用于检测两张虹膜图像是否来自同卵个体的Siamese网络

本研究提出了首个用于判断一对虹膜图像是否来自同卵个体的自动化分类器，解决了生物特征识别领域此前尚未攻克的问题。在Daugman风格的虹膜识别中，同一人左右眼虹膜的纹理传统上被认为与两个无关个体的虹膜同样不同。然而，先前的研究表明，人类能够以约80%的准确率判断两张虹膜图像是否来自同一人的两只眼睛，或同卵双胞胎的眼睛。在本工作中，我们采用Siamese网络架构和对比学习，将一对虹膜图像分类为同卵或非同卵来源。例如，这可以作为一种快速、无创的测试方法，用于判断双胞胎是否为同卵。我们构建了一个数据集，包含合成同卵对（同一人不同虹膜的图像）、自然同卵对（来自同卵双胞胎个体的不同图像），以及来自无关个体的非同卵对，从而全面评估模型的能力。为了深入了解所学习的表征，我们训练并分析了该模型的三个变体：(1) 原始输入图像，(2) 仅虹膜图像（遮蔽虹膜区域以外的所有内容），以及(3) 非仅虹膜图像（遮蔽虹膜区域）。这一对比揭示了眼虹膜纹理和周围眼部结构均包含可用于将图像对分类为同卵或非同卵的有用信息。我们的方法在使用完整虹膜图像时达到的准确率超过了此前人类对同卵虹膜对进行分类的报告准确率。