[论文解读] UFPR-Periocular: A Periocular Dataset Collected by Mobile Devices in Unconstrained Scenarios.

Luiz A. Zanlorensi, Rayson Laroca+4 more|arXiv (Cornell University)|Nov 24, 2020

Biometric Identification and Security参考文献 83被引用 6

一句话总结

本论文提出UFPR-Periocular，一个大规模的睫毛周区域图像数据集，包含1,122名受试者，使用196部移动设备在非受限条件下分三个阶段采集。该研究在识别与验证任务中对多种卷积神经网络（CNN）架构进行了基准测试，揭示了即使在大量训练数据和多样的采集条件下，睫毛周识别仍面临显著挑战。

ABSTRACT

Recently, ocular biometrics in unconstrained environments using images obtained at visible wavelength have gained the researchers' attention, especially with images captured by mobile devices. Periocular recognition has been demonstrated to be an alternative when the iris trait is not available due to occlusions or low image resolution. However, the periocular trait does not have the high uniqueness presented in the iris trait. Thus, the use of datasets containing many subjects is essential to assess biometric systems' capacity to extract discriminating information from the periocular region. Also, to address the within-class variability caused by lighting and attributes in the periocular region, it is of paramount importance to use datasets with images of the same subject captured in distinct sessions. As the datasets available in the literature do not present all these factors, in this work, we present a new periocular dataset containing samples from 1,122 subjects, acquired in 3 sessions by 196 different mobile devices. The images were captured under unconstrained environments with just a single instruction to the participants: to place their eyes on a region of interest. We also performed an extensive benchmark with several Convolutional Neural Network (CNN) architectures and models that have been employed in state-of-the-art approaches based on Multi-class Classification, Multitask Learning, Pairwise Filters Network, and Siamese Network. The results achieved in the closed- and open-world protocol, considering the identification and verification tasks, show that this area still needs research and development.

研究动机与目标

• 解决在真实世界非受限条件下使用移动设备采集的大规模、多样化睫毛周图像数据集的缺乏问题。
• 通过为每位受试者采集多个阶段的数据，减轻光照和面部特征变化带来的类内差异。
• 为最先进的深度学习模型在睫毛周识别任务中的表现提供全面的基准测试。
• 在闭集与开集评估协议下，分别评估识别与验证任务的性能。
• 通过发布具有高受试者与设备多样性的数据集，为未来研究提供支持，促进模型的稳健性评估。

提出的方法

• 从1,122名受试者中分三个不同阶段采集睫毛周图像，以捕捉时间与环境变化的影响。
• 使用196种不同的移动设备，确保设备多样性，并模拟真实世界中的部署场景。
• 在非受限环境中采集图像，仅提供最小化指导——要求参与者将眼睛置于感兴趣区域。
• 采用多种深度学习架构，包括孪生网络、成对滤波网络、多任务学习和多分类模型。
• 使用闭集与开集评估协议，对识别与验证任务中的模型性能进行评估。
• 标准化图像预处理与数据增强，以提升模型在光照与姿态变化下的泛化能力。

实验结果

研究问题

• RQ1 在非受限移动设备采集条件下，不同CNN架构在睫毛周识别中的性能表现如何变化？
• RQ2 由于光照和面部特征变化导致的阶段间差异，在多大程度上影响了识别准确率？
• RQ3 现有最先进的模型能否有效泛化到像UFPR-Periocular这样大规模、多样化的真实世界睫毛周图像数据集？
• RQ4 在识别睫毛周区域的判别性特征方面，闭集与开集评估协议的对比表现如何？
• RQ5 设备多样性对睫毛周识别系统鲁棒性的影响是什么？

主要发现

• UFPR-Periocular数据集包含1,122名受试者，共采集超过3,000张图像样本，覆盖三个采集阶段，使用196部移动设备。
• 尽管训练数据量庞大且采集条件多样，模型性能仍不理想，表明在特征区分方面仍存在持续挑战。
• 开集评估协议下的性能显著低于闭集评估协议，凸显处理未知受试者时的困难。
• 与标准多分类模型相比，孪生网络与成对滤波网络在应对类内差异方面表现出更强的鲁棒性。
• 多任务学习模型在光照与姿态变化下展现出更好的泛化能力，但仍受类内多样性限制。
• 结果表明，睫毛周识别在真实世界非受限条件下仍是开放的研究问题。