CN105279492B - 虹膜识别的方法和装置 - Google Patents

Abstract

本发明公开了一种虹膜识别的方法和装置，属于虹膜识别领域，所述虹膜识别的方法包括：对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；通过确定出的比对阈值进行虹膜识别。与现有技术相比，本发明的虹膜识别的方法能够使用低质量虹膜进行虹膜识别，并且误识率低。

Description

虹膜识别的方法和装置

技术领域

本发明涉及虹膜识别领域，特别是指一种虹膜识别的方法和装置。

背景技术

虹膜识别作为生物识别中最安全，最精确的识别方法越来越受到人们的关注。虹膜是一个瞳孔和巩膜之间的环形可视区域，是由复杂的纤维状组织构成，具有丰富的，错综复杂的纹理结构。而这些复杂的纹理结构构成了虹膜识别的重要特征。虹膜的形成是在胚胎时期随机生成的，而且每个人虹膜结构各不相同，并且这种独特的虹膜结构在人的一生中几乎不发生变化。虹膜识别主要包括虹膜图像的获取，虹膜图像质量评估，虹膜图像的预处理，虹膜图像归一化，虹膜图像的特征提取以及虹膜特征比对。

由于在实际虹膜识别的过程中，眼睫毛遮挡，不同人眼睛大小和眼睛睁闭程度影响了虹膜的有效面积的大小，在虹膜的有效面积过小时(即低质量虹膜)，虹膜识别中会存在很多问题，目前的解决方法主要有以下两种情况：

1).在有效面积小于设定值的情况下舍弃该虹膜图像，不予注册或者识别，这样对于一些小眼睛的人群的体验上效果会很差，甚至无法使用虹膜识别；

2).降低比对阈值，这样可以让虹膜有效面积较小的人比对通过，但是在同一阈值下，容易引起误识。

发明内容

本发明提供一种虹膜识别的方法和装置，该方法能够使用低质量虹膜进行虹膜识别，并且误识率低。

为解决上述技术问题，本发明提供技术方案如下：

一种虹膜识别的方法，包括：

对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；

找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；

根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；

通过确定出的比对阈值进行虹膜识别。

一种虹膜识别的装置，包括：

定位和检测模块，用于对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；

比对有效面积获取模块，用于找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；

比对阈值确定模块，用于根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；

虹膜识别模块，用于通过确定出的比对阈值进行虹膜识别。

本发明具有以下有益效果：

本发明首先对虹膜图像进行定位和噪声检测，得到虹膜有效区域并生成噪声模板；然后确定出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域的重合度，即比对有效面积，并根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；最后通过确定出的比对阈值进行虹膜识别。本发明尤其适用于低质量虹膜的识别(当然，也适用正常的虹膜)。

与现有技术相比，本发明对不同的比对有效面积使用不同的比对阈值，使得低质量的虹膜图像也能进行注册和识别，并且误识率低。

故本发明的虹膜识别的方法能够使用低质量虹膜进行虹膜识别，并且误识率低。

附图说明

图1为本发明的虹膜识别的方法一个实施例的流程图；

图2为本发明的虹膜识别的装置一个实施例的示意图；

图3为本发明中对虹膜图像进行定位的示意图；

图4为本发明中的噪声模板的示意图；

图5为本发明中归一化展开的原理示意图；

图6为本发明中噪声模板归一化展开后的示意图；

图7为本发明中子区间[0.4,0.5)的ROC曲线的一个示例图；

图8为本发明中子区间[0.4,0.5)的ROC曲线的另一个示例图；

图9为本发明中子区间[0.4,0.5)的ROC曲线的再一个示例图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种虹膜识别的方法，其中一个实施例如图1所示，包括：

步骤S101：对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；虹膜有效区域是指能够得到虹膜纹理特征的区域，具体的一般是指环形的虹膜区域中除去眼睑遮挡、睫毛遮挡以及噪声干扰后的区域。

步骤S102：找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；比对有效面积能够反映待识别的虹膜图像与虹膜模板的信息重合度，可以用来判断是否用来进行识别以及识别时采用的比对阈值。

步骤S103：根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；比对有效面积可以用来确定比对阈值，具体的，当比对有效面积较大时，可以将比对阈值适当提高，当比对有效面积较小时，可以将比对阈值适当降低，本实施例预先得到了比对有效面积与比对阈值的对应关系，根据比对有效面积，即可确定比对阈值，该比对阈值使得误识率低。比对有效面积与比对阈值的对应关系可以是事先拟合好的曲线，也可以是对有效面积与比对阈值的对应表格等。

