简介：这是一份面向生物特征识别初学者与图像处理研究者的虹膜识别MATLAB源代码包。资源围绕虹膜定位、特征提取与匹配展开，包含使用霍夫变换检测虹膜边缘的分割模块、基于海明距离的模板比对逻辑，以及配套的虹膜库与测试图像，可直接运行也可作为算法改造的起点。压缩包共42个文件，以22个m源码为主体，另有9个bmp虹膜样本、7个mat预计算参数和3个txt说明文档，整体大小仅8.2MB，便于下载与本地实验；当前已有1969人学习下载。通过研读这些代码，可系统掌握虹膜图像预处理、归一化、特征编码与匹配的完整流程，并能在此基础上拓展到其他生物特征识别场景。代码模块划分明确，核心函数注释清晰，适合作为课程设计或毕业设计的参照实现，也支持替换测试图像进行验证，便于进一步调参优化。

1. 虹膜识别 matlab 程序源代码：为什么这个方向最适合从零复现

虹膜识别 matlab 程序源代码，这个检索词背后通常站着两类人：一类是做生物识别课程设计的学生，需要一套能跑通的完整流程；另一类是图像处理从业者，想快速验证虹膜识别的可行性。我的体感是，MATLAB 做这个方向比 Python 顺手得多，圆检测和 Gabor 滤波都有现成函数，核心流程从读图到输出匹配分，大约 500 行脚本就能走通。

真正难的不是写代码，而是后面的参数调优和边界处理。瞳孔收缩、睫毛遮挡、光照不均，任何一个因素都能让识别率大幅波动。下面按我实际调试的顺序展开：先讲原理链路和选型理由，再给可直接复现的三段代码骨架，然后用参数表讲清每个旋钮的作用，最后把踩坑记录列成清单。

2. 虹膜识别原理与算法选型：从眼部图像到 0/1 匹配码的完整链路

2.1 虹膜识别的四步链路：分割、归一化、编码、匹配

虹膜识别本质上是把每个个体虹膜上的纹理分布转成一段固定长度的二值码，再用码与码之间的汉明距离判断是否同源。完整链路四步：第一步分割，从眼部图像里分离出虹膜环形区域，确定内边界（瞳孔边缘）和外边界（虹膜与巩膜的交界）；第二步归一化，把尺寸、位置、缩放比例都不一致的环形区域展开成统一尺寸的矩形纹理图；第三步用滤波器提取纹理特征并编码成 0/1 序列；第四步匹配，用掩码排除无效区域后计算汉明距离。

这四个步骤拆开看都不难，难在它们必须串成一个稳定系统。以归一化为例，它的存在是因为同一只眼睛在不同时刻的成像差异极大：瞳孔会随环境光照收缩扩张，虹膜环形区域整体变宽变窄；眼球转动和采集角度变化带来旋转和平移；眨眼瞬间虹膜区域还会被上下眼睑部分覆盖。直接对原图做像素匹配没有任何意义，必须先把这些几何差异抹平，让后续特征提取面对的是"标准尺寸、标准朝向"的纹理图。

分割是第一步，也是错误率最高的环节。瞳孔在近红外光照下呈现为暗色圆盘，内边界对比度很高，检出难度低；外边界即虹膜与眼白的交界，对比度明显偏弱，光线稍差就难以形成连续圆弧。常见做法分两类：一类是基于积分的圆搜索，把图像在圆路径上的灰度梯度累加后找峰值，计算量大但对断边容忍度高；另一类是边缘检测加圆拟合，先提边缘再用投票方式找圆，MATLAB 的 imfindcircles 属于这一类。我一般先用中值滤波去噪，再做自适应直方图均衡增强边界，然后分别检测内外圆，并接受"圆心不重合"这个现实——人眼的瞳孔中心和虹膜中心本来就不严格重合，归一化时必须分开处理内外两个圆心，不能假设同心。

