搭建了基于视频的掌纹掌脉联合识别系统。首先对掌纹掌脉采用新的注册和识别方式,用系统获取的手掌运动视频来代替传统采集方式所获取的静态图像,认证时手掌无需刻意停留,只需横扫而过,有效地增强了认证的亲和性。提出了将旋转视频和横扫视频进行融合注册的新策略,从而确保了注册特征的丰富性和完整性,增强了系统对不同认证姿态的稳健性。为了提升已注册用户的识别速度,提出一种级联融合策略来进行识别。构建了一个包含100个手掌、1200段带有运动模糊的掌纹掌脉视频数据库,并在数据库上进行了大量仿真,结果显示新系统在915 ms的期望耗时内能够达到1.51%的等误率,验证了所构建新系统的有效性和实用性。

为了提取手掌静脉图像的纹理特征, 并有效提高其识别率, 在联合Gabor小波和近邻二值模式(NBP)的基础上提出了一种纹理特征提取方法。该方法利用静脉结构中血管粗细与延伸方向不同的特点, 将掌静脉图像感兴趣区域与4尺度、4方向的Gabor小波卷积获得多个幅值特征, 并在4个不同的尺度下分别求取均值, 获得Gabor尺度均值模式(GSP), 在每个GSP分块上使用NBP描述算子来提取局部邻域关系模式(GSPNBP)。然后将这些多尺度、多方向的GSPNBP分块区域的编码序列的总和作为掌静脉特征向量。最后通过求特征向量间汉明距离衡量静脉图像的相似程度来计算识别率, 并在PolyU图库和自建图库中进行实验。实验结果显示, 该算法获得的识别率最高可分别可达99.7935%和99.3965%, 识别时间都在1 s以内, 有效增强了算法稳健性。

针对局部方向模式(LDP)识别掌脉时速度慢的问题，提出一种基于改进LDP 的掌脉识别方法。该方法在保留LDP算法原有的Kirsch 模板基础上，直接按照八方向边缘响应符号进行编码，避开排序，减少特征提取时间，即快速局部方向模式(FLDP)。在香港理工大学掌脉图库和自建图库上实验，将掌脉图像分成若干均匀子块，利用FLDP 算法提取各子块的特征向量，融合得到总的模式特征，利用卡方距离进行匹配识别。在两个图库上的实验结果表明，该算法的执行时间分别为17.75 ms 和19.98 ms，优于其他典型算法，同时正确识别率可达到99.8916%和99.3665%，具有应用价值。

目前的手掌静脉识别系统均采取主动光源来获取掌脉图像，光源波长的选择直接影响掌脉图像的清晰度与识别性能。典型的掌脉识别成像波长为760，850，890，940 nm，但没有指出哪种波长识别性能最佳。从两个角度解决此问题，从识别特征提取角度，建立了基于Fisher判别率的掌脉成像清晰度模型，对4种波长拍摄的掌脉清晰度进行比较；从特征匹配角度，以3种典型的生物特征识别算法对4种波长拍摄的掌脉图像进行识别性能比较。在包含4种波长共2400幅掌脉图像的自建图库中进行实验，模型选择和典型算法实验结果都表明，850 nm优于其他3种波长。证明了850 nm拍摄的掌脉图像的识别性能最佳。