CN104166848A - 一种应用于虹膜识别的匹配方法及系统 - Google Patents

Abstract

本发明涉及一种应用于虹膜识别的匹配方法及系统，与已公开的算法不同，本公开算法对log-Gabor滤波器滤波器输出的幅值和相位都进行了编码，这可以增加分类器的置信水平从而提高匹配过程的稳定性；利用一个二值分类器来判断两个编码是否源于相同的人眼，该二值分类器从离线的相位编码得到多级置信值；每次对两个编码进行匹配时，根据它们的幅值元素，我们从置信值集中选择一个最适合的值；这点是本算法与现有算法(对所有的模板中对采用单一的置信水平)最本质的区别。采用这种方法，本算法对不同的编码对匹配时会自调整，使得分类的性能更好。

Description

一种应用于虹膜识别的匹配方法及系统

技术领域

本发明涉及一种应用于虹膜识别的匹配方法及系统，属于虹膜生物识别技术领域。

背景技术

生物识别是用生物特征识别个人身份的一种技术。生物特征包括指纹、手形、视网膜、虹膜、脸等形体特征以及签名、声音、步态、击键等行为特征。在这些生物特征中，虹膜识别是最有发展潜力的技术之一。由于其精确、稳定、可靠、安全的独特性，预计到2020年，虹膜识别将成为最常用的身份识别技术。

虹膜是位于角膜和晶状体之间的薄薄的一圈括约肌，它有多层结构：最底下的是含有很多色素细胞的上皮层；位于上皮层上部的是含有血管，色素细胞核肌肉的基质层，基质色素的密度决定了虹膜的颜色；外部可见的虹膜有两个不同的区域：外部睫状区和内部瞳孔区，这两个区域通常颜色不同，并且被睫状区分开，显现出纹理图案。每个人的虹膜纹理都是不同的。

自1985年以来，基于个体虹膜生物特征的身份识别技术和方法相继在不同的文献中被报道(1992年DAUGMA；1997年WILDES；2002年HUANG，LUO等；2002年MA等)，这些技术和方法的主要区别在于：

图像预处理和图像增强算法；

图像中感兴趣区域的分割算法；

特征定义及其提取过程；

匹配方法；

识别过程大体上分为以下几个过程：首先，获取人眼图像。然后分离出人眼，再用复杂的图像处理算法定位出虹膜的内外边界。另外，采用去噪算法去除图像中的眼睑、眼睫毛和反光点，从而去除其对编码分析的影响。一旦虹膜被定位分割出来，就用数学算法对其进行编码，该编码保存了虹膜独特的特性。虽然在不同的时间和不同的条件下，任何两幅图像都不会完全相同，该算法能验证出这两幅虹膜图像是否属于同一个人。

在这些步骤中，虹膜的编码与匹配时虹膜识别中重要的一步，编码是指将输入图像的虹膜纹理特征用计算的方式合适的表示出来，这样计算机才能对虹膜进行对比匹配操作。

ground-truth表征集是专有名词，在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类；ROC曲线是专有名词，受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

发明内容

本发明所要解决的技术问题是提供一直稳定性高的应用于虹膜识别的匹配方法。

本发明解决上述技术问题的技术方案如下：一种应用于虹膜识别的匹配方法，具体包括以下步骤：

步骤1：加载一对完成编码的虹膜图像，获得一个虹膜图像表征集，所述虹膜图像表征集中包括多个图像表征；

步骤2：初始化虹膜图像表征集的偏移参数S；

步骤3：初始化虹膜图像表征集的描述符指数D；

步骤4：在当前的偏移参数S和描述符指数D下进行计算相似度，得到一个相似度；

步骤5：判断所有描述符指数D是否都已进行计算，如果是，执行步骤6；否则，将描述符指数D加1，执行步骤4；

步骤6：判断所有偏移参数S是否都已进行计算，如果是，执行步骤7；否则，将偏移参数S加1，执行步骤3；

步骤7：得到多个相似度，构成相似度集合，并得到最大相似度；

步骤8：根据最大相似度，动态加载对应图像表征个数的多个置信水平阈值；

步骤9：将每个置信水平阈值分别与其他所有置信水平阈值进行比较，判断是否有半数以上的置信水平阈值相同，如果是，执行步骤10；否则，执行步骤11；

步骤10：输出正匹配结果，证明两个虹膜图像属于同一虹膜，结束；

步骤11：输出负匹配结果，证明两个虹膜图像不属于同一虹膜，结束。

每对虹膜模板采用一个或多个特征来表征，每个特征对应一个置信水平，如果采用N个特征，那么就会有对应的N个置信水平，分别对N个置信水平比较，此时，当有N/2个及以上个数量的置信水平相同时，将这两个模板判断为正匹配，否则为负匹配。

