随着信息技术和通信技术的飞速发展以及网络技术的逐渐普及,信息安全成为当今社会的热门话题,身份识别技术也越来越为人们所重视。在传统的身份识别方法已经无法保证人们对信息安全的要求的情况下,生物特征识别技术作为一种新的身份识别方法而被大家所认知,并因其具有稳定性、可靠性、唯一性、非侵犯性等特点而受到越来越多的关注。虹膜识别是近年来新兴的一种生物特征识别技术并被认为是最可靠的生物特征识别技术,具有广阔的应用前景和应用价值,因此对虹膜识别技术的研究具有十分重要的现实意义。虹膜识别系统主要包括以下几个部分：虹膜图像采集、虹膜图像预处理、虹膜特征提取和匹配识别。虹膜图像采集是指使用虹膜采集设备采集到人眼的虹膜图像。虹膜图像的预处理是指对虹膜图像进行一系列的处理使其便于进行特征提取和匹配识别的统一处理,这个过程通常包括虹膜定位、眼睑和睫毛检测、归一化。虹膜的特征提取是指应用相关的方法从预处理后的图像中提取出有利于匹配识别的特征值。匹配识别是指采用一定的分类方法对提取到的特征值进行分类。其中预处理是虹膜识别技术中的重要步骤之一,预处理结果的好坏将直接影响到虹膜识别的准确性。眼睑和睫毛的检测是预处理中的一个难点,它们的存在会影响到虹膜识别过程中的虹膜定位以及识别准确率。本文主要对眼睑和睫毛的检测进行了研究。本文在对现有的眼睑检测算法进行总结的基础上,对Wildes提出的眼睑检测算法进行了改进。Wildes的虹膜识别系统中使用了边缘检测和抛物线Hough变换相结合的方法来进行眼睑定位,但是对于部分图像,抛物线对眼睑边缘的检测误差较大。本文算法对其进行了改进,使用Canny算子代替了梯度算子,更好的提取边缘信息；并将上眼睑和下眼睑分别分作两段利用Hough变换进行检测。实验证明改进后的算法能够更好的检测眼睑。本文提出了一种新的基于最大值滤波器的睫毛检测算法。最大值滤波器是统计排序滤波器的一种,它将滤波窗口内像素的灰度值进行排序,用滤波点邻域内灰度的最大值来代替该点的灰度值。在最大值滤波前后的差值图像中能够比较明显的将原始图像中的低灰度点显示出来,同时由于统计排序是在窗口内进行,能够同时避免整幅图像内光照条件不均匀而造成的影响。根据这一特点,结合虹膜中眼睫毛的分布特点,本文利用最大值滤波器进行睫毛检测。首先利用最大值滤波器对图像进行滤波得到滤波前后的差值图像,然后在差值图像中通过动态阈值和连通机制对睫毛点进行检测,其中动态阈值通过被检测点邻域内的灰度值决定该点的判断阈值,连通机制指的是所有的睫毛点应该跟其他的睫毛点或者眼睑相连。为了验证算法的有效性,本文对CASIA1虹膜数据库进行仿真实验并对结果进行了分析。实验结果证明该算法能够有效的检测出原始虹膜图像和归一化之后的虹膜图像中的睫毛。同时,本文根据所提出的有效的眼睑和睫毛检测算法对虹膜的定位进行了修正。根据眼睑和睫毛的位置信息,屏蔽了部分边缘图像中的干扰信息,使部分未能准确定位的虹膜图像完成了准确的虹膜定位,并据此重新设计了预处理流程。