目前大多数手背静脉识别的研究集中在用户高配合度、单采集设备的条件下,而在互联网非常普及的现今社会,存在着不同的采集设备、不同的地域环境、不同的手背摆放姿势以及用户低配合度等弱约束因素。这些因素会造成采集的手背静脉图像质量在对比度、旋转角度、仿射形变等方面的变化,导致手背静脉识别率的降低。因此,如何在弱约束条件下准确有效地识别手背静脉,仍然需要进行深入的科学研究。本文基于弱约束手背静脉图像库,主要的创新工作概括如下:(1)研究了不同手背静脉图像类型(灰度图、二值图、梯度图)的数据特点;分析了不同关键点生成模式(高斯随机模式、同心圆模式、高斯差分检测模式)的优缺点,并以 128 维的 SIFT(Scale-invariant feature transform)特征描述子为核心对不同图像类型与关键点生成模式的九种组合进行实验。由实验得出二值图与高斯差分关键点检测模式的组合可以使弱约束条件下的手背静脉识别率达到82.6%。(2)针对手背静脉的纹理特点,对SIFT算法中的高斯差分关键点提取及特征匹配参数进行优化。选取尺度因子σ的最佳数值为1.0;采用具有垂直结构的极值点搜索模板;将极小值点作为关键点;选取最佳匹配阈值为0.88。完成优化后以128维的SIFT特征描述子为核心在二值图像库中进行实验,使得弱约束条件下的手背静脉识别率提升到89.43%。(3)设计了一种基于生物视觉特性的高可分性鲁棒特征描述子,以高斯函数作为卷积核,并具有指数型的尺度分布及采样网格结构。相比128维的SIFT特征描述子,新的描述子以328维的特征向量能够对关键点进行更加精确地描述。将新的描述子结合优化后的高斯差分关键点提取方法在二值图像库中进行实验,使得弱约束条件下的手背静脉识别率又进一步提高到90.47%。综上所述的创新工作,弱约束条件下的手背静脉识别率从82.60%提升到了90.47%,证明了本文工作的有效性。