虹膜识别开发技术:全面审查

文摘

最近,虹膜识别技术取得了巨大的性能鉴定。认证技术中,虹膜识别系统已经收到非常关注由于其丰富的虹膜纹理赋予健壮的个体识别标准。尽管如此,有几个在无限制的识别环境的挑战。在这篇文章中,研究人员目前所使用的技术在不同阶段的虹膜识别系统的图像。研究人员还回顾了与每个阶段相关的方法。识别系统分为7个阶段,即收购阶段的虹膜图像获取、预处理阶段的虹膜图像的质量得到改善,虹膜区域的分割阶段分开的背景图像,分割虹膜区域的归一化阶段是形成一个矩形,特征提取阶段的虹膜区域的特征提取,特征选择阶段的特色选择虹膜使用特征选择技术,最后分类阶段的虹膜图像进行分类。本文还解释了虹膜识别的两种方法是传统方法和深度学习的方法。此外,研究人员讨论先前技术的优点和缺点以及局限性和传统和深度学习的好处的虹膜识别方法。本研究可以被看作是一个对虹膜识别最初的一步一个大规模的研究。

1。介绍

计算机视觉是一个重要的研究领域,它提供了高效的解决很多问题。模式识别主要用于自动识别不同实体的形象。安全部门给了计算机视觉的关注,特别是对于识别。每个人有独特的,特定的形状和大小等属性。现代安全科学使用这些独特的特性来控制访问受限制的地方,这领域的安全,是一个基本的问题。有效的身份验证系统需求的增加在安全领域引发了身份验证系统的开发更安全的和有效的。等传统识别方法使用密钥或密码不满意在一些应用领域,因为这些方法很容易被忘记,被盗,或破裂。为了克服这些缺点,现代科学有兴趣使用生物识别技术自动识别系统(1]。

需要可靠和安全的系统导致的出现生理和生物系统的行为模型。这两种模式工作有效的安全措施(2]。生理生物识别技术包括虹膜识别(3],指纹识别[4],人脸识别[5),视网膜识别,和手几何识别(6]。生物识别技术在行为模型包括签名识别、语音识别、步态识别(7,8]。在所有的生物识别系统中,虹膜识别系统(IRS)是系统具有更高效率和更可靠的系统检查真实性(9,10]。这是由于人类虹膜的稳定,随着时间的推移,它的不变性(即。,it remains stable in spite of the aging process), and its uniqueness for every person, even between siblings or twins [11]。通过覆盖结构,如果改变了,可能会影响一个人的健康和可以访问使用非侵入性的设备(12]。因此,几家领先的公司,特别是在安全领域,期待未来的美国国税局由于不同的应用程序和该技术的潜力。

此外,虹膜区域也视为一个非常稳定的生物特性不随时间变化(13]。因此,虹膜区域的结构可以有效地用于识别或识别14]。large-scale-range国家识别项目越来越多地在世界各地部署,正确和可靠的生物特征识别系统的需求增加了。国家识别项目正越来越多地利用美国国税局登记公民更好的准确性和可靠性(除了利用不同的生物特征识别技术,如二维的脸和指纹识别系统)。

美国国税局是一种高精度的验证技术(2)和个人识别能力高。美国国税局是越来越多地应用于自动化系统(即。,没有人类操作员监督)11),特别是在安全领域使用。因此,许多国家使用国税局等改善安全智能机场和盖茨的边界,在移动设备上,在政府大楼像医院15]。

虹膜图像通常被使用操作系统的近红外(NIR)光谱,在虹膜区域出现清晰比光谱中的可见光波长,即使虹膜区域的深色13,16]。根据Drozdowski [16,17),全世界一半以上的成年人,如在东亚(17,18),戴眼镜主要是由于近视(近视)的普遍性视力矫正的目的(19- - - - - -23]。眼镜也穿保护眼睛(24)和时尚的目的(25,26]。一些研究表明,在特定的条件下,戴眼镜会影响识别系统的性能,如虹膜识别系统(19,27),眼周的识别和人脸识别系统(28消极的。

尽管研究虹膜识别系统(irs)是健壮的约束(理想)的环境中,缺乏对虹膜识别的研究在无约束(理想的)环境。在无约束识别环境中,有很多的挑战,如斜的,小型虹膜,低分辨率、旋转、变形、剪切、缩放、闭塞的睫毛,模糊的图像或噪音,眼镜框的干扰,从眼镜和反思17,29日- - - - - -35]。另外,还有一些其他的美国国税局的局限性导致增加虚假拒绝由于学生拉伸,下垂的眼睑由于年龄、化妆品和时尚眼镜戴着,反射环境。现有的虹膜识别使用深度学习方法的研究对于眼镜在这样的环境并不比传统方法的性能。

眼镜正在国税局更具挑战性,一般来说,眼镜可以对样品的质量产生负面影响,因为镜面反射的光学畸变,泥土,和阴影32]。因此,生物识别虹膜识别方案的性能恶化[26,36- - - - - -39]。一些以前的研究的实验结果表明,错误率子集的虹膜图像与眼镜虹膜图像没有眼镜(出错率的两倍17]。有两个主要区别虹膜图像与眼镜和那些没有眼镜,即(1)虹膜图像与眼镜更健壮和(2)虹膜图像边缘与眼镜引起强烈的镜面反射。

在虹膜分割阶段,出现假阴性错误由于反射噪声引起的眼镜(40,41]。同时,明确失败的分割算法由于反射或框架的眼镜可被误解为瞳孔或边缘界限17]。因此,美国国税局的分割阶段的眼镜不受约束的环境中仍然是具有挑战性的。因此,研究者应该努力改善分割技术开发识别系统因为改善这项技术将大大提高生物性能水平。深度学习的方法比传统方法更合适在改善分割技术和检测假虹膜图像(31日]。

此外,由于模糊强度,镜面反射,划痕,和其他因素,眼镜可以减少虹膜图像的质量和随后的准确性虹膜识别系统的性能。各种研究已经确定了眼镜在面部识别系统的影响;然而,相关的一些作品的主题眼镜的科学研究虹膜识别。一项研究调查一个小规模的量化的眼镜对预处理阶段的影响42]。其他研究发现眼镜作为一个有影响力的噪声因素(17,32- - - - - -39]。

尽管许多建议的方法来减少缺陷在虹膜图像识别系统中,它是具有挑战性的新研究人员找到共同研究问题31日]。因此,本文旨在铺平了道路提供适用的解决上述挑战中遇到虹膜图像识别系统。

本文提供了以下贡献:(1)讨论和分析美国国税局的意义已经介绍了文学。(2)它回顾了现有的虹膜识别系统(国税局)和全面应用。(3)论述了当前的挑战和虹膜识别系统的未来的研究方向。

其余部分的结构如下。部分2提供了一个全面的视图虹膜识别系统的图像。部分3提出了图像采集和数据库的例子中使用的实验研究。部分4讨论了消除影响的预处理技术用于以前的作品。部分5描述了基于文学不同的分割技术用于隔离的虹膜从其余的部分虹膜图像。部分6描述不同的归一化技术,将分段环形虹膜区域变成矩形模式。部分7提出了各种特征提取技术,描述了虹膜特征。部分8讨论了特征选择方法的操作来选择最好的特性来降低计算的复杂性。部分9讨论了不同类型的分类技术与虹膜识别有关。部分10介绍了虹膜识别相关的挑战和未来的研究领域。最后,部分11总结综述论文。

2。虹膜识别系统结构

图1说明了美国国税局的标准结构。一般来说,美国国税局的结构在传统和深度学习方法按照以下顺序包括七个主要阶段:虹膜图像采集阶段,预处理阶段,虹膜图像分割阶段,虹膜归一化阶段,特征提取阶段,特征选择阶段,最后虹膜分类或匹配阶段。

科学文献的回顾虹膜识别表明,缺乏量化的影响研究眼镜和其他类型的噪声性能国税局的准确性。表1说明了不同的噪声类型在不同阶段的影响美国国税局。

这些不同的挑战美国国税局的影响水平表所示1。“∗”表示挑战的水平在一个特定阶段的虹膜图像的识别系统。当“∗”数量的增加,那么这些挑战的影响水平的算法在相应的阶段。如表所示1、难度与噪声相关的特定阶段,评估的算法使用的性能指标如准确率、信息损失率,错误率或失败的算法来处理噪音。这意味着,未来的研究应注重提高技术的挑战在预处理阶段为了提高性能的准确性国税局通过消除负面影响不同的噪声类型。

3所示。采集的虹膜图像和标准数据库

虹膜图像通常是使用可见光谱波长或近红外(NIR)光谱。虹膜图像采集的四个单元是照明、镜头、传感器、和控制台。获得使用近红外光谱图像往往与虹膜的纹理复杂地区的交易,而不是它的色素沉着(14]。使用近红外光谱的虹膜图像捕获也不易比虹膜图像使用不同的噪声类型可见光谱波长。这使得虹膜纹理与黑暗的颜色,甚至被捕获性能从而提高虹膜识别的效率。图2显示了图像的一些样品在可见光波长光谱和近红外(NIR)光谱波长,没有眼镜。研究人员建议这三个公开的数据库之一:CASIA-IrisV4,偷窃,或UBIRIS,因为这些数据库包含几种类型的挑战,可以利用来改善美国国税局的性能。

除了虹膜采集设备,有许多在世界范围内的虹膜图像数据库,帮助研究人员来测试他们的技术或算法和精度验证其性能。大多数的数据库使用近红外光谱,获得虹膜图像捕获和其他数据库使用可见光谱波长(VIS)。在虹膜图像数据库,存储在压缩和未压缩格式。约束下的虹膜图像获得(理想)环境中,而其他图像获得下一个无约束(理想的)环境。表2为测试提供了虹膜图像数据库的url算法可以直接下载。表3列出了一些以前的工作和相应的虹膜图像数据库用于测试。

4所示。预处理技术

推荐一种预处理方法实现在第一阶段进行的任何建议的技术或算法的识别系统。这些技术可以帮助消除不同的噪声类型,发生过程中获取虹膜图像。通常,虹膜图像获取患有不同类型的噪声,如关闭引起的眼睑和睫毛,照明和照明,噪音由于眼镜如模糊、镜面反射,划痕,和其他因素,失真,斜的虹膜。删除这些类型的噪声通过预处理阶段将增强美国国税局的性能精度。

表4显示了不同类型的预处理方法把不同类型的噪声。根据文献,回顾了几种传统的图像预处理的方法可以分为四个方法:霍夫变换方法,直方图和过滤方法,形态学操作和融合方法。

4.1。霍夫变换方法

在预处理阶段的作品通过使用霍夫变换(HT)方法,Raffei等人使用线性霍夫变换方法去除遮挡由于眼睑(84年]。尽管如此,有局限性,例如,虹膜图像获取在可见光下有更多的限制,如反射噪声和遮挡也由于睫毛和眼睑和虹膜是理想的形状85年),因此茶等人介绍了一个方法来定位眼睑定位以及识别和消除反射(85年]。在眼睑本地化,假定虹膜中心的位置可以通过使用一个圆形霍夫变换估计(本)86年]或哈雾级联探测器(87年]。这个局部方法提出了降低噪声的影响,而产生两个NxN领域(windows)的兴趣在虹膜区域的上、下部分。虹膜区域的像素的平均强度计算为每个窗口发现眼睑像素。在反射识别和消除,他们提议先识别不同地区影响反射类型,应用阈值方法(88年]。然后,通过使用一个扩张形态操作,像素进一步增加接近重要的虹膜区域的边界扩大选择的区域。指出,虹膜的闭塞地区由于睫毛和眼睑仍然盛行,导致Yahiaoui等人进一步发展方法通过应用及本地化使用精明的边缘的瞳孔区域地图(89年]。为了保持健壮的边缘和克服边缘检测算法的敏感性,他们应用各向异性过滤紧随其后的是一种自适应阈值。与反射等这些限制由于眼镜,睫毛、眉毛,和纠正或时尚镜头获得图像,所有这些方法很难定位虹膜区域(31日,90年]。

4.2。直方图和过滤的方法

提高虹膜识别速度和分割精度的虹膜区域从剩下的背景图像,桑托斯和霍伊尔利用直方图均衡化(他)方法来提高虹膜图像获得在低照明来确定瞳孔的边界地区。这些技术被用来分配像素强度(68年]。改进的虹膜识别性能变量条件下的图像质量也获得虹膜图像的对比使用低对比度或低照度,Alvarez-Betancourt和Garcia-Silvente提出contrast-limited自适应直方图均衡化(CLAHE)方法(30.),一个修改版的自适应直方图均衡化(AHE)方法通过引入Zuiderveld [91年]。这种方法提高了对比度的图像灰度和也可以用来防止任何可能出现在图像的噪声。Maheshan等人也在同一工作的局限性和改进的图像采用两种技术:他和CLAHE。他的目标是确定暗颜色的频率,通常在0-50像素的范围扩展。CLAHE,另一方面,设置一个对比出适当的限制所选图像(白平衡92年]。

Kumar等人介绍了一个利用对比的方法改善顶部和底部的帽子过滤器提高亮区域中的像素与像素之间的差异在黑暗地区。该技术具有四个步骤(73年]。第一个是他(65年)应用于增强对比度。第二步是中值滤波器应用的标志(65年去除噪声。第三步是γ射线强度校正(GIC),根据卡等人是用于照明变化(93年]。在第四步中,虹膜图像受到一系列帽子顶部和底部的帽子过滤器,所显示白(94年]。

Zhang et al。95年]相比之下应用同态滤波方法是由张和沈96年)的虹膜图像有一个健壮的对比度和克服遮挡的影响96年]。然而,如果虹膜图像由计算机生成,高光的眼睛图片需要被淘汰(95年]。这可以通过一个技术,探索提出的眼睛区域差异卡瓦略et al。97年]。该方法的第一步是发现眼睛区域使用的算法是由中提琴和琼斯87年]。

然后,这是紧随其后的是张等人提出的一种方法。98年,99年)申请输入眼图像的预处理方法的三个阶段去除高光眼影。在第一步中,高斯滤波器技术是应用σ值等于0.9。第二步是将眼睛从灰色到二进制图像,使用阈值等于0.18。最后一步再应用高斯滤波器在二进制眼影σ值等于2,之后采用中值滤波平滑眼部图像(98年,99年]。

同样,Hofbauer et al。One hundred.)还应用中值滤波平滑眼睛的形象。模糊中值滤波器使图像更普通,也消除了睫毛的影响,以免减少虹膜区域的清晰度。尽管如此,还有其他挑战,获得的图像通常显示背景和低对比度的显著差异在一些地区(One hundred.]。这种变化的主要原因之一是强调学生的地区。为了克服这些限制,汗et al。49)也使用高斯滤波器技术但标准差σ。这是旨在改善non-suitable背景以及创建眼图像更适合的阈值。的选择价值σ是基于瞳孔区域和虹膜区域的体积。它必须小于瞳孔半径但大于睫毛的宽度。汗的眼睛图片等。49),的价值σ比其他的值= 5更合适σ欣赏当地的背景。

最近,刘等人。101年)应用,阴霾去除技术提高虹膜图像是由他et al。102年最初应用它来减少光的效果。这种技术被认为是黑像素的RGB零件强度很差。雾属性的虹膜图像是通过消除消除黑暗的黑暗区域像素(101年]。然而,虹膜图像,对眼镜有反射,阻挡由于眼睑和睫毛仍然盛行,大刘等人应用模糊平均滤波器,模糊中值滤波和高斯滤波预处理的虹膜图像增强范围和提高噪声比率以及虹膜图像的边缘。尽管如此,成功率仍不满意,导致使用替代的预处理技术,如形态学操作(35]。

4.3。形态学操作

删除小部件,欧麦尔et al。56提出了一种预处理方法。该方法首先分析了原始眼睛图像直方图通过阈值原始输入图像转换为二进制图像。然后,二进制虹膜图像增强通过消除噪音使用形态学操作来获取一个增强的虹膜图像。然而,性能精度仍无约束(理想)环境中受噪声影响因素如反射、眼睑和睫毛56]。根据Djoumessi [75年),形态学技术可以用来去除虹膜图像和反射噪声阈值可以适用于去除睫毛的形象。然而,眼镜等局限性,偏差由于锐利的目光,由于头发和眼睑出现阻塞。因此,Radman等人提出了一个morphological-retinex方法克服这些局限性。他们应用形态学操作来提高对比度和去除虹膜图像反射噪声在无约束(理想的)环境。然后,均方根(RMS)应用于判断所需的虹膜图像对比度增强。最后,他们应用了一个扩展retinex算法来提高虹膜图像的对比(77年]。同样,迦得et al。80年)也在同一工作的局限性和应用一系列的形态学操作,也希望得到准确和快速角膜反射的性能。然后,一种自适应局部阈值(ALT)方法基于均值滤波器应用于滤波器输出的虹膜图像的明亮区域像素。最后,通过使用掩蔽技术(MT) [103年),所有像素的价值上方和下方瞳孔直径转换为零的睫毛和眼睑(80年]。

4.4。融合方法

李和马104年)提出了一个算法来定位的边界并不是圆的虹膜是基于随机样本的共识(RANSAC)算法。在这项研究中,他们的担忧的问题识别系统在无约束的虹膜图像成像环境(104年]。在这种情况下,性能效率虹膜识别系统的图像变得更加困难,由于不同的噪声类型,如斜的成像模糊,阻塞引起的眼睑和睫毛,镜面反射照明(104年]。Raffei et al。105年)提出了一种融合技术包括三个子阶段。阶段识别反射噪声,分类的反射,以及填写反思。虹膜识别反射噪声的图像,他们使用线强度剖面(唇)技术应用的李et al。67年]曾使用唇技术去除反思彩色图像的牙齿。在分类反射,反射和nonreflections按应用分类支持向量机(SVM)技术。最后,在填写反射,我们使用形态学操作来消除反射从虹膜图像的RGB颜色39,105年]。

预处理技术已经用于增强眼睛的图像为了开发一个翼状胬肉检测系统。虹膜分割算法需要改进技术来检测前的翼状胬肉段拍摄图像(ASPIs)。Abdani et al。106年]介绍了预处理阶段加强眼部图像基于三个子阶段。首先,他们转换RGB通道HSV频道在舒化及“改制”(107年]。然后,对比拉伸方法应用于修改虹膜图像的亮度和照明,无需修改任何信息虹膜图像颜色的年代和V频道。最后,乙状结肠功能,建议在Imtiaz,瓦希德(108年),用于应用一种自适应对比度操纵方法(109年]。