四个步骤的难度分布很不平均。分割和归一化占了整个项目七成以上的调试时间，编码和匹配相对程式化。原因在于分割处理的是真实世界的噪声——眼睑弧度、睫毛投影、镜片反光、光照梯度，千变万化；而归一化直接继承分割误差，内外边界只要偏几个像素，展开图的纹理就会平移或伸缩，后续编码阶段根本无力纠正。所以做这个方向不要一上来就扑在 Gabor 参数上，先把分割做到肉眼看着稳定，后面才会顺。

归一化还有一个附带好处：它能吸收小角度旋转。展开图的横轴是围绕瞳孔中心一圈的环形采样，如果输入图像整体旋转一个小角度，展开图里的纹理只是横向平移。这个性质在做匹配时很有用，只需要对展开图做几个像素的循环平移再分别匹配，取最小距离，就能抵消眼睛旋转带来的影响，不需要额外做图像旋转对齐。后面讲鲁棒性验证时我还会用到这个技巧。

编码与匹配相对直接。归一化后的纹理图经过一组多尺度多方向的滤波器，每个滤波器响应的符号被量化成一个比特位，多个滤波器叠加得到多通道编码。匹配时计算两个编码的带掩码汉明距离，用噪声掩码排除睫毛、高光、眼睑遮挡等无效像素。整条链路里没有难以理解的数学黑匣子，每个阶段都能输出可视化中间结果，这恰恰是 MATLAB 最适合做这件事的原因。

2.2 为什么选 MATLAB 而不是 Python：中间态可视化与工具箱红利

常见做法是 Python 配 OpenCV 实现，但在这个垂直场景里 MATLAB 的 Image Processing Toolbox 优势非常具体。逐条对比：圆检测有 imfindcircles，输入灰度图和半径范围，输出圆心和半径，参数语义直白；Gabor 滤波有 gabor 和 imgaborfilt 一组配套函数，构造滤波器组只一行；极坐标采样可以手写循环，也可以用 interp2 批量插值；每次变换后 imshow 立即查看中间图，定位问题比翻数组快得多。

Python 路线的问题不在能力，而在拼装成本。OpenCV 的 HoughCircles 参数语义和 MATLAB 完全不同，Canny 阈值、累加器阈值、圆心间距这些参数组合起来的调试成本很高；Gabor 滤波在 OpenCV 里需要自己构造核再用 filter2D 卷积，边界效应、核尺寸对齐都得自己处理。每多一个自写环节，就多一处出错的可能。MATLAB 的函数是为图像处理语义设计的，输入输出直接对应"图像"概念，学习成本反而更低。

选型还有一层现实考量：课程设计和毕业设计场景里 MATLAB 的土壤更厚，可参考的代码片段更多，对新手更友好。如果你想快速验证一套新特征提取方法，MATLAB 脚本的即时执行和变量工作区检查也比编译型流程顺手。代价是商业授权和略显臃肿的 IDE，但在算法验证阶段这些都不是决定因素。

整个流程我习惯拆成三个独立函数：分割函数只负责输出内外圆心和半径，归一化函数只吃几何参数和图，输出展开图，编码函数只吃展开图，输出编码和掩码。每个函数输入输出都用显式变量传递，中间结果在工作区随手可见，哪一步出了问题直接对着中间变量查。这个模块化习惯帮我省了大量联调时间，也是新手最容易忽略的——很多人把全部逻辑写在一个脚本里，一旦翻车只能从头加断点。

有一点必须提前提醒：MATLAB 各版本对图像处理函数支持差异很大。gabor、imgaborfilt 是新版本才加入的，老版本没有这两个函数，需要退回 imfilter 加自构复合核的方案。动手前先执行 edit gabor 确认函数存在，不存在就换方案。这是新手最常见的第一个卡点，第五章我会给出完整处理方式。

