虹膜識別作為生物特征識別領域的核心技術，因其獨特的紋理穩定性和高安全性，被廣泛應用于邊境管控、金融支付等領域。然而，現有技術面臨非合作環境下圖像質量差、噪聲干擾（如睫毛遮擋、離軸旋轉）等挑戰，導致識別準確率下降。傳統卷積神經網絡（CNN）雖能自動提取特征，但對復雜虹膜紋理的適應性不足。針對這一瓶頸，研究人員開發了ANFFractalNet模型，通過融合自適應神經模糊推理系統（ANFIS）與分形網絡（FractalNet），結合多階段預處理與特征優化，顯著提升識別性能。該成果發表于《Biomedical Signal Processing and Control》，為生物安全領域提供了更可靠的解決方案。

研究采用Kuwahara濾波消除圖像噪聲，通過感興趣區域（RoI）提取定位虹膜，并利用Daugman橡皮片模型完成幾何歸一化分割。特征提取階段整合局部差分模式向量（LDPV）、快速視網膜關鍵點（FREAK）及統計特征，最終通過ANFFractalNet實現分類。模型在測試中達到91.594%準確率，錯誤接受率（FAR）和錯誤拒絕率（FRR）分別低至0.537%和2.482%。

Proposed ANFFractalNet for iris recognition
研究提出ANFFractalNet通過分層結構處理虹膜紋理復雜性：ANFIS模塊優化模糊規則以應對光照變化，FractalNet的殘差連接增強深層特征表達能力。實驗表明，該模型在CASIA-IrisV4等數據集上優于MobileNet v2等基線方法。

Results and Discussions
對比分析顯示，ANFFractalNet的損失值（0.084%）較傳統CNN降低32%，且對離軸旋轉圖像的魯棒性提升顯著。消融實驗證實，聯合LDPV與FREAK特征可使FAR降低1.8個百分點。

Conclusion
該研究突破了非理想條件下虹膜識別的技術瓶頸，ANFFractalNet的透明決策機制（通過ANFIS規則可視化）增強了模型可解釋性。未來可擴展至多模態生物識別系統，推動機場安檢等場景的自動化升級。