论文简介

论文中文翻译:《视网膜识别技术作为绵羊生物识别方法的评价》
论文名称:《Assessment of retinal recognition technology as a biometric method for sheep identification》
录用日期：2007年7月30日

期刊情况

期刊:Computers and Electronics in Agriculture
期刊情况

中科院二区
影响因子3.858
Q1/Q2分区
初审4-6周

摘要

为了确保有效的可追溯性，必须通过防篡改和持久的技术来识别食用动物。随着人类生物特征识别技术的进步，已开始部署用于牛的身份识别和验证的识别技术。本研究的目的是评估的准确性商用视网膜羊生物识别技术识别(i)确定光照条件在视网膜图像捕获与阴影(室内和室外)和不同的运营商产生任何重大影响内置模式的匹配分数匹配算法;(ii)通过评估生物识别系统的识别性能，登记每只羊的一张视网膜图像和每只羊的两张视网膜图像(双峰生物识别系统)。光照条件和操作符对内置算法的匹配分值均无显著影响;然而，很明显，对于户外拍摄的视网膜图像，瞳孔光反射现象在获得较低的匹配得分值方面起了主要作用。单视网膜生物识别系统对假匹配和假不匹配的识别误差分别估计为0.25%和0.82%。本研究提出了一种改进的双峰生物识别系统，即两个视网膜，应用基于简单或逻辑运算符和匹配分数之和的决策准则，以减少错误匹配和错误不匹配的概率接近于零。
关键词：绵羊视网膜识别可追溯性生物特征识别多模态