赵和阿110年)使用single-scale retinex (SSR)技术规范化虹膜图像照明。SSR技术改善颜色凝聚力在锋利的照明差异。一旦图像照明改善,中值滤波是用于孤立的虹膜图像去除噪声像素(110年]。同时,为了克服相同的限制,如阻塞由于眼睑和睫毛和反思,Al-Waisy et al。111年)使用基于三个阶段的预处理方法提高性能。第一阶段是发现所有的镜面反射的虹膜图像。第二阶段是决定反射掩盖消除反射。最后一个阶段是检测瞳孔和虹膜的边界基于高斯滤波器技术以及直方图均衡化的方法来改善该地区的对比眼虹膜和巩膜和平滑图像。然后,应用本技术获得虹膜和瞳孔的半径和中心地区。最后,眼睑检测使用一个眼睑的边界检测算法(111年]。然而,限制如弱光、强光,准确性和反射仍然盛行,影响性能。这使得赵et al。112年)应用的预处理阶段四子阶段。首先,他们位于虹膜和分段640×480原始图像的一部分。接下来,感兴趣的区域(ROI)是分开的形象。然后,他们规范化ROI图像256×32和增强虹膜的ROI区域。最后,他们统一测量输入的虹膜图像通过使用最近邻技术为了大小归一化虹膜图像197×197作为输入图像(112年]。

最近,Das和Derakhshani [82年)提出了一种预处理方法增强图像对比度,以及转移学习,可以用来提高分类效率眼pretrained神经网络的图像。Das和Derakhshani82年)使用亮度保持动态模糊直方图均衡化(BPDFHE)方法增强图像(113年]。BPDFHE方法修改亮度保持动态直方图均衡化(BPDHE)方法通过模糊统计的应用过程以及代表数字图像(114年]。这种方法的局限性是噪声的动态模糊以及未能识别小说眼不培训所有以前的样品(样品82年]。

去除噪声,减少了虹膜区域的分割精度的眼部形象,Donida et al。83年]提出了一种消除反射时履行方法以及减少噪音。第一阶段涉及消除反射首先计算关键的反射区域地图通过对虹膜图像响应伽柏过滤器利用一个实证估计的频率。然后,反思是消除利用修补算法(115年]。这是紧随其后的是下一阶段涉及减少噪声通过双边滤波器基于高斯滤波器(116年]。双边滤波器是一种非线性方法,允许将眼部图像模糊,同时保持健壮的边界(83年]。

5。虹膜分割技术

感兴趣的区域(ROI)提取后立即预处理阶段(31日]。提取感兴趣的区域称为分割或本地化(117年]。

分割阶段主要目的是分离虹膜部分无用的残余部分,即虹膜周围的部分地区(巩膜、眼睑和皮肤)和学生(部分118年]。虹膜识别技术依靠的质量特性的区域分割。因此,识别系统的性能精度主要是由于分割阶段的准确性(117年]。

识别系统中最失败的主要原因是由于不准确的分割(119年]。在下面几节中,虹膜分割阶段将在下列顺序描述:虹膜分割使用传统技术虹膜分割使用深度学习技术紧随其后。

5.1。虹膜分割使用传统技术

大部分的这些技术执行分割通过传统的图像处理方法的应用,像Daugman的方法,聚类和语义分割算法。在本节中,一些细分技术被用于一些以前作品部分虹膜区域解释道。

表5说明了性能准确率(ACC)或错误率(曾经)不同的虹膜分割方法使用传统技术。尽管所有这些技术显示精度高性能虹膜图像的分割技术,他们的表现仍然是由不同的环境因素,如距离长,斜的,模糊,倒影,闭塞,虹膜的体积小,鬼效应在无约束条件(理想)。因此,最近的改进技术基于深度学习方法导致深度学习功能被引入虹膜分割。虹膜分割使用传统技术可以分成三个部分基于的架构使用的脚腕transform-based分割技术,直方图,contour-based分割技术,和其他细分技术。

5.1.1。脚腕Transform-Based分割技术

使用传统技术始于虹膜分割哈夫变换(HT)方法。问题等。72年)和Raffei et al。105年应用一个虹膜分割阶段包括三个子阶段,即定位虹膜区域,阻塞引起的眼睑,阻塞造成的睫毛。在虹膜区域的定位,圆形霍夫变换(十)方法是实现虹膜区域的边界(128年]。因为学生在虹膜部分,这个操作开始与外部边界(虹膜和巩膜之间的边界),而不是整个眼睛的形象。他们应用线性霍夫变换(HT)方法来消除眼睑遮挡。然后,他们使用的阈值方法去除遮挡的睫毛39,72年,105年]。尽管如此,由于在远处有局限性和同行那么环境反射噪声和遮挡等由于眼睑,睫毛,和阴影。因此,赵和Ajay [110年]提出的应用RTV-L2方法改进相对总变异(RTV)模型由徐等建议。129年]首先定位主要眼睛结构如学生、巩膜、眼睑边界。接下来,使用本方法,介绍了虹膜定位在戴维斯130年)是用于检测下半圈确定圆中心和防止干扰睫毛或眉毛。然后,虹膜的下半部分区域像素被确认通过当地使用阈值灰度分析基于直方图确定噪声像素,进而决定了虹膜的上半部分区域像素的阈值分割精度。虹膜分割过程的同时,错误率很高,因为它是非常耗时和虹膜图像的质量很差110年]。

减少搜索区域以及计算时间的,欧麦尔et al。131年)引入了一个限制圆形霍夫变换(RCHT)技术来定位外部(iris-sclera)和内部(pupil-iris)虹膜的边缘地区。首先,他们用形态学滤波器消除小噪音来增强图像。然后,RCHT使用二进制眼睛图像的边缘点获取中心和圆的半径内边缘(虹膜和瞳孔之间)的虹膜区域。获取圆周外缘(虹膜和巩膜之间)的虹膜区域,虹膜像素高强度不同的垂直和水平方向的中心内部边缘检测。这里,这个系统不是提出消除反射,眼睑,睫毛,和噪音131年]。

药膏和Narote132年)基于精明的边缘检测器的应用融合方法以及HT方法(133年段虹膜部分。虹膜分割的性能很低由于低图像质量在某些数据库如CASIA-V4-Iris双胞胎(132年]。提高性能的准确性虹膜区域的分割与眼睑和反射等一些限制,Ahuja et al。134年)使用的分割算法是基于广义霍夫变换()方法使用的巴拉德(135年),这是进一步发展使用修改后的积分微分Daugman算法(16)隔离的眼睛虹膜区域的像素图像中描述Haindl和Krupička120年]。该算法提供了分割和归一化虹膜区域的像素的二元掩模来消除噪音的虹膜图像134年]。

因此,Schlett et al。136年)引入了一个全面的多光谱分析在可见的环境中提高虹膜分割效率是通过获取光谱元素形式的RGB颜色通道。在这种方法中,三个分割机制的虹膜区域被使用,即(1)contrast-adjusted霍夫变换(CAHT),(2)迭代傅里叶推拉(IFPP),和(3)加权自适应的脚腕和ellipsopolar变换(WAHET) [137年]萨尔斯堡大学的虹膜工具包(USIT) [136年]。

5.1.2中。直方图,Contour-Based分割技术

此外,为了做到细分,奥斯曼et al。138年)提出了一个描述的三个版本的开源虹膜识别系统(奥西里斯)OSIRISV2 (https://svnext.it-sudparis.eu/svnview2-eph/ref_syst/Iris_Osiris/),OSIRISV4 (https://svnext.it-sudparis.eu/svnview2-eph/ref_syst/Iris_Osiris_v4.1/),OSIRISV4.1。自2009年以来OSIRISV2是第一个开源版本。OSIRISV2的分割包括两个步骤:(1)虹膜定位使用圆形霍夫变换(十)方法和(2)虹膜轮廓初始化使用的方法提出了徐和王子139年)来初始化一个活动轮廓,然后初始化窗口面具一代只引用虹膜的纹理区域利用精致的轮廓。在实践中,奥西里斯的评价。V2版本(139年)显示分割阶段的弱点(138年]。这些缺点促使研究人员提高性能的准确性的分割技术在奥西里斯版本(138年]。奥西里斯。V4和OSIRIS.V4.1 versions used the Viterbi algorithm to overcome the limitations of iris segmentation in OSIRIS.V2 [140年]。然而,低质量图像通常有模糊强度、低对比,光照变化,锋利的镜面反射,由于眼睑和睫毛遮挡,反映由于眼镜,可能因此构成挑战当分段用通常的算法基于轮廓拟合(138年]。

发展虹膜分割的性能OSIRISV4开源模型的这些挑战,Yahiaoui et al。89年]介绍了维特比算法(通过扩展的方法140年)通过添加统计技术对虹膜分割基于无监督方法,他们尤其关注隐藏的马尔可夫链方法建议在89年,141年,142年]。提高性能的虹膜图像的分割阶段,等一些限制仍普遍反映眼镜和不同扫描仪以及反射锢囚通过眼睑和睫毛,主要他et al。(143年和刘et al。35进一步开发霍夫变换(HT)方法基于边缘检测的方法由精明的应用(144年段虹膜区域。霍夫变换方法用于检测边界利用边界上的点之间的表里不一和参数的坐标这些边界的中心和半径(135年),这些参数确定基于矩阵的阈值后的重量半径是(35,143年]。

其他研究人员Banerjee和Mery [145年)提出了一个无监督自动虹膜分割算法基于测地线主动轮廓(GAC) [146年]和GrabCut [147年]。在这种方法中,虹膜区域的四个分割步骤使用,即(1)附近发现一个中心点在眼睛的瞳孔使用灰度分析形象;(2)应用这一点为中心,在虹膜和瞳孔的边界估计通过广汽(迭代功率最小化技术基于强度的梯度);(3)部分虹膜的地区使用这两个估计通过应用一种GrabCut图的(一个能量最小化技术减少家庭,描述了虹膜图像的马尔可夫随机场);(4)提高最终的输出通过GrabCut-based ellipse-fitting方案。尽管应用这四个步骤,如off-focus仍有限制,镜面反射,照明、头发、眼镜、阻塞由于睫毛,和过程的速度运行形态广汽操作(145年]。

分割的虹膜区域捕获在一个不受限制的环境中仍然是一个具有挑战性的任务。因此,茶等。85年]介绍了局部活动轮廓分割方法建议的虹膜Lankton和坦南鲍姆(双重148年]。当地Chan-Vese (LCV)提出活动轮廓法部分虹膜图像在一个理想的可见波长(85年]。他们应用b样条,明确的方法,这是由巴博萨et al。149年)克服原来方法的局限性,提高其计算性能。在测地活动轮廓的方法,许多迭代所需的精度是这要消耗大量的处理时间85年]。因此,有必要采用更好的技术,考虑更多的本地信息,以避免阻塞由于睫毛和眼睑提高该方法的准确性。虹膜区域的高分辨率细分是必要的国税局的未来,特别是不受约束的环境,因为大多数的虹膜图像光谱在可见光波长将理想和噪声,由于眼镜反光,遮挡。Radman et al。77年]介绍了一种虹膜分割技术,专注于在美国国税局的挑战不受约束的环境中使用图像。这种技术准确定位虹膜直方图的基础上面向梯度(猪)150年)和SVM技术(151年,152年),即HOG-SVM Zaklouta和Stanciulescu提出的技术153年和毛等。154年),以减少错误的结果碎片通过定义虹膜区域的结构。这种定位方法的基础上,自动提取虹膜的纹理区域的细胞自动机方法通过为GrowCut开发方法(155年)的标签,只有少数的像素。预处理和后处理实现为了提高分割的精度性能(77年]。

5.1.3。其他的分割技术

Osorio-Roig et al。127年)实现语义分割技术HMRF-PyrSeg [156年)基本上是为了段公共图像。该技术用于识别虹膜区域的眼睛在可见光波长光谱图像捕获。此外,Osorio-Roig et al。127年)提供了关于眼内的各种区域图像的语义信息,如眉毛、虹膜、巩膜、虹膜和瞳孔部分地区。以提高性能的准确性这种技术,未来的研究可能需要应用混合动力技术支持相结合的区域各种细分级别并确定最合适的为每个图像自动分割水平(127年]。

Djoumessi [75年]提出的改善建议的技术执行Masek [157年对虹膜分割)。该方法使用积分微分Daugman运营商确定瞳孔和虹膜区域的边界。然后,他们使用线性霍夫变换(LHT)方法去除眼皮,和其他阈值被用来去除遮挡从虹膜分割(如睫毛75年]。提高性能的准确性虹膜分割方法在去除睫毛和眼睑,阮et al。158年]基于高斯模糊滤镜应用积分微分算子检测的圆形边缘虹膜的内外边缘地区通过反复探索的最高回复轮廓通过参数决定。当阻塞的虹膜由于眼睑和睫毛,选择最佳候选人利用阈值的迭代方法随着等高线集成技术本地化的眼睑。应用积分微分算子改变虹膜弧形,而不是一个圆。虹膜像素从non-iris像素区分(如睫毛和眼睑)在一个输入图像噪声掩盖方法。噪音面具,对应于每个输入图像,通过细分阶段和创建应用程序阶段的虹膜识别(158年]。

Gangwar et al。76年]介绍了虹膜图像的分割方法设计尤其是无约束(理想的)环境。分割方案的第一步将是瞳孔检测技术的应用。根据(159年- - - - - -161年),瞳孔检测技术是基于学生候选人银行(PCB)是利用迭代方法生成的阈值技术之后,选择最佳候选人利用多个地方特色。这样做是通过应用一种自适应滤波器的方法大致估计边缘在极地空间边界。接下来,边缘边界将进一步细化在笛卡尔空间中使用双圈(159年- - - - - -161年]。这后,适应性和相似性过滤器是用来检测眼睑边界。然后,拱形内核的形态学操作方法是用于边缘细化,紧随其后的是最终界限的估计基于抛物线拟合提出了王尔德(162年]以及Daugman [163年)实验研究一直局限于虹膜图像捕获在近红外光谱的环境中。因此,他们建议的适应未来的工作应该强调视觉光谱图像的分割算法。建议方法的准确度可能大幅降低视觉光谱图像,因为视觉光谱图像比近红外光谱图像(更具挑战性76年]。

提高速度和性能不同的挑战,如反射和遮挡,迦得et al。80年)修改后的屏蔽技术应用(MMT)虹膜分割。这个算法的执行涉及到三个步骤,即(1)面具一代把睫毛,(2)虹膜检测通过面具卷积操作检测虹膜区域边界和眼睑检测通过使用自适应局部阈值(ALT)过滤器,和(3)卷积与一个单位向量(米)来提取虹膜区域通过应用三分来自虹膜面具three-distance分。由于边界检测这些点是不平等的因素和闭塞和挑战,如使用眼镜或眼镜,距离,可怜的对比,镜面反射,普遍的眼睑和睫毛,斜的或离轴80年]。

这使得汗et al。49]介绍了虹膜分割方法基于现场可编程门阵列(FPGA),这被认为是最适合于实时的方法。该方法使用图像减去背景之后,随着形态流程本地化学生。建议的价值的方法被执行死刑现场可编程门阵列(FPGA)上实现高性能和速度较小的内存49]。然而,建议的方法未能定位瞳孔边缘在浓密的睫毛和眉毛,和它不会工作准确在可见光谱图像由于低对比虹膜和瞳孔区域的可见光谱。

Reddy et al。164年)提出了一个虹膜分割算法在mobile-captured图像依赖于整合Daugman的积分微分算法和k - means聚类。提出的算法可以分为三个主要步骤。它开始于镜面反射,如果任何,除了提高眼睛图像的对比运用CLAHE [165年]。接下来就有实现k - means聚类提取虹膜区域。最后,Daugman的积分微分算法应用于探测半径和瞳孔和虹膜区域的中心。评估算法的性能的准确性在这项研究中,一个公开VISOB数据集应用于证明引入方法的效率(164年]。提高虹膜分割性能的准确性在理想的几个挑战眼部图像,如偏差的眼睛,可怜的对比或光照、遮挡,镜面反射,由于运动模糊和难以集中,Donida et al。83年]介绍了一种虹膜分割技术基于随机样本共识(RANSAC),也就是说,极地花键RANSAC方法。介绍PS-RANSAC方法得益于RANSAC方法的性能(166年)处理噪音和样条函数来执行功能的能力。然而,其他虹膜分割方法基于RANSAC方法在以前的作品被认为是虹膜边缘为二次曲线的形状而不是圆形或其他形状,但这降低了精度性能在处理眼部图像在非理想环境下(167年,168年]。未来的研究应该关注新的照明补偿方法旨在增强眼部图像的特征提取。特殊利益应该在技术设计的虹膜图像采集与噪声由于眼镜和一个大相机之间的距离和主题83年]。

5.2。虹膜分割使用深度学习技巧

本节描述使用深度学习技术的主要贡献在虹膜分割领域在过去的五年。这显示了增加科学研究社会对这个话题感兴趣。表6说明了性能效率细分阶段利用深度学习技巧。此外,这一节还解释了一些分割方法在以前的作品是基于深度学习的概念提取虹膜区域。虹膜分割使用深度学习技术可以分成三个部分的基础上架构U-Net架构的模型中,使用VGG R-CNN架构的模型中,CNN和其他架构的模型中。

5.2.1。U-Net架构的模型中

丽安et al。175年提出关注U-Net (ATT-UNet)虹膜图像的分割任务。该方法是基于主U-Net [181年]除了注意面具,指导学习方法更多特色的分类的虹膜区域的像素和像素non-iris地区。ATT-UNet首先选择一个边界框可能的虹膜部分,生成一个关注面具。之后,注意面具作为一个加权函数,应用于合并方法的歧视性的特征图谱。ATT-UNet方法的结构类似于VGG16的结构描述Krizhevsky et al。182年),但它不包含完全连接(FC)层,并且应用初始化权重pretrained ImageNet模板。尽管如此,有局限性,如阻塞由于头发,睫毛,和眼镜,健壮的反射,可怜的照明,和模糊175年]。因此,Zhang et al。183年)提出了四个网络方案,结合扩张卷积方法(184年)和U-Net (181年]。扩张卷积方法可以提取虹膜图像的更多信息,提高性能和虹膜分割方法的效率。这个网络的前三个方案都是基于组合的一部分扩张与U-Net卷积,即PD-UNet,第四个方案,提出网络是基于完全扩张卷积方法结合U-Net网络,即FD-UNet,最佳性能(183年]。FD-UNet方法采用扩张卷积来提取特征而不是原始的卷积,这样可以更好地处理图像细节。张等人建议,改善网络性能的分割精度在未来的工作中可以通过修改参数的网络结合高性能网络。通过这些改进,网络的性能应该更准确(183年]。

