随着科技的飞速发展,人们日常的行为习惯正逐步数据化,因此如何保障个人数据信息安全正是整个社会需要重点考虑的问题。目前生物识别技术正逐渐成为安保方面识别身份的重要手段。相比各种生物识别技术,手指静脉识别以其独特的唯一性、活体检验性、安全性等众多优势引起了社会的广泛关注。如何提高指静脉识别的准确性及鲁棒性,提高识别的速率均是指静脉识别所需面对的永久话题。针对上述问题,各种提高识别度的研究算法层出不穷,从如何提高静脉图像质量入手,亦或是用深度学习算法替代传统的识别方法,其均不断丰富了指静脉识别领域的研究。为了获取更高准确率的识别算法,本文引入了深度森林算法对指静脉图像进行处理,其主要工作与贡献总结如下所示:第一,根据不同的手指静脉图像集进行不同方式的图像预处理。其中包含了对静脉采集器FV1000所构建的图像集做了图像增强、边缘检测、旋转矫正、静脉分割、归一化处理,最终获取有效的ROI区域。并构建了深度森林算法所需的训练集数据,为后续的算法提供了数据支持。第二,主要分析了随机森林与深度森林之间的关系,为后续的算法搭建做了理论支撑。通过随机森林的构建方法以及决策树的生长、停止规则来诠释深度森林算法中的森林构建。深度森林算法采用多粒度扫描去获取更多的变换特征,并通过多层的级联数据处理来丰富所获模型的效果。第三,主要提出了基于深度森林的两种指静脉识别算法。方法一将静脉图像集Data-A与特征点信息集Data-B作为训练数据,用深度森林算法构建模型,训练所得的模型具有获取静脉图像中特征点坐标位置的功能,而后使用ORB算法来进行特征匹配。该方法首先利用所获得的汉明距离信息来进行特征点间的匹配,而后根据匹配的特征点间的角度分布情况来判定最后的识别结果。方法二将静脉图像集Data-A与手指编号集Data-C作为输入,通过深度森林算法直接训练获取具有判别手指编号的特征模型,其模型的输出即为识别的结果。通过实验数据显示,该两种识别均取得了较好的结果,但仍有其不足之处。本文所提出的两种基于深度森林算法下的指静脉识别在数据集上的准确率为98.40%,99.70%。为说明算法的优劣,本文将与同一数据库下的不同识别算法进行比较。通过实验结果充分地证明了本文所提出的方法具有较好的准确率及性能。