如今,随着信息时代的飞速发展,人类社会中越来越离不开身份的识别和认证,对身份认证的便捷性、准确性、安全性、可靠性也提出了更高的要求,在这种需求和计算机技术发展下,虹膜识别技术应运而生,并且在近些年不断发展进步。高效率识别是虹膜识别领域一直追求的目标,也是这个时代对虹膜识别提出的要求。为提高识别速度和保证正确识别率,本文采用径向折叠分块、环向周期分块后进行一维haar小波变换的方式提取低维度的虹膜特征,结合BP神经网络进行模式匹配。本文主要工作包括以下4个方面:(1)在特征提取方面摒弃了传统方法直接对虹膜的增强图像进行某种变换的方式,而是首先对增强图像进行径向折叠划分、环向周期划分,再进行变换,目的是降低虹膜特征维度,同时降低虹膜区域对噪声的敏感性,并且保证虹膜的周期不变性和有效特征不被中和。(2)对分块计算后的图像矩阵进行周期延拓的一维haar小波变换提取高频信息,周期延拓的目的是克服虹膜识别中对人眼旋转的敏感性,而小波变换后的高频部分能很好的保留了信号的细节变化特征。(3)为验证本文提出的分块方法和小波分解特征选取的有效性,本文采用传统的过零检测方式进行特征编码,利用Hamming距计算相似度,分别统计分块与不分块及不同分块、不同小波分解层数的可区分度值作为评价指标。最后得到最优划分方式和最佳分解层数,并计算出此时的正确识别率、错误拒绝率、等错率随阈值变化的曲线及类内、类间分度统计图。(4)为进一步提高虹膜识别正确率,本文在模式匹配阶段引入BP(Back Propagation)神经网络分类方法。采用机器学习中的BP神经网络算法对虹膜特征模板库进行学习,利用训练得到的分类器进行分类,可以避免所有特征点对识别结果都具有相同影响的弊端。本文首先设置BP神经网络的超参数,将虹膜库训练集的haar小波变换后的高频信息直接作为BP神经网络的输入进行训练得到分类器,使用预先划分的测试集测试模型的正确识别率。本文的实验数据在验证特征有效性阶段和验证BP神经网络分类效果阶段使用的数据库是实验室自主研发的吉林大学第四代虹膜库:JLU-4.0;为保证对比结果的可靠性,与其他算法对比时分别使用CASIA-Iris-V3.0的Iris-Interval子库和JLU-4.0虹膜数据库。综上所述,本文提出了一种基于分块的预处理方法,降低图像矩阵的维度,通过周期延拓的小波变换提取特征,最终通过使用BP神经网络解决多分类问题,提高正确识别率。