随着21世纪的到来,人们的安全意识极大提高,传统身份识别鉴定方法难以满足当前的社会需要。生物特征(包括显性和隐性特征)识别是依据人的生理或行为特征来识别鉴定,其普遍性、唯一性、稳定性更好。隐性生物特征较显性生物特征具有不可仿制和伪造等特点,更安全可靠。手掌静脉是体内生物特征,活体特质,无法伪造和复制,属于隐性特征。比掌纹、指纹、人脸等显性特征安全性高,比声音、步态稳定性好,比虹膜更易采集。因此,手掌静脉识别逐渐发展为此领域的焦点。手掌静脉识别安全可控性高,但其皮内特性使图像采集质量较低。需在预处理阶段进行更有效的图像增强,并采取更先进的技术进行图像识别。本文即针对掌脉识别,深入研究并提出基于自适应融合的手掌静脉图像增强方法,同时基于深度学习提出一种较为先进的手掌静脉识别方法。一、基于自适应融合的图像增强方法:根据图像评价指标,判定不同图像增强方法的优劣势,以自适应方式设置不同增强图像的融合权重,达到不同增强方法优劣互补的效果。针对手掌静脉图像,作为自适应融合图像增强案例,本文列举了两种不同的自适应融合图像增强方法,采用了两种不同的自适应融合策略。(1)基于POSHE和DCP自适应融合的掌脉图像增强。首先,根据图像的变异系数,对暗原色先验(DCP)去雾算法中的去雾系数进行自适应选择。分别采用部分子块重叠直方图均衡(POSHE)和自适应DCP算法,获得其增强图像。然后,将图像分为16个子块,由均值和标准差决定各子块的自适应融合权重。最后,按照权重自适应的融合两种增强图像。在PolyU、CASIA和自建库的识别率分别为 99.98%、92.05%、94.27%。(2)基于自适应融合和Gabor滤波的掌脉图像增强。首先,基于POSHE算法得到POSHE增强图像,基于高斯差分滤波算法(DOG)得到DOG增强图像。然后,将两种增强图像根据各自灰度共生矩阵的二阶统计量进行自适应融合。最后,利用多方向Gabor滤波器进行增强。在PolyU、CASIA和自建库的识别率分别为 99.96%、94.50%、94.89%。二、基于深度学习的掌脉识别方法:在现有神经网络模型的基础上进行优化和改进,以达到更好的识别效果。首先,在增强图像质量提高的基础上,采用泛化能力较强的ResNet模型进行特征提取,残差模块可有效缓解网络退化。其次,对ResNet网络结构优化和改进,用ELU代替原有ReLu激活函数,并增加Dropout层,缓解梯度消失,防止过拟合,加快模型收敛速度。最后,结合稠密网络思想,将原始信息输入多级卷积层,增强所提特征的丰富性和有效性。对PolyU、CASIA和自建库分别实验,结果表明基于本文深度学习的识别方法效果更优。