为提高虹膜定位的准确性与实时性, 提出了基于二次圆周补偿的虹膜边界定位算法。所提算法以近似半径补偿与近似圆心补偿为核心, 对虹膜内及其外边缘进行定位。定位内边界时, 利用最小灰度均值法进行粗定位, 并在提取内边缘图像后采用近似圆心补偿法进行细定位; 定位外边界时, 采用近似半径补偿法进行粗定位, 再根据近似圆心补偿法进行细定位。实验结果表明, 从CASIA虹膜库中随机选取了2000张不同虹膜图像进行了验证, 算法平均定位时间为0.29 s, 定位准确率为98.1%。所提算法在准确度与实时性方面都较对比方法有所提高。

提出了一种改进的粒子群优化算法(IPSO)来解决虹膜定位问题。该算法采用两种速度更新策略来增强种群多样性并提高算法自身的收敛速度, 并提出一种变异操作以阻止IPSO陷入局部最优。对虹膜内进行边缘定位时, 通过搜索6条直线与虹膜内边缘的交点来获得12个边缘点; 另外建立了与这12个点有关的目标函数, 并用IPSO来优化该函数。根据IPSO在该函数上的应用, 找到一个最合适的圆来拟合虹膜内边缘。进行虹膜外定位时, 设计了一个模板来提取虹膜外边界, 然后从外边界中选择12个边缘点, 并同样使用IPSO找到一个最合适的圆来拟合虹膜外边缘。为了验证基于改进粒子群优化算法的虹膜定位方法(ILA-IPSO)的性能, 从中国科学院自动化研究所的数据库中选择了不同个体的108幅虹膜图像。实验结果表明, ILA-IPSO算法要好于其它两种方法, 该算法利用最少的定位时间获得了最高的成功率。

针对非圆虹膜定位困难的问题，本文提出了一种基于线性基函数模型的虹膜定位算法。该算法将虹膜定位问题看作从虹膜边缘点求虹膜边缘曲线的机器学习问题，先粗定位找到边缘点，再建立线性基函数模型从边缘点求得边缘曲线，从而实现了虹膜的精确定位。与传统的虹膜定位算法相比，所提算法能很好的定位非圆虹膜，而且花费时间只有极少的增加。在CASIA 3.0 虹膜数据库上的仿真实验表明，所提算法定位准确率达到99.92%，定位时间只增加了1 ms，具有良好的实时性。

针对虹膜定位易受噪声影响、速度慢、自适应性差等问题，提出了基于迭代圆环像素率法的快速虹膜定位算法。提出的定位算法包括切割虹膜图像、Hough圆检测粗定位、微积分算子精定位3个部分，从切割虹膜图像、图像抽样、迭代圆环像素率法、快速Hough圆检测以及分层定位思想5方面提高算法的速度。提出了缩小半径范围的迭代圆环像素率法以及消除瞳孔光斑的形态学方法，瞳孔分割阈值以及小范围的圆心、半径候选集等参数都是通过计算得到，自适应性好。使用4个虹膜数据库进行实验，并与相近算法进行了对比。实验结果表明，该算法的定位准确率为97.75%～99.07%，定位时间为52.847～158.502 ms，是一种鲁棒、快速、自适应的虹膜定位算法。

提出了一种基于小范围边缘区域搜索的虹膜定位算法。首先，利用瞳孔的灰度特征对虹膜图像进行二值化及形态学处理，结合对原虹膜图像的Sobel 检测结果得到部分虹膜内边界；然后利用Canny 算子结合虹膜的几何特征划分出一小范围的外边缘待搜索区域。在待搜索区域中，利用本文根据大量实验提出的虹膜外边界五个特征来确定部分虹膜外边界，最后用最小二乘法来进行内外边界的拟合，从而定位虹膜。实验结果表明，该算法性能稳定，搜索范围小，定位速度大幅提高，且对不同质量的虹膜图像均取得很好的定位效果。

虹膜定位算法是虹膜识别的关键步骤之一,定位的速度和准确度是衡量虹膜定位算法优越性的标准。本文根据瞳孔区域独特的灰度特征提出了一种快速虹膜定位算法,即先粗定位瞳孔区域,再利用形态学和几何学方法精确定位瞳孔,最后利用微分积分算子在瞳孔定位后分割的区域内进行外圆定位,对中科院虹膜库Version 1.0 中的756 幅图像进行定位,准确率达到98.80%,平均定位时间为1.5 s,比直接应用Hough 变换定位虹膜在速度上有了很大提高。

虹膜定位是虹膜识别过程中的重要环节,定位速度和精度决定了整个虹膜识别系统的性能。提出了一种基于人眼灰度分布特征的虹膜定位算法,该算法利用形态学运算实现瞳孔圆心粗定位,采用划分区域求灰度均值隔项差值最大值的方法实现外圆半径的粗定位,并通过分层聚类的方法实现内外边界的精确定位。实验结果表明,与经典的虹膜定位算法如Wildes算法、Daugman算法相比,该算法定位结果更加准确,定位速度大幅度提高。

本文提出了一种新颖的虹膜图像预处理方法，该方法打破了传统的定位思想，并且将噪声检测的过程由空间域转到频域来完成。首先，在原始图像上填充瞳孔内的光斑；其次，将人眼图像展开成矩形，在矩形图像上以点线检测代替传统的圆检测确定虹膜的内外边界，并进行归一化；最后在归一化后的虹膜图像上利用2D-Gabor滤波器的方向选择性检测眼毛和眼睑，标记干扰区域。实验证明，该方法可以解决内边界不是理想圆造成的瞳孔遗留或纹理损失问题，而且显著降低了虹膜定位时间，提高了虹膜识别的准确性。

传统的虹膜定位方法是在人眼图像上把虹膜轮廓当作理想圆来提取。针对虹膜内边界不是理想圆, 外边界边缘模糊等问题, 提出一种新的虹膜轮廓提取方法。先利用极坐标变换将包含全部虹膜区域的某个范围展开成矩形形状, 然后在此矩形区域上根据灰度的阶跃进行虹膜真实内边界的查找, 最后在矩形区域上利用直线定位虹膜外边界代替在人眼图像上利用圆定位外边界。该方法不仅解决了内边界不是理想圆造成的瞳孔遗留或纹理损失问题, 而且以点、线检测代替圆检测显著降低了虹膜定位时间。通过对CASIA-IrisV3虹膜图像库进行定位测试结果表明, 该方法平均定位时间0.172 s, 定位准确率99.35%。

为了提高虹膜定位算法的抗干扰能力,本文提出了一种基于虹膜边缘识别的虹膜定位算法。该算法应用图像几何矩函数提取虹膜内外边缘的特征,通过由支持向量机(SVM)训练的分类器进行虹膜边缘点的识别。最后由Hough变换对识别的结果进行参数求解并实现虹膜的定位。本算法经过了CASIA虹膜图形库的实验验证,仿真实验数据表明所提算法不仅具有较快的定位速度和较高的定位成功率,而且性能稳定。