虹膜图像预处理
虹膜图像智能识别技术的研究
虹膜图像智能识别技术的研究1. 引言1.1 研究背景虹膜图像智能识别技术在实际应用中还存在一些挑战和问题，如提取虹膜特征的准确性、虹膜图像数据库的构建和管理、虹膜图像智能识别系统的设计等方面，都亟待进一步研究和改进。
本研究旨在深入探讨虹膜图像智能识别技术的关键问题，提出新的解决方案，推动虹膜识别技术的发展和应用，为实现安全生产和便捷生活做出贡献。
1.2 研究目的虹膜图像智能识别技术的研究目的在于通过对虹膜图像的特征提取和匹配，实现对个体身份的准确识别和验证。
在当今信息化社会，个人隐私安全问题备受关注，传统的身份验证方式如密码、指纹等存在被冒用或破解的风险。
而虹膜作为人类身体中独一无二的特征，具有高度稳定性和准确性，被认为是一种更加安全、便捷的生物特征识别技术。
通过深入研究虹膜图像智能识别技术，我们旨在提高识别系统的准确率和速度，以满足不同场景下的实际应用需求。
我们也希望通过虹膜识别技术的推广应用，为社会各领域的安全管理、身份识别和信息保护提供更加科学、高效的解决方案。
我们致力于推动虹膜图像智能识别技术的发展并促进其在实际应用中的推广和应用，从而提升人们的生活便利性和安全性。
1.3 研究意义虹膜图像智能识别技术作为生物识别技术的一种重要分支，具有识别准确性高、安全性好、不可伪造等特点，被广泛应用于人员身份认证、机器人视觉识别、公共安全监控等领域。
其研究意义主要表现在以下几个方面：虹膜图像智能识别技术能够提高人员身份认证的准确性和安全性。
与传统的身份验证方式相比，虹膜识别技术在识别准确率上有显著优势，可以有效避免身份伪造和盗用的风险，保障个人信息安全。
虹膜图像智能识别技术有助于促进智能化生活和智能城市的建设。
在智能手机、智能门禁、智能汽车等场景下，虹膜识别技术可以提供更便捷、更安全的身份认证方式，为人们的生活带来更多便利。
虹膜图像智能识别技术还有助于完善公共安全监控体系。
通过结合监控摄像头和虹膜识别技术，可以实现对涉嫌违法犯罪行为的实时监测和识别，有效维护社会治安和公共秩序。
虹膜识别关键技术研究
虹膜识别关键技术研究虹膜识别是一种高级的生物识别技术，它利用人眼虹膜的独特性来进行身份验证和识别。
虹膜识别技术已经被广泛应用于安全领域，如金融、政府、军事等领域。
本文将重点介绍虹膜识别的关键技术研究。
虹膜识别技术的关键技术主要包括虹膜图像采集、虹膜图像预处理、虹膜特征提取和虹膜匹配等方面。
虹膜图像采集是虹膜识别技术的第一步，它的质量直接影响后续的识别效果。
虹膜图像采集需要使用专门的虹膜采集设备，如虹膜识别仪。
虹膜识别仪采用红外光源照射眼睛，通过摄像头捕捉虹膜图像。
虹膜图像采集需要保证光线充足、眼睛对准采集设备、眼睛不动等条件。
虹膜图像预处理是虹膜识别技术的重要环节。
虹膜图像预处理主要包括图像去噪、边缘检测、分割等步骤。
虹膜图像中存在噪声和干扰，需要进行去噪处理。
边缘检测可以提取虹膜边缘信息，方便后续的分割处理。
虹膜分割是虹膜识别技术的核心，它将虹膜从眼球图像中分离出来，为后续的特征提取和匹配提供基础。
接着，虹膜特征提取是虹膜识别技术的关键环节。
虹膜特征提取是将虹膜图像中的特征信息提取出来，用于后续的匹配。
虹膜特征提取主要包括局部特征提取和全局特征提取两种方法。
局部特征提取是将虹膜图像分成若干个小区域，提取每个小区域的特征信息。
全局特征提取是将整个虹膜图像作为一个整体，提取整个虹膜的特征信息。
虹膜匹配是虹膜识别技术的最后一步。
虹膜匹配是将待识别的虹膜特征与数据库中的虹膜特征进行比对，找到最相似的虹膜特征。
虹膜匹配主要包括相似度计算和匹配算法两个方面。
相似度计算是将待识别的虹膜特征与数据库中的虹膜特征进行比对，计算它们之间的相似度。
匹配算法是根据相似度计算结果，找到最相似的虹膜特征。
虹膜识别技术的关键技术研究包括虹膜图像采集、虹膜图像预处理、虹膜特征提取和虹膜匹配等方面。
虹膜识别技术的不断发展和完善，将为人们的生活和工作带来更多的便利和安全保障。
一种快速有效的虹膜图像预处理方法
灰 度形 态学 中用ｂ 开启 记 为Ｉ・ ，定 义 为 ｂ
Ｉ ｂ＝ （ ｏ６ ０ ・ ， ） ｂ
为解 决这 些 问题 ， 算 法 首先 对 虹膜 图像 采 本 用 数 学形态 学进 行 处理 ，大 量减 少 了边 缘 图像 中 非虹 膜边缘 点 数 ，从而 缩短 定位 的时 问；然 后采
库 的 实验 结 果显 示 ，提 出的虹膜 图像 预处 理 方法 准确 快速 ， 能合 理有 效去 除 眼睑 和睫 毛。
关
键
词 ： 图像 预 处理 ；数 学形 态 学；虹 膜 定位 ； 眼睑检 测 ；眼毛检 测
文 章 编 号 ：２ ９ ．０ Ｘ（０ ２０ —０ ３０ ０ ５３ ２ ２ １）４０ ９ ．５
中 图分类 号 ：Ｔ ９ ． Ｐ３ １ ４
文献标 识码 ：Ａ
Ａ ａ ｔａ ｆ ｅ ｔｖｅｍ ｅ ｈｏ ｆｉ ｉ ｍ ａ ｅｐｒ ｐｒ ｃ ｓ ｉ ｆ ｓ ｎｄ ｅ ｆ ｃ ｉ ｔ ｄ ｏ ｓｉ ｇ ｅ ｏ ｅ ｓｎｇ ｒ
Ｇ ｏ ｇ Ｊ ｎｈ ， Ｃｈｅ ｉ ｉ ｇ， Ｔａ ｇ Ｙ ｏ ｇｑ ， Ｈｕａ ｇ Ｆｅ ｇ ｎ ｕ ｕｉ ｎＡ ｐｎ ｎ ｎ ｉ ｎ ｎ
Ｋ ｅ ｏ ｄｓ ｍ ａ ｅ ｐ ｅ ｏｃ ｓ ｉ ｇ；ｍ ａ ｈ ｍ ａ ｉａ ｏｒ ｈｏ ｏ ｙ；ｉｉ ｏ ａ ｉｎ；ｅ ｅ ｉ ｔ ｃｉ ｎ； ｙ ｗ ｒ ：ｉ ｇ ｒ ｐｒ ｅ ｓｎ ｔｅ ｔｃ ｌｍ ｐ ｌ ｇ ｒｓｌ ｃ ｔｏ ｙ ｌｄ ｄｅｅ ｔｏ ｅ ｅ ａ ｈｄｅｅ ｔｏ ｙ ｌｓ ｔｃｉｎ
用 结 构元 素 ｂ 虹膜 图像 行 灰 度腐 蚀 记 对 进
为 ６ ，其 定义 为
虹 膜识 别 的准确 性 ； ３ 虹 膜 内外边 界都 具有 较好 的 圆环 特性 ， ） 因 此传 统 的虹 膜 定位 算 法 都 是 采 用 圆 形检 测 算
