DeepIris: Learning pairwise filter bank for heterogeneous iris verification 2015年 Pattern Recognition Letters
DeepIris:學習用于異構虹膜驗證的成對濾波器組 作者有：孫哲南，譚鐵牛 2015年10月31日上線
Abstract：
異構虹膜識別(HIR)是大型身份管理系統的一個重要需求。在異質環境下采集的虹膜圖像存在較大的類內差異，如不同的分辨率或不同的傳感器光學特性等。因此，手工設計一個魯棒的編碼濾波器來面對復雜的異類虹膜圖像的類內變化是一個挑戰。本文提出了一種基于深度學習的異構虹膜驗證框架，即DeepIris，該框架基于卷積神經網絡，通過學習關系特征來度量對虹膜圖像之間的相似性。深度虹膜是虹膜識別的一種新方法，主要表現在兩個方面。(1) DeepIris學習了一個成對的濾波器組來建立異質虹膜圖像之間的關系，其中這一對濾波器從兩個異質源中學習。(2)與傳統解決方案中手工提取和特征匹配兩個獨立步驟不同，DeepIris通過不同來源的雙濾波器組(PFB)直接學習對虹膜圖像之間的非線性映射函數及其身份監督。因此，當給定新的訓練數據時，學習的一對濾波器能夠適應新的源。在Q-FIRE和CASIA交叉傳感器數據集上的大量實驗結果表明，與傳統方法相比，使用DeepIris的異構虹膜驗證的EER(等錯誤率)降低了90%。

Introduction
由于其獨特、復雜、穩定的虹膜紋理模式，被廣泛應用于個人識別。經過幾十年的研究，傳統的均勻可控條件下的虹膜識別技術得到了廣泛的研究。近年來，不受控制的虹膜識別越來越受到人們的關注。，跨不同域匹配虹膜圖像。它包括虹膜圖像捕獲在不同的分辨率或不同的傳感器等問題。在實際應用中，虹膜圖像通常來自不同的domains域。例如，近年來，虹膜圖像采集采用了近程和遠程虹膜傳感器，其中虹膜圖像以不同分辨率表示。低分辨率的虹膜圖像在遠距離或移動[14]時通常會丟失很多細節，而登記的虹膜圖像是在受控條件下以高分辨率捕獲的。有些虹膜系統只使用一家供應商的虹膜傳感器，但系統更新程序介紹不同版本的虹膜傳感器。具體來說，大規模的身份識別應用，如國家身份識別系統，通常使用不同供應商的傳感器來捕獲虹膜圖像。一些非均勻虹膜圖像如圖1所示。可見，不同區域的虹膜圖像在虹膜紋理細節上存在顯著差異。異質性虹膜圖像存在較大的類內變異，這對傳統的高性能虹膜識別系統提出了挑戰。國際生物測量組1認為異質虹膜識別的驗證性能顯著下降。這鼓勵研究人員提出更有效的算法來進行異構虹膜驗證。

圖一虹膜圖像捕獲的不同傳感器和在不同的距離。第一行和第二行是由不同傳感器捕獲的虹膜圖像。第一行圖像由ikemb1 - 10采集，第二行圖像由Iris Guard H100采集。在前兩行中，同一列的圖像屬于同一主題。第三行和第四行是不同距離采集的虹膜圖像。第三行在5英尺處采集圖像，第四行在11英尺處采集圖像。最后兩行同一列的圖像屬于同一受試者。
（三四行的圖片咋看著像放大的呢？）

