(50-3) 15 * << * >> * Русский * English * Содержание * Все выпуски

Сегментация сосудов склеры глаза для системы биометрической аутентификации
С.Ю. Чернядьев1, Н.Л. Харина1, Е.В. Медведева1

1 Вятский государственный университет;
610000, Россия, г. Киров, ул. Московская, д. 36

  Полный текст (PDF)

DOI: 10.18287/COJ1730

ID статьи: 1730

Аннотация:
В настоящее время достаточно широко применяются технологии биометрической аутентификации, причем все чаще необходимо автономное решение, требующее реагирования на месте без передачи данных на сервер или в «облако» для обработки. В работе предложены три алгоритма аутентификации по сосудам склеры глаза. Основой алгоритмов является сегментация области склеры и рисунка сосудов склеры с использованием легковесной нейронной сети HalfUNet. Отличительной особенностью первых двух алгоритмов является использование дескрипторов Dense-SIFT, BRIEF для выделения признаков, а для их сопоставления — метода k-ближайших соседей. Оба алгоритма имеют высокую точность классификации и вероятность распознавания при заданном уровне количества ошибочных допусков системой неавторизованных лиц. Точность классификации для первых двух алгоритмов составляет по метрике AUC = 0,986 и 0,981, а вероятность средней ошибки EER = 0,038 и 0,033. Эти алгоритмы не требовательны к вычислительным ресурсам и могут быть использованы в устройствах, имеющих ограничения на энергоресурсы. При отсутствии ограничений на вычисленные мощности может быть использован третий алгоритм, который отличается применением нейросетевых алгоритмов SuperPoint и SuperGlue для поиска дескрипторов и последующего сопоставления признаков и за счет этого имеет более высокую точность классификации и меньшую вероятность ошибок (AUC = 0,998; EER = 0,022).

Ключевые слова:
система биометрической аутентификации, вектор признаков, рисунок сосудов склеры, сегментация склеры, сегментация сосудов склеры, нейронная сеть Half-UNet.

Благодарности:

Цитирование:
Чернядьев, С.Ю. Сегментация сосудов склеры глаза для системы биометрической аутентификации / С.Ю. Чернядьев, Н.Л. Харина, Е.В. Медведева // Компьютерная оптика. - 2026. - Т. 50, № 3. - 1730. - doi: 10.18287/COJ1730.

Citation:
Chernyadyev SY., Kharina NL, Medvedeva EV. Segmentation of sclera vessels for a biometric authentication system. Computer Optics 2026; 50(3): 1730. doi: 10.18287/COJ1730.

References:

  1. Doke K, Ingle DR. A closer look at sclera: emerging trends in biometric security. In: Proc 2nd Int Conf Comput Commun Control (IC4); 2024. doi:10.1109/IC457434.2024.10486207.
  2. Lucio DR, Laroca R, Severo E, Britto AS, Menotti D. Fully convolutional networks and generative adversarial networks applied to sclera segmentation. In: Proc IEEE 9th Int Conf Biometrics Theory Appl Syst (BTAS); 2018. doi:10.1109/BTAS.2018.8698597.
  3. Das S, De Ghosh I, Chattopadhyay A. An efficient deep sclera recognition framework with novel sclera segmentation, vessel extraction and gaze detection. Signal Process Image Commun 2021; 97: 116349. doi:10.1016/j.image.2021.116349.
  4. Vitek M, Štruc V, Peer P. GazeNet: a lightweight multitask sclera feature extractor. Alexandria Eng J 2025; 112: 661-671. doi:10.1016/j.aej.2024.11.011.
  5. Lee S, Low CY, Kim J, Teoh ABJ. Robust sclera recognition based on a local spherical structure. Expert Syst Appl 2022; 189: 116081. doi:10.1016/j.eswa.2021.116081.
  6. Rot P, Vitek M, Grm K, Emeršič Ž, Peer P, Štruc V. Deep sclera segmentation and recognition. In: Advances in computer vision and pattern recognition. Cham: Springer; 2020. pp. 395-432. doi:10.1007/978-3-030-27731-4_13.
  7. Vitek M, Bizjak M, Peer P, Štruc V. IPAD: iterative pruning with activation deviation for sclera biometrics. J King Saud Univ Comput Inf Sci 2023; 35(8): 101630. doi:10.1016/j.jksuci.2023.101630.
  8. Dimauro G, Camporeale MG, Dipalma A, Guarini A, Maglietta R. Anaemia detection based on sclera and blood vessel colour estimation. Biomed Signal Process Control 2023; 81: 104489. doi:10.1016/j.bspc.2022.104489.
  9. Maheshan MS, Harish BS, Nagadarshan N. On the use of image enhancement technique towards robust sclera segmentation. Procedia Comput Sci 2018; 143: 466-473. doi:10.1016/j.procs.2018.10.419.
  10. AlRifaee M, Almanasra S, Hnaif A, Althunibat A, Abdallah M, Alrawashdeh T. Adaptive segmentation for unconstrained iris recognition. Comput Mater Continua 2024; 78(2): 1591-1609. doi:10.32604/cmc.2023.043520.
  11. Das A, Kaur A, Zhang J, et al. Sclera segmentation and joint recognition benchmarking competition: SSRBC 2023. In: Proc IEEE Int Joint Conf Biometrics (IJCB); 2023. doi:10.1109/IJCB58213.2023.10332519.
  12. Rajan G, Sharma S. Sclera segmentation techniques. Int J Recent Technol Eng (IJRTE) 2020; 9(2): 1072-1076. doi:10.35940/ijrte.B4066.079220.
  13. Vitek M, Rot P, Štruc V, Peer P. A comprehensive investigation into sclera biometrics: a novel dataset and performance study. Neural Comput Appl 2020; 32: 17941-17955. doi:10.1007/s00521-020-04782-1.
  14. Chernyadyev SY, Kharina NL, Prozorov DE, Zemtsov AV. Segmentation of the eye sclera for biometric authentication systems based on the lightweight neural network HALF-UNET [in Russian]. Ekonomika i Kachestvo Sistem Svyazi 2024; 4: 1-10.
  15. Lu H, She Y, Tie J, Xu S. Half-UNet: a simplified U-Net architecture for medical image segmentation. Front Neuroinform 2022; 16: 911679. doi:10.3389/fninf.2022.911679.
  16. Taghanaki SA, Abhishek K, Cohen JP, Cohen-Adad J, Hamarneh G. Combo loss: handling input and output imbalance in multi-organ segmentation. Comput Med Imaging Graph 2019; 75: 24-33. doi:10.1016/j.compmedimag.2019.04.005.
  17. DeTone D, Malisiewicz T, Rabinovich A. SuperPoint: self-supervised interest point detection and description. In: Proc IEEE/CVF Conf Comput Vis Pattern Recognit Workshops (CVPRW); 2018. pp. 224-236.
  18. Sarlin PE, DeTone D, Malisiewicz T, Rabinovich A. SuperGlue: learning feature matching with graph neural networks. In: Proc IEEE/CVF Conf Comput Vis Pattern Recognit (CVPR); 2020. pp. 4938-4947. doi:10.1109/CVPR42600.2020.00499.
  19. Iandola FN, Han S, Moskewicz MW, Ashraf K, Dally WJ, Keutzer K. SqueezeNet: AlexNet-level accuracy with 50× fewer parameters and <0.5 MB model size. arXiv preprint 2016; arXiv:1602.07360.

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