本发明的有益效果是：本发明对log-Gabor滤波器滤波器输出的幅值和相位都进行了编码，这可以增加分类器的置信水平从而提高匹配过程的稳定性。利用一个二值分类器来判断两个编码是否源于相同的人眼，该二值分类器从离线的相位编码得到多级置信值。每次对两个编码进行匹配时，根据它们的幅值元素，我们从置信值集中选择一个最适合的值，本算法对不同的编码对匹配时会自调整，使得分类的性能更好。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤4中的相似度等于虹膜图像表征集中相同的图像表征的数量除以虹膜图像表征集中图像表征的总数量。

进一步，所述置信水平阈值由ground-truth表征集的ROC曲线的相等错误率决定的，每个错误率对应一个置信水平阈值。

ground-truth表征集是专有名词，在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类；ROC曲线是专有名词，受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

进一步，初始化偏移参数S是使偏移参数S＝0；初始化描述符指数D是使描述符指数D＝0。

进一步，所述步骤8中加载的置信水平阈值的获取方法包括包括以下步骤：

步骤a：下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；

步骤b：对所有编码进行傅里叶变换得到滤波器的参数集；

步骤c：对滤波器的参数集进行在预设取值中随机取值，得到新参数集；

步骤d:用新参数集对ground-truth的表征集中的所有编码执行log-Gabor变换得到新编码；

步骤e：将新编码一一进行(N:N)比对，统计新参数集下匹配阶段的性能，并得到对应新参数集的分类错误率；

步骤f：判断参数集的预设取值是否还有未进行取值的，如果是，执行步骤c；否则，执行步骤g；

步骤g：从所有新参数集中选出分类错误率最低的最优参数集；

步骤h：根据最优参数集得到对应的置信水平集，所述置信水平集中包含多个置信水平阈值，结束。

本发明所要解决的技术问题是提供一直稳定性高的应用于虹膜识别的匹配系统。

本发明解决上述技术问题的技术方案如下：一种应用于虹膜识别的匹配系统，包括加载模块、初始化模块、相似度模块、描述符判断模块、偏移参数判断模块、集合模块、动态加载模块和阈值判断模块；

所述加载模块用于加载一对完成编码的虹膜图像，获得一个虹膜图像表征集，所述虹膜图像表征集中包括多个图像表征；

所述初始化模块用于初始化虹膜图像表征集的偏移参数S；初始化虹膜图像表征集的描述符指数D；

所述相似度模块用于在当前的偏移参数S和描述符指数D下进行计算得到相似度；

所述描述符判断模块用于判断所有描述符指数D是否都进行计算，如果是，进入偏移参数判断模块；否则，将描述符指数D加1，返回相似度模块；

所述偏移参数判断模块判断所有偏移参数S是否都进行计算，如果是，进入集合模块；否则，将偏移参数S加1，返回初始化模块；

所述集合模块得到多个相似度，构成相似度集合，并得到最大相似度；

所述动态加载模块用于根据最大相似度，动态加载对应图像表征个数的多个置信水平阈值；

所述阈值判断模块用于将多个置信水平阈值相互进行比较，判断是否有半数以上的置信水平阈值相同，如果是，输出正匹配结果，证明两个虹膜图像属于同一虹膜；否则，输出负匹配结果，证明两个虹膜图像不属于同一虹膜。

本发明的有益效果是：本发明对log-Gabor滤波器滤波器输出的幅值和相位都进行了编码，这可以增加分类器的置信水平从而提高匹配过程的稳定性。利用一个二值分类器来判断两个编码是否源于相同的人眼，该二值分类器从离线的相位编码得到多级置信值。每次对两个编码进行匹配时，根据它们的幅值元素，我们从置信值集中选择一个最适合的值，本算法对不同的编码对匹配时会自调整，使得分类的性能更好。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述相似度模块中的相似度等于虹膜图像表征集中相同的图像表征的数量除以虹膜图像表征集中图像表征的总数量。

进一步，所述置信水平阈值由ground-truth表征集的ROC曲线的相等错误率决定的，每个错误率对应一个置信水平阈值。

ground-truth表征集是专有名词，在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类；ROC曲线是专有名词，受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

