[论文解读] Iris Recognition Using Scattering Transform and Textural Features

Shervin Minaee, AmirAli Abdolrashidi+1 more|arXiv (Cornell University)|Jul 8, 2015

Biometric Identification and Security参考文献 18被引用 12

一句话总结

本文提出了一种新颖的虹膜识别方法，结合基于散射变换的特征与Haralick纹理特征，随后进行PCA降维和最小距离分类。该方法在IIT Delhi虹膜数据库上实现了99.2%的准确率，且无需虹膜分割，展现出最先进的性能，并适用于实时应用。

ABSTRACT

Iris recognition has drawn a lot of attention since the mid-twentieth century. Among all biometric features, iris is known to possess a rich set of features. Different features have been used to perform iris recognition in the past. In this paper, two powerful sets of features are introduced to be used for iris recognition: scattering transform-based features and textural features. PCA is also applied on the extracted features to reduce the dimensionality of the feature vector while preserving most of the information of its initial value. Minimum distance classifier is used to perform template matching for each new test sample. The proposed scheme is tested on a well-known iris database, and showed promising results with the best accuracy rate of 99.2%.

研究动机与目标

• 开发一种鲁棒、快速且准确的虹膜识别系统，避免复杂的虹膜分割。
• 利用散射变换的高频区分能力与纹理特征，提升识别性能。
• 通过PCA有效降低特征维度，同时保留区分性信息。
• 在标准基准数据集上评估所提方法，并与现有最先进方法进行比较。

提出的方法

• 使用一系列小波变换、复数模值和局部平均运算，从虹膜图像中全局提取散射变换特征。
• 从归一化的灰度级联合矩阵中计算14个Haralick纹理特征，以捕捉局部纹理模式。
• 将散射特征与Haralick特征拼接为单一高维特征向量。
• 应用主成分分析（PCA）对组合特征向量进行降维，同时保留大部分方差。
• 使用最小距离分类器，基于欧氏距离将测试样本与训练模板进行匹配。
• 完全跳过虹膜分割步骤，直接使用原始眼图进行特征提取，以提升处理速度和实时可行性。

实验结果

研究问题

• RQ1 散射变换与Haralick纹理特征的结合是否能将虹膜识别准确率提升至超过现有方法？
• RQ2 消除虹膜分割在多大程度上提升了识别系统的处理速度与实用性？
• RQ3 PCA在不降低识别性能的前提下，对特征维度的降维效果如何？
• RQ4 散射特征中包含的高频信息是否显著增强了虹膜识别的区分能力？

主要发现

• 所提方法在IIT Delhi虹膜数据库上实现了99.2%的识别准确率，优于以往最先进的方法。
• 系统每幅图像的处理时间约为11ms，适用于实时应用。
• 由于省略了虹膜分割，处理流程显著简化，计算效率得到提升。
• 散射特征与Haralick特征的融合因高频信息与纹理信息的互补性，提供了更优的区分能力。
• PCA有效降低了特征维度，仅使用80个主成分即可保持高识别准确率。
• 该方法在性能上超越了现有方法，如Haar小波（96.6%）、Log-Gabor（97.19%）和弹性图匹配（98%）。