随着信息技术的不断革新，生物识别技术在各领域的应用愈发广泛，其中虹膜识别凭借其卓越的准确性和稳定性，成为保障个人隐私与数据安全的关键技术。2025年，虹膜识别行业呈现出对安全性和可扩展性要求不断提升的趋势，如何在保护用户虹膜特征数据隐私的同时，实现识别系统在新用户注册等场景下的高效扩展，成为行业关注的焦点。

  一、虹膜识别技术面临的挑战与现有方案局限

  据《2025-2030年中国虹膜识别行业运营态势与投资前景调查研究报告》指出，虹膜识别技术凭借虹膜纹理的高区分性和长期稳定性，在公共安全、民生服务等诸多关键领域得到广泛应用。在边境管制中，其能快速准确核验人员身份;疫情期间，在人脸识别受限的情况下，于方舱医院出入口实现非接触式身份识别。然而，虹膜特征数据一旦泄露便无法更改或撤销，印度曾发生超8亿用户包括虹膜数据在内的隐私泄露事件，凸显了虹膜识别技术面临的隐私风险。

  国际标准对安全虹膜识别方法提出不可逆性、不可链接性和可撤销性的要求。为满足这些要求，传统的生物特征数据隐私保护方案主要分为可撤销生物特征识别和生物特征密码系统两类。但许多可撤销生物识别方法易受攻击，无法满足安全要求;生物特征密码系统因引入纠错码和存储辅助数据，存在严重隐私问题，且这两类传统方案在部分复杂数据集上难以达到理想性能。

  基于神经网络的安全虹膜识别方案虽取得一定成果，但在扩展性方面存在不足。随着用户数据和应用场景的更新，训练好的神经网络难以适应新用户，简单存储原始生物数据重新训练模型的方式会带来隐私泄露风险，而仅基于新数据和前一任务模型训练，又会导致模型在以往任务上的识别准确率大幅下降。

  二、基于特征生成与重放的创新虹膜识别方法

  针对上述问题，提出了基于生成特征重放的安全增量虹膜识别(GFR-SIR)方法和基于隐私保护模板重放的安全增量虹膜识别(PTR-SIR)方法。

  GFR-SIR 方法在虹膜识别应用中，将新用户注册视为扩展任务，针对神经网络扩展时的灾难性遗忘问题，引入生成特征重放技术改进 TNCB 方法。在注册阶段，原始虹膜图像经 PerMIF 算法处理后，完成虹膜识别网络和特征转换网络训练，且将识别网络的特征提取器和分类器分开部署。验证时，虹膜图像经处理后提取特征，转换为隐私保护模板发送至服务器识别。在模型扩展训练中，通过生成器重放以往任务特征，与当前数据特征共同训练相关模块，并利用特征蒸馏缓解特征提取器知识遗忘，采用 WGAN 进行特征建模和生成重放，加入重放对齐损失确保生成特征的一致性，最终通过最小化转换网络联合损失实现隐私保护与识别准确率的平衡。

  PTR-SIR 方法则是为满足高识别准确率应用场景需求而设计。其识别架构与 TNCB 类似，但为保存训练数据，在新任务中仅扩展训练识别网络，为每次扩展任务单独训练转换模型。注册时，原始虹膜图像经处理后完成特征转换网络训练和识别网络扩展训练，并保存相关成果。验证时，按流程获取隐私保护模板进行识别。在模型扩展训练中，保存前阶段任务的隐私保护模板，在当前任务训练时重放，与当前任务模板共同训练识别网络，通过计算分类损失和中心损失调整参数，实现安全可扩展的虹膜识别。

  三、两种虹膜识别方法的安全性与效率分析

  在安全性方面，两种方案均采用 TNCB 方法保护生物数据，满足不可逆性、可撤销性和不可链接性要求。TNCB 方法的 PerMIF 算法阶段，取模和正反合并运算为多对一映射，转换网络阶段的卷积、池化、非线性激活等运算也导致信息丢失，使得从保护模板重建原始生物特征在计算上极为困难。GFR-SIR 和 PTR-SIR 方法基于 TNCB，同样具备不可逆性;当模板泄露时，GFR-SIR 可删除网络并重新收集图像训练，PTR-SIR 只需处理相关转换网络和识别网络，二者均满足可撤销性;分块置换操作使不同应用中的虹膜模板随机分布，结合 TNCB 方案已证明的不可链接性，两种方法均满足不可链接性。

  效率方面，在模板转化过程中，两种方法与 TNCB 方法的初始图像转换过程一致，整体时间复杂度为 O (W×H)。在模型增量训练中，GFR-SIR 避免存储大量历史数据，但需训练和存储生成器，对计算资源有一定消耗;PTR-SIR 处理的数据量随任务增加线性增长，在大规模增量学习场景下对数据存储和计算资源挑战较大，且其模型更新计算效率在任务较多时相对较低。

  四、虹膜识别方法的实验验证与结果分析

  实验在 CASIA-Iris-Lamp 和 CASIA-Iris-Thousand 两个经典虹膜数据集上进行。Lamp 数据集包含 411 个用户的 16215 张图像，采集于不同光线条件，用于评估识别方法有效性;Thousand 数据集有 1000 个用户的 2000 张图像，含复杂眼部情况，用于评估方法鲁棒性。实验对图像进行定位、分割和归一化处理，设置初始任务和扩展任务类别数量，以 4:1 划分训练集与测试集，采用 U-Net 作为转换网络，改进后的 DeepIrisNetA 作为识别网络，使用平均识别准确率和遗忘率评估方法性能。

  在性能和遗忘评估中，Lamp 数据集上，随着任务数量增加，微调方法识别准确率急剧下降，GFR-SIR 前期下降缓慢后期加快，PTR-SIR 变化平缓;遗忘率方面，微调方法快速上升，GFR-SIR 缓慢上升后加快，PTR-SIR 趋于平缓。Thousand 数据集上，微调方法识别准确率大幅下降，GFR-SIR 和 PTR-SIR 表现优于微调，PTR-SIR 在保持性能上更出色，且两者遗忘率变化趋势与识别准确率相关，均证明了方法在缓解遗忘和保持性能上的有效性。

  消融实验表明，GFR-SIR 的特征蒸馏模块和生成特征重放模块均能提升识别准确率，二者结合效果更佳。与其他增量学习方法对比，在 Lamp 数据集上，GFR-SIR 在无须存储原始生物数据的情况下，识别准确率优于部分采用受保护数据训练的方法，PTR-SIR 性能保持更好，更适合对精度需求高的场景，两种方案均在保护隐私的同时实现较高准确率的扩展训练。

  总结

  通过对虹膜识别技术的深入研究，提出的 GFR-SIR 和 PTR-SIR 两种方法，有效解决了虹膜识别模型扩展过程中灾难性遗忘导致识别准确率下降的问题。GFR-SIR 方法在不保存训练数据的情况下，实现了高安全性的可扩展虹膜识别，尤其适用于内存资源有限的场景;PTR-SIR 方法在仅保存受保护训练数据的条件下，维持了出色的识别性能，更适合对识别准确率要求较高且内存充足的应用场景。在2025年虹膜识别行业追求安全与可扩展的趋势下，这两种方法为虹膜识别技术的发展提供了新的思路和方向，未来有望进一步融合，形成适用于更多生物识别方法的安全可扩展框架 。