РАСПОЗНАВАНИЕ ЛИЧНОСТИ ПО СОСУДИСТОМУ РИСУНКУ СКЛЕРЫ (EYEPRINT) НА МОБИЛЬНЫХ УСТРОЙСТВАХ

Эльнур Хамидов

Авторы

Эльнур Хамидов Автор

Ключевые слова:

биометрия, eyeprint, сосуды склеры, радужная оболочка, мобильная биометрия, слияние модальностей, оценка качества изображения.

Аннотация

В работе рассмотрено распознавание личности по сосудистому рисунку склеры (eyeprint) — узору кровеносных сосудов конъюнктивы и эписклеры, который регистрируется штатной камерой смартфона в видимом спектре без дополнительного оборудования. Выполнен анализ методов сегментации склеры, выделения сосудов и сопоставления шаблонов — от классических дескрипторов до гибридных архитектур на основе свёрточных сетей и трансформеров. Выделены основные ограничения модальности: нелинейная деформация сосудов при движении глаза, снижение точности при переносе между устройствами и условиями съёмки, демографическое смещение моделей сегментации. Обосновано, что в видимом спектре сосуды склеры и радужная оболочка деградируют в разных условиях и потому дополняют друг друга. Предложена схема мультимодальной системы, в которой оценки качества областей глаза и угол взгляда управляют весами слияния двух модальностей для каждого кадра. Описан протокол экспериментальной проверки на открытых базах MOBIUS, SBVPI и UBIRIS.v2 с кросс-устройственной оценкой и абляционным анализом. Сформулирована проверяемая гипотеза: адаптивное слияние должно снижать равную ошибку по сравнению с отдельными модальностями и слиянием с фиксированным весом, особенно для тёмной радужки и отведённого взгляда.

Библиографические ссылки

1. Ant Financial acquires EyeVerify [Электронный ресурс] // NFCW. – 14.09.2016. – URL: https://www.nfcw.com/2016/09/14/347254/ant-financial-acquires-eyeverify/ (дата обращения: 03.10.2026).

2. Das A. [et al.] Sclera segmentation and joint recognition benchmarking competition: SSRBC 2023 // Proc. IEEE International Joint Conference on Biometrics (IJCB 2023). – 2023. – DOI: 10.1109/IJCB57857.2023.10448601.

3. Das S. [et al.] Sclera biometrics in restricted and unrestricted environment with cross dataset evaluation // Displays. – 2022. – DOI: 10.1016/j.displa.2022.102257.

4. Derakhshani R. [et al.] A new biometric modality based on conjunctival vasculature // Intelligent Engineering Systems through Artificial Neural Networks (ANNIE 2006). – ASME Press, 2006. – DOI: 10.1115/1.802566.paper74 .

5. EyeVerify technology uses smartphone cameras to easily verify ID by eye veins [Электронный ресурс] // Biometric Update. – 08.2015. – URL: https://www.biometricupdate.com/201508/eyeverify-technology-uses-smartphone-cameras-to-easily-verify-id-by-eye-veins (дата обращения: 03.10.2026).

6. Gottemukkula V. [et al.] Fusing iris and conjunctival vasculature: ocular biometrics in the visible spectrum // Proc. IEEE Conference on Technologies for Homeland Security (HST 2012). – 2012. – DOI: 10.1109/THS.2012.6459841.

7. Gottemukkula V. [et al.] Method for using visible ocular vasculature for mobile biometrics // IET Biometrics. – 2016. – Vol. 5. – DOI: 10.1049/iet-bmt.2014.0059.

8. Lee S. [et al.] Robust sclera recognition based on a local spherical structure // Expert Systems with Applications. – 2021. – DOI: 10.1016/j.eswa.2021.116081.

9. Proença H., Filipe S., Santos R., Oliveira J., Alexandre L.A. The UBIRIS.v2: a database of visible wavelength iris images captured on-the-move and at-a-distance // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2010. – Vol. 32, No. 8. – P. 1529–1535. – DOI: 10.1109/TPAMI.2009.66.

10. Rattani A., Derakhshani R. Ocular biometrics in the visible spectrum: a survey // Image and Vision Computing. – 2017. – Vol. 59. – P. 1–16. – DOI: 10.1016/j.imavis.2016.11.019.

11. Sclera datasets: SBVPI, MOBIUS [Электронный ресурс] / University of Ljubljana. – URL: https://sclera.fri.uni-lj.si/datasets.html (дата обращения: 03.10.2026).

12. Tankasala S.P. [et al.] Visible spectrum, bi-modal ocular biometrics // Procedia Technology. – 2012. – Vol. 6. – DOI: 10.1016/j.protcy.2012.10.068.

13. Vitek M., Rot P., Štruc V., Peer P. A comprehensive investigation into sclera biometrics: a novel dataset and performance study // Neural Computing and Applications. – 2020. – Vol. 32. – DOI: 10.1007/s00521-020-04782-1.

14. Vitek M. [et al.] Exploring bias in sclera segmentation models: a group evaluation approach // IEEE Transactions on Information Forensics and Security. – 2023. – Vol. 18. – DOI: 10.1109/TIFS.2022.3216468.

15. Vitek M. [et al.] GazeNet: a lightweight multitask sclera feature extractor // Alexandria Engineering Journal. – 2025. – DOI: 10.1016/j.aej.2024.11.011.

16. Wang C. [et al.] Sclera-TransFuse: fusing vision transformer and CNN for accurate sclera segmentation and recognition // IEEE Transactions on Biometrics, Behavior, and Identity Science. – 2024. – DOI: 10.1109/TBIOM.2024.3415484.

17. Zhou Z., Du E.Y., Thomas N.L., Delp E.J. A new human identification method: sclera recognition // IEEE Transactions on Systems, Man, and Cybernetics. Part A: Systems and Humans. – 2012. – Vol. 42, No. 3. – P. 571–583. – DOI: 10.1109/TSMCA.2011.2170416.