掌纹图像多级特征提取与识别算法研究

一种基于掌纹图像识别的身份鉴别方法
掌纹图像识别是一种依赖于图像处理技术的生物特征识别技术，
在身份鉴别中应用十分广泛，能够准确快捷的实现安全认证。

掌纹图像识别通过捕捉手指或者掌部的细节信息（如极线、谷纹等），获取指纹或者手掌图像，进而进行识别判断。

这种方法实现起
来简单，并且成本低，因此在身份鉴别、政府机构、企业等各个方面
得到广泛使用。

相比于传统感应式指纹识别，采用掌纹图像识别的系统不仅安全
性更高，而且具有更大的处理能力。

采用掌纹图像识别技术，在身份
鉴别时能够实现仿真版认证，智能化操作流程，以此确保身份鉴别的
准确性和安全性。

此外，由于掌纹图像识别所采集的信息是独一无二的，可以多次
重复使用，因此更具有安全性，而且识别效率高，并且可以抗拒破译
等干扰并保护隐私。

掌纹图像识别技术也具有良好的可扩展性，可以根据不同的应用
需求和环境条件，对技术进行调整，以更好的实现身份鉴别的需求。

对于企业等用户来说，采用掌纹图像识别技术可以有效避免经济损失，提高工作效率，同时还可以提供更为有效的信息安全保护机制。

总而言之，掌纹图像识别技术具有准确性高、安全性强且可扩展
性强等特点，使其在身份鉴别技术领域得到了广泛应用，将有助于提
高个人、企业等各类客户的安全性和工作效率。

掌纹图像在身份识别和认证中的应用的开题报告一、研究背景身份识别和认证是现代社会中至关重要的应用。

在各种场景中，如金融、医疗、政府服务等，需要确保人们的身份信息被安全地验证。

掌纹图像是一种独特的生物特征，可以用于身份认证。

掌纹图像具有不可复制、高精度、便携性好等特点，因此在身份认证中应用广泛，成为近年来国内外研究领域的一个热点。

二、研究目的本课题旨在探究掌纹图像在身份识别和认证中的应用，通过对掌纹图像的特点和算法的研究，实现掌纹图像的特征提取、识别和认证。

三、研究内容1.掌纹图像的特点介绍掌纹图像的特点，如生物特征的不可复制性、掌纹特征与个体身份之间的关联性、掌纹图像的便携性等。

2.掌纹图像的特征提取介绍掌纹图像的特征提取方法，包括全局特征提取和局部特征提取。

全局特征提取主要是通过将掌纹图像转换为直方图、灰度共生矩阵、小波变换等特征来进行特征提取；局部特征提取主要是通过提取掌纹的特殊区域来进行特征提取。

3.掌纹图像的识别和认证介绍掌纹图像的识别和认证方法，包括基于模板匹配的识别方法、基于特征提取的识别方法、基于深度学习的识别方法等。

其中，基于特征提取的识别方法常常结合分类器、支持向量机等算法进行分类，以实现掌纹图像的识别和认证。

四、研究意义本研究可以提高身份认证的精度和安全性；可以推动掌纹图像在各领域的应用，包括金融、医疗、政府服务等，带来更多的便捷和安全保障。

五、研究方法本研究主要采用文献调研、数据收集、算法分析和实验验证等方法。

通过分析和比较现有的掌纹图像算法，得出最优解决方案，并进行实验验证，验证掌纹图像在身份认证中的应用效果。

六、论文结构本论文将分为五个部分：绪论、掌纹图像的特点、掌纹图像的特征提取、掌纹图像的识别和认证、结论和展望。

其中，绪论部分主要阐述本课题的研究背景和研究意义；掌纹图像的特点部分主要介绍掌纹图像的基本特征；掌纹图像的特征提取部分主要介绍掌纹图像的特征提取方法；掌纹图像的识别和认证部分主要介绍掌纹图像的识别和认证算法；结论和展望部分主要对本研究进行总结和展望。

