前言

虹膜识别技术是生物识别技术的一种，相对其他生物识别技术而言具有更高的安全性。虹膜识别关键技术涉及虹膜采集、虹膜定位、虹膜干扰检测、虹膜特征提取等，针对上述虹膜识别关键技术，作者开展了以下研究工作。

针对经典定位方法较慢的问题，本书提出了一种基于圆几何特征的虹膜快速定位方法。基于行列扫描的方法找到瞳孔的4对切点，根据4对切点对瞳孔参数进行粗定位，利用内外边缘中心的耦合性，采用微积分方法对虹膜边缘进行精确定位。实验结果表明，该方法在定位准确率和速度上优于经典虹膜识别方法。

本书提出了灰度形态学和梯度变换相结合的不均匀光照条件下的虹膜定位方法。首先，利用灰度形态学运算处理虹膜图像，对处理后的图像进行阈值化，提取并修复瞳孔区；应用最小二乘法对瞳孔区下部边缘点进行内边缘粗拟合。其次，根据外边缘点所在区域的灰度梯度确定虹膜外边缘点，利用最小二乘法进行外边缘粗拟合。最后，利用微积分方法精确定位虹膜边缘。实验结果表明，该方法能有效消除不均匀光照条件下光源像点、光斑和睫毛的干扰，能快速、准确地定位出虹膜边缘，在定位准确率和速度上优于经典方法。该方法的抗干扰性和健壮性强，可应用于特殊环境中采集条件较差的应用场景。

本书提出了一种眼睑检测和睫毛检测方法。首先，对眼睑区进行灰度形态学运算以去除睫毛、光斑的影响；其次，根据眼睑边缘的灰度特点提取边缘点，用最小二乘法对边缘点进行上下眼睑边缘拟合；最后，对眼睑边缘进行精确定位。根据虹膜区的灰度自适应生成阈值对睫毛进行分割。实验结果表明，眼睑检测方法能有效、快速地检测眼睑，睫毛检测方法能有效且最大程度地检测出睫毛。

本书提出了基于小波分析理论的虹膜特征提取方法。本书利用Haar小波对虹膜归一化图像进行3层二维小波分解，并提取第3层的高频小波系数作为虹膜特征，对提取的虹膜特征编码调制成375bit特征编码。虹膜纹理特征较多地蕴含在高频空间中，因此提取的虹膜特征在表示特征能力上存在不足。本书针对此类问题提出了一种基于小波包多尺度分解的虹膜识别方法，利用阈值将小波包分解后的第2层对角高频子带图调制为虹膜特征编码，利用海明距离对特征进行识别。实验结果表明，基于小波分析的虹膜特征提取方法在虹膜识别性能上优于经典虹膜特征提取方法，而基于小波包的虹膜特征提取方法进一步提高了虹膜识别性能，优于基于小波分析的虹膜特征提取方法及经典虹膜特征提取方法。

本书提出了基于虹膜特征的密钥生成方法。本书采用随机映射函数，从虹膜特征编码中随机提取二进制位充当密钥，并利用χ2检验测试了密钥提取的随机性。利用NIST（美国国家标准与技术研究院）的测试标准对密钥进行随机性测试，实验结果表明，本书提取的密钥满足随机性要求。本书设计了密钥的储存和释放方式，达到了双因子（虹膜+令牌）保护密钥的效果。此外，本书还提出了基于虹膜特征密钥和AES的图像加密方法，从图像加密效果来看，加密图像的安全性较经典Arnold变换置乱方法的安全性高。

本书的出版得到了重庆市教育委员会科学技术研究计划“基于小波包分析的虹膜识别关键技术研究”重点项目资助（项目编号KJZD-K202004401），重庆商务职业学院人工智能技术应用协同创新中心，重庆商务职业学院高层次人才启动项目基金的支持；同时，本书也是重庆商务职业学院人工智能技术应用协同创新中心“重庆商务职业学院高层次人才启动项目”的阶段性成果。本书实验采用的图像库为中国科学院自动化研究所CASIA虹膜图像库，在此一并致谢。

周俊

2022年1月