0 引言
    基于人眼虹膜信息特征的生物識別技術具有獨特性、穩定性、防偽性、非接觸性、高精確性等優點，在安全驗證系統、信用卡驗證、醫學、檔案管理、視頻會議、人機交互系統等方面具有巨大的應用前景。Daugman[1]和Wildes[2]等人提出的識別方法由于對噪聲敏感、要求硬件捕獲高質量的虹膜圖像而難以在實際中廣泛應用。本文提出了一種基于修正的精確定位和一維多尺度小波變換下提取歸一化虹膜圖像特征及基于SVM的WED與DSIM虹膜分類識別ISD算法，實驗結果表明該算法具有較高的識別效率和精度。
1 虹膜的精定位與修正
1.1 精定位
    虹膜與鞏膜、瞳孔的邊界均近似為圓形。瞳孔內部灰度分布均勻且與虹膜的接界處存在極大灰度梯度；鞏膜與虹膜的接界也存在較大的梯度，由此可以檢測出內外圓形邊界。由于虹膜具有良好的環狀特性，所以可采用如下定位算子對虹膜內邊緣進行精定位 ：
（1－1）
    其中 ，是高斯函數，起到了平滑的作用，可以去除圖象中部分噪聲干擾。虹膜內邊界檢測出來后，通過 及 的值限定合適的范圍，采用同樣的方法可搜索虹膜的外邊界。由于虹膜外邊緣一致性較差(主要是指虹膜外邊緣偏離圓形,以及它與鞏膜之間的過渡帶較寬)，所以可能使某些虹膜上存在的非常明顯的向心性的環狀紋理。為防止式(1－1)的算法掉入陷阱而失去作用, 用面積分式(1－2)代替式(1－1)中的線積分。
（1－2）
    另外，在人眼正常凝視狀態下，上下眼瞼可能會遮蓋一部分虹膜，進行虹膜外邊緣精定位時，對其積分域必須進行限定，積分域一般限定在 到 及 到 之間的扇形區域內。
1.2定位修正
     虹膜定位時基于圓模板搜索得到的灰度梯度值為在該半徑下的模板圓與虹膜內邊緣或是外邊緣相符的最大圓弧處的灰度梯度值, 這就帶來了不可避免的誤差。為使模板圓的圓心盡量靠近虹膜邊緣的幾何中心，就應盡可能多的采集到真實的虹膜邊緣點。虹膜與鞏膜之間邊界對應于灰度曲線上的跳變邊沿，采用如下的灰度差分累加和的方法檢測。它是一種簡便、快捷、穩健的波形邊沿檢測方法。   

圖 1－1 園模板                         
    設灰度曲線上的點表示為 , 。由灰度曲線，經過差分運算，便可求得灰度差分曲線（ ）。差分運算如下：

圖 3－1 Harr一維小波變換
3.2 特征訓練
    根據實驗對某類的個訓練樣本特征向量  ( )進行如下訓練以獲取該類特征。
（3－5）
3.3 分類器的設計
    本算法采用基于支持向量機SVM的相異性測度DSIM 和倒數加權歐式WED距離的ISD分類。設有模式 ，則
（3－6） 
（3－7）
    拒識判定準則:設模板數為m,待分樣本到第i個模板的WED距離di;  dj和 dk為最小的兩個距離。定義拒識系數 。設 為拒識閾值,若則表明該樣本歸屬清楚，直接送入WED距離分類器;否則拒識，對于獲得較小WED的幾個模板計算DSIM值并利用上述準則判定，如仍拒識表明該樣本應送入SVM分類器分類。.
    支持向量機SVM： 對于線性可分的集合S,如果存在對于由條件定義超平面,使得分類間隔最大,轉化為二次規劃問題,定義Lagrange函數(為與樣本對應的Lagrange因子)：
（3－8）
    用核函數代替樣本內積由極值求法可得到最優化分類函數:
（3－9）
設測試集H,確定前兩級分類器的閾值,自動確定參數,則ISD算法如下：
1) 若,則算法結束,輸出結果.否則取樣本;
2) 計算樣本特征向量V1并求其到模板的WED距離,調用拒識判定準則;
3) 將未被拒識的樣本送WED分類器分類,對于拒識樣本計算V2特征并求其到模板的DSIM距離, 調用拒識判定準則:
4) 將未被拒識樣本送DSIM分類器分類,否則送往SVM分類器分類.
5)  ,轉第1步.
4 實驗與性能分析                   
 4.1 虹膜預處理

4.3 結論
    從實驗結果可知本文提出的算法很好的實現了虹膜的定位與分類識別，誤識率低，具有比較高的識別精度和效率，其性能優于單純采用SVM,DSIM或WED距離度量的方法