虹彩認証 - Introduction to Biometrics

Introduction to Biometrics
Chapter 4
Iris Recognition
(虹彩認証)

4.0 Preface
• Anil K. Jain. ”Introduction to Biometrics”, Springer, 2011
の第4章を輪講発表⽤にまとめたスライドです
• 上記の本はSpringerLinkを契約している⼤学等であればPDFをダウンロード可能
• 概ね4章の内容を全てさらっています
• 間違いもあると思いますが責任は取りません
• 具体的なアルゴリズムなどは「こうやったらうまくいきました」的な記述が原著でも多いの
で，お気持ち重視で
• 深層学習が⼤流⾏する直前くらいの本なので，現在は深層学習を利⽤した他のア
ルゴリズムも存在するかもしれません

4.0 Preface
• スライド作者の感想ですが，従来の虹彩認証では⾄近距離で動かない対象から撮
れた，そこそこクオリティとか均質性の⾼いデータを使っていることがほとんどで，そのため
アルゴリズムは結構適当なモノを使っているなあというイメージです．だから実際に作っ
てみようという⽅でなければ詳細は流してお気持ち理解で良いと思います
• 原著の流れとほぼ同じなので詳しく知りたい⽅は⽐較しつつ読むと良いです
• 流れに沿って内容を全て触れようとしたため，原著にあるもののそこまで本質に関係な
い部分も⼊っています．だから全てぴっしり読む必要は恐らくないです
• 指紋認証や顔認証の章もありましたがこちらは担当外なのでスライドありません

4.0 Preface
• そもそも虹彩(iris)って何?
• 指紋とかと⽐べて何が嬉しいの?
ー指が汚れていたり顔が隠れていたりしても使える
特に軍⽤(顔や指を隠すことが多い)や炭鉱(指も顔も汚れる)など
正確性が指紋に⽐べて⾼い

4.1 Introduction
• ocular regionのバイオメトリクスへの利⽤ :
1993年ごろから⼤きく活発化
指紋や顔認証と⽐較して歴史は浅い
• pupil(瞳孔)，conjunctival vasculature(結膜⾎管系)等も提案されたが，
結局虹彩のみがバイオメトリクスではよく研究されている
Fig. 4.1 ocular region of the human face

4.1 Introduction
ちなみに…
• iris の意味
1. 虹彩
2. アヤメ(データセットのirisで有名?)
3. ギリシャ神話の虹の⼥神イーリス
4. (ギリシャ語で)虹
• 3, 4の意味から虹彩，アヤメ双⽅につながっている

4.1 Introduction
虹彩について
• cornea(⾓膜)の後ろ，lensの前に位置
• pupil(瞳孔)を収縮，拡張させて⽬に⼊る
光量を調整する機能
• 周囲が明るい → 瞳孔を収縮
• 周囲が暗い → 瞳孔を拡張

4.1 Introduction
• 虹彩の層状構造(最背層から)
1. posterior layer : 光を透過させないため，着⾊した上⽪細胞を含む
2. muscle layer : 瞳孔の収縮，拡張のための筋⾁
3. stromal layer : 結合組織，⾎管からなる
4. anterior border layer : 最前層，stromalに⽐べ⾼い密度で⾊素を含む細胞を持つ
• anterior portion(muscle，stroma & the border layers)が可視的な部分
• 虹彩認証でもこの部分が基本的に⽤いられる

4.1 Introduction
• 虹彩の各部分の名称
• これらの構造が，かなりの多様
性を持つテクスチャーと，虹彩
認証のためのuniquenessを与
える
• Pupillary Boundaryと
Limbus Boundaryは
後の⽅でよく出てきます
Fig.4.2 虹彩の各部分の名称

4.1 Introduction
• 虹彩テクスチャーのuniqueness
• ⼀卵性双⽣児の虹彩も異なるtexture
Ø エピジェネティックに，ランダムなイベントが組織の形態発⽣に影響して決まる
Ø ”the iris texture is a phenotypic trait with limited genetic penetrance”
= 遺伝⼦型から表現型へ1対1に射影されるような特徴ではない
• 虹彩認証に主に⽤いられるのはテクスチャーであって，虹彩の⾊は様々であるが重要
な役割は持たない