一种新颖的虹膜图像预处理方法
一种新颖的虹膜图像预处理方法
苑玮琦;白晓光;冯琪
【期刊名称】《光电工程》
【年(卷),期】2009(036)004
【摘要】本文提出了一种新颖的虹膜图像预处理方法,该方法打破了传统的定位思想,并且将噪声检测的过程由空间域转到频域来完成.首先,在原始图像上填充瞳孔内的光斑;其次,将人眼图像展开成矩形,在矩形图像上以点线检测代替传统的圆检测确定虹膜的内外边界,并进行归一化;最后在归一化后的虹膜图像上利用2D-Galbor滤波器的方向选择性检测眼毛和眼睑,标记干扰区域.实验证明,该方法可以解决内边界不是理想圆造成的瞳孔遗留或纹理损失问题,而且显著降低了虹膜定位时间,提高了虹膜识别的准确性.
【总页数】7页(P133-139)
【作者】苑玮琦;白晓光;冯琪
【作者单位】沈阳工业大学,视觉检测技术研究所,沈阳,110178;沈阳工业大学,视觉检测技术研究所,沈阳,110178;沈阳工业大学,视觉检测技术研究所,沈阳,110178【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种快速有效的虹膜图像预处理方法 [J], 龚军辉;陈爱萍;唐勇奇;黄峰
2.一种快速有效的虹膜图像预处理方法 [J], 龚军辉;陈爱萍;唐勇奇;黄峰
3.一种新的虹膜图像预处理眼睑定位算法 [J], 岳学东;刘洋
4.一种新颖的虹膜图像噪声检测方法 [J], 雷浩鹏;李峰
5.一种新颖的虹膜图像预处理算法 [J], 姚鹏;叶学义;庄镇泉;吴亮;龙飞;李斌
因版权原因，仅展示原文概要，查看原文内容请购买。
虹膜识别技术原理_虹膜识别技术优缺点
虹膜识别技术原理_虹膜识别技术优缺点虹膜是一种在眼睛中瞳孔内的织物状各色环状物，每一个虹膜都包含一个独一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构，据称，没有任何两个虹膜是一样的。
虹膜识别技术是人体生物识别技术的一种。
虹膜识别技术是基于眼睛中的虹膜进行身份识别，应用于安防设备（如门禁等），以及有高度保密需求的场所。
例如，在好莱坞大片中，通过扫描眼睛视网膜开启保密房间或保险箱的炫酷场景，大家一定还记忆犹新吧！使用虹膜识别技术，为需要高度保密的场所提供了高度安全保障。
下面介绍虹膜识别技术原理及虹膜识别技术优缺点。
虹膜识别技术原理虹膜是瞳孔周围的环状颜色组织，它有丰富而各不相同的纹理图案，构成了虹膜识别的基础。
虹膜识别技术是通过一种近似红外线的光线对虹膜图案进行扫描成像，并通过图案象素位的异或操作来判定相似程度。
虹膜识别过程首先需要把虹膜从眼睛图像中分离出来，再进行特征分析。
理论上找到两个完全相同的虹膜的概率是120万分之一。
这也是目前已知的所有生物识别技术中最为精确的。
虹膜识别就是通过对比虹膜图像特征之间的相似性来确定人们的身份。
虹膜识别技术的过程一般来说包含如下四个步骤：1．虹膜图像获取使用特定的摄像器材对人的整个眼部进行拍摄，并将拍摄到的图像传输给虹膜识别系统的图像预处理软件。
2．图像预处理对获取到的虹膜图像进行如下处理，使其满足提取虹膜特征的需求。
虹膜定位：确定内圆、外圆和二次曲线在图像中的位置。
其中，内圆为虹膜与瞳孔的边界，外圆为虹膜与巩膜的边界，二次曲线为虹膜与上下眼皮的边界。
虹膜图像归一化：将图像中的虹膜大小，调整到识别系统设置的固定尺寸。
虹膜识别技术：原理及应用
虹膜识别技术：原理及应用温馨提示：本文字数约3000字，阅读时间约15分钟。
概括生物识别是目前最方便、最安全的识别技术。
它不需要携带任何证书或记住任何密码。
是一种方便、快捷、可靠的鉴别方法。
生物特征识别是一种通过个体固有的生理或行为特征来识别个体的技术。
常见的生物特征包括指纹、掌纹、虹膜、视网膜、脸型、声音、笔迹和DNA。
虹膜识别技术是一种我们既熟悉又陌生的感知识别技术，非常神秘但又比较常见。
我们经常在科幻小说中看到它，甚至在我们的日常生活中也可能遇到它。
虹膜识别技术号称是目前最准确、最不假的感知识别技术，更增添了它的神秘感。
目录Ⅰ 什么是鸢尾花？二、鸢尾花的特征2.1 唯一性2.2 稳定性2.3 防伪性2.4 非接触2.5 方便的信号处理三、虹膜识别技术原理3.1 虹膜图像采集3.2 图像预处理3.3 特征提取3.4 特征匹配四、虹膜识别技术应用领域4.1 电力/核电/军事领域4.2 行业/企业/机构领域4.3 监狱/看守所/反恐/公安领域4.4 新农合/城乡养老保险/医疗保健/疾控/违禁药品/病毒实验室领域4.5 金融/银行/税务领域4.6 民航/机场/海关/港口场五、常见问题Ⅰ 什么是鸢尾花？人眼的外观由巩膜、虹膜和瞳孔组成。
巩膜是眼球外围的白色部分，眼睛的中心是瞳孔部分。
虹膜位于巩膜和瞳孔之间，含有最丰富的纹理信息。
显然，虹膜是人体中最独特的结构之一，由许多腺窝、褶皱和色素斑组成。
在脊椎动物眼球的角膜和晶状体之间，球状和有色的膜是血管膜的一部分，其中心是瞳孔。
虹膜前部覆盖有一层内皮；中间层是疏松结缔组织，富含血管和色素细胞。
不同的色素含量可使虹膜呈现不同的颜色，虹膜无色素时呈蓝色；色素由少到多时，虹膜可呈灰色、棕色至棕黑色。
虹膜后有两层色素上皮，其内部上皮分化为平滑肌。
由内向外呈放射状排列的肌纤维称为瞳孔张开肌。
瞳孔受交感神经支配，瞳孔扩大，肌纤维在瞳孔边缘呈圆形排列，称为瞳孔括约肌。
受副交感神经支配，瞳孔缩小。
虹膜识别新技术研究
虹膜识别新技术研究摘要：虹膜识别以其唯一性、稳定性和非侵犯性等优点成为生物特征识别中极具发展潜力的身份识别技术。
本文介绍了虹膜识别中的常见问题以及近年来出现的虹膜识别的新技术。
关键词：虹膜识别身份认证新技术中图分类号：tp391 文献标识码：a 文章编号：1007-9416（2012）11-0080-011、引言身份识别是人们日常生活中不可或缺的一项技术。
