基于深度学习的虹膜识别研究综述.docVIP

基于深度学习的虹膜识别研究综述

一、虹膜识别技术概述

虹膜作为人眼位于瞳孔和巩膜之间的环状组织，其表面分布着由隐窝、褶皱、色素斑等构成的独一无二的纹理结构。这种结构在人胚胎发育阶段就已定型，且在整个生命周期中保持高度稳定，其独特性和稳定性远超指纹、人脸等其他生物特征，理论上误识率可低至百万分之一级别，是目前公认的精度最高的生物识别技术之一。

传统虹膜识别技术流程主要包括图像采集、预处理、特征提取、特征匹配四个阶段。在深度学习技术普及之前，特征提取环节高度依赖人工设计的算子，如Daugman提出的二维Gabor滤波器、多尺度LBP算子、SIFT特征描述子等，这类方法在受控采集环境下能够取得较高的识别精度，但对非理想采集条件的鲁棒性极差。当采集到的虹膜图像存在运动模糊、光照不均、睫毛遮挡、眼镜反光、离焦虚化等问题时，人工特征的区分度会急剧下降，导致识别准确率大幅降低，这也是长期以来虹膜识别技术难以在大规模开放场景落地的核心瓶颈。

二、深度学习在虹膜识别中的发展历程

深度学习技术在虹膜识别领域的应用大致可分为三个阶段：

（一）初探阶段（2014-2016年）

这一阶段研究者主要尝试将成熟的图像分类网络迁移到虹膜识别任务中。2014年，研究人员首次将卷积神经网络（CNN）用于虹膜特征提取，通过在小型虹膜数据集上微调AlexNet网络，其识别精度首次超过了传统Gabor特征方法，证明了深度学