3. 搭建虹膜识别 MATLAB 主程序：分割、归一化与编码的代码骨架

3.1 图像读取与虹膜粗定位：imfindcircles 的用法与参数语义

先写读取和预处理。样本通常是近红外灰度图或彩色图，彩色先转灰度。预处理我固定做两步：中值滤波去掉采集设备的椒盐噪声，自适应直方图均衡增强虹膜纹理和边界的对比度。

% 读取眼部图像，统一转为灰度 eyeImg = imread('eye_sample.bmp'); if size(eyeImg, 3) == 3 eyeGray = rgb2gray(eyeImg); else eyeGray = eyeImg; end % 中值滤波去噪，窗口 5x5，能保边缘不过度模糊 eyeGray = medfilt2(eyeGray, [5 5]); % 自适应直方图均衡，增强虹膜纹理与内外边界对比度 eyeGray = adapthisteq(eyeGray, 'NumTiles', [8 8], 'ClipLimit', 0.02);

中值滤波对椒盐噪声几乎是零成本去除，窗口大小是唯一参数：3x3 去噪不彻底，7x7 会把虹膜细纹理抹掉，5x5 是我试过最稳的折中。adapthisteq 的两个参数决定增强强度：NumTiles 是分块数，块越小局部增强越激进；ClipLimit 是直方图裁剪阈值，默认 0.01 偏保守，虹膜纹理本来就弱，我调到 0.02 左右，纹理和边界的灰度差才拉得开。

粗定位直接用 imfindcircles。瞳孔是图像里最暗的圆形区域，指定 ObjectPolarity 为 'dark'，可以显著减少把亮色物体误检成圆的概率。

% 检测瞳孔：暗色圆盘，半径范围按图像尺寸粗估 [pupilCenter, pupilRadius] = imfindcircles(eyeGray, [30 120], ... 'ObjectPolarity', 'dark', 'Sensitivity', 0.9, 'EdgeThreshold', 0.15); % 检测虹膜外边界：边缘弱，灵敏度放低避免误检到眼睑 [irisCenter, irisRadius] = imfindcircles(eyeGray, [120 300], ... 'ObjectPolarity', 'dark', 'Sensitivity', 0.8, 'EdgeThreshold', 0.1); % 圆检测可能返回多组候选，取半径最大的第一组 pupilCenter = pupilCenter(1, :); pupilRadius = pupilRadius(1); irisCenter = irisCenter(1, :); irisRadius = irisRadius(1);

参数说明：半径范围 [30 120] 和 [120 300] 是针对常见眼部图像分辨率的经验值，换数据集必须按图像尺寸等比例缩放，直接照抄会检测不到或误检。Sensitivity 控制误检容忍度，值越高越容易把眉毛、眼睑、镜片反光当成圆：瞳孔边缘强，0.9 没问题；外边界弱，0.8 是安全线，0.85 以上就会开始连环误检。EdgeThreshold 过滤弱边缘，外边界对比度低，阈值设太大直接检测不到，0.1 比默认值低一档，专门用于弱边界场景。

注意 imfindcircles 返回的圆心格式是 [x y]，即先列后行。后面归一化代码里取 pupilCenter(2) 作为横坐标、pupilCenter(1) 作为纵坐标，就是对应这个约定，顺序写反会得到完全错位的展开图。

imfindcircles 返回空数组是高频现象。遇到别急着调参，先用 viscircles 把检测结果画在原图上，看是没检测到还是检测到了错的位置。多数情况是图像里根本没有连续圆弧——睫毛大面积遮挡或光照过暗，回到预处理增强对比度比死磕 Sensitivity 有效得多。

