[论文解读] ConvSRC: SmartPhone based Periocular Recognition using Deep Convolutional Neural Network and Sparsity Augmented Collaborative Representation

Amani A. Alahmadi, Muhammad M. Hussain+2 more|arXiv (Cornell University)|Jan 16, 2018

Biometric Identification and Security被引用 5

一句话总结

该论文提出了一种基于智能手机的虹膜周围识别系统ConvSRC，该系统利用预训练的VGG-Net进行特征提取，对稀疏感知激活应用主成分分析（PCA），并采用稀疏增强协同表示（SA-CRC）进行分类。在VISOB数据库上，该系统在0.1%假匹配率下实现了超过99%的真实匹配率，相较于ICIP2016挑战赛冠军方案提升了10%。

ABSTRACT

Smartphone based periocular recognition has gained significant attention from biometric research community because of the limitations of biometric modalities like face, iris etc. Most of the existing methods for periocular recognition employ hand-crafted features. Recently, learning based image representation techniques like deep Convolutional Neural Network (CNN) have shown outstanding performance in many visual recognition tasks. CNN needs a huge volume of data for its learning, but for periocular recognition only limited amount of data is available. The solution is to use CNN pre-trained on the dataset from the related domain, in this case the challenge is to extract efficiently the discriminative features. Using a pertained CNN model (VGG-Net), we propose a simple, efficient and compact image representation technique that takes into account the wealth of information and sparsity existing in the activations of the convolutional layers and employs principle component analysis. For recognition, we use an efficient and robust Sparse Augmented Collaborative Representation based Classification (SA-CRC) technique. For thorough evaluation of ConvSRC (the proposed system), experiments were carried out on the VISOB challenging database which was presented for periocular recognition competition in ICIP2016. The obtained results show the superiority of ConvSRC over the state-of-the-art methods; it obtains a GMR of more than 99% at FMR = 10-3 and outperforms the first winner of ICIP2016 challenge by 10%.

研究动机与目标

• 通过利用迁移学习的深度学习方法，解决虹膜周围识别中训练数据有限的挑战。
• 通过挖掘卷积层激活中的稀疏性与判别性模式，提升识别准确率。
• 开发一种紧凑、高效且鲁棒的生物特征识别系统，适用于智能手机部署。
• 在具有挑战性的VISOB虹膜周围识别数据库上，超越现有最先进方法的性能表现。

提出的方法

• 在虹膜周围图像上微调预训练的VGG-Net，以从卷积层中提取分层特征。
• 应用主成分分析（PCA）以降低维度，同时保留特征图中的稀疏性与判别性信息。
• 利用稀疏感知激活图增强特征表示，聚焦于显著且非冗余的模式。
• 采用稀疏增强协同表示（SA-CRC）进行分类，提升对噪声与遮挡的鲁棒性。
• 结合基于CNN的特征学习与协同表示方法，提升在低数据场景下的泛化能力。
• 通过最小化模型复杂度与计算负载，优化端到端流程，实现移动端的实时部署。

实验结果

研究问题

• RQ1 尽管训练数据有限，预训练的深度卷积神经网络是否能有效提取虹膜周围识别的判别性特征？
• RQ2 在低数据设置下，稀疏感知特征表示如何提升识别性能？
• RQ3 在存在噪声与部分遮挡的情况下，SA-CRC是否优于标准协同表示方法？
• RQ4 所提系统是否能在基准数据集上实现优于现有最先进方法的性能表现？
• RQ5 该系统是否具备高效性，适合在移动智能手机上实现实时部署？

主要发现

• ConvSRC在VISOB数据库上实现了超过99%的真实匹配率（GMR），在假匹配率（FMR）为10^-3时表现优异。
• 在FMR = 10^-3条件下，该系统相较于ICIP2016虹膜周围识别挑战赛第一名方案，GMR提升了10%。
• 将稀疏感知PCA集成到VGG-Net特征中，显著提升了判别能力，优于标准CNN特征。
• SA-CRC在虹膜周围图像存在噪声与部分遮挡时，表现出更优的鲁棒性。
• 该方法采用紧凑模型，保持高准确率，适用于移动设备部署。
• 实验结果证实，结合稀疏感知表示的迁移学习方法在数据有限条件下对虹膜周围识别具有高度有效性。