現有的虹膜異質驗證方法主要是為了彌補虹膜異質圖像之間的差距，通常采用基于像素級、特征級和編碼級的三種方法。圖像增強是最直觀的基于像素的異構虹膜匹配解決方案。該方法試圖通過[15]再檢測、[17]預測等方法，從不同來源提取相似的視覺外觀。然而，這些解決方案主要關注的是視覺效果，而不是識別精度。特征和編碼方法則是在第一步從異質源中提取相同的特征。提出了一種碼級信息融合[12]，以提高不同分辨率虹膜編碼的相似度。其他文獻[19,20]提取了這兩種傳感器不變的特征。這些方法對異種虹膜圖像采用相同的濾波模板進行特征提取。特別地，完全相同的濾波器不是為不同的域而設計的，這可能是不合適的從不同的來源來過濾圖像。而自動學習的過濾器考慮到源的差異，可能會導致更好的驗證性能。
在本研究中，我們提出了一個通用的深度學習模型——DeepIris來解決異質性虹膜匹配問題。DeepIris旨在學習基于卷積神經網絡(CNNs)的虹膜對之間的關系濾波器。通過對虹膜圖像的兩兩濾波得到的關系特征能夠測量虹膜圖像之間局部區域的擬合性。deepiris通過神經網絡自動學習輸入異質虹膜圖像對與輸出標簽之間的非線性映射函數。我們的方法不同于傳統的虹膜特征提取和特征匹配兩個獨立的步驟，在這兩個步驟中，對特征學習的監督被充分利用。這個模型的貢獻有三方面。
1：本研究是首次嘗試使用深度學習方法解決虹膜驗證問題。實驗結果表明，在Q-Fire和CASIA兩個虹膜圖像數據庫上，異構虹膜驗證的等錯誤率比傳統方法降低了90%。
2：相關的濾波器是通過考慮領域差異來學習的。與傳統方法相反，異類源由源特定的過濾器處理，即要考慮到來源的特殊性。
3：該模型是一種針對非匹配性虹膜匹配的端到端解決方案，自動學習自適應于異構源的關系濾波器，而不是手工制作。
本文的其余部分組織如下。第2節回顧了之前的工作。第3節描述了提出的模型。實驗結果和分析見第4節。最后，我們在第5節對本文進行了總結
2. Related work
交叉分辨率虹膜驗證的目的是匹配低分辨率探針虹膜圖像和高分辨率在登記階段捕獲。與高分辨率虹膜圖像相比，低分辨率虹膜圖像通常缺乏大量的紋理信息。為了提高低分辨率虹膜圖像與高分辨率虹膜圖像的匹配精度，一種直接的方法是對低分辨率虹膜圖像進行超分辨，從而得到與之對應的高分辨率圖像，即超分辨。例如，通過預處理[17]或加權平均[15]，可以提高低分辨率虹膜圖像的質量。然而，這些方法都是為了提高虹膜圖像的視覺效果，而不是提高不同分辨率下虹膜圖像的驗證精度。
由于像素級重建的不穩定性，[16]和[12]傾向于在更高的像素級上運行，從而獲得更高的精度。其中，[16]在特征層融合了多個Gabor濾波后的低分辨率虹膜圖像，[12]使用了一組低分辨率虹膜圖像的二值特征碼。但當虹膜圖像沒有足夠的低分辨率圖像進行融合或編碼時，這些方法仍然存在問題。（多特征融合也會出現問題）
近年來，利用度量學習提高了低分辨率匹配的準確性[2,3,21]。例如，提出了一種新的馬氏度學習算法[13]，通過縮放和旋轉特征空間，在碼級上學習低分辨率和高分辨率虹膜圖像之間的度量距離。學習的度量距離顯示出很強的泛化能力來分離交叉分辨率的數據。這種方法忽略了源的不同，只使用一個手工制作的順序濾波器，即采用完全相同的濾片對交叉分辨率的虹膜圖像進行濾除，可能導致精度降低。此外，他們在沒有進行特征選擇的情況下對所提供的特征空間進行了修改，在這種情況下，一些帶有噪聲的特征會嚴重影響最終的性能。
除了交叉分辨率匹配，另一個密切相關的問題是交叉傳感器虹膜匹配。不同傳感器采集的虹膜圖像[4]分布不同，容易降低匹配精度[1,5,6]。[5,6]建立并研究了第一個跨傳感器虹膜數據集。他們得出的結論是，總體精度受到所選算法和攝像機的影響。在[1]中，Au- thors提出了一個框架，該框架首先對源相機進行預測，然后應用選擇性增強算法來實現更好的性能。這些方法的好處是每個源都有選擇地進行預處理。然后，介紹了選擇有效的跨傳感器特征的特征層次方法。例如，學習了cou- pled dictionary[19]用于特征提取，提出了大邊緣特征選擇方法[20]用于跨傳感器虹膜驗證。然而，這些特性級方法常常受到篩選池的限制，即使它已經過于完整。此外，所有的特征選擇方法都對相同模板的交叉傳感器虹膜圖像進行濾波，忽略了不同傳感器的影響。此外，訓練階段的計算代價非常棘手[19,20]。即使給定一個大的訓練數據集，他們也不能充分利用大尺度的數據。
3. Methods
虹膜驗證的目的是確定輸入的虹膜圖像對是否屬于同一主體，這實際上是一個二值分類任務。為了解決這個問題，我們提出了一個新的框架，即DeepIris，其架構如圖2所示。接下來，我們將從虹膜圖像的預處理、兩兩濾波層的構建、算法實現以及評分級融合等方面詳細闡述該框架。

