Радужная оболочка

Иридодиагностические признаки заболеваний

Цвет глаз. По мнению специалистов-иридологов, единственно возможные цвета здоровых глаз — это все оттенки голубого (от стального до синего) и коричневого (от светло-карего до почти черного). Что касается зеленой радужки, то ее цвет, как ни странно, может свидетельствовать о наличии различных хронических заболеваний.

Пигментные пятна. Если на радужке присутствуют пигментные пятна или крапинки, это может говорить о многих нарушениях в организме. Светлые крапинки — вестники артрита, ревматизма, астмы и др.; темные — нарушений функций желудочно- кишечного тракта и центральной нервной системы. Большое значение имеет и месторасположение таких крапинок.

Внешний край радужной оболочки. По нему можно определить самые разные заболевания. Например, если радужку окружает ободок в виде затемнения, это может говорить о нарушении кроветворения, белый ободок — признак повышенного уровня холестерина в крови.

Плотность радужки. Обладатели радужки с плотной структурой, как правило, имеют хороший иммунитет. Наличие менее плотной радужки может свидетельствовать о плохой переносимости психических и физических перегрузок.

Как правило, в детстве и молодости люди имеют чистую и прозрачную радужную оболочку. Однако к концу жизни она становится тусклой и многоцветной, с многочисленными вкраплениями и пигментными образованиями (больше всего пятен образуется в областях, соответствующих кишечнику, легким, сердцу, желудку и почкам).

Различные процессы — травматический, воспалительный, дегенеративный — могут оставлять на радужке схожие знаки. Происходит это из-за того, что радужка отражает, прежде всего, изменения функции органов и систем, независимо от вызвавших их причин. Хотя при наличии некоторого опыта можно судить и о причинах.

Мифы и реальность. Оппоненты иридодиагностики в качестве одного из главных ее недостатков называют субъективность результатов и обязательность длительной подготовки врачей, которые должны загружать в свою память огромное количество иридологических признаков. Однако использование современных компьютерных программ позволяет оценивать признаки автоматически, исключая субъективность и избавляя врача от необходимости механического запоминания большого объема информации, резко сокращая сроки овладения методом.

К сожалению, иридодиагностика, как и большинство альтернативных методик, не избежала наплыва шарлатанов, зарабатывающих на доверчивых пациентах, что значительно подорвало престиж интереснейшего метода. Имеющая древние корни иридология тем не менее является еще молодой наукой. В ней немало белых пятен, часта недооценка, а порой и преувеличение ее возможностей. Но, несмотря на это, развитие иридодиагностики идет все нарастающими темпами.

Какая технология лучше?

Во-первых, сканирование оболочки глаза проходит комфортнее, чем идентификация по отпечатку пальца. Перед тем как пройти такую процедуру необходимо, чтобы палец был сухим и чистым.

Поэтому, в дождь или после того, как вы перебрали двигатель любимого авто сразу пройти идентификацию по отпечатку пальца не получится. В идеале, если установить смартфон на док-станцию, при сканировании радужной оболочки глаза его даже в руки брать не нужно.

Сканер может получить нужную ему информацию даже с небольшого расстояния.

Датчики распознания отпечатков пальцев используются в цифровой технике уже около десяти лет. В то время как датчики распознания радужной оболочки глаза на момент написания статьи были установлены только в Lumia 950 и Lumia 950 XL. Но, уже сейчас на подходе Galaxy Note 7 и несколько флагманов других компаний.

Отпечатки пальцев это сложный, но не идеальный биометрический способ идентификации. На изменения рисунка папиллярных линии могут повлиять травмы и некоторые болезни.

Сканирование радужной оболочки глаза – это более надежный способ идентификации человека. Достаточно просто сфотографировать глаз.

