隨著信息技術的不斷革新，生物識別技術在各領域的應用愈發廣泛，其中虹膜識別憑藉其卓越的準確性和穩定性，成為保障個人隱私與數據安全的關鍵技術。2025年，虹膜識別行業呈現出對安全性和可擴展性要求不斷提升的趨勢，如何在保護用戶虹膜特徵數據隱私的同時，實現識別系統在新用戶註冊等場景下的高效擴展，成為行業關注的焦點。

  一、虹膜識別技術面臨的挑戰與現有方案局限

  據《2025-2030年中國虹膜識別行業運營態勢與投資前景調查研究報告》指出，虹膜識別技術憑藉虹膜紋理的高區分性和長期穩定性，在公共安全、民生服務等諸多關鍵領域得到廣泛應用。在邊境管制中，其能快速準確核驗人員身份;疫情期間，在人臉識別受限的情況下，於方艙醫院出入口實現非接觸式身份識別。然而，虹膜特徵數據一旦泄露便無法更改或撤銷，印度曾發生超8億用戶包括虹膜數據在內的隱私泄露事件，凸顯了虹膜識別技術面臨的隱私風險。

  國際標準對安全虹膜識別方法提出不可逆性、不可連結性和可撤銷性的要求。為滿足這些要求，傳統的生物特徵數據隱私保護方案主要分為可撤銷生物特徵識別和生物特徵密碼系統兩類。但許多可撤銷生物識別方法易受攻擊，無法滿足安全要求;生物特徵密碼系統因引入糾錯碼和存儲輔助數據，存在嚴重隱私問題，且這兩類傳統方案在部分複雜數據集上難以達到理想性能。

  基於神經網絡的安全虹膜識別方案雖取得一定成果，但在擴展性方面存在不足。隨著用戶數據和應用場景的更新，訓練好的神經網絡難以適應新用戶，簡單存儲原始生物數據重新訓練模型的方式會帶來隱私泄露風險，而僅基於新數據和前一任務模型訓練，又會導致模型在以往任務上的識別準確率大幅下降。

  二、基於特徵生成與重放的創新虹膜識別方法

  針對上述問題，提出了基於生成特徵重放的安全增量虹膜識別(GFR-SIR)方法和基於隱私保護模板重放的安全增量虹膜識別(PTR-SIR)方法。

  GFR-SIR 方法在虹膜識別應用中，將新用戶註冊視為擴展任務，針對神經網絡擴展時的災難性遺忘問題，引入生成特徵重放技術改進 TNCB 方法。在註冊階段，原始虹膜圖像經 PerMIF 算法處理後，完成虹膜識別網絡和特徵轉換網絡訓練，且將識別網絡的特徵提取器和分類器分開部署。驗證時，虹膜圖像經處理後提取特徵，轉換為隱私保護模板發送至伺服器識別。在模型擴展訓練中，通過生成器重放以往任務特徵，與當前數據特徵共同訓練相關模塊，並利用特徵蒸餾緩解特徵提取器知識遺忘，採用 WGAN 進行特徵建模和生成重放，加入重放對齊損失確保生成特徵的一致性，最終通過最小化轉換網絡聯合損失實現隱私保護與識別準確率的平衡。

  PTR-SIR 方法則是為滿足高識別準確率應用場景需求而設計。其識別架構與 TNCB 類似，但為保存訓練數據，在新任務中僅擴展訓練識別網絡，為每次擴展任務單獨訓練轉換模型。註冊時，原始虹膜圖像經處理後完成特徵轉換網絡訓練和識別網絡擴展訓練，並保存相關成果。驗證時，按流程獲取隱私保護模板進行識別。在模型擴展訓練中，保存前階段任務的隱私保護模板，在當前任務訓練時重放，與當前任務模板共同訓練識別網絡，通過計算分類損失和中心損失調整參數，實現安全可擴展的虹膜識別。

