没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:Elsevier沙特国王大学学报眼周生物测量技术研究进展Punam Kumari1,Seeja K.R.第二,2Indira Gandhi Delhi Technical University for Women,Kashmere Gate,Delhi 110006,India阿提奇莱因福奥文章历史记录:2018年12月13日收到2019年5月15日修订2019年6月4日接受在线发售2019年保留字:无约束的生物识别眼睛附近眼周生物测定A B S T R A C T眼周区域是眼睛周围的特征丰富的区域,其可以包括像眼睑、眼睫毛、眉毛、泪管、眼睛形状、皮肤纹理等的特征。基于眼周区域的认证系统是基于人脸和虹膜的生物认证系统之间的一个很好的折衷,因为它们需要高度的用户合作。本文综述了眼周生物特征识别技术的研究现状,并对眼周生物特征识别技术的应用、眼周生物特征识别技术及其与虹膜的融合、眼周生物特征识别技术在智能手机身份认证中的应用以及眼周生物特征识别技术在软生物特征识别中的作用等方面进行了深入的探讨,并对眼周生物特征识别技术的未来研究方向进行了展望。©2019作者(S)。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。内容1.导言. 10872.眼周生物测定系统10872.1.图像采集10882.2.图像预处理10882.3.感兴趣区域(ROI)提取10882.4.特征提取10892.4.1.全局特征描述符10892.4.2.局部特征描述符10902.5.特征匹配10903.眼周作为一个独立的模态10904.眼周生物特征及其与虹膜生物特征5.智能手机认证中的眼周生物识别技术10936.软生物特征分类中的眼周生物特征10937.特殊场景1094中的眼周生物测定7.1.年龄不变的人脸识别10947.2.医学上的改变10947.2.1.整形手术前后的面部图像10947.2.2.整形手术前后获得的眼周图像10947.2.3.白内障手术前后获得的眼周图像*通讯作者。电子邮件地址:seeja@igdtuw.ac.in(K.R. Seeja)。1Orcid ID:0000-0001-8144-7573。2Orcid ID:0000-0001-6618-6758。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2019.06.0031319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comP. K.R.库马里Seeja/ Journal of King Saud University10877.2.4.性别转换前后的人脸图像10947.3.仅使用眼周特征产生全脸幻觉10948.2018年有什么新鲜事?................................................................................................................................................................................................................................ 10949.未来工程109510.结论1095竞争利益声明参考文献10951. 介绍生物识别是一种自动化的过程,用于通过测量人类的行为和生理特征来识别人类。生物测量系统通常用于验证(1:1匹配)或识别(1:N匹配)(图1)。①的人。基于文献,在不同的生物特征如指纹、耳朵、巩膜、视网膜、面部等中,眼睛和面部生物测定是最流行的。但是,他们两个都有自己的缺点。眼睛生物识别(使用虹膜)需要大量的用户合作和良好的摄像机间隔距离来捕获图像,而面部生物识别通常会失败,如果捕获的面部图像正在遭受A-PIE(老化,姿势,照明和表达)的挑战。为了解决这些问题,研究者们提出利用眼周区域进行识别。眼周区域的特征如图所示。二、Park等人(2009)是第一个分析眼周区域作为生物特征的可行性的研究人员。在该研究一年后,Hollingsworth等人(2010,2012)进行了一项实验,其中他们创建了GUI以向人类志愿者呈现一对眼睛图像,并要求他们分析眼周特征以找出这对眼睛是否属于同一个人。