Идентификация по глазу

В некоторых системах идентификации в качестве ключа используется глаз человека. Существует две разновидности этих систем, использующие разные идентификаторы. В первом случае в качестве «носителя» идентификационного кода применяется рисунок капилляров (кровеносных сосудов) на сетчатке (дне) глаза, а во втором — узор радужной оболочки глаза.Для начала рассмотрим способ идентификации по узору кровеносных сосудов, расположенных на поверхности глазного дна (сетчатке). Сетчатка расположена глубоко внутри глаза, но это не останавливает современные технологии. Более того, именно благодаря этому свойству, сетчатка — один из наиболее стабильных физиологических признаков организма. Сканирование сетчатки происходит с использованием инфракрасного света низкой интенсивности, направленного через зрачок к кровеносным сосудам на задней стенке глаза. Для этих целей используется лазерный луч мягкого излучения. Вены и артерии, снабжающие глаз кровью, хорошо видны при подсветке глазного дна внешним источником света. Еще в 1935 году Саймон и Голдштейн доказали уникальность дерева кровеносных сосудов глазного дна для каждого конкретного

Перспективы распространения этого способа биометрической идентификации для организации доступа в компьютерных системах очень хорошие. Тем более, что сейчас уже существуют мультимедийные мониторы со встроенными в корпус видеокамерами. Поэтому на такой компьютер достаточно установить необходимое программное обеспечение, и система контроля доступа готова к работе. Понятно, что и ее стоимость при этом будет не очень высокой.

Акции! Скидки!

Покажите предложение конкурентов и мы сделаем вам гарантированную скидку 10% и больше на эти работы.

При заказе монтажа Охранно-пожарной сигнализации, пожаротушения скидка на техническое обслуживание смонтированных систем 30%.

При заказе огнезащитной обработки свыше 1500 м2 протокол испытаний образцов из ИПЛ бесплатно.

Обслуживание пожарной сигнализации от 1000 рублей в месяц .

Проект бесплатно.

Работаем по бартеру.

Вы оплачиваете оборудование и материалы, оплата работ возможна бартером.

Радужная оболочка как биометрический параметр

В данном случае в качестве физиологического параметра рассматривается радужная оболочка — круглая пластинка с хрусталиком в центре, одна из трёх составляющих сосудистой (средней) оболочки глаза.

Строение человеческого глаза

Находится радужная оболочка между роговицей и хрусталиком и выполняет функцию своеобразной естественной диафрагмы, регулирующей поступление света в глаз. Радужная оболочка пигментирована, и именно количество пигмента определяет цвет глаз человека .

По своей структуре радужная оболочка состоит из эластичной материи — трабекулярной сети. Это сетчатое образование, которое сформировывается к концу восьмого месяца беременности. Трабекулярная сеть состоит из углублений, гребенчатых стяжек, борозд, колец, морщин, веснушек, сосудов и других черт. Благодаря такому количеству составляющих «узор» сети довольно случаен, что ведёт к большой вероятности уникальности радужной оболочки. Даже у близнецов этот параметр не совпадает полностью .

Несмотря на то, что радужная оболочка глаза может менять свой цвет вплоть до полутора лет с момента рождения, узор траберкулярной сети остаётся неизменным в течение всей жизни человека. Исключением считается получение серьёзной травмы и хирургическое вмешательство .

Благодаря своему расположению радужная оболочка является довольно защищённой частью органа зрения, что делает её прекрасным биометрическим параметром.

Принцип работы

Большинство работающих в настоящее время систем и технологий идентификации по радужной оболочке глаза основаны на принципах, предложенных Дж. Даугманом в статье «High confidence visual recognition of persons by a test of statistical independence» .

Полярная система координат

Процесс распознавания личности с помощью радужной оболочки глаза можно условно разделить на три основных этапа: получение цифрового изображения, сегментация и параметризация. Ниже будет рассмотрен каждый из этих этапов более подробно.