4.2 Design of an Iris Recognition System
Typical System
1. acquisition
2. segmentation
3. normalization
4. encoding/
matching
Fig. 4.3 The block diagram of an iris recognition system

1. Acquisition
• 眼の2D画像をNIR(近⾚外)光に敏感なモノクロのCCDカメラを⽤いて取得
• 虹彩を照らすため，NIRの外部光源が⽤いられる(⼤抵はシステムに付属)
• 複数枚撮って，後の処理に望ましいもの (⼤抵1枚)を使う
2. Segmentation
• 眼周辺の画像から虹彩の範囲を特定し抜き出す
• 虹彩のinner bound(pupillary boundary)，outer bound(limbus
boundary)，瞼，睫⽑を検知することで⾏われる
• ここが不正確だとマッチングの正確性に⼤きく影響するので⾮常に重要

3. Normalization
• 虹彩領域をcartesian coordinatesからpseudo polar coordinatesに変換
• ⾏が偏⾓，列が動径に相当するような形式になる(unwrapped iris)
• 利点は
a. 個⼈内での瞳孔のサイズの違いに対応する
b. 異なる⼈間の虹彩を共通のimage domainにマッピングする
c. acquisitionにおける頭の傾きをシンプルな変換で補正して照合に
• unwrapped irisに，有効なiris pixelに1，無効なものに0とつける
binary maskを付加

4. Encoding and Matching
• ⼤抵は特徴抽出がmatchingの前に挟まる
• multi-resolution analysis of the iris by applying wavelet filters and
examining the ensuing response
• 2D Gabor Waveletsによって位相情報を取り出し，この位相情報は複素平⾯上
で実部と虚部の正負のみの2D binary code(iris code)に変換される
• iris code同⼠でHamming距離を計算して照合を⾏う

虹彩認証の応⽤例
• 空港での乗客および乗務員の検査
Ø 特にwatch listとのマッチングの際は⾼速性と同じだけ正確性が重要
• 炭鉱での使⽤
Ø 炭鉱では指や顔が汚れるため指紋，
顔認識等が使いにくい
Fig. 4.4 Practical examples of iris recognition systems

4.3 Image Acquisition
• NIR領域の光を⽤いて画像を取得
• NIR領域を⽤いる利点
1. 暗⾊の虹彩では可視光領域では
textureの微妙な違いが不鮮明(虹彩
内のメラニンによる)．
波⻑を伸ばして透過性を良くすることで
複雑なパターンを鮮明に．
2. NIR光は⼈間の眼に⾒えないので⾄近
距離で照射しても煩わしくないし，光に
反応して瞳孔の⼤きさが変化することも
ない
Fig. 4.5 各⾊の虹彩に，各⾊の光を当てた場合の写真

• 殆どのシステムで複数のNIR画像を取得してクオリティチェック(4.7節)を⾏い，多くの
場合は1枚をそれ以降の処理にまわす
• 虹彩の動径⽅向に通して100-200pxあることが望ましいが，以下のような要因が
悪影響を及ぼし得る
Ø 瞼の部分的な閉じ(瞬き等)
Ø 睫⽑によるオクルージョン
Ø 強すぎる，または不均⼀な照明
Ø 低解像度
Ø 過度に拡張あるいは収縮した瞳孔
• ⾃然光のコントロール，被験者の協⼒等で上記の問題の⼀部は回避できる

• 実際の商⽤機器 : ⾊々あるが原著を参照
• 殆どのデバイスで，被験者が協⼒的で静⽌しており，カメラにかなり接近している必
要がある．
• より最近の研究ではかなりの距離にいる動いている対象からとる試みも
• しかし，虹彩がわずかに振動しており，眼球も動き，さらに頭も動き，焦点距離の
⻑いレンズを⽤いなければならないためかなり難しい

