虹膜識別綜述

摘要：回顧了虹膜識別的研究背景及發展，對近年來虹膜識別方法的研究進展進行綜述，并對各種方法加以介紹和評價，總結了存在的研究難點并提出了解決方法及今后的發展方向。

關鍵詞：虹膜識別； 虹膜定位； 特征提取； 模板匹配

中圖分類號：TP391．41文獻標志碼：A

文章編號：1001-3695(2008)05-1295-06

1虹膜識別的研究背景

鑒別人的身份是一個非常困難的問題。傳統的身份鑒別方法把這個問題轉換為鑒別一些標志個人身份的事物[1~3]，包括：a）身份標志物品，如鑰匙、身份證件等；b）身份標志知識，如用戶名、密碼、暗語等。這些身份標志事物在過去和現在，甚至以后相當長的時間都是進行身份鑒別的主要方式。但這些傳統的身份鑒別方法存在明顯的缺點：物品容易丟失或被偽造；個人的密碼容易遺忘或記錯。為了提高身份鑒別的準確性，在金融、保密等要求提供正確身份的應用領域，往往將多種身份認證方法結合起來使用，以提高身份認證的有效性，降低冒充者非法進入的可能性，如ATM機要求用戶同時提供ATM卡和密碼。但是，由于傳統的身份識別系統依靠的是身外之物，識別系統無法區分身份標志物的真正擁有者和取得這些身份標志物的冒充者，一旦他人獲得了這些身份標志事物，就擁有相同的權力。這個問題成了傳統身份鑒別方法無法解決的難題。

正因為傳統身份鑒別方法存在漏洞，所以利用假冒身份、盜用信用卡、盜竊身份識別碼以及非法登錄計算機的案件時有發生，給國家安全、社會穩定、金融安全等帶來了極大的影響。隨著網絡應用普及，網上銀行和網上交易呈快速增長趨勢，傳統的身份鑒別方法已不能滿足網絡交易對身份鑒別的高可靠性和有效性的要求，要想切實做到維護國家安全、社會穩定、金融安全、網絡安全等，必須改變身份的認證方式。

針對傳統的身份鑒別方法存在的問題，新的、更安全的、基于人本身生物特征的身份認證方式成了近年來身份認證領域的研究熱點，并在短短幾十年取得了快速發展及成果。

所謂生物特征識別技術是指通過計算機，利用人體所固有的生理特征或行為特征來進行個人身份鑒定。生理特征與生俱來，多為先天性的；行為特征則是習慣使然，多為后天性的。生理和行為特征統稱為生物特征，是鑒別身份的重要特征。生物識別以人體惟一的、可靠的、穩定的生物特征作為識別體，具有很高的安全性、可靠性和有效性。目前成熟的識別方法主要有指紋、掌紋、虹膜、臉像、聲音、筆跡等識別。其中虹膜識別是最為重要的一種生物識別技術，它具有適于作為身份特征的許多良好特性：