Получение изображения

Процесс аутентификации начинается с получения детального изображения глаза человека. Изображение для дальнейшего анализа стараются сделать в высоком качестве, но это не обязательно. Радужная оболочка настолько уникальный параметр, что даже нечёткий снимок даст достоверный результат. Для этой цели используют монохромную CCD камеру с неяркой подсветкой, которая чувствительна к инфракрасному излучению. Обычно делают серию из нескольких фотографий из-за того, что зрачок чувствителен к свету и постоянно меняет свой размер. Подсветка ненавязчива, а серия снимков делается буквально за несколько секунд. Затем из полученных фотографий выбирают одну или несколько и приступают к сегментации .

Сегментация

Сегментация занимается разделением изображения внешней части глаза на отдельные участки (сегменты). В процессе сегментации на полученной фотографии прежде всего находят радужную оболочку, определяют внутреннюю границу (около зрачка) и внешнюю границу (граница со склерой). После этого находят границы верхнего и нижнего века, а также исключают случайное наложение ресниц или блики (от очков, например) .

Точность, с которой определяются границы радужки, даже если они частично скрыты веками, очень важна. Любая неточность в обнаружении, моделировании и дальнейшем представлении радужки могут привести к дальнейшим сбоям и несоответствиям .

После определение границ изображение радужки необходимо нормализовать. Это не совсем очевидный, но необходимый шаг, призванный компенсировать изменения размеров зрачка. В частных случаях нормализация представляет собой переход в полярную систему координат. Применил и описал это в своих ранних работах Джон Даугман . После нормализации при помощи псевдо-полярных координат выделенная область изображения переходит в прямоугольник, и происходит оценка радиуса и центра радужки.

Параметризация

В ходе параметризации радужной оболочки из нормализованного изображения выделяют контрольную область. К каждой точке выбранной области применяют двухмерные волны Габора (можно применять и другие фильтры, но принцип остаётся таким же) для того, чтобы извлечь фазовую информацию. Несомненным плюсом фазовой составляющей является то, что она, в отличие от амплитудной информации, не зависит от контраста изображения и освещения .

Полученная фаза обычно квантуется 2 битами, но можно использовать и другое количество. Итоговая длина описания радужной оболочки, таким образом, зависит от количества точек, в которых находят фазовую информацию, и количества битов, необходимых для кодирования. В итоге мы получаем шаблон радужной оболочки, который побитно будет сверяться с другими шаблонами в процессе аутентификации. Мерой, с помощью которой определяется степень различия двух радужных оболочек, является расстояние Хэмминга.

Особенности и отличия от аналогов

Для того, чтобы та или иная характеристика человека была признана биометрическим параметром, она должна соответствовать пяти специально разработанным : всеобщность, уникальность, постоянство, измеряемость  и приемлемость.

Всеобщность радужной оболочки не вызывает сомнения. Также из клинических исследований выявлена её уникальность и стабильность . Что касается измеряемости, то этот пункт подтверждён  одним только существованием статей и публикаций Дж. Даугмана . Последний пункт, вопрос о приемлемости, всегда будет открытым, так как зависит от мнения общества.

Таблица сравнения биометрических методов аутентификации, где H — High, M — Medium, L — Low :

Название Всеобщность Уникальность Постоянство Измеряемость Приемлемость
Радужная оболочка H H H M L
Сетчатка H H M L L
Отпечатки пальцев M H H M M

На данный момент ещё не создана биометрическая технология, которая полностью соответствовала бы всем пяти пунктам. Но радужная оболочка является одним из немногих параметров, которые отвечают большинству.

Точность метода

В биометрии при расчёте точности метода учитываются ошибки первого  и второго рода (FAR и FRR) .

FAR (False Acceptance Rate) — вероятность ложного допуска объекта.

FRR (False Rejection Rate) — вероятность ложного отклонения объекта.

Эти два понятия тесно связаны, так как уменьшение одной ошибки ведёт к увеличению другой. Поэтому разработчики биометрических систем стараются прийти к некому балансу между FAR и FRR .

Одним из методов определения точности системы, который задействует ошибки первого и второго рода, является метод построения ROC-кривой.

