每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

通过高质量可见光谱虹膜图像捕捉实现基于智能手机的虹膜识别。V2

Created by
  • Haebom

作者

Naveenkumar G Venkataswamy、Yu Liu、Soumyabrata Dey、Stephanie Schuckers、Masudul H Imtiaz

大纲

本文探讨了基于智能手机的可见光 (VIS) 虹膜识别技术，该技术由于光照变化、虹膜颜色差异以及缺乏标准化的采集控制而面临挑战。本研究提出了一种紧凑的端到端流程，在采集过程中强制遵循 ISO/IEC 29794-6 质量标准，并演示了在常见设备上实现准确的 VIS 虹膜识别。我们使用一个自定义的 Android 应用程序展示了 CUVIRIS 数据集，该数据集包含来自 47 位受试者的 752 张符合标准的图像，该应用程序可执行实时取景、清晰度评估和反馈。为了实现高效的设备端处理，我们开发了一个基于 MobileNetV3 的轻量级多任务分区网络 (LightIrisNet)，并应用了一个适用于 VIS 领域的变换匹配器 (IrisFormer)。在标准化协议下，并以之前的 CNN 基线为基准，OSIRIS 在 FAR 为 0.01 的情况下实现了 97.9% 的 TAR（EER 为 0.76%），而 IrisFormer 尽管仅在 UBIRIS.v2 上进行训练，但在 CUVIRIS 上实现了 0.057% 的 EER。为了提高可重复性，我们发布了采集应用程序、训练好的模型以及数据集的公开子集。这些结果证实，标准化采集和适用于 VIS 的轻量级模型能够在智能手机上实现准确且实用的虹膜识别。

Takeaways，Limitations

•
Takeaways：
◦
通过标准化捕获和轻量级模型证明基于智能手机的准确 VIS 虹膜识别的可行性。
◦
通过公开 CUVIRIS 数据集，为研究的可重复性和进步做出贡献。
◦
通过公开一些获得的应用程序、训练模型和数据集来确保研究的透明度。
◦
使用 IrisFormer 模型在 VIS 领域实现高性能。
•
Limitations：
◦
缺少对基于MobileNetV3的LightIrisNet性能的具体提及。
◦
需要进一步分析IrisFormer模型的泛化性能。
◦
需要在各种智能手机型号和环境下进行性能验证。
◦
数据集大小和主题数量的限制。
👍
Made with Slashpage