根据志愿者的反应,他们对最常用于确定反应的特征进行了排名。从最有帮助到最没有帮助的特征的排名是1)眼睫毛2)泪管3)眼睛形状4)眼睑5)眉毛6)外角和7)皮肤。然而,Smereka和Kumar(2013)观察到,对于NIR光谱图像,眼睛形状和可见光谱图像,眉毛的形状是最具区别性的特征。眼周区域在软生物特征分类和医学上改变的面部图像(在性别转换过程之前和之后捕获的图二. 眼周区域的特征。信息、手术改变的面部的识别以及在白内障手术之前和之后捕获的人类受试者的图像)。这种生物特征的优点在于,它需要非常低的用户合作,这使得眼周区域对于安全、监视应用和面部被部分遮挡的情况是有趣的,如图11所示。3.第三章。本文提供了对眼周生物识别现有文献(从2009年到2018年)的最新调查。这项工作也可以被认为是Alonso-Fernandez和Bigun(2016)在Pattern recognition Letters上发 表的 题为 “A survey on periocularbiometrics research”的论文的扩展2. 眼周生物测量系统眼周生物识别系统由五个模块组成,如图所示。 四、Fig. 1.用于识别和验证的生物识别系统。1088P. K.R.库马里Seeja/ Journal of King Saud University××图三. 眼周生物测定有用的示例图像。见图4。 眼周生物计量系统的模块。2.1. 图像采集在图像采集模块中,可以使用相机或一些输入传感器捕获图像以创建图像数据库。研究人员可以使用他们自己的专有图像数据库或基准数据库(由不同组织创建和发布,在线)进行研究工作。文献中使用的专有数据库和基准数据库的详细信息分别见表1和表2。表1专有数据库。2.2. 图像预处理该模块的主要目的是增强图像,以便从中提取有用的特征 存在可用于预处理的各种技术,诸如用于对比度增强的直方图均衡化(Karahan等人,2014年)。该方法从图像直方图中提取最频繁的亮度值,并在此基础上调整图像的全局对比度多尺度retinex(MSR)算法(Juefei-Xu和Savvides,2014)是单尺度retinex算法的后续算法,其使用不同大小的多于一个平滑核的组合输出作为用于处理不同照明条件的中心-环绕图像滤波器。参考捕获器械编号受试者#图像2.3. 感兴趣区域(ROI)提取Park等人(二零零九年)Hollingsworth等人(二零一零年)佳能(Canon)EOS 5D MarkII套机LG 2200摄像机120 240目前还没有一个标准的程序可以用来定义眼周ROI的最佳尺寸。一些研究人员(Mahalingam等人2014; Park等人2 0 0 9 年; Tan和Kumar,2012年)认为Raja等人等(2017)Merkow等(二零一零年)三星Galaxy S5 Note 10.1图像是从Flickr检索使用网络爬虫32 2880936 936以虹膜中心为参考点,计算ROI宽度= 6虹膜半径,高度= 4虹膜半径。Padole和Proenca(2012)提出使用眼角作为参考点来计算ROI,因为它们受注视、姿势变化和遮挡的影响最小Algashaam等人(2017)研究了眼周窗口的大小对识别准确性的影响,并发现窗口太大可能会考虑无价值的特征,而窗口太小可能不包括一些有用的特征。以perioc为例*NIR:近红外光谱,VL:可见光光谱。表2基准数据库(眼周图像数据库)。从人脸图像中提取的视觉感兴趣区域如图5所示。数据库名称#主题#图像参考/下载CSIP(交叉传感器虹膜和眼周数据集)CMPD(白内障移动眼周数据库)50 2004http://csip.di.ubi.pt2442380Keshari等人(2016年)图五. (a)包括左眼区域和右眼区域的眼周区域。(b)具有单独的左眼区域和右眼区域的眼周区域。