Deep representations for iris and periocular biometric systems

Abstract

Resumo: Tracos oculares sao amplamente utilizados em sistema biometricos devido a alta distincao e unicidade da iris, e a viabilidade de projetar metodos robustos de reconhecimento periocular em ambientes sem restricoes. Sistemas biometricos que empregam imagens de iris obtidas no infravermelho proximo (NIR) e capturadas em ambientes controlados podem ser considerados uma tecnologia madura, provando serem eficazes em diferentes cenarios. Umdos maiores desafios atuais da biometria ocular e a utilizacao de imagens obtidas no espectro visivel em ambientes nao controlados. O principal problema com essas imagens e que elas geralmente possuem varios ruidos causados por diversos fatores como desfoque, desfoque de movimento, baixo contraste, reflexo especular, angulo do olhar, olho fora de angulo e oclusao. Esses ruidos geralmente aumentam as variacoes intra e interclasses, degradando a acuracia dos sistemas biometricos oculares tanto para a iris quanto para as regioes perioculares. Com o recente avanco das tecnicas de aprendizado profundo, varias abordagens aplicando Redes Neurais Convolucionais (CNN) para reconhecimento ocular vem sendo desenvolvidas. A principal vantagem das aplicacoes baseadas em deep learning e que, ao contrario da engenharia de caracteristicas, existe um processo de aprendizagem de caracteristicas. Dessa forma, estas aplicacoes podem produzir modelos de extracao de caracteristicas invariantes a algumas variacoes intra e interclasses, dependendo das amostras de imagens presentes no conjunto de treinamento. Considerando a necessidade de constante evolucao dos metodos biometricos, nesta tese, exploramos e investigamos representacoes profundas para o reconhecimento da iris e da regiao periocular em diferentes cenarios. Nossa hipotese principal e que e possivel alcancar resultados a nivel do estado da arte empregando tecnicas de aprendizagem profunda em diferentes etapas de sistemas biometricos oculares baseados nos tracos da regiao periocular e da iris. Para testar esta hipotese, investigamos, propomos e avaliamos diversas abordagens para sistemas biometricos de reconhecimento da iris e da regiao periocular, produzindo as seguintes contribuicoes: desenvolvendo uma abordagem para o reconhecimento da iris em ambientes sem restricoes removendo as etapas de pre-processamento, projetando um unico modelo capaz de aprender diretamente representacoes de imagens de iris e de regioes perioculares obtidas em espectros diferentes, propondo um metodo de normalizacao de atributos presentes em imagens perioculares para reduzir a variabilidade intraclasse causada por atributos nao inerentes dos sujeitos, e utilizando soft-biometria no estagio de treinamento de um modelo multitarefa para melhorar a discriminabilidade da representacao profunda da regiao periocular. Outra importante contribuicao e a coleta de uma nova base de dados de imagens perioculares capturadas por dispositivos moveis em ambientes sem restricoes. Ate onde sabemos, essa base de dados e a que possui a maior quantidade de individuos presente na literatura e esta publicamente disponivel para a comunidade cientifica. Experimentos extensivos com as abordagens propostas utilizando bases de dados publicas demonstram que as tecnicas de aprendizado profundo aplicadas ao reconhecimento ocular empregando os tracos da iris e da regiao periocular podem alcancar resultados interessantes, mesmo em ambientes irrestritos e nao controlados. Palavras-chave: Biometria ocular, Reconhecimento de iris, Reconhecimento periocular, ambientes sem restricao, Reconhecimento em espectros cruzados.

Abstract: Ocular traits in biometric systems are widely used because of the iris' high distinction and uniqueness, and the feasibility of designing robust periocular recognition methods in unconstrained environments. Biometric systems employing Near-infrared (NIR) iris images captured in controlled environments can be considered a mature technology, proving to be effective in different scenarios. One of the current greatest challenges in ocular biometrics is the use of images obtained at the visible spectrum (VIS) under uncontrolled environments. The main problem with these images is that they usually have several noises caused by factors such as blur, motion blur, low contrast, specular reflection, eye gaze, off-angle, and occlusion. These noises generally increase intra and inter-class variations, degrading the ocular biometric systems' accuracy for both iris and periocular regions. With the recent advancement of deep learning techniques, several approaches applying Convolutional Neural Networks (CNN) to ocular recognition have been designed. The main advantage of applications based on deep learning is that, unlike the handcrafted features, there is a process of representation learning. This process can produce feature extractor models invariant for some intra and inter-class variations, depending on the image samples present in the training set. Considering the need for the constant evolution of biometric methods, in this thesis, we explored and investigated deep representations for iris and periocular recognition in different scenarios. Our main hypothesis is that it is possible to achieve state-of-the-art results by employing deep learning techniques at different stages of ocular biometric systems based on periocular and iris traits. To support this hypothesis, we investigate, propose, and evaluate several approaches for iris and periocular recognition producing the following contributions: an approach for iris recognition in unconstrained environments without preprocessing steps, a single model to directly learn representations from cross-spectral images of iris and periocular regions, an attribute normalization method to reduce the intra-class variability present in periocular images caused by subjects' noninherent attributes, and the use of soft biometrics in the training stage of a multi-task model to improve the periocular deep representation's discriminability. Another important contribution is the release of a new periocular database captured by mobile devices in unconstrained environments. To the best of our knowledge, the collected database is the largest one in terms of the number of subjects publicly available to the research community. Extensive experiments with our proposed approaches using publicly ocular databases support that deep learning techniques applied to ocular recognition for both the iris and periocular traits can achieve impressive results even in unconstrained and uncontrolled environments. Keywords: Ocular biometrics, Iris recognition, Periocular recognition, Unconstrained Environments, Cross-spectral recognition.