生物特征识别技术在当今世界中已经得到了广泛的应用,虹膜因其唯一性、稳定性,可采集性,非侵犯性等优点而逐步受到人们的重视,已经发展成为了主流的生物特征识别手段。它以其简单的算法、快速的识别和极低的错误识别率逐渐应用到一些重要领域,如日常考勤、身份鉴别、数据加密、电子商务等,为人们的日常生活提供了很大的便利,大大满足了现代社会的需求。与脸像,声音,指纹等的身份鉴别方法相比,虹膜具有更高的准确性。基于虹膜的识别系统通常包括虹膜图像获取,虹膜图像预处理,虹膜图像特征提取,模式匹配与识别几个部分。本文工作主要从以下几个方面来展开：第一,在虹膜定位方面,本文提出了一种基于Hough变换的虹膜定位算法,首先从建立虹膜灰度图像的直方图入手,分析虹膜边界的灰度阈值,采用灰度投影及区域生长对图像进行分割,后结合人眼生理特征和瞳孔和虹膜的位置关系,将用Canny算子进行边界提取和改进的Hough变换相结合,缩小了搜索范围,并提高了虹膜定位速度。第二,在虹膜特征提取和匹配方面,采用两种虹膜特征提取方法来进行编码识别,一是对Daugman的虹膜识别方法进行改进,在直角坐标系下利用基于子块纹理分析的Gabor滤波器相位编码方法,在不同方向上构造不同频率的滤波器,将归一化后的图像分为若干相等的子块,对每一子块只对中心像素值进行特征提取和编码,用海明距进行匹配；二是在极坐标系下采用构造多个Gabor滤波器的方法,将归一化后的图像分为若干相等的子块,对每一子块用Gabor模板进行卷积,提取滤波后每一子块的像素值的均值和标准差作为特征值,后用加权欧式距离进行匹配。这两种识别方法获得了很好的识别性能,对于实时系统具有很好的鲁棒性。第三,为便于算法实验结果的验证,作者创建了一个虹膜识别的原型系统,主要功能包括虹膜定位,验证模式和识别模式下的匹配操作及结果的显示和对一些实验数据的分析等。本文算法虽然取得了一些成效,但是还存在很多问题。考虑到系统的实时性和算法的复杂性,本文没有对眼睑和睫毛等进行提取,而是采用只选取一部分区域的特征的方法来避免在特征提取时使用这部分特征,导致算法的拒识率偏高,对于受噪声污染比较严重的图像鲁棒性不是很好,在以后的实验中可采用一定的方法对噪声进行去除。另外,在分类器的设计上,本文采取了比较通用的海明距进行匹配,方法比较简单,但有时效果并不理想,以后可采用机器学习中神经网络或Fisher线性判别等分类方法进一步提高识别率。