虹膜识别技术是利用定位出来的虹膜区域中独特的纹理信息进行身份识别的一种生物识别技术,凭借其唯一性、高稳定性、高防伪性、非接触性、非侵犯性和可活体检测性等优点成为了生物识别领域中研究的热点,它具有广阔的市场前景、科学的研究价值和巨大的经济效益。虹膜识别技术的识别过程包含虹膜图像的采集、虹膜图像的预处理、特征提取和特征匹配四个环节,其中虹膜图像的预处理由虹膜内外边界的定位、归一化、图像增强和图像去噪等组成。本文着重从以下四个方面进行了研究,取得了以下的成果:(1)虹膜定位分为内边界和外边界的定位。首先利用形态学中膨胀腐蚀的方法粗略的定位出瞳孔区域,将该瞳孔区域分别在垂直方向和水平方向上进行投影,粗略地定位出瞳孔的圆心。其次利用瞳孔边界地带灰度值变化最明显这一特征,找出瞳孔边界上的不在同一条直线上三个点,利用圆的判定定理从而精确定位出虹膜的内边界,找出瞳孔的半径pR。外边界的定位采用Canny边缘检测算子和Daugmen提出的圆形检测相结合的算法,定位出虹膜的外边界。由于虹膜直径大约是瞳孔直径的5倍,因此在搜索虹膜外边界时可以在瞳孔半径+2.5pR的范围内利用圆形检测算子进行搜索。(2)利用尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法直接从定位后的虹膜图像提取纹理特征向量,该算法具有良好的尺度、旋转、光照、噪声等不变特性,避免了归一化的过程。但是提取出来的特征向量是128维,占用内存比较大,加上提取出来的特征点容易受到睫毛等因素的干扰,在一定程度上影响后续的特征匹配,因此文中使用Harris角点检测算子对初始特征点进行筛选,将具有高对比度、高质量的特征点作为最终的虹膜特征向量。(3)特征匹配方面,本文采用街区距离进行匹配,该匹配算法与原SIFT算法的欧式距离匹配算法相比在保证精度不变的同时提高了算法匹配的时间。(4)实验结果方面,首先从CASIA-V1.0虹膜数据库中选取20*8幅图像作为训练样本,实验结果表明改进后的SIFT算法与原算法相比正确识别率有了较大的提高。为了进一步说明本文实验结果的普遍性,本文以CASIA-V1.0和CASIA-V2.0两个数据库作为实验样本对原SIFT算法与改进后的SIFT算法进行比较,实验数据表明利用Harris角点检测算法对原SIFT算法提取的特征点进行筛选后,使用街区距离匹配的方法在保证算法鲁棒性的同时能够使正确匹配率有了较大的提高,减少了误匹配率,在一定程度上提高了算法的运算效率,能够为一些快速应用提供保证。