为提高掌纹图像识别率,首先利用手掌的几何轮廓对所采集到的掌纹图像进行预处理,进行分割得到感兴趣的区域。再利用小波变换对掌纹图像分别进行多层分解,进而提取小波特征。最后利用BP神经网络进行分类。通过仿真实验表明,与单一的神经网络方法进行掌纹识别相比,这种将小波分析与神经网络相结合的方法收敛步数少、用时短、具有较高的识别率。

掌纹识别可以区分其中的区域 并且进行识别图的预处理阶段 disp('Sobel算子自动选择的阀值为：')disp(thresh)

基于Android手机网络安全的掌纹验证系统研究.pdf

提出了一种无限制的获取掌纹图像的方法，并使用该方法构建了掌纹库。该掌纹库可以成为掌纹识别算法训练集和测试集的来源，也可以成为进一步推进掌纹识别研究与发展的基础。在该掌纹库的基础上，对掌纹库中的掌纹图像进行了预处理，将原始图像二值化后利用定位点自动检测技术检测出掌纹图像中两个关键的定位点，并以此为基础对掌纹图像进行旋转校正，最后切取一定区域的掌纹子图，为进一步提取掌纹特征打下了较好的基础。

从别人的java源码中提取方法掌纹识别 该项目主要完成掌纹特征提取和分类任务。 数据集包含99个人的掌纹图片，其中每个人的3张掌纹图片分布在训练集中，其他3张掌纹图片分布在测试集中。 在该项目中，我尝试了使用SIFT提取特征的传统方法以及使用KNN进行分类的方法，其准确率达到了97.31％，还尝试了卷积神经网络方法（例如ResNet），获得了83.16％的准确性。 另外，我还尝试使用高斯滤波器，Gabor滤波器等。 处理掌纹图像并从掌纹图像中提取纹理，但是这些方法并没有提高掌纹识别的准确性。 参考博客：

《A Comparative Study of Palmprint Recognition Algorithms》是一篇非常好的掌纹识别综述文章。总结了当前流行的方法。

采用Gabor_Palm函数提取掌纹图像的能量特征，并将得到的结果分块，分别计算每块的均值和方差作为特征向量。特征向量的长度为160. 采用Gabor_SVM进行分类。 同时用到了SVM的工具箱。

多光谱掌纹图像，包括ROI和原图，针对非接触掌纹掌脉识别场景的需求和目前存在的问题，本文设计了一种 非接触掌纹掌脉采集设备方案。通过使用主动光源和滤光片，抑制了环境光对 手掌中心块定位算法的干扰，简化了中心块定位算法；同时，这一设计也抑制 了环境光对样本质量的影响，使得光照强度预处理算法不再必须。通过使用距 离传感器，减小了样本尺度变化，避免了样本离焦模糊，使尺度预处理算法得 以简化。通过双摄系统缩短了样本采集时间。本文通过这些方法实现了凭借硬 件设计简化算法设计的目的，并通过实验验证了该方案的有效性。

包含完整工程，可直接运行。基于visual stdio工程。基于visual stdio工程。基于visual stdio工程 掌纹识别系统 解压Matlab当前窗口中的所有文件，然后输入“palmrec” 在Matlab命令窗口上。出现一个简单的GUI。 GUI按钮： 选择图像 选择掌纹图像。感兴趣区域（ROI）将被分割并特征向量将被编码。 将所选图像添加到数据库 选定的掌纹图像（ID）将添加到数据库中。 数据库信息 显示有关数据库中存在的所有图像的信息以及相应的ID。 掌纹识别（1:N匹配） 将所选图像与数据库中的所有掌纹图像进行比较。 代码返回已识别图像的ID。数据库必须至少包含一张图片。 掌纹验证（1:1匹配） 只需选择两个掌纹图像。选定的图像将进行比较和分析 如匹配或不匹配，代码将返回。 特征可视化 选择一个输入图像。代码将可视化原始图像，ROI图像，编码特征向量和掩码。 删除数据库 删除数据库和所有保存的图像。 信息 显示此文件。 退出GUI。

不错的处理程序。用于不同的图片可能需要修改。