传统的身份识别技术存在很大的缺陷，在复杂性、准确性、实时性等方面无法满足人们的需求。
近年来，基于生物特征的身份识别技术得到了广泛应用，如银行、出入境管理中指纹识别的使用，门禁系统中虹膜识别的使用，视频管理系统中人脸、步态识别的使用等。
其中，虹膜识别又以其唯一性、稳定性和非侵犯性等优点成为生物特征识别中极具发展潜力的身份识别技术。
传统的虹膜识别分为虹膜图像采集、预处理、特征提取和识别四部分。
近几年，随着研究的深入，在虹膜识别中涌现了很多新技术，进一步提高虹膜识别的可靠性。
2、虹膜图像采集虹膜原始图像的清晰度直接影响到虹膜识别的准确性。
传统的虹膜图像采集是比较困难的，是被采集人的要求比较高，要求被采集者不断的调整眼睛与镜头之间的位置，确保采集到的虹膜原始图像清晰，完整。
据研究，在一定识别率下，虹膜采集图像的清晰程度与人眼距摄像机距离之间有直接关系；人眼距摄像机106-132mm时，常用虹膜图像清晰度评价算法均能得到较好结果，虹膜识别系统能够得到较好的识别效果[1]。
人眼最大拍摄距离的研究，在一定程度上降低了虹膜图像采集的难度，在对虹膜识别率要求不是很高的场合，可以广泛应用。
3、虹膜图像预处理传统的虹膜图像预处理主要是对采集到的虹膜图像进行去噪、补偿及变换。
但是对某些虹膜图像来说，即使进行了图像预处理，仍然达不到预期的识别效果。
如图1所示的casia虹膜图像数据库[2]中的虹膜原始图像，图（a）所示的虹膜图像质量较好，虹膜受眼睑、睫毛的遮挡较少，识别效果较好，图（b）所示虹膜图像质量较差，虹膜的上半部分几乎被眼睑遮挡，睫毛对虹膜图像的影响也比较大，这类图像的识别效果较差。
关于虹膜识别方法的课程大作业
用户较少配合情况下的虹膜识别方法研究用户较少配合情况下的虹膜识别技术具有易于市场推广、方便快捷等优点，已成为虹膜识别技术的发展趋势。
由于眼睑遮挡、运动模糊、高亮点等多种干扰和噪声影响，非理想条件下采集的虹膜图像中虹膜通常不是完整的，模糊或发生形变。
这种情况下的虹膜识别具有很高的挑战性。
本文首先阐述了在CASIA—IrisV4虹膜数据库中的虹膜定位方法。
该方法二值化虹膜图像保留瞳孔高亮点信息，并通过横纵向投影初步确定瞳孔位置。
然后在限定范围内采用Canny边缘检测和圆Hough变换拟合虹膜内外轮廓。
用户较少配合情况下虹膜识别技术研究背景虹膜表面高低不平，有许多皱纹、凹陷、条纹、斑点以及隐窝等细节特征，包含丰富的纹理信息。
正常情况下，虹膜纹理一旦形成，终生不变。
人眼立体机构中，虹膜位于角膜之后；水晶体之前。
虹膜有天然的保护膜。
虹膜纹理极少因意外伤害被破坏，亦不会磨损。
人为改变虹膜纹理几乎不可行，还有失明的危险。
此外，因光照不同瞳孔的大小发生变化是检测虹膜活体组织的显著特征。
这些生理特点为虹膜成为身份认证生物特征提供了生理学理论依据。
但是，现有的虹膜识别系统要求用户高度配合，即在特定光照条件下，虹膜采集仪与人眼的距离在固定范围内，并且用户视线直视虹膜采集设备等条件下进行虹膜采集。
有的虹膜识别系统甚至在虹膜识别之前，需要教授用户如何才能让虹膜采集仪获取适合的虹膜图像，使得虹膜识虹膜图像别系统正常工作。
这一过程不仅耗时而且枯燥，反复采集虹膜图像使用户感到厌烦，因此，用户较少配合情况下的虹膜识别技术的呼声越来越高。
虹膜图像预处理较少配合情况下，在降质虹膜图像中提取的虹膜特征的分类表征能力不理想。
虹膜识别中的预处理算法的性能准确性尤为关键，直接影响虹膜匹配的准确性。
虹膜识别流程虹膜识别主要分三个阶段：虹膜图像采集、虹膜图像预处理和虹膜特征提取与匹配。
每个阶段对最终的识别效果的影响都至关重要。
首先，虹膜采集得到虹膜图像。
虹膜机构计算公式(一)
虹膜机构计算公式(一)虹膜机构计算公式虹膜机构是一种生物特征识别技术，通过分析虹膜图像来进行身份认证。
在虹膜识别领域，有一些常用的计算公式，下面我们将介绍其中的一些公式，并提供相应的例子来解释说明。
虹膜处理公式1.Iris Normalization（虹膜归一化）：将原始虹膜图像转换为标准的大小和光照条件，以便后续处理和比对。
常用的归一化方法包括图像旋转和放缩。
–例子：将原始虹膜图像旋转使其水平，然后将其调整为固定的尺寸，如128x64像素。
2.Iris Segmentation（虹膜分割）：将虹膜区域从整个眼球图像中分割出来，以获取虹膜图像。
常用的虹膜分割方法包括边缘检测和连通区域分析。
–例子：使用Canny边缘检测算法找到虹膜边缘，然后使用连通区域分析算法获取虹膜区域。
3.Iris Normalization（虹膜归一化）：将分割后的虹膜图像进行预处理，以消除噪声和增强特征。
常用的归一化方法包括高斯滤波和直方图均衡化。
–例子：使用3x3的高斯滤波器对虹膜图像进行平滑处理，以去除噪声。
特征提取公式1.Daugman’s Rubber Sheet Model（Dauman橡皮薄膜模型）：将虹膜图像映射到二维极坐标系，提取虹膜纹理特征。
常用的特征提取方法包括Gabor滤波器和小波变换。
–例子：使用Gabor滤波器提取虹膜图像的纹理特征，得到一个特征向量。
2.Local Binary Patterns（局部二值模式）：将虹膜图像划分为局部区域，并提取每个区域的纹理特征。
常用的纹理特征提取方法包括局部二值模式和局部方向模式。
–例子：将虹膜图像划分为16x16的小区域，对每个区域计算局部二值模式直方图特征。
3.Invariant Moments（不变矩）：基于虹膜图像的几何形状，提取形状特征。
常用的形状特征提取方法包括Hu不变矩和Zernike 矩。
–例子：使用Hu不变矩计算虹膜图像的形状特征。
比对公式1.Hamming Distance（汉明距离）：计算两个虹膜特征向量之间的相似度。
虹膜识别技术
