在基准测试数据集上对虹膜细分的全面评估.

科学领域:

• 生物识别和模式识别技术
• 计算机视觉和图像分析
• 人工智能在安全方面的应用

背景情况:

• 虹膜识别是领先的生物识别模式,因为它的独特性和安全性.
• 精确的虹膜细分对于基于虹膜的可靠生物识别身份验证至关重要.
• 深度学习方法已经推进了虹膜细分,但缺乏开源资源阻碍了进步.

研究的目的:

• 综合审查可用的开源虹膜细分资源 (数据集,算法,工具).
• 与各种数据集对比最先进的虹膜细分算法.
• 识别研究缺口,促进虹膜细分的可重现性.

主要方法:

• 开发并对U-Net和U-Net++启发的三个细分算法进行了基准测试.
• 在大型复合数据集 (>45K样本) 上训练模型,使用1K手动细分的地面真实面罩.
• 在五个数据集中评估了11个最先进的算法,条件不同.

主要成果:

• 基准测试揭示了当前虹膜细分算法的优点和局限性.
• 在不同的传感器,环境和人口群体中,性能差异很大.
• 确定了改善细分精度和稳健性的关键领域.

结论:

• 开源资源的稀缺性是虹膜细分研究的一个重大挑战.
• 公开发布开发的数据集,算法和工具将促进未来的研究和开发.
• 标准化的基准测试对于推进基于虹膜的生物识别领域至关重要.