提高虹膜分割的性能的理想(无约束)条件和跨设备应用,吴和赵178年)提出了一项被称为密集U-Net虹膜分割技术。拟议的密集U-Net结合致密连接U-Net的收缩和扩张路径,增强参数和信息是重要的减少深度学习网络的训练问题。未来的研究应该考虑发展方法,并将其集成到物联网(物联网)实现完全自动化和提高虹膜分割在非理想条件下的性能(178年]。进一步加强等非理想虹膜图像的分割性能不同大小的虹膜,黑暗的虹膜,遮挡由于眼镜或眼睑,照明,非合作样本,和镜面反射,王et al。180年)提出了一个高效的虹膜图像的分割技术,依赖于一个深度学习方法,名叫IrisParseNet。该网络是一个多任务的关注网络联合学习虹膜的外边缘,虹膜面具,和学生的面具。在这种方法中,两个主要任务虹膜分割共同实施,即,the segmentation of the iris mask, as well as the localizing of the parameterized of the inner (iris-pupil) and outer (sclera-iris) iris edges. It is recommended that future studies explore further efficient approaches to directly use the spatial relation between the iris mask and boundaries of the iris region to enhance the segmentation performance of the iris region. Furthermore, lightweight iris segmentation networks are being developed for practical research and the application of mobile phone devices [180年]。

5.2.2。VGG和R-CNN架构的模型中

帕蒂尔et al。185年)提出了两种方法的CNN基于体系结构感兴趣的区域提取的虹膜,即IPSegNet1 IPSegNet2,获得一个圆形区域通过虹膜和瞳孔分割在一起(185年]。这两种方法是灵感来自现代检测网络单发多箱式检测器(SSD) [186年]和R-CNN [187年]。尽管如此,有限制在分段理想虹膜图像,如斜的图像和阻塞由于睫毛,虹膜是倾斜的185年),所以腐烂et al。188年]介绍了虹膜分割方法基于SegNet架构建议Badrinarayanan et al。189年它使用一个卷积encoder-decoder (CED)网络的方法。这是以前用于巩膜分割的问题(190年]。SegNet是一种特殊的FCN语义分割功能,它使用底层网络对应的13-layer编码器VGG16没有完全连接层。该方法用于眼睛图像划分为六个区域,即。,the pupil region, the medial canthus region, the iris region, the sclera region, eyelashes, and the periocular region [188年]。

同样,解决更困难的条件下的虹膜图像,允许使用的虹膜识别在各种情况下,Korobkin et al。191年]介绍了一个基于CNN虹膜分割方法。该方法旨在结合FCN [192年)和SegNet架构(189年]。但并不是所有的早些时候这解决了一些问题。阻塞问题的虹膜由于眼睑和睫毛,反射,和强大的斜的仍然盛行,主要Hofbauer et al。One hundred.)引入一个参数化的方法来处理分割任务的基础上CNN。参数化过程产生候选分割利用圆形霍夫变换(十)方法(193年]。Hofbauer et al。One hundred.)应用建议的RefineNet林等。194年]。RefineNet是语义的多轨学习网络分割,它使用一个连续的体系结构有四个RefineNet部分,它们中的每一个直接关系到剩余净的结果(One hundred.]。

相比之下,Arsalan et al。59)提出了一种两阶段基于CNN虹膜分割方法。在一个不受约束的环境中,该方法能够准确地检测眼睛虹膜区域内部的边缘图像。在第一阶段,一个粗略的虹膜边缘通过使用修改后的圆形霍夫变换(十)方法,它定义了感兴趣的区域(ROI)通过轻微增加虹膜半径。在第二阶段,CNN调整VGG接口使用获得的数据的ROI。CNN输出层的两个输出特性,用于分类noniris像素找到虹膜的边缘地区。巨额公共数据库的挑战是缺乏探索和深度学习训练技术的大量21×21 CNN培训所需的图像(59]。虽然取得了伟大的成果使用这种方法,分割的虹膜区域仍然非常困难是由于低质量虹膜图像在不受约束的环境中,如低分辨率、观点,闭塞,眼镜,模糊强度、斜的,转动眼睛,镜面反射。提高性能的准确性虹膜分割在无约束条件下,Arsalan et al。40]介绍了密集通透卷积网络(IrisDenseNet)基于深度学习的方法。拟议的技术组合的两个主要技术密集连接卷积网络(DenseNet)技术(171年)和SegNet技术所应用的Badrinarayanan et al。189年使用深卷积encoder-decoder网络。这种方法的挑战是保持低mini-batch大小由于所需更多的时间训练由于密集的连通性和假阳性和假阴性错误引起的睫毛像素噪声反映像素或学生像素,其价值类似于虹膜像素值和反射噪声由于黑暗的虹膜区域或眼镜,仍普遍(40]。为了提高虹膜分割性能,Arsalan et al。41)提出了一个完全剩余encoder-decoder网络(FRED-Net)基于深度学习的方法,这是一个端到端语义分割网络。该网络是基于SegNet [189年]。拟议中的FRED-Net方法只有8卷积层而不是13卷积层残余跳过连接。该方法的一些局限性,语义分割方法的性能精度取决于的训练图片和数量存在假阳性和假阴性错误(错误41]。这些限制动机李et al。177年)引入一个虹膜分割方法基于CNN的重建架构网络更快R-CNN呼吁虹膜分割基于原始CNN模型(195年)和VGG16模型(196年)用于检测和定位瞳孔区域,其次是高斯混合模型(GMM),利用期望最大化(EM) [197年,198年]。然后,检测和提高异色边缘边缘点,异色边缘边缘定位方法(199年)是应用。最后,位于通过知道瞳孔和虹膜部分异色边缘边缘。进一步改善这一技术,异构方法结合CNN的强度与传统方法被推荐的速度。同时,精度提高性能的另一种方法是通过使用语义分割技术,结合它与建议的方法(177年]。为了提高虹膜分割和识别的准确性,赵和库马尔200年基于深度学习)提出了一个框架,称为UniNet。v2提供普遍性的主要挑战。在拟议的框架中,他们用面具R-CNN [201年),实现了虹膜区域的检测和分割,虹膜识别/ non-iris像素。面具R-CNN [201年)由subtechniques,包括一个FCN [41和R-CNN越快202年]为了分离实例面具内同时显示区域。更高精度的检测虹膜和虹膜区域的分割是通过拟议中的面具R-CNN相比以前作品中使用了UniNet [110年,203年]。在未来的研究中,研究者们应该把注意力集中在改善进一步高效的技术特性的同时优化培训流程和虹膜分割的深层网络(200年]。

5.2.3。其他CNN架构模型

刘等人。204年]介绍了两个网络处理虹膜分割问题,即多尺度完全卷积网络(MFCNs)和分层卷积神经网络(HCNNs),用于在嘈杂的环境中收集的虹膜图像距离和on-the-motion等环境。这两个网络的比较和分析表明,该MFCN具有更好的性能和效率。尽管如此,有局限性,例如,虹膜的non-iris像素与像素区域可以作为虹膜像素错误检测(204年]。地址,他et al。169年]引入了基于深CNN虹膜分割方法提取眼睛虹膜特性和段,学生,和巩膜。CNN的结构是一个DeepLab模型的修改版(205年]。这个结构改变了完全连接(FC)层褶积层的结构类似于FCN [192年]。提高虹膜分割的一些局限性如噪声、图像对比,图像模糊,眼睛决议,和阴影的形象,为了解决这一问题的虹膜图像的分割任务在手持设备,Bazrafkan和科克兰深u型网络基于深度学习架构(206年]。普遍的问题包括:眼镜、视线方向,睫毛导致Lozej et al。207年)提出一种新的虹膜分割方法基于深度学习段异构虹膜图像的方法。该方法使用DeepLabV3 Chen等人提出的。208年]随着MobileNet中引入霍华德et al。209年作为市场细分的骨干。相对应的面具虹膜区域提取,即。感兴趣的区域(ROI)。然后,面具乘以输入眼影隐藏non-iris(即残余的图像部分。,将输入图像与零)。在这种方法中,发现应用打开虹膜图像没有优势,因为小细节,如薄睫毛眼睛形象还没有废去。此外,结果更糟,当标准的分割方法被使用当虹膜归一化(207年]。改善性能精度较低的复杂性虹膜分割与挑战性的离轴眼罩,Varkarakis et al。179年)提出了一种基于FCN虹膜分割技术(8),其中包含10层。提出了网络复杂性较低,培训生产劣质离轴眼睛的虹膜区域的分割样本,当面向用户的相机捕捉到在可穿戴AR / VR耳机。该算法的主要挑战是离轴识别。未来的研究建议关注改革网络体系结构和增加/培训策略来提高性能在特定AR / VR耳机。进一步的研究应该包括改善优化CNN架构基于半并行深层神经网络(SPDNN)技术(8用较少的参数,可以提供细分精度高。此外,进一步的研究应考虑疾病相关研究虹膜和CNN细分的设计技术,是能够处理这样的样品179年]。

6。归一化技术

规范化是指的操作将虹膜分割区域的循环模式转化为一个矩形模式。分割后的标准化阶段是应用在特征提取阶段帮助。

规范化虹膜区域,欧麦尔et al。56),Yahiaoui et al。89年],Al-Waisy et al。111年)用胶板模型(16)改变从一个圆形虹膜分割成一个矩形形状。胶板模型变换的线性模式从笛卡尔到极坐标虹膜区域。Daugman [163年)改善正常化的橡胶板模型分段虹膜部分艾滋病减少任何成像不一致在虹膜图像。研究人员喜欢Raffei等人应用Daugman[建议的胶板模型163年)将维分段虹膜区域的圆形矩形,20×240像素的尺寸(39,105年]。

同样,橡胶板模型利用问题等。72年],Djoumessi [75年迦得,et al。80年],药膏和Narote [132年),阮et al。158年Kaur),而et al。210年规范化虹膜区域。这是通过改变虹膜分割成一个固定的矩形区域。因此,一个受欢迎的选择是橡胶板方法可以反复使用。然而,这种方法的挑战是对旋转更加敏感。由于不同半径的瞳孔和虹膜,一些像素重复通过标准化过程的虹膜图像来填补这一空白。几个过去和现在的研究人员试图不断提高规范化方法来克服这个限制沙姆西基地和Rasouli等,介绍了梯形方法(211年]。在这种方法中,虹膜区域分为一系列的同心圆,然后打开。不需要迭代,因为它是一个一对一的映射。因此,这种技术减少了误接受。这种方法的弱点是,它有一个固定结构(211年]。因此,希拉et al。212年]介绍了一个灵活的方法,学生的图像区域,并不是圆的。这种方法使用灵活的磁盘,而不是一个固定的循环模式跟踪虹膜区域的弯曲特性。这种方法的挑战是检测学生的中心地区。提取特性很难定位中心的任何错误都可能影响弹性的轮廓。

7所示。特征提取技术

在获得虹膜和映射这个区域的边界,应该利用特征提取方法获得虹膜的纹理区域的特点,不同于单独的个人。特征提取阶段是一个非常重要的过程来实现高精度识别一个人,因为每个人的独特特性必须提取。特征提取技术可以分为两个部分,使用传统的技术特征提取和特征提取使用深度学习技巧。

7.1。使用传统的技术特征提取

本节解释传统特征提取技术的应用。一个这样的技术来提取归一化虹膜图像的特点是1 d log-Gabor过滤器。龚et al。213年),Raffei et al。39,71年,105年),问题等。72年),药膏和Narote [132年]应用1 d log-Gabor滤波器归一化虹膜图像的特征提取。The1D log-Gabor伽柏过滤器的过滤器是一个扩展并不适合处理光谱信息与最大空间定位。伽柏滤波器的缺点是,当带宽超过一个八度甚至对称滤波器将直流电(DC)组件,而log-Gabor过滤器没有直流分量对任何带宽(132年]。通过扩展结束,log-Gabor过滤器是更高效的编码原始图像比传统伽柏过滤器,这将使有过多的代表低频部分和高频部分媒体在任何编码。伽柏的挑战过滤器是解决log-Gabor过滤器的应用。

其他研究人员如Yahiaoui et al。89年),奥斯曼et al。138年),1月et al。214年,215年),1月和乌斯曼216年),拉贾et al。217年),最近,Nazmdeh et al。6]提出使用2 d-gabor过滤器,非常受欢迎,已经成功地在实际应用中实现。2 d-gabor过滤器通常用于虹膜地区获得全球组织信息的特征提取方法。

艾哈迈迪和Akbarizadeh218年)提出了一种混合健壮的虹膜识别方法利用虹膜图像预处理、二维伽柏内核(2-DGK)特性和多层感知器神经network-particle群优化(MLPNN-PSO)。美国国税局的挑战与2-DGK特征提取器方法和MLPNN-PSO分类器是它的效率并不是在一个可接受的水平。改进的性能特征提取的虹膜纹理,艾哈迈迪et al。219年]介绍了技术依赖于虹膜识别的智能混合系统。该技术是基于三种技术的结合是2-DGK [218年),多项式滤波(PF) [220年,221年),和步骤过滤(SF)来提取虹膜图像的特征。未来研究的重点应放在提高国税局,融合先进的技术,如深度学习技术为了训练算法与其他基于进化论算法来减少所需的存储空间和计算复杂度。

几个关键的积分技术,介绍了虹膜识别在过去,桑托斯和霍伊尔68年和太阳等。222年,改善以前的性能研究,Alvarez-Betancourt和Garcia-Silvente30.)提出了一个方法来提取特征基于虹膜的重点地区。建议的方法利用三个过滤器快速识别要点比如黑森由湾等应用。223年],Harris-Laplace方法合并哈里斯检测器的方法和所使用的尺度选择方法,Mikolajczyk和施密德224年),最后提出的Hessian-Laplace探测器Tuytelaars和Mikolajczyk225年]。建议的方法是基于三个信息的合并出口商的尺度不变特征变换(筛选)应用的劳226年]。这种方法在某些情况下充分虹膜图像的噪音,但它仍然是需要开发的时间和准确性甚至在最近的研究被认为是(30.]。

Kumar et al。73年)应用的结合离散小波变换(DWT)介绍了张成泽et al。227年)和三角离散余弦变换(DCT) Kekre et al。228年)和Nagi et al。229年)来提取虹膜区域的特点。该方法仍有局限性等不受限制的环境中实现和实时应用程序73年]。因此,Barpanda et al。230年]提议使用来自Cohen-Daubechies-Feauveau 9/7小波滤波器组来提取虹膜特征三个步骤,即(1)计算两级小波从虹膜模板,(2)计算小波转换图像的功率谱,和(3)计算的离散余弦变换谱系数(230年]。最近,Barpanda et al。231年)提出了应用小波mel-cepstrum为了提取虹膜特征。建议的技术是基于小波来自公众的正交Cohen-Daubechies-Feauveau (CDF) 9/7滤波器组。在该方法中,mel-frequency倒频谱系数(MFCCs)应用于区分虹膜组织。该技术用于提取虹膜特征三个步骤。第一步是计算两级细节系数的虹膜组织。之后,对数的方法应用于这些细节系数划分为不规则方块。这有助于减少小波系数紧随其后的是指定的不规则的尺寸重量不同频率段。然后,单独的余弦变换方法用于计算相同的功能,通过该功能是提取231年]。建议方法的弱点,在特征尺寸减少,有一个微妙的不准确。通过分析的结果,很明显,倒频谱特性依赖于执行与CDF 9/7小波滤波器组。因此,相信未来的研究的重点应放在开发一个精度较高的虹膜识别系统以最省时的方式收集图像在近红外光谱和可见光谱利用颜色信息。

其他研究人员如迦得et al。80年)提出了一个认知物联网(CIoT)方法利用single-modal之间的结合视觉和multi-algorithm虹膜识别系统的图像为目的的调查。他们应用三角洲的意思(DM)和multi-algorithm (MAM)提取特征80年]。multi-algorithm方法进行了一个并行处理方法。其他研究人员喜欢刘等人介绍了协同合作的方法来提取虹膜纹理的特征(101年]。

7.2。使用深度学习技术特征提取

Minaee et al。232年)应用架构中的VGG16-Net Krizhevsky et al。182年]和Simonyan Zisserman [196年)获得深度从虹膜图像特征提取和画深功能映射通过执行一个卷积序列。然后,主成分分析(PCA)方法应用Abdi和威廉姆斯(233年),以减少特征的维数。这种方法的结果可能会更加增强了培训深度网络专门为识别虹膜图像的232年]。发现眼睛图像由计算机生成的探索的眼睛区域的差异,卡瓦略et al。97年]介绍了VGG架构与19层(VGG19)而不是VGG架构16层(VGG16),最初是由Simonyan和Zisserman196年基于深层神经网络(款)ImageNet的基础。在拟议的方法中,卷积块是特征提取层。未来的研究方向应该深入了解改进特征提取技术引入瓶颈特征的融合,提取不同的深CNN模型融合系统是实现更高的性能(97年,158年]。

改善性能较低计算复杂度和所需的内存空间以及全自动化的网络设计的美国国税局自动功能设计和网络结构设计同时,阮et al。57]介绍了虹膜识别的方法重组设计网络,占约束的计算和内存。该方法被用于研究传统手工IrisCode性能与深网络技术。它还试图进一步加强当前的虹膜识别深层网络实现相似或更高的效率与相同级别的内存和计算复杂度。更重要的是,该技术完全自动化的过程,网络设计搜索虹膜识别的最佳网络结构局限于模型和计算的紧性限制。根据这个算法,它可以得出结论,深层网络的性能强劲计算时的影响有限,这增强了传统IrisCode技术的性能计算和虹膜识别的准确性(57]。

Ahuja et al。134年基于CNN)提出了两种方法来验证图像的眼周的眼睛,包括虹膜区域。在第一种方法,他们提出了一个CNN-based无人监督的技术,融合结果的外部特征向量和RootSIFT基线技术所显示Arandjelović和Zisserman234年]。在第二个方法中,他们提出了CNN-based监督技术,用余弦相似性所显示阮和白235年)两个图像之间的相似性。方法是基于CNN深处,和这两个方法stacked-layer架构(134年]。为了提高性能眼生物特征识别的准确性,Reddy et al。236年]介绍了OcularNet基于CNN架构为移动眼生物识别技术。OcularNet模型提出,他们提取了补丁的六个区域的眼周的眼部以及训练有素的一小块CNN对每一个叫做PatchCNN提取和生成特征描述符,可微之间的个人。未来研究建议增加不同移动设备优化的分析架构如MobileNet MobileNet-v2进一步减少了参数的数量(236年]。

获得虹膜特征更清晰的区分以及解决虹膜识别任务的分类阈值的确定问题通过增加虹膜样本,陈et al。237年]提出紧中心(T-center)损失函数来提取虹膜区域的特点与区别更加突出。拟议中的T-center损失函数是用来解决不足的区别问题与传统softmax损失函数。深的区别的能力特性基于CNN模型可以增强softmax和T-center损失函数的线性融合(237年]。