(2014年a)霍林斯沃思Nexus 7LG 2200 EOU相机210420等人(2012年)Raja等人&使用NIKON D80 CCD相机拍摄的三星Galaxy S57810,360(2015年)斯托克内斯Note 10.1三星Galaxy S5手机941095FOCS(面部和眼部挑战系列)4379307https://www.nist.gov/programms-projects/face-and-IIITD多光谱621240眼科挑战系列-FOCShttp://www.iabrubric.org/数据库SAPID(外科手术201402resources/impdatabase.htmlhttp://www.nislab.no/改变的眼周图像数据库)UBIPr(University of34410,252生物测定实验室/ntnu sapiddbhttp://socia-lab.di.ubi.pt/~ubipr/贝拉内政部)P. K.R.库马里Seeja/ Journal of King Saud University1089Bakshi等人(2013)建立了一种基于人体测量中不同面部成分的标准比例提取ROI的方法(Ramanathan和Wechsler,2010)。面组成部分与面宽和面高之比的比例如图所示。 六、以虹膜为参考点,他们用以下公式分析(Oh等人,2012)和线性判别分析(Joshi等人, 2014)可以应用于特征集的优化。2.4.1. 全局特征描述符全局特征描述符将整个图像视为单个向量,并且对于特征提取,它们通常对图像的所有像素应用相同的规则眼周宽度1/4宽眉毛高工作面电话:+86-21-6777777ð1Þ2.4.1.1. 基于纹理的特征描述符。纹理不过是具有规则间隔的重复图案一般来说,他们指的是眼周高度 ¼2 ×距离眉毛;眼中心¼2 ×。0: 210: 07宽脸ð2Þ物体的密度、排列和比例它的基本部分。由纹理创建的特征描述符图像的特征被称为基于纹理的特征描述符。2 2宽面22.4. 特征提取特征是可用于区分输入模式类别的独特属性。特征描述符可以如图7所示进行分类。在特征提取之后,不同的降维技术,如主成分,在文献中,研究人员使用不同的基于纹理的特征描述符,诸如二进制统计图像特征(BSIF)(Raja等人,2014 b)、局部二进制模式(LBP)(Mahalingam et al., 2014)和Leung Malik Filters(Tan等人, 2013年)。BSIF利用独立分量分析建立图像的子空间,然后将每个像素点投影到同一子空间上生成二进制编码。局部二值模式可以通过将图像中所考虑的窗口的中心像素的值与其相邻像素的值进行顺时针或逆时针比较图六、人体测量中不同面部组成部分相对于面部高度和宽度的比例¼0:49×1090P. K.R.库马里Seeja/ Journal of King Saud University见图7。特征描述符的分类。方向和Leung Malik滤波器包含总共48个滤波器- 2个在6个方向和3个尺度的高斯导数滤波器,8个高斯拉普拉斯滤波器和4个高斯滤波器。基于文献,局部二值模式及其变体是眼周生物识别领域中最流行的特征描述符2.4.1.2. 基于颜色的特征描述符。颜色是物体的属性,由于物体发出的光而可以可视化Woodard等人(2010 a)将RGB图像转换到不同的颜色空间(色调,饱和度,值)并计算其直方图以导出基于颜色的特征描述符。2.4.1.3. 基于形状的特征描述符。形状特征通常通过物体的外部边界来分析。在眼周区域图像中,从眼睑的形状提取的特征(Proenca et.例如,2014)眉毛的形状(Le等人,2014)属于基于形状的特征描述符的类别。2.4.2. 局部特征描述子与全局特征描述符不同,局部特征描述符考虑图像中的关键点集,然后提取这些关键点周围的特征以创建局部描述符。局部特征描述符的一些众所周知的示例是相位密集局部模式(Bakshi等人, 2015),对称性评估,由Fea-方差)和Zernike矩从图像,以减少影响姿势和表情的变化。LBPV通过提取局部对比度信息实现旋转不变特征,而Zernike矩的正交性使其成为形状分类的理想特征描述子。Cho等人(2017)关注眼睛旋转的影响,并声称在应用任何特征描述符之前将输入图像的像素从直角坐标映射到极坐标可以减少眼睛旋转的影响。为了处理像眼周图像中的遮挡和模糊这样的失真,Moreno等人,(2016)描述了一种新的重新加权弹性网络模型。该模型首先将输入的图像数据分离为几何和颜色空间分量,然后通过贝叶斯融合方案获得图像的稀疏表示以用于分类目的。为了提高眼周系统的识别精度,一组研究人员实现了集成特征描述符的思想,通过组合两个或多个特征描述符。他们的方法总结见表3。表3眼周作为具有集成特征描述符的独立模态的总结。