（辽宁工业大学电子与信息工程学院，辽宁锦州 121001）

0 引言

手背静脉因同时具有内部特征、非接触式采集、特定光源、活体识别等优势［1］逐渐受到越来越多人的关注，进而成为生物特征识别的研究热点问题之一。

提取出有效的静脉特征是实现准确识别的重要保证，而许多学者也针对该问题展开了较为深入的研究。目前，已有的静脉图像特征提取方式大体可分为以下两种：一是直接对采集的灰度静脉图像进行特征分析；二是对二值静脉图像中的脉络结构特征进行提取。由于静脉图像特征主要体现在静脉的方向上，而静脉的方向是由图像中的高频信息体现出来，因此，许多学者基于多尺度波变换思想对灰度静脉图像展开了分析，其中包括传统的小波变换［2］、带有方向性信息的条带波（Bandelet）变换［3］、轮廓波（Curvelet）变换［4］、Gabor 变换［5-7］、Gabor 变换编码［8-9］等；除波变换思想外，一些多尺度点特征也被证明是较为有效的，如尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）［10］、加速鲁棒特征（Speeded Up Robust Feature，SURF）［11］、梯度直方图特征［12-13］等；近年来，随着处理器计算能力的大幅度提升，深度卷积神经网络［14-16］也被更多地应用在静脉识别中，并取得较好的识别效果；此外，一些基于灰度统计分布的识别算法也被验证是十分有效的，如图像强度分布［17］、稀疏表示［18］等。而二值静脉图像特征提取方式主要是针对静脉图像局部特征展开的，主要包括交叉点与端点位置特征［19］、特征点间结构关系［20］、二值静脉曲线信息编码［21-25］等，这些提取的二值静脉特征也成为了灰度静脉图像的重要补充。……