Riconoscimento dell’iride: pipeline biometrica tradizionale e deep learning a confronto

L’iride è uno dei tratti biometrici più affidabili: la sua trama è unica, anche tra gemelli identici, e resta stabile per tutta la vita. Questo progetto ha messo a confronto due modi di riconoscerla, con gli stessi dati e lo stesso protocollo di valutazione.

Due pipeline

Tradizionale (OpenIris). La catena biometrica classica: segmentazione con una rete a due decoder che separa la geometria dell’occhio dai disturbi come ciglia e riflessi, normalizzazione con il rubber sheet model di Daugman, filtri di Gabor per trasformare la trama in un codice binario dell’iride e distanza di Hamming per il confronto.

Deep learning (ResNet-50). La rete produce un embedding a 2048 dimensioni per immagine, addestrato con una triplet loss (margine 0,4) e confrontato con la similarità coseno. Ne abbiamo addestrate due versioni: una sull’intero occhio e una sulle strisce di iride normalizzate.

Dati e protocollo

CASIA-Iris-Thousand contiene 20.000 immagini a infrarossi; OpenIris ne ha segmentate 18.725 (circa il 93%). Abbiamo valutato sia la verifica (è la persona che dichiara di essere?) sia l’identificazione (chi è, oppure è uno sconosciuto?), in modalità tutti contro tutti e probe contro galleria.

Risultati

Identificazione, probe contro galleria:

Metodo	EER	Identificazione al primo rango	AUC
OpenIris	≈ 0%	99,8%	–
ResNet-50, occhio intero	6%	93,4%	0,97
ResNet-50, iride normalizzata	10%	90,2%	0,94

Nella verifica il divario è minore (circa 0% contro 1% di EER), ma la pipeline tradizionale resta avanti, e la sua soglia di decisione (0,375) coincide con quella consigliata dagli autori della libreria. Su un dataset pulito e controllato, decenni di codifica dell’iride progettata a mano sono difficili da battere con una CNN generica; i modelli deep restano competitivi e non richiedono feature progettate a mano, cosa che conterebbe di più su dati meno puliti.