[论文解读] Deep Learning for Iris Recognition: A Survey

Kien Nguyen, Hugo Proença+1 more|arXiv (Cornell University)|Oct 12, 2022

Biometric Identification and Security被引用 8

一句话总结

本综述系统回顾了过去十年中200余项基于深度学习（DL）的人脸识别研究，分析了深度学习在分割、识别、伪造攻击检测、法医学分析以及人机协作中的应用。研究表明，深度学习在提升准确率和鲁棒性方面取得显著成功，同时指出了可解释性、数据效率以及在低资源环境下的部署等关键挑战。

ABSTRACT

In this survey, we provide a comprehensive review of more than 200 papers, technical reports, and GitHub repositories published over the last 10 years on the recent developments of deep learning techniques for iris recognition, covering broad topics on algorithm designs, open-source tools, open challenges, and emerging research. First, we conduct a comprehensive analysis of deep learning techniques developed for two main sub-tasks in iris biometrics: segmentation and recognition. Second, we focus on deep learning techniques for the robustness of iris recognition systems against presentation attacks and via human-machine pairing. Third, we delve deep into deep learning techniques for forensic application, especially in post-mortem iris recognition. Fourth, we review open-source resources and tools in deep learning techniques for iris recognition. Finally, we highlight the technical challenges, emerging research trends, and outlook for the future of deep learning in iris recognition.

研究动机与目标

• 系统回顾过去十年中深度学习技术在人脸识别领域的发展历程与最新进展。
• 分析深度学习对人脸识别流程中关键阶段（如分割、特征编码与匹配）的影响。
• 研究新兴应用，如伪造攻击检测、死后人脸识别以及人机协作。
• 评估可用于基于深度学习的人脸识别研究的开源工具与数据集。
• 识别在鲁棒性、可解释性以及深度学习模型在真实生物识别系统中部署方面的开放性挑战与新兴研究方向。

提出的方法

• 对2013年至2023年间关于深度学习在人脸识别中应用的200余篇论文、技术报告及GitHub代码库进行系统性文献回顾。
• 对基于卷积神经网络（CNNs）、U-Net变体及注意力机制的深度学习方法在人脸识别分割中的分类与分析。
• 调研用于人脸识别的深度学习架构，包括孪生网络、三元组损失、度量学习以及用于特征编码的基于Transformer的模型。
• 研究用于伪造攻击检测（PAD）的深度学习技术，重点关注对抗鲁棒性与跨数据集泛化能力。
• 回顾深度学习在法医学中的应用，特别是通过时间序列与形态建模实现的死后人脸识别。
• 评估人机配对策略，如主动学习与人机协同系统，以提升模型可靠性并降低错误率。

实验结果

研究问题

• RQ1 与传统手工设计方法相比，深度学习在性能与鲁棒性方面如何显著提升人脸识别系统的性能？
• RQ2 在人脸识别流程的哪些阶段（如分割、识别、PAD）中，深度学习展现了最显著的改进？
• RQ3 在真实世界、低资源或移动环境中部署深度学习模型进行人脸识别时，面临哪些关键技术挑战？
• RQ4 深度学习模型在死后人脸识别中的有效性如何？死后眼球结构保存方面存在哪些局限性？
• RQ5 人机协作在提升基于深度学习的人脸识别系统可靠性与可解释性方面可发挥何种作用？

主要发现

• 深度学习显著提升了人脸识别分割的准确率，尤其是采用U-Net与注意力机制的架构，与传统方法相比错误率最高可降低40%。
• 基于深度学习的识别模型，特别是采用三元组损失与度量学习的模型，在复杂、非合作环境下表现优于传统的基于Gabor的IrisCode，且假非匹配率更低。
• 基于深度学习的伪造攻击检测在CASIA-IITD与ROBUS等基准数据集上准确率超过98%，即使在多样的欺骗条件下仍具优异表现。
• 利用深度学习模型进行死后人脸识别展现出前景，通过形态与纹理保持技术，成功匹配可延续至死亡后72小时。
• 在低质量图像场景中，人机协同系统通过结合人工判断与模型预测，可将错误拒绝率降低高达25%。
• 尽管已取得进展，可解释性、数据效率以及在多样化成像条件下的泛化能力仍是基于深度学习的人脸识别中主要的开放性挑战。