第２２卷㊀第１期２０２０年１月大连民族大学学报ＪｏｕｒｎａｌｏｆＤａｌｉａｎＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙＶｏｌ.２２ꎬＮｏ.１Ｊａｎｕａｒｙ２０２０收稿日期:２０１９－１１－２２ꎻ最后修回日期:２０１９－１２－２７作者简介:张秀峰(１９７５－)ꎬ男ꎬ黑龙江绥化人ꎬ副教授ꎬ博士ꎬ主要从事光电检测技术及仪器研究ꎮ文章编号:２０９６－１３８３(２０２０)０１－００３３－０５掌静脉识别研究综述张秀峰ꎬ牛选兵ꎬ王㊀伟ꎬ马天翼ꎬ龚丽娜ꎬ杨荣景(大连民族大学机电工程学院ꎬ辽宁大连１１６６０５)摘㊀要:指纹和掌纹存在于皮肤表面ꎬ有容易被伪造㊁缺乏安全性等一些不可避免的缺点ꎮ掌静脉识别技术应运而生ꎬ它在身份识别㊁安检㊁门禁和医学研究等方面有非常好的发展前景ꎮ对掌静脉识别技术的国内外研究现状进行分析ꎬ梳理掌静脉识别的相关算法ꎬ得到目前掌静脉识别存在的难点ꎬ为今后掌静脉识别技术的发展与应用提供参考ꎮ关键词:掌静脉识别ꎻ特征提取ꎻ深度学习中图分类号:ＴＰ３９１.４１㊀㊀㊀文献标志码:ＡＡＲｅｖｉｅｗｏｆＰａｌｍａｒＶｅｉｎＲｅｃｏｇｎｉｔｉｏｎＺＨＡＮＧＸｉｕ－ｆｅｎｇꎬＮＩＵＸｕａｎ－ｂｉｎｇꎬＷＡＮＧＷｅｉꎬＭＡＴｉａｎ－ｙｉꎬＧＯＮＧＬｉ－ｎａꎬＹＡＮＧＲｏｎｇ－ｊｉｎｇ(ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬＤａｌｉａｎＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙꎬＤａｌｉａｎＬｉａｏｎｉｎｇ１１６６０５ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｒｅｓｅａｒｃｈｏｎｈａｎｄｆｅａｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｉｓｍｏｒｅｐｒｏｍｉｎｅｎｔ.Ｂｅｃａｕｓｅｆｉｎｇｅｒｐｒｉｎｔｓａｎｄｐａｌｍｐｒｉｎｔｓｅｘｉｓｔｏｎｔｈｅｓｋｉｎｓｕｒｆａｃｅꎬｔｈｅｒｅａｒｅｓｏｍｅｕｎａｖｏｉｄａｂｌｅｓｈｏｒｔｃｏｍｉｎｇｓｓｕｃｈａｓｅａｓｙｆｏｒ￣ｇｅｒｙａｎｄｌａｃｋｏｆｓｅｃｕｒｉｔｙꎬｗｈｉｃｈｗｉｌｌａｆｆｅｃｔｔｈｅｒｅｃｏｇｎｉｔｉｏｎｅｆｆｅｃｔ.Ｉｎｒｅｓｐｏｎｓｅｔｏｔｈｅｓｅｓｈｏｒｔｃｏｍ￣ｉｎｇｓꎬｐａｌｍｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｃａｍｅｉｎｔｏｂｅｉｎｇ.Ｉｔｈａｓｖｅｒｙｇｏｏｄｄｅｖｅｌｏｐｍｅｎｔｐｒｏｓｐｅｃｔｓｉｎｉｄｅｎｔｉｆｉｃａｔｉｏｎꎬｓｅｃｕｒｉｔｙꎬａｃｃｅｓｓｃｏｎｔｒｏｌａｎｄｍｅｄｉｃａｌｒｅｓｅａｒｃｈ.Ｔｈｉｓｐａｐｅｒａｎａｌｙｚｅｓｔｈｅｒｅ￣ｓｅａｒｃｈｓｔａｔｕｓｏｆｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｔｈｏｍｅａｎｄａｂｒｏａｄꎬｓｏｒｔｓｏｕｔｔｈｅｒｅｌａｔｅｄａｌ￣ｇｏｒｉｔｈｍｓꎬａｎｄｏｂｔａｉｎｓｔｈｅｅｘｉｓｔｉｎｇｄｉｆｆｉｃｕｌｔｉｅｓｏｆｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎꎬｐｒｏｖｉｄｉｎｇｒｅｆｅｒｅｎｃｅｓｆｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｔｈｅｆｕｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎꎻｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎻｄｅｅｐｌｅａｒｎｉｎｇ㊀㊀随着科学技术的发展和进步ꎬ生物特征识别技术[１]在身份识别㊁医疗诊断和交通管理ꎬ甚至是在人们的日常生活中各个方面的应用越来越广泛ꎮ手部特征识别具有方便快捷等优点ꎬ目前对手部特征的识别主要有指静脉识别[２]㊁掌静脉识别[３]㊁指纹识别[４]㊁指节纹识别[５]㊁掌纹识别[６]和手形识别[７]等ꎮ而掌静脉识别作为一种新兴的生物特征识别技术ꎬ属于内生理特征ꎮ它不会磨损并且是活体时才存在的生理特征ꎬ具有难伪造㊁比掌纹和指纹识别更具安全性㊁比人脸识别更具稳定性㊁比虹膜识别更具应用的普遍性等特点[８]ꎮ因此ꎬ掌静脉识别成为了目前手部特征研究的热点之一ꎮ１㊀国内外研究现状１.