步骤S104：通过确定出的比对阈值进行虹膜识别；得到比对阈值之后，就可以根据现有的各种方法进行虹膜识别。

本实施例首先对虹膜图像进行定位和噪声检测，得到虹膜有效区域并生成噪声模板；然后确定出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域的重合度，即比对有效面积，并根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；最后通过确定出的比对阈值进行虹膜识别。本实施例尤其适用于低质量虹膜的识别(当然，也适用正常的虹膜)。

与现有技术相比，本实施例对不同的比对有效面积使用不同的比对阈值，使得低质量的虹膜图像也能进行注册和识别，并且误识率低。

故本实施例的虹膜识别的方法能够使用低质量虹膜进行虹膜识别，并且误识率低。

作为本发明的虹膜识别的方法的一种改进，找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积(步骤S102)包括：

步骤S1021：根据定位得到的虹膜有效区域，生成噪声模板；噪声模板是指将虹膜有效区域和其他区域分别用不同的值表示，进行区分。

步骤S1022：将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积；此时的比对有效面积是得到的噪声模板和预先存储的噪声模板的虹膜有效区域相重合的部分。

本实施例通过2个噪声模板求交集确定比对有效面积，方法复杂度低，简单方便，运行速度快。

作为本发明的虹膜识别的方法的另一种改进，对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域(步骤S101)包括：

步骤S1011：定位瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界；如图3所示。

步骤S1012：检测眼睫毛和光斑；虹膜有效区域为瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界之间并去除眼睫毛和光斑的区域。

定位主要包含虹膜-瞳孔边界定位、虹膜-巩膜边界定位、上眼睑边界定位和下眼睑边界定位，噪声检测主要包括眼睫毛和光斑检测。主要的方法有Sobel算子边界检测，微积分检测算子，Hough变换，最小二乘法曲线拟合等。

本实施例通过边界定位和眼睫毛及光斑检测确定出虹膜有效区域，简单方便，避免了眼睫毛及光斑等噪声的影响。

进一步的，噪声模板可以通过以下方法得到：

将虹膜有效区域的像素点的像素值设置为255，其余区域的像素点的像素值设置为0。当然，这里只是一个优选的实施例，其实可以使用任意不同的2个数值分别代替255和0，只不过这样计算更方便，并且便于区分。

在有效虹膜区域的基础上生成噪声模板，具体方法为将检测到的眼睫毛区域以及光斑区域的像素点的像素值均设置为0，将虹膜-瞳孔边界线内部的像素点的区域的像素点的像素值设置为0，将虹膜-巩膜边界线外部区域的像素点的像素值设置为0，将上眼睑边界线以上的区域的像素点的像素值设置为0，将下眼睑边界线以下区域的像素点的像素值设置为0，虹膜图像中其余部分的像素点的像素值设置为255，最终生成的噪声模板如图4所示。

本实施例将虹膜有效区域和其他区域的像素点的像素值分别设置为255和0，像素值差距大，便于区分，并且方便后续的计算。

作为本发明的虹膜识别的方法的再一种改进，根据定位得到的虹膜有效区域，生成噪声模板(步骤S1021)之后，将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积(步骤S1022)之前还包括：

将瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开。

由于噪声模板中瞳孔-虹膜边界之内的部分以及虹膜-巩膜边界之外的部分的像素点的像素值均为0，并且在后续的虹膜识别中用不到这些部分的信息，因此我们只需要将瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板进行操作即可，减少运算量；并且考虑到虹膜存在平移，旋转，尺度变化等问题，需要将环形的瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开为矩形的区域，来消除虹膜图像大小的不一致性，并且方便后续的计算，具体原理如图5所示，其中，r∈[0,1]，θ∈[0,2π]，在θ方向上的虹膜内、外圆的边缘点可以用(x_in,y_in)，(x_out,y_out)表示。展开后的效果图如图6所示，其中白色区域(像素值大小为255)占整个区域的占比即为虹膜有效区域的面积，为了更好的表示，展开图像加了一定长度的灰色边缘点。这样减少了运算量，方便了后续的计算，并且消除了虹膜图像平移，旋转，尺度变化带来的大小的不一致性。

