Metode globokega učenja za biometrično razpoznavanje na podlagi očesa

Rot, Peter (avtor), Peer, Peter (mentor), Štruc, Vitomir (komentor)

Uspešnost biometričnih sistemov, ki razpoznavanjo na podlagi očesnih modalnosti, je kritično odvisna od pogojev zajema slike in od natančnosti postopka segmentacije. Za zmanjšanje napak tovrstnih biometričnih sistemov potrebujemo odporne segmentacijske metode. Šarenica je bila kot biometrična modalnost zaradi visoke razpoznavalne natančnosti v preteklem desetletju deležna velike pozornosti, raziskovalci pa so kot samostojne modalnosti (ali dopolnilne šarenici) predlagali tudi beločnico in periokularno regijo. Z metodami globokega učenja, ki so se na mnogih področjih računalniškega vida izkazale kot najbolj uspešne, v tem delu obravnavamo vsako modalnost posebej (beločnico, periokularni del, šarenico), nato pa s fuzijo vse tri združimo v enoten razpoznavalni cevovod. Glaven poudarek dela je na razpoznavanju iz beločnice, pri katerem i) izdelamo novo podatkovno zbirko SBVPI, ii) predlagamo segmentacijske metode, s katerimi smo dvakrat osvojili prvo mesto na tekmovanjih SS(ER)BC, ter iii) razvijemo in ovrednotimo preostanek cevovoda za razpoznavanje na podlagi beločnice. Predlagamo metodo za večrazredno segmentacijo očesa, s katero dosežemo vzpodbudne rezultate. Nato predlagamo in ovrednotimo cevovod za razpoznavanje na podlagi periokularnega dela, za razpoznavanje na podlagi šarenice pa uporabimo že obstoječ cevovod. Na koncu ovrednotimo še fuzijo vseh treh modalnosti. Z metodami globokega učenja dosežemo obetavne razpoznavalne natančnosti za vsako izmed treh modalnosti. Z združevanjem modalnosti v skupen fuzijski sistem pa razpoznavno natančnost dodatno izboljšamo.

• Jezik: Slovenski jezik
• Ključne besede: globoko učenje, konvolucijske nevronske mreže, beločnica, šarenica, periokularna informacija, segmentacija, razpoznavanje
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2018
• PID: 20.500.12556/RUL-104032

Opomba

Univerzitetna Prešernova nagrada / University Prešern Award 2018

• Datum objave v RUL: 02.10.2018

ROT, Peter, 2018, Metode globokega učenja za biometrično razpoznavanje na podlagi očesa [na spletu]. Magistrsko delo. [Dostopano 29 marec 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=104032

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: DEEP LEARNING METHODS FOR BIOMETRIC RECOGNITION BASED ON EYE INFORMATION

Izvleček

The accuracy of ocular biometric systems is critically dependent on the image acquisition conditions and segmentation methods. To minimize recognition error robust segmentation algorithms are required. Among all ocular traits, iris got the most attention due to high recognition accuracy. New modalities such as sclera blood vessels and periocular region were also proposed as autonomous (or iris-complementary) modalities. In this work we tackle ocular segmentation and recognition problems using deep learning methods, which represent state-of-the-art in many computer vision related tasks. We individually evaluate three recognition pipelines based on different ocular modalities (sclera blood vessels, periocular region, iris). The pipelines are then fused into a single biometric system and its performance is evaluated. The main focus is sclera recognition in the scope of which we i) create a new dataset named SBVPI, ii) propose and evaluate segmentation approaches, which won the first place on SS(ER)BC competitions, and iii) develop and evaluate the rest of the sclera-based recognition pipeline. The next contribution of this work is multi-class eye segmentation technique, which gives promising results. We also propose and evaluate deep learning pipeline for periocular recognition. For iris recognition we use an existing pipeline and evaluate it on our dataset. With deep learning we achieve promising recognition results for each individual modality. We further improve recognition accuracy with multi-modal fusion of all three modalities.

• Ključne besede: deep learning, convolutional neural networks, sclera, iris, periocular information, segmentation, recognition