ROC-кривая — это графическое представления зависимости между характеристиками FAR и FRR при варьировании порога чувствительности (threshhold) . Порог чувствительности определяет, как близко должен находиться текущий образец к шаблону, чтобы считать их совпадающими. Таким образом, если выбран небольшой порог, то возрастает количество ложных допусков, но уменьшается вероятность ложного отклонения объекта. Соответственно, при выборе высокого порога всё происходит наоборот .

Иногда вводят новый параметр – EER.

EER (Equal Error Rate) — величина, которая характеризует уровень ошибок биометрического метода, при котором значения FAR и FRR равны . Чем меньше этот параметр, тем точнее система. Значение ERR узнают с помощью выше описанной ROC-кривой .

Что касается точности, непосредственно, аутентификации по радужной оболочке, то хорошим источник служит книга «Handbook of Iris Recognition». В данной работе описан эксперимент, в котором сравнивали несколько видов биометрических технологий. Исходя из этих исследований, точность аутентификации по радужной оболочке достигает 90% .

В ходе другой работы, выяснили, что значение FAR данного метода при определённых условиях может принимать значения от 1% и ниже, а значение FRR неизменно и стремится к нулю (0.00001%) .

В свою очередь, значения FAR и FRR непосредственно зависят от процессов получения и обработки изображения радужной оболочки. Большую роль в этом играют фильтры, применяемые в процессе сегментации. Из таблицы, которая представлена ниже, можно увидеть, как смена одного фильтра влияет на конечный результат .

Таблица параметров FAR(%), FRR(%) и EER(%) в зависимости от выбора фильтра:

Название FAR(%) FRR(%) EER(%)
Фильтр Габора (Gabor) 0.001 0.12 0.11
Фильтр Добеши (Daubechies) 0.001 2.98 0.2687
Фильтр Хаара (Haar) 0.0 17.75 2.9

Сравнение с аутентификацией по сетчатке

Чаще всего люди путают такие физиологические параметры, как сетчатка и радужная оболочка глаза. Ещё чаще они объединяют два понятия в одно. Это огромное заблуждение, так как метод аутентификации по сетчатке включает в себя изучение глазного дна. Из-за длительности этого процесса и большого размера установки данный вид аутентификации сложно назвать общедоступным и удобным. В этом биометрическая аутентификация по сетчатке проигрывает аутентификации по радужной оболочке.

Распознавание отпечатков пальцевРаспознавание отпечатков пальцев (или дактилоскопия) — одна из самых старых и наиболее развитых технологий

Индивидуальные папиллярные линии и бороздки имеют различные характеристики на различных отпечатках, конфигурация и особенности их рисунка постоянны и неизменяемы.

ШИРОКИЕ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ

Распознавание отпечатков пальцев является исключительно адаптивным способом идентификации и подходит для разностороннего применения, в том числе, для объектов, где традиционно используются ключи, карты доступа и пароли. При распознавании происходит сравнение отпечатка пальца с ранее зарегистрированными данными, которые могут храниться в базе данных, в чипе паспорта или в памяти карты доступа.

  • Одна из самых хорошо изученных технологий
  • Относительно невысокая стоимость
  • Простота использования
  • Широкий ассортимент устройств
  • Высокая продуктивность систем
  • Маленький размер шаблона
  • Высокий уровень приемлимости в обществе
  • Доступность интеграции

Зачем использовать биометрические показатели?

Безопасности в наше время уделяется особое место. Все из нас имеют что-то ценное. Материальные ценности можно спрятать под замок или отдать на хранение в банк. Но, что делать с информацией? Ее также можно спрятать под замок, открыть который можно с помощью математического ключа.

Существует масса способов защиты информации.

Одна из них – сканирование радужной сетчатки глаза

Если в вашем смартфоне или планшете имеется информация, которую нужно защитить от посторонних, то сканирование радужной сетчатки глаза это один из способов такой защиты.

С ее помощью можно будет защитить свои оплаты в интернете, фотографии из памяти смартфона, текстовые файлы и т.п.