其他研究人员像Zhang et al。95年)和Al-Waisy et al。111年]介绍了一种技术的基础上,CNN的方法来提取虹膜的特征区域。建议技术,自动提取虹膜的特征区域应用卷积与汇聚层。实际使用中,虹膜图像是一个挑战由于眼镜反射时,不同的照明环境等(95年,111年]。同时,仍需要进一步的研究来提高随机性能的准确性通过随机阅读虹膜图像。刘等人。35]介绍了F-CNN和F-Capsule增加鲁棒性的深度学习训练而不是CNN和胶囊。建议F-CNN和F-Capsule导致的培训过程R-CNN通过应用选择性搜索图像特征提取速度和性能的提高培训过程(35]。赵et al。112年]引入了深度学习技术来提取功能基于国税局胶囊网络的体系结构。在这种方法中,卷积的角色低强度的提取特性部分虹膜图像的像素和形成的主要功能主要用于胶囊层。基于动态路由的方法胶囊两层之间的网络,赵et al。112年)实现了一个修改路由方法建议的算法适应虹膜图像的识别系统。这种迁移学习方法允许使用深度学习技术当虹膜图像的数量是有限的。因此,三个最先进的pretrained设计、VGG16 InceptionV3, ResNet50,介绍分成一系列的子网结构依照他们的主要组成模块的数量(112年]。未来的研究应该进一步发展这种方法通过应用胶囊(向量)特征学习网络解决虹膜识别挑战无约束环境和提高网络处理能力和处理技术研究类的数量时变得非常巨大。

阮et al。158年)提出了五个现成的CNN眼睛虹膜区域的图像提取特征。用他们AlexNet Krizhevsky et al。182年),从Simonyan VGG网络Zisserman [196年《盗梦空间》),谷歌网络由Szegedy介绍(238年),应用的ResNet他et al。239年],DenseNet由黄等建议。171年]。提高性能现成的CNN虹膜图像提取特征,经典CNN可以结合其他方法,如递归神经网络(RNN)和堆叠autoencoder (SAE)和深度信念网(DBN) [158年]。增加的性能特征提取的准确性,马拉et al。240年)提出了一个基于CNN技术适应技术和减少参数的数量以及计算复杂度(在训练和测试阶段)的AlexNet Krizhevsky等建议。182年]。拟议中的AlexNet技术包括三个卷积层提取功能。在这些三层,解决线性单元(ReLu)卷积后被实现为一个非线性的任务,这是紧随其后的是max-pooling层(240年]。赵和库马尔200年基于深度学习)提出了一个框架,UniNet命名。v2,虹膜检测、分割和识别。在拟议的框架中,他们使用FeatNet,基于FCN,它最初是为语义分割(高级192年)来提取虹膜区域的虹膜特征。一个特别设计的扩展三联体损失(ETL) (241年)函数进行结合non-iris掩蔽和移位,发现重要学习虹膜区域的重要和独特的空间特性。未来的研究应该把注意力集中在改善萃取技术更有效地利用虹膜特征对应的空间。

基于美国国税局的深度学习方法,他等。143年]介绍了一种自适应伽柏过滤技术和深度信念网(DBN)虹膜提取。首先,他们用伽柏过滤技术来识别虹膜纹理信息。发现合适的伽柏内核提供的信息最丰富的乐队确定虹膜特征,他们引入了一个数据驱动的伽柏滤波器优化技术基于二进制粒子群优化(全局搜索)。接下来,他们介绍了DBN堆叠了遏制在semi-unsupervised方法来提取虹膜的更深层特征从伽柏码到找出不同类型的噪声。有遇到许多挑战包括睫毛、眼睑和眼镜可以挡住的ROI的虹膜特征提取(143年]。改善性能的准确性国税局基于深度学习方法,小王和库马尔242年)提出一个架构基于深度学习的特征提取方法。建议架构所涉及的扩张卷积神经网络引入的Yu和Koltun184年)和残余学习内核,建议在他et al。239年]。同时,小王和Kumar的工作使用MaskNet单独训练。这种方法侧重于发展扩张的体系结构残余功能净(DRFNet),由赵,库马尔(应用203年)产生二进制特征图和更高的精度。对于未来的研究,可以改善的端到端体系结构可以一起无视蒙面比特或结合培训的端到端MaskNet [242年]。

陆和锅243年]介绍了一个基于增强的残余网络技术对虹膜图像的分类。他们立即利用原始虹膜图像作为输入图像,以避免在提取功能不足。在引入网络,他们提出了卷积频道划分模块,这是应用卷积内核为了从虹膜图像中提取特征,并提取各尺度的特性。他们剩余模块应用于提高学习能力的建议网络(243年]。在许多研究中,深入学习技术需要大量样本进行训练。因此,研究人员将考虑扩大样本数量的非理想虹膜图像数据库内更多的个体,和虹膜图像分割技术还可以应用,从而达到快速和准确的分类。

李等人。244年]引入了眼虹膜识别系统,定义了粗糙的边缘没有实现虹膜区域的分割。解决虹膜识别效率降低的问题,依靠的决心,眼部区域略大于虹膜区域是用来实现虹膜识别,和深残余网络(ResNet)应用于解决降低识别率的问题由于注册和验证图像之间的偏差244年]。拟议的方法仍有限制,如严重的旋转,浓密的睫毛,斜的,运动模糊,眼镜框的虹膜图像。其他限制包括虹膜差分辨率的图像,如图像拍摄时不合作的对象,当有一个相机和主体之间的长途。解决这些限制,研究者应该研究如何提高识别系统的性能通过使用双眼的识别信息,通过收集虹膜图像的数据集,如双胞胎,因为它们的相似性。此外,还应该关注学习技巧可以增加CNN的接受域架构和提取特征来解决减少了虹膜识别的性能的挑战由于注册和识别虹膜图像之间的错位造成的粗糙的眼部区域的检测。

8。特征选择技术

特征选择是一个操作发现理想的特性,可以降低计算复杂性,但仍可以获得一个精确的性能,因此减少的数量特性保存在特征子集。降低计算的复杂性预计将增加美国国税局的速度(245年]。

特征选择的主要目标是减少计算时间和空间需要操作算法,提高分类器通过消除噪声或不必要的特性,和选择特性可能与一个特定的问题中提到的盖恩和Elisseeff246年]。本节描述一些技术之前的虹膜识别的特征选择。

罗伊和巴塔查里亚247年]介绍了基于多目标遗传算法的特征选择方法(分公司)提高虹膜识别的准确度。分公司subfeature选择技术增强了国税局的性能精度,减少了提取特征。然而,莫卡产生额外成本通过若干次迭代寻找最优的特征子集(247年]。为了提高美国国税局的性能效率,罗伊等人用遗传算法(GA)来选择特征提取的重要子集虹膜的纹理区域。介绍的方法成功地减少特性集的大小从2048年到105年。虽然它有助于识别相关的特性,这种方法没有补偿精度高(248年]。

遗传算法优化的神经网络(GAO)介绍了美国国税局在拉贾和Rajagopalan [249年]。介绍了方法应用遗传算法优化的神经网络技术来提高性能精度以及减少学习时间。GA进行10倍的标准偏差值,平均的神经元,层数和方法。虽然结果是有前途的,网络在最初阶段开始偷的结果而不是学习和预测(249年]。

王等人。250年)演算法技术用于选择最歧视特性和计算相似度。基于虹膜的错误分割,这种技术选择最佳特性计算从伽柏过滤器。这种技术给好的结果在嘈杂的虹膜图像250年]。王等人。251年]介绍了特征选择方法可以学习一个集成的和有效的顺序基于线性规划的虹膜识别特性。在这种方法中,大的原则保证金用于学习一个健壮的技术,和歧视性的信息获得每个特性使技术更健壮的噪音。该方法可以有效地解决了单纯形算法(251年]。提高实时生物识别系统的性能,Sahu等人介绍了功能还原法使用基于密度的聚类算法命名阶段强化本地模式(PILP)。它被用来发现关键点,然后使用集群density-based空间聚类的应用程序与噪声(DBSCAN) [245年]。

为了选择最优特性,Kumar et al。73年)使用二进制粒子群优化(全局搜索),建议在进行肯尼迪和埃伯哈特252年),这是基于随机优化。实现全局搜索后提取特征来选择所需的功能。全局搜索是一个单独的版本的粒子群优化(PSO)所建议的Brownlee和肯尼迪(253年)修改粒子速度基于粒子坐标的可能性将会改变0或1 (73年]。减少的数量特征提取和选择重要的特征子集,饶等人引入了特征选择随机技术,即动态二进制粒子群优化(DBPSO),增强美国国税局的性能(254年]。Subban等人实施Haralick措施的PSO方法选择有用的特性的虹膜纹理区域。该算法大大改善了由于模糊选择技术。这种技术实现更快的和可靠的识别系统255年]。

9。分类技术

分类阶段是最后阶段的识别系统(RS)。分类的目的是测量测试样本和样本之间的相似程度数据库的虹膜图像。通常,这些样本的完整匹配是不可能的。因此,每个样本的近似率是用来帮助识别系统识别人。本文分类技术可以分为两个部分:分类使用传统技术和分类使用深度学习技术。

9.1。使用传统技术分类

训练支持向量机的效率仍然是一个瓶颈,特别是对大规模学习问题。提高快速训练支持向量机算法来解决各种问题,顾等人提出了一个技术改进SVM分类特征提取虹膜区域。SVM在嵌入式应用程序更有效率,他们提出了一些优化,提高支持向量机的性能精度国税局和保持高的性能分类。建议的方法将给定的问题从多层次两级分类256年]。

意大利广播电视公司和亚达夫257年相比之下提出了级联分类器的方法。在这种方法中,Haar小波(探测)应用于训练SVM方法为每一个类。一般来说,虽然这种级联分类器方法有很大的性能属性,需要更长的时间,因为它是一个连续的分类器(257年]。药膏和Narote引入了一个定性分析在两个不同的方法,即支持向量机和人工神经网络(ANN),分类特性,从最高的虹膜纹理的提取精度。它是发现,支持向量机在分类更有效132年]。因此,卡瓦略et al。97年和李et al。258年]介绍了基于svm分类器,使用张成泽et al。227年]。支持向量机技术是基于结构风险降低的理论,这划两个类别之间的最大距离(97年]。同时,基于相同的方法,Minaee et al。232年)和阮et al。158年)使用多层次支持向量机应用于韦斯顿和沃特金斯(259年)以及Scholkopf et al。260年)执行分类任务(158年,232年]。

匹配或分类两个虹膜模板,Raffei et al。39,105年),金等。27),Yahiaoui et al。89年),奥斯曼et al。138年),Gangwar和乔希125年),赵和库马尔200年,203年周],et al。261年],Nazmdeh et al。6)应用的汉明距离(HD)技术使用Masek [157年),阿尔瓦雷斯马里诺et al。262年],Daugman [163年]。虹膜图像的特征进行分类,记录样本与样本保存在虹膜图像数据库。

Kumar et al。73年迦得,et al。80年),Ahuja et al。134年),Gangwar和乔希125年),李et al。244年),Reddy et al。236年],Dhage et al。263年]应用欧几里得距离(ED)分类特性,提取虹膜区域纹理特征提取阶段。

另一种方法用于分类两种模型再每个子图象的事例)。事例的方法引入的困难和Al-Biqami264年]被Badejo等应用。265年和夏等。266年)作为分类器由于易于实现,计算复杂度低、调优参数的缺失。同时,事例的分类器与巨大的数据库进行操作。刘等人介绍了一个协作合作虹膜纹理的分类方法,101年]。

然而,许多研究已经批评cross-sensor虹膜匹配的准确性。据说眼睛图像的分类性能被两个不同的传感器或各种决议267年)严重恶化。交叉谱虹膜识别系统的挑战(CS-IRS)是虹膜匹配过程需要匹配VIS频谱的虹膜图像采集虹膜图像收集传统的近红外光谱。这一挑战通常被认为是更加困难,已经吸引了许多研究者的注意地址的低性能cross-sensor虹膜匹配。提高虹膜图像采集的精度匹配在不同领域(VIS和NIR) pixel-to-pixel通讯,Ramaiah和库马尔268年)提出了一个bi-spectral的虹膜识别系统。基于域的分类方法应用朴素贝叶斯改编的最近邻(NBNN)提高AS-IRS虹膜匹配的性能。NBNN分类器是应用于(269年- - - - - -271年)使用远程学习从image-to-class (I2C)。目前几乎所有可用的域适应技术利用image-to-image (I2I)学习而I2C NBNN技术领域下才试着适应(DA-NBNN)所建议的托马西和卡普托272年]。需要更多的研究来开发AS-IRS与新兴应用程序在不同领域如人类监测。重点也应该恢复眼周的地区的判别功能,可以协助CS-IRS提高匹配性能。

为CS-IRS进一步提高匹配的准确性,小王和库马尔51]介绍了两种方法的分类交叉谱虹膜特征从三个CNN架构生成使用架构类似于AlexNet [182年),即CNN softmax损失和暹罗和三重态网络。第一种方法分类依赖于joint-Bayesian推理(273年),而第二种方法包括监督离散哈希(SDH) [274年)生产匹配分数应用汉明距离(HD)。提高匹配技术,艾哈迈迪et al。219年)提出了一个智能混合径向基函数神经网络(时滞)大小与遗传算法(GA),叫做RBFNN-GA分级机,它适用于分类问题。因此,为了提高性能,未来的研究应该关注学习各种分类方法和在不同的混合模型对虹膜图像进行分类有更多的挑战,如不合作的主题,由于运动模糊,虹膜的大小不同,反映由于眼镜,和长途和相机之间的科目。

9.2。分类使用深度学习技术

深度学习的方法得到了太多的关注在虹膜识别人员提供优秀的解决方案。为了优化参数的分类、杜等人应用一种方法基于CNN与统一的架构,提高了分类精度性能与一组不同的虹膜图像数据库(275年]。赵和库马尔203年]介绍了一个统一的网络称为UniNet,包含两个网络:FeatNet MaskNet。该网络是基于FCN [192年)这是改进的语义分割。流行的CNN与FCN不同,它不包含一个完全连接层。同时,该方法包含的功能扩展三联体损失(ETL)结合实现移位操作和non-iris像素掩蔽。对于匹配,他们使用的汉明距离延长面具和关键特征图(203年]。

深神经为虹膜识别方法提出了加西et al。276年]。在该方法中,三个网络模块,每个模块使用神经网络。最后,控制网络集成商的识别(276年]。

对于虹膜的分类模式,Baqar et al。74年)应用技术是依赖于深层信念网络(DBN)通过限制玻耳兹曼机遏制与改进的反向传播算法前馈神经网络(RVLR-NN) [74年]。他等人介绍了一个方法,使用深度信念网(DBN)实现虹膜的分类143年]。此外,马拉et al。240年]介绍了一个基于CNN网络。建议网络包括三个完全连接层AlexNet所应用的Krizhevsky et al。182年)的分类功能,提取通过特征提取阶段240年]。

为了完成分类任务,Zhang et al。95年)和Al-Waisy et al。111年)使用提出了CNN的顶部层技术两个FC层。接下来,最后FC层的输出输入将softmax分类器(95年,111年]。以性别分类使用虹膜图像,Tapia和Aravena277年)提出了两种不同的CNN结构。这种方法表现良好甚至更小的数据集和一个简单的模型。然而,增强需要增加分类器的效率(277年]。提高性能的准确性国税局虹膜图像的一些挑战,王et al。34]介绍了MiCoRe-Net方法混合卷积神经和残余网络虹膜识别的任务。拟议中的MiCoRe-Net方法将SoftMax层作为分类器。该方法显示各种数据扩充策略影响的性能效率识别系统和显示,虹膜识别技术依靠适当的增强策略适当工作(34]。此外,刘等人。35),赵et al。112年],Lozej et al。207年)将softmax层使用CNN对虹膜进行分类模式(35,112年,207年]。亚洲和非亚洲种族分类的虹膜图像,陆和锅243年)提出了一种分类算法的虹膜图像使用增强的残余网络依赖于深度学习的方法。为了进一步提取虹膜图像的特性,他们将卷积通道以及提取特征在不同卷积内核维度。在该算法中,空心卷积应用于增加接受域,这与传统的网络相比,提高了分类的能力和减少参数(243年]。

为了提高分类精度,程et al。52]介绍了智能化框架基于CNN和阿达玛纠错输出编码(Hadamard-ECOC)。小说类的虹膜图像添加到虹膜识别框架不需要重新培训所有的参数。拟议的框架结合了纠正错误的能力和学习能力的特点,虹膜图像。与其他智能化的方法相比,它不仅使用的优秀的图像处理性能CNN还结合Hadamard-ECOC特性简单的架构以及适应能力任意类别(52]。拟议的框架的缺点是这类的数量,可以添加到该框架是有限的。因此,建议研究人员将专注于使用其他编码技术来处理类的数量的局限性,在将来的研究中可以添加。

10。讨论

取得了巨大进步在国税局在过去的10年。这些成就来自于各领域的各种研究虹膜识别。没有这些杰出贡献的研究人员和发明家,我们从来没有意识到技术的进步,他们的福利。表7显示了传统的性能效率和深度学习技术在一些前美国国税局。

手机设备上实现虹膜识别系统性能提出了一些新颖的问题偏差由于用户的注视点,照明,不合作的主题,和较低的中央处理单元(CPU)的能力在一个移动电话。此外,美国国税局在手机主要用于数据保护或为单个用户解锁手机。一般来说,虹膜识别是一天几次当用户执行操作的手机。因此,易用性和计算时间都是一样重要的识别率。由于这些原因,研究人员应该努力提高技术设计融合的速度模型,结合CNN技术的力量和传统的计算机视觉技术的速度。另一种方法是利用语义分割方法并结合最先进的虹膜分割技术依靠神经网络像IrisDenseNet40)或更快R-CNN Girshick[提出的技术,278年或技术建议他et al。169年和李et al。177年]。预言的语义分割技术具有较高的感性反映像素在虹膜区域,提高了整体效率的技术。研究者应该扩展的应用这些技术在手机设备上使用,进一步利用简洁的深度学习方法,比如XNOR-NET [279年]。主要的目标是实现一个快速和准确的国税局在手机设备上。

未来的研究应着眼于美国国税局的能力提高保持准确性,即使数据库上实现大量的样本,类和对象。有些数据库虹膜图像捕捉在约束条件下的近红外光谱波长光谱(IITD casia - irisv4 - 1000, ND-Cross传感器-虹膜- 2013,Bath800)和其他虹膜图像数据库收集在无约束条件下的VIS波长光谱(VISOB UBIRIS.V2。、MICHE-I VSSIRIS, CSIP)应该被用来研究虹膜图像在不同的使用条件和眼生物识别系统的传感器。图像数据库是不受约束的环境中采取的志愿者自己,和这些图像包含照明问题,阴影,散焦,姿势,分辨率,距离,和图像质量(通常受光照条件影响),以及其他挑战。由于这些挑战,美国国税局使用这样的眼睛图片可能不可靠;因此,一些方法使用的特点介绍了眼周的地区(134年,280年- - - - - -284年VIS)通常发生在无约束条件的波长。小说是很重要的研究技术以及小说与大量的眼部图像数据库,类和对象为了评估方法在文献的可伸缩性。这些小说技巧的融合图像中存在不同的生物功能,例如,整个脸,眼周的虹膜。在这种方法中,仍有余地增强生物特性的检测/分割现有的脸在技术领域和融合特征提取这些地区成不同层次,如特征提取和匹配率(53,285年以及通过引入融合技术,结合经典IrisCode技术和深度学习网络(57]。

本文提出了不同阶段相关的虹膜识别技术。也清楚地描述了每个方法的性能效率通过每个国税局阶段,然后突出贡献和提高每个技术研究方向。仍然需要大量的研究开发美国国税局的性能效率。例如,有一种强烈的需要提高精确度在当前技术深度学习和传统方法提高性能效率虹膜识别系统的图像。尽管,其他一些挑战无约束(理想)环境中被发现含有多种噪声等运动,模糊不清,斜的,低分辨率、旋转、扭曲、剪切、缩放、反射和划痕从眼镜,关闭由于睫毛,噪音,镜框的干扰。此外,在许多作品中存在的技术有关的主题虹膜识别、性能水平已经不是似乎是相同的数据库。应该执行准确分析来确定这些差异的原因(s)的性能代价。此外,可用的数据库需要与不同的噪声类型大型数据集来支持研究人员通过使用深度学习方法提高性能。

所有获得虹膜图像的噪声类型被使用的预处理方法。美国国税局的挑战导致假阳性和假阴性错误的增加由于黑暗区域,瞳孔扩张,类似于虹膜的像素像素,下垂的眼睑由于年龄,戴眼镜,由于眼镜反射。因为他们模糊的虹膜区域的纹理特征,这些挑战需要进行更多的研究。因此,随着类的数量变得非常大,需要更多的研究来研究网络处理范围和处理技术。

该地区周围的虹膜纹理是分开的纹理分割阶段。深度学习技术协助生产分割准确、速度快。虹膜区域纹理描述符然后由使用适当的技术基于深度学习的特征提取。多个特性提供足够的虹膜图像的特征信息。同时,CNN技术大多需要大而复杂的计算。因此,最合适的方法在某些方法成功由于适当的选择最有益的功能。群体智能方法和遗传算法可以应用于虹膜区域的选择最优特征。分类技术可以帮助系统决定为了获得匹配/识别。在一般情况下,支持向量机分类器的性能优于人工神经网络分类器。然而,人工神经网络技术的性能效率可以进一步提高通过优化调整的参数。 Also, other hybrid methods like classifiers based on fusion methods can enhance the performance of the classification techniques of recognition systems.

