[虹膜识别] 论文：《A LIGHTWEIGHT MULTI-LABEL SEGMENTATION NETWORK FOR MOBILE IRIS BIOMETRICS》

@虹膜识别论文学习记录

【虹膜识别】阅读论文：《A LIGHTWEIGHT MULTI-LABEL SEGMENTATION NETWORK FOR MOBILE IRIS BIOMETRICS》

摘要

本文提出了一种新颖的、轻量级的深度卷积神经网络，专门用于移动设备获取的噪声图像的虹膜分割。不同于以往的研究仅仅是利用流行的CNN技术提高分割掩码的准确性，我们的方法是一种完整的端到端的虹膜分割解决方案，即分割掩码和参数化虹膜瞳孔和边缘边界同时得到，这进一步使得基于CNN的虹膜分割可以应用于任何常规的虹膜识别系统。通过引入中间图形边界表示，对虹膜边界的预测和分割掩码共同形成了一个多标签语义分割问题，通过精心适应的堆叠沙漏网络可以很好地解决这个问题。实验结果表明，我们的方法在两个具有挑战性的移动虹膜数据库上的虹膜分割和定位都达到了具有竞争力或最先进的性能。
##关键词
虹膜分割，虹膜定位，移动虹膜生物识别，多标签学习，堆叠沙漏网络

1 引言

…
为了在CNN模型设计中明确考虑虹膜定位问题，本文引入了一种新的图像边界表示方法，称为虹膜地图(irismaps)，它是虹膜瞳孔或边缘边界的二进制填充掩膜。这样，虹膜边界和分割掩码的预测可以被建模为一个多标签语义分割问题，并可以通过一个自适应的轻量级堆叠沙漏网络来解决。然后，通过少量简单的后处理操作得到最终的参数化定位结果。为了训练和评估所提出的模型，使用了两个具有挑战性的移动虹膜数据库，并为分割面具和虹膜边界制作了仔细的手动注释，并在需要时免费提供给研究界。实验结果表明，所提出的方法在这两方面都具有竞争力或优于几种最先进的方法

2 技术细节

2.1 虹膜定位的图像表示

对于虹膜定位，从输入的虹膜图像中获得参数化的瞳孔和虹膜边缘圆或椭圆边界。假设输入图像为x，参数化虹膜边界为b，一个传统的虹膜定位模型表示为：f: x➡b 。直接估计映射f是复杂的，因为虹膜图像常受各种类型噪声影响，特别是眼睑、睫毛、镜片等严重遮挡，导致这种高度非线性的回归模型很难收敛。由于虹膜定位与虹膜边界直接相关，因此可以合理地假设，虹膜边界的图像表示可以帮助摆脱虹膜图像的分散文本细节，并弥合输入x和参数化虹膜边界b之间的差距。模型被重新定义为：b=k◦j(x)，其中 j : x➡m，k : m ➡b。其中，m是虹膜边界密集图像表示，与输入的虹膜图像x大小相同。因此，将虹膜定位任务分为两个子任务（a）将输入虹膜图像x推断为m （b）对m进行后处理以获得参数化虹膜边界。

图1 提出的虹膜图，本质上是瞳孔(内)或虹膜边缘(外)边界的二进制填充掩膜。提出了两类参数化边界:(a)圆形边界，(b)椭圆边界。
显然，m可以直接表示为虹膜边界图，如图1第二列所示。然而，我们的实践经验表明，由于正(边界)和负(非边界)样本的不平衡问题，预测结果易模糊、粗糙和有噪声，因此直接估计虹膜边界图不具有鲁棒性。
为了解决这个难题，我们建议估计irismaps，并从那里获得参数化边界。给定输入的irismaps是经过调整后的瞳孔和虹膜边缘密集的二元掩模，如图1第3列所示。与直接估计虹膜边界相比，由于缓解了正/负不平衡问题，irismaps的估计更加简单和容易。

2.2 统一的虹膜分割和定位框架

为了同时获得irismaps 和虹膜分割掩码， 扩展 j 建立一个多标签语义分割模型。与一般语义分割问题中常用的多类设置不同，多标签模型为每个类学习一个独立的二进制分类器，并将每个像素分配给多个二进制标签。这里尤其对于外irismap的分割，其前景区域与虹膜分割掩膜和内irismap的前景区域重叠，这意味着标记为虹膜或瞳孔掩膜的像素同时具有边缘掩膜的标签。由于标注错误和自然歧义问题，虹膜分割掩膜边界和内irismap也可能出现类似情况。
为了解决这个多标签密集预测问题，采用了一个精心适应的堆叠沙漏网络。
与U-Net类似，沙漏网络是一个对称的全卷积架构，其中特征图通过池化操作向下采样，然后使用最近邻接上采样向上采样。在每一个刻度层上，在沙漏的两侧之间应用一个剩余的跳跃连接来连接相应的层。这种自底向上、自顶向下的结构被多次叠加以捕捉远距离的上下文信息，因此即使是遮挡的irismaps也可通过捕捉瞳孔边界、虹膜纹理和边缘边界之间的空间关系来预测。
此外，为了保持整个网络输入大小不变，网络轻量级，对原有沙漏网络进行4个调整：(1)将核大小为7 × 7的初始卷积层的步幅由2改变为1 (2)去除初始max-pooling层 (3) 将网络的每层通道数从256减少到64 (4)每个沙漏模块在4个不同的图像尺度上处理，叠加3次。在每个沙漏模块的末尾，通过1 × 1卷积层将64张精细化的特征图进行组合，得到6张图 : 2张分割掩模图，2张内虹膜图，2张外虹膜图。每一对由前景图和背景图组成，通过softmax层进一步处理得到二进制掩码。
irismaps生成后，完成任务(b)不过是通过简单的形态学边界提取和曲线拟合操作，得到参数化的虹膜边界。统一的虹膜分割定位框架如图2所示。

2.3训练

…
损失函数：L = λ1 Lseg + λ2 Linner + λ3 Louter
Lseg, Linner, Louter分别表示分割掩码、内虹膜和外虹膜的损失，实现为两个类(前景vs背景)的交叉熵损失。为了使损耗范围具有可比性，实验中将λ1、λ2和λ3系数均设为1。上述损耗应用于最后一个沙漏模块的输出，如图2中红色部分所示。

3 实验

3.1数据集

CASIA-Iris-M1…
MICHE-I…

3.2评价指标

…

3.3性能评价

…

4结论

本文介绍了一种新颖的、统一的、多标签学习框架，用于解决较少约束移动环境下的虹膜分割和定位问题。提出了虹膜定位的中间图像表示(即irismaps)，并将其集成到适应的轻量级堆叠沙漏网络中，然后进行简单的后处理操作以获得参数化的虹膜边界。大量的实验证明了该方法的有效性。在未来的工作中，我们打算进一步提高模型的准确性和运行效率，以便在移动设备上进行实际部署。

5 参考文献

6 阅读反思

1.沙漏网络的概念及用法？