a）普遍性——虹膜是每個人都具有的；

b）惟一性——研究表明，任意虹膜模式都是惟一的，與遺傳無關；

c）穩定性——虹膜發育完全后，一生中是穩定不變的；

d）受保護性——外部有透明的角膜將其與外界相隔，不會受到外界侵害而發生改變；

e）非入侵檢測——虹膜識別不需要物理接觸進行檢測，是無接觸檢測；

f）接受程度——現在越來越多的人們對虹膜識別的正確率都表示認可，在識別過程中，用戶不會有任何不舒服和不安的感覺，只需要在設備前停留片刻，無須等待很長時間；

g）防欺騙性好——瞳孔對光的反應使它能區別假的虹膜，要想通過虹膜照片或死者的虹膜欺騙系統是不可能的；

h）防偽性好——人眼屬于非常精細的組織，要想通過手術改變虹膜特征難度極高、危險性極大，偽造代價非常高。

虹膜作為一種生物特征識別技術，與其他生物特征識別技術的對比[4，5]如表1所示。

作為身份標志，虹膜具有比較明顯的優勢。從各種特性綜合分析來看，虹膜識別是更實用、更可靠的身份鑒別方法，很具吸引力。

2虹膜識別技術的發展歷史

用虹膜進行身份識別的設想最早出現于19世紀80年代，但直到最近二十多年，虹膜識別技術才有了飛躍的發展。

1885年在巴黎的監獄中曾利用虹膜的結構和顏色區分同一監獄中的不同犯人，這是最早利用虹膜進行的身份識別。1987年，眼科專家Aran Safir和Leonard Florm首次提出了利用虹膜圖像進行自動身份識別的概念[6]，真正的自動虹膜識別系統則是在20世紀末才出現的。人們在出生前的隨機生長過程造成了各自虹膜組織結構的細微差別。虹膜表面有許多條紋、溝和小坑，是虹膜含有的極其豐富的紋理信息和結構信息。發育生物學家通過大量觀察發現，當虹膜發育完全以后，它在人的一生中是穩定不變的，因而具有穩定性。1991年在美國洛斯阿拉莫斯國家實驗室內，Johnson實現了文獻記載得最早的虹膜識別應用系統。1993年，Daugman率先研制出基于Gabor變換的虹膜識別算法， 利用Gabor濾波器對虹膜紋理進行一種簡單的粗量化和編碼，實現了一個高性能、實用的虹膜識別系統，使虹膜識別技術有了突破性進展 [3]。1994年Wildes研制出基于圖像注冊技術的虹膜認證系統，通過拉普拉斯金字塔將虹膜區域圖像分解為四個水平，根據圖像的相關性進行匹配度計算；該方法主要用來認證 [2]。1997年Boles等人提出了基于小波變換過零檢測的虹膜識別算法，克服了以往系統受漂移、旋轉和比例縮放帶來的局限，而且對亮度和噪聲不敏感，取得了較好的結果 [6]。Lim等人用二維小波變換實現了虹膜的編碼，減少了特征維數，提高了分類識別效果，提出了采用87位表示的虹膜特征，獲得了較高的識別率[7]。2000年中國科學院自動化所開發出了虹膜識別的核心算法，是國內進行虹膜識別研究工作進展最快的，提出了多通道Gabor濾波器提取虹膜特征的方法。近年來國內的一些高校也在這方面取得了可喜的研究成果[8]。

理論上的研究成果很快得到了實際應用，特別是“9·11”以來，各國加強了對身份鑒別的可靠性，生物特征識別在這方面起到了積極的作用，虹膜識別成為了其中安全性最高、最為有效的方法之一。

2000年美國開始專為航空公司飛行員和機場職工設計的虹膜通行證在機場啟用[4]。2002年2月8日，英國倫敦希思羅機場通過檢查登機旅客的虹膜來確定其身份并作為登機牌。美國Iriscan研制出的虹膜識別系統已經應用在美國德克薩斯州聯合銀行的營業部，儲戶辦理銀行業務，只要攝像機對用戶的眼睛進行掃描就可以對用戶的身份進行檢驗。美國新澤西州的Plumsted 學校通過在校園里安裝虹膜識別的裝置，校園內的各種違反校規以及侵犯、犯罪活動大大減少，極大地降低了校園管理難度。在阿富汗等國，聯合國與美國聯邦難民署使用虹膜識別系統鑒定難民的身份，有效防止了同一個難民多次領取救濟品，總共有超過200萬的難民使用了虹膜識別系統。這套系統對于聯合國的人道主義援助物資分配起到了很關鍵的作用。新澤西州的肯尼迪國際機場在它的國際航班第四登機口岸安裝了虹膜識別系統，所有1 300名員工中300人已經開始使用這套系統進行登錄控制。使用這套系統后，肯尼迪國際機場的安全等級從B+上升到了A+等級。

虹膜識別發展到今天，越來越被人們所接受。隨著對身份鑒別準確性要求的提高，虹膜識別將有更大的應用空間。

3虹膜識別系統原理

生物學系統主要包括兩種功能操作：登記模式——增加模板到數據庫；識別模式——產生個體模板，然后在預先登記的數據庫進行匹配搜索。基于虹膜的身份識別系統同樣有虹膜登記和識別兩大功能。該系統主要由四個部分組成：虹膜圖像獲取、圖像預處理、虹膜特征提取、匹配與識別。系統原理[2，9]如圖1所示。

虹膜圖像采集是虹膜識別的第一步，要想在無人干預情況下采集到高質量的虹膜圖像比較困難。因為虹膜的直徑大概也就是1 cm，所以對拍攝距離有一定要求。現有的采集設備一般采集距離為40~300 mm左右，拍攝時需要被采集者的配合。圖像采集方面研究的重點是研制能夠進行高灰度分辨和空間分辨的虹膜圖像采集設備。

圖像預處理主要是對虹膜區域邊界定位[1~4，7，10~22]和噪聲檢測 [3，23，24]，將不同尺度、分辨率的圖像進行標準化處理[1~4，6，7，10~16，23，25~31]。關于邊界定位主要是基于幾何形狀的目標檢測。虹膜區域容易受到環境光照、眼皮、睫毛等干擾的影響，這些干擾噪聲的檢測也是必不可少的。為了便于處理，一般都要通過極坐標將虹膜區域展開為由角度方向和徑向方向表示的矩形區域，如圖2所示。圖3給出了一些用于眼皮干擾檢測的原理，分別是通過檢測邊緣圖像中的圓弧、直線、圓環、分段直線定位眼皮。關于虹膜區域的睫毛、光一般采取閾值的方法檢測。

