79、生物特征识别中的前沿技术：虹膜定位与颅面形状分类

生物特征识别中的前沿技术：虹膜定位与颅面形状分类

在生物特征识别领域，虹膜识别和颅面形状分析一直是研究的热点。本文将介绍两种创新的技术：基于相位一致性的鲁棒虹膜定位模型，以及用于3D颅面数据的形状分类方法。

基于相位一致性的鲁棒虹膜定位模型

在虹膜图像中，虹膜边界在正角度位置近似为圆形轮廓，而在非正角度位置则变为椭圆形轮廓。为了准确拟合虹膜的内外边界，传统的最小二乘法（LSE）虽然常用，但对异常值极为敏感。在虹膜图像中，异常值通常是睫毛边缘点等非虹膜边缘点，即使一个异常值也会导致位置估计出现偏差。

为了提高虹膜位置估计的鲁棒性，研究人员采用了最小修剪二乘法（LTSE）。LTSE的原理是最小化最小的h个残差的平方和。具体来说，考虑一个普通的鲁棒回归模型：
[Z = A\beta + v]
其中，(Z = [z_1, \ldots, z_m]^T \in R^m) 是测量向量，(A = [a_1, \ldots, a_m]^T \in R^{m\times n}) 是具有满列秩的设计（或模型）矩阵，(\beta \in R^n) 是待估计的未知参数向量，(v \in R^m) 是随机噪声向量。对于给定的向量 (\beta \in R^n)，残差向量定义为 (r(\beta) \equiv Z - A\beta)，其第 (i) 个元素为 (r(\beta) i)。鲁棒最小修剪二乘估计器为：
[\min {\beta} \sum_{i = 1}^{h} r^2(\beta) {i:m}]
其中，(r^2(\beta) {1:m} \leq \ldots \leq r^2(\beta)_{i:m}) 是有序