[論文レビュー] On Benchmarking Iris Recognition within a Head-mounted Display for AR/VR Application

Fadi Boutros, Naser Damer+4 more|arXiv (Cornell University)|Oct 20, 2020

Biometric Identification and Security参考文献 44被引用数 4

ひとこと要約

本稿では、AR/VRシステムにおける継続的で非協調的アイris認証を実現するため、ヘッドマウントディスプレイ（HMD）に内蔵されたカメラを活用する手法を提案する。軽量なセグメンテーションモデル（EyeMMS）と深層学習ベースの特徴抽出を用いる。深層学習モデルを用いることで等誤差率（EER）5%を達成し、MobileNetが実際のHMDの制約下でも効率的な継続的認証を可能にする。

ABSTRACT

Augmented and virtual reality is being deployed in different fields of applications. Such applications might involve accessing or processing critical and sensitive information, which requires strict and continuous access control. Given that Head-Mounted Displays (HMD) developed for such applications commonly contains internal cameras for gaze tracking purposes, we evaluate the suitability of such setup for verifying the users through iris recognition. In this work, we first evaluate a set of iris recognition algorithms suitable for HMD devices by investigating three well-established handcrafted feature extraction approaches, and to complement it, we also present the analysis using four deep learning models. While taking into consideration the minimalistic hardware requirements of stand-alone HMD, we employ and adapt a recently developed miniature segmentation model (EyeMMS) for segmenting the iris. Further, to account for non-ideal and non-collaborative capture of iris, we define a new iris quality metric that we termed as Iris Mask Ratio (IMR) to quantify the iris recognition performance. Motivated by the performance of iris recognition, we also propose the continuous authentication of users in a non-collaborative capture setting in HMD. Through the experiments on a publicly available OpenEDS dataset, we show that performance with EER = 5% can be achieved using deep learning methods in a general setting, along with high accuracy for continuous user authentication.

研究の動機と目的

• AR/VR環境におけるHMDに統合されたカメラを用いたアイrisベースのユーザー認証の実現可能性を評価すること。
• HMDのハードウェア制約に対処するため、コンパactsなセグメンテーションモデル（EyeMMS）と計算効率の高い特徴抽出手法を採用すること。
• 非協調的かつリアルタイムの画像取得においても有効な、耐障害性のあるアイris品質指標（アイrisマスク比、IMR）を構築すること。
• ユーザーの協力を要しない継続的ユーザー認証をAR/VRシステムで実現し、機密なアプリケーションにおけるセキュリティを確保すること。

提案手法

• 低リソース制約下でのHMDが撮影した画像からアイris領域を抽出するために、EyeMMSミニマライズドセグメンテーションモデルを適応する。
• 3つのハンドクラフト特徴抽出法（1次元Log-Gabor、DCT係数アイrisコード、CSBCAベースのアイrisコード）を評価する。
• エンドツーエンドの特徴学習と識別に向け、4つの深層学習モデル（DeepIrisNet-A、ResNet-50、DenseNet-201、MobileNetV3）を採用する。
• 可視アイris領域の割合に基づいて低品質なアイris画像をフィルタリングするため、アイrisマスク比（IMR）という品質指標を導入する。
• パrameter数が少なく（3.1M）、推論効率が高いことから、MobileNetV3を用いて継続的認証フレームワークを実装する。
• ベンチマークにはOpenEDSデータセットを用い、認証性能は等誤差率（EER）およびハミング距離の比較によって測定する。

実験結果

リサーチクエスチョン

• RQ1 非協調的かつリアルタイムなAR/VRシナリオにおいて、HMDの内蔵カメラを用いたアイris認証は効果的に実行可能か？
• RQ2 HMDが撮影したデータにおいて、ハンドクラフト特徴抽出法と深層学習ベースのアイris認証手法は、精度と計算コストの観点でどのように比較されるか？
• RQ3 提案されたアイrisマスク比（IMR）指標は、非理想な画像取得条件下でどれほど認識性能を向上させるか？
• RQ4 深層学習を用いた場合、HMD上で許容可能な精度と低い計算オーバーヘッドを達成できる継続的ユーザー認証が可能か？

主な発見

• 最も高い性能を示した深層学習モデル、DenseNet-201は、一般条件下でOpenEDSデータセットにおいてEERが5%に達した。
• MobileNetV3は、わずか310万パラメータで精度と計算効率のバランスが最も優れており、低消費電力のHMDへの実装に適している。
• 提案されたアイrisマスク比（IMR）指標は、特にIMR閾値を0.7に設定した場合、低品質な画像を除外することで認識精度を顕著に向上させた。
• IMR閾値0.7を適用した場合、MobileNetV3を用いた継続的認証はEERが5.45%に達し、リアルタイムシナリオにおいて優れた性能を示した。
• ハンドクラフト手法は従来手法を下回るEERを達成したが、特に非協調的環境下では深層学習モデルに劣った。
• 軽量なセグメンテーションモデル（EyeMMS）の使用により、制限されたHMDハードウェアでもリアルタイム処理が可能となり、組み込み実装の妥当性が裏付けられた。