生物多模态识别技术相比于单一模态具有更高的识别性能和安全性,已广泛应用于生活中各个领域。人的手指中包含指纹、指静脉等生物信息可用于多模态融合识别。目前的指纹和指静脉融合识别技术研究大多基于独立的图像,实际应用时对采集设备要求高,实现较为困难。由于近红外手指图像中除红外光成像的指静脉以外同时也包含了部分可见光反射成像的指纹,如何仅利用单幅近红外手指图像分离指纹和指静脉信息并用于手指多模态融合识别具有较高的研究价值。针对这一研究内容,本文基于单幅近红外手指图像,对图像增强分离算法、量化层和特征层融合识别算法进行研究,实现了手指多模态识别,具体的内容包括:一、本文提出了一种基于对比度受限直方图均衡的近红外图像增强算法,分离单幅近红外手指图像中的指纹和指静脉。近红外成像的手指图像中,由于近红光中掺杂的可见光反射成像的指纹谷脊线对比差异不明显,指纹信息很难被充分利用,传统的指纹预处理算法也并不适用于这种成像方式的指纹。通过分析图像中指纹和指静脉像素灰度以及宽度,调整CLAHE的裁剪系数和图像分块大小,增强图像中的指纹信息,再结合分块增强模型将单幅图像中的指纹和指静脉信息分离,获得对应的分离图像,也为之后手指多模态各层次的融合识别提供图像基础。二、本文提出一种基于细线距离顺序统计量的指纹指静脉量化层融合识别方法,有效解决近红外特殊成像的图像特征点识别方法性能差的问题。由于手指不同部位对近红外光穿透程度、对可见光反射程度不同,导致指纹和静脉成像不稳定,所在背景区域像素灰度变化大。同类手指中提取的特征点位置差异明显,且容易出现虚假特征点。相比于特征点,细线结构更加稳定。所以采用细线距离顺序统计量,分别得到指纹和指静脉的匹配量化值,并基于最佳权值理论将匹配量化值进行量化层加权融合。理论分析和实验结果表明所提出算法相比于传统特征点算法以及单一模态识别算法具有更好的性能。三、本文提出一种基于结合等价模式的自适应半径LBP特征层融合识别方法,有效提高对纹理特征的描述能力和识别性能。由于单幅近红外图像分离的指纹指静脉纹线间隔宽度、粗细差异大,传统LBP特征是固定窗口半径,处理这类不同尺寸的纹理有一定局限性,所以需要调整LBP窗口半径来适应近红外特殊成像的指纹、指静脉纹理信息。本文提出结合等价模式的自适应半径LBP算子,提高抗旋转性、抗噪性,增强对不同尺寸纹理的描述能力。特征层融合先将LBP特征直方图进行融合,利用SVM多类分类器对融合特征向量进行训练,最后通过自采数据库验证特征层融合相比于量化层对低质量手指具有更好的识别性能,以及公开数据库实验仿真证明所提融合识别算法的有效性。