相较于其它生物特征识别技术,虹膜识别在唯一性、稳定性、非侵犯性和高防伪性等方面的优势更为突出,受到学术界和工业界的广泛关注,在军事、安防、电子商务等领域有着广阔的应用前景。本文针对虹膜识别设备研发和产业化过程中遇到的实际问题,对基于Gabor滤波的虹膜特征表达和识别方法展开了深入的研究,在Gabor滤波器组的构建和参数选择、虹膜特征提取、虹膜区域纹理分析、特征融合,以及多模态生物特征识别等方面进行了有效的改进与创新,取得了预期的效果。本文主要研究内容和研究成果如下:(1)应用二维Gabor滤波器进行特征提取时,不同的特征表述形式反映了虹膜纹理的不同特性,相应的滤波器组的构造方式和参数选择方法也不尽相同。本文以不同滤波方向上虹膜纹理的能量分布作为特征,构建了一个多通道二维Gabor滤波器组。在对滤波器组的频率、尺度和方向等参数进行了详细分析的基础上,提出了一种基于虹膜能量方向特征(Energy-Orientation Feature,EOF)的滤波器参数选择方法。在多个虹膜图像库上的测试结果证明,本文提出的EOF特征不仅具有较高的可区分性,还兼具幅值特征和方向特征的优点,即特征分布平滑,不会出现栅格状的边缘点,同时对光照变化也不敏感。(2)针对基于圆形作用域的Gabor滤波器组,无法对图像进行可变比例的多尺度分析的不足。本文提出了一种基于虹膜多扇区纹理特征和加权融合的虹膜识别方法,该方法首先根据眼睑、睫毛等遮挡的分布规律,构建不同的扇形感兴趣区域(Sector Region of Interest,SROI),并对每个SROI的归一化尺寸进行寻优,避免EOF特征提取方法陷入局部最优。然后应用二维Gabor滤波器组,对最优尺寸下的虹膜图像进行EOF特征提取。最后,将所有EOF特征进行加权融合形成多扇区特征编码,并采用海明距离进行特征匹配。在CASIAV1.0和JLU3.0虹膜库上的实验结果表明,归一化尺寸寻优有效地提高了EOF特征的可区分性,多扇区特征融合可以进一步提高识别系统的准确性和鲁棒性,尤其是当虹膜图像遮挡较为严重时,提升幅度更为明显。(3)为了缩短特征提取时间和提升EOF特征的可区分性,本文提出了一种基于能量方向直方图特征(Energy-Orientation Histogram Feature,EOHF)的虹膜识别方法。该方法首先采用多方向、单尺度的Gabor滤波器组取代多方向、多尺度滤波器组进行EOF特征提取,以减少特征提取时间和缩短特征编码长度。然后通过直方图变换将逐点匹配的EOF特征,转化为逐块比对的EOHF特征,最后采用欧式距离进行特征匹配。实验结果表明,EOHF特征较EOF特征具有更高的可区分性,受局部噪声的影响也更小。由其构成的识别算法用时少、精度高,完全可以满足实时虹膜识别系统的要求。(4)针对EOHF特征的可区分性会随着样本数量的增加而降低的问题,本文提出了一种基于局部纹理特征的虹膜二次识别方法,该方法将EOF特征提取和直方图变换一分为二,分别置于首次识别和二次识别两个处理过程中。在首次识别阶段,对所有样本进行EOF特征提取和粗分类。在二次识别阶段,对首次识别后剩余的错分样本进行直方图变换和EOHF编码。由于错分样本的数量远远小于样本总数,样本规模不再直接作用于直方图变换过程,有效地降低了样本数量激增对EOHF特征的影响,保证了二次识别的精度。(5)目前,对多模态生物特征识别技术的研究多集中在基于匹配层融合的身份认证,而对于灵活性更高、应用领域更广的特征层融合识别方法的研究却相对较少。究其主要原因,是特征层融合对所提取特征的性能和形式都有着极为严苛的要求,不但要求所提取到的所有单模态特征都具有较高的可区分性,而且还要确保这些特征是同质和可比较的,而匹配层和决策层融合对后者没有要求。针对上述问题,本文提出了一种基于特征层融合的人脸-虹膜多模态生物特征识别方法。该方法通过构建通用的人脸和虹膜特征提取模型,实现了同质且高效的单模态人脸和虹膜特征表述。通过基于Multi-PCA和SVM的融合识别策略,实现了高精度的一对多模式的身份识别,突破了Gabor滤波器无法进行人脸和虹膜特征层融合的限制。实验结果表明,本文所提出的方法不但能够有效地提取人脸和虹膜特征,而且通过特征层融合还能够获得更高的识别精度。与其它融合方法相比,本文方法在识别精度和识别模式上都有着明显的优势。