生物识别技术是一种根据个人的生理和行为特征来识别个人的综合技术,它可以确保高度安全。目前有不同的生物识别技术被应用在不同的人体识别系统中,如虹膜识别、人脸识别、指纹识别和语音识别等。在这些识别技术中,虹膜识别因其静态和独特的模式特征被认为是最有效和可靠的生物识别技术。高效的虹膜识别方法是指自动识别和验证不同人体虹膜之间的匹配。虹膜识别系统一般由四个主要步骤组成:虹膜分割、虹膜归一化、特征提取和匹配。本文提出了三种高效的虹膜识别算法、以提高现有虹膜识别系统的性能。通过采用False Acceptance Rate(FAR)、False Rejection Rate(FRR)和Equal Error Rate(EER)这几个指标来评估所提出的算法的性能。第一,提出了一种虹膜识别的IPR-AHD方法,在该方法中,通过使用1D Log Gabor滤波器与Hamming Distance的自适应子集,提高了算法的整体精度。此前,许多研究者在其虹膜检测算法中都采用了Hamming Distance(HD)方法。所提出的AHD相对于HD来说,其工作原理更明显,并且采用了Hamming子集和自适应长度。基于Hamming子集中被遮蔽位的密度,每个子集能够向右或左相邻位扩展和邻接。Hamming子集的自适应行为提高了Hamming距离计算的精度,提高了虹膜码匹配的性能。然后,采用1D Log-Gabor滤波器对数据进行有效的提取和编码,产生适当的特征向量。对于虹膜定位,通过将图像中的强边作为局部模式,通过Hough变换方法找到圆槽的最大值,实现对圆的识别。Hough变换是一种标准的图像分析工具,可以找到曲线和边缘,这些曲线和边缘可以定义为参数化形式,如线、多项式和圆等。利用橡胶片模型将虹膜图像转化为归一化的虹膜区域。通过使用1D对数Gabor滤波器得到的特征向量在识别阶段进一步利用,进行比较。在公开可用的数据集Casia-V1上对所提出的算法进行了评估。与最先进的算法相比,IPR-AHD表现出了更好的性能。第二,提出了一种基于FLDA和PCA融合规则的虹膜识别算法,该算法融合了虹膜识别系统的两个基本阶段”定位和检测”。在该算法中,首先,通过Hough变换算法对图像进行分割,定位瞳孔,将虹膜从图像的其他部分中分离出来。其次,利用橡皮片模型对虹膜进行归一化处理。然后,利用同构滤波器对虹膜图像进行增强。引入了一种基于Fisher线性判别分析(FLDA)和嵌入主成分分析(PCA)的融合方法,利用眼球图像的振幅,因为FLDA与传统的方法相比,可以更有效地提取特征,在分类过程中使用。提出的模型的主要贡献是通过结合多种描述符,提高了虹膜识别系统中的分割和归一化过程的性能,与以前的方法(2D-LDA+2D-PCA、2D-PCA、2D-PCA、FLD等)相比,提高了整体的准确性。这些描述符在提取特定图案信息的意义上是互补的。大量的结果表明,在公开可用的数据集Casia-V1上,所提出的基于融合的方法与最先进的虹膜识别算法相比表现更好。第三,提出了基于卷积神经网络(Convolutional neural network,CNN)架构的虹膜分割与识别方法ISR-FMnet。CNNs能够通过层的继承,对图像的非线性低级特征进行提取和合并,从而产生更高级别的特征。神经网络实现了权重共享的思想,减少了体系结构的自由参数,直接实现了不同层次的融合。此前,许多研究者在虹膜预处理(分割或特征提取)的一个步骤中使用了CNN。所提出的方法克服了现有的经典方法中仅采用手工特征提取的问题,将特征提取和分类一起进行,从而克服了传统方法中仅采用手工特征提取的问题。ISR-FMnet基于完全卷积神经网络(FCN)和多尺度卷积神经网络(MCNN),利用FCN进行分割,MCNN进行特征提取,将这两个步骤合并在一起。这种架构通过增加坐标卷积层和多重缩放和损耗函数等特征,将复杂度降到最低,并进一步提高了精度。在全连通层中获得所有类别的初步分类结果,更加准确。与传统的虹膜识别算法相比,该方法在训练、识别和安全方面具有优势,在三个不同的数据集(casia-iris-1000、UBIRIS-V2和LG2200)进行了实验结果的评估,实验结果表明,ISR-FMnet该算法优于现有的虹膜检测算法。