一种手掌掌纹识别方法及装置

技术领域

本申请涉及生物特征识别领域，尤其涉及一种手掌掌纹识别方法及装置。

背景技术

随着科技的不断发展，社会已经进入了信息化时代，如何实现用户身份的识别，保障用户信息安全，已经成为人们关注的社会问题。传统的身份认证方式，由于容易丢失和伪造，越来越难以满足人们的需求。这也使得人们开始寻求其他的身份识别方式，其中，由于生物特征通常具有唯一、可识别和长期不变的特性，使得生物特征识别技术开始广泛的应用于用户身份认证。

目前，在生物特征识别方面，使用较多的生物特征主要有：指纹、虹膜、人脸、手掌掌纹和语音等。其中，手掌掌纹中包含的信息众多，具有较好的分辨能力和鉴别能力，也使得人们开始研究手掌掌纹识别技术。但是，当前研究的手掌掌纹识别技术是通过从二维掌纹图像中，提取有用的信息进行身份鉴别，这使得只要能够获取一定精度的二维手掌掌纹图像，就可以通过验证，安全性较低，因此，如何提高手掌掌纹识别的安全性是人们一直关注的问题。

发明内容

有鉴于此，本申请提供了一种手掌掌纹识别方法及装置，以便于提高手掌掌纹识别的安全性。

为了实现上述目的，现提出的方案如下：

一种手掌掌纹识别方法，包括：

获取待测手掌的红外图像、原始深度图像和可见光图像；

对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像；

基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体；

当所述待测手掌为活体时，基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果。

可选的，基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体，包括：

基于所述待测手掌的掌纹图像和处理后的深度图像，获取待测手掌的三维坐标信息；

基于所述待测手掌的三维坐标信息，判断所述待测手掌是否为活体。

可选的，基于所述待测手掌的三维坐标信息，判断所述待测手掌是否为活体，包括：

基于所述三维坐标信息，生成待测手掌的纹理数据；

基于所述待测手掌的纹理数据，判断所述待测手掌是否为活体。

可选的，对所述红外图像、原始深度图像和可见光图像进行处理，得到手掌的掌纹图像和处理后的深度图像，包括：

对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的三维图像；

根据所述待测手掌的三维图像，获取待测手掌的掌纹图像和处理后的深度图像。

可选的，基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果，包括：

基于所述待测手掌的掌纹图像，提取所述待测手掌的掌纹图像中的特征信息；

判断预先存储的手掌掌纹图像中，是否存在与所述特征信息匹配的手掌掌纹图像；

若是，则输出掌纹识别通过的结果。

可选的，基于所述待测手掌的掌纹图像，提取所述待测手掌的掌纹图像中的特征信息，包括：

基于均值曲率图和高斯曲率图，对待测手掌的掌纹图像中的特征信息进行提取。

可选的，在对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像之后，还包括：

基于所述处理后的深度图像，判断所述待测手掌与终端的距离是否处于预设区间；

若是，则执行基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体的步骤。

可选的，基于所述处理后的深度图像，判断所述待测手掌与终端的距离是否处于预设区间，包括：

基于所述处理后的深度图像，获取深度数据；

基于所述深度数据，判断所述待测手掌与终端的距离是否处于预设区间。

一种手掌掌纹识别装置，包括：

图像获取模块，用于获取待测手掌的红外图像、原始深度图像和可见光图像；

图像处理模块，用于对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像；

活体检测模块，用于基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体；

掌纹识别模块，用于当所述待测手掌为活体时，基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果。

可选的，还包括：

测距模块，用于基于所述处理后的深度图像，判断所述待测手掌与终端的距离是否处于预设区间；若是，则返回活体检测模块，执行对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像的步骤。

从上述的技术方案可以看出，本申请实施例提供的一种手掌掌纹识别方法及装置，通过对获取的待检测手掌掌纹的红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像，基于待测手掌的掌纹图像和处理后的深度图像，判断待测手掌是否为活体，当待测手掌为活体时，基于待测手掌的掌纹图像，实现对待测手掌掌纹进行识别，并输出掌纹识别通过的结果。由于，活体的手掌掌纹表面是凹凸不平，而非活体，如拍摄的手掌掌纹图像，其表面是光滑平整的。基于此，本申请可以结合待测手掌的掌纹图像和处理后的深度图像，体现待测手掌掌纹表面的信息，从而确定待测手掌是否为活体，进而提高手掌掌纹识别的安全性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种手掌掌纹识别方法流程图；