在特征提取階段需要依靠相應的算法對虹膜特征進行提取，并且形成特征模板或者模式模型[1，3，8]。

登記虹膜是把特征模板保存在數據庫中。識別是把待識別模板與存儲模板進行比對，從多個類中找出待識別模式，是一對多的比較問題。與識別類似的另外一種方法叫認證，是通過與用戶聲明的身份模板進行比對，根據比對結果判斷是否屬于同一模式，完成一對一的比較。認證相對于識別來說范圍要小得多，速度要快得多[5]。

4虹膜識別方法的研究現狀

4．1虹膜定位方法

人眼虹膜作為虹膜識別系統中的模式匹配對象，在圖像中檢測虹膜目標是虹膜識別的關鍵。虹膜的內、外邊界都可以近似看做圓。圖4是虹膜定位的結果。

虹膜定位的方法主要有John Daugman提出的微積分方法[3，11~13]、最小二乘法[8]、基于灰度梯度的方法[32]、粗定位和精定位結合的方法[33~39]以及Hough變換方法[2，40]。分析文獻大概可以將虹膜邊界定位算法分為兩大類：一類是基于二值邊界點的方法，如最小二乘法、Hough變換；一類是基于灰度梯度的定位方法，如微積分方法。由于圖像本身的不確定性，這些定位算法都有一定的適用范圍。這樣在實際應用中，定位成功率也成為一個影響正確識別的重要因素。在一些關于虹膜區域分割的文獻中給出的分割正確率都不是很高[7，41]，這說明虹膜的定位具有一定的難度，關于定位的問題仍然有進一步研究的必要。

4．1．1基于灰度梯度的邊界定位方法

人眼圖像存在明顯的灰度變化，從瞳孔、虹膜到鞏膜，灰度值呈階梯狀增大的趨勢。虹膜的邊界正是處于這些梯度變化最大的位置，利用梯度大小去定位虹膜邊界成了最自然的方法。John Daugman提出的微積分方法原理是當沿徑向方向增大半徑時，圖像在圓周上的積分對半徑的微分最大處對應的位置作為邊界[3，11~13]。對于人眼圖像，通過微積分操作在中心(x0，y0)、半徑為r的弧度ds上積分，然后相對于半徑r的局部求導，導數最大處對應的位置(x0，y0，r)即為所求邊界。

其中：*為卷積符號；I(x，y)為人眼圖像；r是搜索的圓半徑；Gσ(r)是高斯型光滑函數；s是由r，x0，y0確定的圓周。該操作是檢測由半徑和中心位置確定的圓周像素值變化最大的圓，用式（1）定位虹膜內外邊界的過程就是在參數空間(r，x0，y0)搜索灰度變化的最大絕對值的過程。由于中心(x0，y0)未知，實際上上述的定位過程是以整個圖像上每個點都作為中心，搜索某一半徑范圍的最有可能為虹膜邊界的位置。為了消除眼皮的影響，對積分時的區間進行了限制，積分限制在左右邊界的弧形區域，使得虹膜的邊界定位快捷。John Daugman 采用類似的方式進行上下眼皮的定位，只不過積分路徑由圓周變為了圓弧，利用圓弧的微積分操作定位上下眼皮。

該方法的優點是定位精度高，在沒有干擾的情況下，可以很精確地定位虹膜的內、外邊界。其缺點是計算量很大，需要在整個圖像上搜索；另外，因為它利用的是邊緣梯度，容易受到局部干擾的影響，特別是局部光源的影響，造成定位失敗。

4．1．2基于二值化邊緣點的邊界定位方法

基于灰度梯度的定位方法對于梯度的變化特別敏感，而在虹膜識別中通過光源提高圖像亮度和對比度是常采用的方法，這就會帶來光源的干擾，在虹膜圖像中出現光源像點，導致局部出現很大的梯度變化，使得定位失敗。Hough變換和最小二乘法都是基于二值邊界點的定位方法。最小二乘法[8]是根據二值化邊緣圖像進行邊界定位。采用二值化定位瞳孔邊界和最小二乘法定位外邊界，在二值化圖像和邊緣圖像很理想的情況下具有較高的定位精度和定位速度。但是最小二乘法的前提是必須把邊界點和非邊界點分開，只有精確提取邊界點后才能精確定位，否則定位得到的邊界很容易受非邊界點的影響發生大的偏移。最小二乘法考慮了每個邊界點（包括非真實邊界點）。正因為區分邊界點和非邊界點難度很大，即使有先驗知識，也只能去除部分非邊界點，造成了定位的邊界隨非真實邊界點個數和位置發生偏移，因此最小二乘法的實用性差。

