传统虹膜识别系统及问题
➤ 虹膜识别一般有两个流程 ，分别是身份注册和身份识别：
➤ 完整的虹膜识别系统 由采集虹膜图像的设备和提取虹膜纹理特征的识别算法组成。其中算法包括虹膜图像质量评价、虹膜图像预处理、特征提取和模式匹配等环节。
传统虹膜识别技术存在的问题：
解决方案
➤ 虹膜检测 ：针对图像模糊、光照强度和明暗变化、用户配合度（位置、姿态）等问题，拟采用 深度学习人脸库预训练、数据增强方法（模糊图片和光照变化图片），提高检测性能。具体解决方法为用 MTCNN 网络，利用多级检测的策略来完成虹膜检测 。MTCNN 的网络结构如下图所示：
P-Net 用来生成候选窗和边框回归向量，并使用非极大值抑制（NMS）合并重叠框叠的候选框，将通过 P-Net 的候选窗输入 R-Net 中，拒绝掉大部分 false 的窗口，继续使用 Bounding box regression 和 NMS 合并，最后使用 O-Net 输出最终的虹膜框。
➤ 虹膜分割 ：针对虹膜非正圆（天然非正圆/用户斜眼）、尺度变化（瞳孔大小）等问题，拟采用 深度学习像素级分割，训练时加入多尺度方案等手段，提高分割性能。具体方案为 Deeplab 像素级分割方案、Atrous 卷积、SPP 层和金字塔训练策略（解决多尺度） 。
Atrous convolution, 即 dilated convolution, 它通过移除最后几层的下采样操作以及对应 filter 核的上采样操作，来提取更紧凑的特征，相当于在不同的 filter 权重间插入 holes。
Deeplab 的网络结构为：
ASPP 采用四个并行的不同 atrous rates 的 atrous convolutions 对 feature map 进行处理，类似于金字塔网络，增加多尺度物体的泛化性。
整个网络通过 atrous convolution 后，在通过 ASPP，并整合 Image Pooling 层带来的全局信息，最终上采样到原始图像大小，得到分割结果。部分结果如下：
➤ 特征比对 ：针对非正圆归一化、光照不均、明暗变化、用户姿态变化等问题， 拟采用分割结果的 Mask 掩膜、全局直方图均衡改为局部直方图均衡等方法，提高特征比对性能。具体解决方法为根据分割结果制作掩膜、特征比对时加入旋转变化 。比对结果如下：
近年来，虹膜识别技术发展迅速，但在应用层面还有一些亟待解决的问题，欢迎有兴趣的伙伴一起来探讨。