Кроме отпечатков пальцев сегодня активно используются распознавание по другим биометрическим показателям. Например, на таможне специалист этой службы визуально идентифицирует вас с тем человеком, фотография которого вклеена в ваш паспорт. Он ищет сходство по форме носа, щек, лба, рта, глаз и т.п.

Но, этот способ не может гарантировать на 100%, что человек на фотографии и вы это один и тот же человек.

В наше время, когда с помощью пластиковой хирургии из каждого можно сделать Бреда Пита и Анжелину Джоли. Изменить внешность в угоду своих каких-то потребностей, не составит большого труда. А вот до того, чтобы изменить «рисунок» глаза, технологии еще не дошли.

Публикации

2012

Е. А. Павельева. «Метод проекционной фазовой корреляции в ключевых точках радужной оболочки глаза» // в: 22-я международная конференция по компьютерной графике и ее приложениям ГрафиКон’2012. Москва, 2012, с. 128−132. PDF.

2011

Е. А. Павельева, А. С. Крылов. «Определение локальных сдвигов изображений радужных оболочек глаз методом проекционной фазовой корреляции» // в: 21-я международная конференция по компьютерной графике и зрению GraphiCon’2011. Москва, Россия, 2011, с. 188−191. PDF.

Е. А. Павельева, А. С. Крылов. «Метод проекционной фазовой корреляции в задаче идентификации человека по радужной оболочке глаза» // в: Труды 13-й международной конференции «Цифровая обработка сигналов и её применение» (DSPA’2011), т. 2. Москва, 2011, с. 167−170.

E. A. Pavelyeva, A. S. Krylov. “Projection phase only correlation method for iris recognition” // In: Proceedings of 13-th International Conference “Digital Signal Processing and its Applications” (DSPA’2011), Vol. 2. Moscow, Russia, 2011, p. 170.

Е. А. Павельева, А. С. Крылов. «Алгоритм сравнения изображений радужной оболочки глаза на основе ключевых точек» // Информатика и её применения, т. 5, вып. 1, 2011, с. 68−72. PDF.

2010

Е. А. Павельева, А. С. Крылов. «Поиск и анализ ключевых точек радужной оболочки глазаметодом преобразования Эрмита» // Информатика и её применения, т. 4, №. 1, 2010, с. 79−82.

E. A. Pavelyeva, A. S. Krylov. “An Adaptive Algorithm of Iris Image Key Points Detection” // In: 20-th International Conference on Computer Graphics GraphiCon’2010. St. Petersburg, Russia, 2010, pp. 320−323. PDF.

2009

Е. А. Павельева, А. С. Крылов. «Алгоритм идентификации человека по ключевым точкам радужной оболочки глаза» // в: 19-я международная конференция по компьютерной графике и ее приложениям ГрафиКон’2009. Москва, 2009, с. 228−231. PDF.

Е. А. Павельева, А. С. Крылов, О. С. Ушмаев. «Развитие информационной технологии идентификации человека по радужной оболочке глаза на основе преобразования Эрмита» // Системы высокой доступности, №. 1, 2009, с. 36−42. PDF.

2008

Е. Павельева, А. Крылов. «Алгоритмы предобработки изображений радужной оболочки глаза (Algorithms of iris image preprocessing)» // в: 18-я международная конференция по компьютерной графике и ее приложениям ГрафиКон’2008. Москва, 2008, с. 314. PDF.

2007

A. S. Krylov, E. A. Pavelyeva. “Iris Data Parametrization by Hermite Projection Method” // In: 17-th International Conference on Computer Graphics GraphiCon’2007. 2007. PDF.

A. Krylov, E. Pavelyeva. “Iris Data Parametrization by Hermite Projection Method” // In: 17-th International Conference on Computer Graphics GraphiCon’2007. Moscow, Russia, 2007, pp. 147−149. PDF.

Проще, чем кажется

Первое исследование защищённости систем сканирования радужки авторы июльской сенсации провели ещё четыре года назад. Группа биометрических исследований Мадридского автономного университета представила доклад на семинаре по биометрии и установлению личности BIOID, прошедшем в мае 2008 года в университете датского города Роскилле. Среди коллектива авторов есть и Хавьер Галбалли, так успешно выступивший на Black Hat.

