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。

在生物识别和图像处理中，找到Palmprint图像的ROI是一个普遍的问题。 这是开发基于掌纹图像识别的生物识别系统的主要步骤。 此处提供的代码尝试定位给定掌纹图像（左手或右手）的 ROI，假设 CASIA 数据库使用的命名约定得到维护。 代码的简单更改应该使其即使对于此数据库之外的图像也可用。 当前代码检查文件名以将图像分类为左手或右手。 输出 ROI 将是输入图像的 192x192 (uint8) 段。 采用的方法很简单，旨在提供有效的计算。 但是，由于此版本未考虑这些要求，因此应该可以进一步优化。 有关 ROI 检测的分步方法，请参阅下面给出的参考资料。 您可以浏览整个CASIA数据库： http : //www.cbsr.ia.ac.cn/english/Palmprint Databases.asp 参考文献：David Zhang、Wai-Kin Kong、Jane

python代码，基于opencv工具进行手部掌纹主线的提取。

matlab掌纹识别代码%% 掌纹识别 %% 此文件夹包含 5 种不同特征提取算法的 MATLAB 实现。 吝啬的 AAD（平均绝对偏差） GMF（高斯隶属函数） SURF（加速鲁棒功能） SIFT（尺度不变特征变换） 它还包括使用 SVM 和 KNN 测试特征的代码以及提取掌纹 ROI 的文件。 特征提取在 IIT-D 和 PolyU 掌纹数据集上进行了测试。