[论文解读] On Benchmarking Iris Recognition within a Head-mounted Display for AR/VR Application

Fadi Boutros, Naser Damer+4 more|arXiv (Cornell University)|Oct 20, 2020

Biometric Identification and Security参考文献 44被引用 4

一句话总结

本文提出利用AR/VR系统中头戴式显示器（HMD）内置摄像头实现连续、非协作式虹膜识别，结合轻量级分割模型（EyeMMS）与基于深度学习的特征提取方法。在真实HMD环境下，该方法利用深度学习模型实现5%的等错误率（EER），并采用MobileNet实现高效连续认证。

ABSTRACT

Augmented and virtual reality is being deployed in different fields of applications. Such applications might involve accessing or processing critical and sensitive information, which requires strict and continuous access control. Given that Head-Mounted Displays (HMD) developed for such applications commonly contains internal cameras for gaze tracking purposes, we evaluate the suitability of such setup for verifying the users through iris recognition. In this work, we first evaluate a set of iris recognition algorithms suitable for HMD devices by investigating three well-established handcrafted feature extraction approaches, and to complement it, we also present the analysis using four deep learning models. While taking into consideration the minimalistic hardware requirements of stand-alone HMD, we employ and adapt a recently developed miniature segmentation model (EyeMMS) for segmenting the iris. Further, to account for non-ideal and non-collaborative capture of iris, we define a new iris quality metric that we termed as Iris Mask Ratio (IMR) to quantify the iris recognition performance. Motivated by the performance of iris recognition, we also propose the continuous authentication of users in a non-collaborative capture setting in HMD. Through the experiments on a publicly available OpenEDS dataset, we show that performance with EER = 5% can be achieved using deep learning methods in a general setting, along with high accuracy for continuous user authentication.

研究动机与目标

• 评估在AR/VR环境中，利用HMD集成摄像头实现基于虹膜的用户认证的可行性。
• 通过采用紧凑的分割模型（EyeMMS）与计算高效的特征提取方法，应对HMD中的硬件限制。
• 开发一种鲁棒的虹膜质量度量指标（虹膜掩码比率，IMR），用于HMD中非协作、实时图像采集。
• 在无需用户配合的情况下，实现在AR/VR系统中的连续用户认证，确保对敏感应用的安全保障。

提出的方法

• 将EyeMMS微型分割模型适配用于在低资源约束下从HMD捕获的图像中提取虹膜区域。
• 评估三种手工设计的虹膜特征提取方法：1D Log-Gabor、DCT系数虹膜码与基于CSBCA的虹膜码。
• 采用四种深度学习模型——DeepIrisNet-A、ResNet-50、DenseNet-201与MobileNetV3，实现端到端的特征学习与识别。
• 引入虹膜掩码比率（IMR）作为质量度量指标，根据可见虹膜比例过滤低质量虹膜图像。
• 由于其参数量少（310万）且推理效率高，采用MobileNetV3实现连续认证框架。
• 使用OpenEDS数据集进行基准测试，通过等错误率（EER）与汉明距离对比评估验证性能。

实验结果

研究问题

• RQ1 在非协作、实时的AR/VR场景中，能否有效利用HMD内置摄像头实现虹膜识别？
• RQ2 在HMD捕获的数据上，手工设计方法与基于深度学习的虹膜识别方法在准确率与计算成本方面如何比较？
• RQ3 所提出的虹膜掩码比率（IMR）度量指标在非理想图像采集条件下，能在多大程度上提升识别性能？
• RQ4 能否在HMD中通过深度学习实现具有可接受准确率与低计算开销的连续用户认证？

主要发现

• 表现最佳的深度学习模型DenseNet-201在OpenEDS数据集上的一般条件下实现了最低的EER（5%）。
• MobileNetV3在准确率与计算效率之间表现出最佳平衡，仅含310万个可训练参数，适合部署于低功耗HMD。
• 所提出的虹膜掩码比率（IMR）度量指标显著提升了识别准确率，尤其在IMR阈值为0.7时效果明显。
• 采用IMR阈值0.7时，使用MobileNetV3的连续认证实现EER为5.45%，表明在实时场景中表现优异。
• 手工设计方法的EER低于传统方法，但在非协作场景中仍逊色于深度学习模型。
• 轻量级分割模型（EyeMMS）的使用使在资源受限的HMD硬件上实现实时处理成为可能，验证了其在嵌入式部署中的可行性。