而且，将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积(步骤S1022)包括：

将得到的噪声模板和预先存储的噪声模板的每个像素点的像素值进行与运算；

计算与运算后为真(即为255)的像素点个数占噪声模板像素点总个数的比例，得到比对有效面积。

对于两个待比对的虹膜图像(待识别虹膜图像和预先注册的虹膜图像)而言，将生成的噪声模板(待识别虹膜图像的噪声模板和预先注册的噪声模板)进行交集运算，假设两个噪声模板为Noise1和Noise2，取交集后的噪声模板为Noise，具体运算方法如下所示：

将像素值为255的像素点个数除以噪声模板像素点总个数，即为比对有效面积。

本实施例对瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开减少了运算量，方便了后续的计算，并且消除了虹膜图像平移，旋转，尺度变化带来的大小的不一致性；将与运算后为真的像素点个数占噪声模板像素点总个数的比例作为比对有效面积，使得比对有效面积的取值为[0，1]，量化与计算方便，并且本发明使用交集运算求得比对有效面积，简单方便。

作为本发明的虹膜识别的方法的再一种改进，本发明最主要的就是根据比对有效面积对待识别虹膜图像进行分类，收集样本分别在不同的比对有效面积下绘制比对阈值-误识率曲线。通过比对阈值-误识率曲线统计不同的比对有效面积下的FAR(误识率)，以及对应的分值。具体步骤如下：

将虹膜样本集中的多个样本的比对有效面积分为若干个子区间，即根据比对有效面积的大小对这些样本进行分类；具体的子区间分类标准可以分为5个子区间，分别为[0.2，0.3)，[0.3，0.4)，[0.4，0.5)，[0.5，0.6)，[0.6，1)，对每个子区间，分别执行如下操作：

在不同的比对阈值下对每个子区间对应的样本进行虹膜识别，统计不同的比对阈值下的误识率；每一个子区间可以统计10000个正样本(相同人的虹膜)，200000个负样本(不同人的虹膜)。

以比对阈值为横坐标，误识率为纵坐标，绘制比对阈值-误识率曲线；

在规定的误识率下，以每个子区间的中点为横坐标，比对阈值为纵坐标，得到规定误识率下的子区间和阈值之间的坐标对应关系；

以子区间[0.4,0.5)为例，通过这个子区间的10000个正样本和200000个负样本进行绘制比对阈值-误识率曲线，在比对阈值-误识率曲线上得到规定误识率下的比对阈值，此处规定误识率可以有多个，我们选择FAR(误识率)为万分之一，十万分之一以及零为规定的误识率，得到对应的比对阈值，然后以子区间[0.4,0.5)的中点0.45为横坐标，比对阈值为纵坐标，得到三个坐标点(即为子区间和阈值之间的坐标对应关系)，分别对应FAR为万分之一，十万分之一以及零。其他子区间同样处理。

图7至图9给出了子区间[0.4,0.5)的比对阈值-误识率曲线，横坐标为比对阈值，纵坐标为百分率，其中呈下降趋势的一条曲线即为比对阈值-误识率曲线，图7中，当误识率为0.0001(万分之一)时，比对阈值为69，图8中，当误识率为0.00001(十万分之一)时，比对阈值为77，图9中，当误识率为0时，比对阈值为83，然后以子区间[0.4,0.5)的中点0.45为横坐标，比对阈值为纵坐标，这样就得到了误识率为万分之一，十万分之一以及零时的三个坐标点(0.45,69)，(0.45,77)和(0.45,83)。

另外，图7至图9中，呈上升趋势的一条曲线为比对阈值-拒真率曲线，拒真是指正样本未被识别通过(相应的，前述的误识是指负样本被识别通过了)，比对阈值-拒真曲线能够为我们确定在不同场合下使用不同的误识率提供参考数据，避免拒真率过高导致的本应识别通过的用户多次识别不通过的问题，用户体验性好。图7中，比对阈值为69时，拒真率为0.0142，图8中，比对阈值为77时，拒真率为0.02139，图9中，比对阈值为83时，拒真率为0.03025。我们将比对阈值-误识率曲线和比对阈值-拒真曲线合称为ROC曲线。

根据规定误识率下的子区间和比对阈值之间的坐标对应关系，通过最小二乘法或者插值法等手段，进行曲线拟合，得到规定误识率下比对有效面积与比对阈值的关系。

以FAR为万分之一为例，分别得到了在[0.2,0.3),[0.3,0.4),[0.4,0.5),[0.5,0.6),[0.6,1]这5个子区间的坐标点，利用线性回归方程y＝a₀+a₁x对FAR为万分之一时的5个坐标点进行拟合，通过最小二乘法计算出a₀和a₁的值，得到FAR为万分之一时比对有效面积与比对阈值的关系。FAR为十万分之一和零时的计算方法相同。

