随着电子商务尤其是在线支付的迅猛发展,对身份认证提出了更高的要求。传统的身份认证(以密码、U盾、IC卡为主)方式难以满足高安全性、高可靠性以及便利性要求,从而推动了生物特征识别的研究和发展。在以掌纹识别、指纹识别、静脉识别、虹膜识别、人脸识别等生物特征识别领域,静脉(本文以手掌静脉为研究对象)以其独有的活体性、唯一性、根植皮内、无法伪造等特点,逐渐成为生物特征识别领域的研究焦点。其基本原理是手掌在一定波长范围内(波长为720nm～1100nm)的近红外光照射下,由于手掌皮肤下静脉中的血红蛋白对近红外光有强吸收特性,反射到传感器上形成较暗的纹路,而周围组织由于吸光性弱,反射回传感器上形成较亮区域,从而形成亮度不同的灰度图像,即为手掌静脉(以下简称“掌脉”)图像,在掌脉图像达到一定分辨率后即可用于身份认证。掌脉识别主要包括图像采集、图像预处理、特征提取和分类识别。一方面,传统掌脉识别方法首先对近红外光拍摄获取的手掌静脉图像进行增强去噪等处理,然后提取静脉特征,对静脉特征进行编码,生成能够表达掌脉图像的特征向量,最后使用各种分类算法对特征向量进行分类识别。其中,特征提取是掌脉识别的关键步骤。传统掌脉识别方法虽获得了较好的掌脉识别精度,但特征提取需依赖研究人员的经验手工设计符合掌脉图像的特征提取方法,且该方法还需以高质量的掌脉图像为基础,即需要在预处理阶段进行大量的操作,以突出静脉信息。另一方面,随着卷积神经网络在计算机视觉领域的发展,人们开始利用卷积神经网络来替代传统方法自动学习掌脉特征。但是,训练一个具有较强特征表达能力的卷积神经网络,需要大量的数据样本进行参数调整,增加计算量,且网络训练过程中产生的大量参数容易发生过拟合现象。另外,传统神经网络多是单通道,当网络层次较少时,不能完全提取原掌脉的特征信息,且提取的掌脉特征抽象程度不高、表达能力不强,导致在对掌脉进行分类识别时,识别精度也不高;当网络层次过多时,又容易出现梯度弥散现象。基于以上问题,本文提出了两种方法:(1)提出一种基于双通道卷积神经网络的掌脉识别方法。有效解决了小样本数据、单通道卷积神经网络提取特征不充分以及网络层次过多导致的梯度弥散问题。该方法利用多通道、不同大小的卷积核对原始掌脉图像进行特征提取,获得丰富的掌脉特征信息,然后在全连接层进行特征融合,以提取更深层次的分类信息,最后采用softmax分类器进行分类识别。在PolyU库、CASIA库以及自建库上采用本文方法都获得了一个好的结果,识别精度分别为99.90%、90.75%、95.25%。相较传统掌脉识别方法,本文提出的双通道卷积神经网络具有更强的学习能力和更好的泛化能力,即使在没有预处理的情况下也可以获得一个好的结果。此外,本文对神经网络的改进,也体现了卷积神经网络良好的可扩展性和泛化能力。(2)提出了一种基于迁移学习和随机森林的手掌静脉识别新方法。能自动提取掌脉特征并进行分类识别,避免了人工选择特征提取算法的局限性,有效降低了手掌静脉的分类误差。该方法首先利用预训练深度神经网络模型AlexNet提取掌脉特征,使用迁移学习的思想有效避免了大量的调参工作,提高了掌脉分类效率,且足够深度的卷积神经网络模型提取的特征信息辨别能力更强。然后采用主成分分析法(PCA)对提取的高维掌静脉特征进行降维处理,以减少存储空间、降低分类误差。最后结合对噪声具有很好容忍能力的随机森林进行分类。评估实验所用的数据库来源于公开的PolyU库、CASIA库和自建库,测试精度分别为100%、97.00%、99.50%。相较传统人工特征,深度卷积神经网络提取的掌脉特征包含更多的数据信息、可辩别能力强,且对光照和旋转具有不变性。