Исследование было настолько простым, что больше подошло бы для передачи «Разрушители легенд», чем для академической конференции. Впрочем, флёр серьезности всегда можно навеять с помощью наукообразного языка, таблиц и диаграмм. Тем не менее, вопрос о том, сработает ли система распознавания радужки, если ей предъявить изображение глаза, напечатанного на принтере, волнует многих. Именно это испанцы и решили выяснить.

Аппаратной частью тестового стенда выступила камера LG IrisAccess EOU3000, программной — система, написанная в качестве бакалаврской дипломной работы австралийцем (судя по всему, чешского происхождения) Либором Машеком в 2003 году. По сообщению испанской группы, это единственная имеющаяся система распознавания радужки с открытым исходным кодом. Точнее, это выполненная на Matlab реализация разработки гуру машинного зрения Джона Доугмана — системы, лежащей в основе всех (по крайней мере, по данным 2008 года) коммерческих решений по распознаванию радужки.

Работают все эти системы (в том числе реализация Машека) так. Сначала программа выделяет на изображении границы радужки и зрачка. Для этого используется преобразование Хафа. Потом изображение пересчитывается из декартовых координат в полярные (центр — в зрачке) и получившийся массив данных представляется снова в декартовых координатах. Таким образом, радужка предстаёт перед нами в виде прямоугольника. Но при разной освещённости радужная оболочка глаза может принимать различную ширину — поэтому картинку необходимо растянуть или сжать до стандартных размеров. Кстати, зрачок может находиться не строго по центру радужки. Следовательно, растягивать или сжимать надо каждый столбец получившейся растровой матрицы отдельно.

Этапы работы системы распознавания радужки по алгоритму Джона Доугмана

Затем изображение обрабатывается специальным фильтром (о нём — немного позже). То, что у нас получилось, во всех публикациях называют «кодом радужки» (iriscode). Именно эти данные и хранятся в биометрических системах.

Эти коды сравниваются как строки путём вычисления расстояния Хэмминга. Функция Хэмминга позволяет описывать различия между строками, и чем меньше расстояние Хэмминга, тем меньше различие между строками. Если результат не превышает заданного порога, система подтверждает вашу личность.

Заметьте, насколько серьёзна бакалаврская работа Машека. Попробуйте взять и написать работающую систему распознавания радужки, даже обладая всей полнотой теоретических знаний об аналогах! А в чём заключалась первая работа Хавьера Галбалли и его товарищей по исследовательской группе?

Они распечатали изображения радужных оболочек глаза и предъявили их системе Машека. Использовались два принтера — струйный HP Deskjet 970cxi и лазерный HP LaserJet 4200L. Иногда систему получалось обмануть, иногда — нет, но исследователи продолжили эксперименты, применяя к изображениям различные фильтры. Наилучшие результаты получились со струйным принтером, после применения к изображениям фильтра «цилиндр» (top hat). Этот фильтр резко отбрасывает низкочастотную и высокочастотную составляющую сигнала — так, что передаточная характеристика фильтра по форме напоминает шляпу-цилиндр.

Так каковы же результаты? Были проведены две атаки. При первой — в системе регистрировались пользователи не по изображению настоящего глаза, а по распечатке, и, соответственно, распечатка демонстрировалась при попытке идентификации пользователя. Во втором случае регистрировались настоящие глаза, но для идентификации предъявлялись распечатки.

Успешными оказались обе атаки. Указывается, что тестируемая система могла быть настроена по максимально допустимому проценту позитивных ошибок — то есть ошибочных успешных распознаваний (FAR, false acceptance rate). Было проведено пять серий экспериментов с порогом позитивной ошибки от 0,1% до 5%. При минимальном FAR атака первого типа достигла успеха в 57% попыток, второго типа — в 49% попыток. Для максимального FAR результаты составили 82 и 73% соответственно.

