Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction to the Handbook of Iris Recognition Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

14. Periocular Recognition from Low-Quality Iris Images

verfasst von : Josh Klontz, Mark J. Burge

Erschienen in: Handbook of Iris Recognition

Verlag: Springer London

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Definitions of the periocular region vary, but typically encompass the skin covering the orbit of the eye. Especially in cases where the iris has not been acquired with sufficient quality to reliably compute an IrisCode, the periocular region can provide additional discriminative information for biometric identification. The NIR periocular images which form NIST’s Face and Ocular Challenge Series (FOCS) are characterized by large variations in illumination, eyelid and eyelash occlusion, de-focus blur, motion blur, and low resolution. We investigate periocular recognition on the FOCS dataset using three distinct classes of features: photometric, keypoint, and frequency-based. We examine the performance of these features alone, in combination, and when fused with classic IrisCodes.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Iris Segmentation for Challenging Periocular Images
Nächstes Kapitel Unconstrained Iris Recognition in Visible Wavelengths
Fußnoten
1
As can be expected for one of the earlier standard test sets like CASIA [17], the commercial algorithm was able to perfectly separate match and non-match pairs.
 
Literatur
1.
T. Ahonen, A. Hadid, M. Pietikainen, Face description with local binary patterns: application to face recognition. IEEE Trans. Pattern Anal. Mach. Intell. 28(12), 2037–2041 (2006)CrossRefMATH
2.
P. Belhumeur, J. Hespanda, D. Kriegman, Eigenfaces vs. fisherfaces: recognition using class specific linear projection. IEEE Trans. Pattern Anal. Mach. Intell. 19(7), 711–720 (1997)
3.
V. Boddeti, J. Smereka, B. Kumar, A comparative evaluation of iris and ocular recognition methods on challenging ocular images. IEEE (2011)
4.
L. Breiman, Bagging predictors. Mach. Learn. 24(2), 123–140 (1996)
5.
T.K. Ho, The random subspace method for constructing decision forests. IEEE Trans. Pattern Anal. Mach. Intell. 20(8), 832–844 (1998)
6.
A. Jain, K. Nandakumar, A. Ross, Score normalization in multimodal biometric systems. Pattern Recognit. 38(12), 2270–2285 (2005)CrossRef
7.
B. Klare, Spectrally Sampled Structural Subspace Features (4SF), in Michigan State University Technical Report, MSU-CSE-11-16 (2011)
8.
B. Klare, A. Jain, On a taxonomy of facial features, in Proceedings of IEEE Conference on Biometrics: Theory, Applications and Systems (2010)
9.
Y. Lee et al., Robust iris recognition baseline for the grand challenge, in National Institute of Standards and Technology, NISTIR 7777 (2011)
10.
C. Liu, H. Wechsler, Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition. IEEE Trans. Image Process. 11(4), 467–476 (2002)CrossRef
11.
D.G. Lowe, Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vis. 60(2), 91–110 (2004)CrossRef
12.
J.R. Matey et al., Iris on the move: acquisition of images for iris recognition in less constrained environments. Proc. IEEE 94(11), 1936–1947 (2006)CrossRef
13.
E. Meyers, L. Wolf, Using biologically inspired features for face processing. Int. J. Comput. Vis. 76(1), 93–104 (2008)CrossRef
14.
15.
T. Ojala, M. Pietikäinen, T. Mäenpää, Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 24(7), 971–987 (2002)
16.
V.P. Pauca et al., in Challenging Ocular Image Recognition, vol. 8029(1), ed. by S.O. Southern et al. (SPIE, 2011), p. 80291V
17.
P. J. Phillips et al., Comments on the CASIA version 1.0 iris dataset. IEEE Trans. Pattern Anal. Mach. Intell. 29 (2007)
18.
P.J. Phillips et al., Overview of the multiple biometrics grand challenge, in Proceedings of the Third International Conference on Advances in Biometrics. ICB ’09 (Springer, Berlin, 2009), pp. 705–714
19.
P. Phillips et al., FRVT 2006 and ICE 2006 large-scale experimental results. IEEE Trans. Pattern Anal. Mach. Intell. 32(5), 831–846 (2010)
20.
M. Riesenhuber, T. Poggio, Hierarchical models of object recognition in cortex. Nat. Neurosci. 2(11), 1019–1025 (1999)
21.
A. Ross et al., Matching highly non-ideal ocular images: an information fusion approach, in Proceedings of the 5th IAPR International Conference on Biometrics (ICB) (2012)
22.
23.
X. Tan, B. Triggs, Enhanced local texture feature sets for face recognition under difficult lighting conditions. IEEE Trans. Image Process. 19(6), 1635–1650 (2010)MathSciNetCrossRef
24.
B. Thomee, E.M. Bakker, M.S. Lew, TOP-SURF: a visual words toolkit, in ACM Multimedia’10 (2010), pp. 1473–1476
25.
L. Wiskott et al., Face recognition by elastic bunch graph matching. IEEE Trans. Pattern Anal. Mach. Intell. 19(7), 775–779 (1997)
Metadaten
Titel
Periocular Recognition from Low-Quality Iris Images
verfasst von
Josh Klontz
Mark J. Burge
Copyright-Jahr
2016
Verlag
Springer London
Buch
Handbook of Iris Recognition

Print ISBN: 978-1-4471-6782-2

Electronic ISBN: 978-1-4471-6784-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-1-4471-6784-6_14