手背静脉识别近几年来发展愈发迅猛,成为一种新兴的生物领域的图像识别技术,在现在有的各种识别技术中备受大家关注。较好的独特性和适应性是手背静脉识别中的重要优势,但是也存在相应的弊端,如采样和识别步骤时,仍存在识别率不高和效率较低等问题,因此解决准确性与效率等问题将成为将此技术投入应用的关键。贝叶斯算法虽在识别领域有着广泛应用,但是若逐个识别效率低下,文章将针对常用的几种不同图像分割算法进行讨论,并结合聚类优化后的贝叶斯算法,在保证一定准确性的前提下,来提高大数据量情况下手背静脉识别的效率。在充分对比讨论后,最终选用了niblack算法作为边缘检测使用的算法,再经小波变换提取纹理特征后,进行均匀分布降维。然后得到图片纹理特征矩阵,并通过k中心点算法实现了聚类,最终在聚类的结果上进行贝叶斯识别。最终成功实现一种在大数据量背景下,识别效率较高,准确度好的识别算法。本文的主要工作包括:(1)为突出图像的纹理信息,对多种图像分割及边缘检测算法进行实现并讨论,分析各种算法的优势劣势,其中包括sobel、roberts、prewitt、log等算子,以及区域生长、Hough变换、阈值分割等算法和niblack算法。并从视觉效果进行考量,筛选出一个效果好效率高的算法。(2)由于在大数据量的背景下,单个手背静脉识别效率低下,所以先对处理后的图像集通过小波变换对纹理特征提取,求取均匀分布等方式,进行数据降维,得到结果集矩阵。通过反复试验的方式得到一个合适的聚类数经验值,最终将降维数据矩阵进行最合理的聚类。以达到减小识别过程中的样本空间的目的。(3)对比最小二值贝叶斯算法和最小风险贝叶斯算法的优劣性,并在在理论上讨论和实践上证明了该结果。然后通过经优化后的贝叶斯算法对手背静脉纹理进行识别,比较传统贝叶斯识别方法与聚类优化后的贝叶斯方法在识别率上的差异,比较传统贝叶斯识别方法与聚类优化后的贝叶斯方法在识别效率上的差异,并得出最终结论。