在WILDES系統中，提出了Hough變換定位虹膜邊界的思想[1，2，10，42]。Hough變換是標準的計算機視覺算法，可用來檢測具有已知形狀的目標，在圖像中常用來檢測簡單的幾何目標，如直線和圓。圓的Hough變換可以用來在圖像中檢測虹膜內外半徑和內外邊界中心，實現自動虹膜圖像分割。

首先在人眼圖像上采用一階導數和閾值處理產生邊界點；然后通過邊界點對邊界參數進行投票表決確定虹膜邊界參數。

該方法從理論上看精度略低于微積分方法，但實際上由于它受噪聲和邊界間斷的影響非常小，該算法定位邊界精度非常高，是一種很好的定位虹膜邊界方法。但是該算法也存在一定的局限性。因為該方法利用的是二值化的邊界點，二值化閾值的選擇對該算法影響很大，對于圖像清晰、邊界明顯的虹膜圖像，容易選擇閾值獲得有效邊界點。采用Hough變換定位精度高，但是對于邊界模糊、對比不明顯的圖像，閾值選擇得不好就很難得到邊界點，這樣定位必然會失敗。

4．1．3粗定位、精定位結合的方法

虹膜屬于小目標，具有非常豐富的細節紋理，精確定位虹膜邊界很有必要。許多文獻中采用粗檢測與精定位相結合的方法[32~39，43，44]，通過粗定位確定虹膜的大概位置，精定位常采用精度高的定位方法。這樣既可以提高定位速度，又可以保證定位精度。類似的文獻有微積分方法和Hough變換相結合的定位檢測方法，還有采用二值化圖像定位虹膜內邊界與Hough變換定位虹膜外邊界相結合的方法等，它們在不同程度上對于提高定位精度和速度起到了一定的作用。現有的許多文獻也是通過粗定位與精定位相結合來定位虹膜邊界的。文獻中提出的基于瞳孔中心位置估計的虹膜區域分割算法中，通過定位瞳孔以縮小搜索范圍，減少計算量，在定位邊界和提高定位速度上取得了令人滿意的效果[32，44]。

對于文獻中定位算法比較來看，Hough 變換和微積分法都具有定位精度高的特點和計算量大的問題。從虹膜識別的要求上考慮，精度更為重要，所以在虹膜的識別系統中，精度應該優先考慮，應該采用精度高的定位方法。在保證定位精度的基礎上，再采用適當的方法提高速度。根據虹膜圖像的特點，內邊界容易通過二值化得到，采用Hough變換進行定位較好，外邊界采用微積分方法定位較好。要提高定位速度，最好能夠依靠先驗知識首先粗略確定大概范圍，然后利用先驗知識縮小參數搜索范圍。

4．2虹膜特征提取和匹配算法

4．2．1Gabor濾波算法

Gabor 濾波器能夠提供信號的空間和頻率的局部信息，它是由高斯調制正弦和余弦構建而成的。雖然在頻率上有一些損失，但是具有高斯包絡的正弦調制可以定位局部空間。信號的分解通過一對Gabor積分濾波器完成，實部由余弦調制，虛部由正弦調制[3，4，7，11~14，23，41，43]。濾波器的中心頻率由正弦、余弦波決定，帶寬由高斯函數的寬度確定。

根據實部和虛部的符號進行二值編碼，將虹膜特征表示為四個現象00，01，10，11的相位編碼，而不是對幅度編碼。采用這種相位編碼方法，從濾波圖像中的實部和虛部對局部相位角進行量化編碼，有助于虹膜分類，而不采用幅度信息編碼。對于兩個虹膜匹配時，采用異或操作計算兩個虹膜代碼不一致位所占的百分比進行分類識別。

模式匹配算法與特征提取算法有關，對于二值特征模板常用到的就是漢明距離。漢明距離是對二值編碼的模板進行匹配的方法，它是通過統計兩個模板上對應位編碼不同的個數占總模板位數的比例作為這兩個模板之間的距離。距離越小表明兩模板越匹配。漢明距離是模板匹配最好的方法，如果確定了分類標準，就可以對模式進行識別。漢明距離定義為