圖二：所提方法的架構。rnorm表示歸一化層。池被表示為最大池層。神經元的數目被標記在層的旁邊。
3.1. Iris image preprocessing
如圖3所示，虹膜圖像的預處理包括了降噪步驟。(1)從原始虹膜圖像中提取虹膜紋理區域。(2)將虹膜環狀區域轉化為未包裹的或矩形的虹膜圖像，通常稱為虹膜nor- malization。然后我們緊跟[9]中的預處理方法，將歸一化虹膜圖像向下采樣到10 0×10 0。下采樣過程可以在一定程度上防止過擬合，因為原始虹膜圖像較大，大大增加了參數，容易導致過擬合。(3)然后用整個訓練數據集計算出的平均灰度值減去每個像素。這一步的目的是重新調整所有數據，使其能量為零。實驗結果表明，不同的預處理策略對性能有顯著影響。

圖三：虹膜圖像預處理。(a)虹膜局部圖像。(b)歸一化虹膜圖像。?在訓練數據中計算得到的平均灰度圖像。(d)預處理后的虹膜圖像，每像素處減去平均灰度圖像
3.2. Pairwise filter layer （FL層 看圖2）
現有的算法在處理異質虹膜圖像時，通常使用相同的濾波模板從不同來源提取特征。這可能是次優的，因為特征外沒有考慮不同來源之間的分布差異。事實上，為異種虹膜驗證設計魯棒濾波器的研究很少。由于交叉分辨率、交叉傳感器、光照、頭部姿態、注視等因素引起的復雜變化，很難進行魯棒濾波器的自主設計。因此，我們決定自適應地學習基于卷積神經網絡的源特定濾波器。
PFL層圖像為輸入，PFL層中的一對濾波器如圖4所示。這種兩兩濾波器對輸入圖像進行卷積，并對它們的特征圖進行匯總，從而生成相似度圖。而在圖2的DeepIris架構中，**輸入的是兩張灰度歸一化的虹膜圖像，將其疊置成雙通道，而不是拼接成一張圖。**這就是成對的卷積運算濾波層表示為。

圖四：PFL的管道。將一對異質圖像輸入該層。兩種特征圖經過學習的pfL濾波后，歸納為相似度圖。相似度圖顯示了輸入對虹膜圖像之間的相似度，如圖6所示。
式中(x1, x2)為堆疊的輸入圖像對。yj是對(x1, x2)的第j次sim- ilarity映射。w1, j和w2, j分別是成對(x1, x2)的第j個成對濾波器。bj為對(x1, x2)的第j個相似度圖的偏差。?表示卷積操作。隱神經元采用ReLU非線性max (0, x)，其擬合能力優于[11]所述的s型函數。
圖五顯示了四個學習的成對過濾器。為了更好的說明，將一個濾光片對中的兩個濾光片一起描述。第一列中的兩幅圖表示該成對過濾器處理圖像的局部區域以不同的方式配對。對于第二列，雙濾鏡更有可能在每張圖上采用不同的分值，然后對兩張圖進行總結。圖6顯示了經過兩兩濾波處理后的相似度圖。相似度圖顯示虹膜圖像對的局部區域之間每個像素點的相似性。**反應越低(圖片中顏色越深)表明相似性越高。**第一行顯示了學科間的相似性圖，第二行顯示了學科內的相似性圖。正如我們所知道的，學科間相似圖對PFB(成對濾波器組)有強烈的響應，這導致在可視化中更加精確和顏色更淺。另一方面，當輸入對屬于類內被試時，相似度圖的響應較低(顏色越深，深藍色)，說明兩個輸入圖像之間的相似度越大。

