Introduction
Dans le contexte de la croissance rapide du marché mondial de la biométrie, la technologie de reconnaissance de l'iris, avec ses avantages uniques de haute précision et de haute sécurité, devient la solution privilégiée pour des scénarios clés tels que le paiement financier, la sécurité aux frontières et les villes intelligentes. Selon les prévisions des instituts d'études de marché, la taille du marché mondial de la reconnaissance de l'iris passera de 5,14 milliards de dollars américains en 2025 à 12,92 milliards de dollars américains en 2030, avec un taux de croissance annuel composé (TCAC) de 20,3 %.
Figure 1 : Tendance de croissance de la taille du marché mondial de la reconnaissance de l'iris (prévisions 2025-2030)
À ce stade critique de la transformation industrielle, Homsh Technology a réussi à réaliser une mise à niveau fulgurante de la technologie de reconnaissance de l'iris, passant du paradigme traditionnel au paradigme de l'IA, grâce à deux brevets d'invention clés—"Un système et une méthode de récupération rapide de l'iris basés sur une base de données vectorielle" et "Une méthode d'encodage continu des caractéristiques de l'iris basée sur des réseaux de neurones profonds"—établissant une position innovante importante à la pointe de la technologie de reconnaissance de l'iris en Chine et dans le monde.
Contexte technique : goulots d'étranglement des méthodes traditionnelles et opportunités à l'ère de l'IA
Depuis la commercialisation de la technologie de reconnaissance de l'iris dans les années 1990, elle s'est longtemps appuyée sur la méthode d'encodage IrisCode basée sur les filtres de Gabor. Cette méthode extrait les caractéristiques de texture de l'iris grâce à des filtres de Gabor multi-échelles et multidirectionnels, les quantifie en codes binaires de 2048 bits et utilise la distance de Hamming pour la correspondance. Cependant, ce paradigme traditionnel est confronté à trois goulots d'étranglement majeurs : premièrement, les filtres fixes ne peuvent pas s'adapter aux différences de qualité des différentes images de l'iris ; deuxièmement, l'encodage par binarisation entraîne une perte d'informations importante, ce qui se traduit par un taux d'erreur égal (EER) d'environ 1,75 % seulement sur l'ensemble de tests standard CASIA-Iris-Lamp ; troisièmement, la vitesse de récupération est lente dans les bases de données à grande échelle (plus d'un million de niveaux), ce qui rend difficile de répondre aux besoins des applications en temps réel.
Figure 2 : Comparaison des paradigmes de la technologie de reconnaissance de l'iris - Encodage IrisCode traditionnel vs. Encodage continu des caractéristiques par apprentissage profond
Avec la maturité de la technologie d'apprentissage profond et l'accumulation de vastes ensembles de données, la reconnaissance de l'iris a ouvert une fenêtre d'opportunité pour un changement de paradigme, passant des "caractéristiques faites à la main" à "l'apprentissage de bout en bout". Des recherches universitaires récentes ont montré que les méthodes de reconnaissance de l'iris basées sur des réseaux de neurones profonds ont démontré un potentiel au-delà des méthodes traditionnelles. Par exemple, le modèle académique de pointe IrisFormer peut atteindre un EER de 0,88 % sur le même ensemble de données. Cependant, la manière de transformer les réalisations académiques en solutions techniques réalisables en ingénierie et dotées d'une compétitivité industrielle est un défi commun auquel l'industrie est confrontée.
Innovation technique : deux brevets collaborent pour construire une solution d'IA complète
Les deux brevets clés publiés par Homsh Technology cette fois-ci résolvent systématiquement les goulots d'étranglement techniques de la reconnaissance de l'iris traditionnelle à partir de deux dimensions—"représentation des caractéristiques" et "efficacité de la récupération", formant une boucle technique complète, de l'encodage frontal à la récupération dorsale.
Figure 3 : Architecture collaborative à double brevet de Homsh Technology - Système de reconnaissance de l'iris de bout en bout
Brevet 1 : Une méthode d'encodage continu des caractéristiques de l'iris basée sur des réseaux de neurones profonds
Ce brevet combine de manière innovante l'architecture de réseau neuronal convolutif efficace EfficientNet-B3 dans le domaine de la vision par ordinateur avec la fonction de perte de marge angulaire ArcFace dans le domaine de la reconnaissance faciale, réalisant pour la première fois un encodage d'apprentissage profond de bout en bout des caractéristiques de l'iris. Ses innovations clés incluent :
1. Extraction adaptative des caractéristiques : Grâce à la stratégie de mise à l'échelle composée (expansion équilibrée tridimensionnelle de la profondeur, de la largeur et de la résolution) et aux modules MBConv efficaces (structure résiduelle inversée + mécanisme d'attention squeeze-and-excitation), EfficientNet-B3 réalise une extraction de caractéristiques hautement discriminantes des textures de l'iris sous la contrainte de seulement 12,14 millions de paramètres. Comparé aux filtres de Gabor fixes, le modèle peut apprendre automatiquement la représentation optimale des caractéristiques.
