当今时代信息交互量日益增加,在不同的采集设备、测试环境、时间段和姿态等弱约束条件下进行身份识别必然成为生物特征技术发展的趋势。然而在弱约束条件下,采集到的手背静脉图像会存在光照对比度差异、位置偏移、角度旋转、尺度缩放和仿射形变五种情况,会导致图像识别精度较差。因此,如何在弱约束条件下,实现高鲁棒性的特征提取以及高精确度的身份识别,是我们研究和前进方向。本文的主要工作及创新性概括如下:1、提出了基于二值静脉图像中最大连通域面积与连通域数量比值调整系数?的改进阈值分割算法,解决了静脉断裂和连通性差问题。依据类内相似性原则,确定了二值静脉图像分割系数?的最优值,避免产生严重过分割或欠分割现象。改进分割的二值静脉图像数据库在跨设备条件下使用尺度不变特征变换SIFT算法进行验证,识别率由73.48%提高到77.4%。2、提出了基于小波分解的多方向细节分量特征关键点提取方法,在垂直+对角的特征关键点组合下,不仅可以检测到二值静脉图像在竖直方向的纹理信息,而且可以提取图像倾斜和弯曲区域的纹理信息。采用高可分性的鲁棒特征描述子DERF对特征的描述更为详尽、准确。该算法中采样点的初始半径1r取值为4时,DERF描述子在跨设备条件下的手背静脉识别结果达到93.4%。3、提出了分割系数?微调和粗匹配的识别方法。基于设备A采集的二值静脉图像的手背轮廓和静脉连接特性,对设备B采集的用于测试的二值静脉图像进行轮廓修正和分割阈值系数微调,进一步保证跨设备条件下同类图像的相似性。在特征提取前设置粗匹配筛选准则,减少匹配阶段候选集数量和计算复杂度,实验验证在跨设备条件下识别率提高到97.86%。研究结果显示,弱约束条件下的手背静脉识别率由73.48%提高到97.86%,验证了论文工作的创新性。