人體特徵識別方法，也叫生物特徵識別方法，是指利用人的獨特的生理及行為特徵進行鑑別的身份驗證的技術手段。它的產生及發展源於人們在邁進數字時代的過程中對身份驗證方法的準確性與便捷性不斷提高的需求。傳統的身份驗證方法主要包括身份標誌物（如鑰匙、證件等）以及身份標誌信息（如帳號、密碼等），或者以上二者的結合（如銀行卡等）。人們在使用過程中發現，他們都存在著共同的缺點：易於遺失和偽造。而且傳統的身份驗證系統並不能有效的識別持有這些身份標誌事物的人是否是真正的擁有者。因此，一旦被冒充，真正的擁有者將遭受極大的損失。因此，人體特徵識別方法作為一個更加有效的解決方案逐漸得到廣泛應用。
人體特徵的鑑別方法有很多種。在所有生物特徵中，指紋相對穩定但錄取指紋不是非侵犯性的。臉像特徵具有很多優點（如主動性、非侵犯性和用戶友好等），但臉像隨年齡而變化，而且容易被偽裝。聲音特徵具有與臉像特徵相似的優點，但它隨年齡、健康狀況和環境等因素而變化，而且說話人識別系統也容易被錄音所欺騙，容易被偽造。虹膜特徵識別解決了這些問題，還具有上述其他生物特徵所不具備的一些優點，故近年來虹膜識別技術被認為是最有前途的生物識別技術之一。
虹膜識別技術的一般過程
虹膜識別技術的過程一般來說分為：虹膜圖像獲取、圖像預處理、特徵提取和特徵匹配四個步驟。
虹膜圖像獲取是指使用特定的數字攝像器材對人的整個眼部進行拍攝，並將拍攝到的圖像通過圖像採集卡傳輸到計算機中存儲。
圖像預處理是指由於拍攝到的眼部圖像包括了很多多餘的信息，並且在清晰度等方面不能滿足要求，需要對其進行包括圖像平滑、邊緣檢測、圖像分離等預處理操作。
特徵提取是指通過一定的算法從分離出的虹膜圖像中提取出獨特的特徵點，並對其進行編碼。
最後，特徵匹配是指根據特徵編碼與資料庫中事先存儲的虹膜圖像特徵編碼進行比對、驗證，從而達到識別的目的。
獲取眼部圖像
本文的虹膜圖像攝取裝置如圖1所示，採用的是卓為（SOVIC）SP-313 攝像頭。該攝像頭採用的是最新CCD效果的CMOS感光晶片，圖像解析度為 35萬像素（640480 無軟體插值），內置低照度的輔助光源，能最大限度減少對人眼的刺激，使用時配以人工暗室，使人的眼部圖像更清晰、明亮。圖2是本設計採用的攝像頭獲取到的人眼部圖像。
圖1 虹膜圖像攝取裝置
獲取到圖片數據後，只需要將其按照一定的圖片格式寫入文件，即可完成需要的眼部圖像在計算機中的存儲。本文程序中採用的是BMP格式的圖像文件，因為BMP圖像文件存儲的圖像數據沒有經過壓縮，方便以後對圖像進行的預處理。
圖2 人的眼部圖像
眼部圖像的預處理
BMP圖像文件格式主要有1、4、8、16、24和32位等圖像格式。32位BMP圖像文件格式表示該圖像有232種顏色，圖像中的每個像素用32位表示，一般情況下該文件格式沒有調色版，32位中的最高8位保留，其餘8位表示紅色，8位表示綠色，8位表示藍色。8位BMP圖像文件表示該圖像有256種顏色。圖像中的每個像素用8位表示，並用這8位作為索引在彩色表中查找該像素的顏色，8位BMP圖像一般也叫做灰度圖像。
在本文獲取到的圖像是32位的彩色BMP圖像。32位的彩色圖像存儲的圖像色彩數據較多，圖像文件的尺寸也較大。但是從本文圖像識別的要求來看，這些都是不必要的，因此有必要將其轉換為8位的灰度圖像。
轉換公式如式（1）所示。
（1）
其中Gray (i, j)為轉換後的黑白圖像在(i, j)點處的灰度值，由於公式中綠色所佔的比重最大，所以轉換時可以自接使用G值作為轉換後的灰度。轉換後的灰度圖像如圖3所示。從圖像上看與 32 位RGB 圖像沒有大的不同，但是圖像文件的尺寸從1.17Mb縮小到了301Kb。
圖3 人眼部圖像的灰度圖像
將獲取到的眼部圖像轉換為灰度圖像之後，還需要對灰度圖像進行去噪聲處理。本文採用的是空域法中的加權均值濾波，它是用一個有奇數點的滑動窗口在圖像上滑動，將窗口中心點對應的圖像像素點的灰度值用窗口內的各個點的灰度值的平均值代替，如果滑動窗口規定了在取均值過程中窗口各個像素點所佔的權重，也就是各個像素點的係數。
