1. 介绍

人的自动识别长期以来一直是一个吸引人的目标。与所有模式识别问题一样，关键问题是类间和类内可变性之间的关系：只有当给定类的不同实例之间的可变性小于不同类之间的可变性时，对象才能被可靠地分类。例如，在人脸识别中，由于人脸是显示各种表情的多变的 会器官，以及是其图像随视角、姿势、照明、装备和年龄而变化的活动三维(3-D)对象的事实，出现了困难[1]、[2]。研究表明，对于相隔至少一年的“嫌犯照片”，即使是最好的算法也可能有43%-50%[14]-[16]的错误率。相对于这种类内(相同的脸)可变性，类间的可变性是有限的，因为不同的脸在相同的规范几何中具有相同的基本特征集。【人脸识别的弊端】

由于所有这些原因，当可以在不到一米的距离内进行成像时，尤其是当需要搜索非常大的数据库而不会招致任何错误匹配的情况下，虹膜图案作为可靠的人的视觉识别的替代方法变得有趣，尽管有大量的可能性。虽然很小(11毫米)，有时还会有成像问题，虹膜具有很大的数学优势，它的图案在不同的人之间变化很大。此外，作为眼睛的内部(但外部可见)器官，虹膜受到环境的很好保护，并随着时间的推移保持稳定。

作为一个平面物体，它的图像对光照角度相对不敏感，视角的变化只引起仿射变换（平移、旋转、推移。原则：变换前是直线的，变换后依然是直线；直线比例保持不变）；即使是由瞳孔扩张引起的非仿射图案失真（比例发生了一点变化）也很容易逆转。最后，容易在面部定位眼睛，以及虹膜独特的环形形状，有助于可靠和精确地隔离这一特征，并创建大小不变的表示。

虹膜在怀孕第三个月开始形成[13]，到第八个月时，形成虹膜图案的结构基本完成，尽管色素的积累可以持续到出生后的第一年。虹膜的复杂图案可以包含许多不同的特征，如弓形韧带、皱纹、脊、隐窝、环、冠状、雀斑和之字形领子，其中一些可以在图1中看到。虹膜的颜色主要由其前层和基质中黑色素的密度决定，蓝色虹膜是由于缺乏色素而产生的：长波长光穿透，而较短波长的虹膜被基质散射。弹性梳状韧带的横纹小梁 络在可见光下创造了主要的纹理，而在近红外(NIR)波长下，用于最大1米深的非侵入性成像，以及稍慢调制的基质特征。在近红外波段，即使是深色虹膜也显示出丰富而复杂的特征。

2. 在图像中查找虹膜

为了捕捉虹膜图案的丰富细节，成像系统应该在虹膜半径上至少分辨70个像素。在到目前为止的实地试验中，分辨率为80-130像素的虹膜半径是更典型的。由于成像需要700-900纳米波段的近红外照明才不会对人类造成干扰，所以使用了单色CCD相机(480 640)。一些成像平台部署了广角相机来对人脸中的眼睛进行粗略定位，以控制窄角平移/倾斜相机的光学系统，从而获得更高分辨率的眼睛图像。

有许多可供选择的方法来寻找和跟踪面部特征，如眼睛，这个研究得很好的话题在这里不再进一步讨论。在这些试验中，大多数成像都是在没有主动平移/倾斜相机光学装置的情况下完成的，而是利用通过镜子或视频图像的视觉反馈，使合作的受试者能够将自己的眼睛定位在单一窄角相机的视野内。

通过测量每个图像帧的2-D傅里叶频谱的中上频段的频谱功率，并通过移动活动镜头或通过向受试者提供音频反馈以适当地调整其范围来寻求最大化这个量，来实时地(比视频帧速率更快)执行图像对焦评估。焦点评估的视频率执行速度(即，在15毫秒内)是通过使用带通2-D滤波器核来实现的，该2-D滤波器核仅需要像素的求和和差分，而不需要在估计所选择的2-D频带中的功率所需的2-D卷积内的乘法。详情载于附录。

然后分析通过最小聚焦标准的图像以找到虹膜，并使用从粗到细的策略精确定位其边界，最终以单像素精度估计虹膜和瞳孔的中心坐标和半径。虽然虹膜搜索的结果很大程度上限制了瞳孔搜索，但不能假设这些边界是同心的。瞳孔中心通常是鼻状的，比虹膜中心低。其半径范围从虹膜半径的0.1到0.8。

3. 用二维小波分解进行虹膜有限元编码

 （感觉没必要再看下去了。。。。。。）