[论文解读] An Identification System Using Eye Detection Based On Wavelets And Neural Networks

Mohamed A. El-Sayed, Mohamed A. Khafagy|arXiv (Cornell University)|Jan 20, 2014

Face and Expression Recognition参考文献 8被引用 6

一句话总结

本文提出了一种基于小波特征提取和共轭梯度训练的反向传播神经网络的眼动模式识别生物识别系统。该方法在各种条件下对眼睛区域与非眼睛区域的分类准确率达到90%，证明了通过多尺度小波分析和神经分类方法，眼动模式可作为可靠生物识别标识符的可行性。

ABSTRACT

The randomness and uniqueness of human eye patterns is a major breakthrough in the search for quicker, easier and highly reliable forms of automatic human identification. It is being used extensively in security solutions. This includes access control to physical facilities, security systems and information databases, Suspect tracking, surveillance and intrusion detection and by various Intelligence agencies through out the world. We use the advantage of human eye uniqueness to identify people and approve its validity as a biometric. . Eye detection involves first extracting the eye from a digital face image, and then encoding the unique patterns of the eye in such a way that they can be compared with pre-registered eye patterns. The eye detection system consists of an automatic segmentation system that is based on the wavelet transform, and then the Wavelet analysis is used as a pre-processor for a back propagation neural network with conjugate gradient learning. The inputs to the neural network are the wavelet maxima neighborhood coefficients of face images at a particular scale. The output of the neural network is the classification of the input into an eye or non-eye region. An accuracy of 90% is observed for identifying test images under different conditions included in training stage.

研究动机与目标

• 开发一种基于人眼独特图案的可靠、自动的人体识别系统。
• 解决在不同光照和姿态条件下准确检测人脸图像中眼睛区域的挑战。
• 验证眼动图案作为生物识别标识符的独特性和一致性，以适用于安全应用。
• 在统一框架中集成小波变换以实现鲁棒的特征提取，以及神经网络用于分类。

提出的方法

• 利用离散小波变换（DWT）从人脸图像中提取多尺度系数，重点关注小波极大值邻域。
• 将小波分析作为预处理步骤，以增强对眼睛区域检测至关重要的边缘和纹理特征。
• 采用具有共轭梯度优化的反向传播神经网络，以实现高效学习和快速收敛。
• 将特定尺度下的小波系数邻域作为神经网络的输入特征。
• 训练网络以基于提取的小波特征，将图像区域分类为眼睛或非眼睛。
• 实施一种结合小波特征提取与神经网络分类的分割流程，以实现鲁棒的眼睛检测。

实验结果

研究问题

• RQ1 眼动模式是否能够在各种成像条件下被可靠提取并用作生物识别标识符？
• RQ2 基于小波的特征提取在提升眼睛区域检测准确率方面有多有效？
• RQ3 经共轭梯度训练的神经网络在眼睛检测分类性能方面提升程度如何？
• RQ4 该系统在不同条件下区分眼睛区域与非眼睛区域的可实现准确率是多少？
• RQ5 所提出的系统是否能在实际应用（如监控和门禁控制）中保持鲁棒性？

主要发现

• 该系统在不同条件下的测试图像中，对眼睛区域的分类准确率达到90%。
• 基于小波的特征提取能有效捕捉眼睛检测所必需的关键纹理和边缘模式。
• 共轭梯度学习算法显著提升了反向传播神经网络的收敛速度和性能。
• 小波分析与神经网络的结合，形成了一条鲁棒且准确的眼睛检测流程。
• 结果证实，眼动图案可作为安全和监控系统中独特且可靠的生物识别标识符。
• 该方法在训练和测试阶段均表现出对不同光照和姿态变化的一致性能。