基于生物特征的身份鉴别技术己被广泛应用于支付、边防、取证、存取控制等领域。由于虹膜具有唯一性、稳定性、大容量、防伪性、可非接触获取等特点,虹膜识别被认为是仅次于DNA识别的身份鉴别技术。对比指纹识别,虹膜识别更方便、具有更强的防伪性;对比近年热门的人脸识别,虹膜识别具有无可比拟的可靠性和和稳定性。因此,自上世纪90年代以来,虹膜识别系统应运而生。虹膜识别系统大都遵循Daugman提出的四步模型,即虹膜分割、归一化、特征提取和特征匹配。早期的虹膜识别系统主要基于传统的手工特征提取。这些系统在虹膜图像存在反光、镜框干扰、远距离拍照、模糊等情况时,识别准确率不高。提高系统的泛化能力成为虹膜识别技术发展的关键。随着深度学习在计算机视觉领域的成功应用,2015年以来,深度学习被应用于虹膜识别。特别是2017年Z.Zhao等人提出的UniNet架构在ND-IRIS-0405、CASIA-V4-Distance、ITTD和WVU Non-ideal数据集上取得了迄今最优的结果。本文应用深度学习开发虹膜识别系统,主要工作有:1.虹膜分割受人脸检测MTCNN模型的启发,设计了一个级联卷积神经网络(Cascaded convolutional network),用于虹膜分割。实验表明:该模型获得了极佳的分割效果,适用于存在遮挡、模糊、反光和镜框干扰等情况的虹膜图像,且可以检测图像中的多个虹膜。2.虹膜特征提取鉴于全卷积网络(Fully convolutional networks,FCN)输出的特征图能保持空间信息这一特点,选择基于UNet的全卷积架构,并使用三元组损失(Triplet loss)训练网络。该网络基于半监督方式同步生成特征图的蒙版(mask),而UniNet需要额外有监督地训练一个MaskNet,用于蒙版生成。所开发的系统在CASIA-V4-Thousand上训练后,未经微调即能在其他数据集上获得很高的准确率。在CASIA-V4-Distance、ITTD这两个数据集的跨数据集测试中,我们的算法精度超越UniNet的CrossDB模型。表明该系统准确率高、泛化能力强,已达实用水平。