4.4 Iris Segmentation
• 取得した画像には瞼や睫⽑，瞳孔，強膜(⽩い部分)などが含まれる
• 虹彩の領域を特定しこれらから隔離するのがsegmentation
• 以下のような理由で簡単なタスクではない
Ø textureの不規則性．“edge-like”な特徴がランダムに散らばっている．
シンプルな数理モデル化が難しい．
Ø 内縁(pupillary boundary)に瞳孔，外縁(limbus boundary)に強膜と瞼という境界．
特にlimbus boundaryは不明瞭なことがあり間違いにつながりやすい．
また，瞼が境界になる場合イレギュラーな形となる．
Ø 睫⽑の侵⼊も間違った境界推定につながる

• 瞳孔，虹彩，強膜間での輝度コントラストが良い⼿がかりに
• もっともよく使われる⽅法の⼀つはこれらの境界の検知に依存
• 以下を仮定する
a. pupillary，limbus双⽅の境界が円で近似できる
b. これらの境界に相当するedge pixelsは他の円形の輪郭よりも明確である
• 次⾴で述べるintegro-differential operatorが要旨

4.4.1 Segmentation using the integro-differential operator
max(𝑟, 𝑥(, 𝑦() 𝐺, 𝑟 ∗
𝜕
𝜕𝑟
/
0,12,32
𝐼 𝑥, 𝑦
2𝜋𝑟
d𝑠
• 上の式を最⼤化する (𝑟, 𝑥(, 𝑦() が円形境界の半径と中⼼になる
• 𝐺,(𝑟) =
:
;<,=
= exp(−
0=
;,=) : Gaussian filter
• 𝐼(𝑥, 𝑦) : Given image
• ガウシアンフィルタを𝐼と畳み込んで⽬的とする以外のcrypts, freckles, furrowsが
ボケる(畳み込みなので，数式上積分の外に来ているが順序は逆にできる)

max(𝑟, 𝑥(, 𝑦() 𝐺, 𝑟 ∗
𝜕
𝜕𝑟
/
0,12,32
𝐼 𝑥, 𝑦
2𝜋𝑟
d𝑠
• 2𝜋𝑟 で半径について正規化
• 円周上で動径⽅向の勾配を周回積分
• これで最⼤値をとる (𝑟, 𝑥(, 𝑦() が半径および円の中⼼
• limbus boundaryを推定する場合，円のうち⽔平に近い部分のみで積分
Ø 上下の瞼により境界が円ではなくなるためその影響をなくす
• 瞼による境界を検出する後処理が必要になる

max(𝑟, 𝑥(, 𝑦() 𝐺, 𝑟 ∗
𝜕
𝜕𝑟
/
0,12,32
𝐼 𝑥, 𝑦
2𝜋𝑟
d𝑠
• お気持ちとしては…
• 例えば瞳孔と虹彩の境界(pupillary boundary)を想定すると，瞳孔から虹彩にいく境界では
𝑟⽅向に輝度の勾配が強いはず →
A
A0
• 正しい境界の上ではほぼ全ての点で上の勾配が⼤きいので周回積分してmaxとる
• 半径の⼤きさによって値が変わらないように正規化 → 2𝜋𝑟
• ガウシアンフィルタは畳み込みなので積分の中でかけても外でかけても同じ

• ⼀般にpupillary boundaryとlimbus boundaryの中⼼は異なる
• 瞼による境界はlimbus boundary内の放物線状のedgeを探して検出する．
spline-fittingが利⽤可能．
• iris textureに⼊り込む睫⽑は
垂直に近い強いedgeを探して
検出することが可能．
Fig. 4.9 Iris segmentation using the integro-differential operator

