手部静脉识别技术在生物特征识别方面有着非常广阔的应用前景,是当前生物特征识别领域的研究热点。手部静脉识别系统包括静脉图像采集、静脉图像预处理、特征提取和特征匹配等几个主要步骤,静脉图像特征提取算法作为静脉识别系统最重要的步骤之一,其效果直接影响静脉识别系统的性能。近些年,深度卷积神经网络已经广泛应用于大规模图像识别任务,并且取得了优异的结果。但是其表征学习能力严重依赖于训练样本的数量,因此,在小样本静脉识别任务上并不能取得领先的效果。目前,静脉深度特征学习面临静脉图像训练样本不足和网络表征学习能力差两大基础性问题。因此,针对上述问题,本文开展了手部静脉图像深度特征学习研究,构建了一系列高判别性的手部静脉识别算法。论文的主要贡献和创新点如下:1.手部静脉图像数据库构建。针对目前公开的手部静脉图像数据库缺乏的问题,本文构建了较大规模的手部静脉图像数据库。首先设计了静脉图像采集装置,实现了手背静脉图像和手掌静脉图像的获取;其次,针对采集到的手部静脉图像,利用相应的手部静脉图像感兴趣区提取算法,实现了手部静脉图像预处理;最后,构建了一个较大规模的手部静脉图像数据库,该数据库包含2×286×10张静脉图像。2.基于多层卷积特征融合的手部静脉识别。针对深度卷积神经网络因静脉训练样本不足而无法学习到高判别静脉深度特征的问题,本文提出了基于预训练深度卷积神经网络的静脉识别方法。该方法分析了基于静脉信息的卷积特征图响应特性,设计了面向高层卷积特征图的保留空间位置信息的局部最大值池化方法;构建了多层深度卷积特征融合模型,充分利用了低层卷积特征图中的细节信息和高层卷积特征图中的语义信息,进而改善了所提出网络模型的深度表征能力,提高了静脉图像识别算法的准确率。3.基于多尺度深度特征集成的手部静脉识别。针对在基于预训练深度卷积神经网络的静脉识别方法中,卷积特征图中非静脉信息和噪音信息去除不充分的问题,本文提出了基于层级特征选择的多尺度深度特征集成方法。该方法深入剖析了基于静脉信息的卷积层特征图响应特性,揭示了基于静脉信息的深度卷积神经网络高阶语义信息学习机制;构建了一种层级的深度特征选择模型,有效地去除了深度特征中含有的非静脉信息和噪音信息,进一步改善了深度特征的表示能力,提高了手部静脉识别模型的识别率。4.基于特征解耦网络的手部静脉识别。针对基于单一纹理特征或形状特征的静脉识别算法存在特征表示能力不足的问题,本文提出了基于多尺度注意力残差模块的特征解耦网络。该方法构建了静脉纹理特征编码网络和形状特征编码网络,实现了静脉图像纹理和形状特征的自适应解耦;设计了权值引导的高判别深度特征学习模块,揭示了静脉纹理特征和形状特征对于静脉识别效果的影响机制,增强了静脉深度特征的表示能力,进而提高了手部静脉识别算法的效果。5.基于合成静脉样本的手部静脉识别。针对由于生成静脉样本和真实静脉样本存在领域偏移,导致训练在生成静脉样本上的深度卷积神经网络对于真实静脉样本特征表示能力不足的问题,本文提出了基于合成静脉样本的深度特征学习模型。该方法构建了基于特征解耦学习的静脉图像生成模型,提高了静脉生成样本的质量;设计了静脉图像自适应融合网络,减少了生成静脉样本和真实静脉样本之间的领域偏移;提出了全局-局部静脉深度特征学习模块,进一步增强了深度卷积神经网络对于静脉图像的特征表示能力,进而提高了手部静脉识别方法的识别率。该论文有图62幅,表45张,参考文献139篇。