１㊀国外研究现状国外在静脉识别方面的研究起步很早ꎬ用于静脉识别的技术也相对成熟ꎬ研发了很多静脉识别技术相关的产品[９]ꎮ１９８３年ꎬ柯达公司在诺丁汉的雇员ＪｏｓｅｐｈＲｉｃｅ在研究红外条形码技术时产生了利用人体手背血管红外成像作为身份识别的想法ꎬ并发明了手静脉特征识别技术ꎬ取名为Ｖｅｉｎｃｈｅｃｋ[１０]ꎮ１９９２年ꎬ日本北海道大学生物工程系的Ｋ.Ｓｈｉｍｉｚｕ发表文章认为可以利用人体手血管红外成像作为身份识别依据[１１]ꎬ为后来日本和韩国进行静脉识别奠定了基础ꎮ１９９７年ꎬ韩国ＮＥＸＴＥＲＮ公司研制出首套手背静脉识别产品ＢＫ－１００ꎬ静脉识别系统进入商业应用[１２]ꎮ２００４年ꎬ日本富士通公司发布了ＰａｌｍＳｅｃｕｒｅ设备ꎬ该设备可安放在银行ＡＴＭ设备中ꎬ其尺寸虽只有手掌大小ꎬ但实现了客户身份识别的功能[１３]ꎮ２００７年ꎬ静脉识别技术正式被国际标准组织(ＩＳＯ)采纳[１４]ꎮ２００８年ꎬ英国ＡｈｍｅｄＭ.Ｂａｄａｗｉ首次采用３ˑ３的中值滤波器处理图像ꎬ逐个像素对比进行特征图像匹配ꎬ通过大量实验后得出的匹配结果ＦＡＲ和ＦＲＲ等指标都得到很大的提高ꎬ但识别需要的时间较长ꎬ无法满足实时识别的需求[１５]ꎮ２０１０年ꎬＮＥＣ发布了可同时对指纹及手指静脉进行识别认证的设备ꎮ２０１４年ꎬ日本富士通公司在手机终端实现手掌静脉识别[１３]ꎮ此前ꎬ日本富士通公司推出了最新款超薄型手掌静脉模块Ｐａｌｍ￣Ｓｅｃｕｒｅ－ＦＰｒｏꎬ具有很高的操作性和很强的环境适应能力ꎬ单机可支持双手５０００人登录ꎬ与２０１０年开始销售的老款传感器ＰａｌｍＳｅｃｕｒｅ－Ｖ２相比具有更完善的功能[１６]ꎮ１.２㊀国内研究现状国内在静脉识别方面的起步较晚ꎬ但由于静脉识别具有研究的诸多优越性ꎬ令其在国内的研究和发展极其迅速ꎮ２００３年ꎬ清华大学林喜荣等[１７]发表了关于手背静脉图像特征提取和匹配的文章ꎮ此后ꎬ国内许多高校和科研机构也相继展开了对静脉识别的研究ꎮ２００９年ꎬ重庆工学院的余成波等[１８]提出基于方向谷形检测的静脉纹路分割ꎬ使用该方法虽然取得了一定的效果ꎬ但较难处理质量不高的图像ꎮ２０１１年ꎬ东北大学的贾旭等[１９]提出了基于分块脊波变换的手背静脉识别算法ꎬ首先利用改进的细化算法对获得的二值图像进行细化处理ꎬ得到了静脉的骨架信息ꎻ再将细化后的静脉图像进行分块ꎬ然后做脊波变换ꎬ并通过降维得到静脉图像的特征向量ꎻ最后利用支持向量机(ＳＶＭ)对静脉图像进行分类匹配ꎬ实验表明其正确识别率可达９７％以上ꎮ２０１９年ꎬ南方医科大学的袁玲等[２０]提出了基于自适应融合的手掌静脉增强方法ꎬ与传统的手掌静脉识别方法相比较ꎬ降低了错误率ꎬ提高了识别精度ꎮ２㊀手掌静脉识别方法２.１㊀传统手掌静脉图像识别方法传统的手掌脉识别方法首先采集静脉图像并进行预处理ꎬ一般采用近红外光拍摄获取手掌静脉图像ꎻ截取ＲＯＩ(ＲｅｇｉｏｎＯｆＩｎｔｅｒｅｓｔ)区域进行增强㊁去噪等处理ꎻ最后静脉特征提取及匹配ꎮ静脉特征的提取是识别中关键的一步ꎬ提取出完整的掌静脉特征会降低识别的难度ꎮ２.１.１㊀手掌静脉ＲＯＩ图像的获取通过图像采集设备获取的手掌静脉图像包含手指㊁手腕以及手掌外部的背景ꎬ而在进行掌静脉图像处理时只需要处理含有丰富静脉血管的手掌区域ꎬ该区域称为感兴趣区域ＲＯＩ[２１]ꎮ目前有很多种获取ＲＯＩ的方法:中国科学技术大学的王春义[２２]提出非接触式高质量掌静脉图像获取方法ꎬ首先改进了基于掌心或手腕中心与手掌轮廓距离的手掌定位方法ꎬ使算法无需判断左右手即可提取出感兴趣区域ꎬ此外ꎬ结合手掌轮廓凹性分析ꎬ给出了鲁棒性更高的手掌定位方法ꎬ并通过实验验证该方法的定位准确率ꎻ沈阳工业大学的李威[２３]提出非接触成像方式下手掌特征提取的方法ꎬ首先对图像进行二值化ꎬ找到边缘轮廓图ꎬ然后用定位指峰与指谷的方法进行边缘检测ꎬ确定内切圆的圆心和半径ꎬ利用圆的数学特性确定手掌内切圆ꎬ从而确定手掌ＲＯＩ区域ꎮ用以上方法处理图像效果虽好ꎬ但处理时间较长ꎬ且易受外界因素干扰ꎮ２.１.２㊀手掌静脉图像的增强在掌静脉的识别中ꎬ静脉图像增强是重要的研究内容ꎬ直接影响特征提取与匹配的结果ꎬ进而影响识别精度ꎮ手掌静脉识别过程中ꎬ由于采集手部静脉图像时可能会受到采集设备㊁光照条件等各种因素的干扰ꎬ导致采集到的图像不清晰或静脉血管与背景区分度低等质量不佳的情况ꎬ因此对静脉图像识别之前需要对图像进行增强处理ꎮ图像增强是指改善图像质量㊁丰富图像信息㊁加强图像识别效果ꎬ从而使图像主观上看起来更好的一种图像处理方法[２４]ꎮ目前主要的图像增强方法有:灰度归一化[２５]㊁直方图均衡[２６]㊁自适应对比度增强[２７]㊁自适应直方图均衡[２８]等ꎮ例如娄梦莹等[２９]提出的基于自适应融合的手掌静脉增强方法ꎬ采用自适应ＤＣＰ和ＰＯＳＨＥ算法分别对手掌图像增强ꎬ并将ＤＣＰ增强图像和ＰＯＳＨＥ增４３大㊀连㊀民㊀族㊀大㊀学㊀学㊀报第２２卷强图像自适应融合ꎬ得到最终的增强图像ꎮ电子科技大学张钊[３０]发表的掌静脉识别算法研究成果中ꎬ用限制对比度自适应直方图均衡(ＣＬＡＨＥ)方法ꎬ将图像分块后再用自适应直方图处理ꎬ有效避免了图像的过度增强ꎬ效果更好ꎮ２.