本发明的虹膜样本集中的样本要保证有足够的差异性，即需要收集不同眼睛大小的图像，以保证能够得到不同比对有效面积的样本。虹膜样本集中的多个样本的比对有效面积可以是预先得到的，也可以是通过上面的方法得到的。

本发明通过对虹膜样本集测试得到比对阈值-误识率曲线，通过比对阈值-误识率曲线确定规定误识率下不同比对有效面积的比对阈值，然后进行拟合，得到比对有效面积与比对阈值的对应关系，比对有效面积与比对阈值对应准确。并且可以得到多个误识率下的比对有效面积与比对阈值的对应关系，适用于不同的应用场合。

另一方面，本发明提供一种虹膜识别的装置，其中一个实施例如图2所示，包括：

定位和检测模块11，用于对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；

比对有效面积获取模块12，用于找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；

比对阈值确定模块13，用于根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；

虹膜识别模块14，用于通过确定出的比对阈值进行虹膜识别。

本实施例的虹膜识别的装置能够使用低质量虹膜进行虹膜识别，并且误识率低。

作为本发明的虹膜识别的装置的一种改进，比对有效面积获取模块包括：

噪声模板生成单元，用于根据定位得到的虹膜有效区域，生成噪声模板；

比对有效面积获取单元，用于将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积。

本实施例通过2个噪声模板求交集确定比对有效面积，方法复杂度低，简单方便，运行速度快。

作为本发明的虹膜识别的装置的另一种改进，定位和检测模块包括：

定位单元，用于定位瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界；

检测单元，用于检测眼睫毛和光斑；虹膜有效区域为瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界之间并去除眼睫毛和光斑的区域。

本实施例通过边界定位和眼睫毛及光斑检测确定出虹膜有效区域，简单方便，避免了眼睫毛及光斑等噪声的影响。

作为本发明的虹膜识别的装置的再一种改进，噪声模板生成模块之后，比对有效面积获取模块之前还包括：

噪声模板生成单元之后，比对有效面积获取单元之前还包括：

归一化展开单元，用于将瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开。

比对有效面积获取单元包括：

与运算单元，用于将得到的噪声模板和预先存储的噪声模板的每个像素点的像素值进行与运算；

比例计算单元，用于计算与运算后为真的像素点个数占噪声模板像素点总个数的比例，得到比对有效面积。

本实施例对瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开减少了运算量，方便了后续的计算，并且消除了虹膜图像平移，旋转，尺度变化带来的大小的不一致性；将与运算后为真的像素点个数占噪声模板像素点总个数的比例作为比对有效面积，使得比对有效面积的取值为[0,1]，量化与计算方便，并且本发明使用交集运算求得比对有效面积，简单方便。

作为本发明的虹膜识别的装置的再一种改进，比对有效面积与比对阈值的对应关系通过以下模块得到：

子区间模块，用于将虹膜样本集中的多个样本的比对有效面积分为若干个子区间，对每个子区间，分别执行如下操作：

虹膜识别单元，用于在不同的比对阈值下对每个子区间对应的样本进行虹膜识别，统计不同的比对阈值下的误识率；

曲线绘制单元，用于以比对阈值为横坐标，误识率为纵坐标，绘制比对阈值-误识率曲线；

比对阈值获取单元，用于根据所述比对阈值-误识率曲线，得到规定误识率下的比对阈值；

坐标确定单元，用于在规定的误识率下，以每个子区间的中点为横坐标，比对阈值为纵坐标，得到规定误识率下的子区间和阈值之间的坐标对应关系；

拟合模块，用于根据规定误识率下的子区间和阈值之间的坐标对应关系，进行曲线拟合，得到规定误识率下比对有效面积与比对阈值的关系。

本实施例通过对虹膜样本集测试得到比对阈值-误识率曲线，通过比对阈值-误识率曲线确定规定误识率下不同比对有效面积的比对阈值，然后进行拟合，得到比对有效面积与比对阈值的对应关系，比对有效面积与比对阈值对应准确。并且可以得到多个比对有效面积与比对阈值的对应关系，适用于不同的应用场合。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种虹膜识别的方法，其特征在于，包括：

