包括用户处于不同的姿态和速度，环境不同的光照等等，都是这个系统未来的发展方向。特别是网络条件下，为虹膜识别提出了无处不在新的机遇，比如说三五米甚至十米之外实现虹膜采集和识别，包括互联网上、移动互联网怎么在手机上进行挑战。我们认为有 三个挑战：一是如何便捷性的挑战。二是鲁棒性的挑战。三是安全性的挑战。

　　虽然虹膜内在的安全比指纹跟人脸安全很多，但是也有可能别人用这种虹膜文理或者是玻璃眼球，或者是戴有隐性眼镜来进入虹膜识别系统。因此 虹膜要从近距离到远距离，从被动成像到主动成像，从静态成像到动态成像。以后不管在什么样情况下，我们可以同时采集多个人的虹膜，包括从远距离到近距离，甚至人可以呈现3D的人脸，包括成像的获取和用户的配合。我觉得在虹膜在生物特征进行上还需要变革的创新，因为虹膜采集的对象、距离都是千变万化，因此用固定的模式去应对变化的场景，很难保证每次都能采集到高质量的虹膜成像。

　　现有虹膜识别技术的局限

　　因此我们认为现在很大的一切问题， 感和知都是单向的流程，做成像的做成像，做识别的做识别，两者没有做考虑，就是感和知之间是互相孤立的，因为我们在成像过程当中是可动态配置传感框架，因为以前成像设备都是固定的，atv，包括焦距、光圈都是死的。

　　虹膜识别的发展思路

　　以后我们想做成活的，就是可动态配置可以根据环境自身调整，叫做 可动态配置生物传感的框架。由自上而下的认知驱动，在任务的驱动下选取最优的参数来采集最佳的图像。在识别过程当中，也是自下而上数据驱动，然后在大数据驱动下，可以使用深度神经网络方法得到更好的识别模型，因为以前的识别模型都是人工调节滤波器的参数，很难应对复杂多变的虹膜成像，所以识别算法应该是自适应性的。

　　我们面向虹膜识别的需求， 采用计算成像主动感知模式，建立可动态配置视觉传感模型，采集多维光场的虹膜成像信息。成像过程都是认知任务的驱动，都是多维的，在信号处理阶段都是多维信号处理进行计算，比如说成像过程当中有计算，识别过程当中也有成像的参数来驱动。这样的话我们在成像过程当中引入识别任务的认知需求进行有针对性的虹膜信息检测，建立虹膜纹理成像的身份识别。

　　计算光场成像技术

　　我们研究研发了计算光场成像， 光场成像基本思路是在成像过程当中同时记录光的方向和记录光的强度，这样的话可以得到三维的感知，并且可以先成像后对焦，可以采取计算成像的模式，可以对不同位置的目标进行重对焦的计算，这样的话可以得到不同人的虹膜，这样一张图像可以采取的多个人虹膜。

　　光场相机

　　我们也研制成功了光场相机，并且把三维的信息通过计算模型呈现出来，并且可以同时实现多个目标的虹膜成像，因为原来的虹膜成像是采用先成像后对焦，然后虹膜成像过程当中，可以用活体检测。比如说用一张白纸根据眼周区域、对焦区域可以实现真的虹膜还是假的虹膜的自动识别，这样就非常方便。

　　数据驱动

　　像人工智能之父Minsky他认为多样性的数据去描述智能模型更有效，因为虹膜的本质就是多样性和复杂性的，这样我们就提出数据驱动，就是用数据神经网络的模型来用虹膜识别大数据来定义这样的方法。比如说用人工设定的规则去做虹膜图像的分割，现在简单用机器自动去学大数据模型就会提高19%，这样就可以实现虹膜识别概念要素和数据定义，包括这种噪声虹膜图像分割实现了非常好的效果。