生物特征识别技术是指通过人体物理或行为特征自动识别人的身份。可用于生物特征识别的特征有多种，如人脸、指纹、掌纹、虹膜、签名、视网膜、手指静脉、手掌静脉等。生物特征识别系统首要考虑的问题是识别精度。为提高识别系统的性能，需要改进图像获取和图像处理算法。　　多模态生物特征识别系统是指利用两种人体生物特征或一种人体生物特征的两种不同表示方法进行识别。多模态生物特征识别可以提高识别的精度。但前一种多模态生物特征识别系统需要使用两种传感器进行两次采集。　　使用两种传感器的多模态生物特征识别所需的图像处理和模式匹配算法的代价也几乎变为两倍。为了解决这一局限性，本文通过融合单一生物特征模板的两种特征集，提出基于单一模态（手掌静脉）的生物特征识别方法，称为手掌静脉识别。手掌静脉识别具有较高的性能。可以从手掌静脉中提取可靠的、高精度的生物特征。手掌静脉特征提取极具挑战性。　　在过去的几年中，在特征提取方面出现了很多方法。然而，大部分主流方法采用的是全局或局部特征提取，难以得到较高精度。特征提取和表达是多媒体处理中一个关键步骤。如何提取理想的、能够尽可能完整地反映图像本质内容的特征仍然是计算机视觉中一项具有挑战性的难题。本文分析了手掌静脉认证系统中全局特征和局部特征融合的有效性问题。　　本文提出一种新的多特征提取方法以解决特征提取中存在的局限性。本文方法包括两个阶段，通过维数约减方法融合两种特征集。特征提取包括全局和局部两种。全局特征基于多层Daubechies小波、多层Symmlet小波、Gabor滤波器和S-滤波器；局部特征基于多尺度局部二值模式（MSLBP）、多尺度局部二值模式方差（MSLBPV）以及局部方向四分编码（LDQC）描述符。维数约减方法使用等距映射（ISOP）、局部保值投影（LPP）以及Fisher判别分析（FDA）。　　在本文提出的第一种方法中，提出了两种特征向量。全局特征结合多层Daubechies小波变换和ISOP，称为 MDW-ISOP。局部特征结合多尺度局部二值模式和ISOP，称为MSLBP-ISOP。最后，使用Manhatten距离进行手掌静脉匹配。在PolyU数据库上的实验表明，本文方法的认证等误率为0.1614％。　　在本文提出的第二种方法中，提出了两种特征向量。全局特征结合多层Symmlet小波变换和LPP，称为MSW-LPP。局部特征结合多尺度局部二值模式方差和LPP，称为 MSLBPV-LPP。最后，使用最近邻进行手掌静脉匹配。在PolyU数据库上的实验表明，所提出的方法具有0.1221%的等误率。　　在本文提出的第三种方法中，提出了一种多尺度多方向实值Gabor滤波器用于对手掌静脉图像进行卷积，而后基于FDA进行维数约减。约减后形成的特征向量称为Gabor Fisher静脉特征（GFVF）。最后，使用余弦距离进行手掌静脉匹配。在PolyU数据库上的实验表明，本文方法的等误率为0.0277%。　　在本文提出的第四种方法中，提出了新的全局和局部特征。全局特征基于S-滤波器和FDA，称为 S-FisherVein。在局部特征提取中，提出了一种新的特征提取和纹理图像描述方法，称为局部方向四分编码（LDQC）。LDQC是一种灰度局部纹理描述符，它能够描述图像局部纹理的方向。给定图像中的一个中心像素，通过比较它和其邻域像素得到一个模式数值，通过这一数值判断邻域像素是否属于中心像素的四分之一区域。中心像素和其邻域像素的值是通过Sobel滤波器计算的方向值。实验表明，所提出的方法的等误率为0.000332%。　　在本文提出的第五种方法中，提出了两种特征向量。它们分别通过融合所有前述章节的局部特征和全局特征得到。融合分别在特征层和匹配层进行。提出的方法所获得的最低等误率为0.0001%。　　本文使用PolyU多光谱掌纹数据库评测所提出的手掌静脉认证算法的性能。香港理工大学生物特征识别研究中心（UGC/CRC）研制了一套实时多光谱掌纹获取设备，能够获取蓝光、绿光、红光和近红外光（NIR）下的掌纹图像。在每种光谱下，该数据库都包含来自500个手掌的6,000幅图像。