总的来说,这篇综述描述了已经取得的进展增加的性能精度不同阶段的虹膜识别系统(irs)。虽然有些虹膜识别系统的深度学习方法如前所述,温斯顿和Hemanth [31日)不使用分类和标准化的技术,使用了一些技术分割和归一化来提高虹膜识别的性能效率。因此,本文还强调了使用混合技术来提高虹膜识别系统的性能效率通过专注于增加的准确性和减少计算复杂度。同时,改善美国国税局的生物性能,深度学习方法适合使用通过RNN等其他值得注意的技术监督和管理深度信念网(DBN)。这些技术有其特殊的优势,可以利用两个独立或结合标准cnn提高虹膜图像的特征提取的能力。因此,深度学习方法被认为是机器学习的新边界,可能处理上述挑战。这将是有趣的比较深度学习性能的准确性与现有的传统方法在未来的研究。

一般来说,由于数以百万计的参数中使用网络,深度学习方法是配备在训练过程中高度的计算复杂度,需要强大的gpu和大数据。这是与传统技术相比,尤其是Daugman伽柏特性,可以提取和比较数千IrisCodes通用CPU上。删除层和冗余神经元和减少网络规模,压缩和修剪工作。深度学习达到更高的精度等任务虹膜分割,特征提取,和虹膜识别,与传统技术相比。由于技术基于深度学习的方法是训练而不是程序,应用程序通常与深度学习需要更少的专家分析和微调;除此之外,他们会使用大量的数据在当前系统。深度学习技术提供更大的通用性因为CNN模型和体系结构可以接受再培训,利用自定义数据库的任何用例,与传统技术相比,往往更具体的领域。

11。结论

国税局获得了全世界的关注作为一个权威的生物识别系统由于虹膜特征的独特性。其准确性导致其采用筛查和检测罪犯,恐怖分子,逃亡者和难民。安全的国家和人民的安全,最先进的技术不再只是要求但至关重要的必要性。因此,研究人员必须努力追求新技术开发更复杂的识别系统。的准确性,国税局比其他种类的生物系统,如人脸识别,眼周的识别,和指纹识别由于其高灵敏度假,人类虹膜的稳定性,和每个人的独特性286年]。

然而,虹膜识别系统成为不知不觉中弱时图像捕获的视频或图像的人工虹膜图像,图像戴隐形眼镜的,由计算机生成的图像(287年]。研究还强调其他的挑战,如阻塞由于睫毛和眼睑,旋转或斜的,反映由于戴眼镜,由于疾病、畸形和高光谱照明(31日]。

虹膜图像识别系统的多种方法根据不同阶段基于两种方法是传统和深度学习提出了与研究人员的贡献以及优势和劣势国税局的一些技术。再次重申,美国国税局有七个主要阶段:收购阶段的虹膜图像预处理阶段提高形象,虹膜分割阶段分离眼睛的虹膜区域形象,标准化阶段分段虹膜区域变成一个矩形模式特征提取阶段提取虹膜特征,特征选择阶段选择独特的特性,和分类/匹配阶段发现虹膜图像之间的相似性和图像数据库。综述论文显示,美国国税局的未来是光明的,鼓励研究人员进一步进行研究解决上述挑战并为他们提供合适的解决方案。