其中：σ為高斯函數標準方差；ρ為濾波器上的點與濾波器中心的距離。實際中，由四個不同分辨水平建立的拉普拉斯金字塔產生虹膜代碼，通過卷積得到拉普拉斯金字塔表示的特征模板。模板比較緊湊，只留下了比較明顯的特征，達到了數據壓縮的效果。

在匹配階段，開發改進了標準化的相關關系。

4．2．3小波變換過零檢測方法

Boles采用基于知識的邊緣檢測器定位虹膜，利用一維小波零交叉編碼虹膜特征的方法，將虹膜紋理用它們的零交叉表示，這些表示保存在系統的數據庫中，作為該虹膜的模型[6，43，45]。

4．2．4多通道Gabor濾波方法

多通道Gabor濾波器是采用有方向的濾波器，從不同頻率和方向提取圖像局部信息[8]。多Gabor濾波方法將虹膜紋理作為二維處理，采用Gabor濾波在四個方向和六個頻率上提取虹膜在角度方向和徑向方向的紋理細節，通過對虹膜圖像的濾波處理獲得以均值和方差表示的特征。文獻采用2、4、6、8、16、32、64六個中心頻率，對每個中心頻率選擇0、45°、90°、135°四個方向，一共選擇了24個通道，每個通道2個特征，共抽取48個特征。該方法使用多尺度紋理分析方法提取特征（均值和方差），對于光照的變化不敏感，在一定程度上克服了光照對虹膜紋理的影響，得到了93．8%的識別率[8]。后來馬力等人又提出圓對稱濾波器提取局部虹膜特征信息，產生一個固定長度的特征向量（特征代碼長度為384，只取部分感興趣的虹膜區域）。匹配時采用最近特征線分類方法，識別結果正確率達到99．85% [19~21]。

采用方差倒數加權歐氏距離分類器來進行識別。將未知虹膜的特征向量與已經訓練好的已知類別的虹膜特征向量相比較，當且僅當它的特征向量與第k類特征向量的方差倒數加權歐氏距離WED最小時，輸入虹膜被分類為第k類虹膜。加權歐氏距離按下面的公式計算： 

4．2．5Haar小波分解方法

Lim等人通過小波變換提取虹膜特征，取Haar小波作為母小波，從虹膜標準化區域450×60的極坐標表示虹膜區域，經過四次濾波分解獲得28×3的子圖像；對每一維經過二值編碼并結合三個分辨上的高頻分解圖像均值，獲得87維向量表示的虹膜模式[7]。文獻中與Gabor變換作了比較研究，比較結果說明Haar 小波算法略優于Gabor變換。Haar方法降低了空間維數和運行時間，但它的性能未受到影響。為了提高分類器精度，設計了競爭學習神經網絡分類器，使得該方法的識別性能達到98．4%。但因為其僅用87位表示虹膜模式，在大數據庫下的識別率難以保證。

4．2．6基于局部過零檢測的方法

通過局部過零檢測算子，在空域和虹膜紋理圖像進行相關性計算，并用符號進行特征編碼，形成虹膜特征模板[46]。虹膜的紋理特征主要表現在角度方向，而不是徑向方向，徑向方向具有較強的相關性[5]。將每一個半徑對應的圓周上信號看做一個一維信號，不同半徑的圓周信號構成向量， 利用過零檢測算子提取虹膜紋理特征，通過二值編碼形成特征模板。在匹配時采用向量循環移位辦法能夠有效解決虹膜旋轉的配準問題；同時在匹配過程中充分考慮到干擾的影響，提高了模板匹配的有效性。由于每個點都采用局部空域分析，環境光照的影響不會對特征提取產生大的影響。

4．3各種特征提取方法的比較

分析文獻中特征提取的方法[46~48]，用二值編碼序列來表示虹膜特征的算法效果較好，對于消除干擾的影響、解決虹膜旋轉的問題都比較簡單，容易實現。

5關于虹膜規范化維數的選擇

虹膜是一個近乎圓環的區域，它的內、外邊界一般不同心，在虹膜特征提取時，需要把虹膜區域用它的角度和半徑表示，展開為維數同一的矩形區域[2，3]。在文獻中有的標準化區域大小為450×60，有的為480×64，還有的為240×20，沒有一個統一的標準。對于如何選擇維數大小很少介紹，一般只是給出某個維數大小[2，6，7，21]；有的則是通過實驗對分類效果的好壞確定出最佳的維數[41]。在虹膜識別系統的應用中，對圖像的分辨率進行統一規定也是必要的。為了不使圖像匹配失真，一般要將高分辨圖像轉換為低分辨圖像。標準化維數的選擇如下：

a)根據實際應用中有效虹膜圖像的內邊界最小圓周確定角度分辨率；

b)根據實際應用中有效虹膜內、外邊界圓的半徑差的最小值確定徑向分辨率。

依據這兩個原則和實際識別要求，通過實驗確定維數，有助于虹膜系統的實際應用。

6虹膜識別目前有待解決的問題和今后的發展方向

虹膜識別有待解決的硬件問題主要是高性能虹膜圖像采集設備，特別是遠距離虹膜圖像獲取裝置。目前的采集裝置一般都是近距離設備，同時還需要被采集者配合。研究被采集者不配合情況下的遠距離裝置，對于公安偵查、追捕逃犯、過關檢查等更具有應用效果。

