基于自适应神经模糊分形网络（ANFFractalNet）的虹膜识别技术研究及其在生物安全领域的应用

针对虹膜识别技术在实际应用中存在的图像质量敏感、噪声干扰及非理想条件性能下降等问题，研究人员提出融合自适应神经模糊推理系统（ANFIS）与分形网络（FractalNet）的ANFFractalNet模型。通过Kuwahara滤波、RoI提取预处理及Daugman橡皮片模型分割，结合LDPV/FREAK特征提取，最终实现91.594%准确率与0.084%损失值，显著提升复杂场景下的识别鲁棒性，为边境安检、移动支付等生物识别应用提供新方案。

　　

虹膜识别作为生物特征识别领域的核心技术，因其独特的纹理稳定性和高安全性，被广泛应用于边境管控、金融支付等领域。然而，现有技术面临非合作环境下图像质量差、噪声干扰（如睫毛遮挡、离轴旋转）等挑战，导致识别准确率下降。传统卷积神经网络（CNN）虽能自动提取特征，但对复杂虹膜纹理的适应性不足。针对这一瓶颈，研究人员开发了ANFFractalNet模型，通过融合自适应神经模糊推理系统（ANFIS）与分形网络（FractalNet），结合多阶段预处理与特征优化，显著提升识别性能。该成果发表于《Biomedical Signal Processing and Control》，为生物安全领域提供了更可靠的解决方案。

研究采用Kuwahara滤波消除图像噪声，通过感兴趣区域（RoI）提取定位虹膜，并利用Daugman橡皮片模型完成几何归一化分割。特征提取阶段整合局部差分模式向量（LDPV）、快速视网膜关键点（FREAK）及统计特征，最终通过ANFFractalNet实现分类。模型在测试中达到91.594%准确率，错误接受率（FAR）和错误拒绝率（FRR）分别低至0.537%和2.482%。

Proposed ANFFractalNet for iris recognition
研究提出ANFFractalNet通过分层结构处理虹膜纹理复杂性：ANFIS模块优化模糊规则以应对光照变化，FractalNet的残差连接增强深层特征表达能力。实验表明，该模型在CASIA-IrisV4等数据集上优于MobileNet v2等基线方法。

Results and Discussions
对比分析显示，ANFFractalNet的损失值（0.084%）较传统CNN降低32%，且对离轴旋转图像的鲁棒性提升显著。消融实验证实，联合LDPV与FREAK特征可使FAR降低1.8个百分点。

Conclusion
该研究突破了非理想条件下虹膜识别的技术瓶颈，ANFFractalNet的透明决策机制（通过ANFIS规则可视化）增强了模型可解释性。未来可扩展至多模态生物识别系统，推动机场安检等场景的自动化升级。