相比二维静脉图像,采用三维点云表达手部静脉结构能够保证静脉的绝对尺度,不受采集设备,手部位姿变化的影响。三维静脉点云具有静脉的深度信息,能够在识别中提供更大的区分度。然而现有的基于静脉点云的身份认证算法,本质是点对点的匹配验证,容易受到点云位姿变化的影响,并且运算复杂度大。本文针对静脉点云的特点,重点研究点到模型的三维静脉点云匹配算法,以实现多位姿手部静脉识别。以此为研究目标,本文提出一种基于混合高斯模型的点云匹配算法,结合三维特征阵列初配准,使用正态分布变换算法实现点云空间重合度评价,完成基于静脉点云匹配的身份认证。本文完成的主要工作有:1.将点对模型的点云匹配思路引入静脉点云匹配,验证了正态分布变换算法在静脉点云匹配中的可行性,并在此基础上提出一种基于混合高斯模型的静脉点云匹配算法,有效解决了手部位姿变化对认证结果的影响。采用正态分布变换算法进行点云重合度评价,实现多位姿静脉点云识别。2.在初步验证本文匹配算法的前提下,对基于混合高斯模型匹配的算法进行了优化,提出一种基于三维特征阵列的点云初配准方法。在双目视觉系统中将SIFT特征重建为三维特征用于点云初配准,避免了点云位姿差异过大时陷入局部极值的可能性。3.为进一步提高基于混合高斯模型的点云匹配算法速度,采用C UDA通用并行计算架构,设计并实现了基于GPU的并行计算改进,相比CPU版本获得了极大的加速。4.改进了基于双目视觉的静脉点云获取系统,根据双目视觉原理实现静脉三维点云重建。建立了50个样本,每个样本13个不同位姿,共包含650个静脉点云的静脉点云数据库。在此数据库的基础上,设计静脉点云认证实验验证了本文算法在多位姿手部静脉识别中的有效性。交叉匹配实验证明,即使手部位姿在[-20°,+20°]内变化,系统的等错误率也仅为1.69%。本文工作表明,基于混合高斯模型的点云匹配算法结合三维特征阵列初配准可以在一定程度上克服手部位姿变化对认证结果的影响,在多位姿静脉点云识别中具有良好的表现。系统1:1认证平均耗时不超过500ms。即使当手部位姿变化范围达到40°时,识别率仍超过98%。