(46-2) 16 * << * >> * Русский * English * Содержание * Все выпуски

Метод идентификации личности по радужной оболочке глаза с использованием нейросетевого подхода на этапах сегментации и формирования признакового представления
Ю.Х. Ганеева 1, Е.В. Мясников 1,2

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34;
2 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 932 kB

DOI: 10.18287/2412-6179-CO-1023

Страницы: 308-316.

Аннотация:
Задача идентификации личности играет важную роль в обеспечении безопасности: информационной, общественной и др. В последнее время наиболее актуальными и перспективными являются биометрические методы идентификации личности. В статье представлено исследование метода идентификации личности по радужной оболочке глаза с использованием нейросетевого подхода на этапах сегментации и формирования признакового представления изображений. Представлено описание набора данных, используемого для реализации этапа сегментации с использованием сверточных нейронных сетей, а также предоставлен доступ к маскам сегментации всего набора данных. Предложен метод формирования признакового представления данных с использованием предварительно обученных сверточных нейронных сетей для решения задачи классификации радужной оболочки глаза. Проведен сравнительный анализ методов формирования признакового представления радужной оболочки глаза, включая классические подходы и нейросетевой подход. Проведен сравнительный анализ методов классификации, включая классические алгоритмы машинного обучения, а именно: метод опорных векторов, случайный лес, метод k-ближайших соседей. Результаты экспериментальных исследований показали высокое качество классификации при применении предложенного подхода.

Ключевые слова:
радужная оболочка глаза, идентификация, сверточные нейронные сети, сегментация изображения, распознавание.

Благодарности
Работа выполнена при финансовой поддержке Министерства науки и высшего образования РФ в рамках госзадания ФНИЦ «Кристаллография и фотоника» РАН.
В параграфе «Эксперименты» используется набор данных MMU Iris Database, предоставленный Multimedia University [43].

Цитирование:
Ганеева, Ю.Х. Метод идентификации личности по радужной оболочке глаза с использованием нейросетевого подхода на этапах сегментации и формирования признакового представления / Ю.Х. Ганеева, Е.В. Мясников // Компьютерная оптика. – 2022. – Т. 46, № 2. – С. 308-316. – DOI: 10.18287/2412-6179-CO-1023.

Citation:
Ganeeva YK, Myasnikov EV. Identifying persons from iris images using neural networks for image segmentation and feature extraction. Computer Optics 2022; 46(2): 308-316. DOI: 10.18287/2412-6179-CO-1023.