4.4.2 Segmentation using Geodesic Active Contours (GAC)
• integro-differential operatorは円形近似を仮定
瞼や睫⽑による境界は別の⽅法で推定しなければならなかった
• Geodesic Active Contoursでは円形を仮定せず，⾃由な形の境界を推定可
• エネルギー最⼩化とactive contour(画像処理でよく使う)を組み合わせた⽅法
• 「エネルギー関数をこう取って更新式をこうするとなんだか
上⼿くいくんだなあ」くらいの気持ちで良いと思う
• 詳細はこの論⽂
example of outer boundary of iris estimated by GAC

• 任意の曲線𝛾(𝑡)で求める境界を初期化(𝑡はイテレータ)
典型的には内縁と外縁の間あたりに適当な正円を描く
• エネルギー関数𝜓(𝑥, 𝑦)を以下のように設定
𝜓 𝑥, 𝑦 E
= 0 if 𝑥, 𝑦 is on the curve
< 0 if 𝑥, 𝑦 is inside the curve
> 0 if 𝑥, 𝑦 is outside the curve
• 𝜓 𝑥, 𝑦 は 𝐼(𝑥, 𝑦) (画像)と同じ空間で考える
• 𝜓 = 0 が 𝛾 𝑡 と⼀致する (zeroth level set)
• 𝜓(𝑥, 𝑦) : embedding(埋め込み) function → 𝛾(𝑡) を埋め込んでいる

• エネルギー最適化
• 曲線を少しずつ押し広げていくイメージ
• stopping function 𝐾(𝑥, 𝑦) というものを画像から作っておく
𝐾 𝑥, 𝑦 =
1
1 +
∇ 𝐺 𝑥, 𝑦 ∗ 𝐼 𝑥, 𝑦
𝑘
Y

• 連鎖律により
d𝜓
d𝑡
=
𝜕𝜓
𝜕𝑥
d𝑥
d𝑡
+
𝜕𝜓
𝜕𝑦
d𝑦
d𝑡
+
𝜕𝜓
𝜕𝑡
• ⾔い換えると
𝜕𝜓
𝜕𝑡
= −∇𝜓 Z 𝛾′(𝑡)
• 𝛾′(𝑡)を∇𝜓に平⾏な成分𝑁(𝑡)と直交成分𝑇(𝑡)に分けると
𝜕𝜓
𝜕𝑡
= −∇𝜓 Z 𝜈_ 𝑁 𝑡 + 𝜈` 𝑇 𝑡
= −∇𝜓 Z 𝜈_ 𝑁 𝑡
𝑁 =
∇𝜓
∇𝜓

𝜕𝜓
𝜕𝑡
= −𝜈_ ∇𝜓
• ここで𝜈_を以下のように設定してみる
𝜕𝜓
𝜕𝑡
= − div 𝐾
∇𝜓
∇𝜓
+ 𝑐𝐾 ∇𝜓
• 𝛾(𝑡)がzeroth-level setであるような𝜓のevolution equationは(?)
𝜓b = −𝐾 𝑐 + 𝜀𝜅 ∇𝜓 + ∇𝜓 Z ∇𝐾
𝜅 = −
𝜓11 𝜓3
; − 2𝜓1 𝜓3 𝜓13 + 𝜓33 𝜓1
;
𝜓1
; + 𝜓3
;
e
;

• 良くわかっていないが結果としてこの更新式で更新していくといけるらしい
𝜓b = −𝐾 𝑐 + 𝜀𝜅 ∇𝜓 + ∇𝜓 Z ∇𝐾
• もう少しちゃんと書くと
𝜓f,g
bh:
− 𝜓f,g
b
∆𝑡
= −𝑐𝐾j
f,g ∇𝜓b − 𝐾f,g
j
𝜀𝜅f,g
b
∇𝜓b + ∇𝜓f,g
b
Z ∇𝐾f,g
j b
• K : stopping term for the evolution
• Kʼ : modified stopping term for the evolution
• c : velocity of the evolution
• 𝜀 : degree of smoothness of the level sets
• 𝜅 : curvature of the level sets

• 局所的な輪郭ができる場合もあるが容易に取り除ける(らしい)

