近红外掌静脉识别技术是一门新兴的技术,以其独特的优势在近几年的生物特征识别市场迅速崛起,引起了国内外研究人员的广泛关注。本文通过系统设计、算法设计、硬件实现,研发出一套完整的近红外掌静脉识别系统。在系统整体算法的设计方面,主要做了以下两个比较有价值的工作:(1)在图像预处理阶段,本文在近红外掌静脉图像对比增强中引入了中值点为稳定点的线性拉伸方法,效果稳定。对比度增强部分的效果好坏对于后面特征提取的性能至关重要,经查阅资料发现已有的技术中大多使用了一些常规性的如自适应局部对比度增强算法、直方图均衡算法、平台直方图均衡算法等算法。由于掌静脉图像本身具有灰度分布非常集中,对比度非常小,区间狭窄的特点,用这三种方法很容易遗失部分图像信息,也不能非常均匀的将整个图像的灰度分布拉伸到整个灰度级的范围内。通过对比拉伸后的直方图可以发现,该方法非常均匀的将灰度拉伸到整个灰度级近85%的范围内,同时保留住近红外掌静脉图像信息。(2)在特征提取及匹配阶段,本文将随机抽样一致性(Random Sample Consensus,RANSAC)算法的思想应用到其中,显著提升匹配准确度。在调研了几十种特征提取算法后,综合考虑实时性、鲁棒性和识别性能等因素,经过对比后选择了尺度不变特征变化(Scale Invariant Feature Transform,SIFT)算法来提取图像特征,该算法在对抗光照变化、旋转变化上有独到之处,在近红外图像特征提取中有着卓越的效果。由于掌静脉图像本身细节并不充足,SIFT提取出来的特征向量彼此独立性并不强,进而导致了在特征匹配阶段中,使用传统的SIFT匹配方法会在合法匹配中混合接近30%的错误匹配,而在非法匹配中更是会有大量的错误匹配被判定为正确匹配。针对这个问题,将RANSAC算法的思想应用到了近红外图像特征匹配的过程中,在合法匹配中筛选出70%以上的正确匹配对,在非法匹配中剔除90%以上的错误匹配对,极大的提高了系统匹配的正确率。在硬件实现方面,本文提出了SIFT特征提取及特征匹配方法在FPGA上整体的并行结构设计,详尽地描述了具体的设计过程,在设计过程中与MATLAB定点测试结果进行对比,最终基于Z-turn Board TOP开发板进行了相应的硬件测试。综上所述,本文针对掌静脉识别系统中图像预处理、图像特征提取、图像特征匹配等难点,搭配使用了中值点为稳定点的线性拉伸方法、SIFT算法以及RANSAC算法等算法,完整地进行了从系统架构设计、算法设计到最后具体FPGA实现的工作,搭建出了一个具有很强鲁棒性,识别正确率达到90%的系统,有效地克服了近红外掌静脉图像本身细节不充足的缺点,具有很高的实用价值。整体算法不仅在近红外图像处理中有实际应用价值,对于模式识别、物联网等领域也有一定的参考价值。通过这次从系统整体设计、算法设计到最后FPGA实现工作,提高了自身系统性思考问题、独立分析问题、解决问题的能力。