3.2 橡皮膜归一化：把环形虹膜展开成固定尺寸的极坐标矩阵

分割完成得到内外边界后，归一化把环形区域转成矩形。核心思路：对每个角度方向，在瞳孔边缘和虹膜外边缘之间做等比例径向采样，采样点的灰度用就近取整或双线性插值得到。

function [normIris] = irisNormalize(eyeGray, pupilCenter, pupilRadius, ... irisCenter, irisRadius, angularRes, radialRes) % 橡皮膜展开：把环形虹膜映射为 radialRes x angularRes 的矩形 % 角度方向对应展开图横轴，径向对应纵轴，所有样本统一尺寸 [rows, cols] = size(eyeGray); normIris = zeros(radialRes, angularRes); for j = 0:angularRes-1 theta = 2 * pi * j / angularRes; % 当前采样角度 % 内边界点：瞳孔边缘。pupilCenter 为 [x y] 格式 xInner = pupilCenter(2) + pupilRadius * cos(theta); yInner = pupilCenter(1) + pupilRadius * sin(theta); % 外边界点：虹膜外缘 xOuter = irisCenter(2) + irisRadius * cos(theta); yOuter = irisCenter(1) + irisRadius * sin(theta); for i = 0:radialRes-1 rho = i / (radialRes - 1); % 径向比例，0 到 1 xSrc = round(xInner + rho * (xOuter - xInner)); ySrc = round(yInner + rho * (yOuter - yInner)); % 越界像素填 0，后续由噪声掩码排除 if xSrc >= 1 && xSrc <= cols && ySrc >= 1 && ySrc <= rows normIris(i+1, j+1) = eyeGray(ySrc, xSrc); end end end

逻辑说明：双循环遍历所有目标位置，每个位置反向映射回原图坐标。取整方式用 round，速度快，精度略损失；追求平滑可以替换成 interp2 双线性插值。在这个环节插值对最终识别率影响很小，但低分辨率样本上建议用插值，否则径向采样点重复出现，会损失部分纹理信息。

参数说明：angularRes 和 radialRes 是展开图的宽和高，256×64 是常见配置。angularRes 太小，角度方向会出锯齿；radialRes 太大，会把内外边界附近的噪声和错位一起放大。低分辨率样本建议降到 180×48。这里有个经验：展开图尺寸只要超过纹理有效分辨率，继续加采样点只会引入噪声，不会增加有效信息。

展开后务必 imshow 检查。健康的展开图应该呈现自上而下的径向条纹，亮度过渡均匀，没有整片黑或竖条。如果出现竖条，说明内外圆半径有一侧不准；如果半边亮半边暗，属于光照问题，第五章会给出处理方案。

3.3 Gabor 滤波与虹膜编码：从归一化图到多维二值码

特征提取我常用多尺度多方向的 Gabor 滤波器组。Gabor 响应能同时刻画纹理的特定频率和方向，和虹膜纹理的随机性匹配度好。MATLAB 新版本直接提供 gabor 和 imgaborfilt，构造滤波器组和滤波都是一行的事。

function [irisCode, codeMask] = irisEncode(normIris, validMask) % normIris: radialRes x angularRes 归一化虹膜图 % validMask: 同尺寸有效区域掩码，1 表示该像素可靠 % 输出 irisCode: radialRes x angularRes x numFilter 的 0/1 编码 wavelengths = [2 4 8]; % 三个波长尺度 orientations = [0 45 90 135]; % 四个方向 gaborBank = gabor(wavelengths, orientations); % 共 12 个滤波器 % 取响应实部，符号作为比特位；默认输出是幅值，必须显式指定 gabormag = imgaborfilt(normIris, gaborBank, 'OutputType', 'real'); irisCode = false(size(normIris, 1), size(normIris, 2), numel(gaborBank)); for k = 1:numel(gaborBank) channel = gabormag(:, :, k); % 通道内标准化，避免某尺度响应整体偏大主导编码 channel = (channel - mean(channel)) / std(channel); irisCode(:, :, k) = channel > 0; % 实部符号为正记 1，否则记 0 end % 掩码沿通道维度复制，与编码维度对齐 codeMask = repmat(validMask, [1 1 numel(gaborBank)]); end