１.３㊀手掌静脉特征提取手掌静脉特征提取的质量决定着识别的效果ꎬ因此提取合理的手掌静脉特征是很多学者研究的重点ꎮ北京邮电大学的马欣[１３]提出一种根据图像不同区域纹理特性自适应地选择局部Ｇａ￣ｂｏｒ参数的算法ꎬ从而可最优化地提取静脉特征ꎬ提高系统识别率ꎬ但该方法耗时较长ꎮ哈尔滨工业大学的傅泽思[３１]采用四个滤波器的实部滤波图像ꎬ按照单方向２Ｄ－Ｇａｂｏｒ滤波编码的方法进行比特编码ꎬ再比较图像经过四个不同方向滤波器滤波后Ｇａｂｏｒ幅值的大小ꎬ将最大幅值响应的图像编码作为最后的图像特征编码ꎬ利用多方向纹理信息ꎬ提取手掌静脉特征ꎬ但该方法提取ＲＯＩ区域时ꎬ关键的定位有偏移ꎬ导致识别匹配率较低ꎮ吉林大学的代立波[３２]提出利用距离变换算法生成手指骨架图ꎬ通过对其进行局部和全局比较保证骨架图的连续性ꎬ提取手指骨架中心点ꎬ对生成的骨架图进行修剪与拟合获取手指中轴线ꎬ使手指特征更加稳定ꎻ之后为充分利用手形信息ꎬ提取手形的几何和轮廓双重特征ꎬ但该算法对图像质量要求高且算法复杂ꎬ提取时间较长ꎮ西北大学的严娇娇[３３]提出基于全局Ｇｉｓｔ特征的掌静脉特征提取方法ꎬ将增强后的掌静脉图像抽象为一幅场景图像ꎬ利用 分块提取 思想对其分块后ꎬ提取每块的全局Ｇｉｓｔ特征ꎬ将所有Ｇｉｓｔ特征级联构成掌静脉特征向量ꎬ采用主成分分析法对高维掌静脉特征向量进行降维处理ꎬ使其能够有效地完成识别ꎬ但该方法降维过程较难处理ꎮ２.２㊀基于深度学习的掌静脉图像识别深度学习可以通过学习一个深度非线性网络ꎬ实现复杂函数逼近ꎬ展现了其从少量样本集中学习数据集本质特征的能力[３４]ꎮ在深度学习中ꎬ卷积神经网络(ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋꎬＣＮＮ[３５])作为最早成功应用的深度学习模型ꎬ是受生物视觉感知机制启发的深度学习框架ꎬ具有很强的图像表达能力ꎬ现已在目标检测[３６－３７]㊁图像检索[３８－３９]㊁人脸识别[４０－４１]等领域得到广泛应用ꎮ它不但可以自动进行特征提取和分类识别ꎬ还会将识别结果反作用于特征提取ꎬ不需要人工设计特征ꎬ解决了使用传统方法难以提取特征的问题ꎮ经典的卷积神经网络主要包括输入层㊁卷积层㊁池化层㊁全连接层和输出层[４２]ꎮ其中ꎬ利用卷积层可以对手掌静脉图像进行特征提取ꎬ但随着网络模型的加深ꎬ卷积核增加ꎬ参数增多ꎬ容易出现过拟合现象ꎬ这种情况就可用池化层对图像进行二次特征提取ꎮ全连接层用来连接输出层ꎬ对此前提取特征进行分类处理ꎬ最后输出结果ꎮ如南方医科大学的袁丽莎[４３]利用双通道卷积神经网络模板的多样化ꎬ特征提取更充分ꎬ从而更好地保留了原始静脉图像信息的完整性ꎬ并且卷积神经网络可以提取掌静脉图像更高层次和更具表达能力的静脉特征ꎬ有效避免了人工提取特征的局限性ꎮ神经网络可以分为有监督学习网络和无(半)监督学习网络ꎮ卷积神经网络作为有监督学习网络ꎬ发展比较迅速ꎬ已经应用于很多研究领域ꎮ而无监督学习网络由于自身模型难以模拟ꎬ在各研究领域的应用较少ꎮ２０１４年ꎬ由Ｇｏｏｄｆｅｌｌｏｗ首次提出的生成对抗网络(ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔ￣ｗｏｒｋｓꎬＧＡＮ[４４])属于无监督学习网络的一种模型ꎮＧＡＮ基本框架包括生成模型(Ｇｅｎｅｒａｔｏｒ)和判别模型(Ｄｉｓｃｒｉｍｉｎａｔｏｒ[４５])ꎬ不再需要预先设定的数据分布ꎬ具有拟合的最大自由性[４６]ꎬ可避免卷积神经网络使用最大似然估计时产生的概率计算问题ꎬ但也存在训练不稳定的缺点ꎬ需要进一步优化网络模型ꎮ而条件生成对抗网络(ＣＧＡＮ)作为生成对抗网络的一个扩展ꎬ可有效解决传统静脉图像增强时ꎬ滤波过程中引进的噪声和残存的掌纹问题ꎮ相对于普通的生成对抗网络具有更强大的生成能力ꎬ同时训练更加容易稳定ꎮ如南方医科大学的袁玲[２０]采用条件生产对抗网络ꎬ调整网络的参数使原始手掌静脉图像在学习目标图像静脉网络结构的同时ꎬ去除少量掌纹及滤波操作引进的噪声ꎬ获得静脉纹理更加清晰的手掌静脉图像ꎮ较传统算法ꎬ该方法在有效识别的同时缩短了识别时间ꎮ３㊀手掌静脉识别难点随着学者们的不断研究和机器学习的发展ꎬ手掌静脉识别方面存在的许多问题都得以解决ꎬ但仍然存在以下难点:(１)掌静脉图像采集环境的影响ꎮ掌静脉的５３第１期张秀峰ꎬ等:掌静脉识别研究综述采集主要有接触式采集和