的利益冲突

作者宣称没有利益冲突。

引用

1. b方和y y唐弹性注册视网膜图像重建血管树的基础上,“IEEE生物医学工程,53卷,不。6,1183 - 1187年,2006页。视图:出版商的网站|谷歌学术搜索
2. k·p·霍林k·w·鲍耶,p . j .弗林“虹膜生物识别技术的调查研究:2008 - 2010年”虹膜识别的手册页15-54 Springer,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
3. 美国Viriri和j . r . Tapamo”集成使用user-specificweighting虹膜和签名特征的个人身份验证,”传感器,12卷,不。4、4324 - 4338年,2012页。视图:出版商的网站|谷歌学术搜索
4. 曹a . k . Jain s s Arora, k, l . Best-Rowden和a·博“指纹识别的年轻的孩子,”IEEE取证和安全信息,12卷,不。7,1501 - 1514年,2016页。视图:出版商的网站|谷歌学术搜索
5. k . Bonnen b·f·克莱尔,a . k . Jain”在自动人脸识别组件的表示,“IEEE取证和安全信息,8卷,不。1,第253 - 239页,2012。视图:出版商的网站|谷歌学术搜索
6. 诉Nazmdeh s Mortazavi d . Tajeddin h . Nazmdeh和m . m .亚欧会议”,虹膜识别;从经典到现代方法,”学报2019年IEEE 9日年度计算和沟通研讨会和会议(CCWC)美国拉斯维加斯,NV, 2019年1月。视图:出版商的网站|谷歌学术搜索
7. r·戴维和p . Sujatha”,研究生物和多模式生物系统模块,应用,技术和挑战,”学报2017年会议上新兴设备和智能系统(结构),Mallasamudram,印度,2017年3月。视图:出版商的网站|谷歌学术搜索
8. s . Bazrafkan s Thavalengal p·科克兰,“虹膜分割的端到端深层神经网络在无约束情况下,“神经网络卷,106年,第95 - 79页,2018年。视图:出版商的网站|谷歌学术搜索
9. s . z李百科全书的生物识别技术:写,卷2,施普林格科学与商业媒体,柏林,德国,2009年。
10. r . Szewczyk k·格拉博夫斯基,m . Napieralska w . Sankowski m . Zubert和A . Napieralski”一个可靠的基于反向双正交小波变换的虹膜识别算法,”模式识别的字母,33卷,不。8,1019 - 1026年,2012页。视图:出版商的网站|谷歌学术搜索
11. l . Flom和a . Safir“虹膜识别系统”,1987年,谷歌的专利。视图:谷歌学术搜索
12. y Alvarez-Betancourt和m . Garcia-Silvente虹膜识别的概述:文献计量分析2000 - 2012年期间,“科学计量学,卷101,不。3、2003 - 2033年,2014页。视图:出版商的网站|谷歌学术搜索
13. j . Daugman c·唐宁,“表观遗传的随机性、复杂性和奇点的人类虹膜模式,”London-Series的《皇家学会学报B:生物科学,卷268,不。1477年,第1740 - 1737页,2001年。视图:出版商的网站|谷歌学术搜索
14. k .阮c·福r . Jillela曾经,a·罗斯和a·罗斯,“远程虹膜识别:一项调查,”模式识别卷,72年,第143 - 123页,2017年。视图:出版商的网站|谷歌学术搜索
15. 尼噶的,m . Vatsa, r·辛格“眼生物识别技术:模式和融合方法的调查,“信息融合卷26日1-35,2015页。视图:出版商的网站|谷歌学术搜索
16. j·g . Daugman“高信心视觉识别人的测试统计独立,”IEEE模式分析与机器智能,15卷,不。11日,第1161 - 1148页,1993年。视图:出版商的网站|谷歌学术搜索
17. p Drozdowski, f、c . Rathgeb和c·布希,“在近红外检测眼镜眼部图像,”《2018年国际生物识别技术会议(ICB),黄金海岸,澳大利亚,2018年3月。视图:出版商的网站|谷歌学术搜索
18. e . Dolgin“近视的繁荣”,自然,卷519,不。7543年,第278 - 276页,2015年。视图:出版商的网站|谷歌学术搜索
19. h . Proenca s菲利浦- r·桑托斯·j·奥利维拉,和洛杉矶Alexandre ubiris。v2:可见波长虹膜图像捕捉移动的数据库和在远处,“IEEE模式分析与机器智能,32卷,不。8,1529 - 1535年,2009页。视图:出版商的网站|谷歌学术搜索
20. r . Donida Labati和f . Scotti嘈杂的虹膜分割边界除正规化和反思,“图像和视觉计算,28卷,不。2、270 - 277年,2010页。视图:出版商的网站|谷歌学术搜索
21. 崔t·m·麦克卢尔·d·k . Wooten c . Nield t·m·贝克尔和s . l . Mansberger”眼镜影响vision-related印第安/阿拉斯加原住民的生活质量,”美国眼科杂志》,卷151,不。1,第182 - 175页,2011。视图:出版商的网站|谷歌学术搜索
22. h·李,z .太阳和t . Tan“健壮的虹膜分割基于边界探测器,”学报》2012年第5 IAPR生物识别技术国际会议(ICB)2012年3月,新德里,印度。视图:出版商的网站|谷歌学术搜索
23. s . a . Sahmoud和i . s . Abuhaiba“有效虹膜分割方法在不受约束的环境中,“模式识别,46卷,不。12日,第3185 - 3174页,2013年。视图:出版商的网站|谷歌学术搜索
24. g . e .作者Lynskey三世,d·k·鲍威尔,r·g·迪克森和j·e . Silberzweig”辐射防护在介入放射学:调查结果的态度和使用,“血管和介入放射学杂志》上,24卷,不。10日,1547 - 1551年,2013页。视图:出版商的网站|谷歌学术搜索
25. K.-M。陈,Y.-M。方,Y.-S。林,“产品开发的眼镜款式颜色意象在镜框和肤色,”学报》2014年第四次国际会议上数字信息和通信技术及其应用(DICTAP)曼谷,泰国,2014年5月。视图:出版商的网站|谷歌学术搜索
26. w·卢和肯尼迪。Petiot”,情感设计的产品使用一个以听力协议:应用程序的眼镜框,”国际工业工效学杂志》上,44卷,不。3、383 - 394年,2014页。视图:出版商的网站|谷歌学术搜索
27. y . d . Kim Jung, K.-A。”(音),b .儿子,j . Kim实证研究虹膜识别手机,“专家系统与应用程序54卷,第339 - 328页,2016年。视图:出版商的网站|谷歌学术搜索
28. d . Borza a Darabant, r . Danescu”眼镜镜片轮廓提取使用高效的形状描述,从面部图像”传感器,13卷,不。10日,13638 - 13658年,2013页。视图:出版商的网站|谷歌学术搜索
29. 美国Ramli和m . Sobani“虹膜分割对于理想的图像,”Jurnal各种,卷2,19-25,2015页。视图:谷歌学术搜索
30. y Alvarez-Betancourt和m . Garcia-Silvente“keypoints-based特征提取的虹膜识别方法在变量图像质量条件下,“以知识为基础的系统卷,92年,第182 - 169页,2016年。视图:出版商的网站|谷歌学术搜索
31. j·j·温斯顿和d . j . Hemanth虹膜图像生物识别系统,全面审查”软计算,23卷,不。19日,9361 - 9384年,2019页。视图:出版商的网站|谷歌学术搜索
32. b . y .荣格,d . Kim儿子,j .金正日“眼睛移动虹膜识别、检测方法的眼镜”专家系统与应用程序卷,67年,第188 - 178页,2017年。视图:出版商的网站|谷歌学术搜索
33. d . Yadav,克里n, s . Yadav, m . Vatsa r·辛格和a . Noore“虹膜表示攻击通过变形隐形眼镜在无约束的环境中,”学报2018年IEEE冬季会议上的应用计算机视觉(WACV)太浩湖,NV,美国,2018年3月。视图:出版商的网站|谷歌学术搜索
34. c . Li z . Wang h . Shao, j .太阳,“眼睛识别与混合卷积和残余网络(MiCoRe-Net)”IEEE访问》第六卷,第17912 - 17905页,2018年。视图:出版商的网站|谷歌学术搜索
35. 周z . m . Liu, p .商和d .徐”Fuzzified深度学习在虹膜识别中图像增强,”IEEE模糊系统,28卷,不。1,第99 - 92页,2019。视图:出版商的网站|谷歌学术搜索
36. k·w·鲍耶,k -霍林和p . j .弗林”形象理解为虹膜生物识别技术:一项调查,”计算机视觉和图像理解,卷110,不。2、281 - 307年,2008页。视图:出版商的网站|谷歌学术搜索
37. h . Proenca和洛杉矶Alexandre错误率的虹膜识别:分析关于分割的准确性阶段,“图像和视觉计算,28卷,不。1,第206 - 202页,2010。视图:出版商的网站|谷歌学术搜索
38. h·s·s . Bharadwaj Bhatt, m . Vatsa和r·辛格“眼周的生物识别技术:当虹膜识别失败,”《2010年第四届IEEE国际生物识别技术:理论、应用程序和系统(bta)美国,华盛顿特区,2010年9月。视图:出版商的网站|谷歌学术搜索
39. a . f . m . Raffei h . Asmuni r·哈桑和r·m·奥斯曼”帧检测使用渐变模糊逻辑对遥远的颜色和形态处理眼睛虹膜图像在一个智能识别系统,”应用软计算37卷,第381 - 363页,2015年。视图:出版商的网站|谷歌学术搜索
40. p . m . Arsalan r·纳·d·Kim Nguyen m·欧维斯和k .公园,“IrisDenseNet:健壮的虹膜分割使用密集通透卷积网络在可见光和近红外光相机的图像传感器,”传感器,18卷,不。5,1501年,页2018。视图:出版商的网站|谷歌学术搜索
41. m . b . m . Arsalan d . s . Kim Lee m .欧维斯和k . r .公园,“FRED-Net:完全剩余encoder-decoder准确的虹膜分割网络”专家系统与应用程序卷,122年,第241 - 217页,2019年。视图:出版商的网站|谷歌学术搜索
42. s . l . Lim k·l·李,o . b .机构和t·k·金,“有效的虹膜识别通过特征向量的改进和分类器,”电子杂志,23卷,不。2、61 - 70年,2001页。视图:出版商的网站|谷歌学术搜索
43. a . Rattani和r . Derakhshani眼生物识别技术在可见光谱:一项调查,“图像和视觉计算卷,59岁,硕士论文,2017页。视图:出版商的网站|谷歌学术搜索
44. m . De Marsico a .彼得和s里恰尔迪、“虹膜识别通过机器学习技术:一项调查,“模式识别的字母卷,82年,第115 - 106页,2016年。视图:出版商的网站|谷歌学术搜索
45. m . Zhang, z, h, t . Tan和z的太阳,“向实用的远程虹膜识别:基于提升框架,“Neurocomputing卷,330年,第252 - 238页,2019年。视图:出版商的网站|谷歌学术搜索
46. h . Proenca和洛杉矶Alexandre UBIRIS:嘈杂的虹膜图像数据库”国际会议的程序对图像分析和处理2005年9月,意大利卡利亚里。视图:谷歌学术搜索
47. 罗伯特和l . Machala虹膜数据库,奥奥深造大学Czechia, 2007年。
48. m . De Marsico m . Nappi d·里奇奥h .韦氏,“移动虹膜挑战评价(发牢骚)- i,虹膜生物识别数据集和协议,”模式识别的字母卷,57 17-23,2015页。视图:出版商的网站|谷歌学术搜索
49. m·a·t·m·汗·d·g·贝利,汗,和y,“实时虹膜分割及其FPGA实现,”实时图像处理》杂志上,17卷,第1102 - 1089页,2020年。视图:出版商的网站|谷歌学术搜索
50. a . Rattani r . Derakhshani s . k . Saripalle诉Gottemukkula,“ICIP 2016竞争移动眼生物特征识别,”学报2016年IEEE国际会议上图像处理(ICIP)美国凤凰城,阿兹,2016年9月。视图:出版商的网站|谷歌学术搜索
51. k . Wang和a·库马尔”交叉谱虹膜识别使用CNN和监督离散哈希,“模式识别卷,86年,第98 - 85页,2019年。视图:出版商的网站|谷歌学术搜索
52. y, y刘、朱x和美国,“multiclassification方法虹膜数据基于阿达玛纠错输出码和卷积网络,”IEEE访问7卷,第145245 - 145235页,2019年。视图:出版商的网站|谷歌学术搜索
53. l . a . Zanlorensi r . Laroca大肠Luz, a . s . b . Britto Jr .) l·s·奥利维拉和d . Menotti“眼部识别数据库和竞赛:一项调查,”2019年,https://arxiv.org/abs/1911.09646。视图:谷歌学术搜索
54. s . Rakshit准确的人类虹膜识别的新方法2007年英国大学浴,浴。
55. l . Omelina j . Goga j . Pavlovicova m . Oravec和b·詹森“iris数据集的调查,”图像和视觉计算文章ID 104109卷,108年,2021年。视图:出版商的网站|谷歌学术搜索
56. 欧麦尔,公元前Dhara,钱德,“虹膜识别使用多尺度形态学特性,”模式识别的字母卷,65年,第74 - 67页,2015年。视图:出版商的网站|谷歌学术搜索
57. k .阮c·福曾经,曾经,和l .高级“约束设计深虹膜网络”,IEEE图像处理,29卷,第7175 - 7166页,2020年。视图:出版商的网站|谷歌学术搜索
58. a . f . Sequeira j . c .蒙泰罗a·雷贝洛惠普奥利维拉,“MobBIO:多通道数据库捕获的便携式手持设备,”学报2014年国际会议上计算机视觉理论和应用程序(VISAPP)2014年1月,里斯本,葡萄牙,。视图:谷歌学术搜索
59. m . Arsalan h .香港r·纳et al .,“深上优于虹膜分割在可见光下的虹膜识别环境,”对称,9卷,不。11,263年,页2017。视图:出版商的网站|谷歌学术搜索
60. y陈和w·张,“虹膜活性检测:一项调查,”学报2018年IEEE第四国际会议多媒体大数据(BigMM)2018年9月,西安,中国,。视图:出版商的网站|谷歌学术搜索
61. 诉Chirchi、l . m . Waghmare和l . Waghmare”增强isocentric segmentor和小波矩形编码器虹膜分割和识别,”国际智能工程和系统杂志》上,10卷,不。3、1 - 10,2017页。视图:出版商的网站|谷歌学术搜索
62. j . Fierrez j . Ortega-Garcia d·托瑞托和j . gonzalez rodriguez”BioSec基线文集:多通道生物数据库”,模式识别,40卷,不。4、1389 - 1392年,2007页。视图:出版商的网站|谷歌学术搜索
63. s p Fenker和k·w·鲍耶分析虹膜生物识别技术的模板老化”《2012年IEEE计算机学会学报计算机视觉与模式识别会议研讨会2012年6月美国普罗维登斯,国际扶轮。视图:出版商的网站|谷歌学术搜索
64. d . r .卢西奥r . Laroca l . a . Zanlorensi g . Moreira和d . Menotti”同时虹膜和眼周的地区检测使用粗注释,”学报2019年第32 SIBGRAPI图形,会议模式和图像(SIBGRAPI)2019年,里约热内卢,巴西,Octomber。视图:出版商的网站|谷歌学术搜索
65. m·尼克松和a . s . Aguado特征提取和图像处理、学术出版社、剑桥、马、美国、2008。
66. 刘黄x l . Ren, r·杨“低侵入性虹膜捕获图像去模糊,”学报2009年IEEE计算机视觉与模式识别会议美国佛罗里达州,迈阿密,2009年6月。视图:出版商的网站|谷歌学术搜索
67. S.-T。李,郭宏源。尹,K.-S。金,K.-D。金姆,w .公园”,清除牙齿的镜面反射彩色图像由感知器神经网络”学报2010年的第二次国际会议上的信号处理系统2010年7月,大连,中国,。视图:出版商的网站|谷歌学术搜索
68. g·桑托斯·e·霍伊尔,“融合无约束的虹膜识别方法。”模式识别的字母,33卷,不。8,984 - 990年,2012页。视图:出版商的网站|谷歌学术搜索
69. a . b . Dehkordi和s . a . r . abu bakar”在虹膜识别使用多个阈值降噪学报2013年IEEE国际会议在信号和图像处理应用程序2013年,马来西亚马六甲Octomber。视图:出版商的网站|谷歌学术搜索
70. j·刘,z .太阳和t . Tan“距离度量学习认识到低分辨率虹膜图像,”Neurocomputing卷,144年,第492 - 484页,2014年。视图:出版商的网站|谷歌学术搜索
71. A . f . m . Raffei h . Asmuni r·哈桑和r·m·奥斯曼”低照明或对比度可见虹膜识别使用iso-contrast有限的自适应直方图均衡化,”以知识为基础的系统卷。74年,40-48,2015页。视图:出版商的网站|谷歌学术搜索
72. k . a .问题b·g·普拉萨德,k . Sneha”一种有效的虹膜代码存储和搜索技术,虹膜识别使用非齐次k d树”《2015年国际会议上新兴电子产品的研究,计算机科学与技术(ICERECT)2015年12月,Mandya,印度,。视图:出版商的网站|谷歌学术搜索
73. d·库马尔·m·Sastry和k . Manikantan“虹膜识别使用对比度增强和谱特征提取”学报2016年国际会议上新兴的趋势在工程技术和科学(ICETETS)Pudukkottai,印度,2016年2月。视图:出版商的网站|谷歌学术搜索
74. m . Baqar甘尼a, a·阿夫塔Arbab,美国当局,“深层信念网络基于轮廓的虹膜识别检测,”学报2016年开源系统&技术国际会议(ICOSST)拉合尔,巴基斯坦,2016年12月。视图:出版商的网站|谷歌学术搜索
75. m . Djoumessi“虹膜分割使用Daugman的积分微分算子,”NSF犹他州州立大学的活洛根,北卡罗莱纳大学教堂山分校,数控,美国,2016年。视图:谷歌学术搜索
76. a . Gangwar a . Joshi a·辛格f . Alonso-Fernandez和j . Bigun”IrisSeg:快速、健壮的虹膜分割框架理想虹膜图像,”生物识别技术学报2016年国际会议哈尔姆斯塔德,瑞典,2016年6月。视图:出版商的网站|谷歌学术搜索
77. a . Radman、n。s . a . Suandi“自动获得虹膜图像分割在一个不受约束的环境中使用HOG-SVM和GrowCut,”数字信号处理卷。64年,60 - 70、2017页。视图:出版商的网站|谷歌学术搜索
78. e·里贝罗a . Uhl f . Alonso-fernandez, r . a . Farrugia”探索深度学习的图像超分辨率虹膜识别,”学报2017年25日欧洲信号处理会议(EUSIPCO)科斯,页2176 - 2180年,希腊,2017。视图:出版商的网站|谷歌学术搜索
79. m . Arsenovic s Sladojevic d .假摔,a .某著名“深眼球运动的神经网络集成的体系结构分类,”《2018年17国际研讨会INFOTEH-JAHORINA (INFOTEH)东萨拉热窝,波斯尼亚和黑塞哥维那,2018年3月。视图:出版商的网站|谷歌学术搜索
80. r·迦得m .现场答:a . a . El-Latif et al .,“虹膜识别使用multi-algorithmic方法认知物联网(CIoT)框架,“未来一代计算机系统卷,89年,第191 - 178页,2018年。视图:出版商的网站|谷歌学术搜索
81. n Susitha和r . Subban可靠瞳孔虹膜检测和分割算法基于SPS,”认知系统研究57卷,第84 - 78页,2019年。视图:出版商的网站|谷歌学术搜索
82. r . Das和r . Derakhshani使用学习和BPDFHE转移到提高眼部图像识别的准确性,”学报2019年IEEE国土安全技术国际研讨会(HST)沃本马,美国,2019年11月。视图:出版商的网站|谷歌学术搜索
83. r . Donida e·穆尼奥斯诉Piuri, a·罗斯和f . Scotti”理想虹膜分割使用极性花键RANSAC和照明补偿,”计算机视觉和图像理解文章ID 102787卷,188年,2019年。视图:出版商的网站|谷歌学术搜索
84. a . f . m . Raffei h . Asmuni r·哈桑和r·m·奥斯曼,“虹膜特征提取的不同距离可见反射使用多尺度当地拉东变换的稀疏表示,“模式识别,46卷,不。10日,2622 - 2633年,2013页。视图:出版商的网站|谷歌学术搜索
85. T.-Y。柴,b m。黄懿慧泰,Goi W.-K。下巴,杨绍明。关铭赖,“当地chan-vese细分为理想的可见波长虹膜图像,”学报》2015 - 2015年TAAI会议技术和人工智能技术的应用程序,台南,台湾,2015年11月。视图:出版商的网站|谷歌学术搜索
86. 陈y、m . Adjouadi c·汉et al .,”一个高度准确和计算有效的方法对无约束虹膜分割,“图像和视觉计算,28卷,不。2、261 - 269年,2010页。视图:出版商的网站|谷歌学术搜索
87. p .中提琴和m·琼斯,“快速目标检测使用一个简单的特性,提高了级联”2001年IEEE计算机学会学报计算机视觉与模式识别会议考艾岛,美国,2001年12月,你好。视图:出版商的网站|谷歌学术搜索
88. 大津,“从灰度直方图的阈值选择方法,”IEEE系统,人,控制论,9卷,不。1,第66 - 62页,1979。视图:出版商的网站|谷歌学术搜索
89. m . Yahiaoui大肠Monfrini b . Dorizzi,”马尔可夫链的无监督分割NIR虹膜图像退化的人认可,“模式识别的字母卷,82年,第123 - 116页,2016年。视图:出版商的网站|谷歌学术搜索
90. f·简”,细分和定位方案理想虹膜生物识别系统,”信号处理卷,133年,第212 - 192页,2017年。视图:出版商的网站|谷歌学术搜索
91. k . Zuiderveld“对比度自适应直方图均衡化有限,”图形宝石四世、学术出版社、剑桥、马、美国、1994。视图:出版商的网站|谷歌学术搜索
92. m . s . Maheshan、b . s .哈瑞和n . Nagadarshan”的使用图像增强技术对健壮的巩膜分割,“Procedia计算机科学卷,143年,第473 - 466页,2018年。视图:出版商的网站|谷歌学术搜索
93. j·卡、r . Safabakhsh和s . Mozaffari”文档图像分割使用模糊分类器和dual-tree DWT,”学报》2009年第14届国际CSI计算机会议2009年,德黑兰,伊朗,Octomber。视图:出版商的网站|谷歌学术搜索
94. x呗,”形态图像融合使用提取的基于多尺度的图像区域和细节上流社会的变换和切换运营商相比,“数字信号处理,23卷,不。2、542 - 554年,2013页。视图:出版商的网站|谷歌学术搜索
95. w·张,c . Wang和p .雪,“卷积神经网络应用于虹膜识别技术,”学报》2017年第四届国际会议系统和信息学(ICSAI)2017年11月,杭州,中国。视图:出版商的网站|谷歌学术搜索
96. 张x l .沈,“小波同态滤波器对图像对比度增强,”电子杂志,29卷,第533 - 531页,2001年。视图:谷歌学术搜索
97. t·卡瓦略·e·r·s . de Rezende m·t·p·阿尔维斯f . k . c . Balieiro和r . b . Sovat将计算机生成的图像通过眼睛的区域分类通过转移学习VGG19 CNN,”学报》2017年16 IEEE国际会议上机器学习和应用程序公开2017年12月,墨西哥坎昆。视图:出版商的网站|谷歌学术搜索