逻辑说明：先构造 12 个滤波器，覆盖三个波长与四个方向；imgaborfilt 输出每个滤波器对应的响应通道；对每个通道标准化后按符号二值化。这样每个像素携带 12 位信息，整个编码是 256×64×12 的二值张量。validMask 由分割阶段生成，把瞳孔外侧、虹膜内缘、睫毛遮挡区域标为 0，具体生成策略在第五章展开。

参数说明：波长 [2 4 8] 对应纹理周期为 2、4、8 像素的成分，覆盖虹膜纹理的主要尺度区间；方向 [0 45 90 135] 四组朝向。滤波器个数直接决定编码体积和匹配计算量。这里最容易踩的坑是忘记指定 'OutputType', 'real'——默认输出幅值恒为正，二值化后全是 1，编码失去区分度。标准化也是必需步骤，不然幅度大的通道会压制其他通道。

匹配函数负责计算两个编码的带掩码汉明距离。掩码的意义是排除遮挡、反光等不可靠像素，让分数只反映真正虹膜纹理的差异。

function hd = irisMatch(code1, mask1, code2, mask2) % 带掩码汉明距离：只统计双方都有效的比特位 valid = mask1 & mask2; xorBits = xor(code1, code2); total = sum(valid(:)); if total == 0 hd = 1; % 无重叠区域，判为完全不一致 else hd = sum(xorBits & valid, 'all') / total; end

逻辑说明：valid 掩码取交，表示两个样本都能信任的像素集合；xorBits 是逐位异或，为 1 表示不一致；最终距离是不一致且有效的比特数除以有效总数。total 为 0 时返回 1，避免除零异常。这个实现最容易被忽略的是掩码维度必须和编码完全一致，任何一个维度的错配都会让 valid 整体为 false，匹配分恒等于 1。

4. 参数调试与匹配阈值：识别率从 80% 到 95% 的关键变量

4.1 六个关键参数与推荐取值范围

虹膜识别可调参数很多，但真正影响识别率的是少数几个，其余保持默认即可。调试时一次只动一个，不要组合搜索，否则翻车了都不知道是哪一步改坏的。

外边界 Sensitivity 是误检率的主要来源。0.85 以上时，眼睑边缘经常被当成虹膜边界，归一化展开图上下混入眼睑纹理，这类样本相互之间匹配分虚低，系统整体看起来"识别率很高"，实际是大量误识。我一般从 0.8 起步，用 viscircles 逐张确认边界贴住虹膜外缘后再微调。这个肉眼确认步骤别省，它能直接暴露 Sensitivity 是否越过临界点。

Gabor 波长要与虹膜纹理的实际尺度匹配。波长太短，响应几乎全是噪声；波长太长，只提取到整体灰度变化。经验波段 [2 4 8] 在多数公共虹膜图像集上成立，但样本分辨率低时要把最大波长降为 6，否则最大尺度滤波器覆盖范围超过纹理周期，输出接近常量。方向组合同理，至少保留四个朝向，减少到两个时纹理朝向信息丢失明显。

4.2 用 FAR/FRR 曲线选阈值：识别率怎么算才可信

匹配阈值决定同源样本被判为不同（拒真）和不同源样本被判为相同（认假）的比例。阈值低则 FAR 低但 FRR 高，阈值高则相反。常见做法是取等错误率 EER 对应的点，即 FAR 和 FRR 最接近时的阈值。

% 输入：sameScores 同源匹配分数组，diffScores 异源匹配分数组 thresholds = 0.20:0.01:0.50; far = zeros(size(thresholds)); frr = zeros(size(thresholds)); for k = 1:numel(thresholds) t = thresholds(k); far(k) = mean(diffScores <= t); % 异源被误判同源比例 frr(k) = mean(sameScores > t); % 同源被误判异源比例 end [~, idx] = min(abs(far - frr)); eerThreshold = thresholds(idx); % 等错误率阈值

这段代码遍历候选阈值，统计两类错误率，选差值绝对值最小的点作为最终阈值。注意方向约定：这里的匹配分是汉明距离，越小越相似，所以异源分数小于阈值才算认假，同源分数大于阈值才算拒真，写反了曲线完全错乱。

