1、特征提取

虹膜识别技术是人体生物特征识别技术的一种，获得鲁棒性的虹膜表示对于提升虹膜识别性能至关重要。虹膜识别发展初期，人们尝试了不同的特征提取方法，其中大部分是基于手工设计的特征提取算子，例如离散余弦变换、离散小波变换、Log、Gabor算子等。近年来，随着深度学习在计算机视觉领域取得了很大的成功，人们开始关注基于卷积神经网络的虹膜特征方法，并在虹膜识别中取得了不错的性能，常用的卷积神经网络有AlexNet、VGG、ResNet、Densenet、Inception等。特征匹配也是虹膜识别的一个重要环节，通过对提取的虹膜特征进行相似度匹配，来实现身份的识别。

2、虹膜比对

特征匹配通常采用最典型的虹膜代码的海明距(Hamming Distance,HD)匹配算法。该算法是通过比较两个虹膜特征码是来自相同个体的虹膜，还是来自不同个体的虹膜，其需要比较虹膜代码A和虹膜代码B的每一位。

3、活体检测

虹膜图像的采集是通过红外光照明实现的，在红外光的照射下，视频无法进行有效的攻击。对于照片类的攻击手段，可以使用瞳孔的物理反光及瞳孔的生理收缩特性来检测攻击。

早期传统方法使用人造特征来描述活体与非活体之间的差异，然后送给分类器去决策。活体与非活体差异主要包含颜色纹理、非刚性运动变形、材料(皮肤，纸质，镜面)、图像或视频质量等。自2015年来，陆续有人开始了基于深度学习的虹膜活体检测研究，因受到数据集样本少的影响，性能一直无法超越传统方法。这些深度方法有:多帧方法，即通过CNN-LSTM来模拟传统方法LBP-TOP;单帧方法，即对人脸分块后预训练网络，然后再在整个人脸图上微调模型;使用人脸深度图作为活体与非活体的差异特征的方法;直接使用端到端的CNN输出样本特征后，通过计算特征相似距离来区分活体与非活体的方法;将活体类别作为目标检测模块中的一类的方法。

点击下载报告：中国电子技术标准化研究院：2020年虹膜识别行业研究报告