Iris recognition using early enhanced pre-trained CNN layers without additional training and with single matching

Abstract

This thesis introduces innovative approaches to Iris Recognition (IR) that utilize pre-trained CNNs as feature extractors without the need for fine-tuning on new datasets. These methods have successfully reduced processing time and improved accuracy on publicly available datasets, even those with significant pupil dilation differences and head rotations. The first method leverages convolutional filters from early layers of pre-trained CNNs to extract features. The method eliminates the need for bit-shifting during matching, significantly reducing computations. To address the bias produced by the mask in rubber sheet images, feature map tensors are filtered, and the most relevant features are selected. The second method enhances pre-trained CNN backbones by incorporating low-pass filters to mitigate aliasing effects caused by down-sampling and head rotations. Additionally, circular padding is adapted to reduce horizontal discontinuities in the rubber-sheet representation. Features extracted are encoded using an adaptive threshold method, and they are matched using a single Hamming Distance. Together, these methods advance the field of IR by providing faster, more accurate techniques that do not require extensive training or complex matching processes, addressing key challenges in the field.

Esta tesis introduce enfoques innovadores para el reconocimiento de iris (IR) utilizando CNNs preentrenadas como extractores de características, sin sintonización fina en nuevos conjuntos de datos. Estos métodos han reducido el tiempo de procesamiento y mejorado la precisión en bases de datos públicas, incluso con diferencias significativas de dilatación de la pupila y rotaciones de la cabeza. El primer método aprovecha los filtros convolucionales de las primeras capas de CNNs preentrenadas para extraer características, eliminando la necesidad de bit-shifting durante el pareo, reduciendo significativamente el cómputo. Para abordar el sesgo de la máscara en imágenes de rubber sheet, los mapas de características son filtrados y se seleccionan las características más relevantes. El segundo método mejora la arquitectura de las CNNs preentrenadas incorporando filtros pasabajos, mitigando los efectos de aliasing causados por el muestreo y las rotaciones. Además, se adapta el relleno circular para reducir las discontinuidades horizontales en los rubber sheets. Las características extraídas se codifican utilizando un método de umbral adaptativo, y se comparan utilizando una única Distancia de Hamming. Estos métodos aportan en el campo de IR técnicas más rápidas y precisas sin requerir entrenamientos extensos ni procesos de pareo complejos, abordando desafíos clave en el campo.