4.4.3 Generating iris masks
• 特定された虹彩の領域内にも，睫⽑や影，鏡⾯反射などでノイズがある
• noise maskを⽣成して望ましくない領域を記憶しておく

4.5 Iris Normalization
• 画像内の虹彩領域の⼤きさ(pixel数)は多くの要素により影響を受ける
Ø 瞳孔の収縮と拡張(環境光が強いと瞳孔が収縮して虹彩領域は⼤きくなる)
Ø センサの解像度
Ø 撮影の距離
Ø 瞳孔の⼤きさの個⼈差
• これらのサイズ分散のため，
normalizationを⾏う
Fig. 4.14 Iris normalization

• cartesian座標系からnormalized pseudo-polar座標系に変換
• 各⾏が偏⾓𝜃，各列が動径𝑟に対応する⻑⽅形へ
• Daugmans rubber sheet model
• unwrappingとも呼ばれる
• 𝑟 ∈ 0, 1 and 𝜃 ∈ 0, 2𝜋

𝐼 𝑥 𝑟, 𝜃 , 𝑦 𝑟, 𝜃 → 𝐼 𝑟, 𝜃
𝑥 𝑟, 𝜃 = 1 − 𝑟 𝑥n 𝜃 + 𝑟𝑥o 𝜃
𝑦 𝑟, 𝜃 = 1 − 𝑟 𝑦n 𝜃 + 𝑟𝑦o 𝜃
• 𝑥n, 𝑦n : pupillary boundary のサンプル点
• 𝑥o, 𝑦o : limbus boundaryのサンプル点
• noise maskも同様にunwrap
• どのように円を取るかは次⾴

• GACではジグザグなlimbus boundaryが得られるが，円の⽅が使いやすい
• 瞼との境界よりも虹彩と強膜の境界上の点のみを使う(円に近い)
• ⽔平軸から[−30°, 0°, 30°, 150°, 180°, 210°]の6点を取り出す
• 瞳孔(pupil)の中⼼から6点の平均距離を虹彩の半径𝑅の近似値とする
• 円は瞳孔中⼼から距離𝑅以内の
GACで求めた輪郭状の点から
再びフィッティングされる
• この円が実際のlimbus boundary
の近似であるとされる
• 瞼にかぶる領域などはnoise mask
で後の処理からは除かれる
Fig. 4.15 result of circle fitting procedure for limbus

4.6 Iris Encoding and Matching
• Gabor wavelet変換を⽤いてencoding = 特徴抽出する
• 2D Gabor wavelet over an image domain (𝑥, 𝑦)
𝐺 𝑥, 𝑦 = e
w<
1w12
=
Y= h
3w32
=
x=
ew;<f y2 1w12 hz2 3w32
• the wavelet in polar coordinates
𝐻 𝑟, 𝜃 = ewf| }w}2 e
w
0w02
=
Y=
e
w
f }w}2
=
x=
• Fourier変換 : 複素正弦波の重ね合わせで表現
• wavelet変換 : 縮尺を変えたwavelet関数𝜓
bw~
•
の重ね合わせで表現

• 2D Gabor wavelet変換から，符号情報のみ取り出す
• normalized image 𝐼 𝜌, 𝜙 からのdemodulation, phase quantizationは
ℎƒ„,…† = signƒ„,…† ˆ
‰
ˆ
Š
𝐼 𝜌, 𝜙 ewf| }2wŠ e
w
02w‰ =
Y=
e
w
}2wŠ =
x=
𝜌 d𝜌d𝜙
Fig.4.17 An illustration of the phase
demodulation and quantization process used to
encode the iris.