非接触式采集ꎬ无论利用哪种采集方式ꎬ采集过程都会受到光照㊁采集背景和温度等因素的影响ꎮ如文献[４７]使用高动态范围的方法识别手掌静脉取得了不错的效果ꎬ但在获取图像时会引入其他噪声ꎬ使掌静脉图像的识别时间增加ꎮ(２)掌静脉ＲＯＩ图像定位分割的影响ꎮ为获取静脉特征丰富的区域ꎬ需对掌静脉ＲＯＩ图像定位分割ꎬ学者们一般采用香港理工大学数据库的掌静脉图像进行静脉识别研究ꎬ库中的掌静脉图像由于采集时需要固定手掌而在中指与无名指之间的指谷位置安装了硬件设备ꎬ从而使掌静脉ＲＯＩ图像难以定位分割ꎮ如文献[４８]由于缺乏适宜的ＲＯＩ定位分割方法ꎬ导致特征提取的准确性较低ꎬ识别率不高ꎮ(３)掌纹的影响ꎮ掌静脉图像带有掌纹ꎬ现有的算法仍然不能够完全去除掌纹的干扰ꎬ如逄增耀等[４９]利用模糊阈值判定以及全局灰度值匹配提高算法的鲁棒性ꎬ但没有更好地去除掌纹的干扰ꎬ使掌静脉的识别效果不佳ꎮ综上所述ꎬ在今后的掌静脉识别研究中应针对以上难点ꎬ寻求更有效的方法㊁算法解决问题ꎮ４㊀结㊀语手掌静脉识别已应用于很多领域ꎬ有非常好的发展前景ꎮ本文通过对掌静脉识别方法的介绍ꎬ可以得出传统的掌静脉识别方法已经慢慢淡出人们的视野ꎬ而随着机器学习算法的不断发展和优化ꎬ使掌静脉识别技术愈发成熟ꎮ相信未来在掌静脉识别的研究中ꎬ识别精度会不断提高ꎬ达到更好的识别效果ꎬ且在各领域中的应用有更多突破ꎮ参考文献:[１]郑方ꎬ艾斯卡尔 肉孜ꎬ王仁宇ꎬ等.生物特征识别技术综述[Ｊ].信息安全研究ꎬ２０１６ꎬ２(１):１２－２６. [２]吴超.基于深度学习的指静脉识别研究[Ｄ].南京:南京邮电大学ꎬ２０１８.[３]ＤＵＤＹꎬＬＵＬＪꎬＦＵＲＹꎬｅｔａｌ.Ｐａｌｍｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｅｎｄ－ｔｏ－ｅｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＳｏｕｔｈｅｒｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙꎬ２０１９ꎬ３９(２):２０４－２１７.[４]ＣＡＯＫꎬＪＡＩＮＡＫ.Ｌｅａｒｎｉｎｇｆｉｎｇｅｒｐｒｉｎｔｒｅｃｏｎｓｔｒｕｃｔｉｏｎ:Ｆｒｏｍｍｉｎｕｔｉａｅｔｏｉｍａｇｅ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｆｏｒ￣ｍａｔｉｏｎＦｏｒｅｎｓｉｃｓ＆Ｓｅｃｕｒｉｔｙꎬ２０１５ꎬ１０(１):１０４－１１７. [５]陆劲挺ꎬ贾伟ꎬ叶慧ꎬ等.指节纹识别综述[Ｊ].模式识别与人工智能ꎬ２０１７ꎬ３０(７):６２２－６３６. [６]ＩＭＡＤＲꎬＲＯＭＡＩＮＨꎬＧＩＡＮＬＭꎬｅｔａｌ.Ｐａｌｍｐｒｉｎｔｒｅｃｏｇ￣ｎｉｔｉｏｎｗｉｔｈａｎｅｆｆｉｃｉｅｎｔｄａｔａｄｒｉｖｅｎｅｎｓｅｍｂｌｅｃｌａｓｓｉｆｉｅｒ[Ｊ].ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓꎬ２０１９ꎬ１２６:２１－３０. [７]ＫＡＮＧＷꎬＷＵＱ.Ｐｏｓｅ－ｉｎｖａｒｉａｎｔｈａｎｄｓｈａｐｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｆｉｎｇｅｒｇｅｏｍｅｔｒｙ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓ￣ｔｅｍｓＭａｎ＆ＣｙｂｅｒｎｅｔｉｃｓＳｙｓｔｅｍｓꎬ２０１４ꎬ４４(１１):１５１０－１５２１.[８]ＫＵＢＡＮＥＫＭꎬＳＭＯＲＤꎬＨＯＬＯＴＹＡＫＴ.Ｆｅａｔｕｒｅｅｘｔｒａｃ￣ｔｉｏｎｏｆｐａｌｍｖｅｉｎｐａｔｔｅｒｎｓｂａｓｅｄｏｎｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌｄｅｎｓｉｔｙｆｕｎｃｔｉｏｎ[Ｃ].ＩＣＡＩＳＣ２０１５:Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１５ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅａｎｄＳｏｆｔＣｏｍｐｕｔｉｎｇ.Ｂｅｒｌｉｎ:Ｓｐｒｉｎｇｅｒꎬ２０１５:１０１－１１１.[９]叶慧.基于方向局部描述子的掌纹和手掌静脉识别研究[Ｄ].合肥:合肥工业大学ꎬ２０１８.[１０]秦斌.手静脉身份识别技术[Ｊ].现代电子技术ꎬ２０１１ꎬ３４(４):１６９－１７４.[１１]ＳＨＩＭＩＺＵＫ.Ｏｐｔｉｃａｌｔｒａｎｓ－ｂｏｄｙｉｍａｇｉｎｇｆｅａｓｉｂｉｌｉｔｙｏｆｏｐ－ｔｉｃａｌＣＴａｎｄｆｕｎｃｔｉｏｎａｌｉｍａｇｉｎｇｏｆｌｉｖｉｎｇｂｏｄｙ[Ｊ].