随着信息化的快速发展,信息安全愈发重要。手指静脉识别作为一种最新型生物识别技术已受到越来越多的专家学者的青睐。手指静脉识别具有以下优势:(1)高安全性:传统的生物识别技术,例如指纹识别、人脸识别是利用人体表面信息进行识别。而手指静脉识别是利用体内手指静脉的信息进行识别,因此更加难以被窃取和复制。(2)非接触式采集:可以避免不同人的间接接触,更加卫生、方便。(3)活体采集:手指静脉图像是依据人类手指中流动的血液可吸收特定波长(720~1100nm近红外)的光线,手指反射形成的图像。而只有活体的血液才能吸收特定波长,因此手指静脉是一种活体采集,从而更具有安全性。手指静脉识别分为图像质量评估、图像旋转校正、图像感兴趣区域提取、图像增强、特征提取、识别匹配六个过程:关于手指静脉图像质量评估。手指静脉采集过程中会出现部分质量较低的图像,而这些图像由于有效特征较少导致识别性能的降低。本文提出了高质量和低质量手指静脉图像中静脉线深度的差异和手指静脉纹中静脉线结构的复杂性是图像质量评估2个最关键的线索,通过总结得出可以通过静脉点的数量来对图像进行评估。首先提取静脉区域的灰度值。然后通过深度阈值检测静脉点的数量,最后通过静脉点数量进行归一化质量分数,从而实现了对手指静脉图像质量的评估。实验证明,有手指旋转的数据库下,无图像质量分析EER为3.31%,有图像质量分析(AND规则)EER为2.15%;在没有手指旋转的数据库下,无图像质量分析EER为1.02%,有图像质量分析(AND规则)EER为0.51%。关于手指静脉图像旋转校正。现有的手指静脉图像预处理方法常常忽略了手指旋转对识别的影响,或者处理的效果并不理想。本文为克服该问题,提出了基于最小外接矩形的方法进行图像旋转校正。首先基于双阈值检测法得到手指边缘图像。然后基于一种提取目标图像最小外接矩形的快速算法,找出手指的最小外接矩形。然后基于双线性插值法对图像进行旋转校正。然后基于滑动窗口找出手指关节位置,结合手指关节位置和最小外接矩形的大小,确定感兴趣区域的位置和大小。实验证明,加入旋转校正的MHD方法,EER为1.40%。没有选择校正的MHD方法,EER为3.31%关于手指静脉图像的增强。尽管已经对手指静脉图像质量进行了评估筛选,但通过图像增强技术,能进一步加强图像的对比度,从而提高识别的准确率。本文提出一种基于模糊融合的手指静脉图像增强的方法。首先采用四个方向的Gabor滤波和Retinex滤波来生成两幅图像,然后对不同的融合规则进行了实验对比。基于最小规则的模糊FOM的性能最佳,在没有手指旋转的数据库下EER为0.81%。关于手指静脉特征提取。手指静脉识别的手指静脉特征提取是关键一步,单特征提取的识别率较低,本文特征级融合的方法进行特征提取,其中利用最大曲率,重复线跟踪,宽线检测器,主曲率,Gabor滤波器,各向同性非抽象小波变换特征提取技术和多数投票,加权平均,STAPLE,STAPLER,COLLATE融合技术进行特征级融合,对不同融合方法进行了实验对比。当所有6个功能(MC,PC,WLD,GF,RLT和IUWT)都使用MV进行融合时,实现了最佳性能,在没有手指旋转的数据库下EER为0.26%。关于手指静脉图像识别。手指静脉图像识别是最后一步也是最关键一步,本文对手指静脉细节点采用基于MHD的算法进行识别。分别对交叉点,端点和两种结合的方法结合前面的方法进行了实验,EER为1.21%,并与其他方法进行了对比,优于其他方法。