在軟件方面，需要解決虹膜圖像的評價問題以及如何評價一幅圖像中的虹膜是否已經精確定位。這關系到虹膜識別系統能否進行自動身份鑒別，因此對虹膜定位是否準確需要給出一個評價準則；否則必須有人參與才可進行識別，無法實現自動身份識別。在交互式識別系統中，應該能夠根據對虹膜結果作出評價，提示待識別者調整位置，然后給出有效識別。

針對有待解決的問題，虹膜識別系統今后的發展方向可以考慮以下幾個方面：

a)需要研究虹膜圖像采集設備。低價格高性能的圖像獲取設備研制為虹膜識別的廣泛應用創造條件，為網絡安全、通信安全方面提供較大的應用空間。

b)虹膜圖像的評價。如何判斷一幅虹膜圖像的質量是虹膜自動身份識別系統研究的重要一步。目前的虹膜定位還難以實現任意虹膜的正確定位，研究虹膜圖像質量的評價和定位好壞的評價問題，有助于實現自動身份識別。

c)由于虹膜圖像的采集過程中存在采集距離、光照、干擾等不確定信息，使得在虹膜的特征注冊過程中存在不可靠特征，關于如何選擇特征的問題也是該領域的一個研究內容。由于采用的特征提取方法不同，在選擇特征的問題上也會存在差異性，但無論如何，虹膜的識別和注冊都要盡可能選擇那些好的、穩定的特征形成特征模板并用來進行識別。

d)虹膜識別精度雖然很高，但需要待識別人的配合，因此虹膜不完整和不合作情況很普及，對這種情況下的虹膜識別進行研究，對虹膜識別系統的應用具有更為重要的意義。結合其他生物特征識別方法，雖然有助于提高身份鑒別的準確性，但是增加了識別系統的復雜性，尤其給使用者帶來了麻煩。要想降低誤識率，從序列圖像中選擇一幅甚至多幅圖像進行識別，同樣可提高身份鑒別的準確率。因此基于序列圖像的虹膜識別研究也是該領域的一個發展方向。

參考文獻：

[1]WILDES R， ASMUTH J C. A system for automated iris recognition[C]//Proc of the 2nd IEEE Workshop on Applicant Comput Vision. 1994:121－128.

[2]WILDES R P. Iris recognition: an emerging biometric technology[J]. Proc of IEEE， 1997，85(9):1348－1363.

[3]DAUGMAN J. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Trans on Pattern Analysis Machine Intelligence， 1993，15(11):1148－1161.

[4]DAUGMAN J. Recognizing people by their iris pattern[J]. Information Security Technical Report， 1998，3(1):33-39.

[5]田啟川，潘泉，張洪才，等.基于局部邊緣檢測的虹膜編碼算法研究[J].計算機應用研究，2005，22(8):230-232，257.

[6]BOLES W W， BOASHASH B. A human identification technique using images of the iris and wavelet transform[J]. IEEE Trans on Signal Processing， 1998，46(4):1185－1188.

[7]LIM S， LEE K， BYEON O， et al. Efficient iris recognition through improvement of feature vector and classifier[J]. ETRI Journal， 2001，23(2):61-70.

[8]王蘊紅，朱勇，譚鐵牛.基于虹膜識別的身份鑒別[J].自動化學報， 2002，28(1):1-10.

[9]ZHU Yong， TAN Tie－niu， WANG Yun－hong. Iris image acquisition system: Chinese， 99217063.x[P]. 1999.

[10]RICHARD P W， JANE C A， GILBERT L G， et al. A machine－vision system for iris recognition[J]. Machine Vision and Application， 1996，9(1):1-8.

[11]DAUGMAN J. The importance of being random: statistical principles of iris recognition[J].Pattern Recognition， 2003，36(2):279-291.

[12]DAUGMAN J. Biometric personal identification system based on iris analysis: US， 5291560[P]. 1994.

