虹膜识别技术是一种广泛应用于身份验证的生物特征识别技术,由于虹膜的唯一性、准确性和安全性,虹膜识别具有广阔的应用前景与科学研究价值。随着电子设备的发展,深度学习也在图像处理领域中广泛应用。从虹膜识别的核心技术来看,一个完整的虹膜识别系统包括获取虹膜图像、虹膜图像预处理、特征提取及特征匹配。本篇论文研究的重点为结合深度学习完成虹膜的特征提取及分类。虹膜特征提取分类的难点主要在于首先虹膜图像预处理困难,如睫毛、眼睑和眼镜遮挡,以及虹膜采集的环境光照影响等因素直接影响预处理结果;其次还存在特征提取方法是专家手工制作的问题。针对这些难点,本文首先分析了虹膜识别技术的国内外研究现状,研究了深度学习中卷积神经网络技术在传统虹膜识别技术中的应用,提升了虹膜识别技术的性能。其次利用卷积神经网络强大的特征提取能力与眼周识别相结合,进一步对传统虹膜识别进行优化。本文的具体研究内容如下:(1)将虹膜数据集中的虹膜样本进行定位分割,对分割后的虹膜进行归一化处理得到矩形的虹膜样本。利用卷积神经网络强大的特征提取能力将Inception V3网络模型应用到特征提取环节中,利用归一化后的虹膜图像数据训练网络模型。最后完成虹膜的分类识别。该模型在测试集中的识别准确率为98%。虽然该方案可以获得较高的识别率,但是依然需要严格的虹膜图像预处理过程。(2)针对进行预处理环节的问题,本文提出了基于Inception V3网络的眼周识别网络模型。与虹膜相比,整个眼周由睫毛,瞳孔,虹膜,巩膜组成。把含有虹膜信息的眼周输入到网络模型中,可以很好地解决虹膜图像的预处理问题。同时作为虹膜识别的重要补充,可以弥补非合作情况下虹膜图像失效时带来的问题。在测试集中的识别准确率为98.5%。实验结果表明该方案可行,但是考虑到应用于移动端,训练得到的网络模型所占内存过于庞大。(3)针对训练模型过于庞大的问题,本文最后提出了基于轻量化模型的虹膜眼周的识别方案。应用轻量化模型训练得到的模型大小为24184KB,比传统卷积神经网络网络训练得到的模型小3.8倍。同时在测试集中的识别准确率为98.2%。该方案在缩小模型体积的同时保证了虹膜识别的准确率。最后将本文所提方案和其他虹膜识别方法进行对比,识别率有所保证的同时又具有良好的泛化能力和鲁棒性,特别是可以识别不同角度的图像样本。具有很好的研究和应用价值。