前言随着社会的发展，身份识别的重要性正日益显现，而传统的身份识别方式由于其固有的局限性已远远不能满足要求，钥匙、卡片和身份证等容易丢失和仿造，密码则容易遗忘，更为严重的是这些传统识别方式无法区分真正的拥有者和取得身份标识物的冒充者，一旦他人获得了这些身份标识物，就可以拥有相同的权力。
在需求的驱动下，基于人脸、指纹、虹膜、手形、笔迹等生物特征的识别技术应运而生。
虹膜识别技术是近几年兴起的生物认证技术。
虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理特性、颜色和总的外观，是最可靠的人体生物终身身份标识。
虹膜识别就是通过这种人体生物特征来识别人的身份。
在包括指纹在内的所有生物特征识别技术中，虹膜识别是当前应用最为精确的一种。
虹膜识别技术以其高精确度、非接触式采集、易于使用等优点得到了迅速发展，被广泛认为是二十一世纪最具有发展前途的生物认证技术，未来的安防、国防、电子商务等多种领域的应用，也必然的会以虹膜识别技术为重点。
这种趋势，现在已经在全球各地的各种应用中逐渐开始显现出来，市场应用前景非常广阔。
1.什么是虹膜人眼的外观由巩膜、虹膜、瞳孔三部分构成，巩膜即眼球外围的白色部分，眼睛中心为瞳孔部分，虹膜位于巩膜和瞳孔之间，包含了最丰富的纹理信息。
外观上看，虹膜由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一。
虹膜作为身份标识具有许多先天优势：1) 唯一性，由于虹膜图像存在着许多随机分布的细节特征，造就了虹膜模式的唯一性。
英国剑桥大学John Daugman教授提出的虹膜相位特征证实了虹膜图像有244个独立的自由度，即平均每平方毫米的信息量是3.2比特。
实际上用模式识别方法提取图像特征是有损压缩过程，可以预测虹膜纹理的信息容量远大于此。
并且虹膜细节特征主要是由胚胎发育环境的随机因素决定的，即使克隆人、双胞胎、同一人左右眼的虹膜图像之间也具有显著差异。
虹膜的唯一性为高精度的身份识别奠定了基础。
基于小波包分解的虹膜图像识别
一
Ｉ ｉ Ｉ ａ ｅ Ｒ ｃ ｇ ｉ ｉ ｎ Ｂ ｓ ｄ ｏ ａ ｅ ｅ ａ ｋ ｔ Ｄ ｃ ｍ ｏ ｉ ｉ ｎ ｒ Ｓ ｍ ｇ ｅ ｏ ｎ ｔ ｏ ａ ｅ ｎ Ｗ ｖ Ｉ ｔＰ ｃ ｅ ｅ ｏ ｐ ｓ ｔ ｏ
彭 弘婧
Ｐｎ ｎ￣ ｇ ｅｇ Ｈｏｇｉ ｎ （ 九江 学 院， 江西 九江 ３ ２０ ） ３０ ５ （ｕｉｎ ｎｖｒｉ，ｉｎｘ ｉ ｉ ｇ３２ ０） Ｊ ｊ ｇＵ ｉｅ ｔ Ｊ ｇｉＪ ｊ ｎ ３０ ５ ｉ ａ ｓｙ ａ ｕａ
／ ｉ ∞
。 “ ， 。
别
多 通道Ｇｂ 滤 得虹 全 局部 息来 Βιβλιοθήκη ｏｅ 波获 膜的 局和 信 进 ｒ
行 识
。 ：
０ 引言
别系统对这些虹膜信息进行预处理，并对独特的虹 膜纹理特征进行描述， 完成不同特征的分类， 建立一 个所谓的虹膜信息数据库， 在以后的识别中， 通过把
虹膜识别特征提取及鉴别
摘要随着信息社会的快速发展，对安全的需求也日益增长。
虹膜识别技术作为一种身份识别，以其很高的可靠性得到人们的重视。
虹膜识别系统核心一般由图像采集、虹膜定位、归一化、特征提取及编码和训练识别五部分构成。
本文介绍了目前虹膜识别的现状，简单阐述了一些经典的虹膜识别算法和技术，并完成识别系统。
在虹膜的定位阶段，首先对图像进行缩放，在不影响后续处理的情况下减小了处理的数据量，然后采用梯度加权的Canny算法进行边缘检测，再对边缘图像，采用圆Hough定位方法，分别定位了虹膜的外边界。
接着采用Radon变换检测直线的方法分割上下眼睑，阈值法除去睫毛干扰。
同时也研究了一些文献中分割眼睑和睫毛的方法。
归一化阶段，采用了文献中普遍使用的“Rubber-Sheet”模型，将虹膜归一化为64512大小的矩形，以利于特征比对。
在虹膜的特征提取及编码阶段，基于信号处理中的空间/频域技术，采用一维Log Gabor滤波器提取虹膜的纹理信息，对滤波结果的实部和虚部分别进行相位量化和编码，同时也对噪声进行处理，获得相应的掩码。
训练识别阶段，采用海明距离度量虹膜之间的相似度，选取最小距离分类器和具有最小错误率的分类阈值形成组合的分类决策规则。
整个识别系统主要在中科院V3.0虹膜数据库上进行了测试。
关键词：虹膜识别；虹膜定位；圆Hough变换；Log Gabor小波ABSTRACTWith the rapid growth of information technology, the demands of information security are ever-growing. As the technology of identification, iris recognition, for its high reliability, gets great attention. Iris recognition system consists of image capturing, iris location, iris normalization, feature extraction and coding and decision training. In this dissertation, the situation of iris recognition is presented. Some practical algorithms and technique are briefly introduced. A system of iris recognition is fulfilled.In iris location stage, image is zoomed to reduce the data volume with less influence on post processing. Afterword, the