References:
  1. Nemirovskiy VB, Stoyanov AK, Goremykina DS. Face recognition based on the proximity measure clustering. Computer Optics 2016; 40(5); 740-745. DOI: 10.18287/2412-6179-2016-40-5-740-745.
  2. Vizilter YuV, Gorbatsevich VS, Vorotnikov AV, Kostromov NA. Real-time face identification via CNN and boosted hashing forest. Computer Optics 2017; 41(2); 254-265. DOI: 10.18287/2412-6179-2017-41-2-254-265.
  3. Hashemi J, Fatemizadeh E. Biometric identification through hand geometry. EUROCON, Int Conf Computer as a Tool 2005; 2: 1011-1014.
  4. Prasad SM, Govindan VK, Sathidevi PS. Bimodal personal recognition using hand images. Proc Int Conf on Advances in Computing Communication and Control (ICAC3) 2009: 403-409.
  5. Yuan W, Lixiu Y, Fuqiang Zh. A real time fingerprint recognition system based on novel fingerprint matching strategy. 8th Int Conf on Electronic Measurement and Instruments 2007: 1-81-1-85.
  6. Kaur M, Singh M, Girdhar A, Parvinder S. Fingerprint verification system using minutiae extraction technique. World Acad Sci Eng Technol 2008; 46: 497-502.
  7. Review of the international market of biometric technologies and their application in the financial sector. Source: <https://www.cbr.ru/Content/Document/File/36012/rev_bio.pdf>.
  8. Pavelyeva EA, Krylov AS, Ushmaev OS. Development of information technology of a person's personality on the iris of the eye based on the Hermite transformation. Source: <https://elibrary.ru/item.asp?id=13070173>.
  9. Gonzalez RC, Woods RE. Digital image processing. 3th ed. Boston: Addison-Wesley Longman Publishing Co Inc; 1992.
  10. Khan AA, Kumar S, Khan M. Iris pattern recognition using support vector machines and artificial neural networks. IJIREEICE 2014; 2(12): 2208-2211.
  11. Chen Y, Liu Y, Zhu X, Chen H, He F, Pang Y. Novel approaches to improve iris recognition system performance based on local quality evaluation and feature fusion. Sci World J 2014; 2014: 670934.
  12. Firake SG, Mahajan PM. Brief review of iris recognition using principal component analysis, independent component analysis and Gabor wavelet. Int J Eng Res Technol 2014; 3(3): 1290-1294.
  13. Manisha Nirgude SG. Iris recognition system based on multi-resolution analysis and support vector machine. Int J Comput Appl 2017; 173: 28-33.
  14. Rana HK, Azam MdS, Akhtar R, Quinn JMW, Moni MA. A fast iris recognition system through optimum feature extraction. Source: <https://doi.org/10.7287/peerj.preprints.27363v2>.
  15. Azam MD, Rana H. Iris recognition using convolutional neural network. Int J Comput Appl 2020; 175(12): 24-28.
  16. Nguyen K, Fookes C, Ross A, Sridharan S. iris recognition with off-the-shelf CNN features: A deep learning perspective. IEEE Access 2018; 6: 18848-18855.
  17. Daugman JG. How iris recognition works. Source: <https://ieeexplore.ieee.org/document/1262028>.
  18. Bakhtiari A, Shirazi A, Zahmati A. An efficient segmentation method based on local entropy characteristics of iris biometrics. World Acad Sci Eng Technol 2007; 28: 64-68.
  19. Barzegar N, Moin MS. A new approach for iris localization in iris recognition systems. Proc 6th IEEE/ACS Int Conf on Computer Systems and Applications (AICCSA '08) 2008: 516-523.
  20. Semyonov MS, Myasnikov EV. A comparison of iris image segmentation techniques. CEUR Workshop Proc 2018; 2210: 163-169. DOI: 10.18287/1613-0073-2018-2210-163-169.
  21. Liu N, Li H, Zhang M, Liu J, Sun Z, Tan T. Accurate iris segmentation in non-cooperative environments using fully convolutional networks. 2016 Int Conf on Biometrics (ICB) 2016: 1-8.
  22. Jalilian E, Uhl A. Iris segmentation using fully convolutional encoder–decoder networks. In Book: Bhanu B, Prof. Kumar A, eds. Deep learning for biometrics. Cham: Springer International Publishing; 2017: 133-155.
  23. Lozej J, Meden B, Štruc V, Peer P. end-to-end iris segmentation using U-Net. 2018 IEEE Int Work Conf on Bioinspired Intelligence (IWOBI) 2018: 1-6.
  24. Korobkin M, Odinokikh G, Efimov I, Solomatin I, Matveev I. Iris segmentation in challenging conditions. Pattern Recognit Image Anal 2018; 28: 652-657.
  25. Pathak MP, Bairagi V, Srinivasu N. Effective segmentation of sclera, iris and pupil in eye images. TELKOMNIKA (Telecommunication Computing Electronics and Control) 2019; 17(5): 101-111.
  26. Li YH, Huang PJ, Juan Y. An efficient and robust iris segmentation algorithm using deep learning. Source: <https://doi.org/10.1155/2019/4568929>.
  27. Pathak MP, Bairagi V, Srinivasu N. Entropy based CNN for segmentation of noisy color eye images using color, texture and brightness contour features journal. Int J Recent Technol Eng 2019; 8(2): 2116-2124.
  28. Poonia J, Bhurani P, Gupta SK, Agrwal SL. New improved feature extraction approach of IRIS recognition. IJCS 2016; 3(1): 1-3.
  29. Pathak MP, Bairagi V, Srinivasu N. Multimodal eye biometric system based on contour based E-CNN and multi algorithmic feature extraction using SVBF matching. IJITEE 2019; 8(9): 417-423.
  30. Akbar S, Ahmad A, Hayat M. Iris detection by discrete sine transform based feature vector using random forest. JAEBS 2014; 4: 19-23.
  31. Ganeeva Yu, Myasnikov EV. Using convolutional neural networks for segmentation of Iris images. 2020 Int Multi-Conf on Industrial Engineering and Modern Technologies (FarEastCon) 2020: 1-4. DOI: 10.1109/FarEastCon50210.2020.9271541.
  32. Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. Source: <https://arxiv.org/abs/1505.04597>.
  33. Hashim AT, Saleh ZA. Fast Iris localization based on image algebra and morphological operations. JUBPAS 2019; 27(2): 143-154.
  34. Chirchi V, Waghmare LM. Enhanced isocentric segmentor and wavelet rectangular coder to iris segmentation and recognition. Int J Intell Eng Syst 2017; 10: 1-10.
  35. Khan T, Bailey D, Khan M, Kong Y. Real-time iris segmentation and its implementation on FPGA. J Real Time Image Process 2020; 17: 1089-1102.
  36. Jan F, Min-Allah N, Agha S. A robust iris localization scheme for the iris recognition. Source: <https://doi.org/10.1007/s11042-020-09814-5>.
  37. Lin M, Haifeng L, Kunpeng Yu. Fast iris localization algorithm on noisy images based on conformal geometric algebra. Digit signal proces 2020; 100: 102682.
  38. Wan HL, Li Z, Qiao JP, Li BS. Non-ideal iris segmentation using anisotropic diffusion. IET Image Proces 2013; 7: 111-120.
  39. Ganeeva Y, Myasnikov E. Augmentation in neural network training for person identification by iris images. 2021 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) 2021: 0106-0109. DOI: 10.1109/USBEREIT51232.2021.9455076.
  40. Masek L. Recognition of human iris patterns for biometric identification. Source: <http://www.csse.uwa.edu.au/~pk/studentprojects/libor/>.
  41. Advanced guide to Inception v3 on Cloud TPU. Source: <https://cloud.google.com/tpu/docs/inception-v3-avanced>.
  42. Huang G, Liu Z, Van der Maaten L, Weinberger KQ. Densely connected convolutional networks. Source: <https://arxiv.org/abs/1608.06993>.
  43. MMU Iris image database: Multimedia university. Source: <http://pesonna.mmu.edu.my/ccteo/>.
  44. Masks for MMU Iris dataset. Source: <https://github.com/jganeeva99/Masks-for-MMU-Iris-dataset>.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20