出版物特征提取技术性能真扩展(Alonso-Fernedez等人,2015)加速鲁棒特征(Raja等人,2015)和尺度不变特征变换(Ahuja等人, 2016年)。Woodard等人(2010年a)LBP以提取肤色纹理为基础特征描述符FRGC:91%(R1)MBGC:84%(R1)2.5. 特征匹配特征匹配模块的目标是匹配探头sam-Xu等人(2010)DWT LBPFRGC组合:53.2%(R1)Bhardwaj等人GIST循环LBP UBIRISv2的组合:(2010)73.65%(R1)与画廊样本,以产生匹配的分数。用于匹配的距离度量的几个示例是Bhattacharya距离(Woodard等人,2010b)、汉明距离(Oh等人,2014)、I-Divergence度量(Cao和Schmid,2014)和欧几里得距离(Ambika等人, 2016年)。GangwarandJoshi(2014)LPQ Gabor幅度描述子与DLDA的组合MBGC:0.20%(EER)G.技术:0.25%(EER)PUT:0.11%(EER)加州理工学院:0.14%(EER)3. 眼周作为一种独立方式Park等人(2009)首次分析了眼周区域作为独立生物特征的可行性。公园(Park)例如,2011),他们评估了关于眼周区域的一些重要事实,并发现眉毛是最具区别性的特征,并且姿势变化、面部遮挡、模板老化、虹膜和眼睛区域的掩蔽是一些性能降级因素。Oh等人(2012)也支持上述事实,并声称眉毛的形状是眼周的主要特征之一。Bakshi等人(2015年)Nie等人(2014年)Karahan等人(2014年)PILP HOGBATH组合:100%(R1)CASIA v3:100%(R1)UBIRIsv2:87%(R1)FERET:85%(R1)CRBM DSIFTUBIPr组合:50.1%(R1)SIFT SURFFERET联合用药:96.8%(R1)区域和虹膜区域的掩蔽(即虹膜特征的隐藏)会降低眼周生物测定系统的性能。考虑到上述关于退化因子的事实,为了提高识别精度,研究人员提出了一些新的解决方案。Ambika等人(2017)建议融合LBPV(LocalBinary Pattern)提取的纹理和形状信息* LBP:本地二进制模式,R1:等级1识别率,DWT:离散小波变换,LPQ:局部相位量化,DLDA:离散线性判别分析,EER:等错误率,PILP:相位密集局部模式,HOG:方向性直方图,CRBM:卷积限制玻尔兹曼机,DSIFT:密集尺度不变特征变换,SURF:加速鲁棒特征,SIFT :尺度不变特征变换。加州理工学院数据库(Michael Fink ,2019),MBGC数据库:多重生物识别大挑战数据库(Phillips等人, 2009年)。P. K.R.库马里Seeja/ Journal of King Saud University1091Juefei-Xu等人(2014)探索了不同形式的离散反式编码LBP(DT-LBP)特征,并观察到一个有趣的事实,即如果只有40%的完整面部可见,则基于DT-LBP的周期表4眼周生物测定作为独立模式的方法总结。出版物特征提取技术性能视觉系统比面部生物测定认证系统性能更好。Bhardwaj等人(2010年)研究了摄像机间隔距离对眼周生物识别性能的影响,发现6 m至7 m是捕获眼周区域图像的理想距离。Gangwar和Joshi(2014)采用局部相位量化(LPQ)和Gabor幅度描述符的组合进行fea。Park等人(二零零九年)Park等人(2011年)Miller等(2010年a)SIFT、HOG LBP专有组合:77%(R1)SIFT、HOG LBP组合FRGC:87.32%(R1)LBP提取皮肤纹理FRGC:89.76%(R1)FERET:74.07%(R1)真实提取以证明眼周生物测定中相位描述符(对模糊和均匀照明不变)的有效性。Bakshi等人(2014)也声称相位信息的有用性,并提出了一种称为相位密集全局模式(PIGP)的全局特征描述符。PIGP依赖于相邻像素的强度相对于不同相位的变化。作为他们工作的扩展(Bakshi等人, 2015年,他提出了一个想法,安比卡等al.(2017年)LBPV Zernike矩的组合UBIPr:97.8%(R1)UBIrisv2:85%(R1)CMU放大器:99.1(R1)斗鸡眼:87.8%(R1)使用图像关键点的相位信息创建局部描述符,而不是使用称为相位密集的全局描述符Cho等人(2017年)LBP CASIA-Irisv4:10.0172(EER)本地模式(PILP)。