  三、兩種虹膜識別方法的安全性與效率分析

  在安全性方面，兩種方案均採用 TNCB 方法保護生物數據，滿足不可逆性、可撤銷性和不可連結性要求。TNCB 方法的 PerMIF 算法階段，取模和正反合併運算為多對一映射，轉換網絡階段的卷積、池化、非線性激活等運算也導致信息丟失，使得從保護模板重建原始生物特徵在計算上極為困難。GFR-SIR 和 PTR-SIR 方法基於 TNCB，同樣具備不可逆性;當模板泄露時，GFR-SIR 可刪除網絡並重新收集圖像訓練，PTR-SIR 只需處理相關轉換網絡和識別網絡，二者均滿足可撤銷性;分塊置換操作使不同應用中的虹膜模板隨機分布，結合 TNCB 方案已證明的不可連結性，兩種方法均滿足不可連結性。

  效率方面，在模板轉化過程中，兩種方法與 TNCB 方法的初始圖像轉換過程一致，整體時間複雜度為 O (W×H)。在模型增量訓練中，GFR-SIR 避免存儲大量歷史數據，但需訓練和存儲生成器，對計算資源有一定消耗;PTR-SIR 處理的數據量隨任務增加線性增長，在大規模增量學習場景下對數據存儲和計算資源挑戰較大，且其模型更新計算效率在任務較多時相對較低。

  四、虹膜識別方法的實驗驗證與結果分析

  實驗在 CASIA-Iris-Lamp 和 CASIA-Iris-Thousand 兩個經典虹膜數據集上進行。Lamp 數據集包含 411 個用戶的 16215 張圖像，採集於不同光線條件，用於評估識別方法有效性;Thousand 數據集有 1000 個用戶的 2000 張圖像，含複雜眼部情況，用於評估方法魯棒性。實驗對圖像進行定位、分割和歸一化處理，設置初始任務和擴展任務類別數量，以 4:1 劃分訓練集與測試集，採用 U-Net 作為轉換網絡，改進後的 DeepIrisNetA 作為識別網絡，使用平均識別準確率和遺忘率評估方法性能。

  在性能和遺忘評估中，Lamp 數據集上，隨著任務數量增加，微調方法識別準確率急劇下降，GFR-SIR 前期下降緩慢後期加快，PTR-SIR 變化平緩;遺忘率方面，微調方法快速上升，GFR-SIR 緩慢上升後加快，PTR-SIR 趨於平緩。Thousand 數據集上，微調方法識別準確率大幅下降，GFR-SIR 和 PTR-SIR 表現優於微調，PTR-SIR 在保持性能上更出色，且兩者遺忘率變化趨勢與識別準確率相關，均證明了方法在緩解遺忘和保持性能上的有效性。

  消融實驗表明，GFR-SIR 的特徵蒸餾模塊和生成特徵重放模塊均能提升識別準確率，二者結合效果更佳。與其他增量學習方法對比，在 Lamp 數據集上，GFR-SIR 在無須存儲原始生物數據的情況下，識別準確率優於部分採用受保護數據訓練的方法，PTR-SIR 性能保持更好，更適合對精度需求高的場景，兩種方案均在保護隱私的同時實現較高準確率的擴展訓練。

  總結

  通過對虹膜識別技術的深入研究，提出的 GFR-SIR 和 PTR-SIR 兩種方法，有效解決了虹膜識別模型擴展過程中災難性遺忘導致識別準確率下降的問題。GFR-SIR 方法在不保存訓練數據的情況下，實現了高安全性的可擴展虹膜識別，尤其適用於內存資源有限的場景;PTR-SIR 方法在僅保存受保護訓練數據的條件下，維持了出色的識別性能，更適合對識別準確率要求較高且內存充足的應用場景。在2025年虹膜識別行業追求安全與可擴展的趨勢下，這兩種方法為虹膜識別技術的發展提供了新的思路和方向，未來有望進一步融合，形成適用於更多生物識別方法的安全可擴展框架 。