深度学习在虹膜识别中有哪些应用？上下两个博客
上：https://zhuanlan.zhihu.com/p/42697217
生物识别技术的发展趋势有多模态生物识别，生物防伪，深度学习技术的应用等。
传统：
虹膜图像获取。
虹膜图像质量评价。
虹膜图像预处理。
虹膜特征提取和特征匹配。
虹膜识别具有稳定性、唯一性、非接触、活体识别的特点，
传统算法的困境：
传统虹膜识别算法存在如下问题：用户主动配合度极高，需要按照指示进行识别，用户体验很差。
深度学习的解决方案：
相对于传统的特征识别算法，深度学习的最大优势是其在提高了识别精度的前提下，还提高了模型对图像噪声的鲁棒性和泛化能力。深度学习技术的引入，使得虹膜识别系统对图像质量的要求没有传统算法那么严苛，深度学习是数据驱动的识别过程，通过加入眼睛偏斜、姿态变化、带有噪声的图像数据样本，使得模型能够识别出这些状态下的虹膜特征，从而又提高了用户体验。
下：https://zhuanlan.zhihu.com/p/42699458
虹膜识别的应用场景如上。
在传统算法下，虹膜识别有很大的技术难点。
比如：瞳孔形状非正圆、用户配合度要求高（位置、姿态）、图像模糊、光照强度和明暗变化、瞳孔尺度变化、睫毛头发遮挡等
①针对图像模糊、光照强度和明暗变化、用户配合度（位置、姿态）的问题，现有的解决方案是通过深度学习人脸库预训练和数据增强（模糊图片和光照变化图片），深度学习检测方法和利用MTCNN网络进行虹膜检测。
②针对虹膜非正圆（天然非正圆/用户斜眼）、尺度变化（瞳孔大小）的问题，我们尝试深度学习语义分割方法、公开数据集预训练、训练时加入多尺度方案（Atrous卷积、FCN网络结构）进行虹膜分割。
针对多尺度变换的解决方案通常有下面四种：影像金字塔、U-Net结构、atrous convolution和SPP结构
虹膜分割中遇到的难点主要有两个：尺度变换和小物体（睫毛）分割，针对主要问题，本项目采用FCN结构和deeplab分割算法进行虹膜分割。
Atrous convolution, 扩大了感受野，同时提高了特征的分辨率。
总结：：：：
FCN结构的优势：
小物体分割
全分辨率
速度
Deeplab结构的优势：
细节保持能力（虹膜边缘）
降采样8倍
精度
③针对非正圆、光照不均、明暗变化、用户姿态变化等问题，通过分割结果制作Mask掩膜、
全局直方图均衡改为局部直方图均衡、特征比对时加入旋转变化进行特征提取。
虹膜分割后，由于是环形区域，需要转化为矩形区域，以方便后续gabor算子进行特征提取。
特征提取方法使用了双频率的gabor算子，通过调整频率和标准差参数，获取最佳的识别效果。
后续发展方向——数据采集系统
虹膜识别本质是识别虹膜纹理细节特征，因此对于整个采集系统及用户配合度要求较高，其中采集系统成本与用户配合度呈负相关，用户体验是否足够好主要体现在：
使用距离
如果要做到较远（>0.5m）的识别距离，需要至少500万的分辨率和大焦距（16mm以上）的镜头，而此时的景深又比较小，即需要用户需要在相对固定的识别距离才能达到好的性能。如果要求更远的距离，需要深度定制或者使用双相机方法。
用户配合程度
主要包括是否需要静止不动和是否需要用户保持某个姿态。
是否需要静止不动：这个主要影响因素为相机帧率，即小帧率会造成严重的运动模糊
是否需要保持姿态：这个主要影响因素为成像角度，即光源与相机的角度关系，怎样做到用户任何姿态都不会在虹膜上形成大光斑是个待解决问题。
而在数据处理系统上，
在分割正确的情况下，非正圆（天然非正圆/用户斜眼造成的畸变等）虹膜的归一化方案急需解决（归一化问题）；
由于虹膜数据的特殊性，特征提取步骤没有使用深度学习方法，因此算法的泛化能力很差（特征比对问题）；
异质图像问题，即质量差异较大的图像间识别会不会存在问题，造成异质图像的原因主要为（1）采集设备间参数差异较大；（2）采集光照条件差异较大，如室内注册，户外强光下识别。
上面这些问题都很值得思考，！！！