Biometric recognition aims at identifying a person by using their physiological or behavioral characteristics. When adopted for improving the security in the Internet of Things (IoT) field, it is commonly named Internet of Biometric Things (IoBT). However, despite its advantages there are further considerations on security and different ethical and legal issues, such as the possibility of exclusion of individuals due to pathologies, injuries, disabilities, or genetic defects. Indeed, these specific physical condition would lead to not satisfy the requirements commonly used for biometric recognition. As a consequence, the limitations of current biometric systems can exclude a person from the use of IoBT services. In this paper, we focus on the difficulty of iris recognition when it is affected by Coloboma, a congenital abnormality of membranes of the eye. We show how this pathological state impacts on the performance of the Daugman and Canny edge detection algorithms, which represent the most widespread methods used for the iris localization step in eye-based biometric. Results of an experimentation revealed that they correctly detected only 15.79% and 47.37% of Coloboma iris, respectively. In order to avoid the use of these inaccurate algorithms in case of Coloboma eye, we designed and experimented a Residual Neural Network classifier able to detect the presence of this disease with 99.79% of accuracy. This classifier may be a first step towards a more sophisticated “diversity-aware” biometric system which represents an alternative to actual IoBT authentication method for people with special physical condition.

生物特征识别旨在通过利用其生理或行为特征来识别一个人。为了提高物联网（IoT）领域的安全性而采用时，它通常被称为生物识别物联网（IoBT）。但是，尽管它具有优势，但在安全性以及不同的道德和法律问题上还有进一步的考虑，例如由于病理，受伤，残疾或遗传缺陷而可能导致个人被排斥的可能性。实际上，这些特定的身体状况将导致无法满足通常用于生物识别的要求。结果，当前生物识别系统的局限性可能使一个人无法使用IoBT服务。在本文中，我们重点介绍了虹膜受Coloboma影响时的识别困难，先天性眼膜异常。我们展示了这种病理状态如何影响Daugman和Canny边缘检测算法的性能，这些算法代表了基于眼睛的生物特征识别中虹膜定位步骤中使用最广泛的方法。实验结果表明，他们正确地分别仅检测了15.79％和47.37％的虹膜虹膜。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。我们展示了这种病理状态如何影响Daugman和Canny边缘检测算法的性能，这些算法代表了基于眼睛的生物特征识别中虹膜定位步骤中使用最广泛的方法。实验结果表明，他们正确地分别仅检测了15.79％和47.37％的虹膜虹膜。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。我们展示了这种病理状态如何影响Daugman和Canny边缘检测算法的性能，这些算法代表了基于眼睛的生物特征识别中虹膜定位步骤中使用最广泛的方法。实验结果表明，他们正确地分别仅检测了15.79％和47.37％的虹膜虹膜。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。代表了基于眼睛的生物特征识别中虹膜定位步骤中使用最广泛的方法。实验结果表明，他们正确地分别仅检测了15.79％和47.37％的虹膜虹膜。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。代表了基于眼睛的生物特征识别中虹膜定位步骤中使用最广泛的方法。实验结果表明，他们正确地分别仅检测了15.79％和47.37％的虹膜虹膜。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。虹膜虹膜分别占37％。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。虹膜虹膜分别占37％。为了避免在Coloboma眼中使用这些不准确的算法，我们设计并实验了一种残差神经网络分类器，该分类器能够以99.79％的准确度检测该疾病的存在。该分类器可能是迈向更复杂的“具有多样性意识”的生物识别系统的第一步，该系统为患有特殊身体状况的人提供了替代实际IoBT身份验证方法的方法。