生物特征识别技术(Biometric Identification Technology)是通过计算机与光学、声学、生物传感器和生物统计学等高科技手段密切结合,利用人体固有的生理特性(如指纹、脸像、虹膜等)和行为特性(如笔迹、声音、步态等)来进行个人身份鉴定的技术。与传统的身份识别(密码、暗语、钥匙、证件等)相比,基于生物特征的身份识别技术有三个主要优点:(1)无需记忆;(2)防伪性能好,不易伪造或盗用;(3)“随身携带”,使用方便。虹膜识别(Iris Recognition)是一种基于虹膜纹理的细微结构(包括斑点、细丝、冠状、条纹、隐窝等)的特征进行识别的技术,它是最可靠和识别率最高的生物特征识别技术之一。本论文从虹膜自身的生理结构特性出发,利用不可分小波,对具有旋转不变性的虹膜识别方法中的关键技术进行了研究,并且提出了一些新的算法。本文的主要贡献及创新性工作如下:(1)首先将最新的小波工具——不可分小波用于虹膜识别。与传统可分小波相比,不可分小波变换的高频分量能更多地揭露虹膜纹理图像中的体现纹理变化的方向信息。(2)提出了一种自适应的虹膜预处理方法,能精确地分割出虹膜,得到高质量的预处理虹膜图片。传统的虹膜预处理方法基于虹膜的内外边界为圆的假设,用两个圆将虹膜从眼睛图像中分割出来;然而,圆形的边界并不能精确地将虹膜分割出来。我们分析了国内外已有的虹膜图像库,发现虹膜的边界,特别是内边界通常不是圆的。为了解决这个问题,本文提出了一种自适应的虹膜预处理方法,它能够精确的分割出虹膜区域,并得到高质量的预处理虹膜图片,其结果不受虹膜边界形状变化影响。(3)提出了两种具有旋转不变性的特征提取与匹配方法。人们希望虹膜识别系统具有平移、尺度和旋转的不变性。在传统的虹膜识别算法中,平移和尺度不变性的问题,已经被完美地解决了,但旋转不变性问题一直没有被很好的解决。传统的虹膜识别算法只能近似地解决虹膜的旋转不变性问题。在虹膜预处理时,它们以多个不同的初始角度展开圆环形的虹膜,然后,在特征提取时,提取所有不同初始角度展开的虹膜的特征码,最后,在匹配时,待测虹膜的特征码将与所有不同初始角度的虹膜特征码进行比较并求得距离,取其中距离最小的结果用于虹膜匹配,来补偿虹膜旋转对识别系统的影响。上述传统的方法存在的缺点是增加了特征提取和匹配的计算量,使虹膜识别的计算复杂度增加,只补偿了部分虹膜旋转的影响,并不能较好地解决虹膜的旋转不变性问题。为了克服上述缺点,本文提出了两种基于不可分小波的具有旋转不变性的虹膜特征提取和匹配的方法:基于广义高斯分布(GGD)的方法和基于高斯马尔可夫随机场(GMRF)的方法。与上述方法不同,本文方法是在虹膜特征提取阶段实现旋转不变性的。它们提取的虹膜特征本身具有旋转不变性。因此,本文实现虹膜旋转不变性的方法不会增加虹膜识别系统的计算复杂度,同时实现了优秀的旋转不变性。不论虹膜旋转到什么程度,使用本文方法的系统的识别率都不会降低。