为了在不影响眼周系统识别精度的前提下降低特征向量的维数,AdamsAdams等人(二零一零年)LBP用于特征提取,GEFE用于特征优化FRGC:89.76%(R1)FERET:85.06%(R1)等人(2010)和Dozier等人(2011)发明了一种基于遗传和进化计算的特征优化技术,称为遗传进化特征提取方法(GEFE)。他们将GEFE应用于LBP特征向量进行优化,并观察到与FRGC上的原始LBP特征向量相比,优化的特征集实现了更高的识别率(Phillips等人,2005)和FERET(Phillips等人,1997)数据库。Uzair等人(2013年,2015年)将眼周生物特征描述为图像集(人的右眼被镜像并与左眼组合)分类问题。他们实施了四种特征提取和六种最先进的图像集分类技术,第50集9.6TheFighting(2012)Bakshi等人(2014年)Zhao等人(2017年)Walsh Hadamard LBP FRGC:60.7%(VR)PIGP FERET:82.86%SCNN FRGC:91.13%(R1)FOCS:96.93%(R1)UBIPr:82.43%(R1)CASIAv4:98.9%(R1)尼克。通过应用两种类型的融合,一种在特征级,另一种在分类器级,他们观察到了基于图像集的折衷。乐等.(2014)通过快速图形切割的眉毛形状眉毛分割技术MBGC:76%(IR)AR:85%(IR)方法取得了较高的识别率,但在计算时间方面非常昂贵。为了解决这个问题,他们使用PCA和LDA特征优化算法来优化特征,从而减少计算时间。眼周作为独立模式的方法总结见表4。Smereka等人(2016)在图像上应用了一种无监督的补丁选择方法,以找出最佳区分区域。为此,首先将图像划分为网格并找出初始补丁相似性(使用相关滤波器)然后标记具有差的区域。Joshi等人(2014年)Ambika等人(2016年)Gabor滤波器用于特征提取,DLDA用于特征优化,Parzan概率神经网络用于匹配Laplace-Beltrami算子提取几何信息MBGC:75.8%(R1)GTECH:89.2%(R1)IITK:67.6%(R1)PUT:89.7%(R1)CASIA 3D-FV1:97%(R1)匹配分数,并将这些块与它们的邻域组合以获得新的块,以提高1:1图像匹配精度的性能。Zhao等人(2017)开发了一种语义辅助卷积神经网络。这个概念是在现有的CNN中添加一些额外的CNN分支(使用性别和种族等语义信息进行训练)。在生物特征识别中,不同光谱图像的匹配本身就是一项具有挑战性的任务。基于眼周区域的生物识别系统为图像的交叉光谱匹配提供了显著的结果,如表5中所总结的。基于眼周区域的系统在不同数据库上获得的最佳准确度如表6所示。Mikaelyan等人(2014年)Smereka等人(2016年)SAFE BioSec:2.16%(EER)MobBio:11.11%(EER)相关滤波器FOCS:57.90%(L):57.95%(R)UBIPr:84.14%(L):78.59%(R)FRGC:97.01%(L):97.36%(R)BDCP:59.76%(L):53.16%(R)4. 眼周生物特征及其与虹膜生物特征的融合由于眼周区域图像自动由虹膜和巩膜图像组成,研究人员发现虹膜和眼周区域图像的融合可以显著提高识别精度。1092P. K.R.库马里Seeja/ Journal of King Saud University* SIFT:尺度不变特征变换,HOG:定向特征的直方图,LBP:局部二进制模式,R1:秩1识别率,LBPV:局部二进制模式方差,EER:相等错误率,GEFE:遗传评估和特征提取,VR:验证率,PIGP:相位密集全局模式,SCNN:语义辅助卷积神经网络,IR:识别率,DLDA:离散线性判别分析,SAFE:通过特征扩展的对称性评估,L:左眼 , R : 右 眼 。 GTECH 人 脸 数 据 库 ( Ara V.Nefian , 1999 ) 、 AR 人 脸 数 据 库(Martinez,A. R., 贝纳文特河2019年)。P. K.R.库马里Seeja/ Journal of King Saud University1093表5交叉光谱匹配中的眼周生物测定。