近年来,手指静脉识别作为新兴的生物特征识别技术之一,受到越来越多研究者的关注。采集阶段可能产生的一些低质量图像将严重影响后续的特征提取和匹配,因此采集图像后对其进行质量评估以便剔除低质量图像十分必要。传统的手指静脉质量评估方法存在手动设计特征困难、静脉点检测过程复杂等问题,也有少数研究学者将卷积神经网络(Convolutional Neural Network,CNN)用于手指静脉质量评估,但是这些方法仍存在一些不足比如图像标签标注不准确、基于单一静脉形式学习到的特征表达能力有限等。另外,以往进行手指静脉识别时大多依赖手动设计的特征,但在实际应用中,该特征容易受环境光照、手指姿态变化等影响。CNN具有强大的特征表达能力,目前基于CNN的手指静脉识别系统已经取得了不错的效果,但是它们往往采用复杂的网络结构或分步处理过程,无法应用于计算能力有限、内存较小的硬件平台以及实现端到端的识别过程。对此,本文做了如下工作:(1)基于Light-CNN的手指静脉图像质量评估方法。首先,通过统计手指静脉点数来对图像进行自动标注;其次,将图像切分成图像块以扩大训练集,以图像块而非整幅图像作为CNN的输入;然后,使用Light-CNN和其变体进行训练;最后测试时,一幅图像所对应的多个图像块的平均质量得分即为该图像的最终质量分数。该方法在计算复杂度和工作性能之间有一个比较好的权衡,一定程度上可以实现对手指静脉图像高、低质量的区分。(2)基于级联优化CNN的手指静脉图像质量评估方法。该方法分层次地学习手指静脉二值图像和灰度图像的静脉质量信息,先将手指静脉二值图像作为网络的输入,经过学习后获得预训练模型,然后将手指静脉灰度图像作为预训练模型的输入对其进行微调,最终获得一个优化的模型。该方法学习到的融合质量特征比现有的手工特征和基于单一静脉形式学习到的特征表达效果更好,可以有效地对手指静脉图像进行高、低质量的区分。(3)基于SqueezeNet的端到端的手指静脉识别方法。首先,将待识别的两幅手指静脉图像分别进行差分运算和通道连接,获取两者的差分图像和2C图像(通道数为2的图像),将差分图像和2C图像再进行通道连接获得3C图像(通道数为3的图像);然后,将3C图像作为输入对SqueezeNet(ImageNet的预训练模型)进行迁移学习并确定最佳优化方式;最后,提出了一个级联优化框架来整合差分图像和3C图像。该方法不仅达到了一定的识别准确率而且实现了网络模型的精简、端到端的识别过程。