Полную версию статьи «Взлом системы распознавания радужной оболочки глаза с помощью генетического алгоритма», читайте в электронном журнале Security Focus.

Метод 1. Три нейросети

Общий ход алгоритма показан на рисунке ниже. Сначала по исходной фотографии определяется радужная оболочка и зрачок. Затем идентифицируются две периокулярные зоны, которые немного шире, чем область оболочки. Обнаруженные регионы преобразуются в три нормализованных изображения с полярными координатами, чтобы вычислить радиус радужной оболочки. Полученные кадры используются в качестве входных данных для трёх CNN, которые извлекают из них особые признаки и вычисляют расстояние (оценку) между обнаруженными и истинными признаками. Путём слияния трёх значений вычисляется общая оценка, на основе которой выполняется распознавание радужной оболочки.

— Получение трёх изображений

Периокулярные области помогают в тех случаях, когда рисунок радужки плохо различим из-за различных искажений. Они расширяют исследуемую зону, чтобы в дальнейшем избежать потери важных деталей и точнее выполнить нормализацию.

— Нормализация

Размер радужных оболочек может отличаться даже у глаз одного человека. Кроме того, зрачок может расширяться или сужаться при изменении уровня освещения. Чтобы эти факторы не влияли на процесс, выполняется нормализация полученных областей в изображения с полярными координатами, разделённые на секторы — одинаковые участки размером в один пиксель. Всего получается 8×256 секторов.

— CNN

Традиционные архитектуры, такие как AlexNet и VGGNet, обычно принимают на вход квадратные фотографии и используют симметричные фильтры. Однако полученные в результате нормализации изображения имеют несимметричный размер (8×256), поэтому предварительно обученные CNN для них не подходят. Чтобы решить эту проблему, исследователи предложили новую структуру нейросети с несимметричными фильтрами.

Сеть состоит из восьми свёрточных слоёв и использует нестандартные размеры фильтров: 1x13x3, 1x13x64, 1x13x128 и так далее. Причины использования таких размеров заключались в том, что ширина изображения в полярных координатах намного превышает высоту, а вертикальная корреляция рисунка радужки больше, чем горизонтальная. Следовательно, эту избыточность можно уменьшить только с помощью фильтра, ширина которого намного больше высоты.

Завершают структуру три полносвязных слоя. Подобная архитектура используется для всех трёх свёрточных нейросетей.

— Результаты экспериментов

Используемый датасет NICE.II содержит 1000 фотографий глаз и 171 класс. Для качественного обучения нейросети такого объёма данных обычно недостаточно. Поэтому датасет был дополнен до 81000 образцов с помощью различных операций над изображениями, а затем разделён на две подвыборки A и B примерно по 40000 образцов в каждой.

Для обучения нейросети использовался фреймворк Caffe, кросс-энтропийная функция потерь и оптимизатор Adam.

Оценка точности модели проводилась с помощью биометрических метрик:

— ложное распознавание (False Access Rate, FAR)

— отказ распознавания (False Reject Rate, FRR)

Уровень ошибок в случае, когда FAR=FRR, называется EER (equal error rate) и обычно применяется для сравнения разных биометрических методов (чем он меньше, тем лучше). Также для оценки модели использовался индекс чувствительности (d-Prime Value) — чем выше его значение, тем эффективнее работает биометрическая система.

Чтобы оценить модель на фотографиях, снятых на обычные смартфоны, исследователи провели эксперимент с датасетом MICHE. Он содержит снимки глаз, сделанные на iPhone 5, Galaxy Tab2 и Galaxy S4. В таблице ниже можно увидеть сравнение описанного метода с другими существующими алгоритмами. Оценки ERR и d-Prime показывают, что решение достигает более высокой точности.

В дальнейшем исследователи планируют улучшить точность распознавания, разработав более глубокую структуру CNN и дополнив её другими методами извлечения признаков из изображений.

Ссылка на основную публикацию