图2为本申请实施例提供的一种手掌掌纹识别装置结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在生物特征识别方面，手掌掌纹识别技术正在被广泛的运用于日常生活中，但是，当前研究的手掌掌纹识别技术是通过从二维掌纹图像中，提取有用的信息进行身份鉴别，这使得只要能够获取一定精度的二维手掌掌纹图像，就可以通过验证，安全性较低。基于此，本申请提供一种手掌掌纹识别方法及装置，来实现手掌掌纹的识别，以便于提高手掌掌纹识别的安全性。

本申请通过在对待测手掌掌纹识别之前，增加判断待测手掌是否为活体的步骤，当判断待测手掌为活体时，则进行待测手掌掌纹的识别；当判断待测手掌为非活体时，如拍摄的手掌掌纹图像等，则不进行待测手掌掌纹的识别。在此基础上，本申请结合待测手掌的掌纹图像和处理后的深度图像，可以体现待测手掌掌纹表面的信息，从而判断待测手掌是否为活体，在一定程度上提升了手掌掌纹识别的安全性。

图1为本申请实施例提供的一种手掌掌纹识别方法流程图，如图1所示，该方法可以包括以下步骤：

步骤S100、获取待测手掌的红外图像、原始深度图像和可见光图像。

具体的，可以利用包含有红外摄像头、红外补光灯、点阵投射器和可见光摄像头的3D结构光模组，获取待测手掌的红外图像、原始深度图像和可见光图像。通过红外补光灯发射特定波长的不可见的红外光于待测手掌，且点阵投射器也向待测手掌投射由数万个不可见的光点组成的点阵，由于待测手掌凹凸不平，点阵的形状会发生变化，此时再利用红外摄像头对待测手掌进行拍摄，可以得到待测手掌的红外图像和原始深度图像。通过可见光摄像头对待测手掌进行拍摄，可以得到待测手掌的可见光图像。

其中，红外摄像头可以由红外CMOS传感器、光学镜头、红外窄带滤光片组成。红外CMOS传感器，可以获取待测手掌的红外图像以及接收待测手掌反射回来的点阵图像。红外窄带滤光片，可以使得红外CMOS传感器只接收特定波长的红外光，即红外补光灯和点阵投射器反射的光线，从而剔除其他波长的光线的干扰。

步骤S101、对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像。

具体的，在获取待测手掌的红外图像、原始深度图像和可见光图像之后，可以通过ISP图像处理芯片，结合3D深度测距技术，对获取的红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像。通过处理之后可以得到Bayer格式的待测手掌的掌纹图像和处理后的深度图像，此时，可以通过对图像进行处理以及格式转换将图像格式转换为RGB、YUV等格式，从而利用显示屏显示待测手掌的掌纹图像和处理后的深度图像。

其中，待测手掌的掌纹图像可以是二维的掌纹图像，从中可以得到手掌掌纹中的纹理信息。处理后的深度图像可以是通过图像中各个像素点距离摄像头的距离来调整像素点在深度图像中的颜色深浅，从而形成的图像。比如，图像中的像素点距离摄像头越近则颜色越浅，图像中的像素点距离摄像头越远则颜色越深。通过处理后的深度图像中各个像素点的颜色就可以判断像素点距离摄像头的远近关系。

步骤S102、基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体。

具体的，可以通过预先设定活体信息特征的方式，来判断待测手掌是否为活体，比如手掌掌纹纹理是否凹凸不平和手指关节处是否处于弯曲状态等信息特征。结合待测手掌的掌纹图像和处理后的深度图像，可以得到待测手掌的掌纹图像上的纹理与处理后的深度图像对应位置的像素点的对应关系，从而判断待测手掌纹理的像素点与周围非纹理区域的像素点的颜色差别，进而确定待测手掌纹理的像素点与周围非纹理区域的像素点距离摄像头的距离。如果得到待测手掌掌纹纹理的像素点与周围非纹理区域像素点的颜色不同，则可以判断待测手掌为活体；如果得到待测手掌掌纹纹理的像素点与周围非纹理区域像素点的颜色相同，则可以判断待测手掌为非活体，例如拍摄的手掌掌纹图像等。

