[论文解读] DeepIrisNet2: Learning Deep-IrisCodes from Scratch for Segmentation-Robust Visible Wavelength and Near Infrared Iris Recognition

Abhishek Gangwar, Akanksha Joshi+2 more|arXiv (Cornell University)|Feb 6, 2019

Biometric Identification and Security参考文献 35被引用 6

一句话总结

DeepIrisNet2 提出了一种深度学习框架，可从零开始学习判别性深度虹膜码，无需依赖传统的虹膜归一化或高精度分割。通过集成空间变换器层和多尺度监督机制，该框架在可见光和近红外（NIR）虹膜数据集上实现了对分割的鲁棒性，其在 ND-IRIS-0405、UBIRIS.v2、MICHE-I 和 CASIA v4 Interval 基准测试中达到了当前最优的准确率。

ABSTRACT

We first, introduce a deep learning based framework named as DeepIrisNet2 for visible spectrum and NIR Iris representation. The framework can work without classical iris normalization step or very accurate iris segmentation; allowing to work under non-ideal situation. The framework contains spatial transformer layers to handle deformation and supervision branches after certain intermediate layers to mitigate overfitting. In addition, we present a dual CNN iris segmentation pipeline comprising of a iris/pupil bounding boxes detection network and a semantic pixel-wise segmentation network. Furthermore, to get compact templates, we present a strategy to generate binary iris codes using DeepIrisNet2. Since, no ground truth dataset are available for CNN training for iris segmentation, We build large scale hand labeled datasets and make them public; i) iris, pupil bounding boxes, ii) labeled iris texture. The networks are evaluated on challenging ND-IRIS-0405, UBIRIS.v2, MICHE-I, and CASIA v4 Interval datasets. Proposed approach significantly improves the state-of-the-art and achieve outstanding performance surpassing all previous methods.

研究动机与目标

• 开发一种无需依赖传统虹膜归一化或高精度分割的深度学习框架，以学习深度虹膜码。
• 提升在可见光和近红外（NIR）虹膜识别中对分割错误和图像形变的鲁棒性。
• 构建大规模、公开可用的手动标注数据集，用于训练和评估深度虹膜分割网络。
• 利用学习到的深度表示生成紧凑的二值虹膜码，以实现高效的模板存储与匹配。
• 在非理想条件下，超越现有方法在多个具有挑战性的虹膜识别基准测试中的性能表现。

提出的方法

• 该框架采用双分支卷积神经网络（CNN）结构：一个用于检测虹膜和瞳孔的边界框，另一个用于虹膜区域的像素级语义分割。
• 在网络中集成空间变换器层，以自动校正几何失真，并处理虹膜形状和方向的差异。
• 在中间层之后添加监督分支，以稳定深层网络的训练过程并减少过拟合。
• 提出一种新颖的策略，直接从学习到的深度特征中生成紧凑的二值虹膜码，以实现高效的匹配。
• 使用大规模、手动标注的数据集，从零开始端到端训练网络，用于边界框检测和纹理分割。
• 该框架在四个基准数据集（ND-IRIS-0405、UBIRIS.v2、MICHE-I 和 CASIA v4 Interval）上进行评估，测试条件为非理想成像环境。

实验结果

研究问题

• RQ1 深度学习框架是否能够在不依赖传统虹膜归一化或精确分割的前提下，学习到鲁棒的深度虹膜码？
• RQ2 空间变换器层在处理虹膜图像几何形变方面的有效性如何？
• RQ3 多尺度监督分支在提升深层虹膜识别模型训练稳定性和泛化能力方面的作用有多大？
• RQ4 双分支CNN结构是否能有效检测虹膜和瞳孔区域，并在无真实分割标注数据的情况下实现准确的像素级分割？
• RQ5 通过使用大规模、手动标注数据集从零开始端到端训练，可见光和近红外虹膜识别的性能可获得多大提升？

主要发现

• DeepIrisNet2 在 ND-IRIS-0405、UBIRIS.v2、MICHE-I 和 CASIA v4 Interval 数据集上均达到当前最优性能，超越所有先前方法。
• 该框架对分割错误和图像形变表现出强鲁棒性，在无需精确虹膜归一化的情况下仍能保持高准确率。
• 空间变换器层的使用显著提升了不同虹膜形状和方向下的图像对齐效果与特征一致性。
• 多尺度监督分支有效减少了深层网络训练过程中的过拟合现象，并提升了收敛性能。
• 所提出的方法生成的紧凑二值虹膜码兼具判别性与高效性，适用于实际部署。
• 作者发布了大规模、手动标注的虹膜边界框和纹理分割数据集，为未来深度虹膜分割研究提供了支持。