提取虹膜圖像
此過程需要讀取眼部圖像的數據，檢測虹膜圖像的內外邊緣，提取內圓圓心坐標及短半徑，再求出虹膜長半徑，建立極坐標系，分離虹膜圖像，最後進行特徵提取。
和眼睛的其他部分相比，瞳孔的灰度值要小得多，也就是顏色要暗得多，而且在灰度級上有一個明顯的突變，也就是說在瞳孔的灰度級要比其他部分的灰度級「黑得多」。因此，可以充分利用這個特性，對圖 2進行直方圖分析，結果如圖 4所示。
圖4 灰度直方圖
對圖4計算結果可以得出，圖像灰度值從 62 開始，且圖中存在若干個峰值點。我們已知瞳孔的顏色最暗，因此可以判定第一個波峰為瞳孔的灰度分布。具體觀察第一個峰值，其基本呈正弦函數狀分布，以 72 為波峰（值：884），左側 62（值：0）為波谷，1/4 周期為 10。據此，我們確定右側的波谷為 82。根據分析結果，對圖 4進行二值化，閾值為 82，可以求出虹膜的長半徑，如圖5所示。
圖5 虹膜長半徑
對圖1的圖像數據，從左右順次、從上至下掃描每個像素點，根據式（2）計算每個像素點與圓心的距離。
（2）
其中，dist為距離，（x,y）為掃描點的坐標值，（Xpos,Ypos）為虹膜圓心的坐標值。保留所有小於等於虹膜長半徑或大於等於虹膜短半徑的像素，其餘設像素值為0（即標為黑色）。保留的環形部分即為截取到的虹膜圖像部分，如圖6所示。
圖6 環形的虹膜圖像部分
為了提取虹膜圖像的特徵值，建立一個特徵矩陣數組，X、Y 值與上一步中的矩形數組一致，用來存放相應的特徵值。這些值對於虹膜圖像中的每一個像素點來說都是其獨有的、能對其進行唯一標誌的值，因此都可以作為特徵值來利用。本文中提取的是每個像素點的二導函數作為其特徵值，因此在本步驟中可以直接將其讀入到特徵矩形數組中。
特徵匹配
本文採用海明距（Hamming Distance）進行特徵匹配。海明距最初為了解決通信中存在的誤碼問題而發明的。簡單來說，它是指同樣長度的兩個碼中，對應位不同的碼的個數。比如：10101 和 00110，海明距為3。式（3）為海明距定義的公式。
（3）
其中Ai和Bi為待比較的兩端代碼，+為異或運算，L為代碼的長度。
將兩幅虹膜圖像的特徵編碼進行按位比較時，同一虹膜的不同時間提取的特徵碼，其 HD 分布的峰值將在 0.1 附近；而不同虹膜的特徵碼進行比對時，HD 分布的峰值將在 0. 5 附近。這裡所說的分布的峰值是按位比較時，兩段特徵編碼相應位相同的概率的最大值。因此，對已經得到的虹膜圖像特徵矩陣數組，首先要從中隨機的選擇一段 L 長度的代碼（二進位），即隨機選擇代碼段的起始位置。這裡要注意的是，對於待識別的兩段代碼，起始位置要儘量一致。L 的值可隨意設定，但 L 的值越大，匹配的時間越長，速度越滿，識別的精度越高，匹配的正確率越大；反之，L 的值越小，匹配的時間越少，速度越快，識別的精度越低，匹配的正確率越小。本文中 L 的值設為 2048。
結果分析
精確性是最重要的一個性能指標，一般用識別率來表示，主要由拒判率、誤判率和等誤率來測定。
拒判率 FRR：也稱錯誤拒讀率或稱錯誤不匹配率，表示授權人（合法的用戶）不被準確承認（誤認為冒名頂替者） 的程度。FRR 越大，系統越精確，安全性也越高，但寬容度越來越低，致使越來越多的合法用戶被系統錯誤的拒絕。反之授權人越容易通過，未授權者也變得容易混入。FRR 實際上也是系統可接受性的重要指標。
誤判率 FAR ：也稱錯誤接收率或稱錯誤匹配率，表示未授權的人（冒名頂替者）被確認成授權人（有效的個體）的程度。FAR 的值越小，說明未授權的人越無法通過，系統越安全。但是，授權人的通過將變得越發困難。如在對安全有嚴格要求的應用領域，可以運行在很小的 FAR 上。FRR 和 FAR 之間的關係如圖 7 所示。
圖7 拒判率和誤判率之間的關係
實驗結果表明，本文所設計的系統在精確性、識別速度上滿足了實用的要求。