在本步骤中，利用待测手掌的掌纹图像和处理后的深度图像，对待测手掌是否为活体进行判断，相比于仅对二维的手掌掌纹图像进行判断，可以一定程度上提高掌纹识别的安全性。

步骤S103、当所述待测手掌为活体时，基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果。

具体的，对待测手掌掌纹进行识别的过程，可以采用多种方式来实现，例如可以采用神经网络模型，将待测手掌的掌纹图像输入预先训练的神经网络模型中，通过神经网络模型输出掌纹识别结果，其中，掌纹识别结果包括通过与不通过。

其中，输出掌纹识别结果的过程，可以是将掌纹识别的结果输出至显示器上进行显示，比如，当掌纹识别结果为不通过时，则在显示屏上显示“掌纹识别不通过”的提示信息；也可以是将掌纹识别结果通过语音进行提示，比如，当掌纹识别结果为通过时，则发出“掌纹识别通过”的语音提示信息。

从上述的技术方案可以看出，本申请实施例提供的一种手掌掌纹识别方法，通过对获取的待检测手掌掌纹的红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像，基于待测手掌的掌纹图像和处理后的深度图像，判断待测手掌是否为活体，当待测手掌为活体时，基于待测手掌的掌纹图像，实现对待测手掌掌纹进行识别。由于，活体的手掌掌纹表面是凹凸不平，而非活体，如拍摄的手掌掌纹图像，其表面是光滑平整的。基于此，本申请可以结合待测手掌的掌纹图像和处理后的深度图像，体现待测手掌掌纹表面的信息，从而确定待测手掌是否为活体，进而提高手掌掌纹识别的安全性。

在本申请的一些实施例中，对上述步骤对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像的过程进行介绍。

一种可选的方式中，上述步骤对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像的过程，可以包括：

S1、对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的三维图像。

具体的，在得到待测手掌的红外图像、原始深度图像和可见光图像之后，可以先平行于待测手掌建立X轴、Y轴，垂直于待测手掌建立Z轴，并确定原点。通过红外图像和可见光图像，得到待测手掌X轴、Y轴的掌纹信息，通过红外光线的反射得到待测手掌的Z轴信息。通过得到的原始深度图像，结合得到的待测手掌X、Y、Z轴的信息，可以进一步获取待测手掌的三维图像。

S2、根据所述待测手掌的三维图像，获取待测手掌的掌纹图像和处理后的深度图像。

具体的，利用上述步骤中得到的三维图像，获取待测手掌的掌纹图像和处理后的深度图像。其中，待测手掌的掌纹图像可以是二维的掌纹图像；处理后的深度图像可以是通过图像中各个像素点距离摄像头的距离来调整像素点在深度图像中的颜色深浅，从而形成的图像。

在本申请的一些实施例中，对上述步骤基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体的过程进行介绍，过程可以包括：

S11、基于所述待测手掌的掌纹图像和处理后的深度图像，获取待测手掌的三维坐标信息。

具体的，可以平行于待测手掌建立X轴和Y轴，垂直于待测手掌建立Z轴，并确定原点。通过确定的原点以及平行于待测手掌建立的X轴和Y轴，可以确定待测手掌掌纹上各个像素点，所处位置在X、Y轴上对应的坐标值，比如掌纹上各个掌纹交叉点的X、Y轴对应的坐标和各个掌纹纹理的X、Y轴对应的坐标。通过确定的原点以及垂直于待测手掌建立Z轴，并结合前述的手掌掌纹上各个像素点的X、Y轴对应的坐标，可以得到待测掌纹手掌掌纹上各个像素点的三维坐标信息，即可以得到待测手掌掌纹上各个像素点基于确定的原点的X、Y、Z轴的坐标值。