对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；

找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；

根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；

通过确定出的比对阈值进行虹膜识别；

其中，比对有效面积与比对阈值的对应关系通过以下方法得到：

将虹膜样本集中的多个样本的比对有效面积分为若干个子区间，对每个子区间，分别执行如下操作：

在不同的比对阈值下对每个子区间对应的样本进行虹膜识别，统计不同的比对阈值下的误识率；

以比对阈值为横坐标，误识率为纵坐标，绘制比对阈值-误识率曲线；

根据所述比对阈值-误识率曲线，得到规定误识率下的比对阈值；

在规定的误识率下，以每个子区间的中点为横坐标，比对阈值为纵坐标，得到规定误识率下的子区间和阈值之间的坐标对应关系；

根据规定误识率下的子区间和阈值之间的坐标对应关系，进行曲线拟合，得到规定误识率下比对有效面积与比对阈值的关系。

2.根据权利要求1所述的虹膜识别的方法，其特征在于，所述找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积包括：

根据定位得到的虹膜有效区域，生成噪声模板，所述噪声模板中，虹膜有效区域的像素点的像素值为255，其余区域的像素点的像素值为0；

将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积。

3.根据权利要求2所述的虹膜识别的方法，其特征在于，所述对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域包括：

定位瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界；

检测眼睫毛和光斑；所述虹膜有效区域为瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界之间并去除眼睫毛和光斑的区域。

4.根据权利要求3所述的虹膜识别的方法，其特征在于：

所述根据定位得到的虹膜有效区域，生成噪声模板之后，所述将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积之前还包括：

将所述瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开；

所述将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积包括：

将得到的噪声模板和预先存储的噪声模板的每个像素点的像素值进行与运算；

计算与运算后为真的像素点个数占噪声模板像素点总个数的比例，得到比对有效面积。

5.一种虹膜识别的装置，其特征在于，包括：

定位和检测模块，用于对待识别的虹膜图像进行定位和噪声检测，得到虹膜有效区域；

比对有效面积获取模块，用于找出待识别的虹膜图像的虹膜有效区域与预先存储的虹膜模板的虹膜有效区域重合的部分，得到比对有效面积；

比对阈值确定模块，用于根据预先确定的比对有效面积与比对阈值的对应关系，确定出比对阈值；

虹膜识别模块，用于通过确定出的比对阈值进行虹膜识别；

其中，比对有效面积与比对阈值的对应关系通过以下模块得到：

子区间模块，用于将虹膜样本集中的多个样本的比对有效面积分为若干个子区间，对每个子区间，分别执行如下操作：

虹膜识别单元，用于在不同的比对阈值下对每个子区间对应的样本进行虹膜识别，统计不同的比对阈值下的误识率；

曲线绘制单元，用于以比对阈值为横坐标，误识率为纵坐标，绘制比对阈值-误识率曲线；

比对阈值获取单元，用于根据所述比对阈值-误识率曲线，得到规定误识率下的比对阈值；

坐标确定单元，用于在规定的误识率下，以每个子区间的中点为横坐标，比对阈值为纵坐标，得到规定误识率下的子区间和阈值之间的坐标对应关系；

拟合模块，用于根据规定误识率下的子区间和阈值之间的坐标对应关系，进行曲线拟合，得到规定误识率下比对有效面积与比对阈值的关系。

6.根据权利要求5所述的虹膜识别的装置，其特征在于，所述比对有效面积获取模块包括：

噪声模板生成单元，用于根据定位得到的虹膜有效区域，生成噪声模板，所述噪声模板中，虹膜有效区域的像素点的像素值为255，其余区域的像素点的像素值为0；

比对有效面积获取单元，用于将得到的噪声模板和预先存储的噪声模板求交集，得到比对有效面积。

7.根据权利要求6所述的虹膜识别的装置，其特征在于，所述定位和检测模块包括：

定位单元，用于定位瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界；

检测单元，用于检测眼睫毛和光斑；所述虹膜有效区域为瞳孔-虹膜边界、虹膜-巩膜边界、上眼睑边界和下眼睑边界之间并去除眼睫毛和光斑的区域。

8.根据权利要求7所述的虹膜识别的装置，其特征在于：

所述噪声模板生成单元之后，所述比对有效面积获取单元之前还包括：

归一化展开单元，用于将所述瞳孔-虹膜边界和虹膜-巩膜边界之间的噪声模板归一化展开；

所述比对有效面积获取单元包括：

与运算单元，用于将得到的噪声模板和预先存储的噪声模板的每个像素点的像素值进行与运算；

比例计算单元，用于计算与运算后为真的像素点个数占噪声模板像素点总个数的比例，得到比对有效面积。