进一步，所述初始化模块中初始化偏移参数S是使偏移参数S＝0；初始化描述符指数D是使描述符指数D＝0。

进一步，所述动态加载模块中加载的置信水平阈值的获取系统，包括编码获取模块、傅里叶变换模块、随机取值模块、log-Gabor变换模块、比对模块、最优选择模块和置信水平模块；

所述编码获取模块用于下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；

所述傅里叶变换模块用于对所有编码进行傅里叶变换得到滤波器的参数集；

所述随机取值模块用于对滤波器的参数集进行在预设取值中随机取值，直到将所有预设取值进行取值，得到多个新参数集；

所述log-Gabor变换模块用多个新参数集分别对ground-truth的表征集中的所有编码执行log-Gabor变换得到多个新编码；

所述比对模块用于将多个新编码分别一一进行(N:N)比对，统计所有新参数集下匹配阶段的性能，并得到分别对应所有新参数集的多个分类错误率；

(N:N)比对是将所有编码的各种性能全部进行互相比对(比如说足球比赛，每一支队伍都要和所有其他队伍进行对决)，N:N比对能够得到最全面的信息集；

所述最优选择模块用于从所有新参数集中分类错误率最低的最优参数集；

所述置信水平模块用于根据最优参数集得到对应的置信水平集，所述置信水平集中包含多个置信水平阈值。

附图说明

图1为本发明所述的一种应用于虹膜识别的匹配方法流程图；

图2为本发明所述的匹配方法中加载的置信水平阈值的获取方法流程图；

图3为本发明所述的一种应用于虹膜识别的匹配系统结构框图；

图4为本发明所述的匹配方法中加载的置信水平阈值的获取系统结构框图。

附图中，各标号所代表的部件列表如下：

1、加载模块，2、初始化模块，3、相似度模块，4、描述符判断模块，5、偏移参数判断模块，6、集合模块，7、动态加载模块，8、阈值判断模块，9、编码获取模块，10、傅里叶变换模块，11、随机取值模块，12、log-Gabor变换模块，13、比对模块，14、最优选择模块，15、置信水平模块。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明所述的一种应用于虹膜识别的匹配方法，具体包括以下步骤：

步骤1：加载一对完成编码的虹膜图像，获得一个虹膜图像表征集，所述虹膜图像表征集中包括多个图像表征；

步骤2：初始化虹膜图像表征集的偏移参数S；

步骤3：初始化虹膜图像表征集的描述符指数D；

步骤4：在当前的偏移参数S和描述符指数D下进行计算相似度，得到一个相似度；

步骤5：判断所有描述符指数D是否都已进行计算，如果是，执行步骤6；否则，将描述符指数D加1，执行步骤4；

步骤6：判断所有偏移参数S是否都已进行计算，如果是，执行步骤7；否则，将偏移参数S加1，执行步骤3；

步骤7：得到多个相似度，构成相似度集合，并得到最大相似度；

步骤8：根据最大相似度，动态加载对应图像表征个数的多个置信水平阈值；

步骤9：将每个置信水平阈值分别与其他所有置信水平阈值进行比较，判断是否有半数以上的置信水平阈值相同，如果是，执行步骤10；否则，执行步骤11；

步骤10：输出正匹配结果，证明两个虹膜图像属于同一虹膜，结束；

步骤11：输出负匹配结果，证明两个虹膜图像不属于同一虹膜，结束。

所述步骤4中的相似度等于虹膜图像表征集中相同的图像表征的数量除以虹膜图像表征集中图像表征的总数量。

所述置信水平阈值由ground-truth表征集的ROC曲线的相等错误率决定的，每个错误率对应一个置信水平阈值。

ground-truth表征集是专有名词，在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类；ROC曲线是专有名词，受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

初始化偏移参数S是使偏移参数S＝0；初始化描述符指数D是使描述符指数D＝0。

如图2所示，为本发明步骤8中加载的置信水平阈值的获取方法包括包括以下步骤：

步骤a：下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；

步骤b：对所有编码进行傅里叶变换得到滤波器的参数集；

步骤c：对滤波器的参数集进行在预设取值中随机取值，得到新参数集；

步骤d:用新参数集对ground-truth的表征集中的所有编码执行log-Gabor变换得到新编码；

步骤e：将新编码一一进行(N:N)比对，统计新参数集下匹配阶段的性能，并得到对应新参数集的分类错误率；

步骤f：判断参数集的预设取值是否还有未进行取值的，如果是，执行步骤c；否则，执行步骤g；

步骤g：从所有新参数集中选出分类错误率最低的最优参数集；

步骤h：根据最优参数集得到对应的置信水平集，所述置信水平集中包含多个置信水平阈值，结束。

如图3所示，一种应用于虹膜识别的匹配系统，包括加载模块1、初始化模块2、相似度模块3、描述符判断模块4、偏移参数判断模块5、集合模块6、动态加载模块7和阈值判断模块8；

