相对于指纹识别和面部识别等生物识别技术,手指静脉识别技术具有内部特征、活体识别以及安全等级高的特点,具有较大的技术优势和发展前景。现有的手指静脉识别方法通常是以包含静脉分布的灰度图为对象进行算法设计,但由于采集装置的局限性、光照强度的不确定性和手指血管周围组织的复杂性等因素,导致采集到的图像样本即使经过了一系列的图像处理操作,得到的灰度图中依然会存在着不规则的阴影和非静脉特征。因此,本文提出基于遗传算法进行阈值分割,以包含手指静脉纹理分布的二值图像为基础进行算法设计,从而在匹配识别过程中尽可能减少干扰因素的影响。具体的工作如下:本文首先介绍了生物识别技术的相关情况,通过比较不同生物识别技术的优缺点,论述了手指静脉识别技术的优势和发展前景。同时,探究了手指静脉识别方法和遗传算法应用在图像处理领域的国内外研究现状。接着,通过边缘检测算子和非极大值抑制方法精确检测手指边缘,从采集图像中提取出手指的ROI(Region of Interest,感兴趣区域)。而为了解决手指静脉纹理与背景的对比度过低问题,先利用CLAHE(Contrast Limited Adaptive Histogram Equalization,限制对比度直方图均衡)算法对图像进行空间域增强。然后使用Gabor滤波器对静脉纹理部分进行频域增强,最后得到融合了多个角度滤波结果的手指静脉图像。其次,研究了将遗传算法应用在图像阈值分割任务上需要解决的问题。使用遗传算法优化局部阈值分割方法中的邻域大小参数与可调参数6),使用14位二进制数对和6)进行编码,将其值域转化成可进行迭代寻优的可行解空间。另外,基于最大熵阈值分割方法中目标与背景的熵的求解方法,提出将目标与背景的类间距离定义为适应度函数,来决定每轮迭代中种群的进化方向。在经过100轮迭代后,利用得到的最优邻域大小参数与可调参数对手指静脉图像进行阈值分割,得到手指静脉二值图像。然后,研究并对比了常用的特征点(角点)提取算法,选择了最适合手指静脉二值图的FAST(Features from Accelerated Segment Test,快速分段测试特征)算法进行特征点的提取。在此基础上,提出利用像素点的幅值与幅角信息对特征点进行主方向判定和向量化描述,使其具有固定维度和方向不变性。同时,基于特征点的圆形邻域,通过结合图像之间成功匹配的特征点点对数量与平均欧式距离,提出评估两幅图像之间相似程度的匹配模型,基于该匹配模型与K最近邻分类方法来判断测试图像的类别。最后,使用山东大学公开的手指静脉数据库对所提出的算法进行性能测试,并与几种类似的特征提取识别算法进行比较。结果表明,本文提出的方法在识别率和EER(Equal Error Rate,等误率)等关键性能指标上具有较大优势。同时,在视场区域缩小40%后,本文提出方法的各项性能指标基本保持不变,依旧明显优于其它算法。