近些年,生物特征识别技术在个人身份验证领域取得了研究者广泛关注,尤其在人脸识别、指纹识别等方面取得了显著成果。但是人脸及指纹作为外部生物特征,容易被人所伪造,而手部静脉因其具有内部特征、特定光源、活体识别等优势受到更多研究者重视。本文分别从传统特征点匹配算法和深度卷积神经网络技术对手部静脉识别进行了分析和验证,得到了较好的识别效果。(1)为在清晰度较差的静脉图像中提取出有效的特征点,进而提高正确识别率,提出了基于KAZE特征的手背静脉识别算法。首先,基于KAZE算法对预处理后的静脉图像进行特征点提取;其次,利用最近邻比值法对提取的所有特征点进行粗匹配;再次,利用RANSAC算法对粗匹配成功的特征点再次进行精匹配;最后,结合两次匹配的结果实现身份识别。实验表明,相较于基于SIFT与SURF点特征的识别算法,基于KAZE特征的识别算法可获得更低的误识率,仅为7.8%,并具有更好的实时性。(2)卷积神经网络作为图像识别分类的重要手段,逐渐得到较为广泛的应用。本文提出基于卷积神经网络的手部静脉识别方法,利用卷积核构建三层卷积神经网络,每层卷积层由卷积层、池化层及激活函数组成,以上结构用以提取静脉图像特征,此外,采用两个全连接层与SOFTMAX算法计算类间概率;这里,卷积神经网络参数更新采用基于Adam的反向传播算法,实验证明,在无负例的情况下,识别率为99.6%;在有负例的情况下,误识率仅为2%,相较传统算法有较大提升。基于KAZE特征与基于卷积神经网络的识别算法的提出,对于其他图像识别及分类问题具有较强的借鉴价值,算法具有较好的普适性。并且随着信息化社会对于身份信息验证问题的需求日益增长,手部静脉识别拥有较好的研究价值和市场前景。