algorithm of Canny edge detection, with weighted gradient, is adopted. In the edge image, Circular Hough transform is applied to locate the inside and out boundary of iris. Then, linear Radon transform is put to use to detect the eyelids. Eyelashes are eliminated by threshold.In normalization stage, “rubber-sheet”model, in general us e, is used t-o unwrap iris image into a rectangle of the same s ize, for the comparison of characteristics.In feature extraction and coding stage. 1D Log Gabor filter s are used to filter the iris texture features in the space-frequen cy domain. Then, the real part and the image part is quantize d by phase encoding respectively. Besides, the processing of noise to generates mask.In decision training stage, the Hamming distance is employed to measure the similarity of two iris. The minimum distance classifier combining with the threshold with minimum error ratio are used as the decision rules. The experiments implemented on CASIA iris database V3.0 show that the system performs well.Key Words: Iris Recognition; Iris Location; Circular Hough Transform; Log Gabor Wavelets目录第一章绪论 (1)1.1 生物特征识别 (1)1.1.1 非生物特征身份鉴别方法 (1)1.1.2 生物特征识别技术的提出 (2)1.1.3 研究生物特征识别技术的意义 (3)1.2 虹膜识别研究 (3)1.2.1 虹膜识别的机理 (3)1.2.2 虹膜识别的发展与现状 (6)1.2.3 虹膜库 (9)1.3 本文研究的容 (9)第二章虹膜图像预处理 (11)2.1 虹膜外边界的定位 (11)2.1.1 Canny算子和Hough变换的基本原理 (11)2.1.2 本文采用的Canny算子 (14)2.1.3 本文采用的Hough变换圆检测算法 (16)2.1.4 虹膜外边界的定位 (17)2.2 眼睑的分割 (18)2.2.1 抛物线检测眼睑 (19)2.2.2 Radon变换法分割眼睑 (19)2.3 剔除睫毛 (21)2.3.1 阈值法剔除睫毛 (21)2.4 小结 (22)第三章虹膜图像归一化及特征提取 (23)3.1 虹膜纹理归一化 (23)3.1.1 平移 (23)3.1.2 旋转 (24)3.1.3 伸缩 (24)3.1.4 分辨率 (24)3.2 虹膜的Rubber-Sheet模型 (25)3.2.1 虹膜边界表示 (26)3.2.2 虹膜区域的表示 (27)3.2.3 虹膜区域规化 (28)3.2.4 灰度级插值 (29)3.2.5 具体实现 (31)3.3 小结 (31)第四章虹膜特征编码 (32)4.1 图像纹理分析的基本理论 (32)4.2 虹膜特征编码方案 (33)4.3 基于Log Gabor小波的特征编码 (35)4.3.1 Log Gabor函数性能分析 (35)4.3.2 Log Gabor小波的构造 (39)4.3.3 特征编码 (40)4.4 小结 (42)第五章虹膜模式匹配 (43)5.1 识别判决 (43)5.2 虹膜模式匹配 (44)5.2.1 海明距离匹配 (44)5.2.2 最小距离分类器 (46)5.3 统计分析 (49)5.4 小结 (52)第六章总结 (53)6.1 论文容总结与展望 (53)6.2 系统演示 (54)参考文献 (61)致 (63)第一章绪论1.1 生物特征识别生物特征识别有时也被称为生物测定技术。
【硕士论文】虹膜图像质量评估方法的研究
ａｌｇｏｒｉｔｈｍ ｔｈｒｏｕｇｈ ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｔｏ ａｎａｌｙｓｉｓ ｔｈｅ ｃａｕｓｅｓ ｏｆ ａｍｂｉｇｕｉｔｙ，ｔｈｅ
在虹膜图像清晰度上，根据图像在灰度值上的特性，提出运用“拉普拉斯（８ 邻域微分）算子和一方法实时地判断输入图像的清晰度，如果被初判为模糊的图 像，则进一步通过改进的基于拉普拉斯锐化与ＦＦＴ（快速傅立叶变换）相结合的 算法来分析图像产生模糊的原因。
在虹膜可见度上，是用虹膜比重因子和瞳孔缩放因子的乘积来表示。其中， 虹膜比重因子是先根据图像的灰度特征，获取虹膜像素点的个数，从而得出该区 域上的虹膜比重因子；瞳孔缩放因子是运用虹膜图像定位结果，通过几何方法来 计算。