出版物特征提取技术性能表7眼周生物特征识别及其与虹膜融合方法综述出版物特征提取技术性能Sharma等人(2014年)Pyramid HOG夜视可见度:71.93%(VR)夜视到近红外:48.21%(VR)可见近红外:47.08%(VR)Woodard等人(2010年b)用于虹膜的2D Gabor滤波器MBGC数据集左眼:96.5%(R1)右眼:92.4%(R1)Cao和Schmid(2014)Cao和Schmid(2014)Gabor LBP Gabor WeberGabor LBP、WLD HOGSWIR至可见光谱:0.75%(GAR)NIR至可见光谱:0.44%(GAR)MWIR至可见光谱0.35%(GAR)SWIR至可见光谱:93.88%(GAR)近红外至可见光:98.05%(GAR)Santos和Hoyle(2012)Tan等人(2012年)Joshi等人(2012年)虹膜的小波,眼周区域的LBPSIFTLogGabor虹膜滤波器与Leung-Mallik滤波器结合的眼周SIFT滤波器虹膜的DWT和眼周的LBP,然后DLDA用于特征优化UBIRIS v2数据集EER:18.48%累计累计:74.3%CASIA v4数据集84.5%(R1)UBIRISv2和CASIA虹膜数据集96%(IDR)MWIR至可见光42.39%(GAR)Raghavendra等人(二零一三年)虹膜和眼周的LBP SRC专利:81%(EER)LWIR至可见光:5.78%(GAR)* HOG:定向成分直方图,VR:验证率,NIR:近红外光谱,LBP:局部二元模式,SWIR:短波红外光谱,MWIR:中波红外光谱,GAR:真实接受率,LWIR:长波红外光谱,WLD:韦伯局部描述符.阿隆-Fernendez等人(2015年)1D Log Gabor滤波器,虹膜和Gabor特征的DCT SIFT,眼周的SAFE SIFTBioSec:0.75%(EER)CASIA:0.51%用于眼周生物测定及其与虹膜的融合的方法的总结在表7中示出。而不是融合虹膜与眼周,哦等。(2014)提出了将巩膜与眼周融合的想法。 为此,他们首先实现了多分辨率LBP和2D结构化随机投影方法,分别用于从巩膜和眼周区域提取特征,然后通过极端学习机对从UBIris v1捕获的图像应用评分水平融合(Proenca等人,2010)数据库,获得了3.25%的EER。他们还观察到,巩膜的水平特征与垂直特征相比在识别方面具有更好的性能为了实现更好的ROI,Proenca(2014)提出了一种图像标记算法(基于马尔可夫随机场),用于分割和标记眼周区域的组成部分,如睫毛、虹膜、巩膜。他们进一步扩展了他们的工作,并将虹膜(强专家)和眼周区域的特征(弱专家)作为一个独立的组成部分。虹膜特征提取采用多瓣差分滤波器(MLDF),眼周特征提取采用LBP和Gabor滤波器.通过在分数水平上融合两者,与其他现有技术相比,它们获得了更好的准确性,并证明将两种不同的模态视为独立的分量也可以提高识别准确性。Boddeti等人(2011)比较了虹膜和眼部生物识别的识别准确性。首先他们探测虹膜中心,*R1:等级1识别率,EER:等错误率,LBP:局部二进制模式,SIFT:尺度不变特征变换,DLDA:维度线性判别分析,SRC:稀疏表示分类器,NGC:归一化梯度相关,JDSR:基于联合字典的稀疏表示,DCT:离散余弦变换,DWT:离散小波变换,IDR:识别率,SAFE:通过特征扩展的对称性评估。MICHE II数据库(Castrilla-Santana等人,2 0 1 6 年a)。然后计算虹膜的二进制编码和眼部的基于块的融合相关滤波器作为特征描述符。以贝叶斯图模型作为匹配器,他们观察到,对于FOCS数据集,眼部生物特征比虹膜获得更好的EER。对于图像的交叉光谱匹配,Jillela和Ross(2014)将在可见光谱中捕获的眼周图像与在NIR光谱中捕获的虹膜图像进行匹配。虹膜特征由VERIEYE软件提取,眼周特征由LBP、归一化梯度相关和基于联合字典的稀疏表示创建。在融合所有这些特征后,它们获得了近50%的匹配精度,这表明在这方面需要进一步的工作。