研究背景

最近欧洲对动物卫生和食源性疾病的恐慌，以及出口市场对国家生产商的重要性，正在产生对食品来源核实、食品安全和供应链识别的需求。动物可追溯性是指根据其来源识别农场动物及其产品的能力，可追溯到生产序列中，以确定所有权、确认亲子关系、确保食品安全、确保符合性(例如，核实来源，流程验证、生产实践验证、牛肉出口验证和真实性管理)。显然，动物的可追溯性完全依赖于首先成功地识别单个动物或群体，然后是原始运动记录。Smith等人(2005年)指出，牲畜识别和可追溯性的驱动因素是:（1）保护牛群和羊群——警惕疾病，以确保遏制和限制损害;（2）通过增加保证和真实性管理来提升消费者对全球贸易市场的信心，并履行品牌承诺;（3）作为一种收益增加价值供应链管理——保存由遗传、生产来源、独特的投入或加工方法所创造的预期价值特征。
在爱尔兰，国家绵羊识别系统(NSIS)于2001年6月生效，涉及到所有绵羊的耳标记个体识别。然而，任何识别方法不仅必须有效，而且必须保障动物的福利。许多研究表明，耳标很可能对耳朵的完整性造成短期和长期的并发症，尤其是在羊身上。Aslani等人(1998年)描述了一次在羔羊中爆发破伤风的事件，起因是塑料耳标插在离耳朵底部太近的地方。爱德华兹和约翰斯顿(1999)对700多只羊的耳朵进行了检查，发现大约28%的羊的耳朵受到了与塑料耳标有关的轻微至中度损伤，包括局部炎症、明显增厚、出血痕迹和轻度败血症。在后来的一项研究中，Edwards等人(2001)比较了将常用的金属和聚氨酯标签插入母羊和羔羊的耳朵所造成的损害。他们观察到一些由于标签撕裂耳朵而导致的标签丢失的发生率，最重要的是，他们发现插入耳朵标签最终导致炎症反应——以及一些不适和疼痛，尤其是当读标签的时候耳朵被碰着的时候。为了完整的食物链，动物标记应该能够识别动物直到死亡。最近(Fosgate et al ., 2006),生存分析模型的结果耳朵标签的速度损失在布法罗-耳标中位数保留272天,估计每天0.0024耳朵的耳标损失率标签——质疑耳朵标签单独长期识别的充分性。另一方面，电子动物识别在涉及屠宰场迁移问题和恢复注射部位方面存在一定的局限性(Eradus and Jansen, 1999)。
虽然动物可以被分配一个识别号码，并且识别系统尽可能防止篡改，但在动物的身份有疑问的情况下，可能有必要根据不变参数来验证动物的身份(Dziuk, 2003)。然而，条形码耳标和电子耳标可以从一种动物替换到另一种动物，这降低了验证的可靠性。随着人类生物识别技术的出现和发展，一系列用于动物识别的生物识别标记最近被提出和研究，其中包括DNA“指纹”(Jiménez Gamero et al.， 2006;Loftus, 2005)，自身免疫抗体标记(Raschke等人，2006)，口鼻模式(Barry等人，2007)，视网膜血管模式(Rusk等人，2006;Moss等人，2004年;Whittier et al.， 2003)， iris pattern (Musgrave和Cambier, 2002;和面部识别(Corkery et al.， 2007)。正如Shadduck和Golden(2002)指出的，一个强大的生物特征标记(物理、解剖或生物分子不变特征，唯一地识别特定动物)(i)必须是防欺诈的，(ii)必须是快速、廉价和准确捕捉的，(iii)必须是无创伤的。视网膜血管模式在家畜(De Schaepdrijver et al.， 1989)和人类(Simon and Goldstein, 1935)中都是非常独特和独特的特征，甚至可以区分同卵双胞胎(T ower, 1955)。惠蒂尔等人(2003)对来自同一亲本的4只克隆绵羊的视网膜图像进行了评估，以确认遗传相同动物视网膜血管模式的唯一性。马斯特斯(2004)通过下述理论解释了每个人视网膜血管模式的独特性:视网膜血管生成遵循拉普拉斯过程，该过程为分形行为提供了所需的随机性——与在河流、树木、根或侵蚀河道中观察到的分支模式相同。根据这一理论，两种视网膜模式完全相同的概率几乎为零。此外，Shadduck和Golden(2002)指出，正常发育的眼睛从出生到成熟，视网膜血管保持不变。尽管有强有力的证据支持将视网膜血管模式作为家畜的稳定标记物的适用性，但很少有人对该系统的识别性能进行评估。**Rusk等人(2006)通过验证317头4小时肉牛和220头绵羊的身份，评估了视网膜成像技术的性能。通过视觉验证练习(仅在视觉上匹配一对视网膜图像)，这些研究人员发现牛肉视网膜图像的假匹配率(0.5%)和假不匹配率(1.6%)低于绵羊视网膜图像(分别为27.6%和2.7%)。**虽然研究人员承认视网膜成像技术对牛肉和羊的识别是可行的，但还需要进行更多的研究来更紧密地评估这种生物特征的错误率。迄今为止，OptibrandTM(美国科罗拉多州)开发的Optireader设备是唯一专为捕捉牲畜视网膜血管模式而设计的近红外眼底数字摄像机。数据管理软件不仅允许数据存储和数据组织，而且具有使用内置模式匹配算法比较两张视网膜图像的分支模式的能力，该算法产生一个匹配的得分值。

材料和方法

（一）光照条件和操作人员对匹配分数的影响

本试验选用64只母羊作为样本。它们的年龄从2岁到3岁，是切维奥特和萨福克品种的杂交品种。试验工作于2006年6月和7月的夏季在一个商业农场进行，为期6周。将母羊分为8组，使用Optireader设备(Optibrand, Colorado, USA)从双眼获取视网膜图像。在实验的每一个环节——登记和识别——都获得了128张视网膜数字图像到两种光照条件和两种操作的组合(表1)。光照条件是(1)在室内，母羊被限制在一个圈养圈中;(2)户外遮荫，在拍摄照片的地方，母羊被限制在外面的羊圈中，在门的尽头竖起一个便携式塑料篷(2.2 m×1.5 m×0.8 m)。使用亮度计(日本美能达公司(Minolta T 10))记录光线读数，室内亮度为100-200勒克斯，阴暗处的室外亮度为300-350勒克斯。由于训练和经验已被证明是使用Optireader成功收集视网膜图像的重要组成部分(Whittier et al.， 2003)，在开始实验之前，两名操作员完成了总共18小时的预习(在3周内)，从室外和室内绵羊获取视网膜图像。这样做的目的是优化他们正确处理Optireader单元的技能，以获得可用于本实验的高质量视网膜图像。
如表1所示,不同光照条件的组合和操作符被定义在四组安排在这样一种方式,50%的视网膜图像识别是招生的收购了在同等条件下(表1)阴影行视网膜图像。视网膜图像灰度级,存储为JPEG文件与其他加密信息-采集日期、耳标签号、性别、位置、运营商和firstorsecondssession -被转移到一个中央数据库(由数据管理软件4.0支持，Optibrand, Colorado，用于后续的配对试验，使用Optibrand base的服务器通过互联网连接进行配对试验。在该软件中，匹配分数将两张视网膜图像之间的相似程度量化为0(不匹配)到100(完美匹配)。