EER 阈值算出来还不够，要看曲线整体形态。如果 FAR 和 FRR 交叉点附近曲线陡峭，说明阈值对性能极其敏感，实际部署风险高；曲线平缓开阔才是可用的系统。在多数公共样本集上，同源分集中在 0.25 以下，异源集中在 0.4 以上，阈值落在 0.32~0.35 是常见区间，但每个数据集必须重新标定，不能直接抄别人论文里的数值。

识别率报告也有讲究。只报一个总数等于没报，至少要分同源和异源两类统计，并注明每类样本量。我曾见到某模拟项目的报告写着"识别率 99%"，细看只测了同源——同目录下的图互相对比，分数当然低，和真实识别场景完全不是一回事。这种数字在评审会上很容易被当场问穿。

4.3 测试集划分与实验设计：同源与异源样本的配比

实验设计决定你得到的识别率有没有意义。最基础的要求：每位测试者至少 4 幅图像，分两次采集更佳，用来模拟瞳孔收缩和姿态变化；同源匹配是同一测试者不同图像两两对比，异源匹配是不同测试者之间两两对比。同源和异源的样本数量要接近，否则 EER 点会被样本多的一侧带偏。

还有一类隐蔽的泄漏问题：归一化和 Gabor 滤波参数如果是在全体样本上调出来的，再用同一批样本评估识别率，数字天然虚高。严谨做法是按测试者划分调参集和评估集，调参只在调参集上做，评估集只跑一次。很多初看不错的识别率在换样本后掉得厉害，往往就是泄漏导致的。

批量计算异源匹配分时注意组合数量。测试者 30 人、每人 4 幅图，同源组合是 30×C(4,2) 共 180 对，异源组合是 C(30,2)×4×4 共 6960 对，量级完全不同。脚本里用矩阵运算一次性算完没问题，但要给异源矩阵留足内存，否则跑到一半内存溢出，MATLAB 直接崩掉的情况我也遇到过。

5. 虹膜识别 matlab 实现的避坑指南：圆形误检、光照不均与掩码缺失的翻车现场

5.1 圆检测连环误检：内边界和外边界互相干扰

现象：虹膜外边界检测结果在不同图像间跳动，圆心和半径差超过 20 像素，归一化展开图纹理错位，同源匹配分反而比异源还高。

原因：内外边界在灰度上都是暗色圆弧，imfindcircles 同时搜索时，瞳孔边缘的强响应会二次命中，返回的"虹膜圆"实际套在了瞳孔附近。

解决：分两步检测，先检瞳孔，再把瞳孔区域灰度置为背景值屏蔽强响应，然后再检外边界；同时用瞳孔半径当先验，限定外边界半径范围是瞳孔的 2~3 倍。这两处改动一起上，误检率基本归零。

5.2 光照不均：一侧亮一侧暗导致归一化纹理断裂

现象：展开图沿角度方向出现半边亮半边暗的分界，暗侧纹理几乎不可见，匹配时该区域像素被当成噪声丢弃，有效比特数骤降。

原因：采集光源偏置，虹膜表面存在明显光照梯度。归一化只做了几何映射，没有补偿灰度梯度，暗侧纹理被整体压低，Gabor 响应被灰度差主导。

解决：分割前做背景减除，用大窗口均值滤波估计光照分量并减去；或者把 adapthisteq 的 NumTiles 调密到 [16 16]，让局部增强在每个小块内独立生效，同时 ClipLimit 上调到 0.03。我倾向第二种，改动最小效果直接，但要注意块过密会把噪声也放大，处理完看一眼展开图再定。

