OcclusionNetPlusPlus：基于多尺度相似性网络与自适应遮挡检测的鲁棒虹膜识别新框架

推荐：本研究针对虹膜识别系统中存在的遮挡问题，提出OcclusionNetPlusPlus框架，通过多尺度Gabor滤波器组结合2D位置编码提取特征，创新性开发基于局部方差分析的遮挡概率图生成机制，动态加权特征以降低遮挡区域影响。在CASIA-Iris-Thousand和IIT Delhi V1.0数据集上实现EER 0.51%、d-prime 7.04的优异性能，为复杂场景下的生物特征识别提供新范式。

　　

虹膜识别作为生物特征识别的重要分支，因其纹理的高随机性和唯一性，在安防、金融等领域展现出巨大潜力。然而，实际应用中眼睑、睫毛等遮挡物导致的图像质量下降，严重制约了识别精度。传统方法如Daugman的二进制掩码虽能处理明确遮挡，却无法应对部分遮挡的不确定性，且会丢失关键纹理信息。这一瓶颈促使研究者们不断探索更智能的解决方案。

针对这一挑战，来自印度Pandit Deendayal能源大学的研究团队在《International Journal of Cognitive Computing in Engineering》发表创新成果。他们开发的OcclusionNetPlusPlus框架，通过多尺度特征提取与自适应遮挡处理的协同设计，显著提升了复杂场景下的虹膜识别鲁棒性。该研究不仅继承了经典Gabor滤波器在纹理分析上的优势，更通过2D位置编码为每个特征赋予空间"地址"，使网络能够智能区分遮挡区域与有效特征。

研究团队采用了两阶段技术路线：首先对CASIA-Iris-Thousand和IIT Delhi V1.0数据集的22,240张虹膜图像进行高斯模糊和Daugman橡胶片模型标准化预处理；随后构建包含多尺度Gabor滤波器组、遮挡检测模块和注意力池化层的混合架构。核心创新在于通过11×11滑动窗口计算局部方差σ²，经温度参数T调节的softmax函数生成遮挡概率图P(occlusion_i)，动态调整特征贡献权重。训练过程采用渐进式遮挡策略，从初期11.3%遮挡概率逐步提升至49%，有效增强模型泛化能力。

研究结果部分，三个关键发现尤为突出：

1. 1.

   多尺度特征融合：8组不同取向的Gabor滤波器配合位置编码，使特征图同时保留纹理细节和空间信息，在标准化后的64×512图像上实现7.04的d-prime值。

2. 2.

   遮挡检测机制：局部方差分析与概率映射的联合应用，使系统能准确识别眼睑遮挡区域（概率>0.8时特征权重降低76%），在模拟遮挡条件下仍保持2% EER。

3. 3.

   损失函数优化：结合温度缩放τ和自适应边界m的对比损失，使同类样本相似度S_ij提升至0.94±0.03，异类样本降至0.12±0.05。

在系统验证方面，研究团队设计了严谨的对照实验：与Barpanda等人的小波-倒谱方法相比，新框架将EER从11.75%降至0.51%；在FAR=0.1%的高安全阈值下，FRR仅0.61%，显著优于现有技术。消融实验进一步证实，遮挡检测与注意力池化的协同作用使识别错误率降低27%。

该研究的突破性在于：其一，首次将位置感知的Gabor特征与深度学习相结合，通过(x,y)坐标编码解决了传统方法的空间信息丢失问题；其二，提出的概率加权策略突破了二进制掩码的局限，实现遮挡区域的软处理；其三，自适应温度网络动态调整相似度计算尺度，提升模型在跨设备场景下的适应性。这些创新为医疗影像分析、远程身份认证等需要处理不完整生物特征的场景提供了技术蓝本。

展望未来，研究团队指出需在移动端部署、极端光照适应等方面持续优化。值得关注的是，该框架的特征加权机制可扩展至其他遮挡敏感的生物识别任务，如掌静脉或三维人脸识别，为构建更包容的生物识别系统开辟了新路径。