Автор: Александр ГОРШКОВ, генеральный директор компании Iris Devices
Мировая тенденция – распознавание радужной оболочки глаз в видимом спектре
Несмотря на множество положительных сторон биометрического признака радужной оболочки глаз, традиционная процедура его получения имеет ряд ограничений. Например, для традиционной технологии распознавания радужной оболочки глаз необходимы специальные устройства сбора данных, использующие инфракрасную подсветку. Это ограничивает применимость такого решения. В последнее время растёт число исследований, которые направлены на обход ограничений, накладываемых традиционными системами распознавания радужной оболочки глаз. В ходе этих исследований учёные обратили внимание на изображения глаз, полученных в неконтролируемых условиях. Высококачественные портретные фотографии, размещённые на веб-сайтах и в социальных сетях, часто обеспечивают разрешение радужки, достаточное для распознавания. Кроме того, современные детекторы лица могут точно определять координаты глаз на изображениях, позволяя автоматически выделять глаза для распознавания радужной оболочки. Среди биометрических характеристик, видимых на портретных изображениях, узоры радужной оболочки являются одними из наиболее важных индивидуальных признаков. Во-первых, ряд методов, в том числе распознавания лиц, хуже справляются с сопоставлением изображений, выполненных с разницей в несколько лет, в то время как радужная оболочка остаётся стабильной на протяжении всей жизни человека и позволяет идентифицировать личность даже при регистрации изображений с разницей в десятки лет. Во-вторых, распознавание радужной оболочки часто может быть выполнено даже в тех случаях, когда распознавание лиц невозможно, например, при наличии значительных затруднений, вызванных масками или макияжем. Изображения глаз, полученные в сложных условиях с разного расстояния и различными камерами с разным фокусным расстоянием, часто не идеальны, а условия освещения часто являются не оптимальными. Для эффективной обработки изображений радужной оболочки, полученных в неконтролируемых условиях, существуют специализированные методы для каждого этапа процесса биометрического распознавания. Эти этапы биометрического распознавания включают оценку качества радужной оболочки глаз, сегментацию, выделение признаков и сопоставление. На каждом таком этапе стали применять нейросетевые алгоритмы, которые обладают, по сравнению с традиционными алгоритмическими методами, повышенной точностью к неидеальным изображениям. Поскольку для обучения таких алгоритмов требуется большое количество выборок, полученных в различных условиях, учёными были выпущены специальные наборы данных неидеальных изображений глаз. Процесс распознавания радужной оболочки глаза можно разделить на четыре основных этапа: (1) оценка качества, (2) сегментация, (3) выделение признаков и (4) сопоставление. На рисунке 2 представлена схема процесса распознавания радужной оболочки глаза.
Оценка качества изображения В нескольких исследованиях были предложены различные подходы к оценке качества изображения радужной оболочки. Влияющие на это факторы были ранжированы по степени значимости: полезная площадь радужки, контраст радужки и зрачка, форма зрачка, соотношение радужки и склеры, угол взгляда, резкость, разрешение, форма радужной оболочки и некоторые другие. Существующие алгоритмы оценки качества, которые обычно разрабатываются для изображений, полученных в контролируемых условиях, могут плохо работать при их применении к изображениям глаз, собранным с веб-сайтов и социальных сетей. Разработчики установили, что отбраковка образцов, классифицированных как недостаточно качественные, снижает частоту ошибок (EER) биометрической идентификации с 18,5% до 11,8% для использованного набора данных. Cм. таблицу 1.