• 得られた2D binary code = iris codeからのmatching
• The normalized Hamming Distance(HD)が⽤いられる
• HD =
•0fŽ••‘’“ ⊕•0fŽ••‘’•∩—•Ž˜“ ∩—•Ž˜•
—•Ž˜“ ∩—•Ž˜•
• noise maskで正規化する
• HDは[0, 1]にあり，完全⼀致で0

4.7 Iris Quality
• 取得した画像のうち，虹彩認証に使うのはlimbus boundaryとpupillary
boundaryの間の虹彩領域のみで，この領域が広く鮮明に撮れている画像を処理
にまわしたい．
• クオリティを下げる要因
a. 瞬きなどで瞼が閉じる
b. 焦点のズレ
c. 動きによるブレ
d. 均⼀でない光
e. 低解像度
f. 瞳孔の拡張
g. ⾓度のズレ
h. コンタクトのズレなど

4.7 Iris Quality
• 瞳孔-虹彩間の境界の鮮明さを検査する⽅法
• 瞳孔の中⼼(𝑥n, 𝑦n)と半径𝑟n，虹彩の半径𝑟f
• 以下の領域を切り出す(右図斜線部)
𝑦n − 0.8𝑟n < 𝑦 < 𝑦n + 0.8𝑟n
− 𝑟n
; − 𝑦 − 𝑦n
;
+ 0.1𝑟f < 𝑥 − 𝑥n < − 𝑟n
; − 𝑦 − 𝑦n
;
+ 0.2𝑟f

4.7 Iris Quality
• 切り出した領域から，以下を計算
Ø 𝑀n : 瞳孔領域のpixelのmedian
Ø 𝑀f : 虹彩領域のpixelのmedian
• 𝑀n , 𝑀f の間にある値の各pixelから，⽔平⽅向の勾配を計算する
• この勾配の上位20個までの平均を𝑆とする
•
:
œ
=
•
ž
=
•
—Ÿw—
> 0.5 なら，良く焦点が合っている = high qualityと判断
• 気持ちとしては境界での勾配は強いはずなのでSに⼊ってきて，この値が⼤きい枠で
⾒た瞳孔から虹彩への⾊変化(𝑀f − 𝑀n )と⽐較して⼤きいほど鮮明

4.7 Iris Quality
• 画像のフーリエ変換で⾼周波成分と低周波成分を⽐較する⽅法
• 焦点がずれた画像では⾼周波成分が減じられている
• 𝐹(𝜇, 𝜈)を本来の(鮮明な画像)のフーリエ変換として，焦点のずれた画像は
𝐷, 𝜇, 𝜈 = exp −
¤=h ¥=
,= 𝐹(𝜇, 𝜈) でモデル化される
• ここからも⾼周波成分が弱まることがわかり，⾼周波成分と低周波成分のpowerを
⽐較することでピンボケの画像を検出できる

4.7 Iris Quality
• 局所的な周波数スペクトルから種々の悪要因を検出する⽅法
Ø 焦点ずれ，動きによるブレ，睫⽑や瞼によるocclusion
𝐷 = 𝐹: + 𝐹; + 𝐹e ;
𝐹;
𝐹: + 𝐹e
𝐹f = §
¨©{(y,z)|¬-
Ÿ® y=hz=¯¬=
Ÿ}
𝐹 𝑢, 𝑣 d𝑢d𝑣 , 𝑖 = 1, 2, 3
• つまり，低，中，⾼周波領域でpowerを積分した値が𝐹:, 𝐹;, 𝐹e
• Dの2つの成分から種々の検出が可能

4.7 Iris Quality
• 𝐹: + 𝐹; + 𝐹e
occulusionが起きると特に𝐹;, 𝐹e が
⾮常に強くなるためこれを弾ける
•
´=
´-h´µ
middle領域の相対的な強さ
焦点がしっかり合っている画像では
ピンボケやブレのある画像に⽐ベて
この値が⾼くなる
Fig. 4.22 様々な場合の周波数スペクトラム
a) 望ましい画像
b) ピンボケ
c) ブレ
d) occulusion

4.8 Performance Evaluation
• Daugmanによる検証
• 152カ国の316,250⼈から取得した632,500の虹彩画像でerror rate = 0
• ただし，これは⾼いクオリティの虹彩画像に基づいている
• 2006年，National Institute of Standards and Technologyによる検証
• 幅広いクオリティの画像を⽤いて検証
• false match rate : 0.1 percent
• false nonmatch rate : 1.1 to 1.4 percent

