无学习虹膜分割再探：面向视频样本快速体数据操作的第一步
计算机视觉与模式识别
2019-01-08 v1
摘要
虹膜生物特征识别中的对象匹配性能取决于快速、高质量的虹膜分割。在许多情况下，虹膜生物特征采集设备依次拍摄多幅图像，并综合每幅图像的分割与匹配结果以增强最终效果。迄今为止，分割一直在二维中进行，逐幅图像独立操作。但此类方法虽强大，却未利用将序列图像视为体数据所能带来的潜在性能提升。作为该方向的第一步，我们将 Flexible Learning-Free Reconstruction of Neural Volumes (FLoRIN) 框架——一个最初为神经显微体数据设计的开源分割与重建框架——应用于虹膜视频的体分割。此外，我们引入了一个新型近红外虹膜视频数据集，其中每个受试者的瞳孔因可见光刺激而快速改变大小，作为 FLoRIN 的测试平台。我们比较了由 FLoRIN、基于深度学习的方法 (SegNet) 以及 Daugman 的 (OSIRIS) 虹膜分割方法生成的虹膜掩膜的匹配性能。我们表明，通过融入体信息，FLoRIN 在实现吞吐量 3.6 倍至一个数量级的提升的同时，仅带来微小的对象匹配性能下降。我们还证明，基于 FLoRIN 的虹膜分割在低资源硬件上保持了这一加速，使其适用于嵌入式生物特征系统。
引用
@article{arxiv.1901.01575,
title = {Learning-Free Iris Segmentation Revisited: A First Step Toward Fast Volumetric Operation Over Video Samples},
author = {Jeffery Kinnison and Mateusz Trokielewicz and Camila Carballo and Adam Czajka and Walter Scheirer},
journal= {arXiv preprint arXiv:1901.01575},
year = {2019}
}
备注
9 pages, 4 figures