S12、基于所述待测手掌的三维坐标信息，判断所述待测手掌是否为活体。

具体的，在得到待测手掌掌纹上各个像素点的X、Y、Z轴的坐标值之后，可以结合待测手掌的掌纹图像选取掌纹纹理上的像素点的三维坐标信息与周围像素点的三维坐标信息进行对比。通过X、Y轴的坐标值确定纹理像素点与非纹理像素点，对比选取的待测手掌掌纹纹理上的像素点的Z轴坐标值与周围非纹理部分像素点的Z轴坐标值是否相同。如果相同，则确认该待测手掌非活体，例如拍摄的手掌掌纹图像等；如果不相同，则确认该待测手掌为活体。当然，为保证数据尽可能地准确，待测手掌掌纹纹理上的像素点的选取可以选取多个，在对多个待测手掌掌纹纹理上的像素点与各自周围绯闻路部分像素点的Z轴坐标值进行比较时，可以预先设定阈值。当不相同的情况达到阈值时，可以判断该待测手掌为活体，否则为非活体，如拍摄的手掌掌纹图像等。

上述技术方案中，利用待测手掌的掌纹图像和处理后的深度图像，获取待测手掌的三维坐标信息，通过待测手掌的三维坐标信息，对待测手掌是否为活体进行判断，相比于仅对二维的手掌掌纹图像进行判断，可以一定程度上提高掌纹识别的安全性。

在本申请的一些实施例中，对上述基于所述待测手掌的三维坐标信息，判断所述待测手掌是否为活体的过程进行介绍。

在本实施例中，可以利用生成的待测手掌的纹理数据，对待测手掌是否为活体进行判断，判断过程可以包括：

S21、基于待测手掌的三维坐标信息，生成待测手掌的纹理数据。

具体的，在得到待测手掌的三维坐标信息之后，可以根据待测手掌中的掌纹的三维坐标信息，生成待测手掌的纹理数据，该待测手掌的纹理数据可以是通过原始深度图像和三维坐标信息生成的3D纹理数据。其中，通过纹理数据可以反映待测手掌掌纹纹理是否是凹凸不平。

S22、基于纹理数据，判断待测手掌是否为活体。

具体的，利用上述步骤中得到的待测手掌的纹理数据，可以针对各个纹理作为一个整体进行判断，判断某条纹理所涉及的像素点的Z轴坐标值是否与非纹理区域的像素点的Z轴坐标值相同。如果相同，则确定该待测手掌为非活体，可能是拍摄的待测手掌的掌纹图像；如果不相同，则确定该待测手掌为活体。

上述技术方案中，根据得到的纹理数据进行活体判断，可以将待测手掌掌纹的各个纹理作为一个整体，与周围的非纹理区域进行比较，从而确定待测手掌纹理与周围非纹理区域相比是否是凹凸不平，进而更加准确的

在本申请的一些实施例中，对上述基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果的过程进行介绍。

一种可选的方式中，上述步骤基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果的过程，可以包括：

S31、基于所述待测手掌的掌纹图像，提取所述待测手掌的掌纹图像中的特征信息。

具体的，在得到待测手掌的掌纹图像后，可以提取掌纹图像中的特征信息，比如手掌纹理信息、手掌纹理交叉点信息或者手掌纹理交叉点个数等特征信息。

本步骤中，提取掌纹图像中的特征信息的方式可以有多种，具体可参照下述实施例介绍，此处不做展开。

S32、判断预先存储的手掌掌纹图像中，是否存在与所述特征信息匹配的手掌掌纹图像，并输出掌纹识别结果。

具体的，从预先存储的手掌掌纹图像中，可以得到相关的特征信息，再从相关的特征信息中，查找是否存在与待测手掌掌纹的特征信息匹配的特征信息。当查找到与待测手掌掌纹的特征信息匹配的特征信息时，确定匹配成功，输出掌纹识别通过的结果；当未查找到与待测手掌掌纹的特征信息匹配的特征信息时，确定匹配失败，输出掌纹识别不通过的结果。在特征信息有多个时，可以预先设定阈值，当待测手掌掌纹的特征信息与某一个预先存储的手掌掌纹相关的特征信息相匹配个数达到阈值时，可以确定为匹配成功，输出掌纹识别通过的结果。

