传统的生物特征识别方法直接将用户的生物特征模板存储于数据库中。由于生物特征具有唯一性和稳定性,一旦被窃取,用户的生物特征将终身不可再用。针对此问题提出了一种存储伪生物特征图像的手掌静脉识别算法,该算法不从外部输入密钥,不存储原始掌脉生物特征模板。在注册阶段,于近红外光下采集用户手掌静脉图像,对图像进行加密形成伪图像,将伪图像存储于数据库中;在认证阶段,将数据库中的伪图像解密后提取特征,与认证阶段采集图像提取的特征进行匹配,给出认证结果。在PolyU图库、CASIA图库和自建图库上进行测试,结果表明:在样本数量为300时,该算法在上述3种图库中的等误率分别为0.4135%、0.5576%、0.4744%,识别时间分别为325.0740,316.0800,322.6530 ms。在小范围样本内,所提算法适用于安防、考勤等场合,具有一定的实用价值。

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。

为使掌脉识别系统在识别性能和识别时间上有一个较好的平衡，提出了一种基于灰度曲面匹配的快速手掌静脉识别算法。对手掌静脉图像提取感兴趣区域，将感兴趣区域等分为若干个子区域，计算每个子区域像素灰度平均值作为该子区域灰度值，以各子区域灰度值构建待匹配图像。匹配时对两个待匹配灰度曲面中的像素灰度做差，得到灰度差曲面，求出该灰度差曲面的方差，将此方差作为衡量两个掌脉特征曲面之间距离的依据，并据此判定两幅掌脉图像是否来自同一只手。应用自建掌脉图库进行实验分析，该算法选择子区域大小为8 pixel×8 pixel时的正确识别率达到97.94%，识别时间仅用0.163 ms。实验结果表明，与传统掌脉识别算法相比，该算法在识别性能和识别时间上有一个较好的平衡。

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。