98. Y.-T。Chang C.-W。或者,t . k . Shih,中州。李,“执行虹膜分割利用测地线活动轮廓(GAC)”《前沿国际会议上计算2017年7月,日本大阪,。视图:谷歌学术搜索
99. Y.-T。Chang t . k . Shih,中州。李和w·库马拉”有效性评价虹膜分割利用测地线活动轮廓(GAC)”《华尔街日报》的超级计算卷,76年,第1641 - 1628页,2020年。视图:出版商的网站|谷歌学术搜索
100. h . Hofbauer大肠Jalilian, a . Uhl”利用优越CNN-based虹膜分割为更好的识别精度,”模式识别的字母卷。120年,17-23,2019页。视图:出版商的网站|谷歌学术搜索
101. 罗x, y呗,y, z,和y . Liu“虹膜识别在可见光谱基于多层类似卷积和协作表示,“模式识别的字母卷,117年,第73 - 66页,2019年。视图:出版商的网站|谷歌学术搜索
102. k他、j .太阳和x,“单一图像烟雾去除之前使用黑暗通道,”IEEE模式分析与机器智能,33卷,不。12日,第2353 - 2341页,2010年。视图:出版商的网站|谷歌学术搜索
103. r·迦得a . EL-Sayed m . Zorkany, n . EL-Fishawy”的一个有效的方法简单的虹膜定位和归一化技术,”Menoufia电子工程研究杂志》上,25卷,不。2、213 - 226年,2016页。视图:出版商的网站|谷歌学术搜索
104. p·李和h·马”,虹膜识别在理想的成像条件下,“模式识别的字母,33卷,不。8,1012 - 1018年,2012页。视图:出版商的网站|谷歌学术搜索
105. a . f . m . Raffei h . Asmuni r·哈桑和r·m·奥斯曼”融合线强度剖面和支持向量机对于消除反射额RGB颜色眼睛的图像,”信息科学卷,276年,第122 - 104页,2014年。视图:出版商的网站|谷歌学术搜索
106. s . r . Abdani w·m·d·w·扎基a·侯赛因和a·穆斯塔法”的一种自适应非线性增强方法使用乙状结肠函数在翼状胬肉虹膜分割情况下,”《2015年国际电子研讨会(IES)2015年9月,印尼泗水。视图:出版商的网站|谷歌学术搜索
107. l .舒化g“改制”,“改进的HSV颜色空间模型的应用在图像处理中,”学报2010年的第二次国际会议上未来的计算机和通信,卷2,页V2-V10,武汉,中国,2010。视图:出版商的网站|谷歌学术搜索
108. m . s . Imtiaz和k·a·瓦希德”颜色增强内镜图像使用自适应乙状结肠函数和空间变异色彩再现,“计算和数学方法在医学文章ID 607407卷,2015年,19页,2015。视图:出版商的网站|谷歌学术搜索
109. s . r . Abdani w·m·d·w·扎基a·穆斯塔法和a·侯赛因”虹膜翼状胬肉前段拍摄图像的分割方法,”学报2015年IEEE计算机应用研讨会上与工业电子产品(ISCAIE)兰卡威,页69 - 72年,马来西亚,2015年。视图:出版商的网站|谷歌学术搜索
110. 赵z和k . Ajay”下一个准确的虹膜分割框架轻松成像约束使用全变差模型,”《IEEE计算机视觉国际会议,页3828 - 3836,圣地亚哥,智利,2015。视图:出版商的网站|谷歌学术搜索
111. A . s . Al-Waisy r . Qahwaji s Ipson s Al-Fahdawi和t . A . m . Nagem”multi-biometric虹膜识别系统基于深度学习的方法,”模式分析与应用,21卷,不。3、783 - 802年,2018页。视图:出版商的网站|谷歌学术搜索
112. t·赵g .霍和朱x, y . Liu“深度学习虹膜识别方法基于胶囊网络架构,”IEEE访问7卷,第49701 - 49691页,2019年。视图:出版商的网站|谷歌学术搜索
113. d .表h . Garud a . Suveer m . Mahadevappa和j . Chatterjee“亮度保持动态模糊直方图均衡化,”IEEE消费类电子产品卷,56号4、2475 - 2480年,2010页。视图:出版商的网站|谷歌学术搜索
114. h·易卜拉欣和n .实物支付债券的香港,“亮度保持动态直方图均衡化图像对比度增强,”IEEE消费类电子产品,53卷,不。4、1752 - 1758年,2007页。视图:出版商的网站|谷歌学术搜索
115. m . Bertalmio g . Sapiro诉Caselles, c . Ballester“图像修复,”学报》27日的年度会议上计算机图形和交互技术新奥尔良,页417 - 424年,洛杉矶,美国,2000年7月。视图:出版商的网站|谷歌学术搜索
116. 巴黎,p . Kornprobst j . Tumblin f·杜兰,“双边滤波:理论和应用程序”,基础和趋势®在计算机图形学和愿景,4卷,不。1、1 - 73、2009页。视图:谷歌学术搜索
117. 乔和A . Oberoi“虹膜识别,一个健壮的分割方法”国际高级研究计算机科学杂志》上,卷2,不。5,2011。视图:谷歌学术搜索
118. r·古普塔和a·库马尔”嘈杂的虹膜图像的有效分割技术”,国际杂志的应用程序或创新工程与管理(IJAIEM),卷2,不。12日,第125 - 118页,2013年。视图:谷歌学术搜索
119. p . Verma m . Dubey p Verma和s·巴苏,“Daughman虹膜识别作为生物识别的算法方法的方法,”国际期刊的新兴技术和先进的工程,卷2,不。6,177 - 185年,2012页。视图:谷歌学术搜索
120. m . Haindl和m . Krupička non-iris遮挡,无监督检测”模式识别的字母卷,57岁,60 - 65、2015页。视图:出版商的网站|谷歌学术搜索
121. e . Chaum t . p . Karnowski v . p . Govindasamy m . Abdelrahman和k·w·托宾,”自动诊断视网膜病变的基于内容的图像检索,”视网膜,28卷,不。10日,1463 - 1477年,2008页。视图:出版商的网站|谷歌学术搜索
122. r . g . Mesquita和e . m . n . Figueiredo”一个算法测量翼状胬肉的进步已经确诊的眼睛,”学报2012年IEEE国际会议音响、演讲和信号处理(ICASSP)《京都议定书》,页733 - 736年,日本,2012年8月。视图:出版商的网站|谷歌学术搜索
123. d·a·罗伊和美国索尼“虹膜分割使用Daughman的方法,”学报》国际会议电气、电子、和优化技术,ICEEOT 2016钦奈,页2668 - 2676年,印度,2016年3月。视图:出版商的网站|谷歌学术搜索
124. m .男人,m . f . Ab雅m . s . m . Rahim和艾哈迈德,“测地线活动轮廓的方法实现对虹膜色素斑点细分表面,”计算机科学期刊,12卷,不。11日,第571 - 564页,2016年。视图:出版商的网站|谷歌学术搜索
125. a Gangwar和a . Joshi DeepIrisNet:深虹膜表示应用程序在虹膜识别和cross-sensor虹膜识别中,”学报2016年IEEE国际会议上图像处理(ICIP)凤凰,页2301 - 2305年,阿兹,美国,2016年9月。视图:出版商的网站|谷歌学术搜索
126. m·a·m·阿卜杜拉,s . s . Dlay w . l .哇,和j·a·钱伯斯“健壮的虹膜分割方法基于一种新的活动轮廓力非圆形正常化,”IEEE系统,人,和控制论:系统卷,47号12日,第3141 - 3128页,2016年。视图:出版商的网站|谷歌学术搜索
127. d . Osorio-Roig a Morales-Gonzalez,大肠Garea-Llano”彩色眼睛图像的语义分割为提高虹膜分割,”伊比利亚美洲国会程序的模式识别,第474 - 466页,马德里,西班牙,2017年。视图:谷歌学术搜索
128. m . j . Aligholizadeh s Javadi r . Sabbaghi-Nadooshan和k . Kangarloo“眼睑和睫毛分割基于小波变换的虹膜识别,”学报》2011年第四届国际大会上图像和信号处理,3卷,第1235 - 1231页,上海,中国,2011年10月。视图:出版商的网站|谷歌学术搜索
129. l .徐问:严、y .夏和j .贾”结构提取通过相对全变差,从纹理”ACM交易图片没有,卷。31日。6、1 - 10,2012页。视图:出版商的网站|谷歌学术搜索
130. e·r·戴维斯电脑和机器视觉:理论、算法、实用性、学术出版社、剑桥、马、美国、2012。
131. 美国欧麦尔,公元前Dhara,钱德,“快速虹膜定位和健壮的方法,”学报》2014年第四次国际会议的新兴信息技术的应用,页262 - 267,加尔各答,印度,2014。视图:谷歌学术搜索
132. 美国药膏和s . p . Narote“虹膜识别使用SVM和安,”Poceedings 2016年国际会议上的无线通信、信号处理和网络(WiSPNET)钦奈,页474 - 478年,印度,2016年3月。视图:出版商的网站|谷歌学术搜索
133. y l .马t . Tan王,d,“有效的虹膜识别描述关键地方的变化,“IEEE图像处理,13卷,不。6,739 - 750年,2004页。视图:出版商的网站|谷歌学术搜索
134. k . Ahuja r .伊斯兰教,f . A . Barbhuiya和k·戴伊,“cnn的初步研究虹膜和眼周的验证在可见光谱,”学报2016年23日国际会议模式识别(ICPR),第186 - 181页,2016年。视图:谷歌学术搜索
135. d·h·巴拉德,“概括霍夫变换检测任意形状,”数据在计算机视觉爱思唯尔,页714 - 725年,阿姆斯特丹,荷兰,1987年。视图:出版商的网站|谷歌学术搜索
136. t . Schlett c Rathgeb c·布希,“多光谱虹膜分割在可见光波长,”《2018年国际生物识别技术会议(ICB),页190 - 194,黄金海岸,澳大利亚,2018年2月。视图:出版商的网站|谷歌学术搜索
137. c . Rathgeb a Uhl、p .野生和h . Hofbauer“虹膜识别SDK的设计决策,”虹膜识别的手册施普林格,页359 - 396年,柏林,德国,2016年。视图:出版商的网站|谷歌学术搜索
138. n . Othman, b . Dorizzi和s . Garcia-Salicetti“欧西里斯:一个开放源码的虹膜识别软件。”模式识别的字母卷,82年,第131 - 124页,2016年。视图:出版商的网站|谷歌学术搜索
139. c .徐和j·l .王子”蛇,形状,和梯度向量流”,IEEE图像处理,7卷,不。3、359 - 369年,1998页。视图:出版商的网站|谷歌学术搜索
140. g .经美国Garcia-Salicetti, b . Dorizzi“维特比算法增强虹膜分割在不同的决议,”学报》2012年第5 IAPR生物识别技术国际会议(ICB),页310 - 316,新德里,印度,2012。视图:谷歌学术搜索
141. b . Benmiloud和w . Pieczynski估计des产品在德马尔可夫链缓存等细分d形象,“TS。Traitement du信号,12卷,不。5,433 - 454年,1995页。视图:谷歌学术搜索
142. l·e·鲍姆和j . a . Eagon”一个不等式应用概率统计估计函数的马尔可夫过程和生态模型,”《美国数学学会,卷73,不。3、360 - 364年,1967页。视图:出版商的网站|谷歌学术搜索
143. j . f .他韩y h . Wang, y,和z,“深度学习架构基于最优的虹膜识别伽柏过滤器和深层信念网络,”电子杂志的成像,26卷,不。2,p。23005年,2017年。视图:出版商的网站|谷歌学术搜索
144. j . f .精明的边缘检测的计算方法,“IEEE模式分析与机器智能,8卷,不。6,670 - 700年,1986页。视图:出版商的网站|谷歌学术搜索
145. Banerjee和d . Mery“虹膜分割使用测地线活动轮廓和grabcut,”图像和视频技术页48-60 Springer,柏林,德国,2015年。视图:谷歌学术搜索
146. 诉Caselles, Kimmel r, g . Sapiro“测地线主动轮廓,”《IEEE计算机视觉国际会议剑桥,页694 - 699,妈,美国,1995年6月。视图:出版商的网站|谷歌学术搜索
147. c·洛特,诉柯尔莫哥洛夫,a·布莱克,“GrabCut。”ACM交易图片,23卷,不。3、309 - 314年,2004页。视图:出版商的网站|谷歌学术搜索
148. Lankton和a·坦南鲍姆,双重“本地化提出主动轮廓,”IEEE图像处理,17卷,不。11日,第2039 - 2029页,2008年。视图:出版商的网站|谷歌学术搜索
149. 斯盖瑞尔·D·巴博萨,t . Dietenbeck j ., 'hooge j . D, D . Friboulet o·伯纳德,”b样条明确的积极面:一个高效的实时3 D框架提出分割,“IEEE图像处理,21卷,不。1,第251 - 241页,2011。视图:出版商的网站|谷歌学术搜索
150. n .中间人和b区格”的梯度直方图的人体检测,”2005年IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05),1卷,页886 - 893,圣地亚哥,美国,2005年6月。视图:出版商的网站|谷歌学术搜索
151. j·l·Rojo-Alvarez m . Martinez-Ramon j . Munoz-Mari g . Camps-Valls,“一个统一的信号估计的支持向量机框架,”数字信号处理,26卷,页1 - 2014。视图:出版商的网站|谷歌学术搜索
152. g·弗兰奇、j . Angulo和d . Sejdinović“高光谱图像分类支持向量机在内核分配嵌入的,”学报2016年IEEE国际会议上图像处理(ICIP)凤凰城,页1898 - 1902年,阿兹,美国,2016年。视图:出版商的网站|谷歌学术搜索
153. f . Zaklouta和b . Stanciulescu“实时交通标志识别的三个阶段,”机器人和自治系统,卷62,不。1 - 24,2014页。视图:出版商的网站|谷歌学术搜索
154. 毛y, h·刘,你们r, y,和z的歌,“使用猪的病毒检测和分割斑块和支持向量机:对自动空斑实验,”生物医学材料与工程,24卷,不。6,3187 - 3198年,2014页。视图:出版商的网站|谷歌学术搜索
155. 诉Vezhnevets和诉Konouchine GrowCut:互动多标记细胞自动机和图像分割,”《Graphicon,1卷,不。4页150 - 156,新西伯利亚,俄罗斯,2005年。视图:谷歌学术搜索
156. a . Morales-Gonzalez大肠Garcia-Reyes, l . e . Sucar”改善提高图像注释的图像分割与不规则的金字塔,”在模式识别、图像分析、计算机视觉和应用程序施普林格,页399 - 406年,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
157. l . Masek“人类虹膜生物识别模式的识别,”西澳大利亚大学,珀斯,澳大利亚,2003年,硕士论文。视图:谷歌学术搜索
158. k .阮c·福,a·罗斯,美国曾经“虹膜识别与现成的CNN特点 :深度学习的角度来看,“IEEE访问》第六卷,第18855 - 18848页,2017年。视图:出版商的网站|谷歌学术搜索
159. 美国沙和a·罗斯,“虹膜分割使用测地线主动轮廓,“IEEE取证和安全信息,4卷,不。4、824 - 836年,2009页。视图:出版商的网站|谷歌学术搜索
160. z z . t . Tan他和太阳,“高效、健壮的嘈杂的虹膜图像分割非合作虹膜识别,”图像和视觉计算,28卷,不。2、223 - 230年,2010页。视图:出版商的网站|谷歌学术搜索
161. C.-W。谭和a·库马尔”向在线虹膜和眼周的识别在放松成像约束下,“IEEE图像处理,22卷,不。10日,3751 - 3765年,2013页。视图:出版商的网站|谷歌学术搜索
162. r·p·王尔德“虹膜识别:一个新兴的生物技术,”IEEE学报》,卷85,不。9日,第1363 - 1348页,1997年。视图:出版商的网站|谷歌学术搜索
163. j . Daugman“虹膜识别是如何工作的,”图像处理的基本指南爱思唯尔,页715 - 739年,阿姆斯特丹,荷兰,2009年。视图:出版商的网站|谷歌学术搜索
164. n . Reddy A Rattani, r . Derakhshani”一个健壮的虹膜分割方案在移动环境中,”学报2016年IEEE国土安全技术研讨会上(HST)美国马,页1 - 6,沃尔瑟姆,2016年5月。视图:出版商的网站|谷歌学术搜索
165. a . Campilho和m·卡迈勒“图像分析和识别,”第七届国际研讨会论文集,2010年ICIAR2010年6月,Povoa de Varzin、葡萄牙、。视图:谷歌学术搜索
166. t·金姆和w . Yu“ransac家人的绩效评估,”英国机器视觉研讨会论文集(BMVC),页1 - 12,伦敦,英国,2009年9月。视图:谷歌学术搜索
167. C.-T。周,S.-W。施,W.-S。陈,v . w . Cheng和D.-Y。陈,“非正交视图虹膜识别系统”,IEEE电路和系统视频技术,20卷,不。3、417 - 430年,2009页。视图:出版商的网站|谷歌学术搜索
168. k . Wang和y钱,“快速而准确的虹膜分割基于线性基函数和RANSAC”学报2011年18 IEEE国际会议上图像处理,页3205 - 3208年,布鲁塞尔,比利时,2011年9月。视图:出版商的网站|谷歌学术搜索
169. y, s . Wang k .贝聿铭m . Liu和j .赖”可见光谱虹膜分割通过深度卷积网络”《中国会议上生物特征识别成都,页428 - 435年,中国,2017年10月。视图:出版商的网站|谷歌学术搜索
170. a . Lakra p . Tripathi r . Keshari m . Vatsa和r·辛格“SegDenseNet:虹膜分割前后白内障手术,”学报2018年24日国际会议模式识别(ICPR),第3155 - 3150页,北京,中国,2018年11月。视图:出版商的网站|谷歌学术搜索
171. 黄g . l . Van Der Maaten z . Liu和k·温伯格,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页4700 - 4708年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
172. 诉Varkarakis, s Bazrafkan p·科克兰,“深度学习的方法来分割头盔显示器,扭曲的虹膜区域的”学报2018年IEEE游戏、娱乐、媒体会议(GEM)高威,页1 - 9,爱尔兰,2018年8月。视图:出版商的网站|谷歌学术搜索
173. 艾哈迈德和b·富勒“无约束虹膜分割使用卷积神经网络,”计算机视觉的亚洲会议,页450 - 466,珀斯,澳大利亚,2018年。视图:谷歌学术搜索
174. y, p .沈,c·陈,“一个健壮的虹膜分割使用完全网络扩张的卷积,卷积,”《2018年IEEE国际研讨会上多媒体(ISM)9 - 16页,台中,台湾,2018年12月。视图:出版商的网站|谷歌学术搜索
175. 美国丽安罗z z,钟,x林苏,和美国,“注意力引导U-Net准确的虹膜分割。”杂志的视觉传达和图像表示,56个卷,第304 - 296页,2018年。视图:出版商的网站|谷歌学术搜索
176. j . Lozej b . Meden诉Struc, p .同行,“端到端使用U-Net虹膜分割,”学报2018年IEEE国际Bioinspired情报工作会议(IWOBI)圣卡洛斯,页1 - 6,哥斯达黎加,2018年7月。视图:出版商的网站|谷歌学术搜索
177. 中州。李,P.-J。黄,y胡安,”一个高效和健壮的虹膜分割算法使用深度学习,”移动信息系统ID 4568929条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
178. 吴x和l .赵”研究虹膜分割算法基于密集U-net,”IEEE访问7卷,第123968 - 123959页,2019年。视图:出版商的网站|谷歌学术搜索
179. 诉Varkarakis, s Bazrafkan p·科克兰,“深层神经网络和数据扩增方法离轴虹膜分割在可穿戴的耳机,“神经网络卷,121年,第121 - 101页,2020年。视图:出版商的网站|谷歌学术搜索
180. c . Wang j·穆罕默德,y, z, z的太阳,和美国成员,“对完整和准确的虹膜分割使用深多任务关注网络非合作虹膜识别,”IEEE取证和安全信息15卷,第2959 - 2944页,2020年。视图:出版商的网站|谷歌学术搜索
181. o . Ronneberger、p·费舍尔和t . Brox”U-net:卷积网络生物医学图像分割”《医学影像计算和计算机辅助介入的国际会议,页234 - 241,德国慕尼黑,2015年10月。视图:出版商的网站|谷歌学术搜索
182. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”诉讼进展的神经信息处理系统太浩湖,页1097 - 1105年,NV,美国,2012年。视图:谷歌学术搜索
183. 顾w·张,x, y,孟x, y . Liu和j·李,”一个强大的基于改进U-net虹膜分割方案,“IEEE访问7卷,第85089 - 85082页,2019年。视图:出版商的网站|谷歌学术搜索
184. f . Yu和诉Koltun多尺度环境下扩张的聚合的隆起,”2015年,http://arxiv.org/abs/1511.07122。视图:谷歌学术搜索
185. s·m·帕蒂尔、r . r . Jha和a·尼噶的“IpSegNet:深卷积虹膜和瞳孔,基于神经网络的分割框架”学报2017年第13次国际会议上Signal-Image技术&网络系统(提)斋浦尔,页184 - 191年,印度,2017。视图:出版商的网站|谷歌学术搜索
186. r . Girshick j·多纳休、t·达雷尔和j·马利克”提出卷积网络精确的目标检测和分割,“IEEE模式分析与机器智能,38卷,不。1,第158 - 142页,2015。视图:出版商的网站|谷歌学术搜索
187. d . w . Liu Anguelov, d . Erhan et al .,“SSD:单身MultiBox探测器拍摄,”《计算机学报Vision-ECCV 2016,页21-37,阿姆斯特丹,荷兰,2016年10月。视图:出版商的网站|谷歌学术搜索
188. p .腐烂,z Emersic、诉Struc和p .同行,“眼睛深多层次分割眼生物识别技术,”学报2018年IEEE国际Bioinspired情报工作会议(IWOBI)圣卡洛斯,页1 - 8,哥斯达黎加,2018年7月。视图:出版商的网站|谷歌学术搜索
189. 诉Badrinarayanan, a·肯德尔和r . Cipolla”SegNet:深卷积encoder-decoder架构对于图像分割,“IEEE模式分析与机器智能,39卷,不。12日,第2495 - 2481页,2017年。视图:出版商的网站|谷歌学术搜索
190. Das,美国朋友,m·a·费雷尔和m . Blumenstein”SSRBC 2016:巩膜分割和识别基准竞争,”《2016年国际生物识别技术会议(ICB)哈尔姆斯塔德,页1 - 6,瑞典,2016年6月。视图:出版商的网站|谷歌学术搜索
191. m . Korobkin g . Odinokikh y Efimov, Solomatin, i Matveev,虹膜分割在困难的条件下,“模式识别和图像分析,28卷,不。4、652 - 657年,2018页。视图:出版商的网站|谷歌学术搜索
