[论文解读] Cross-Sensor Periocular Biometrics for Partial Face Recognition in a Global Pandemic: Comparative Benchmark and Novel Multialgorithmic Approach.

Fernando Alonso‐Fernandez, Kiran Raja+5 more|arXiv (Cornell University)|Feb 21, 2019

Biometric Identification and Security参考文献 89被引用 6

一句话总结

本文提出一种多算法融合方法，通过线性逻辑回归对对数似然比分数进行融合，实现跨传感器虹膜周围区域识别，在异质成像条件下实现最优决策。在 Cross-Eyed 竞赛中，该方法在 FAR=0.01% 时达到 0.2% 的 EER 和 0.47% 的 FRR，优于其他融合方法，为可见光与近红外光谱下的跨光谱虹膜周围区域识别设立了新基准。

ABSTRACT

The massive availability of cameras results in a wide variability of imaging conditions, producing large intra-class variations and a significant performance drop if heterogeneous images are compared for person recognition. However, as biometrics is deployed, it is common to replace damaged or obsolete hardware, or to exchange information between heterogeneous applications. Variations in spectral bands can also occur. For example, surveillance face images (typically acquired in the visible spectrum, VIS) may need to be compared against a legacy iris database (typically acquired in near-infrared, NIR). Here, we propose a multialgorithmic approach to cope with periocular images from different sensors. With face masks in the front line against COVID-19, periocular recognition is regaining popularity since it is the only face region that remains visible. We integrate different comparators with a fusion scheme based on linear logistic regression, in which scores are represented by log-likelihood ratios. This allows easy interpretation of scores and the use of Bayes thresholds for optimal decision-making, since scores from different comparators are in the same probabilistic range. We evaluate our approach in the context of the Cross-Eyed Competition, whose aim was to compare recognition approaches when NIR and VIS periocular images are matched. Our approach achieves EER=0.2% and FRR of just 0.47% at FAR=0.01%, representing the best overall approach of the competition. Experiments are also reported with a database of VIS images from different smartphones. We also discuss the impact of template size and computation times, with the most computationally heavy comparator playing an important role in the results. Lastly, the proposed method is shown to outperform other popular fusion approaches, such as the average of scores, SVMs or Random Forest.

研究动机与目标

• 解决由于成像条件中存在跨传感器和跨光谱差异而导致虹膜周围区域识别性能下降的挑战。
• 在匹配来自异质传感器（如可见光（VIS）和近红外（NIR）摄像头）的虹膜周围图像时，实现可靠的人员识别。
• 开发一种融合框架，将多个比较器整合为统一的概率评分系统，以提高鲁棒性和决策准确性。
• 利用对数似然比和贝叶斯阈值优化融合过程，确保分类决策具有可解释性和最优性。
• 在真实世界数据集上评估该方法，包括智能手机 VIS 图像和跨光谱数据库，在实际部署约束条件下进行测试。

提出的方法

• 采用多算法方法，结合在不同特征表示上训练的多个虹膜周围区域比较器。
• 将比较器输出表示为对数似然比，以统一到概率框架中。
• 使用线性逻辑回归融合分数，学习每个比较器贡献的最优权重。
• 利用贝叶斯决策理论和学习到的阈值，实现在给定误接受率和误拒绝率下的最优分类。
• 整合跨光谱（VIS-NIR）和同传感器（智能手机 VIS）数据集，以评估在不同成像条件下的鲁棒性。
• 分析模板大小和计算负载对识别性能及处理时间的影响。

实验结果

研究问题

• RQ1 在真实世界成像变异性条件下，多算法融合方法是否能显著提升跨传感器虹膜周围区域识别性能？
• RQ2 使用对数似然比评分如何提升多模态生物识别融合中的决策可靠性与可解释性？
• RQ3 在跨光谱识别中，计算开销较大的比较器对整体系统性能的相对贡献如何？
• RQ4 与传统的技术（如分数平均、SVM 或随机森林）相比，所提出的融合方法在准确性和鲁棒性方面表现如何？
• RQ5 在实际部署场景中，模板大小和处理时间在多大程度上影响识别性能？

主要发现

• 所提出的方法在 Cross-Eyed 竞赛中实现了 0.2% 的等错误率（EER），是所有参赛方法中的最佳表现。
• 在误接受率（FAR）为 0.01% 时，系统仅达到 0.47% 的误拒绝率（FRR），表明在严格安全阈值下具有高度可靠性。
• 该方法在跨光谱和同传感器识别任务中，均优于标准融合技术（如分数平均、SVM 和随机森林）。
• 计算最密集的比较器对最终性能贡献显著，表明高质量的特征提取对鲁棒识别至关重要。
• 基于线性逻辑回归和对数似然比分数的融合框架，结合贝叶斯阈值，实现了可解释且最优的决策过程。
• 在智能手机获取的可见光谱图像上的实验验证了该方法对消费级成像设备引起的类内变化具有鲁棒性。