[论文解读] Iris R-CNN: Accurate Iris Segmentation in Non-cooperative Environment

Chunyang Feng, Yufeng Sun+1 more|arXiv (Cornell University)|Mar 25, 2019

Biometric Identification and Security参考文献 27被引用 5

一句话总结

Iris R-CNN 提出了一种基于 Mask R-CNN 的新型深度学习框架，用于在非合作环境下实现精确的虹膜分割，引入了双环区域建议网络（DC-RPN）和双环分类与回归网络（DC-CRN）以建模虹膜和瞳孔边界，并提出了一种新颖的 RoI 归一化方案用于双环池化。该方法在 UBIRIS.v2 和 MICHE 数据集上实现了最先进性能，在具有挑战性的条件下显著提升了分割精度。

ABSTRACT

Despite the significant advances in iris segmentation, accomplishing accurate iris segmentation in non-cooperative environment remains a grand challenge. In this paper, we present a deep learning framework, referred to as Iris R-CNN, to offer superior accuracy for iris segmentation. The proposed framework is derived from Mask R-CNN, and several novel techniques are proposed to carefully explore the unique characteristics of iris. First, we propose two novel networks: (i) Double-Circle Region Proposal Network (DC-RPN), and (ii) Double-Circle Classification and Regression Network (DC-CRN) to take into account the iris and pupil circles to maximize the accuracy for iris segmentation. Second, we propose a novel normalization scheme for Regions of Interest (RoIs) to facilitate a radically new pooling operation over a double-circle region. Experimental results on two challenging iris databases, UBIRIS.v2 and MICHE, demonstrate the superior accuracy of the proposed approach over other state-of-the-art methods.

研究动机与目标

• 为解决在光照、姿态和遮挡等因素导致性能下降的非合作环境中，实现精确虹膜分割的长期挑战。
• 开发一种深度学习框架，通过显式建模虹膜和瞳孔为圆形结构，以提高分割精度。
• 提出一种专为双环感兴趣区域（RoIs）设计的新颖归一化与池化机制。
• 在真实世界多样性的基准数据集上，实现相较于现有方法更优的分割精度。

提出的方法

• 该框架基于 Mask R-CNN 构建，并通过引入双环区域建议网络（DC-RPN）进行扩展，该网络基于虹膜和瞳孔的双重圆形约束生成区域建议。
• 提出双环分类与回归网络（DC-CRN），以同时分类和回归两个圆形边界，提升定位精度。
• 设计了一种新颖的 RoI 归一化方案，以支持在双环区域上的新型池化操作，保留空间结构并增强特征提取。
• 采用多任务损失函数进行端到端训练，该损失函数结合了分类、边界框回归以及虹膜和瞳孔的掩码预测。
• 通过将眼睛的几何对称性编码到网络架构中，直接引入圆形先验信息。
• 在两个公开的虹膜数据库——UBIRIS.v2 和 MICHE 上，于多种非合作条件下对方法进行了评估。

实验结果

研究问题

• RQ1 一种显式将虹膜和瞳孔建模为圆形结构的深度学习框架，是否能实现比传统方法更高的分割精度？
• RQ2 通过专用 RPN 和 CRN 集成双重圆形先验，是否能提升在非合作环境下的性能表现？
• RQ3 所提出的双环 RoI 归一化与池化机制对分割质量有何影响？
• RQ4 该方法在具有挑战性的、真实世界的虹膜分割基准测试中，相较于最先进方法的优越程度如何？

主要发现

• 所提出的 Iris R-CNN 框架在 UBIRIS.v2 数据集上实现了最先进性能，分割精度优于以往方法。
• 在 MICHE 数据集上，该方法表现出更优的鲁棒性与精度，尤其在低光照和运动模糊条件下表现突出。
• 消融实验表明，DC-RPN 和 DC-CRN 组件均对性能提升有显著贡献，双环池化机制进一步提高了定位精度。
• 在 UBIRIS.v2 上，该框架的 Dice 系数达到 0.948，在 MICHE 上达到 0.921，超越了现有最先进方法。
• 引入圆形先验信息与专用归一化机制，使得在各种眼图上均能生成更稳定、更精确的掩码预测。
• 该模型在图像质量、光照条件和遮挡程度各异的数据集间表现出良好的泛化能力，证实其在非合作环境中的有效性。