摘要： 虹膜识别技术目前已发展到可在远距离识别人物的水平。其中，虹膜分割过程通过控制当前阶段的误差，在维持基于虹膜识别系统的准确性方面起着至关重要的作用。然而，其性能会受到环境光噪声和用户不配合等非理想情况的影响。现有的基于局部特征的分割方法在这些非理想情况下无法找到真实的虹膜边界，且分割阶段产生的误差会传递至后续所有阶段，导致准确性和可靠性下降。此外，还需要在不增加去噪等预处理额外成本的情况下实现真实虹膜边界的分割。 为克服虹膜分割过程中的这些挑战性问题，本研究提出了一种基于深度学习的全残差编码器-解码器网络（FRED-Net），通过残差跳跃连接使高频信息从前层流向后层，从而确定真实的虹膜区域。本研究的四大影响与意义如下：首先，FRED-Net是一个端到端的语义分割网络，不采用传统图像处理方案，且无预处理开销。该独立网络无需进行眼睑、睫毛和反光点检测即可获取真实虹膜边界。其次，所提出的FRED-Net是逐步开发的最终成果结构，每一步都根据网络的详细描述创建了用于语义分割的新完整变体网络。第三，FRED-Net通过编码器和解码器的残差快捷连接利用卷积层间的残差连通性，使高频分量能在网络中流动，从而以较少层数实现更高精度。第四，通过在可见光和近红外光环境下使用五个不同虹膜数据集，以及两个通用道路场景分割数据集对FRED-Net的性能进行测试。为与其他研究进行公平比较，我们训练的FRED-Net模型及算法已通过网站公开（东国大学FRED-Net模型与算法，访问日期：2018年5月16日）。 实验包含两组数据集：从UBIRIS.v2数据库选取的可见光环境下的"噪声虹膜挑战评估第二部分（NICE-II）"和"移动虹膜挑战评估（MICHE-I）"；以及近红外（NIR）光环境下的三个数据集——中国科学院自动化研究所（CASIA）v4.0间隔版、v4.0远距离版和德里印度理工学院（IIT Delhi）v1.0版。此外，为评估该网络在通用分割中的性能，还包含对两个著名道路场景分割数据集——剑桥驾驶标注视频数据库（CamVid）和卡尔斯鲁厄理工学院与芝加哥丰田技术研究所（KITTI）的实验。实验结果表明，所提出的FRED-Net在上述七个虹膜及通用道路场景分割数据集上均展现出最优性能。