2. Encodage continu des caractéristiques : Brisant la limitation de quantification par binarisation de l'IrisCode traditionnel, il produit des vecteurs de caractéristiques continues float32 à 512 dimensions avec une capacité d'information de 16 384 bits (8 fois celle de l'IrisCode). L'espace des caractéristiques est mis à niveau, passant d'un espace de Hamming discret à un espace euclidien continu, permettant une mesure de similarité plus raffinée.
3. Optimisation de la marge angulaire ArcFace : Dans l'espace des caractéristiques hypersphériques normalisées, l'ajout d'une marge angulaire de 10° force l'agrégation intra-classe et la séparation inter-classe, réduisant l'angle entre les vecteurs de caractéristiques de l'iris d'une même personne et élargissant l'angle entre différentes personnes, améliorant considérablement la capacité de discrimination des caractéristiques. La vérification expérimentale montre que, par rapport à la perte Softmax standard, ArcFace réduit l'EER de 45,4 %.
4. Échantillonnage par lot équilibré par classe : Pour résoudre le problème du nombre d'échantillons inégaux entre les différents individus dans les ensembles de données de l'iris, une stratégie d'échantillonnage équilibrée par classe innovante est conçue. Chaque lot d'entraînement contient 16 classes avec 8 échantillons par classe, garantissant que la fonction de perte ArcFace peut apprendre pleinement les limites inter-classes, accélérant la convergence de 30 % par rapport à l'échantillonnage aléatoire.
Brevet 2 : Un système et une méthode de récupération rapide de l'iris basés sur une base de données vectorielle
Ce brevet applique la technologie de base de données vectorielle FAISS (Facebook AI Similarity Search) au domaine de la reconnaissance de l'iris pour la première fois au monde, réalisant une récupération au niveau de la milliseconde dans une base de données d'un million de personnes et fournissant un support technique clé pour l'application en temps réel des systèmes de reconnaissance de l'iris à grande échelle. Ses innovations clés incluent :
1. Construction d'index vectoriel FAISS : Après la normalisation L2 des vecteurs de caractéristiques de l'iris à 512 dimensions extraits par l'apprentissage profond, le type d'index IndexFlatIP de FAISS est utilisé pour le stockage. Ce type d'index est basé sur la recherche de similarité de produit interne, ce qui équivaut à la similarité cosinus des vecteurs normalisés. Comparé à la recherche par force brute NumPy, il réalise une accélération de 15,9x sur le processeur et de 75,0x sur le GPU dans une base de données à l'échelle de 10 000 personnes.
2. Stratégie d'indexation intelligente : Une architecture d'indexation multiniveau innovante est conçue. Grâce à l'optimisation de la distribution des caractéristiques et au regroupement adaptatif, les erreurs de correspondance sont évitées et des modes de reconnaissance flexibles sont pris en charge, améliorant considérablement la précision de la reconnaissance et la robustesse du système.
3. Conception efficace de la structure des données : Le système stocke séparément les fichiers d'index FAISS (.index.faiss) et les fichiers de métadonnées (.meta.json). Les fichiers d'index sont directement mappés en mémoire pour une recherche de voisin le plus proche approximative, tandis que les fichiers de métadonnées stockent des informations commerciales telles que les identifiants du personnel, les heures de collecte et les numéros d'appareil. La latence de la requête est contrôlée à moins de 8,5 millisecondes (mode CPU).
4. Intégration transparente des modèles d'apprentissage profond : Le front-end du système utilise EfficientNet-B5 (112 Mo ONNX) pour la segmentation de l'iris afin d'extraire la région d'intérêt ; le back-end utilise EfficientNet-B3+ArcFace (44 Mo ONNX) pour l'extraction des caractéristiques. L'ensemble du processus est optimisé de bout en bout, de l'entrée de l'image à la sortie du résultat de la récupération, prenant en charge les modes d'inférence CPU et GPU et s'adaptant à divers scénarios de déploiement tels que les appareils périphériques et les serveurs.