Сегментация Сегментация радужки включает в себя вычисление двоичной маски, которая определяет область радужки на изображении глаза. Этот процесс включает в себя обнаружение как внутренней, так и внешней границы радужной оболочки, а также оценку областей радужки, которые закрыты веками, ресницами, волосами, очками и отражениями. Некоторые биометрические методы были специально разработаны для изображений глаз, полученных при естественном освещении. Достижения в области глубокого обучения нейросетевых алгоритмов позволили разработать более точные и надёжные методы сегментации, позволяющие сразу выделить текстуру радужной оболочки непосредственно из изображения глаза без наложения ограничений на форму границ. Хотя некоторые из этих методов были разработаны для изображений, полученных при естественном освещении и в условиях отказа пользователей от сотрудничества, ещё не проводилось специального обучения нейросетевых алгоритмов на изображениях, полученных с веб-сайтов или из социальных сетей. Извлечение и сопоставление признаков Алгоритмические методы обычно разрабатывают для образцов, полученных с помощью специальных сканеров радужной оболочки, но их часто применяют и к изображениям глаз, полученных при естественном освещении. Существует три основных стратегии извлечения признаков и сопоставления: (1) методы, основанные на созданных вручную функциях, (2) методы, основанные на классификаторах softmax1, и (3) методы, основанные на сетях подобия. В настоящее время не существует методов выделения и сопоставления признаков, специально разработанных для образцов радужки, полученных с веб-сайтов и социальных сетей. Тем не менее, современные методы, разработанные для снимков глаз, сделанных в неконтролируемых условиях, показали свою перспективность на таких образцах. Наборы данных Для разработки и оценки эффективности методов распознавания используют большие наборы данных, которые демонстрируют различные неидеальности. В наилучшем варианте эти наборы данных должны охватывать весь спектр возможных неидеальностей для разработки надёжных систем биометрического распознавания. Если таких наборов для лица уже подготовлено достаточно много, то для радужной оболочки глаз их ещё очень мало.
Как показано в таблице 2, MobBio и VISOB включают относительно контролируемые изображения, объекты расположены близко к камере, а условия освещения постоянны. MICHE включает изображения, снятые с помощью мобильных устройств, предлагая большую вариативность в качестве устройств. Напротив, наборы данных UBIRIS v2 и I-SOCIAL-DB отличаются большим разнообразием условий сбора данных, в том числе сбор данных на ходу. Примечательно, что только MobBio и I-SOCIAL-DB предоставляют маски бинарной сегментации, вручную аннотированные экспертами для каждого изображения глаза, которые важны для реализации точных и надёжных алгоритмов сегментации. Из таблицы 2 видно, что каждый набор данных обладает определёнными преимуществами и сценариями применения. При этом нехватка крупномасштабных, полностью аннотированных наборов изображений радужной оболочки глаз, снятых в неограниченных условиях, остаётся ключевым элементом для обучения нейросетевых алгоритмов. Проблемы конфиденциальности и стратегии смягчения последствий Защита отличительных характеристик радужной оболочки на загруженных из общедоступных ресурсов изображениях остаётся постоянной исследовательской проблемой, требующей специальных стратегий анонимизации данных. В одном из интересных решений предлагается заменять синтетически созданной радужкой глаза исходное изображение. Такая синтетическая текстура создаётся автоматически с использованием генеративной состязательной сети и для достижения реалистичных результатов сохраняет исходный цвет глаза. Стратегии анонимизации данных необходимы для защиты конфиденциальности изображений, публикуемых на веб-сайтах и в социальных сетях, но возникает другой вопрос: как использовать или исключить такие изображения при обучении нейросетевых алгоритмов? Заключение Распознавание радужной оболочки по изображениям глаз, собранным с веб-сайтов и социальных сетей, всё ещё находится в зачаточном состоянии. Хотя недавние исследования продемонстрировали многообещающие результаты для таких изображений лиц высокого разрешения. При этом следует учесть проблемы, выявленные во время этих исследований. Их можно разделить на четыре основные группы: (1) улучшение точности технологий распознавания радужной оболочки глаза для образцов, полученных в неидеальных условиях; (2) создание новых наборов данных; (3) разработка технологий обеспечения конфиденциальности для защиты физических лиц от несанкционированного биометрического распознавания; (4) отделение реальных изображений радужной оболочки на публичных ресурсах от синтетически генерированных. В контексте будущих исследований приоритетным направлением должно стать создание больших наборов данных и разработка новых протоколов тестирования, которые охватывают весь спектр реальных условий эксплуатации.
Внимание! Копирование материалов, размещенных на данном сайте допускается только со ссылкой на ресурс http://www.tzmagazine.ru