所述加载模块1用于加载一对完成编码的虹膜图像，获得一个虹膜图像表征集，所述虹膜图像表征集中包括多个图像表征；

所述初始化模块2用于初始化虹膜图像表征集的偏移参数S；初始化虹膜图像表征集的描述符指数D；

所述相似度模块3用于在当前的偏移参数S和描述符指数D下进行计算得到相似度；

所述描述符判断模块4用于判断所有描述符指数D是否都进行计算，如果是，进入偏移参数判断模块；否则，将描述符指数D加1，返回相似度模块3；

所述偏移参数判断模块5判断所有偏移参数S是否都进行计算，如果是，进入集合模块；否则，将偏移参数S加1，返回初始化模块2；

所述集合模块6得到多个相似度，构成相似度集合，并得到最大相似度；

所述动态加载模块7用于根据最大相似度，动态加载对应图像表征个数的多个置信水平阈值；

所述阈值判断模块8用于将多个置信水平阈值相互进行比较，判断是否有半数以上的置信水平阈值相同，如果是，输出正匹配结果，证明两个虹膜图像属于同一虹膜；否则，输出负匹配结果，证明两个虹膜图像不属于同一虹膜。

所述相似度模块3中的相似度等于虹膜图像表征集中相同的图像表征的数量除以虹膜图像表征集中图像表征的总数量。

所述置信水平阈值由ground-truth表征集的ROC曲线的相等错误率决定的，每个错误率对应一个置信水平阈值。

ground-truth表征集是专有名词，在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类；ROC曲线是专有名词，受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

所述初始化模块2中初始化偏移参数S是使偏移参数S＝0；初始化描述符指数D是使描述符指数D＝0。

所述动态加载模块7中加载的置信水平阈值的获取系统，包括编码获取模块9、傅里叶变换模块10、随机取值模块11、log-Gabor变换模块12、比对模块13、最优选择模块14和置信水平模块15；

所述编码获取模块9用于下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；

所述傅里叶变换模块10用于对所有编码进行傅里叶变换得到滤波器的参数集；

所述随机取值模块11用于对滤波器的参数集进行在预设取值中随机取值，直到将所有预设取值进行取值，得到多个新参数集；

所述log-Gabor变换模块12用多个新参数集分别对ground-truth的表征集中的所有编码执行log-Gabor变换得到多个新编码；

所述比对模块13用于将多个新编码分别一一进行(N:N)比对，统计所有新参数集下匹配阶段的性能，并得到分别对应所有新参数集的多个分类错误率；

所述最优选择模块14用于从所有新参数集中分类错误率最低的最优参数集；

所述置信水平模块15用于根据最优参数集得到对应的置信水平集，所述置信水平集中包含多个置信水平阈值。

加载模块1中加载一对虹膜模型表征。在参数空间S和特征描述符中迭代图3所示的匹配算法，每次迭代过程中，根据图像的旋转角以及包含特征索引的描述符，增加偏移参数。通过迭代来找到最大化虹膜表征对的相似性的描述符。集合模块6输出相似度，相似度的计算公式＝匹配图像对中相同特征的数量/总特征数。

动态加载模块7根据两个虹膜表征的相似度，动态加载置信水平阈值，置信水平的阈值由ground-truth图像集的ROC分析曲线的相等错误率决定的，每个错误率对应一个置信水平阈值，从而判断出两个虹膜表征是否属于同一个虹膜，即是否属于同一个人。当两个虹膜是从同一只人眼得到的，那么计算得到的相似度会很高。质量检测值是指滤波响应的平均幅值，该幅值在编码过程中得到并存储在表征中。正确匹配与错误匹配的结果分别输出。

首先，我们通过下载下来的ground-truth的表征集(在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类。)得到编码和匹配的相关的主要参数。在这个集中，任意两幅虹膜图像的类是已知的(在机器学习的有监督训练中，每个训练样本的分类是已知的)。该算法的目的是为了自定义滤波器参数集和置信水平，这些参数会在后续步骤中用到。这个学习过程与现有的经典算法完全不同，经典算法采用一个预定义的参数集进行编码，而且对后续进行的虹膜编码的比对中，只采用一个置信水平。

