[论文解读] An Experimental Study of Deep Convolutional Features For Iris Recognition

Shervin Minaee, AmirAli Abdolrashidi+1 more|arXiv (Cornell University)|Feb 4, 2017

Biometric Identification and Security参考文献 35被引用 6

一句话总结

本文提出在不进行微调的情况下，使用预训练的VGG-Net特征进行虹膜识别，通过迁移学习直接从虹膜图像中提取深度特征。该方法在IIT Delhi数据集上实现了99.4%的识别准确率，仅通过简单的PCA与SVM流程，优于先前的最先进方法，证明了深度特征即使在无分割或任务特定适应的情况下，仍具有强大的鲁棒性和判别能力。

ABSTRACT

Iris is one of the popular biometrics that is widely used for identity authentication. Different features have been used to perform iris recognition in the past. Most of them are based on hand-crafted features designed by biometrics experts. Due to tremendous success of deep learning in computer vision problems, there has been a lot of interest in applying features learned by convolutional neural networks on general image recognition to other tasks such as segmentation, face recognition, and object detection. In this paper, we have investigated the application of deep features extracted from VGG-Net for iris recognition. The proposed scheme has been tested on two well-known iris databases, and has shown promising results with the best accuracy rate of 99.4\%, which outperforms the previous best result.

研究动机与目标

• 探究在ImageNet上预训练的VGG-Net（用于一般物体识别）的深度特征是否可有效迁移到虹膜识别任务中。
• 评估这些深度特征在标准虹膜数据集上的性能，而无需分割或架构适应。
• 与现有手工设计的特征方法相比，评估所提出的迁移学习方法在准确率和鲁棒性方面的表现。
• 分析不同VGG-Net层以及PCA维度对识别性能的影响。
• 评估在每名受试者训练样本数量变化时，该方法的鲁棒性。

提出的方法

• 将预训练的VGG-Net用作固定特征提取器，移除最后一层全连接层，以从早期层获取深度特征。
• 直接将虹膜图像输入网络，不进行分割，以保留原始输入用于特征学习。
• 应用主成分分析（PCA）以降低提取特征的维度，提高计算效率并减少噪声。
• 在PCA降维后，使用多类支持向量机（SVM）进行分类，以实现受试者识别。
• 评估VGG-Net多个层的特征，以确定哪一层为虹膜识别提供最具判别力的表示。
• 在两个基准数据集（CASIA-1000和IIT Delhi）上进行实验，并对训练样本数量和PCA分量数量进行消融研究。

实验结果

研究问题

• RQ1 在ImageNet上预训练的VGG-Net的深度特征是否能有效泛化到虹膜识别这一不同的生物特征任务？
• RQ2 与传统手工设计的特征相比，深度特征在标准虹膜数据集上的识别准确率表现如何？
• RQ3 VGG-Net的哪一层产生最具判别力的特征？为何深层特征表现有所下降？
• RQ4 该方法对每名受试者的训练样本数量有多敏感？达到高准确率所需的最少样本数是多少？
• RQ5 在无虹膜分割的情况下，深度特征方法的性能受到多大程度的影响？

主要发现

• 所提方法在IIT Delhi数据集上实现了99.4%的识别准确率，优于此前使用散射变换特征的99.2%最佳结果。
• 即使仅使用100个PCA分量，该方法在IIT Delhi数据集上的准确率也超过98%，且在此之后性能提升微乎其微。
• VGG-Net第10层的特征实现了最高的识别准确率，表明中层特征比高层抽象特征更具判别力。
• 该方法在每名受试者仅使用3个训练样本时仍保持鲁棒性，相较于1个或2个样本时有显著性能提升。
• 在无需任何分割或微调的情况下实现了最高准确率，证明了深度特征对虹膜图像内部类间差异的强鲁棒性。
• 深层特征（第7层之后）的性能仍高于98%，但最高层性能略有下降，表明高度抽象表示中损失了部分判别细节。