表1 -根据报名和识别环节的光照条件和操作人员组合，对绵羊进行视网膜图像采集的实验设计

采光条件:1、室外有遮阳;2、在室内

为了评估光照条件和操作人员对视网膜图像对匹配分数的影响(如果有的话)，我们对光照条件和操作人员的数据集应用了Kruskal-Wallis中位数相等检验(SAS version 8.2, SAS Institute Inc.， NC, USA)。参数方差分析被认为是不合适的，因为匹配得分数据不服从正态分布，并且在包括Box-Cox方法在内的几次数据转换后仍然不是正态的(Peltier et al.， 1998)。每个数据集——光照条件和操作员——产生了四个层次，这些层次来源于为登记和识别而获得的视网膜图像的组合。例如,在光线条件数据集的情况下,四个水平为克鲁斯卡尔-沃利斯检验定义是:(1)户外在招生和识别,在识别(2)招生期间户外和室内,室内(3)在识别,在招生和户外和室内(4)在招生和识别。

（二）生物识别系统的识别性能

目的是利用统计决策理论的经典框架来评估视网膜成像和匹配系统对绵羊视网膜血管模式的识别性能。简单地说，是/否模式识别决策有四种可能的结果:给定的模式匹配目标或不匹配目标;或者，在这两种情况下，识别算法做出的决定可能是正确的，也可能是错误的。在生物特征决策上下文中，四种可能的结果通常被称为假匹配、正确匹配、假非匹配和正确非匹配。显然，第一个和第三个结果是错误(分别称为类型1和2)，而第二和第四是被寻找的。通过操纵决策标准——匹配得分阈值——这四种结果的相对概率可以得到调整 (Daugman, 2000)。
为了评估识别性能-系统的假匹配错误率和假不匹配错误率-并估计一个匹配评分阈值(ms*)，进行了一系列对视网膜图像的一对一比较(匹配试验)。首先，将识别阶段获得的视网膜图像与登记阶段获得的配对图像进行比较，得到128个匹配分数。其次，在验证集的每个视网膜图像与从登记集随机选择的7张图像(不属于同一只眼睛)之间进行匹配试验。因此，产生了另一组896个来自不同视网膜图像配对的匹配分数。使用EasyFit 3.0 (Mathwave Technologies,Ukraine)，参数分布分别对从同一只眼睛获得的视网膜图像对的匹配分数(genuinedistribution)和从不同眼睛获得的视网膜图像对的匹配分数(non-genuine distribution)进行拟合。该程序可以估计假匹配错误率、假不匹配错误率、匹配评分阈值(生物特征决策场景)和接收方操作，Delac和Grgic(2004)给出了匹配分布和非匹配分布的特征曲线(ROC)。最后，基于每只羊的两张视网膜图像的多模态生物识别系统的决策分析已经基于逻辑或操作符和匹配分数的简单组合和得出，从而提高正确匹配和纠正不匹配的概率，达到non-match to ∼1.