[13]DAUGMAN J. High confidence personal identification by rapid video analysis of iris texture[C]//Proc of IEEE International Carnahan Conf on Security Technology. 1992:50-60.

[14]DAUGMAN J. High confidence recognition of persons by rapid video analysis of iris texture[C]//European Convention on Security and Detection. Brighton: INSPEC Accession， 1995:244-251.

[15]FLOM L， SAFIR A. Iris recognition system: US， 4641349[P].1987.

[16]HALLINAN P W. Recognition human eyes[C]//Proc of Geometric Methods in Computer Vision. 1991:214-226.

[17]van GOOL L， DEWAELE P， OOSTERLINCK A. Texture analysis anno 1983[J]. Comput Vision， Graphics， and Image Proces-sing， 1985，29(3):336-357.

[18]MA Li， TAN Tie－niu， WANG Yun－hong， et al. Efficient iris recognition by characterizing key local variations[J].IEEE Trans on Ima-ge Processing， 2004，13(6):739-750.

[19]ZHU Yong， WANG Yun－hong， TAN Tie－niu. Biometric personal identification based on iris pattern[C]//Proc of the 15th International Conference on Pattern Recognition. Barcelona:[s.n.]， 2000:805-808.

[20]MA Li， WANG Yun－hong， TAN Tie－niu. Iris recognition based on multichannel gabor filtering[C]//Proc of the 5th Asian Conference on Computer Vision. 2002:279-283.

[21]MA Li， WANG Yun－hong， TAN Tie－niu. Iris recognition using circular symmetric filters[C]//Proc of the 16th International Conference on Pattern Recognition. 2002:414-417.

[22]MA Li， TAN Tie－niu， WANG Yun－hong， et al. Personal identification based on iris texture analysis[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2003，25(12):1519－1533.

[23]NOH S， BAE K， KIM J. A novel method to extract features for iris recognition system[C]//Proc of the 4th International Conference on Audio and Video－based Biometric Person Authentication.2003:862-868.

[24]田啟川，潘泉，程詠梅，等.虹膜識別中噪聲的檢測和處理方法[J].計算機工程，2006，32(2):172－174.

[25]KAWAGUCHI T， RIZON M. Iris detection using intensity and edge information[J]. Pattern Recognition， 2003，36(2):549-562.

[26]DAUGMAN J. Complete discrete 2D gabor transforms by neural networks for image analysis and compression[J]. IEEE Trans on Acoustics， Speech， and Signal Processing， 1988，36(7):1169－1179.

[27]DAUGMAN J， DOWNING C. Demodulation， predictive coding， and spatial vision[J]. Journal of Optical Society of American， 1995，12(4): 641-660.

[28]JAIN A K，FARROKHNIA F.Unsupervised texture segmentation using gabor filters[J]. Pattern Recognition， 1991，24(12):1167－1186.

[29]PORAT M， ZEEVI Y Y. Localized texture processing in vision: analysis and synthesis in the gaborian space[J].IEEE Trans on Bio-medical Engineering， 1989，36(1):115－129.

[30]WECHSLER H. Texture analysis: a survey[J]. Signal Proces-sing， 1980，2(3):271-282.

[31]DAUGMAN J. Uncertainty relation for resolution in space， spatial frequency， and orientation optimized by two-dimensional visual cortical filters[J]. Journal of the Optical Society of America， 1985，2(7): 1160－1169.

[32]田啟川，潘泉，程詠梅.不同光照下的虹膜邊界定位研究[J].光電子·激光，2006，17(4):488-492.

[33]何家峰，廖曙錚.虹膜定位[J].中國圖象圖形學報，2000，5A(3):253-255.

[34]王成儒，胡正平，練秋生.一種虹膜定位方法[J].計算機輔助設計與圖形學學報，2002，14(10):950-952.

[35]胡正平，王成儒.基于綜合特征的虹膜定位的算法[J].微機發展， 2003，13(2):73-76.

[36]何家峰，葉虎年，葉妙元.一種改進的虹膜定位方法[J].計算機工程，2002， 28(12):129－130.

[37]韓方，陳穎，陸亨立.虹膜定位算法[J].上海大學學報：自然科學版，2001，7(5):501-503.

[38]韓方，陸亨立.虹膜識別系統的研究[J].計算機工程與應用，2002，38(17):82-84.

[39]李慶嶸，馬爭.虹膜定位算法研究[J].電子科技大學學報， 2002，31(1):7-9.

[40]田啟川，潘泉，張洪才，等. Hough變換在虹膜區域分割中的應用[J].計算機應用研究， 2005，22(1):249-250，254.

