Iris super-resolution using CNNs: is photo-realism important to iris recognition?

要約

最近の虹彩認証では、携帯電話や監視ビデオなど、より取得条件が緩和された低解像度の画像を使用することが一般的になりつつあります。
同時に、特に畳み込みニューラル ネットワーク (CNN) を使用して、多種多様な単一画像の超解像技術が出現しています。
これらの方法の主な目的は、基本的に CNN アーキテクチャとトレーニング アプローチに依存する目的関数の最適化に基づいて、よりフォトリアリスティックな画像を生成する、より細かいテクスチャの詳細を復元しようとすることです。
この作業では、著者は虹彩認識に CNN を使用して単一画像の超解像を調べます。
このために、彼らはさまざまな CNN アーキテクチャをテストし、さまざまなトレーニング データベースを使用して、1.872 近赤外線虹彩画像のデータベースと携帯電話の画像データベースでアプローチを検証しています。
彼らはまた、品質評価、視覚的結果、および認識実験を使用して、自然画像に効果的であることが既に証明されている CNN によって提供されるフォトリアリズムが、虹彩認識の認識率の向上に反映されるかどうかを検証します。
結果は、エッジの保存とメソッドの滑らかさのバランスを提供するテクスチャ データベースでトレーニングされたより深いアーキテクチャを使用すると、虹彩認識プロセスで良い結果が得られることを示しています。

要約(オリジナル)

The use of low-resolution images adopting more relaxed acquisition conditions such as mobile phones and surveillance videos is becoming increasingly common in iris recognition nowadays. Concurrently, a great variety of single image super-resolution techniques are emerging, especially with the use of convolutional neural networks (CNNs). The main objective of these methods is to try to recover finer texture details generating more photo-realistic images based on the optimisation of an objective function depending basically on the CNN architecture and training approach. In this work, the authors explore single image super-resolution using CNNs for iris recognition. For this, they test different CNN architectures and use different training databases, validating their approach on a database of 1.872 near infrared iris images and on a mobile phone image database. They also use quality assessment, visual results and recognition experiments to verify if the photo-realism provided by the CNNs which have already proven to be effective for natural images can reflect in a better recognition rate for iris recognition. The results show that using deeper architectures trained with texture databases that provide a balance between edge preservation and the smoothness of the method can lead to good results in the iris recognition process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google