[论文解读] Biometric Recognition Using Deep Learning: A Survey

Shervin Minaee, AmirAli Abdolrashidi+3 more|arXiv (Cornell University)|Nov 30, 2019

Biometric Identification and Security参考文献 223被引用 81

一句话总结

本综述对超过120种基于深度学习的生物特征识别系统（涵盖人脸、指纹、虹膜、语音、签名、步态及其他模态）进行了全面分析。它评估了在公开基准上的性能，讨论了关键挑战，并提出了提升真实世界生物特征识别应用中准确性和可扩展性的未来研究方向。

ABSTRACT

Deep learning-based models have been very successful in achieving state-of-the-art results in many of the computer vision, speech recognition, and natural language processing tasks in the last few years. These models seem a natural fit for handling the ever-increasing scale of biometric recognition problems, from cellphone authentication to airport security systems. Deep learning-based models have increasingly been leveraged to improve the accuracy of different biometric recognition systems in recent years. In this work, we provide a comprehensive survey of more than 120 promising works on biometric recognition (including face, fingerprint, iris, palmprint, ear, voice, signature, and gait recognition), which deploy deep learning models, and show their strengths and potentials in different applications. For each biometric, we first introduce the available datasets that are widely used in the literature and their characteristics. We will then talk about several promising deep learning works developed for that biometric, and show their performance on popular public benchmarks. We will also discuss some of the main challenges while using these models for biometric recognition, and possible future directions to which research in this area is headed.

研究动机与目标

• 系统性地回顾并综合超过120项关于多模态生物特征识别中深度学习的研究。
• 识别并描述各类生物特征类型所广泛使用的公开数据集及其关键属性。
• 评估最先进深度学习模型在各类生物特征模态标准基准上的性能表现。
• 分析在部署深度学习模型进行生物特征识别时面临的主要挑战，包括隐私保护、鲁棒性与泛化能力。
• 概述深度学习在生物特征识别系统中的新兴研究方向与未来趋势。

提出的方法

• 对主要会议和期刊中超过120篇关于生物特征识别中深度学习的同行评审文献进行系统性文献综述。
• 按模态（如人脸、指纹、虹膜、语音、步态等）对生物特征系统进行分类，并分析各类中使用的模型架构。
• 整理并对比在Labeled Faces in the Wild (LFW)、CASIA-Iris等标准公开数据集上报告的性能指标（如准确率、EER）。
• 识别在各类生物特征任务中广泛应用的深度学习技术，包括卷积神经网络（CNNs）、孪生网络（Siamese networks）和注意力机制。
• 基于文献中报告的研究发现，综合分析领域偏移、欺骗攻击和数据不平衡等常见挑战。
• 讨论未来研究趋势，包括自监督学习、跨模态融合以及生物特征系统中的模型可解释性。

实验结果

研究问题

• RQ1 针对不同生物特征识别任务，哪些深度学习架构最为有效？
• RQ2 各类生物特征模态在公开基准上的性能指标如何变化？
• RQ3 哪些关键挑战限制了基于深度学习的生物特征识别系统在真实世界中的部署？
• RQ4 当前模型如何应对不同生物特征类型在姿态、光照变化及欺骗攻击下的差异？
• RQ5 哪些新兴研究方向正在塑造深度学习在生物特征识别领域的未来？

主要发现

• 在所有主要生物特征模态中，深度学习模型始终优于传统方法，在公开基准上达到最先进水平的准确率。
• 卷积神经网络（CNNs）及其变体是人脸、指纹和虹膜识别任务中的主导架构。
• 在人脸识别中，性能提升尤为显著，部分模型在LFW和MS-Celeb-1M等数据集上已达到接近人类水平的准确率。
• 虹膜和指纹识别系统表现出高度鲁棒性与极低错误率，部分深度学习模型在标准数据集上的EER低于0.1%。
• 语音和签名识别显著受益于序列建模技术（如RNNs和Transformers），在处理可变长度输入时性能得到提升。
• 尽管准确率很高，但对抗性攻击、领域偏移和隐私问题仍是阻碍其广泛应用的关键障碍。