目前，国内外有很多学者在虹膜泌别研究中．取得了一定的成果，但是在识 别速度和准确率方面，很难做到两全其美，即速度的提高是以牺牲识别准确率为 代价、准确率的提高是咀牺牲识别速度为代价的，如何既能提高速度又能提高准 确率成为虹膜识别技术的瓶颈问题。而虹膜图像质量评估对于识别速度和准确率 的提高，以及虹膜采集系统的自动化具有很好的现实意义。因此，采集图像后， 虹膜图像的质量评估就成为虹膜识别技术中非常重要的环节之一，具有很高的研 冗价值。
Ｑ＝国ｌＱｌ＋国２ Ｑ２．Ａｍｏｎｇ ｔｈｅｍ，Ｑｌ ａｎｄ Ｑ２ ｒｅｓｐｅｃｔｉｃｉｖｅｌｙ ｏｎ ｂｅｈａｌｆ ｏｆ ｔｈｅ ｑｕａｌｉｔｙ
ａｓｓｅｓｓｍｅｎｔ ｆａｃｔｏｒ ｏｆ ｉｒｉｓ ｉｍａｇｅ ｄｅｆｉｎｉｔｉｏｎ ａｎｄ ｖｉｓｉｂｉｌｉｔｙ，ｃｏＩ ｉｓ ｔｈｅ ｗｅｉｇｈｔ ｏｆＱｌ，Ｃ０２ ｉｓ
虹膜识别技术
指纹识别、人脸识别技术正在趋于成熟，也正在被应用到更丰富的场景，逐渐改变我们生活的方方面面。
但在大多使用场景中，很多人发现原来指纹可以复制，双胞胎、整容等因素又让人脸识别傻傻分不清楚……某种程度上对指纹识别、人脸识别的安全性提出了挑战。
技术永远存在bug，那么要实现精准识别，还能通过什么样的不可替代的生物体特征？答案可能是虹膜识别。
人类一直有一个关于“精准身份识别”的梦想，人脸、指纹、虹膜这些不可替代的生物体特征陆续被技术所用。
指纹识别、人脸识别的准确度受到质疑的时候，不得不提到虹膜识别。
虹膜识别，可能是一项更具有安全性的技术。
一、什么是虹膜识别：简单来说，人的眼睛结构由巩膜、虹膜、瞳孔三部分构成。
虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分，是眼球中瞳孔周围的深色部分，其包含有很多相互交错的斑点、细丝、冠状、条纹等等细节特征。
而平时我们常见的近视眼、白内障、红眼病对虹膜也完全不会造成破坏，这些特征决定了虹膜特征以及身份识别的唯一性。
虹膜识别技术则是人体生物识别技术的一种，被广泛认为是21世纪最具有发展前途的生物认证技术，可用于未来的安防、国防、电子商务等多种领域的应用。
虹膜识别算法程序的开发者是一位名叫 John Daugman 的美国数学家，他被业内称作是虹膜识别算法理论的开创者。
二、虹膜识别技术受追捧的另一个因素是：安全因为人眼的虹膜在出生 6 个月后即发育成熟，之后就会保持终生不变，更不会出现如指纹磨损、面容变化导致设备拒识本人的情况，而且眼球剥离人体后虹膜会随瞳孔放大而失去活性，很难被伪造。
相较于指纹0.8%、人脸识别2%左右的误识率，虹膜识别误识率可低至百万分之一。
在国内，早期虹膜识别技术被广泛用于煤矿行业的考勤。
西安中媒科技、北京中科虹霸是当时最大的两家虹膜识别设备提供商，前者的技术来源于西安交大，后者主要成员来自于中科院自动化所。
它们都具备技术研发的基础，同时也做代理国外产品的生意，比如中媒科技就是LG在中国的最大代理商，后来中媒科技由于内部出现问题分支出两家公司：西安中虹智能科技、西安凯虹电子科技，同样是做代理。
形态Harr小波在虹膜识别图像预处理中的应用
∞ （，） ｘ２ ２）ｘ２ ２ ＋ ）ｘ２ ｌ ｎ－ （ｍ ｌ２＋ ） （ ） ｍ ｎ １（ ｍ，ｎ－（ｍ，ｎ １ （ｍ＋ ， ）ｘ２ ＋ ， １） ７ ＝ （ ＋ ２ ｎ
二
＇
ｔ（（，＝ （２ ， ） （ ＋ ， ）ｘ ｍ２＋） （ ＋ ， ＋） （） ｏｘｍｎ ÷ ｘ ｍ２ ＇ ２ ｌ ｎ＋（ ， １ ｘ ｍ ｌ ｎ１ ８ ｈ） ） （ ｎｘｍ ２ ２ ｎ 一２ ２ ）
［ 关键词 ］ 虹膜识别 虹膜定位
１ 引言 ．
形 态小波与网络的快速推进 ， 人类在原有现实空 间的基础上不断地深入虚拟的活动空间， 社会也因此变得 复杂多变 。 在 这样的社会里 ， 人们的安防意识也在不断提高 ， 传统的身份识别早 已不 再满足人们 的要求 ，随之而来的是各种基于人体生物特征的身份识别 的纷纷面世 。虹膜识别技术继面部识别 、 指纹识别等技术之后 ， 以其 自 身优势（ 唯一性 、 稳定性 、 非接触 性 、 高准确性 、 使用方便等特点 ） 成为 当 今社会安 防系统的新热点。 个虹膜识别系统基本 上由四个基本 部分 组成 ： 虹膜图像采集 、 虹 膜图像预处理 、 特征提取以及 特征匹配。图像 预处理阶段 的 目的是 ： 在 已采集来 的眼部图像的基础上 ， 虹膜 区域精 确地确定出来 并得到一 将 个很容易进行特征提取的虹膜图像 。那 么虹膜 图像预处理的关键一步 就是虹膜 的准确定位，然 而 目前 还没有 一个完美 的公认 的虹膜边缘定 位 的方法 。本文使用一种形 态小 波变换 的方法对 原始 采集来 的虹膜图 像进行边缘检测 ， 实现虹膜边缘 等位 的第一 步， 实验结果 表明此方法的 较好效果 。 本文 中所用到的虹膜 图像为 中国科学 院 自 动化研究所模式识别 国 家重点实验室的虹膜库 中的图像 。 ２算 法描 述 ． ２１ 度形 态学 ．灰 数学形态学是一 门建立在严格 的数学理论基础之上 的学科 ，其理 论基础涉及 到拓扑学 、 现在概 率论 、 近代代数与集论 、 图论等一 系列 的 数学分支。 数学形态学是研究图像 整体形状 的非线性理论 ， 其基本思想 是借助于面积、 长、 周 连通分支的数 目、 曲率半径 、大小分布 ” “ 等一 系列 参数 ， 来确定一幅图像或者 图像 中某个 目标 的基本特征 ， 用具有一定形 状的结构元素分析 和提取相关图像信息 ， 以保 留有用 的图形 ， 除无用 去 图形 。 数学形态学的基本运算包括腐蚀 、 膨胀 、 开启和闭合。 在这些基本 算法的基础上， 可以组合运算而形成数学形态学的其他实用算法。 