192. j .长,大肠Shelhamer, t·达雷尔“完全卷积网络语义分割”《IEEE计算机视觉与模式识别会议,页3431 - 3440,波士顿,MA,美国,2015年6月。视图:出版商的网站|谷歌学术搜索
193. h .袁j . Princen j·伊林沃思,j .麻烦的,”霍夫变换方法圆的比较研究发现,“图像和视觉计算,8卷,不。1,第77 - 71页,1990。视图:出版商的网站|谷歌学术搜索
194. 林g, a .米兰、c .沈和里德,“Refinenet:高分辨率多路径优化网络的语义分割,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页1925 - 1934年,美国,2017年11月,你好。视图:出版商的网站|谷歌学术搜索
195. m . d . Zeiler和r·费格斯“可视化和理解卷积网络”欧洲计算机视觉的诉讼苏黎世,页818 - 833年,瑞士,2014年9月。视图:出版商的网站|谷歌学术搜索
196. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,http://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
197. j . a . Bilmes一个温和的教程参数估计的EM算法及其应用高斯混合隐马尔可夫模型美国伯克利CA、国际计算机科学研究所,1998。
198. m·a·t·Figueiredo和a . k . Jain有限混合模型的无监督学习,”IEEE模式分析与机器智能,24卷,不。3、381 - 396年,2002页。视图:出版商的网站|谷歌学术搜索
199. 中州。李和P.-J。黄”,准确和高效的用户身份验证机制基于虹膜识别的智能眼镜,“移动信息系统ID 1281020条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
200. 赵z, A·库马尔检测提供了统一的框架,基于深度学习的分割和识别虹膜使用相应空间特性,”模式识别卷,93年,第557 - 546页,2019年。视图:出版商的网站|谷歌学术搜索
201. k .他g . Gkioxari p .美元,r . Girshick“面具R-CNN”《IEEE计算机视觉国际会议,第2969 - 2961页,威尼斯,意大利,2017年10月。视图:出版商的网站|谷歌学术搜索
202. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”诉讼进展的神经信息处理系统加拿大蒙特利尔,页91 - 99,,2015年12月。视图:谷歌学术搜索
203. z赵和a·库马尔”更准确的虹膜识别使用相应深入学习空间特性,”《IEEE计算机视觉国际会议,第3818 - 3809页,威尼斯,意大利,2017年10月。视图:出版商的网站|谷歌学术搜索
204. h . n . Liu, m . Zhang j . Liu z太阳,和t . Tan“准确的虹膜分割在非合作的环境中充分利用卷积网络”《2016年国际生物识别技术会议(ICB)哈尔姆斯塔德,页1 - 8,瑞典,2016年6月。视图:出版商的网站|谷歌学术搜索
205. h .能剧,美国在香港,汉族,“学习反褶积网络语义分割”《IEEE计算机视觉国际会议,页1520 - 1528,圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
206. 美国Bazrafkan p·科克兰,“提高虹膜认证在手持设备上使用深度学习派生的分割技术,”学报2018年IEEE国际会议消费电子产品(ICCE),页1 - 2、拉斯维加斯、NV,美国,2018年1月。视图:出版商的网站|谷歌学术搜索
207. j . Lozej d .Štepec诉Štruc, p .对等”分割对深虹膜识别性能的影响,”2019年,http://arxiv.org/abs/1901.10431。视图:谷歌学术搜索
208. L.-C。陈,朱y, g .帕潘德里欧f·斯沃夫和h·亚当,”与深黑色的分离卷积Encoder-decoder语义图像分割,”计算机视觉的欧洲会议(大会),页801 - 818,德国慕尼黑,2018年9月。视图:出版商的网站|谷歌学术搜索
209. 答:霍华德,a . Zhmoginov L.-C。陈,m·桑德勒和m .朱”倒残差和线性瓶颈:移动网络的分类、检测和分割,“相关系数, 2018年。视图:谷歌学术搜索
210. b·考尔,s·辛格和j . Kumar“Cross-sensor虹膜欺骗检测使用正交特性,”计算机与电气工程卷,73年,第288 - 279页,2019年。视图:出版商的网站|谷歌学术搜索
211. m·沙姆西基地和a . Rasouli”,一个创新的梯形归一化虹膜识别系统,”程序的国际会议上计算机和软件建模,14卷,页130 - 134,Gambang,马来西亚,2011年。视图:谷歌学术搜索
212. 希拉尔a, p . Beauseroy和b .亚都”高等虹膜识别性能,弹性带正常化模型”专业生物识别技术,3卷,不。4、190 - 197年,2014页。视图:出版商的网站|谷歌学术搜索
213. 施p y锣,d . Zhang, j .严”高速多光谱虹膜采集系统设计”IEEE仪表和测量,卷61,不。7,1966 - 1978年,2012页。视图:出版商的网站|谷歌学术搜索
214. f .简。乌斯曼,s . a .汗”可见波长数据,健壮的虹膜生物识别系统”中国光学信,11卷,不。8,81501年,页2013。视图:出版商的网站|谷歌学术搜索
215. f .简乌斯曼,s . A .汗和A·马利克,“非圆虹膜定位技术理想的动态数据,”计算机与电气工程,40卷,不。8,215 - 226年,2014页。视图:出版商的网站|谷歌学术搜索
216. f·扬和乌斯曼,”眼睛虹膜分割为可见波长和近红外图像,”Optik,卷125,不。16,4274 - 4282年,2014页。视图:出版商的网站|谷歌学术搜索
217. k·b·拉贾r . Raghavendra v . k . Vemuri和c·布希,“基于智能手机的虹膜识别使用深可见稀疏的过滤,“模式识别的字母卷,57 33-42,2015页。视图:出版商的网站|谷歌学术搜索
218. n艾哈迈迪和g . Akbarizadeh”混合动力强劲的虹膜识别方法利用虹膜图像提前处理,两维伽柏特性和多人层感知器神经网络/ PSO,”专业生物识别技术,7卷,不。2、153 - 162年,2017页。视图:出版商的网站|谷歌学术搜索
219. n .艾哈迈迪·m·Nilashi s Samad t·a·拉希德和h·艾哈迈迪,“一个聪明的虹膜识别方法使用监督机器学习技术,”光学与激光技术文章ID 105701卷,120年,2019年。视图:出版商的网站|谷歌学术搜索
220. j . Galbally m . Savvides s Venugopalan, a . a .罗斯,“从二进制文件模板,虹膜图像重建”虹膜识别的手册施普林格,页469 - 496年,柏林,德国,2016年。视图:出版商的网站|谷歌学术搜索
221. n Strobel和s . k . Mitra“二次过滤器的图像对比度增强,”学报1994年28日艾斯洛玛尔会议信号,系统和电脑,1卷,页208 - 212,太平洋格罗夫,CA,美国,1994年11月。视图:出版商的网站|谷歌学术搜索
222. 美国太阳、杨,和l .赵“非合作的牛虹膜识别通过筛选,”Neurocomputing卷,120年,第317 - 310页,2013年。视图:出版商的网站|谷歌学术搜索
223. a . h .湾Ess、t . Tuytelaars和l . Van干傻事,“骗补健壮的特性(冲浪),”计算机视觉和图像理解,卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
224. k . Mikolajczyk和c·施密德规模和仿射不变的兴趣点探测器,”国际计算机视觉杂志》上,60卷,不。1,第86 - 63页,2004。视图:出版商的网站|谷歌学术搜索
225. t . Tuytelaars和k . Mikolajczyk局部不变特征探测器:一项调查,”基础和趋势®在计算机图形学和愿景,3卷,不。3、177 - 280年,2008页。视图:谷歌学术搜索
226. d·g·劳”独特的形象特征尺度不变的要点,国际计算机视觉杂志》上,60卷,不。2、91 - 110年,2004页。视图:出版商的网站|谷歌学术搜索
227. j . k . r . j .张成泽公园Kim和y·李,“新的虹膜识别系统,重点评估方法”模式识别的字母卷,29号13日,1759 - 1767年,2008页。视图:出版商的网站|谷歌学术搜索
228. h·b·Kekre k . Tanuja p . Bhatia n . Sandhya和d . Nagpal“虹膜识别使用部分系数通过应用离散余弦变换,haar小波和离散小波变换,“国际期刊《计算机和应用程序,32卷,不。6,975 - 8887年,2011页。视图:谷歌学术搜索
229. j . Nagi s·k·艾哈迈德,f . Nagi”姿势不变的面孔识别使用混合DWT-DCT频率特性与支持向量机”诉讼的第四届国际会议信息技术和多媒体,页99 - 104,吉隆坡,马来西亚,2008年。视图:谷歌学术搜索
230. s . s . Barpanda p . k . Sa o .品牌b Majhi和美国问题,“基于虹膜识别与可调滤波器银行的功能,”多媒体工具和应用程序,卷77,不。6,7637 - 7674年,2018页。视图:出版商的网站|谷歌学术搜索
231. s . s . Barpanda b Majhi p . k . Sa, a . k . Sangaiah和美国问题,“虹膜特征提取通过小波mel-frequency倒频谱系数,”光学与激光技术卷。110年,13-23,2019页。视图:出版商的网站|谷歌学术搜索
232. s . Minaee a Abdolrashidi y王,“深卷积特性的实验研究虹膜识别shervin”信号处理在医学和生物学学报》研讨会(SPMB)美国宾夕法尼亚州,费城2016人。视图:谷歌学术搜索
233. Abdi h和l . j .威廉姆斯,“主成分分析”,威利跨学科评论:计算统计,卷2,不。4、433 - 459年,2010页。视图:出版商的网站|谷歌学术搜索
234. r . Arandjelović和a . Zisserman”三件事每个人都应该知道改善对象检索,,”学报2012年IEEE计算机视觉与模式识别会议普罗维登斯,页2911 - 2918年,RI,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
235. h . v .阮和l .呗,”余弦相似性度量学习面对验证,”计算机视觉的亚洲会议昆士城,页709 - 720年,新西兰,2010年11月。视图:谷歌学术搜索
236. n . Reddy a Rattani, r . Derakhshani”OcularNet :深patch-based眼生物特征识别,”学报2018年IEEE国土安全技术国际研讨会(HST)沃本马,2018年10月美国。视图:出版商的网站|谷歌学术搜索
237. c . y . Chen吴,y王”T-center:一种新的特征提取方法对大规模的虹膜识别,”IEEE访问,8卷,第32375 - 32365页,2020年。视图:出版商的网站|谷歌学术搜索
238. c . Szegedy”更深层次的曲线玲珑,”《IEEE计算机视觉与模式识别会议美国,页1 - 9,波士顿,MA, 2015年6月。视图:出版商的网站|谷歌学术搜索
239. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
240. 马拉f, g . Poggi c桑松,l . Verdoliva“虹膜识别传感器模型,深入学习方法”模式识别的字母卷。113年,46-53,2018页。视图:出版商的网站|谷歌学术搜索
241. f·斯沃夫,d . Kalenichenko和j . Philbin”Facenet:统一嵌入人脸识别和聚类”《IEEE计算机视觉与模式识别会议,页815 - 823,波士顿,MA,美国,2015年6月。视图:谷歌学术搜索
242. k . Wang和a·库马尔”更准确的虹膜识别使用扩张残留特性,”IEEE取证和安全信息,14卷,不。12日,第3245 - 3233页,2019年。视图:出版商的网站|谷歌学术搜索
243. y Lu和h .锅”,虹膜图像在种族分类中的应用基于扩张卷积和残余网络,”IEEE访问7卷,第182405 - 182395页,2019年。视图:出版商的网站|谷歌学术搜索
244. k . w . y . w . Lee Kim t . m .黄平君m . Arsalan和k . r .公园,“深残余CNN-based眼部识别基于粗糙瞳孔检测在近红外相机的图像传感器,”传感器(瑞士巴塞尔),19卷,不。4 p。842年,2019年。视图:出版商的网站|谷歌学术搜索
245. b . Sahu·库马尔Sa s .问题和a . k . Sangaiah“减少对虹膜识别速度更快,密集的地方特征关键点”计算机与电气工程卷,70年,第949 - 939页,2018年。视图:出版商的网站|谷歌学术搜索
246. 即盖恩和a . Elisseeff”介绍变量和特征选择。”机器学习研究杂志》上,3卷,第1182 - 1157页,2003年。视图:谷歌学术搜索
247. k·罗伊·p·巴塔查里亚,“最优特征子集选择对于虹膜的识别和分类,“EURASIP杂志在图像和视频处理卷,2008年,页1 - 2008。视图:出版商的网站|谷歌学术搜索
248. k·罗伊·p·巴塔查里亚,c . y .孙”对非理想的虹膜识别基于水平集方法,遗传算法和自适应对称的支持向量机,”人工智能技术的工程应用,24卷,不。3、458 - 475年,2011页。视图:出版商的网站|谷歌学术搜索
249. v . s . Raja和s . p . Rajagopalan虹膜识别系统利用神经网络和遗传算法,”国际期刊《计算机和应用程序卷。68年,20页,2013年。视图:出版商的网站|谷歌学术搜索
250. 问:王、张x m .李董x,问:周,和y阴,“演算法和multi-orientation 2 d Gabor-based嘈杂的虹膜识别,”模式识别的字母,33卷,不。8,978 - 983年,2012页。视图:出版商的网站|谷歌学术搜索
251. z l . Wang太阳,t . Tan“健壮的正规化特征选择虹膜识别通过线性规划”21国际会议的程序模式识别(ICPR2012)筑波,页3358 - 3361年,日本,2012年11月。视图:谷歌学术搜索
252. j·肯尼迪和进行r·c·埃伯哈特,”一个离散的二进制版本的粒子群算法,”学报1997年IEEE国际会议系统,人,控制论。计算控制论和仿真5卷,第4108 - 4104页,1997年10月美国佛罗里达州奥兰多市。视图:出版商的网站|谷歌学术搜索
253. j . Brownlee和j·肯尼迪,“粒子群优化”,机器学习的百科全书1卷,第766 - 760页,2010年。视图:谷歌学术搜索
254. p . r . n . Rao m . Hebbar, k . Manikantan”特征选择使用动态二进制粒子群优化增强虹膜识别”学报2016年第三届国际会议在信号处理和集成网络(SPIN)诺伊达,页139 - 146年,印度,2016。视图:出版商的网站|谷歌学术搜索
255. r . Subban: Susitha, d . p . Mankame”有效的虹膜识别使用基于Haralick特征提取和模糊粒子群优化,“集群计算,21卷,不。1,第90 - 79页,2018。视图:出版商的网站|谷歌学术搜索
256. h·顾y壮族、y锅和陈,“一个新的虹膜识别方法为嵌入式系统,”《国际会议上嵌入式软件和系统杭州,页103 - 109年,中国,2004。视图:谷歌学术搜索
257. h·拉伊和a . Yadav虹膜识别使用结合支持向量机和汉明距离方法,”专家系统与应用程序第41卷。。2、588 - 593年,2014页。视图:出版商的网站|谷歌学术搜索
258. y . h . m . b . Lee金,k . r .公园,“条件生成敌对的基于网络的数据增加增强虹膜识别的准确性,“IEEE访问7卷,第122152 - 122134页,2019年。视图:出版商的网站|谷歌学术搜索
259. j·韦斯顿和c·沃特金斯,”多支持向量机”,科技代表、艾格汉姆,英国,1998年,皇家霍洛威学院Citeseer、技术报告。视图:谷歌学术搜索
260. b . Scholkopf a . j . Smola和f·巴赫,学习与内核:支持向量机,正规化,优化和超越美国马剑桥,麻省理工学院出版社,2002年。
261. z周,e . y . Du: l . Thomas e . j . Delp,“全面的多通道的眼睛识别,”信号,图像和视频处理,7卷,不。4、619 - 631年,2013页。视图:出版商的网站|谷歌学术搜索
262. r·阿尔瓦雷斯马里诺、f·埃尔南德斯阿尔瓦雷斯和l·埃尔南德斯encina”crypto-biometric方案基于iris-templates模糊提取器,”信息科学卷,195年,第102 - 91页,2012年。视图:出版商的网站|谷歌学术搜索
263. s . s . Dhage美国对冲基金,k . Manikantan和s .拉马钱德兰”DWT-based特征提取和基于变换的对比度增强提高虹膜识别,”Procedia计算机科学,45卷,第265 - 256页,2015年。视图:出版商的网站|谷歌学术搜索
264. m .困难和n . Al-Biqami”,一种有效的特征提取方法基于小波变换的虹膜识别,”国际计算机与信息技术杂志》上,卷2,不。3、521 - 527年,2013页。视图:谷歌学术搜索
265. j . A . Badejo A . A . Atayero和t . s . Ibiyemi”一个健壮的预处理算法从低对比度的眼睛虹膜分割图像,”2016年未来技术研讨会论文集(FTC)旧金山,页567 - 576年,CA,美国,2016年。视图:谷歌学术搜索
266. 夏,陈平,j .张x,和b . Wang”利用旋转不变统一的LBP直方图的分布和统计的自动连接地区基于多标记学习的图像注释”Neurocomputing卷。228年,11到18门,2017页。视图:出版商的网站|谷歌学术搜索
267. z h . m . n . Liu Zhang,太阳,和t . Tan“DeepIris:学习成对过滤器银行异构虹膜验证,”模式识别的字母卷,82年,第161 - 154页,2016年。视图:出版商的网站|谷歌学术搜索
268. n . p . Ramaiah和a·库马尔”更准确的虹膜识别使用交叉谱匹配,”IEEE图像处理26卷,第221 - 208页,2017年。视图:出版商的网站|谷歌学术搜索
269. o . Boiman、e·谢赫特曼和m .伊朗的“近邻图像分类为基础,防御”学报2008年IEEE计算机视觉与模式识别会议美国正义与发展党,页1 - 8,安克雷奇,2008年6月。视图:出版商的网站|谷歌学术搜索
270. 胡y z . Wang, L.-T。贾,“Image-to-class距离度量学习的图像分类,”欧洲计算机视觉会议程序719年,页706 -克里特岛,希腊,2010。视图:出版商的网站|谷歌学术搜索
271. r . Behmo p . Marcombes a . Dalalyan诉Prinet,“对最优朴素贝叶斯最近邻,”欧洲计算机视觉会议程序184年,页171 -克里特岛,希腊,2010。视图:出版商的网站|谷歌学术搜索
272. t·托马西b·卡普托,“令人沮丧的容易NBNN领域适应,”《IEEE计算机视觉国际会议,页897 - 904年,悉尼,澳大利亚,2013年12月。视图:出版商的网站|谷歌学术搜索
273. f . d . Chen x曹,l . Wang, j .太阳,“贝叶斯面临重新审视:联合制定,”欧洲计算机视觉的诉讼579年,页566 -佛罗伦萨,意大利,2012年10月。视图:出版商的网站|谷歌学术搜索
274. f .沈,c .沈w . Liu和h .沈道,“监督离散哈希,”《IEEE计算机视觉与模式识别会议美国,页37-45,波士顿,MA, 2015年6月。视图:出版商的网站|谷歌学术搜索
275. y Du, t . Bourlai和j·道森,“自动分类冒牌近红外左派和右派的虹膜图像,采用卷积神经网络”学报2016年IEEE第八届国际会议上生物识别技术理论,应用程序和系统(bta),页1 - 6,尼亚加拉大瀑布,纽约,美国,2016年9月。视图:出版商的网站|谷歌学术搜索
276. f·加西,p .梅林、f·瓦尔迪兹和j·r·卡斯特罗“人使用虹膜生物识别与模块化神经网络测量,”模糊逻辑神经的扩充和优化算法:理论和实际应用方面施普林格,页69 - 80年,柏林,德国,2018年。视图:出版商的网站|谷歌学术搜索
277. Tapia和c . Aravena“性别分类从近红外光谱虹膜图像,采用深度学习”深度学习的生物识别技术施普林格,页219 - 239年,柏林,德国,2017年。视图:出版商的网站|谷歌学术搜索
278. 在r . Girshick“快速R-CNN。《IEEE计算机视觉国际会议,页1440 - 1448,圣地亚哥,智利,2015。视图:出版商的网站|谷歌学术搜索
279. m . Rastegari诉Ordonez j . Redmon, a·哈蒂”Xnor-net: imagenet分类使用二进制卷积神经网络”欧洲计算机视觉的诉讼542年,页525 -阿姆斯特丹,荷兰,2016年10月。视图:出版商的网站|谷歌学术搜索
280. e . Luz g . Moreira洛杉矶Zanlorensi小和d . Menotti深眼周的视频监控目标表示,“模式识别的字母卷。114年,12,2018页。视图:出版商的网站|谷歌学术搜索
281. n美国Ahmed Cvetkovic), e·h·Siddiqi a . Nikiforov i Nikiforov,“使用融合虹膜代码和眼周的可见光谱匹配生物识别虹膜图像被智能手机相机,”学报2016年23日国际会议模式识别(ICPR)2016年12月,墨西哥坎昆。视图:出版商的网站|谷歌学术搜索
282. 美国公园,a·罗斯和a . k . Jain,“眼周的生物识别技术在可见光谱:可行性研究,”学报2009年IEEE第三国际会议上生物识别技术:理论,应用程序和系统美国,华盛顿特区,2009年9月。视图:出版商的网站|谷歌学术搜索
283. k . Ahuja r .伊斯兰教,f . a . Barbhuiya和k·戴伊,“卷积神经网络分享服务的生物识别技术,模式识别的字母卷。91年,17-26,2017页。视图:出版商的网站|谷歌学术搜索
284. n . Aginako m . Castrillon-Santana j . Lorenzo-Navarro j . m . Martinez-Otzeta和b·塞拉”眼周的当地描述符和虹膜的身份验证在移动应用程序中,“模式识别的字母卷。91年,52-59,2017页。视图:出版商的网站|谷歌学术搜索
285. a·罗斯和a . Jain,”在生物识别信息融合,”模式识别的字母,24卷,不。13日,2115 - 2125年,2003页。视图:出版商的网站|谷歌学术搜索
286. s . a . Soleimani和m . Modarresi亚欧会议”,虹膜现场检测评估;结构的一项调查,”学报2019年IEEE 9日年度计算和沟通研讨会和会议(CCWC)拉斯维加斯,页974 - 980年,NV,美国,2019年1月。视图:出版商的网站|谷歌学术搜索
287. v . k . Sinha a·k·古普塔和m . Mahajan“虹膜bio-metric系统检测假虹膜,”数字调查25卷,第104 - 97页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Jasem拉赫曼Malgheet等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。