为减少手指静脉识别时间, 提出一种双重降维方向梯度直方图特征( Histogram of Oriented Gradient, HOG)结合支持向量机( Support Vector Machine, SVM)分类的手指静脉识别方法。针对传统 HOG算法特征维数高的问题, 首先通过 Fisher准则衡量梯度方向区间 HOG特征的分类能力, 然后使用序列前向选择法挑选出分类能力较优异的梯度方向区间构建部分方向区间 HOG特征, 最后使用主成分分析(Principal Component Analysis, PCA)降维。在公开的手指静脉数据库 FV-USM和 THU-FV上使用 SVM多分类器进行分类识别, 实验结果表明: 双重降维 HOG方法相较于 HOG＋PCA方法提取的特征维数降低了 40%, 识别时间减少了 29.85%, 识别准确率分别为 99.17%和 100%, 等误率分别为 1.07%和 0.01%。

针对手指静脉的身份识别问题，并结合手指静脉具有丰富纹理信息的特点，提出了一种基于小波灰度曲面的近红外手指静脉识别方法。采用直方图均衡化方法对原始静脉图像的感兴趣区域进行灰度调整，再用小波分解降维，提取降维后具有不同分辨率的图像，构建待匹配图像。将两幅待匹配图像中的对应像素值相减, 得到灰度差曲面。求出该灰度差曲面的方差, 将其作为衡量两个手指静脉特征曲面之间距离的依据, 并据此判定两个静脉是否来自同一个手指。应用该方法在国内和国外两个图库中使用典型和流行方法进行了对比实验，结果表明，提出的方法用Haar 小波降维后可获得具有不同分辨率的图像，在两个图库上的最低等误率(EER)分别为0%和4.6281%，识别时间仅为0.061 s 和0.0502 s。该算法具有一定的优势和可行性，且准确性高、安全保密性好、运行速度快。