为了对掌脉识别算法进行性能测试和分析，建立了一个包含180幅掌脉图像的小型掌脉数据库，共采集了30个人，每人采集6幅掌脉图像。将数据库中每幅掌脉图像与其余的179幅掌脉图像进行匹配识别，即总共进行了180×179=32 220次匹配，其中180×5=900次为类内匹配，180×174=31 320次为类间匹配。图6.9为掌脉识别算法类内类间分布曲线，可以看出，类内匹配峰值在匹配值为0.83处，而类间匹配峰值在匹配值为0.33处。这两个峰值分得比较开，同时类内曲线与类间曲线的交叉区域较小，该结果表明本节的掌脉识别算法可以较好地区分不同人的掌脉。
图6.9 掌脉识别算法类内类间分布曲线
得到的FRR和FAR曲线如图6.10所示，由图可知EER=1.8%，算法具有比较好的识别性能，但是相较于较为成熟的掌纹识别系统而言，识别性能要低。主要原因是由于所设计的近红外光源系统还不够完善和稳定，所采集到的掌脉图像中的血管纹路并不十分理想，清晰度也比掌纹图像要差很多，且有一些人由于手掌老茧过厚，使得近红外光源无法穿透表皮，难以得到掌脉图像，无法进行识别。另外由于掌脉识别属于较新的生物特征识别方式，目前现有的相关技术文档和文献都比较少，国内还处于起步和发展阶段，预处理和特征提取算法都是借鉴于较为成熟的视网膜血管预处理和指纹特征提取算法，尚且未发现有非常适合掌脉固有特征的有效算法。相信随着国际国内生物特征识别团队对掌脉识别的不断深入研究，相关的技术和算法不断创新和改进，掌脉识别技术将得到更好的普及和推广，也将会应用于更广阔的领域，从而进一步发挥掌脉识别技术不易窃取、不易受损等独特优势。(www.xing528.com)
图6.10 掌脉识别算法的FRR和FAR曲线
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