本算法下载ground-truth集，然后提取所有输入编码的傅里叶变换。接下来，我们初始化滤波器的参数集，滤波器的参数集包括的频率、带宽和方向，频率值取1/16,2/16,3/16一直到8/16共8个值，带宽取0.75、0.08、0.85一直到2.0，共25个取值，方向取1、22.5、45一直到180共8个值。初始化滤波器的参数集是指随机选取滤波器的频率、带宽和方向的值。初始化结束后，算法用当前的滤波器参数集对ground-truth集中的所有输入循环执行log-Gabor变换。接下来，算法对所有可得的编码一一进行(N:N)比对。这个过程的目的是为了统计当前参数集下匹配阶段的性能，该性能是通过ROC曲线(受试者工作特征曲线(receiver operating characteristiccurve，简称ROC曲线)，又称为感受性曲线(sensitivity curve))得到的，性能高表明当前的训练参数集能得到好的匹配效果，相反，性能低则说明当前训练参数集得到的匹配效果差。处理模块改变滤波器的参数集，也就是说改变滤波器的频率、带宽和方向的参数。算法用新的参数集再次进行循环计算，该过程直到参数集中的所有参数都被分析后结束(滤波器有8个频率取值、26个带宽取值以及9个方向取值，所以滤波器的参数集一共有8*26*9＝1872个参数集，将这1872参数集全部计算一遍)。这个过程能生成一个包含ground-truth输入在所有参数集下的分类性能的信息的高维空间。下一个处理模块从中选择出性能最好的参数集，也就是分类错误率最低的参数集(循环过程中，将所有参数集中的参数都计算一遍，得到一个分类错误率，从这些错误率中找出错误率最低的那一组参数)。选出的参数集和置信水平分别输出，并分别应用在在线阶段的实际编整过程与匹配过程。与传统的只使用一个置信水平的算法不同，本公开算法能输出多个置信水平，每一个水平对应一个进行N:N编码比对的滤波器输出的幅值梯度。滤波器参数和置信水平这两类输出，将会在后续的在线编码及匹配过程中用到。

本发明公开了一种虹膜纹理模型的编码与匹配方法，该算法应用于但并不局限于生物识别领域，具体流程：

1.离线学习最优的参数，该最优的参数在后续的滤波处理和匹配过程中使用：

对ground-truth中的所有图像和参数空间中的所有参数值一一进行比对(N:N)；

在离线学习阶段，极小化二类分类器的错误率得到最优参数；

学习得到多个置信水平，作为匹配算法的判决阈值。根据在比较的两个虹膜表征的质量，来选择置信水平。由log-gabor输出幅值来定义虹膜表征的质量。

2.动态选择置信水平阈值，判断两个虹膜表征是否为同一个虹膜生成。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种应用于虹膜识别的匹配方法，其特征在于，具体包括以下步骤：

步骤1：加载一对完成编码的虹膜图像，获得一个虹膜图像表征集，所述虹膜图像表征集中包括多个图像表征；

步骤2：初始化虹膜图像表征集的偏移参数S；

步骤3：初始化虹膜图像表征集的描述符指数D；

步骤4：在当前的偏移参数S和描述符指数D下进行计算相似度，得到一个相似度；

步骤5：判断所有描述符指数D是否都已进行计算，如果是，执行步骤6；否则，将描述符指数D加1，执行步骤4；

步骤6：判断所有偏移参数S是否都已进行计算，如果是，执行步骤7；否则，将偏移参数S加1，执行步骤3；

步骤7：得到多个相似度，构成相似度集合，并得到最大相似度；

步骤8：根据最大相似度，动态加载对应图像表征个数的多个置信水平阈值；

步骤9：将每个置信水平阈值分别与其他所有置信水平阈值进行比较，判断是否有半数以上的置信水平阈值相同，如果是，执行步骤10；否则，执行步骤11；

步骤10：输出正匹配结果，证明两个虹膜图像属于同一虹膜，结束；

步骤11：输出负匹配结果，证明两个虹膜图像不属于同一虹膜，结束。

2.根据权利要求1所述的一种应用于虹膜识别的匹配方法，其特征在于，所述步骤4中的相似度等于虹膜图像表征集中相同的图像表征的数量除以虹膜图像表征集中图像表征的总数量。