Indicateurs techniques : Atteindre des niveaux de classe mondiale
Des tests rigoureux sur l'ensemble de données standard international de l'iris CASIA-Iris-Lamp (573 personnes, 11 845 images) montrent que la solution à double brevet de Homsh Technology a atteint les indicateurs révolutionnaires suivants :
Figure 4 : Comparaison des performances de reconnaissance de l'iris (ensemble de données CASIA-Iris-Lamp)
1. Taux d'erreur égal (EER) : 0,70 %. Par rapport à la méthode traditionnelle Gabor+distance de Hamming (EER de 1,75 %), le taux d'erreur est réduit de 60 % ; par rapport à la solution de base EfficientNet-B3 précédente de Homsh Technology (EER de 2,66 %), le taux d'erreur est réduit de 73,7 % ; par rapport au modèle académique de pointe IrisFormer (EER de 0,88 %), les performances sont améliorées de 20,5 %, établissant une position de leader de classe mondiale dans l'industrie.
2. Précision de la reconnaissance (AUC) : 99,97 %, indiquant qu'un taux de reconnaissance correct très élevé peut être maintenu même à un taux de fausse reconnaissance extrêmement faible.
3. Vitesse de récupération : Dans une base de données à l'échelle de 10 000 personnes, la latence de récupération moyenne est de 8,5 millisecondes en mode CPU FAISS avec un débit de 117,6 QPS ; la latence de récupération est de 1,8 milliseconde en mode GPU avec un débit de 555,6 QPS. Par rapport à la recherche par force brute NumPy traditionnelle, elle réalise respectivement une accélération de 15,9x et de 75,0x, répondant pleinement aux besoins des applications en temps réel.
4. Efficacité du modèle : Le modèle d'extraction de caractéristiques EfficientNet-B3 ne compte que 12,14 millions de paramètres, avec un temps d'inférence ONNX de 8 millisecondes (CPU) et une empreinte mémoire de 1,8 Go, prenant en charge le déploiement sur des appareils périphériques et des terminaux mobiles ; grâce à la quantification INT8, la taille du modèle peut être encore compressée à 11,2 Mo, le temps d'inférence réduit à 5 millisecondes et l'empreinte mémoire réduite à 0,5 Go.
Leadership industriel : doubles innovations des puces ASIC aux paradigmes de l'IA
Homsh Technology possède une accumulation technique unique et des gènes innovants à la pointe de la technologie de reconnaissance de l'iris en Chine. Dès avant 2020, l'entreprise a développé avec succès la première puce ASIC au monde dédiée à la reconnaissance de l'iris, brisant le goulot d'étranglement de l'accélération matérielle des algorithmes de reconnaissance de l'iris, augmentant la vitesse de reconnaissance au niveau de la milliseconde et jetant les bases matérielles de la commercialisation à grande échelle de la technologie de reconnaissance de l'iris. Cette innovation a donné à Homsh Technology un avantage de premier arrivé dans le processus d'industrialisation.
En entrant dans l'ère de l'IA, Homsh Technology a vivement saisi l'opportunité de la technologie d'apprentissage profond pour restructurer le paradigme de reconnaissance de l'iris, a résolument investi dans les ressources de R&D et a réalisé une mise à niveau du paradigme, passant de la "transformation du signal traditionnelle" à "l'apprentissage profond de bout en bout" dans deux dimensions clés : les méthodes d'encodage et les systèmes de récupération. La solution à double brevet publiée cette fois-ci atteint non seulement un niveau EER de classe mondiale de 0,7 % dans les indicateurs techniques, mais, plus important encore, réalise l'application pionnière mondiale de la base de données vectorielle FAISS dans le domaine de la reconnaissance de l'iris, comblant le vide dans cette voie technique. Cela marque que Homsh Technology a achevé la transformation stratégique d'un "innovateur de puces" à un "leader du paradigme de l'IA", établissant une hauteur de commandement technologique à l'ère de la reconnaissance intelligente de l'iris.
Applications potentielles : Renforcer la mise à niveau intelligente dans de multiples domaines
Grâce à ses avantages techniques de haute précision, de haute vitesse et de déploiement facile, la solution à double brevet de Homsh Technology peut être largement appliquée dans les scénarios suivants :
Figure 5 : Scénarios d'application de la solution à double brevet de Homsh Technology
Paiement financier
Le déploiement de la reconnaissance de l'iris sur les guichets automatiques bancaires et les terminaux de paiement mobile, l'EER ultra-faible de 0,7 % garantit la sécurité des fonds, la vitesse de reconnaissance de 8 millisecondes offre une expérience utilisateur fluide et le mode mono-œil prend en charge les utilisateurs portant des lunettes.
