基于重训练现成深度神经网络与图像分割的虹膜识别
计算机视觉与模式识别
2019-01-07 v1
摘要
本文提出了三种新的、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码的方法论。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采集并公开提供的广泛虹膜图像，包括来自CASIA-Iris-Interval-v4、BioSec、ND-Iris-0405、UBIRIS、Warsaw-BioBase-Post-Mortem-Iris v2.0（尸检虹膜图像）和ND-TWINS-2009-2010（同卵双胞胎虹膜图像）的数据。这种多样化的训练数据应能提升所提出分割技术的泛化能力。在数据库不相交的训练与测试中，我们表明基于深度学习的分割在根据所得结果与人工标注真值计算的Intersection over Union（交并比）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的虹膜匹配并非总是更好，并且与使用基于Daugman分割的方法相当。
引用
@article{arxiv.1901.01028,
title = {Iris Recognition with Image Segmentation Employing Retrained Off-the-Shelf Deep Neural Networks},
author = {Daniel Kerrigan and Mateusz Trokielewicz and Adam Czajka and Kevin Bowyer},
journal= {arXiv preprint arXiv:1901.01028},
year = {2019}
}
备注
Paper submitted for the IEEE International Conference on Biometrics (ICB2019)