圖6：特征圖由兩兩濾波器處理。第一行為學科間相似度圖，第二行為學科內相似度圖。相似度圖中像素的顏色表示虹膜圖像對的局部相似度。顏色越深(深藍色)表示反應越低。為了更好的視覺效果，圖像經過了增強。(為了解釋這個圖例中對顏色的引用，請參考本文的web版本)。
3.3. Architecture
該模型由9個層組成，包括一對層、卷積層、池化層、標準化層、局部層和全連接層。每一層的大小如圖2所示。對輸入的兩兩虹膜圖像進行歸一化和重塑，得到100×10 0的灰度圖像，如圖3所示。輸入的兩兩灰度圖像被準備為一個雙通道矩陣，通過第一卷積層的一組兩兩濾波器。在這個卷積層中有64對大小為5×5的濾波器。對邊界應用一個2像素的零填充，因此第一層之后的激活仍然是10 0×10 0。重疊空間pooling是對一個3×3的區域進行pooling，步長為2，因此這一層向下采樣圖像為50×50的一半大小。歸一化層對每個單元進行交叉映射歸一化。實驗結果表明，在網絡中增加兩層歸一化層可以提高性能。第二階段與第一階段相似，只是規范化層和池化層進行了交換。由于歸一化后的虹膜圖像具有一定的結構關系，即就像被遮擋的眼瞼通常位于同一區域一樣，局部圖層似乎能夠捕捉更多的局部信息。實驗還表明，通過添加局部層，提高了算法的精度。在第二階段之后，我們使用了兩個局部層，每個層包括64個大小為3×3、具有1像素填充的過濾器。最終的全連接接收25×25×64個神經元，并輸出對應于兩個給定標簽的兩個預值，即。， 0是類內對，1是類間對。整個框架如圖9所示，其中一個架構列表被設計為具有不同的配置和實現。
卷積層、局部層和全連接層都使用整正的線性單元[11]作為激活函數。首先，我們以0.001的大學習率訓練網絡，當評估集上的分類錯誤率停止下降時，將學習率降低10倍。我們通過實驗發現，即使訓練分類錯誤降低到幾乎為零，降低學習率仍然有助于降低測試集上的分類錯誤。
3.4. Score level fusion 分數級融合
由于頭部運動的影響，虹膜圖像存在旋轉差異。虹膜識別算法通常對未規整化的虹膜圖像進行幾個像素的翻譯，以尋找最優匹配。在這項工作中，歸一化虹膜圖像被翻譯在一個像素內糾正旋轉方差。對于一對虹膜圖像，分別歸一化為10 0×10 0像素，如圖3所示，分別標注為x1和x2。然后將每張圖像向左向右平移一個像素。因此X 1的三份拷貝(即。， x11, x12, x13)生成。同時，如果考慮訂單，則有兩種對，分別是x1 - x2和x2 - x1。最后，對兩幅圖像的每個輸入生成6對:X 11 -X 2、X 12 -X 2、X 13 -X 2、X 2 -X 11、X 2 -X 12、X 2 -X 13。將6對輸入到模型中，并報告6個輸入對的相似度得分。積分融合將決定兩張已驗證虹膜圖像的最佳對齊。這樣，該方法可以對旋轉方差進行校正。實驗中比較了三種融合方法，即最大融合、最小融合和平均融合。在實驗部分，分數級融合方法在很大程度上提高了性能，證明了其有效性。
4. Experiments
為了評估有效性，我們將我們的模型與其他最先進的方法在兩個數據集上進行比較:Q-FIRE[10]數據集和CASIA交叉傳感器虹膜數據集。第4.1節列出了兩個數據集的描述。訓練集和測試集的大小在4.2節中給出。第4.3節分析了影響性能的一些因素。與最先進的方法的比較顯示在第4.4節和第4.5節中。在異質性虹膜驗證中，采用等錯誤率(EER)曲線和受試者工作特性(ROC)曲線作為定量測量。

。
。
。
。
。
。
。
。
。
。
。
。
。
6. Conclusion
在本文中，我們提出了一種基于深度學習的方法來解決基于卷積神經網絡的異構虹膜驗證。自動學習的兩兩過濾和深層表示是從原始像素聯合學習，而不是使用手工制作的特征。本文的核心貢獻是從原始像素中自動學習關系特征來表達異質虹膜圖像的相似性。分別針對異質源學習了這對濾波器。因此，為了獲得更好的性能，我們考慮了源之間的差異。實驗結果表明，該方法在交叉分辨和交叉傳感器虹膜驗證方面都取得了良好的性能。該方法經過對大虹膜數據的訓練，具有較高的優越性，是目前虹膜識別系統快速、廣泛部署的有效方法。雖然DeepIris模型需要更多的訓練時間(在我們的實驗中是幾個小時)，但是學習到的模型可以非常快地處理一對虹膜圖像進行身份驗證。

往下進行不動了。。。。。。不看了 暈了 換文章了。
怎么說呢，15年的論文，級別不低，講的是多源虹膜異質，然后設計了神經網絡，再后面沒看，感覺不是自己喜歡的方向。。。有緣人喜歡的可以繼續翻譯。自己水平有限，沒看明白。這篇就這樣把。
PS：個人理解，如有錯誤，還請賜教指出來改正，大家共同進步。
（完結！！）

總結

以上是生活随笔為你收集整理的虹膜识别论文4：DeepIris: Learning pairwise filter bank for heterogeneous iris verification 2015的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。