本文介绍了基于手掌三维轮廓特征进行生物特征识别时所涉及的流程和方法。全文按照生物特征识别时需实现的通用流程展开,流程包括生物特征信息获取、数据预处理、特征提取和特征匹配四个模块。特征提取和匹配模块研究了两种特征识别方案,分别为基于三维掌纹的识别方法和基于深度信息的识别方法。在特征信息获取模块,首先对比介绍了应用于三维生物特征测量的主要技术方案,确定了基于多频外差和相移的结构光三维测量方案,并按照该方案邀请志愿者采集到50个不同手掌的300条三维数据。数据预处理模块主要实现了一些点云的数据处理工作,包括三角剖分、边界检测、噪声滤除以及孔洞填充,同时基于特征点定位将手掌三维模型统一到同一个坐标系,通过对采集的数据预处理就获得了手掌三维轮廓库。在基于三维掌纹的方法中,通过特征点获取到掌纹所在的ROI,并通过等距采样后转化为掌纹信息由深度信息决定的掌纹灰度图。掌纹特征提取由参数经优化的Gabor滤波器实现,通过竞争编码对滤波结果进行整合并获得掌纹编码图,作为进行匹配时的数据。特征匹配由计算汉明距离来实现,决策阈值则由DET曲线确定。优化设计的三维掌纹方法在本课题搭建的测试集中识别率为98.2%。由于三维掌纹信息完全由深度信息决定,三维掌纹识别方法与传统的掌纹识别方案相比有更好的鲁棒性。在基于深度信息的识别方法中,直接将手掌的深度信息作为识别特征,但经ROI定位后获取的深度值矩阵数据量较大,故本文通过主成分分析法实现了数据降维和特征提取,由此得到了特征空间投影向量来表征原始矩阵的主要信息。基于提取特征的特点和数据集数量的考虑,本文在此方案采用了基于支持向量机的识别方法。对比优化了支持向量机在模型训练时的参数,通过一对一组合模式实现了多分类,并在此基础上给出了测试识别率的流程。经测试基于深度信息的识别方法识别率达到99.3%,与掌纹识别方案相比,识别率得到优化,此方案验证了三维掌纹特征信息丰富的特点。