周锐烨，沈文忠

上海电力大学 电子与信息工程学院，上海 201200

近些年来，生物特征认证技术快速发展。虹膜纹理由于其唯一性、极高的精度和稳定性、非接触性以及防伪性，在众多生物特征认证技术中脱颖而出，受到广大用户的青睐，具有很好的应用前景[1]。一个完整的虹膜识别过程包括虹膜图像质量评估、虹膜分割、归一化、特征提取和匹配等步骤[2]。其中虹膜分割是指在采集到的包括众多噪声的眼睛图像中准确找出虹膜区域。虹膜分割是整个虹膜识别过程中最关键的一步，对后续步骤的影响极大，也影响了整个虹膜识别系统的准确率。

传统的虹膜分割算法主要利用虹膜边界的梯度变化来确定虹膜边界。基于图像梯度的虹膜分割算法在理想状况下往往能取得好的分割效果，但是在非理想状况下，如采集到的图像虹膜区域与非虹膜区域的对比度不强时，传统算法的分割效果往往很差。在实际应用场景，采集到的虹膜图像不仅包括虹膜区域，还包括睫毛、眼睑、光斑等噪声干扰，传统的虹膜分割算法容易受到这些噪声的影响，从而对虹膜区域进行错误的分割，导致后续虹膜识别步骤出现错误。

近年来，深度学习蓬勃发展，在许多领域的表现都十分优秀。研究人员们开始将深度学习应用于虹膜分割领域，并取得了显著的效果，有效地解决了由于采集到的虹膜图像亮度、对比度等的影响而导致算法对虹膜区域进行错误分割的问题，提高了算法的鲁棒性。……