灰度 形态学的基本运算如下 ： 设 ｈ和 ｋ分别为定义在 Ｅ的子集 Ｈ和 Ｋ上 的函数 ， ｈ被 ｋ膨胀 则 后仍然是一个 函数 ， 记为 ｈ ， ＠ｋ （①ｋ（，＝ ｘ （ ｉ －）ｋｉ） （ ｉ－） ，（ｊ∈ｋ ｝ ） ｙ ｍａ［ ｘ ， ｊ （ ｌｘ ， ｊ∈ｈｋｉ） 】 ｌ ｘ） ｈ －ｙ ＋ ｈ —ｙ ， （） １ 即， 在由结构元素 ｋ 确定的邻域中选取 ｈ ｋ ＋ 的最大值 ， 那么在新 图 像 中， 比背景亮 的地方得到扩张 ， 反之被缩小 。 用 ｋ ｈ进行灰度腐蚀则定义 为： 对 （Ｏｋ（，＝ ｎｈｘ ｉ＋）ｋｉ） （＋， ｊ∈ｈｋｉ） 】 ｈ ） ｙ ｍｉ［（＋， ｉ （ｊｈｘ ｉ＋） ，（ ∈ｋ ｘ） ｙ － ，ｌ ｙ ， ｊ （） ２ 即， 在由结构元素 ｋ 确定的邻域中选取 ｈ ｋ － 的最小值 ， 那么在新 图 像 中， 比背景暗的地方得到扩张 ， 反之被缩小 。 开运算 与闭运算 ：（ｙ ｈ ， 的开运算定义为 ， ｋ ， 对 （ｙ ｘ） ｘ） ｈ ｋ （＠ｋ①ｋ 。 ＝ｈ ） （） ３ ｋｘ 】 ｈｘｙ的开 运 算 定 义 为 ， （ｖ对 （， ， １ ｈ ｋ （① ｋＯｋ ・＝ｈ ） （） ４
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
虹膜图像预处理在实际获取的图像中，虹膜只占一部分区域。
图像中还包括瞳孔、眼睑、睫毛及眼睛和人脸的其它部分。
所以，在对虹膜纹理特征进行提取之前，要把虹膜区域从图像中分割出来。
其分割准确与否直接影响到后面的特征提取及匹配精度，即如果分割不准确，则虹膜识别效果就差，很可能造成误判，使识别算法失效。
针对Canny[2]算法优良的边缘检测性能及虹膜边界的特点，本文采用了该算法，与Hough变换相结合，用于定位虹膜内外边界、分割上下眼睑，采用阀值法剔除睫毛。
2.1 虹膜内外边界的定位虹膜的内边界即内边缘与瞳孔相交接的部分，外边界即外边缘与巩膜相交接的部分，均近似为圆形，因此定位虹膜内外边界就是要确定这两个拟合圆的圆心和半径。
2.1.1 Canny算子和Hough变换的基本原理(1)Canny边缘检测算子边缘是图像的基本特征，保留了原始图像中相当重要的信息，而又使得总的数据减小了很多。
准确提取边缘既能减少图像处理的信息量，又可重点描述物体的形态特征。
传统的边缘检测算子如Roberts、Sobel、Prewitt、Kirsch和Laplacian 等算子都是局域窗口梯度算子，由于它们对噪声敏感，所以在处理实际图像中效果并不理想。
1986年，Canny提出边缘检测算子应满足以下3个判断准则：信噪比准则；定位精度准则；单边缘响应准则，并由此推导出了最佳边缘检测算子--Canny算子。
该算子具有定位精度高、单一边缘和检测效果好等优点。
它主要分以下四步：○1平滑图像Canny边缘检测算子是高斯函数的一阶导数，是对信噪比与定位精度之乘积的最优化逼近算子。
选择合适的高斯低通滤波器来平滑原始的虹膜图像，既可以取得更加柔和的平滑效果，又不至于破坏图像中的边沿，同时还可以消除原始图像的高频噪声。
Canny算法首先用二维高斯函数的一阶导数，对图像进行平滑，设二维高斯函数为：22221(,)exp()22x y G x y πσσ+=-(2.1)其梯度矢量为：G x VG G y ⎡⎤∂∂=⎢⎥∂⎣⎦(2.2)把G 的2个滤波卷积模板分解为2个一维的行列滤波器：221222exp()exp()()()22G x y kx h x h y x σσ∂=--=∂ (2.3)221222exp()exp()()()22G y x ky h y h x y σσ∂=--=∂ (2.4)其中，k 为常数，σ为高斯滤波器参数，它控制着平滑程度。
σ小的滤波器，虽然定位精度高，但信噪比低；σ大的情况则相反，因此要根据需要适当地选取高斯滤波器参数σ。
○2计算梯度的幅值和方向传统Canny 算法采用22⨯邻域一阶偏导的有限差分来计算平滑后数据阵列的梯度幅值和梯度方向。
其中，x 和y 方向偏导数的2个阵列[],x P i j 和[],y P i j 分别为： [][][][][],(,1,1,11,)2x P i j I i j I i j I i j I i j =+-+++-+ (2.5) [][][][][],(,1,,11,1)2y P i j I i j I i j I i j I i j =-+++-++(2.6)像素的梯度幅值和梯度方向用直角坐标到极坐标的坐标转化公式来计算，用二阶范数来计算梯度幅值和方向，分别为：[],M i j =(2.7) [][][](),arctan ,,y x i j P i j P i j θ=(2.8)○3 对梯度幅值进行非极大值抑制为了精确定位边缘，必须细化梯度幅值图像[],M i j 中的屋脊带，只保留幅值局部变化最大的点，这一过程就是非极大值抑制。
如图2-1。
在非极大值抑制过程中，Canny 算法使用33⨯大小、包含8个方向的邻域对梯度幅值阵列[],M i j 的所有像素沿梯度方向进行梯度幅值的插值。
在每一个点上，邻域的中心像素[],m i j 与沿梯度方向的2个梯度幅值的插值结果进行比较，[],F i j 是像素邻域中心处沿着梯度方向的扇形区域，非极大值抑制在此区域进行。
如果邻域中心点的幅值[],m i j 不比梯度方向上的2个插值结果大，则将[],m i j 对应的边缘标志位赋值为0，这一过程把[],M i j 宽屋脊带细化为一个像素宽，并且保留了屋脊的梯度幅值。
非极大值抑制(Non -Maxima Suppression,NMS)过程的数学表示为：[][][],(,,,)N i j NMS M i j i j ζ=(2.9)1001223378123456图2-1 Canny 算子非极大值抑制○4 检测和连接边缘双阈值算法是对经过非极大值抑制的图像[],N i j 分别使用高、低2个阈值hS 和l S 分割得到2个阈值边缘图像[],h T i j 和[],l T i j 。