ＪＰＮＪ.ｏｆＭｅｄｉｃｉｎａＰｈｉｌｏｓｏｐｈｉｃａꎬ１９９２ꎬⅡ:６２０－６２９. [１２]宗宇轩.基于优化纹理特征的手背静脉识别算法研究及在ＲａｓｐｂｅｒｒｙＰｉ系统上的实现[Ｄ].长春:吉林大学ꎬ２０１８.[１３]马欣.手掌静脉身份识别关键技术研究[Ｄ].北京:北京邮电大学ꎬ２０１８.[１４]张文辉.掌静脉识别系统研究与实现[Ｄ].成都:电子科技大学ꎬ２０１７.[１５]ＢＡＤＡＷＩＡＭ.Ｈａｎｄｖｅｉｎｂｉｏｍｅｔｉｒｃｖｅｒｉｆｉｃａｔｉｏｎｐｒｏｔｏｔｙｐｅ:Ａｔｅｓｔｉｎｇｐｅｒｆｏｒｍａｎｃｅａｎｄｐａｔｔｅｒｎｓｓｉｍｉｌａｒｉｔｙ[Ｊ].Ｉｎｔｅｒｎａ￣ｔｉｏｎａｌＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＳｃｉｅｎｃｅｓꎬ２００７:３４－３８. [１６]陶静静.非接触式多光谱掌静脉识别系统设计[Ｄ].淮南:安徽理工大学ꎬ２０１９.[１７]林喜荣ꎬ庄波ꎬ苏晓生.人体手背血管图像的特征提取及匹配[Ｊ].清华大学学报(自然科学版)ꎬ２００３ꎬ４３(２):１６４－１６７.[１８]余成波ꎬ秦华峰.生物特征识别技术[Ｍ].北京:清华大学出版社ꎬ２００９:２３－２５.[１９]贾旭ꎬ薛定宇ꎬ崔建江ꎬ等.基于分块脊波变换的静脉识别算法[Ｊ].模式识别与人工智能ꎬ２０１１(３):３４６－３５２.[２０]袁玲.基于图像融合和深度学习的手掌静脉图像增强方法[Ｄ].广州:南方医科大学ꎬ２０１８.[２１]刘富ꎬ姜守坤ꎬ康冰ꎬ等.基于最大圆形感兴趣区域的手背静脉识别系统[Ｊ/ＯＬ].吉林大学学报(工学版):１－６[２０１９－１２－２０].ｈｔｔｐｓ://ｄｏｉ.ｏｒｇ/１０.１３２２９/ｊ.ｃｎｋｉ.ｊｄｘｂｇｘｂ２０１９０７７７.[２２]王春义.非接触式高质量掌静脉图像获取方法研究[Ｄ].合肥:中国科学技术大学ꎬ２０１８.６３大㊀连㊀民㊀族㊀大㊀学㊀学㊀报第２２卷[２３]李威.非接触成像方式下手掌特征提取方法研究[Ｄ].沈阳:沈阳工业大学ꎬ２０１３.[２４]岳林ꎬ万新军ꎬ张晨皓ꎬ等.复杂背景下红外静脉图像的分割与增强[Ｊ].电子科技ꎬ２０１７ꎬ３０(３):１１８－１２０. [２５]ＬＡＤＯＵＸＰＯꎬＲＯＳＥＮＢＥＲＧＥＲＣꎬＤＯＲＩＺＺＩＢ.ＰａｌｍｖｅｉｎｖｅｒｉｆｉｃａｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＳＩＦＴｍａｔｃｈｉｎｇ[Ａ].ＡｄｖａｎｃｅｓｉｎＢｉｏｍｅｔｒｉｃｓ.ＢｅｒｌｉｎＨｅｉｄｅｌｂｅｒｇ:Ｓｐｒｉｎｇｅｒꎬ２００９:１２９０－１２９８.[２６]ＥＳＷＡＲＲꎬＲＡＭＡＣＨＡＮＤＲＡＲ.Ｄｙｎａｍｉｃｃｌｉｐｐｅｄｈｉｓ￣ｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒｅｎｈａｎｃｉｎｇｌｏｗｃｏｎｔｒａｓｔｉｍａｇｅｓ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙｏｆＳｃｉ￣ｅｎｃｅｓꎬＩｎｄｉａＳｅｃｔｉｏｎＡ:ＰｈｙｓｉｃａｌＳｃｉｅｎｃｅｓꎬ２０１９ꎬ８９(２):６７３－６９８.[２７]王成ꎬ张艳超.像素级自适应融合的夜间图像增强[Ｊ].液晶与显示ꎬ２０１９ꎬ３４(９):８８８－８９６.[２８]王超ꎬ孙玉秋ꎬ徐石瑶ꎬ等.自适应直方图均衡化图像增强算法研究[Ｊ].长江大学学报(自科版)ꎬ２０１８ꎬ１５(１):５５－５９.[２９]娄梦莹ꎬ袁丽莎ꎬ刘娅琴ꎬ等.基于自适应融合的手掌静脉增强方法[Ｊ].计算机应用ꎬ２０１９ꎬ３９(４):１１７６－１１８２.[３０]张钊.掌静脉识别算法研究[Ｄ].成都:电子科技大学ꎬ２０１７.[３１]傅泽思.手掌静脉识别技术研究[Ｄ].哈尔滨:哈尔滨工业大学ꎬ２０１４.[３２]代立波.融合手形和掌部静脉的双模态识别系统研究[Ｄ].长春:吉林大学ꎬ２０１８.[３３]严娇娇.基于掌纹与掌静脉双模态融合特征识别研究[Ｄ].西安:西北大学ꎬ２０１８.[３４]吴超ꎬ邵曦.基于深度学习的指静脉识别研究[Ｊ].计算机技术与发展.２０１８ꎬ２８(２):２００－２０４.[３５]ＪＩＮＪꎬＦＵＫꎬＺＨＡＮＧＣ.Ｔｒａｆｆｉｃｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｈｉｎｇｅｌｏｓｓｔｒａｉｎｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓꎬ２０１４ꎬ１５(５):１９９１－２０００.