对于上述实施例中提取掌纹图像中的特征信息的方式可以有多种，本实施例中介绍几种可选的实现方式，如下：

第一种、可以基于均值曲率图和高斯曲率图，对待测手掌的掌纹图像中的特征信息进行提取。

具体的，在获取待测手掌的掌纹图像之后，可以通过基于曲率的均值曲率图和高斯曲率图的算法模型，对待测手掌掌纹进行分析，从而进一步提取待测手掌的掌纹图像中的特征信息。特征信息可以包括线特征和方向特征等。

其中，曲线的曲率是指针对曲线上某个点的切线方向角对弧长的转动率，通过微分来定义，表明曲线偏离直线的程度。数学上可以用于表明曲线在某一点的弯曲程度的数值。

第二种、可以采用神经网络模型来实现掌纹图像中的特征信息的提取。

具体的，该神经网络模型可以是以手掌掌纹训练图像为训练样本，以手掌掌纹训练图像中的特征信息作为训练标签训练得到，通过将待测手掌的掌纹图像输入神经网络模型，可以得到神经网络模型输出的待测手掌掌纹的特征信息。

在本申请的一些实施例中，为了能够得到更清晰的图像，可以预先根据终端的参数，设定待测手掌与终端的距离区间，使得待测手掌能够处于待测区间进行测试。基于此，在对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像之后，还可以包括以下步骤：

基于所述处理后的深度图像，判断所述待测手掌与终端的距离是否处于预设区间。

具体的，处理后的深度图像可以通过像素点的颜色深浅来反映像素点距离终端的距离，基于此，可以预先根据终端的参数，设定待测手掌与终端的距离区间，并根据预先设定的距离区间，得到处理后的深度图像中像素点的颜色深浅区间，进而利用处理后的深度图像对待测手掌与终端的距离是否处于预设区间进行判断。若待测手掌处于预设区间，则执行基于获取的待测手掌的掌纹图像和处理后的深度图像，判断待测手掌是否为活体的步骤，并根据活体判断结果执行后续步骤；若待测手掌与终端的距离不处于预设区间，则可以发出提示信息，提示用户调整待测手掌与终端的距离。

进一步的，上述实施例中，在基于所述处理后的深度图像，判断所述待测手掌与终端的距离是否处于预设区间时，可以利用处理后的深度图像，获取深度数据，基于深度数据进行判断。

具体的，从处理后的深度图像中，可以获取各个像素点到终端的距离，通过对处理后的深度图像中的距离信息进行收集，可以得到待测手掌的深度数据。获取深度数据中包含待测手掌上的各个像素点到终端的距离，可以通过取待测手掌中的一个像素点距离终端的距离，来判断待测手掌是否处于预设区间；也可以通过待测手掌中的多个像素点的距离取均值，判断该均值是否处于预设区间。其中，待测手掌中的像素点的选取，可以随机选取；也可以选取特定的像素点，如待测手掌的中心点、待测手掌的指尖上的点等。

若待测手掌与终端的距离处于预设区间，则执行基于获取的待测手掌的掌纹图像和处理后的深度图像，判断待测手掌是否为活体的步骤，并根据活体判断结果执行后续步骤；若待测手掌与终端的距离不处于预设区间，则可以发出提示信息，提示用户调整待测手掌与终端的距离。

更进一步的，若待测手掌与终端的距离不处于预设区间，可以根据判断结果，发出不同的提示信息。当待测手掌与终端的距离小于预设区间的最小值时，可以发出远离终端的提示信息，提示用户将待测手掌往远离终端的方向移动；当待测手掌与终端的距离大于预设区间的最大值时，可以发出靠近终端的提示信息，提示用户将待测手掌往靠近终端的方向移动。

在本申请的一些实施例中，为了能够有效的节约能耗，延长终端的使用寿命，终端还可以对设定区域进行检测，在预设时间内未检测到用户进入设定区域时，则进入休眠状态；在进入休眠状态之后，如果检测到用户进入设定区域，则进入正常工作状态，对待测手掌进行识别。

