掌纹识别作为一种重要的生物特征识别技术,具有结构稳定,分辨率低,成本低等特点。与人脸识别技术相比,掌纹识别不容易受表情和光照变化的影响;与指纹识别相比,掌纹识别具有更丰富的特征。因此越来越多的学者展开了对掌纹识别的研究。掌纹特征具有多样性,比如不同波段的光谱下得到的多光谱掌纹图像之间具有不同的掌纹特征;2D掌纹图像具有丰富的纹理特征,结构光下采集到的3D掌纹具有丰富的深度信息。不同的掌纹特征之间又同时具有局限性和互补性。因此对于这些不同的掌纹特征而言,如何有效地使用特征抽取和特征融合的技术来提高掌纹的识别率,是目前掌纹识别中的一个重要研究方向,同时也是本文的主要研究内容。本文的主要研究工作和创新点包括:1.对于多光谱掌纹识别,如何有效融合多个波段的掌纹图像特征是其中的关键问题。针对此问题,本文提出了一种基于图像线性判别分析IBLDA方法的特征融合方案。实验证明本文提出的方法可以有效地融合多模态的掌纹特征,而且比QPCA方法和MCPCA方法的融合方法效果更优。另外,在多光谱掌纹识别中,如何从可供选择的波段中,选择最优的一组波段进行融合也是一个关键问题。本文提出一种基于主成分分析方法和余弦相似性度量的多光谱掌纹的最优波段组合和融合方案。实验证明该方案既提高了整体识别率,又降低了时间复杂度。2.多光谱掌纹识别中,融合不同波段样本可以提高掌纹识别率,但是这些不同波段之间的信息并不是互补的。为了更好的进行掌纹识别,需要进一步剔除不同波段图像之间的冗余信息。扩展的彩色图像鉴别分析模型(GCID)可以提取融合图像的鉴别特征并去除各分量之间的冗余信息,但是它所使用的Fisher模型容易导致类内散度矩阵奇异性。因此本文针对原有的GCID模型提出了改进的并行GCID模型。并行GCID模型包含双目标函数,即将原有的Fihser模型中的两个比值分开计算,并最终通过构造复数矩阵的形式将结果融合在一起。实验结果表明本文提出的并行GCID模型与其他流行的掌纹识别方法相比具有更高的识别率。3.2D掌纹图像包含了丰富的纹理信息,但是2D掌纹容易伪造并且更易受光照变化的影响。3D掌纹图像包含了掌纹表面的深度信息,可以克服2D掌纹的不足。有效融合2D和3D掌纹以取得更高的掌纹识别率同样具有重要意义。因此,我们设计了两种基于2D和3D掌纹的特征抽取和融合方案。首先,提出了一种使用3D掌纹的均值曲率图特征和使用2D掌纹的Gabor特征,并对其进行匹配得分层融合的策略。实验结果表明了该融合方案可以将2D+3D掌纹的识别率提高2%。同时掌纹识别中存在掌纹图像的旋转以及平移问题。为了克服该问题,本章还提出了一种使用Daisy描述符和SIFT特征来提取掌纹图像样本的方向信息的方案。实验表明该方案确实可以增强掌纹识别对图像旋转与平移的鲁棒性。4.通过降低掌纹图像的维度,可以获得稀疏性的线性表达,还可以提高掌纹融合的有效性。基于稀疏表达的流形学习方法与传统的线性降维方法相比,可以获得稀疏性的表达系数矩阵,这样在进一步的样本分类阶段就可以降低时间复杂度并提高分类正确率。因此本文将稀疏性的流形学习方法与2,1范数相结合,提出了一种基于2,1范数的鲁棒性特征抽取算法来抽取掌纹特征。该算法能够有效地发现高维数据中的本质维数,能更好的进行维数约简和数据分析;同时该算法还可以发现嵌入在高维数据空间的低维流形结构,可以深度挖掘数据点之间内在的结构信息。实验结果表明,与其他流形学习以及降维方法相比,本文提出的基于2,1范数的优化模型可以有效地提高掌纹识别率。综上所述,本文主要针对基于特征融合的掌纹识别方法进行了研究,目的是通过特征抽取和特征融合的方法来获得更具鉴别性的掌纹特征。实验结果表明,本文中提出的几种特征抽取方法以及特征融合策略都有效地提高了掌纹识别率,为今后掌纹识别的应用奠定了基础。