子空间方法将掌纹图像看作是高维向量或矩阵，通过投影或变换，将其转化为低维向量或矩阵，并在此低维空间下对掌纹表示和匹配。根据投影或变换的性质，子空间方法可以分为线性子空间方法和非线性子空间方法。目前应用较为广泛的是线性子空间方法，主要包括独立成分分析（independent component analysis，ICA）、主成分分析（principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）等。与前两类方法不同，基于子空间的方法大都需要对每个类别的掌纹图像构造训练集在该训练集上计算最优的投影向量或矩阵，并将投影后的向量或矩阵作为该类掌纹的特征。在识别阶段，首先对待测掌纹图像作相同投影或变换，之后采用最近邻或最近特征线（nearest feature line，NFL）分类器分类。基于子空间的方法已成功地应用于人脸识别，移植到掌纹识别后也取得了很好的效果。
有研究者提出了利用PCA进行降维的EigenPalm方法，该方法首先将掌纹图像连接为高维向量，并计算该向量的散度矩阵的特征值和特征向量，之后保留若干较大的特征值对应的特征向量构成投影矩阵。由于PCA主要考虑的是掌纹的表示（representation），而不是掌纹的判（discriminance），Wu等又提出了在PCA的基础上再进行LDA降维的FisherPalm方法。LDA方法同时考虑类内散度和类间散度，并通过最大化类间散度同时最小化类内散度（即Fisher准则）计算最优的投影矩阵。此外，还有融合PCA和LDA特征，利用核线性判别分析（Kernel Fisher discriminant analysis，KFDA）方法，都取得了比单独使用PCA或LDA好的效果。
由于小样本（small sample size，SSS）问题，PCA易于对训练集产生过拟（overfitting）。作为一维PCA的推广，有研究者提出了2D PCA并应用于人脸识别。在2D PCA中，图像被看作是由若干个行向量组成，并在此行向量上进行PCA降维，这就有效地解决了小样本问题。相比于PCA，该方法具有更好的泛化能力，但缺点是特征维数较高。在此基础上，有研究者将2D PCA和LDA结合的方法应用于掌纹识别。还有研究者指出，先对掌纹图像做小波分解，再应用2D PCA，可以得到比直接应用2D PCA更高的识别率。
BDPCA（bi-directional PCA）由Zuo等提出，并应用于人脸和掌纹识别。BDPCA可以看作是2D PCA的一种推广，通过分别计算行投影矩阵与列投影矩阵，将掌纹图像最终变换为一个矩阵，作为该掌纹的特征。对于该特征矩阵，有研究者采用集成矩阵距离（assembled matrix distance，AMD）的度量方式计算相似度。相对于PCA，BDPCA具有更好的泛化能力，可以减轻训练时带来的过拟合。该方法还省去了PCA中的图像连接过程，因此特征提取的效率更高。此外，BDPCA提取的特征维数要远小于2D PCA，因此保存特征所需的存储空间更小，匹配速度更快。在BDPCA的基础上，有研究者使用BDPCA和LDA相结合的方法，还有研究者提出先用BDPCA提取特征再用一维PCA降维的方法，都得到了比单独使用BDPCA更好的结果。
有文献提出将ICA方法应用于掌纹识别。还有文献提出先将掌纹图像做小波分解，之后应用ICA方法提取特征，实验表明优于直接使用ICA的方法。(www.xing528.com)
基于子空间的方法具有坚固的理论基础，并且已广泛地应用于人脸识别中。相对于基于结构的方法，具有识别率高、特征小等优点，较之基于统计的方法也有更高的识别率。尤其是在BD PCA被提出之后，特征提取阶段的计算量也大大减少，使得该类方法的优势更加明显。但是该类方法通常对每个类别都需要多个训练样本，且训练样本的选取对识别结果影响较大。表3.5列出了几种主要的基于子空间的方法的识别性能。
表3.5 基于子空间的方法的比较
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。