[３６]ＲＥＮＳＱꎬＨＥＫＭꎬＧＩＲＳＨＩＣＫＲꎬｅｔａｌ.ＦａｓｔｅｒＲ－ＣＮＮ:Ｔｏｗａｒｄｓｒｅａｌ－ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１７ꎬ３９(６):１１３７－１１４９.[３７]ＨＥＫꎬＺＨＡＮＧＸꎬＲＥＮＳꎬｅｔａｌ.Ｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏ￣ｌｉｎｇｉｎｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｖｉｓｕａｌｒｅｃｏｇｎｉｔｉｏｎ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１５ꎬ３７(９):１９０４－１９１６.[３８]ＺＨＥＮＧＬꎬＹＡＮＧＹꎬＴＩＡＮＱ.ＳＩＦＴｍｅｅｔｓＣＮＮ:Ａｄｅｃａｄｅｓｕｒｖｅｙｏｆｉｎｓｔａｎｃｅｒｅｔｒｉｅｖａｌ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔ￣ｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１８ꎬ４０(５):１２２４－１２４４. [３９]ＮＡＫＡＺＡＷＡＴꎬＫＵＬＫＡＲＮＩＤＶ.Ｗａｆｅｒｍａｐｄｅｆｅｃｔｐａｔｔｅｒｎｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｉｍａｇｅｒｅｔｒｉｅｖａｌｕｓｉｎｇｃｏｎｖｏｌｕ￣ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＩＥＥＥＴｒａｎｓＳｅｍｉｃｏｎｄＭａｎｕ￣ｆａｃｔꎬ２０１８ꎬ３１(２):３０９－３１４.[４０]ＳＹＡＦＥＥＺＡＡＲꎬＫＨＡＬＩＬＨＡＮＩＭꎬＬＩＥＷＳＳꎬｅｔａｌ.Ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｐｏｓｅａｎｄｉｌｌｕｍｉｎａｔｉｏｎｖａｒｉａｔｉｏｎ[Ｊ].ＩｎｔＪＥｎｇＴｅｃｈｎｏｌꎬ２０１４ꎬ６(１):４４－５７.[４１]ＷＵＹꎬＨＡＳＳＮＥＲＴꎬＫＩＭＫꎬｅｔａｌ.Ｆａｃｉａｌｌａｎｄｍａｒｋｄｅｔｅｃｔｉｏｎｗｉｔｈｔｗｅａｋｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１８ꎬ４０(１２):３０６７－３０７４.[４２]ＬＩＵＹꎬＷＡＮＧＤＬꎬＨＥＦꎬｅｔａｌ.Ｐｈｅｎｏｔｙｐｅｐｒｅｄｉｃｔｉｏｎａｎｄｇｅｎｏｍｅ－ｗｉｄｅａｓｓｏｃｉａｔｉｏｎｓｔｕｄｙｕｓｉｎｇｄｅｅｐｃｏｎｖｏｌｕ￣ｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｏｆＳｏｙｂｅａｎ[Ｊ].Ｆｒｏｎｔｉｅｒｓｉｎｇｅｎｅｔ￣ｉｃｓꎬ２０１９ꎬ１０:１０９１－１０９９.[４３]袁丽莎.基于深度学习的手掌静脉识别[Ｄ].广州:南方医科大学ꎬ２０１９.[４４]ＧＯＯＤＦＥＬＬＯＷＩＪꎬＰＯＵＧＥＴ－ＡＢＡＤＩＥＪꎬＭＩＲＺＭꎬｅｔａｌ.Ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｓ[Ｃ]ʊＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ￣ｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓꎬ２０１４:２６７２－２６８０.[４５]张营营.生成对抗网络模型综述[Ｊ].电子设计工程ꎬ２０１８ꎬ２６(５):３４－３７.[４６]王杨ꎬ张鑫ꎬ许闪闪.基于维纳滤波器和生成对抗网络的动态模糊图像处理方法[Ｊ].计算机系统应用ꎬ２０１９ꎬ２８(４):１４５－１５０.[４７]王陈.指静脉多曝光图像的研究[Ｄ].北京:北京邮电大学ꎬ２０１９.[４８]ＡＮＸＫꎬＫＡＮＧＷＸꎬＤＥＮＧＦＱꎬｅｔａｌ.Ｐａｌｍｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉ－ｓａｍｐｌｉｎｇａｎｄｆｅａｔｕｒｅ－ｌｅｖｅｌｆｕｓｉｏｎ[Ｊ].Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇꎬ２０１５ꎬ１５１:７９８－８０７.[４９]逄增耀ꎬ杨杰.基于方向梯度的快速手掌静脉识别[Ｊ].计算机应用研究ꎬ２０１８ꎬ３５(３):９５３－９５６.(责任编辑㊀赵环宇)７３第１期张秀峰ꎬ等:掌静脉识别研究综述。

