特征提取是低对比度掌纹识别的关键步骤。针对掌纹纹理特征明显的特点，本文提出了一种分块 Radon变换的掌纹特征提取方法。该方法先对掌纹感兴趣区域进行一级小波分解去噪降维，接着对低频子图像进行分块以圈定局部主要纹理，最后把所有分块后的子图像进行 70°～140° Radon变换，所获得的线积分组合在一起构成该图像的特征向量。运用 UST掌纹图像库，对本文算法进行了测试。从识别率达到 94%的实验结果看，此方法能够满足对采集图像无过多要求的认证系统的使用。

虹膜识别是一种有效的生物特征识别方法。经验模态分解(EMD)是一种可自适应的对非线性、非平稳信号进行多分辨率分解的信号分析算法。将虹膜图像进行EMD分解,找出有利于虹膜识别的敏感频带,使用选择后的固有模态分量对虹膜图像进行特征提取。仿真实验结果表明,该方法正确识别率达到99.44%,并且由于其在特征提取的同时消除了高频噪声和背景光影响,简化了预处理过程,降低了算法的复杂度。

提出一种具有信息丰富、稳定性强、低分辨率可采集等特征的掌纹纹理识别方法。该方法首先从6个方向计算掌纹图像每点的相位一致性,把该点相位一致性最大值对应的方向作为对数Gabor滤波器的方向,在此方向上用对数Gabor滤波器提取相位信息,并利用实部和虚部进行量化和编码掌纹相位象限码,码长为256字节。对100个手掌类,共1000幅掌纹图像的数据库进行实验,在给定阈值的情况下,识别率能达到99.95%左右。把实验结果与典型的基于掌纹纹理特征的识别算法进行比较,表明该方法正确识别率高。

非负矩阵分解(NMF)具有非负性和局部性的特点,是一种新型的特征提取方法。由于NMF是非监督学习算法,运用NMF提取掌纹特征时没有考虑训练样本的类别信息,因而分类效果不够理想。为了在提取掌纹特征的同时融入类别信息,提出运用非负矩阵分解和广义判别分析(GDA)相结合的方法进行掌纹识别。为了降低计算的复杂性,在特征提取之前,应用小波变换对掌纹图像进行三级分解,提取低频子图像。在低频子图像上应用NMF+GDA提取掌纹特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和NMF相比,算法的等误率(EER)最低为0.16%,特征提取和匹配总时间为0.812 s,满足实时系统的要求。