具体的，可以预先设定检测区域，该区域可以设定为终端正前方；也可以设定为终端四周。对预先设定的区域进行检测可以使用超声波、红外或者激光等测距方式来实现。当在预设时间内未检测到用户进入预设区域时，则进入休眠状态，休眠状态可以是关闭摄像头、关闭灯光等状态；在进入休眠状态之后，如果检测到用户进入设定区域，则进入正常工作状态。

其中，终端在休眠状态下，不会进行图像的采集，后续的活体判断以及掌纹识别也相应的不会进行；而终端在正常工作状态下，可以持续不断的采集终端前方的图像数据，其他如灯光或者语音播放等设备均处于正常工作状态。

下面对本申请实施例提供的一种手掌掌纹识别装置进行描述，下文描述的一种手掌掌纹识别装置与上文描述的一种手掌掌纹识别方法可相互对应参照。

图2为本申请实施例提供的一种手掌掌纹识别装置结构示意图，如图2所示，手掌掌纹识别装置可以包括：

图像获取模块10，用于获取待测手掌的红外图像、原始深度图像和可见光图像；

图像处理模块20，用于对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像；

活体检测模块30，用于基于所述待测手掌的掌纹图像和处理后的深度图像，判断所述待测手掌是否为活体；

掌纹识别模块40，用于当所述待测手掌为活体时，基于所述待测手掌的掌纹图像，对所述待测手掌掌纹进行识别，并输出掌纹识别结果。

从上述的技术方案可以看出，本申请实施例提供的一种手掌掌纹识别装置，通过图像处理模块20对图像获取模块10获取的待检测手掌掌纹的红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像，活体检测模块30基于待测手掌的掌纹图像和处理后的深度图像，判断待测手掌是否为活体，当待测手掌为活体时，掌纹识别模块40基于待测手掌的掌纹图像，实现对待测手掌掌纹进行识别。由于，活体的手掌掌纹表面是凹凸不平，而非活体，如拍摄的手掌掌纹图像，其表面是光滑平整的。基于此，本申请可以结合待测手掌的掌纹图像和处理后的深度图像，体现待测手掌掌纹表面的信息，从而确定待测手掌是否为活体，进而提高手掌掌纹识别的安全性。

可选的，图像处理模块20，可以包括：

三维图像获取单元，用于对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的三维图像；

待测掌纹图像获取单元，用于根据所述待测手掌的三维图像，获取待测手掌的掌纹图像和处理后的深度图像。

可选的，活体检测模块30，可以包括：

三维坐标获取单元，用于基于所述待测手掌的掌纹图像和处理后的深度图像，获取待测手掌的三维坐标信息；

活体判断单元，用于基于所述待测手掌的三维坐标信息，判断所述待测手掌是否为活体。

可选的，活体判断单元，可以包括：

纹理数据生成子单元，用于基于所述三维坐标信息，生成待测手掌的纹理数据；

活体判断子单元，用于基于所述待测手掌的纹理数据，判断所述待测手掌是否为活体。

可选的，掌纹识别模块40，可以包括：

特征信息提取单元，用于基于所述待测手掌的掌纹图像，提取所述待测手掌的掌纹图像中的特征信息；

掌纹判断单元，用于判断预先存储的手掌掌纹图像中，是否存在与所述特征信息匹配的手掌掌纹图像，若是，则输出掌纹识别通过的结果。

可选的，特征信息提取单元，可以包括：

特征提取子单元，用于基于均值曲率图和高斯曲率图，对待测手掌的掌纹图像中的特征信息进行提取。

可选的，手掌掌纹识别装置，还可以包括：

测距模块，用于基于所述处理后的深度图像，判断所述待测手掌与终端的距离是否处于预设区间；若是，则返回活体检测模块30，执行对所述红外图像、原始深度图像和可见光图像进行处理，得到待测手掌的掌纹图像和处理后的深度图像的步骤。

可选的，测距模块，可以包括：

深度数据获取单元，用于基于所述处理后的深度图像，获取深度数据；

距离判断单元，用于基于所述深度数据，判断所述待测手掌与终端的距离是否处于预设区间。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。