HyperAIHyperAI
il y a 17 jours

Un Nouveau Jeu de Données Périoculaires Collecté par des Dispositifs Mobiles dans des Scénarios Non Contraints

Luiz A. Zanlorensi, Rayson Laroca, Diego R. Lucio, Lucas R. Santos, Alceu S. Britto Jr., David Menotti
Un Nouveau Jeu de Données Périoculaires Collecté par des Dispositifs Mobiles dans des Scénarios Non Contraints
Résumé

Récemment, les biométries oculaires dans des environnements non contraints, basées sur des images acquises dans le domaine visible, ont attiré l’attention des chercheurs, en particulier celles obtenues à l’aide de dispositifs mobiles. La reconnaissance périoculaire s’est avérée être une alternative lorsque les caractéristiques irisées ne sont pas disponibles en raison d’occlusions ou d’une faible résolution d’image. Toutefois, le trait périoculaire ne possède pas le degré élevé d’unicité caractéristique de l’iris. Par conséquent, l’utilisation de jeux de données contenant un grand nombre de sujets est essentielle pour évaluer la capacité des systèmes biométriques à extraire des informations discriminantes à partir de la région périoculaire. En outre, afin de faire face à la variabilité intra-classe induite par les conditions d’éclairage et les caractéristiques propres à la région périoculaire, il est primordial d’utiliser des jeux de données comprenant des images du même sujet acquises lors de sessions distinctes. Étant donné que les jeux de données disponibles dans la littérature ne réunissent pas tous ces facteurs, nous présentons dans ce travail un nouveau jeu de données périoculaires comprenant des échantillons provenant de 1 122 sujets, capturés lors de trois sessions à l’aide de 196 appareils mobiles différents. Les images ont été prises dans des environnements non contraints, avec une simple instruction donnée aux participants : positionner leurs yeux dans une région d’intérêt. Nous avons également mené une évaluation approfondie en utilisant plusieurs architectures de réseaux de neurones convolutifs (CNN) et modèles intégrés dans des approches de pointe reposant sur la classification multi-classes, l’apprentissage multitâche, les réseaux de filtres par paires et les réseaux siamois. Les résultats obtenus selon les protocoles fermé et ouvert, pour les tâches d’identification et de vérification, montrent que ce domaine nécessite encore de recherches et de développements substantiels.