Sécurité aux frontières
Le déploiement de systèmes de reconnaissance de l'iris à grande échelle dans les aéroports et les ports, la base de données vectorielle FAISS prend en charge la récupération au niveau de la milliseconde dans une base de données d'un million de personnes, et la stratégie de fusion multimodale améliore encore la précision, empêchant efficacement la fraude d'identité.
Parcs intelligents
Le déploiement du contrôle d'accès par iris dans les parcs d'entreprises et les agences gouvernementales, le modèle quantifié INT8 prend en charge le déploiement local sur les appareils périphériques (machines de contrôle d'accès, tourniquets), permettant une reconnaissance en temps réel sans mise en réseau et assurant la confidentialité des données.
Soins de santé
L'intégration de la reconnaissance de l'iris dans les systèmes HIS hospitaliers pour associer avec précision les identités des patients aux dossiers médicaux électroniques, évitant la confusion causée par le même nom et améliorant la sécurité médicale ; l'établissement d'une identité biométrique unique dans la gestion des nouveau-nés pour prévenir l'enlèvement de bébés.
Sécurité publique
Le déploiement de la reconnaissance de l'iris dans les systèmes de surveillance urbaine, combiné à un équipement de collecte d'iris à longue distance, pour réaliser une alerte précoce de la surveillance et du contrôle du personnel clé. Le mode d'inférence GPU prend en charge l'analyse en temps réel à haute concurrence.
Remarques du PDG : Dr Yi Kaijun, PDG
Le Dr Yi Kaijun, PDG de Homsh Technology, a déclaré dans une interview : "La R&D réussie de ces deux brevets est la cristallisation de plus d'une décennie d'accumulation technique et d'investissement continu dans l'innovation de Homsh Technology. Nous comprenons parfaitement que dans le domaine très concurrentiel de la biométrie, ce n'est qu'en maîtrisant les technologies de base que nous pouvons rester invincibles. De l'innovation de la puce ASIC avant 2020 aux doubles percées d'aujourd'hui dans l'apprentissage profond + la base de données vectorielle, Homsh Technology a toujours adhéré à l'intégration approfondie des technologies de pointe et des besoins industriels. L'indicateur EER de 0,7 % n'est pas qu'un chiffre ; il représente l'équilibre optimal entre 'sécurité' et 'convivialité' atteint par le système. Pour des scénarios clés tels que la finance et les contrôles de sécurité, cela signifie des garanties de sécurité plus élevées et une meilleure expérience utilisateur."
"Plus important encore, nous sommes les premiers au monde à introduire la technologie de base de données vectorielle FAISS dans le domaine de la reconnaissance de l'iris. Cette innovation ouvre de nouvelles possibilités pour l'application en temps réel des systèmes de reconnaissance de l'iris à grande échelle. À l'avenir, nous continuerons à approfondir nos efforts dans le domaine de l'IA + de la biométrie, à promouvoir l'application de la technologie de reconnaissance de l'iris dans davantage de scénarios et à contribuer à la force de Homsh à la construction d'une société intelligente. L'innovation est sans fin, et Homsh Technology continuera à mener le progrès technologique de l'industrie."
Perspectives : L'avenir de la reconnaissance intelligente de l'iris
Avec l'évolution continue de la technologie de l'IA et l'amélioration des infrastructures telles que la 5G et l'informatique de périphérie, la reconnaissance de l'iris passe des "scénarios spécialisés" aux "applications inclusives". La solution à double brevet de Homsh Technology, avec ses performances techniques exceptionnelles et ses capacités d'ingénierie, est entièrement préparée pour répondre à l'explosion du marché au cours de la prochaine décennie. L'entreprise continuera d'investir dans les ressources de R&D et d'innover en continu dans des domaines tels que la fusion multimodale (iris + visage + empreinte digitale), la détection du vivant et l'informatique de la confidentialité, contribuant ainsi à la force technique de base pour la construction d'une société numérique plus sûre, plus intelligente et plus pratique.
À propos de Homsh Technology
Homsh Technology est un fournisseur de technologie de reconnaissance de l'iris de premier plan en Chine, axé sur la R&D et l'industrialisation des algorithmes, des puces et des systèmes de reconnaissance de l'iris. L'entreprise détient un certain nombre de brevets technologiques de base, dont la première puce ASIC au monde dédiée à la reconnaissance de l'iris, et ses produits sont largement utilisés dans des domaines tels que la finance, la sécurité et les soins de santé.