5.3 睫毛遮挡与噪声掩码缺失

现象：没有掩码时，不同个体的匹配分普遍抬高，部分异源分甚至超过同源分，阈值完全无法分离两类分布，识别率形同虚设。

原因：睫毛投影在虹膜区域，归一化后形成细长暗纹，Gabor 滤波对这类强边缘响应剧烈，编码被睫毛主导，真正的虹膜纹理成了少数派。

解决：生成掩码，把灰度低于图像低分位数的像素、Sobel 边缘强度过高的像素、展开图内外端附近的像素全部标为无效。匹配时只统计双方都有效的比特位，这就是 3.3 节 irisMatch 里 valid 掩码存在的意义，也是整个实现里最容易偷懒却代价最大的环节，血泪教训。

5.4 图像灰度范围不一致导致匹配分虚高

现象：同一张图换一组预处理参数重跑，和自身的匹配分低到 0.1，而不同个体之间也有 0.3，距离分布没有拉开，阈值无从谈起。

原因：adapthisteq 的 ClipLimit 等参数不同，输出灰度范围不一致，Gabor 响应幅度整体缩放，二值化后大量比特位被同一方向的主导响应占据，编码信息熵下降。

解决：预处理后统一用 mat2gray 把灰度归一化到 [0,1] 再进滤波器；同时自检编码质量，统计每个通道 0 和 1 的比例，接近各占一半是健康状态，哪一位比例严重失衡，就该检查对应滤波器的波长和输入灰度范围。

5.5 版本兼容性翻车：gabor 函数不存在导致整套代码中断

现象：在一台机器上跑通整个流程后换到另一台机器，运行到特征提取直接报"未定义函数或变量 gabor"，前面结果全部白跑。

原因：gabor 和 imgaborfilt 是新版本图像处理工具箱才提供的函数，老版本只有基础卷积工具，没有滤波器组封装。

解决：开始前执行 edit gabor 验证函数可用；不可用则退回自构 Gabor 核加 imfilter 的方案，用 meshgrid 生成网格坐标，乘高斯窗和复指数构造实部与虚部两个核，再逐滤波器卷积。两套方案精度差距不大，自构方案多写约 20 行代码但兼容旧版本。建议在脚本开头做一次存在性检查，按版本自动选择实现路径，避免换机器后整套代码报废的尴尬。

6. 批量化测试脚本与鲁棒性验证：让识别率数字变得可信

批处理脚本是把整套流程从"能跑"推向"可信"的关键一步。脚本按目录组织数据：每位测试者一个子目录，目录内放多次采集的图像。遍历所有子目录，同目录内的图像两两匹配得到同源分，跨目录的两两匹配得到异源分，全部存入矩阵，供第 4 章的 FAR/FRR 脚本直接使用。

批量跑起来最先暴露的是图像质量波动。手挑三五张图怎么调参都能过，一两百张真实采集样本跑出来的问题才是真问题。我在脚本里加了一个自检段：每张图分割完成后立即检查内外半径比例、半径与图像尺寸的比例，超出经验范围就把样本标记为"分割异常"并输出预览图。一次批量跑完，异常一目了然，不用对着日志翻找。

鲁棒性验证我建议做三件事。第一，同一测试者的多幅图像跨时间段匹配，模拟真实使用中的瞳孔收缩与姿态变化；第二，对图像做轻微旋转和缩放，观察匹配分随变换幅度增大的退化速度，这里用得上 2.1 节说的展开图循环平移技巧；第三，把 EER 按测试者逐一统计，找出让系统显著变差的"困难样本"，反查是分割误差还是纹理本身模糊。这三步做完，识别率的数字才是经得起追问的。

这套流程不复杂，但它能挡住最常见的自欺欺人。我吃过最大的亏是在噪声掩码上偷懒，换了一批采集条件不同的样本后，两个不同个体的匹配分直接越过了阈值，整套实现被打回重做。后来把掩码补齐、把批处理自检加进流程，这套代码才真正敢拿出去见人。希望这篇笔记能帮你把同样的坑提前绕开，少走我走过的弯路。

本文还有配套的精品资源，点击获取