0 引言
    基于人眼虹膜信息特征的生物识别技术具有独特性、稳定性、防伪性、非接触性、高精确性等优点，在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统等方面具有巨大的应用前景。Daugman[1]和Wildes[2]等人提出的识别方法由于对噪声敏感、要求硬件捕获高质量的虹膜图像而难以在实际中广泛应用。本文提出了一种基于修正的精确定位和一维多尺度小波变换下提取归一化虹膜图像特征及基于SVM的WED与DSIM虹膜分类识别ISD算法，实验结果表明该算法具有较高的识别效率和精度。
1 虹膜的精定位与修正
1.1 精定位
    虹膜与巩膜、瞳孔的边界均近似为圆形。瞳孔内部灰度分布均匀且与虹膜的接界处存在极大灰度梯度；巩膜与虹膜的接界也存在较大的梯度，由此可以检测出内外圆形边界。由于虹膜具有良好的环状特性，所以可采用如下定位算子对虹膜内边缘进行精定位 ：
（1－1）
    其中 ，是高斯函数，起到了平滑的作用，可以去除图象中部分噪声干扰。虹膜内边界检测出来后，通过 及 的值限定合适的范围，采用同样的方法可搜索虹膜的外边界。由于虹膜外边缘一致性较差(主要是指虹膜外边缘偏离圆形,以及它与巩膜之间的过渡带较宽)，所以可能使某些虹膜上存在的非常明显的向心性的环状纹理。为防止式(1－1)的算法掉入陷阱而失去作用, 用面积分式(1－2)代替式(1－1)中的线积分。
（1－2）
    另外，在人眼正常凝视状态下，上下眼睑可能会遮盖一部分虹膜，进行虹膜外边缘精定位时，对其积分域必须进行限定，积分域一般限定在 到 及 到 之间的扇形区域内。
1.2定位修正
     虹膜定位时基于圆模板搜索得到的灰度梯度值为在该半径下的模板圆与虹膜内边缘或是外边缘相符的最大圆弧处的灰度梯度值, 这就带来了不可避免的误差。为使模板圆的圆心尽量靠近虹膜边缘的几何中心，就应尽可能多的采集到真实的虹膜边缘点。虹膜与巩膜之间边界对应于灰度曲线上的跳变边沿，采用如下的灰度差分累加和的方法检测。它是一种简便、快捷、稳健的波形边沿检测方法。   

图 1－1 园模板                         
    设灰度曲线上的点表示为 , 。由灰度曲线，经过差分运算，便可求得灰度差分曲线（ ）。差分运算如下：

图 3－1 Harr一维小波变换
3.2 特征训练
    根据实验对某类的个训练样本特征向量  ( )进行如下训练以获取该类特征。
（3－5）
3.3 分类器的设计
    本算法采用基于支持向量机SVM的相异性测度DSIM 和倒数加权欧式WED距离的ISD分类。设有模式 ，则
（3－6） 
（3－7）
    拒识判定准则:设模板数为m,待分样本到第i个模板的WED距离di;  dj和 dk为最小的两个距离。定义拒识系数 。设 为拒识阈值,若则表明该样本归属清楚，直接送入WED距离分类器;否则拒识，对于获得较小WED的几个模板计算DSIM值并利用上述准则判定，如仍拒识表明该样本应送入SVM分类器分类。.
    支持向量机SVM： 对于线性可分的集合S,如果存在对于由条件定义超平面,使得分类间隔最大,转化为二次规划问题,定义Lagrange函数(为与样本对应的Lagrange因子)：
（3－8）
    用核函数代替样本内积由极值求法可得到最优化分类函数:
（3－9）
设测试集H,确定前两级分类器的阈值,自动确定参数,则ISD算法如下：
1) 若,则算法结束,输出结果.否则取样本;
2) 计算样本特征向量V1并求其到模板的WED距离,调用拒识判定准则;
3) 将未被拒识的样本送WED分类器分类,对于拒识样本计算V2特征并求其到模板的DSIM距离, 调用拒识判定准则:
4) 将未被拒识样本送DSIM分类器分类,否则送往SVM分类器分类.
5)  ,转第1步.
4 实验与性能分析                   
 4.1 虹膜预处理

4.3 结论
    从实验结果可知本文提出的算法很好的实现了虹膜的定位与分类识别，误识率低，具有比较高的识别精度和效率，其性能优于单纯采用SVM,DSIM或WED距离度量的方法