结果与讨论

（一）光照条件和操作人员对匹配分数的影响

下图显示绵羊视网膜血管模式的两个特征图像。与Ollivier等人(2004)一致，在大多数视网膜图像中都发现眼底存在暗色区域。从荧光素血管造影图像,加兰et al .(2006)推断羊的视网膜血管模式有三个或四个对血管(动脉和静脉)——腹,背,ventronasal和ventrotemporal,额外的5到8小动脉和小静脉辐射时间和内侧部分的视神经乳头。在我们的绵羊视网膜图像中，大血管成对出现的情况非常频繁——由于它们的体积较大，更有可能是背侧血管，有时这对血管相互缠绕(见图1箭头)。与荧光素血管造影不同，Optireader并没有捕捉到视盘，而是捕捉到从视盘中产生的主要血管及其分支，它们通向眼底的颞部和内侧区域。正是这种血管、小动脉和小静脉的随机排列赋予了这种生物特征的独特性。

大血管结对和扭转的例子，这是绵羊视网膜血管常见的现象
从同一只动物获得的每对视网膜图像中获得的匹配分数进行了Kruskal-Wallis测试，以确定在图像采集和操作过程中光线条件的可能影响。结果表明，无论是光照条件还是操作人员都对图像匹配程度，即匹配得分值(表2)有显著影响。尽管在室内拍摄的成对图像(登记和识别在室内进行;ms = 95.63)显著高于户外拍摄的成对图像的平均匹配分数(户外入学和识别;女士= 89.75);这个差异还不够大，不足以产生统计学意义。这种在室外和室内拍摄的图像匹配值的差异主要是由于瞳孔光反射现象，这导致了图像质量的某些差异(假设树状容器模式在图像中被恰当地放置)。大多数户外拍摄的视网膜图像(300-350lux)的清晰度略低于室内拍摄的图像(100-200lux)。
在强光下获得视网膜图像的困难是由于瞳孔光反射现象引起的。瞳孔的大小由瞳孔的不自觉收缩和扩张控制，以调节进入眼睛的飞行强度。绵羊的虹膜由肌肉构成，它改变瞳孔的大小和形状;与人类的瞳孔不同，绵羊的瞳孔在强光下是一个小的圆形开口，在昏暗的光线下则是一个大的圆形开口。绵羊的瞳孔仍然很大，只是高度不同。随着光线变暗，绵羊的瞳孔变成椭圆形;,在明亮的光线,学生有一个peanut-like形状及其大小减少到大约(1/3)——(1/4)的正常大小在昏暗的条件(图2)。捕获的小眼睛的瞳孔大小户外条件与阴影造成显著性差异(p < 0.05)的时间来捕捉视网膜images1between两光照条件。与室内条件相比，在室外有阴影条件下视网膜图像采集的均值和标准差分别为67.85 s和70.12 s:平均值为50.38秒，标准差为47.85秒(表3)。室内图像捕获的平均时间(50.38秒)与先前报道的绵羊视网膜图像捕获的值56.03秒非常接近(Rusk等人，2006)。

（二）生物识别系统的识别性能

绵羊的瞳孔在昏暗的光线下呈椭圆形，在明亮的光线下(在没有阴影的户外)呈花生状
因为达到这个限制就相当于达到100%的正确匹配率，而错误匹配率保持在0%。在ms为70的情况下，系统的估计假匹配误差为0.25%，估计假不匹配误差为0.82%。将该ms作为128个真匹配和896个非真匹配的判定标准的分界点(即，如果任意匹配试验得到的ms值大于或等于ms*，则比较的视网膜图像属于同一动物)，假匹配2例，假不匹配2例。图8是一个假匹配的案例，即虽然视网膜图像来自不同的羊，但由于分支模式的某些相似性，由于匹配分数(73.61)高于ms*(70)，决策准则未能生成正确的不匹配。相比之下，虽然图9所示的一对视网膜图像来自于同一只绵羊的眼睛，但是当与ms*比较时，他们的匹配分数(68.52)值并没有传达正确的匹配，而是一个虚假的不匹配。从图9可以推断，树状结构(两幅图像中都有圆形)的位置和图像质量(前一节提到的导致户外图像匹配得分较低的因素)实际上会导致匹配错误。

