基于深度学习图像分割的死后虹膜识别
计算机视觉与模式识别
2019-10-09 v2
摘要
本文提出了我们所知首个专为死后样本设计的虹膜识别方法。我们提出使用基于深度学习的虹膜分割模型来提取死后虹膜图像中高度不规则的虹膜纹理区域。我们展示了如何在传统的、基于 Gabor 的虹膜识别方法中使用神经网络预测的分割掩码，该方法采用瞳孔和虹膜 limbic 边界的圆形近似。整体上，该方法相比仅针对生前虹膜设计的方法（包括学术的 OSIRIS 和商业的 IriCore 实现）显著提升了死后虹膜识别精度。对于死后 10 小时内采集的样本，所提方法的 EER 低于 1%，而 OSIRIS 和 IriCore 的 EER 分别为 16.89% 和 5.37%。对于死后最长 369 小时采集的样本，所提方法的 EER 为 21.45%，而 OSIRIS 和 IriCore 分别为 33.59% 和 25.38%。此外，该方法在从眼科诊所患者采集的虹膜图像数据库上进行了测试，其相比另两种算法也具有优势。本工作是面向死后专用虹膜识别的第一步，提升了法医调查中 deceased 受试者身份识别的可能性。从 42 名受试者获取的新的死后虹膜图像数据库，以及基于深度学习的分割模型随本文一并公开，以确保文中所有结果可复现。
引用
@article{arxiv.1901.01708,
title = {Post-mortem Iris Recognition with Deep-Learning-based Image Segmentation},
author = {Mateusz Trokielewicz and Adam Czajka and Piotr Maciejewicz},
journal= {arXiv preprint arXiv:1901.01708},
year = {2019}
}
备注
Paper submitted for the Elsevier Image and Vision Computing Journal on Jan 5th, 2019, revised version