[41]MASEK L， KOVESI P. MATLAB source code for a biometric identification system based on iris patterns[EB/OL].(2003).http://www.csse.uwa.edu.au/~pk/studentprojects/libor/sourcecode.html.

[42]薛白，劉文耀，王金濤，等.虹膜圖像預處理算法[J].光電子·激光，2003，14(7):741-744.

[43]劉冀，王向軍. 虹膜識別技術及應用[J].光學技術，2002，28(5):459-461.

[44]田啟川，潘泉，梁彥，等.瞳孔中心指導的虹膜邊界快速定位算法[J].系統仿真學報，2006，18(7):1777-1780.

[45]應忍冬.徐國治.基于小波變換過零檢測的虹膜識別技術[J].上海交通大學學報，2002，36(3):355-358.

[46]田啟川，潘泉，程詠梅，等.基于過零檢測的虹膜特征提取算法[J].電子與信息學報， 2006， 28(8): 1452－1457.

[47]SUN Zhe－nan， TAN Tie－niu， WANG Yun－hong. Robust encoding of local ordinal measures: a general framework of iris recognition[C]//Proc of International Workshop on Biometric Authentication. 2004:270-282.

[48]BAE K， NOH S， KIM J. Iris feature extraction using independent component analysis[C]//Proc of the 4th International Conference on Audio and Video－based Biometric Person Authentication. 2003:838-844.

[49]TAN T N. Texture feature extraction via visual cortical channel mode-ling[C]//Proc of the 11th IAPR International Conference on Pattern Recognition. 1992:607-610.

[50]LAINE A， FAN J. Texture classification by wavelet packet signatures[J]. IEEE Trans on Pattern Analysis Machine Intelligence， 1993，15(11):1186－1191.

[51]DAUGMAN J. Spatial visual channels in the fourier plane[J]. Vision Research， 1984，24(9):891-910.

[52]DAUGMAN J. Entropy reduction and decorrelation in visual coding by oriented neural receptive fields[J]. IEEE Trans on Biomedical Engineering，1989，36(1):107－114.

[53]HARALICK R M， SHANMUGAN K， DINSTEIN I. Texture features for image classification[J]. IEEE Trans on System， Man， Cybernetics， 1973，3(6):610-621.

[54]WILDES R P. Automated， non－invasive iris recognition system and method: US， 5572596[P]. 1996.

[55]HARALICK R M. Statistical and structural approaches to texture[J].Proc of IEEE， 1979，67(5):786-804.

[56]HUANG Jun－zhou， MA Li， TAN Tie－niu， et al. Learning－based enhancement model of iris[C]//Proc of British Machine Vision Con-ference. Norwich:[s.n.]， 2003:153－162.

[57]WANG Yun－hong， TAN Tie－niu， JAIN A K. Combining face and iris biometrics for identity verification[C]//Proc of the 4th International Conference on Audio and Video－based Biometric Person Authentication. Berlin: Springer， 2003:805-813.

[58]HUANG Jun－zhou， MA Li， WANG Yun－hong， et al. Iris model based on local orientation description[C]//Proc of Asian Conference on Computer Vision. 2004:954-959.

[59]WANG Yun－hong， MA S D， TAN Tie－niu. Combination of multiple clussifiers with nearal networks[C]//Proc of the 19th International Conference on Automatic Control. 1999.

[60]TAN Tie－niu. Rotation invariant texture features and their use in automatic script identification[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1998， 20(7):751-756.

[61]孫冬梅，裘正定. 生物特征識別技術綜述[J].電子學報，2001，29(12A):1744－1748.

[62]廖曙錚，葉虎年，何家峰.一種序列虹膜圖像的質量評價方法[J].貴州工業大學學報:自然科學版， 2001，30(2):19-21.

[63]康浩，徐國治.虹膜紋理的相位編碼[J].上海交通大學學報， 1999，33(5):542-544

[64]王春，葉虎年.虹膜識別算法的研究[J].貴州工業大學學報：自然科學版，2000，29(3):48-52.

[65]孫大瑞，吳樂南.基于Gabor變換的人眼定位[J].電路與系統學報，2001，6(4):29-32.

[66]嚴民軍，齊翔林，汪云九.虹膜識別中的一種神經算法的研究[J].生物物理學報，2000，16(4):711-717.

[67]黃惠芳，胡廣書.虹膜識別算法的研究與實現[J].紅外與激光工程， 2002，31(5):404-409.

[68]張凱麗，劉輝.邊緣檢測技術的發展研究[J].昆明理工大學學報，2000， 25(5):36-39.

[69]嚴民軍，汪云九.虹膜的計算機識別原理[J].生物化學與生物物理進展， 2000，27(4):348-350.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”