（三）双峰视网膜识别的性能

当在比赛得分水平上融合信息时，可以采用不同的策略(Sanderson和Paliwal, 2004)。在拼接或分类方法中，融合被视为一个分类问题，其中一个特征向量是使用单个匹配模块的匹配分数输出构造的;然后将该特征向量分为两类:接受(真正匹配)或拒绝(非真正匹配)。在组合或求和方法中，融合被视为一个组合问题，其中单个匹配分数被组合起来，生成一个标量分数，然后用于做出最终决定。Ross和Jain(2003)表明，在多模态生物识别系统(指纹、人脸和手的几何形状)的匹配性能方面，简单的求和(组合方法)比分类方法(使用判别函数和决策树)获得了更好的结果。另外，从多个分类器获得的信息也可以在决策级进行融合。在这种情况下，每个匹配模块将分别分为接受或拒绝;和最终的决定可以与orlogical运营商，多数投票或组合排名名单(Prabhakar和Jain, 2002年)。
在两个视网膜图像(左右)的特殊情况下，信息融合可以在匹配分数级别或决策级别进行。在匹配分数水平上，可以采用个体左右视网膜模块匹配分数的累加方法(msR+m sL)。信息融合可以在决定进行使用或操作符,因为视网膜模块(左、右),同样的,强劲的性能,是互相独立的,图10 -增强决策标准匹配基于两个视网膜产生几乎0%不匹配错误。它们的匹配分数可能有相同的值范围(如果将弱生物特征和强生物特征结合在一起，使用OR规则的信息融合将是非常不合适的，使用简单的匹配分数总和的信息融合将是不够的)。图10为双视网膜生物识别系统的决策准则示意图，该决策准则基于两种方法的融合:决策级信息融合(或算子)和匹配分数级信息融合(msR+m sL)，形成决策树。
由拟合的真值和非真值分布(图6)可知，当ms值为75时，假匹配误差为0%，其代价是假不匹配误差增加到2.0934%。然而，在一个组合的生物识别系统中，将ms设置为75将确保不匹配的正确概率接近1。采用基于or的联合决策将假匹配错误维持在0%，并将假不匹配错误减少到0.0438%2，当两个视网膜匹配试验的结果结合使用的ms为75。在双视网膜识别系统中，假不匹配误差从0.82%(仅对一个视网膜的ms为70)下降到0.0438% (ms*为75)，这正是理想的生物特征识别系统所追求的(将正确匹配的概率提高到接近1的水平;在组合或决策准则中，正确匹配的概率增加到0.99956)。

结论

尽管在室内拍摄的一对对图像的匹配得分平均值(ms = 95.63)显著高于户外拍摄的一对对图像的匹配得分平均值(ms = 89.75);这个差异还不够大，不足以产生统计学意义。在不同光照条件下，室外与室内图像匹配得分及视网膜图像捕捉时间差异有统计学意义(P< 0.05)，其原因是瞳孔光反射现象。根据亮度的不同，这种现象会使图像采集变得不可行。然而，这项研究表明，在户外使用一个简单的便携式遮阳棚可以提供足够的荫凉(300-350lux)，以方便视网膜图像的捕捉。另一方面，没有发现显著的操作因素对匹配分数值的影响。摘要利用经典的统计决策理论，对单视网膜生物识别系统的绵羊身份验证性能进行了分析，得出了对不同的匹配分数阈值估计两种错误率(假匹配错误率和假不匹配错误率)。最小化系统错误的匹配分数被发现为70(估计假匹配错误=0.25%和估计假不匹配错误=0.82%)。为了提高系统的识别性能，即增加正确匹配和正确不匹配的概率到joyce - 1，我们研究了一种改进的生物特征系统，用于绵羊身份验证，该系统基于在登记期间每个人扫描两张视网膜图像。本文提出了一种增强的决策准则，实现了在匹配分数和决策水平上的信息融合:首先，与较高的匹配分数(75)相比，使用OR逻辑运算符确保不存在假匹配;第二，使用匹配分数的简单和(来自两个视网膜的匹配试验)足以区分真与假，并且与OR操作者一起，它最小化了遇到假不匹配的概率，∼5.77×10−7。虽然这些结果的有效性还需要在一个庞大的绵羊视网膜数据库中进行进一步评估，但这一初步评估证明了视网膜识别技术在绵羊识别方面的潜力，目前为止，每只绵羊获得两张视网膜图像可以达到最佳效果。作者想要承认，这项研究得到了爱尔兰政府通过农业和食品部根据2000-2006年国家发展计划的支持。

