人体生物特征识别技术被广泛地应用于身份识别系统，许多人体生物特征具有唯一性，但不具有保密性，很容易被泄露，从而导致生物特征识别系统被非法用户攻击，因此，必须采取相应的措施加以保护。本文结合了生物特征识别系统的两种保护方法：数字水印和多生物特征识别融合，将指形轮廓特征作为数字水印嵌入到掌纹和指纹图像中，在保护掌纹和指纹图像的同时，嵌入的指形轮廓还可以从水印图像中提取出来，在识别端作为生物特征，与掌纹和指纹一起构成了手掌多生物特征识别系统，在提高生物特征识别系统安全性的同时，还获得了比手掌单生物特征识别系统更高的识别率。本文的主要工作包括以下几方面的内容：　　 (1)预处理是生物特征识别应用的关键步骤之一，预处理结果的好坏直接关系到系统识别率的高低。为此，本文提出了一些手掌图像的预处理方法。其中，手掌关键点提取算法用于定位指尖点和手指指根处的谷点，以进行手掌旋转方向校正，并准确地定位手掌中心区域；指甲像素消除算法用于消除于掌图像中的指甲像素，以防止这些像素影响指尖点的定位以及指纹区域的提取；基于指节折痕纹理的手指图像分割算法采用由粗到精的分割策略将手指图像从手掌图像中分割出来，然后，基于指节折痕纹理的指纹图像分割算法将指纹中心区域从手指图像中分割出来。这些预处理方法的目的是获得更稳定的手掌生物特征，从而获得较高的识别率。　　 (2)手掌伸展程度的变化、光照不均匀等因素都会导致手掌图像发生非线性形变，而传统的PCA(Principle Component Analysis)、LDA(Linear DiscriminantAnalysis)之类的投影变换只能提取到线性特征。本文提出了基于GDA(GeneralizedDiscriminant Analysis)变换的掌纹和指纹特征的提取与匹配方法。GDA变换是一种非线性的投影变换，其利用核函数技术将掌纹或指纹的原始特征空间变换到高维空间，在该高维空间内，掌纹或指纹特征是线性可分的，然后利用线性投影变换LDA来提取符合Fisher准则的最佳分类特征，即类内距离最小而类间距离最大的特征。为了验证基于GDA识别方法的识别效果，我们选择不重复的训练样本，进行252次实验后取识别率的平均值作为系统的识别率。其中，在身份鉴别系统中，掌纹的平均首选识别率为99.52％，指纹的平均首选识别率为96.66％；在身份验证系统中，掌纹的平均最小总错误率为0.11％，指纹的平均最小总错误率为1.84％。　　 (3)手掌图像的纹理反映在图像变换域中，是图像能量值较大的系数，修改这些系数会破坏手掌图像的纹理分布，从而影响生物特征识别系统的识别率。本文根据图像变换域系数分布符合拉普拉斯分布——大量变换域系数集中在能量值较小的0值附近这一特性，提出了基于图像变换域的盲数字水印算法，并应用在生物特征的保护上。该算法修改能量值较小的系数，以避免破坏手掌图像的纹理信息，用正变换系数代表水印信号“1”，用负变换系数代表水印信号“0”。另外，我们还发现在水印嵌入完成以后，保存水印图像时会引入舍入误差这一现象。在分析该舍入误差的基础上，我们提出了水印嵌入和提取的基本方法，并给出了水印嵌入和提取有关参数的计算方法，然后将指形轮廓的Freeman链码转换成二进制的水印信号，再嵌入到掌纹和指纹图像中，以保护指形、掌纹和指纹这三种手掌生物特征。　　 (4)传统的手掌多生物特征识别技术大多采用了手掌的一种或者两种手掌生物特征，没有充分利用手掌多生物特征的特点，有些系统还需要部署多个传感器才能完成所有生物特征的采集工作，用户使用较为麻烦。本文提出了基于掌纹、指纹和指形的手掌多生物特征识别融合技术，这三种手掌生物特征均可以从一幅采集自CCD数码相机的手掌图像中获取，采集较为方便，用户接受度更好。我们对掌纹、指纹和指形这三种手掌生物特征进行了决策级、特征提取级和匹配分数级的多生物特征识别融合实验，并提出了一些改进的算法。我们选择不重复的训练样本，进行252次实验后取识别率的平均值作为系统的识别率。在身份鉴别系统中，基于多数票决法的决策级融合的平均首选识别率为99.74％，基于Min-Max归一化法的改进的特征提取级融合的平均首选识别率为99.98％，基于Min-Max归一化法的匹配分数级融合的平均首选识别率为99.98％；在身份验证系统中，基于多数票决法的决策级融合的平均最小总错误率为0.29％，基于Min-Max归一化法的改进的特征提取级融合的平均最小总错误率为0.004％，基于Min-Max归一化法的匹配分数级融合的平均最小总错误率为0.002％。实验结果表明：手掌多生物特征识别融合能够有效地提高系统的识别率，并且能够消除采样时间对系统的识别率的影响，识别的稳定性更好。