Alonso-Fernendez等人(2015)还比较了不同光谱的虹膜和眼周模态,并观察到虹膜匹配器更适合NIR光谱图像,而眼周匹配器更适合可见光光谱表6迄今为止在不同数据库中获得的最佳准确度数据库名称最佳数据库性能数据库名称最佳数据库性能特征提取技术等级1识别准确度特征提取技术等级1识别准确度CASIA v3LBPV + Zernike矩100%的CSIPSIFT,LBP + HOG93.3CMUPILP100%的放DLDA + PPNN89.7MBGCLBP + PCA百分之九十九点八GTDBLPQ + DLDA89.2UBIPrLBP + PCA百分之九十九点七AR眉毛ASM76FRGCLBP98.3IITDPHOG + NN71.93FeretSIFT + SURF96.8IITKDLDA + PPNN67.6UBIRISv2LBP + DLDA94*LBVP:局部二进制模式方差,PILP:相位密集局部模式,LBP:局部二进制模式,PCA:主成分分析,SIFT:尺度不变特征变换,SURF:加速鲁棒特征,DLDA:维度线性判别分析,HOG:方向性直方图,PPNN:Parzen概率神经网络,LPQ:局部相位量化,ASM:主动形状模型,PHOG:方向性直方图,NN:神经网络。 CMU(FIA):CMUFace in Action数据库(Goh等人, 2005年)。(EER)IITD:0.38%(EER)MobBIO:6.75%Ahmed et. al.用于虹膜和多通道的1D Log-Gabor滤波器(EER)UBIris:15.17%(EER)MICHE II:1.22%(2017年)眼周阻滞过渡性LBP(EER)1094P. K.R.库马里Seeja/ Journal of King Saud University图像. 他们还指出,两种方式的融合总是会导致业绩的改善。5. 智能手机身份认证中的眼周生物特征如表8所示,眼周生物识别技术在智能手机认证中也发挥了重要作用。Ahuja等人(2016)提出了用于智能手机上的用户认证的两步机器学习算法。在算法的第一阶段,他们使用从局部眼睛区域提取的SURF特征训练了一个多项式朴素贝叶斯分类器,并获得了64.96%的准确率。而在第二阶段,他们从第一阶段创建了一个顶部k%特征的金字塔,并实现了Dense SIFT算法用于最近邻匹配。他们获得了79.49%的准确性,与其他最先进的技术相比,最高。 他们还探讨了深度学习对智能手机身份验证的影响(Ahuja等人,2017)在眼周生物测定中。使用与Ahuja等人(2016)相同的设置,他们提出了一种基于监督和无监督卷积的模型与ROOT Sift的组合进行识别,并获得了99.5%的准确率,这表明了上述方法在现实生活中的潜力。Bakshi等人(2018)证明了相位密集局部模式(PILP)在智能手机生物识别中使用Reduced-PILP的有效性。为了减少特征集,他们安排了所有相位密集的局部模式(Bakshi et.例如,(2015)),并修剪最不重要的特征。在这个实验中,他们观察到最多减少20%的特征提供了与整个特征集相同的准确性,但将匹配时间加快了1.56倍。6. 软生物特征分类软生物特征包括多个生物特征,如性别、种族、民族、年龄、身高和体重,这些特征对于一个人来说不是唯一的,但可以支持用于识别和验证的其他生物特征,并且可以提高任何生物特征系统的识别精度。在文献中,眼周生物特征主要用于性别、种族和人种分类,SVM作为分类器被认为是软生物特征分类的良好选择。表9概述了软生物特征分类中眼周生物特征的性能。Chen等人(2017)使用眼周区域图像进行了种族分类实验。他们专注于将东亚人与高加索人(反之亦然)分类,并使用五个局部特征:1)泪管区域的纹理,2)上眼睑和眉毛之间区域的纹理,3)虹膜的颜色,4)内眼角上部区域的强度,以及5)上眼睑和眉毛之间的距离。在提取局部特征时,先用STASM方法进行自动地标检测,再用LBP方法进行纹理特征提取,用KNN分类器获得了97.45%的种族分类准确率。对于同性别图像的识别率为98.15%,戴眼镜时的识别率为93.4%。7. 特殊场景下的眼周生物识别7.1. 年龄不变人脸识别Juefei-Xu等人(2011)进行了一项实验,以分析眼周区域在年龄不变人脸识别中的可行性。他们使用了FG-NET(Yanwei,2019)数据集,其中包含年龄范围从0到69的图像。