3.根据权利要求2所述的一种应用于虹膜识别的匹配方法，其特征在于，所述置信水平阈值由ground-truth表征集的ROC曲线的相等错误率决定的，每个错误率对应一个置信水平阈值。

4.根据权利要求3所述的一种应用于虹膜识别的匹配方法，其特征在于，初始化偏移参数S是使偏移参数S＝0；初始化描述符指数D是使描述符指数D＝0。

5.根据权利要求1-4任一项所述的一种应用于虹膜识别的匹配方法，其特征在于，所述步骤8中加载的置信水平阈值的获取方法包括包括以下步骤：

步骤a：下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；

步骤b：对所有编码进行傅里叶变换得到滤波器的参数集；

步骤c：对滤波器的参数集进行在预设取值中随机取值，得到新参数集；

步骤d:用新参数集对ground-truth的表征集中的所有编码执行log-Gabor变换得到新编码；

步骤e：将新编码一一进行(N:N)比对，统计新参数集下匹配阶段的性能，并得到对应新参数集的分类错误率；

步骤f：判断参数集的预设取值是否还有未进行取值的，如果是，执行步骤c；否则，执行步骤g；

步骤g：从所有新参数集中选出分类错误率最低的最优参数集；

步骤h：根据最优参数集得到对应的置信水平集，所述置信水平集中包含多个置信水平阈值，结束。

6.一种应用于虹膜识别的匹配系统，其特征在于，包括加载模块、初始化模块、相似度模块、描述符判断模块、偏移参数判断模块、集合模块、动态加载模块和阈值判断模块；

所述加载模块用于加载一对完成编码的虹膜图像，获得一个虹膜图像表征集，所述虹膜图像表征集中包括多个图像表征；

所述初始化模块用于初始化虹膜图像表征集的偏移参数S；初始化虹膜图像表征集的描述符指数D；

所述相似度模块用于在当前的偏移参数S和描述符指数D下进行计算得到相似度；

所述描述符判断模块用于判断所有描述符指数D是否都进行计算，如果是，进入偏移参数判断模块；否则，将描述符指数D加1，返回相似度模块；

所述偏移参数判断模块判断所有偏移参数S是否都进行计算，如果是，进入集合模块；否则，将偏移参数S加1，返回初始化模块；

所述集合模块得到多个相似度，构成相似度集合，并得到最大相似度；

所述动态加载模块用于根据最大相似度，动态加载对应图像表征个数的多个置信水平阈值；

所述阈值判断模块用于将多个置信水平阈值相互进行比较，判断是否有半数以上的置信水平阈值相同，如果是，输出正匹配结果，证明两个虹膜图像属于同一虹膜；否则，输出负匹配结果，证明两个虹膜图像不属于同一虹膜。

7.根据权利要求6所述的一种应用于虹膜识别的匹配系统，其特征在于，所述相似度模块中的相似度等于虹膜图像表征集中相同的图像表征的数量除以虹膜图像表征集中图像表征的总数量。

8.根据权利要求7所述的一种应用于虹膜识别的匹配系统，其特征在于，所述置信水平阈值由ground-truth表征集的ROC曲线的相等错误率决定的，每个错误率对应一个置信水平阈值。

9.根据权利要求8所述的一种应用于虹膜识别的匹配系统，其特征在于，所述初始化模块中初始化偏移参数S是使偏移参数S＝0；初始化描述符指数D是使描述符指数D＝0。

10.根据权利要求6-9任一项所述的一种应用于虹膜识别的匹配系统，其特征在于，所述动态加载模块中加载的置信水平阈值的获取系统，包括编码获取模块、傅里叶变换模块、随机取值模块、log-Gabor变换模块、比对模块、最优选择模块和置信水平模块；

所述编码获取模块用于下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；

所述傅里叶变换模块用于对所有编码进行傅里叶变换得到滤波器的参数集；

所述随机取值模块用于对滤波器的参数集进行在预设取值中随机取值，直到将所有预设取值进行取值，得到多个新参数集；

所述log-Gabor变换模块用多个新参数集分别对ground-truth的表征集中的所有编码执行log-Gabor变换得到多个新编码；

所述比对模块用于将多个新编码分别一一进行(N:N)比对，统计所有新参数集下匹配阶段的性能，并得到分别对应所有新参数集的多个分类错误率；

所述最优选择模块用于从所有新参数集中分类错误率最低的最优参数集；

所述置信水平模块用于根据最优参数集得到对应的置信水平集，所述置信水平集中包含多个置信水平阈值。