)由;虹膜标注，瞳孔边框，虹膜区域像素级标注。该数据集用于训练和评估我们的分割网。这个数据集将会被公开，这可能会吸引更多的研究小组进入这个领域。
5.我们提出了一种从DeepIrisNet2生成紧凑的二进制虹膜模板(Deep-IrisCodes)的方法。我们提出了从公共虹膜数据集创建大规模训练数据来训练DeepIrisNet2的方法。我们评估我们的方法具有挑战性的场景，如虹膜识别在可见光谱和移动电话环境下。我们总结实验，并证明提出的框架优于所有最先进的工作，在公共数据集;UBIRIS v2.0, ND-0405, MICHE-1, CASIA Interval v4。

2.Related Work
1993年，Daugman[3]提出了第一个完整的自动虹膜识别系统。他提出了一种基于归一化虹膜区域提取量化Gabor相位信息的IrisCode生成方法。在Daugman和Wildes[24]的开拓性工作的基础上，许多研究者提出了各种用于虹膜识别的特征提取方法，可分为:基于-纹理分析的[27]、强度变化分析的[28]、基于相位的[3]、零交叉[24]等。一些研究者还探索了特征提取方法和相应的虹膜识别系统，不依赖于虹膜模式到极坐标的变换，也不依赖于高度精确的分割[16,17,18,25]，使得在图像采集条件不受约束的情况下，虹膜识别可行。这些方法基本上都是基于在尺度空间中寻找极值点，并对极值点进行滤波得到稳定点，然后提取这些稳定点周围的图像局部特征，并根据这些局部特征生成局部描述符进行匹配。但是，如果虹膜中没有提取足够的特征点或者没有正确地排除噪声点，识别性能会下降。
一些虹膜识别方法在低级手工特征的基础上进一步学习高级特征[7,26,29]，以获得更好的准确性。 虽然局部滤波器的参数是手工制作的，但我们可以粗略地将这些方法看作是一个两层模型。基于手工制作的过滤器的更深入的模型(#layers > 3)在文献中很少被报道。因为每个层的过滤器(或参数)是通常是手工独立设计的，而且层之间的动态很难通过人工观察处理。因此，从数据中学习各层的参数是最好的方法。（也就是说传统的人工设计的特征提取方法，也就是相对于一层模型，要是这样的模型多了，每层都是设计的，这样很难衔接每一层，目的性太强，这样算法不好。）
尽管cnn在很久以前就被提出了，但在过去的三年里已经取得了相当大的进展。由于深卷积神经网络在计算机视觉方面取得了突破性的成果，也有一些研究工作[1,42,43]也在虹膜识别任务中尝试了深度学习方法，有报道称虹膜识别准确