用于姿态校正和照明表8智能手机认证中的眼周生物识别方法综述表9软生物特征分类中的眼周生物特征识别方法综述出版物特征提取技术性能桑托斯等al.LBP、HOG SIFT CSIP组合:0.145%(EER)出版物特征提取技术性能(2015年)Lyle等人LBP、LIBSVM软件FRGC数据集Raja等人(2014年b)Raja等人(2014年a)用于特征提取和SRC的BSIF分类SIFT、SURF和BSIF独立专利:0.61%(EER)专有:89.38%(GMR)@0.01%FMR(二零一零年)Merkow等人用于特征提取和LDA的LBP性别:93%(R1)种族:91%(R1)专有Raja等人SIFT、SURF、BSIF独立使用BSIFVISOB:89.96%(GMR)@(二零一零年)使用PCA进行维度分析减少数据集性别:85%(R1)(2015年)然后加权评分融合0.01% FMR董和基于眉毛形状的特征,性别Raja等人深度稀疏滤波器VISOB 97.56%(GMR)WoodardSVM分类MBGC:96%(R1)(2016年a)Ahuja等人SURF和Dense SIFT算法@0.001 FMR。VISOB数据集(2011年)Kumari等人卷积神经网络FRGC:97%(R1)FERET数据集(2016年)三星L:64.18%R:68.22%(R1)苹果(2012年)Castrivet-技术:BPNN和RBFNNFHOG、FLBP HSHOG组合性别RBFN BPNN:90%(R1)GROUPS数据集L:71.05% R:70.13%(R1)桑塔纳等人用于特征提取和SVM,RBF核分类性别:92.46%(R1)OppoL:78.51%(2016年b)Chen等人LBP用于特征提取,STASM用于组成OFD-Ahuja等人基于卷积的深度学习回收率:79.49%(R1)MICHEII:0.053%(EER)(2017年)地标检测,KNN分类器FERET数据集种族:97.45%(R1)(2017年)Stokkenes等人方法BSIFVISOB:99.5%(TPR)专有1.3444%(EER)Rattani等人(2017年)HOG多层感知器VISOB数据集性别三星:89.10%(2017年)Bakshi et. al.约化相位密集局部水浴:100%(R1)(R1)OPPO:90.10%(R1)(2018年)图案CASIA:100%(R1)UBIRIS:86.43%(R1)iPhone:90.20%(R1)FERET:85.64%(R1)*R1:秩1识别率,LBP:局部二进制模式,LDA:线性判别*R1:等级1识别率,EER:相等错误率,GMR:真实匹配率,FMR:错误匹配率,LBP:局部二值模式,HOG:方向性直方图,SIFT:尺度不变特征变换,BSIF:二值统计图像特征,SRC:稀疏重建分类器,SURF:加速鲁棒特征,LPQ:局部相位量化,CSIP:交叉传感器虹膜&眼周数据集,TPR:真阳性率,VISOB:可见光移动眼部生物识别数据集。分析,PCA:主成分分析,BPNN:反向传播神经网络,RBFNN:径向基函数神经网络,FHOG:具有面部图案的定向轮廓直方图,HSHOG:具有头部和肩部图案的定向轮廓直方图,HOG:定向轮廓直方图,SVM:支持向量机,RBF:径向基函数,STASM:统计主动形状模型,KNN:K最近邻。P. K.R.库马里Seeja/ Journal of King Saud University1095归一化,它们分别应用预先存在的主动外观模型和各向异性扩散模型。以Walsh- Hadamard变换编码的LBP为特征描述子,非监督判别投影(UDP)为子空间建模,在0.1%的误接受率下,获得了100%的秩1识别率和98%的验证率。7.2. 医学改变的图像7.2.1. 整形手术前后获得的面部图像Jillela和Ross(2012)开发了一种方法来匹配面部整形手术前后拍摄的图像。 使用Verilook和PitPatt软件提取人脸特征,眼部区域使用SIFT、LBP特征描述符。融合两种方式(面部和眼部)获得的分数后,他们获得了87.4%的rank1识别准确率,这是最高的整形外科数据库的现有文献中的其他报道的作品相比。7.2.2. 整形手术前后获得的眼周图像Raja等人(2016 b)检查了整形手术前后获得的图像的眼周生物指标性能眼睛附近的区域。他们创建了一个数据库SAPID数据库(详细信息见表2),应用了几个形状和纹理特征描述符,并获得了53.73%的秩1识别率。基于较低的识别准确性,他们得出结论,手术变化降低了眼周生物测量的性能,这一领域需要进一步研
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功