由于图像[],h T i j 是由高阈值得到的，因此它应该不含有假边缘，但[],l T i j 可能在轮廓上有间断。
因此双阈值算法要在[],h T i j 中把边缘连接成轮廓，当达到轮廓端点时，该算法就在由低阈值得到的边缘图像[],l T i j 的8邻域位置寻找可以连接到轮廓上的边缘，这样，利用递归跟踪的方法不断地在[],l T i j 中搜集边缘，直到将[],h T i j 中所有的间隙都连接起来为止。
(2)Hough 圆检测Hough 变换是一种用于区域形状描述的方法，经典的Hough 变换常常被用于直线段、圆和椭圆的检测，广义的Hough 变换可以推广至任意形状。
两种变换的基本思想是将图像的空间域变换到参数空间，用大多数边界点满足的某种参数形式来描述图像中的曲线区域边界。
Hough 变换可以用于检测图像解析曲线，其中x 为解析曲线上的点，a 为参数空间上的点。
对于圆，设其半径为r 、圆心为，则圆方程：222()()i i x a y b r -+-=(2.10)图像空间的圆对应着参数空间(,,)a b r 中的一个点，一个给定点(,)i i x y 约束了通过该点的一簇圆参数(,,)a b r 。
传统的Hough 圆检测是将空间域的每个轮廓点带入参数方程，其计算结果对参数空间(,,)a b r 中的量化点进行投票，若投票超过某一门限，则认为有足够多的图像点位于该参数点所决定的圆上。
由于其需要逐点投票、记录，故花费的时间较长，占用的计算机存储量也较大。
2.1.2 本文采用的Canny 算子如图2-2(a)所示的虹膜图像，很多边缘对于检测虹膜内外边界来说都是干扰边缘，如果在计算梯度时，对x 、y 两个方向均进行计算，则会产生过多过细的边缘，而这些边缘又是不需要的，而且会对提取有用的边缘起干扰作用。
此时，如果有选择性的重点检测某一或某些方向的边缘，则既能节省时间又有利于排除干扰。
针对虹膜图像，由于上下部分常常会被眼睑遮挡，如果将眼睑边界也过清晰地检测出来了，则对下一步的Hough 圆变换检测外边界产生很大的干扰，特别是眼睑基本成弧形，与圆形接近。
为削弱非虹膜边界的影响，可以在进行边缘检测时重点检测有用的边缘，在保留足够的虹膜边界信息的同时尽量削弱其它边界的影响。
注意到上下眼睑边界仅限于水平方向，在计算梯度幅值时对水平方向偏导值赋以较大的权重，而对竖直方向偏导值赋以较小的权重，从而削弱水平方向上的边界。
(1)本文在定位虹膜外边界时，按照这一思想对Canny 算子进行了改进，在计算梯度时只计算水平方向上的梯度，以避免过多地检测出眼睑边缘。
即：X 方向偏导数：(,)0f x a =(,)a b[][][][][],(,1,1,11,)2x P i j I i j I i j I i j I i j =+-+++-+(2.11)Y 方向偏导数：[],0y P i j =(2.12)(a)原始图像缩放0.4(b)竖直权重为0(c)两方向均匀权重(d)水平权重为0图2-2虹膜图像以及Canny 边缘检测的图像其中滤波时对边缘处，为简化，未处理，造成有虚假边缘，定位时除去，并不影响Hough 定位圆。
(2)在非极大值抑制时，选择比较邻域为半径1.5像素范围之内，这样的到的边缘图像相对较好，边缘大于等于一个像素，小于等于两个像素，考虑到Hough 参数的量化，比选择半径为1的邻域范围造成的误差小，而与选择半径2的邻域边缘图相比，边缘得到了较好的细化。
如图2-3。
(a)1.5邻域半径抑制(b)2邻域半径抑制(c)1邻域半径抑制(d)1.5邻域半径抑制 (e)2邻域半径抑制 (f)1邻域半径抑制图2-3不同邻域半径边缘检测图(3)此外实际处理过程进行了少许改变：○1为了减小处理的数据量，在定位虹膜内外边界时，首先对虹膜图像进行了缩放，而且缩放定位后再折换成原始图像的圆，原始图像大小为320280⨯。
○2对于Canny 检测处理后的边缘图像，直接一次将内外两圆定位出，在定位外圆时比较准确，但是定位内圆时由于受其外围边缘的影响，很容易造成定位失败，因此首先定位出外圆，然后在外圆的范围中定位内圆，大大减小了干扰。
○3由于内圆相对较小，定位外圆时缩放比例0.4，定位内圆时缩放比例为0.6。
2.1.3 本文采用的Hough 变换圆检测算法直接使用Hough 变换是将图像上的每个边缘点都代入方程，且半径搜索范围从O 到图像平面所能容纳的上限，因此计算量非常大。
本文对其进行了修改，并根据先验知识及所采集的虹膜图像的特点尽可能地减少搜索范围及参与Hough 变换的点数以高效率。
过程如下： (1)对图像进行边缘检测得到边缘图像；(2)根据先验知识，分别确定内外边界圆半径的范围，从而减小搜索半径； (3)圆的参数方程可改写为：cos ,sin a x r b y r θθ=-=-(2.13)将图像空间中的边缘点而不是原图像中的每个点逐一代入上式，求出参数(,)a b 值。
从图中可以看出，虹膜外边界左右两侧的部分所受干扰较少，边界质量较高，因此可以限制θ的取值范围，相当于只统计左右两侧部分的边界点。
由于虹膜边界圆的圆心不可能太靠近图片边缘(否则就没有将整个虹膜区域采集进来，虹膜信息可能太少而无法用于识别)，即圆心应位于图像中间区域的某个范围内，因此如果(,)a b 位于这一范围内，则将相应的累加阵(,)H a b 中的元素加1，否则加0；(4)找出(,)H a b 中元素的最大值，即是对应半径为r ，圆心为(,)a b ，且圆周上边点最多的圆，即为边界圆。
2.1.4 虹膜内外边界的定位本文先定位虹膜外边界，然后再在外边界范围以内定位内边界，从而能更快更准地定位内边界。
虹膜外边界上下部分常常被眼睑部分地遮挡，且往往还有睫毛的干扰，所以对外边界的定位先采用本文所述的改进的Canny算子进行边缘检测，从而在保留足够多的边缘信息的情况下尽量少地检测出干扰边缘，再利用改进的Hough变换进行圆检测，确定外边界圆的圆心和半径。