2021-04-20论文——视网膜识别技术作为绵羊生物识别方法的评价相关推荐

人脸识别技术介绍和表情识别最新研究
点击上方"计算机视觉工坊",选择"星标" 干货第一时间送达一.人脸识别技术介绍人脸识别作为一种生物特征识别技术,具有非侵扰性.非接触性.友好性和便捷性等优点 ...
人脸识别相比较其他生物识别技术，人脸识别主要有什么优缺点
人脸识别:非强制性和谨防刻意伪装与指纹识别相较来看,人脸识别所使用的数据量更多,从而更加精确.而且与指纹需要接触不同,人脸隔空识别,除了特定事项的认证,不要求验证者的注意力.这也是为什么在明星演唱会 ...
2021.04.20未完成的潮汐缸：ESP8266+blynk 使用云潮汐数据驱动优必选串口舵机。
superchat下载: http://blynk.mpython.cn:8080/33qq2@qq.com_740545429_0_v0_1618994065413.csv.gz 海事网暂时关闭,使 ...
java条码识别技术_Java 生成、识别条形码
条形码是由一定的字符,数字及符号组成,用以表达一组信息的图形标识符.它可以标出物品的商品名称.生产日期.图书分类号,邮件起止地点等.因而在商品流通.图书管理.邮政管理等许多领域得以广泛的应用.本文将通 ...
证件识别技术，OCR扫描识别
身份证,作为唯一证明身份的证件被广泛的应用.尤其是在实行实名制以后,身份证更是到达了使用频次的巅峰.买车票用身份证,住酒店用身份证,去拜访客户时门卫都要记录你的身份证信息.由此可见,使用身份证信息的场 ...
AI人工智能，OCR 识别技术图像处理 OCR文字识别软件
清华文通th ocr是一款专业的文字识别软件.软件不仅在电脑上可以使用,还支持移动端iOS以及Andeoid系统,支持中英文拍照识别,但是,都是需要用户自行购买的. 文通TH-OCR SDK综合文字识 ...
基于YOLOv8模型+CnOCR识别技术实现汽车车牌识别
第1步:导入库 # Import Libraries# Warning import warnings warnings.filterwarnings("ignore")# Mai ...
识别率号称秒杀生物识别，创新沙盒冠军 Unify ID 是何方神圣？| RSA 2017 专题
北京时间2月14日凌晨四点,地球另一边的洛杉矶举行的 RSA 2017 大会创新沙盒大赛,一个叫UnifyID 的创业公司从十家参选公司中脱颖而出,成为全场"大赢家". 这家公司号 ...
人脸识别技术在十大领域的创新应用
智能化安防技术随着科学技术的发展与进步在二十一世纪第二个十年已迈入了一个全新的领域.近年来,由于反恐和国家安全.社会安全的需要,安防行业的智能化技术也越来越受到重视,而身份识别正是安防的核心问题.在这 ...
生物识别技术到底靠不靠谱？
生物识别技术具有不可撤销性.高度便利性和较低错误率等优势,在安全领域中也备受瞩目.然而,对于生物识别技术在应对安全挑战方面的可靠性和有效性,争议并未被完全解决.当密码安全不再足够,生物识别技术能否成为 ...

2021-04-20论文——视网膜识别技术作为绵羊生物识别方法的评价

论文简介

期刊情况

摘要

研究背景

材料和方法

（一）光照条件和操作人员对匹配分数的影响

（二）生物识别系统的识别性能

结果与讨论

（一）光照条件和操作人员对匹配分数的影响

（二）生物识别系统的识别性能

（三）双峰视网膜识别的性能

结论

2021-04-20论文——视网膜识别技术作为绵羊生物识别方法的评价相关推荐

最新文章

热门文章