基于纹线投影特征的掌纹识别方法研究的开题报告一、选题背景及研究意义掌纹作为生物特征之一，一直以来都被广泛应用于个人身份验证、犯罪侦查和居民管理等领域。

其中，掌纹识别技术因其高准确性、稳定性和便捷性，成为了最常用的生物识别技术之一。

目前，掌纹识别技术已经被应用于各种场合，例如银行卡取款、安全门禁、企业考勤等。

传统的掌纹识别方法主要基于掌纹纹线纹路的特征。

然而，由于掌纹的纹路特征容易受到伪造和修饰的影响，因此，掌纹识别系统的识别率并不高，尤其是在噪声和变形等情况下。

为了克服这些限制，学者们提出了基于纹线投影特征的掌纹识别方法。

这种方法通过将掌纹图像转化为纹线投影图像，然后提取其一些具有稳定性的特征来进行掌纹识别。

与传统掌纹识别方法相比，基于纹线投影特征的掌纹识别方法具有更高的准确度和稳定性，能够有效地识别噪声和变形。

因此，本研究旨在深入研究基于纹线投影特征的掌纹识别方法，提高掌纹识别的准确率和稳定性，为掌纹识别技术的应用提供更加可靠和有效的解决方案。

二、主要研究内容本研究的主要研究内容包括：1. 基于纹线投影的掌纹特征提取方法研究。

通过将掌纹图像转化为纹线投影图像，提取具有稳定性的特征来进行掌纹识别，并对这些特征进行深入研究，找出最具有区分力的特征。

2. 基于特征选择算法的掌纹识别模型构建研究。

通过选取最具有区分力的特征，建立掌纹识别模型，并对模型进行训练和测试，提高掌纹识别的准确率和稳定性。

3. 基于纹路匹配算法的掌纹匹配研究。

将提取的掌纹特征与参考掌纹进行匹配，找出最相似的掌纹，并进行识别和验证。

三、研究方法和技术路线本研究的研究方法主要包括图像处理、特征提取、模型构建和匹配算法等。

具体技术路线如下：1. 对掌纹图像进行预处理，包括图像增强、二值化、去噪等步骤。

2. 将处理后的掌纹图像转化为纹线投影图像，提取具有稳定性的纹线投影特征。

3. 对提取到的特征进行预处理和特征选择，选取具有区分力的特征。

Computer Engineering and Applications 计算机工程与应用2018，54（9）1引言当前，生物特征识别技术[1]由于其便捷性，是人们用来替代传统人工密码认证方式的主要途径。

现有的研究人员对基于手部特征的识别技术已经做了大量的研究，主要包括指静脉识别[2]、掌静脉识别[3]、指纹识别[4]、掌纹识别[5]和手型识别[6]等。

而针对指纹识别和掌纹识⦾图形图像处理⦾单幅近红外手掌图像掌静脉和掌纹多特征识别李俊林，王华彬，陶亮LI Junlin,WANG Huabin,TAO Liang安徽大学计算机科学与技术学院，合肥230601School of Computer Science and Technology,Anhui University,Hefei 230601,ChinaLI Junlin,WANG Huabin,TAO Liang.Palm vein and palmprint fusion recognition with those two features existing in same near-infrared palm puter Engineering and Applications,2018,54（9）：156-164.Abstract ：The traditional palm vein and palmprint fusion recognition needs to obtain the palm vein images and the palm-print images separately.However,the palm vein and palmprint structure information actually exists in the same near infrared palm image.Because the palm vein and palmprint structures stay in the different ranges of pixel values,and their local texture information is also distinct,the palm vein and the palmprint can be separated from a single near infrared palm image and then enhanced individually.Firstly,an improved self-guided filter algorithm is proposed to remove the palmprint structure,and the anti-fuzzy detail enhancement model is designed to enhance the image of the palm vein structure.Then,an improved block enhancement algorithm is proposed to enhance the palmprint structure and remove the palm vein structure.Besides,the Sobel operator unsharp masking algorithm is used to highlight the main line structure of the palmprint.Finally,a recognition algorithm is presented based on the image fusion of palm vein and palmprint.Experiments are implemented on the multispectral palmprint database of HongKong Polytechnic University,and the experimental results show that the fusion recognition rate has reached 99.63%.Compared with the other existing algorithms,the equal error rate of the proposed algorithm is reduced by 0.66%in average,which validates the effectiveness of the proposed algorithm.Key words ：palm vein;palmprint;fusion recognition;guided filter摘要：传统的掌静脉和掌纹图像融合识别一般需分别采集掌静脉和掌纹两类图像，而单幅近红外手掌图像中实际上同时包含了掌静脉和掌纹结构信息。

余弦相似度保持的掌纹识别算法
余弦相似度保持的掌纹识别算法是一种比较流行的掌纹识别算法，其原理是利用“余弦相似度”实现对掌纹图像的识别。

通过将两个掌
纹图像投影到一个向量空间，然后计算两个掌纹图像之间的余弦相似
度值，从而确定这两个掌纹是否来自于同一个人。

从理论上讲，余弦相似度保持的掌纹识别算法的核心可以归结为
三个步骤：投影、缩放和计算余弦相似度值。

在投影部分，将两个掌
纹图像投影到一个向量空间当中，将所有的像素点都看作是一个向量，然后对这两个掌纹图像中的所有像素点进行投影。

接下来是缩放步骤，主要目的是使两个投影后的掌纹图像中每个
像素点的数值均处于0～1这一范围内，使两个掌纹图像的距离更加准确。

最后一步就是计算余弦相似度值，即将两个投影后的掌纹图像进
行比较，计算其之间的余弦相似度值。

如果两个掌纹图像的余弦相似
度值超过预设的阈值，则判断两个掌纹图像来自于同一个人，反之则
不是。

余弦相似度保持的掌纹识别算法主要有以下几个优点：
1、精度高：通过把掌纹图像投影到一个向量空间中，再计算余弦
相似度值，这一过程更能有效地提取出特征，从而提高了掌纹识别率；
2、耗时少：掌纹识别的时间只需要不到一秒，因此，该算法拥有
很好的实时性，可以应用于实时掌纹识别系统；
3、安全性高：由于该算法计算两个掌纹之间的余弦相似度值，因此，掌纹图像不需要被传输，避免了不正当的信息获取，同时也提高
了系统的安全性。

总而言之，余弦相似度保持的掌纹识别算法既能够提供较高的识别精度，又能够保证安全性，可谓是一种综合性能优良的掌纹识别算法。