4.9 Summary
• (Summaryと⾔いつつ，現状の課題と未来図の記述
• 虹彩は表⾯積の⼩さく，動き，さらに眼球という虹彩と独⽴に動く物体に乗っている．
眼球は頭という動く物体に乗っており，遠い距離にいる動きを制限されていない⼈間
から虹彩の写真を撮るのは困難である．
• acquisitionモジュールは典型的にNIR領域を⽤いて虹彩の写真を撮るため，外部
のNIR光源を⽤いて虹彩を照らす必要がある．
• 近年は遠距離にいる動く対象から虹彩の画像を取得する試みも進んできている．
• カメラのdepth of fieldを向上させるwavefront-coded imagingなどの技術も開
発中である．

4.9 Summary
• ブレ，ピンボケ，通信のノイズ，睫⽑や瞼によるオクルージョン，頭の回転，off-
axis gaze or camera angle，光の反射，コントラスト不⾜，⾃然光などの要
因が⾼いnon-match rateにつながる．
• ロバストな画像復元スキームが画像のクオリティを⾼めるために前処理として求められ
ている．
• 最近の研究ではoff-axis iris imagingに対してキャリブレーションとgeometric
correlation modelsのデザインを⽤いて対処する試みもある．

4.9 Summary
• 発⽣のランダム性によりtextural relief of an irisにはuniquenessがある．
実際のデータ上でもuniquenessは保証されている．
• しかしながら，虹彩のindividualityを保証する理論的モデルは乏しい．
• 研究者はmatch-score分布とIrisCode統計を虹彩のバイオメトリクスでの⾃由度
の指標として⽤いてきたが，誰も未だindividualityを証明するのに虹彩の⽣物学的
な根拠を直接⽤いてはいない．
• この興味深い問題は虹彩認証をDaubertʼs admissibility criteria and
Federal Rules of Evidenceに従って法廷で⽤いることと密接な関係をもつ．

4.9 Summary
• conjunctival vasculatureなどの他の⽬の周りの「特徴と虹彩を組み合わせること
で，研究者たちはロバストでocular-basedな，光が好ましくなく対象が動き遠距離
からという環境でも動作するバイオメトリクスシステムを開発できるかもしれない．
• skin texture, facial marks around the eyeとocular regionの特徴を組み
合わせることはface-basedなバイオメトリックシステムのパフォーマンスを向上させる．

4.9 Summary
• バイオメトリックなシステムの⼤規模な公的，⺠間機関での利⽤は虹彩テンプレートの
セキュリティやオーナーのプライバシーへの関⼼を⾼めている．
• セキュリティ，プライバシーは数百万もの虹彩テンプレートを保存する中央集積型の
データベースでは特に関⼼の⾼い問題である．
• プライバシー向上のための科学技術はcancelable biometrics(Chapter 7参照)
とともに個⼈情報のセキュリティ・プライバシーレベルを引き上げると思われる．
• しかしながら，実⾏環境でこれらのスキームを取り⼊れるためにはさらなる研究が必要
となる．

4.9 Summary
• 虹彩認証は困難な課題にも関わらず，ロバストで信頼性の⾼い技術として⼈気を得
てきている．虹彩の複雑なtextureとその明瞭な安定性は多様な分野への虹彩認
証の応⽤への投資を確約させている．例えば国境管理，法医学調査，暗号システ
ムなどが応⽤先に当たる．他のocular features，facial attributesの虹彩との
共⽤は遠距離からで⾼い正確性を誇るバイオメトリック認証を可能なものにするかもし
れない．虹彩認証の将来は，特に動的環境における素早い個⼈の識別が求められ
る軍⽤の応⽤において，⾮常に輝かしいものがある．

虹彩認証 - Introduction to Biometrics

Recommended

Recommended

More Related Content

Similar to 虹彩認証 - Introduction to Biometrics

Similar to 虹彩認証 - Introduction to Biometrics (11)

虹彩認証 - Introduction to Biometrics