手指静脉识别是指在近红外光下获取手指静脉纹路,以此作为生物特征的一种身份验证技术。与传统的生物识别技术相比,该方法具有显著的优势。传统的手指静脉识别技术大多依赖基于各种数学假设的手工设计特征,经验定义和人为干预会带来误差。从卷积神经网络中学习到的深度特征具有良好的泛化和表达能力,但其局限于建模更大、更复杂的静脉特征,且没有考虑手指静脉像素的空间依赖关系。针对以上问题,本文做了以下几方面的工作:1.提出一种改进的ROI提取方法和标签制作方法。针对部分数据集存在的像素缺失现象,本文在常规的ROI提取流程中,额外加入滑动窗口求像素和的方法进行筛选,并利用自建工具手动调整,该方法具有一定的通用性且对静脉缺失图像鲁棒。针对当前标签制作不能很好地利用基准分割的优势,本文赋予传统基线不同权重来分配标签,该方法比单纯融合标签、组合标签更为精准,且更符合实际应用情况。2.提出一种基于全卷积神经网络和条件随机场的手指静脉分割算法。针对当前的卷积神经网络缺乏处理固定几何变换的内部机制和鼓励相邻像素间边缘、外观、空间一致性的平滑约束等问题,本文综合了循环神经网络、残差神经网络、可变形卷积网络、条件随机场的优势,通过在正规卷积中的采样网格上添加偏移量,使其卷积操作能够根据静脉血管的大小和形状自适应调节接受域,从而可以捕捉到各种形状和大小的静脉血管,这些更复杂更深层的特征由循环神经网络和残差神经网络进行挖掘并积累保留。引入条件随机场综合考虑相似像素间的标签一致性等假设来细化全卷积神经网络的输出,使得分割结果更加精准,条件随机场可以推理为整个网络模型的嵌入,采用常规的反向传播算法进行端到端的训练。实验结果表明本文提出的全卷积神经网络在分割效果上优于其他等价模型,并且嵌入的条件随机场也进一步提高了系统的性能。3.提出一种基于级联优化IU-Net的手指静脉验证算法。针对当前公开指静脉数据集较小、网络的特征表达丢失了结构相关性以及难以权衡网络深度、宽度与计算资源间的关系等问题,本文以U-Net网络的收缩路径作为基础架构,常规卷积与残差循环卷积组成网络的重复结构用以提取更深层次的特征,在网络的中间层和靠后层引入Inception模块及其变体,可以在加深网络深度的同时,通过提取多尺度的信息来增加网络宽度,还能节约大量计算资源。网络训练过程中用两幅图像的差分图像作为输入以此进行数据扩充,提出的自适应权重交叉熵和梯度均衡交叉熵可以根据数据集中离群样本的数量进行合理的分配,使得在每次训练过程的损失权重动态调整,在充分利用有限数据资源的前提下有效地解决了类别不平衡问题。最后用差分图像和原始分割图像进行通道连接,对上述预训练网络进行微调,以达到级联优化作用,实验结果表明该方法获得了当前最低的等错误率。