随着信息科技的快速发展,信息安全,特别是个人身份信息安全在现实生活中变得越来越重要,身份识别广泛应用于公安、司法等需要进行身份鉴别的领域。传统身份认证方法已经不能满足现代社会的需要,基于生物特征的身份识别技术凭借其安全、可靠、方便等优点,逐渐越来越多地取代传统身份识别技术。目前的生物特征身份识别技术大多是基于单个模态的,但单模态存在数据噪声、易被伪造等问题,在实际应用过程中存在一定的不足。多模态生物特征识别可以从一定程度上克服单模态识别的一些缺点,借鉴数据融合的方法,充分发挥不同生物特征的优势,减弱每种生物特征的不利影响,进一步提高识别系统性能。本文主要针对前臂部位的手形特征和手臂静脉特征,结合手形和静脉的单模态识别,进行双模态融合识别,主要工作可以概括为以下三个方面:1.基于手形轮廓的特征提取与识别:针对手形轮廓局部容易产生非刚性形变的问题,本文采用手形的几何特征进行身份识别。首先基于近红外手形图像提取完整的手形轮廓,针对其他方法定位不够准确的问题,本文采用近似曲率法定位手指的指谷点和指尖点等特征点,接着利用已有特征点进一步定位其它特征点,并计算手形几何特征,使用这些尺寸特征组成相对几何特征表征手形,最后根据手形相对特征向量的相似度,完成手形的匹配识别,取得了较为理想的识别结果。2.基于手臂静脉的特征提取与匹配:为了增强前臂近红外图像中静脉与皮肤对比度,首先利用CLAHE进行预处理;对静脉图像进行Gabor滤波,根据滤波后的方向图和能量图定位并进一步增强静脉血管;然后使用高帽低帽和形态学的方法提取静脉线,并对静脉线进行毛刺修剪;最后对处理后的静脉进行点采样,采用相干点漂移算法(CPD)进行点模式的静脉匹配,静脉识别获得了较高的识别率。3.手形轮廓与静脉双模态分数级融合识别:由于传感器级、特征级和决策级融合自身的不足,本文主要对手形轮廓和手臂静脉两种生物特征在分数级进行融合识别。首先分别利用CMC曲线和ROC曲线计算固定权重分数和个性化权重分数;然后采用Min-Max规则匹配分数归一化之后,再进行分数级加权融合;最后利用前臂手形和静脉生物特征数据库进行融合实验,获得了较为稳定的融合效果,验证了算法的有效性和鲁棒性,并说明了基于面积权重计算优于基于错误识别率权重计算方法的原因,对比ERRW、NCW权重计算方法,证明了本文所采用算法的优越性。