Blog - Jak działa rozpoznawanie tęczówki

Rozpoznawanie tęczówki (iris) należy do najstabilniejszych biometrii. Kluczowy pomysł Daugmana: znormalizować pierścień tęczówki do stałej mapy i porównać binarną teksturę.

Segmentacja i normalizacja

Najpierw znajdujemy okręgi źrenicy i limbusu. Punkt $(r, \theta)$ w pierścieniu mapujemy na prostokąt (rubber sheet):

$$I(x(\rho,\theta), y(\rho,\theta)) \mapsto J(\rho, \theta)$$

gdzie $\rho \in [0,1]$ biegnie od źrenicy do limbusu, a $\theta \in [0, 2\pi)$.

Iris code

Teksturę filtruje się filtrami Gabor / log-Gabor. Z fazy odpowiedzi budowany jest kod binarny $C \in \{0,1\}^{n}$ oraz maska okluzji $M$ (powieki, błyski).

Podobieństwo to (ważona) odległość Hamminga:

$$HD(C_a, C_b) = \frac{\|(C_a \oplus C_b) \land M_a \land M_b\|_1}{\|M_a \land M_b\|_1}$$

Im niższe $HD$, tym większa zgodność. Decyzja: $HD \le \tau$.

Pipeline

Dlaczego NIR?

Światło bliskiej podczerwieni stabilizuje teksturę niezależnie od koloru oczu i ogranicza refleksy. Widzialne RGB bywa zbyt zależne od pigmentacji.

Wniosek

Iris recognition wygrywa powtarzalnością template’u: dobra segmentacja + maskowanie okluzji + dobrze dobrany $\tau$ na Hamming distance.