掌靜脈識別研究綜述

張秀峰，牛選兵，王 偉，馬天翼，龔麗娜，楊榮景

(大連民族大學 機電工程學院，遼寧 大連 116605)

隨著科學技術的發展和進步，生物特征識別技術[1]在身份識別、醫療診斷和交通管理，甚至是在人們的日常生活中各個方面的應用越來越廣泛。手部特征識別具有方便快捷等優點，目前對手部特征的識別主要有指靜脈識別[2]、掌靜脈識別[3]、指紋識別[4]、指節紋識別[5]、掌紋識別[6]和手形識別[7]等。而掌靜脈識別作為一種新興的生物特征識別技術，屬于內生理特征。它不會磨損并且是活體時才存在的生理特征，具有難偽造、比掌紋和指紋識別更具安全性、比人臉識別更具穩定性、比虹膜識別更具應用的普遍性等特點[8]。因此，掌靜脈識別成為了目前手部特征研究的熱點之一。

1 國內外研究現狀

1.1 國外研究現狀

國外在靜脈識別方面的研究起步很早，用于靜脈識別的技術也相對成熟，研發了很多靜脈識別技術相關的產品[9]。1983年，柯達公司在諾丁漢的雇員Joseph Rice在研究紅外條形碼技術時產生了利用人體手背血管紅外成像作為身份識別的想法，并發明了手靜脈特征識別技術，取名為Veincheck[10]。1992年，日本北海道大學生物工程系的K.Shimizu發表文章認為可以利用人體手血管紅外成像作為身份識別依據[11]，為后來日本和韓國進行靜脈識別奠定了基礎。1997年，韓國NEXTERN公司研制出首套手背靜脈識別產品BK-100，靜脈識別系統進入商業應用[12]。2004年，日本富士通公司發布了PalmSecure設備，該設備可安放在銀行ATM設備中，其尺寸雖只有手掌大小，但實現了客戶身份識別的功能[13]。2007年，靜脈識別技術正式被國際標準組織(ISO)采納[14]。2008年，英國Ahmed M.Badawi首次采用3×3的中值濾波器處理圖像，逐個像素對比進行特征圖像匹配，通過大量實驗后得出的匹配結果FAR和FRR等指標都得到很大的提高，但識別需要的時間較長，無法滿足實時識別的需求[15]。2010年，NEC發布了可同時對指紋及手指靜脈進行識別認證的設備。2014年，日本富士通公司在手機終端實現手掌靜脈識別[13]。此前，日本富士通公司推出了最新款超薄型手掌靜脈模塊PalmSecure-F Pro，具有很高的操作性和很強的環境適應能力，單機可支持雙手5 000人登錄，與2010年開始銷售的老款傳感器PalmSecure-V2相比具有更完善的功能[16]。

1.2 國內研究現狀

國內在靜脈識別方面的起步較晚，但由于靜脈識別具有研究的諸多優越性，令其在國內的研究和發展極其迅速。2003年，清華大學林喜榮等[17]發表了關于手背靜脈圖像特征提取和匹配的文章。此后，國內許多高校和科研機構也相繼展開了對靜脈識別的研究。2009年，重慶工學院的余成波等[18]提出基于方向谷形檢測的靜脈紋路分割，使用該方法雖然取得了一定的效果，但較難處理質量不高的圖像。2011年，東北大學的賈旭等[19]提出了基于分塊脊波變換的手背靜脈識別算法，首先利用改進的細化算法對獲得的二值圖像進行細化處理，得到了靜脈的骨架信息；再將細化后的靜脈圖像進行分塊，然后做脊波變換，并通過降維得到靜脈圖像的特征向量；最后利用支持向量機(SVM)對靜脈圖像進行分類匹配，實驗表明其正確識別率可達97%以上。2019年，南方醫科大學的袁玲等[20]提出了基于自適應融合的手掌靜脈增強方法，與傳統的手掌靜脈識別方法相比較，降低了錯誤率，提高了識別精度。

2 手掌靜脈識別方法

2.1 傳統手掌靜脈圖像識別方法

傳統的手掌脈識別方法首先采集靜脈圖像并進行預處理，一般采用近紅外光拍攝獲取手掌靜脈圖像；截取ROI(Region Of Interest)區域進行增強、去噪等處理；最后靜脈特征提取及匹配。靜脈特征的提取是識別中關鍵的一步，提取出完整的掌靜脈特征會降低識別的難度。

2.1.1 手掌靜脈ROI圖像的獲取

通過圖像采集設備獲取的手掌靜脈圖像包含手指、手腕以及手掌外部的背景，而在進行掌靜脈圖像處理時只需要處理含有豐富靜脈血管的手掌區域，該區域稱為感興趣區域ROI[21]。目前有很多種獲取ROI的方法：中國科學技術大學的王春義[22]提出非接觸式高質量掌靜脈圖像獲取方法，首先改進了基于掌心或手腕中心與手掌輪廓距離的手掌定位方法，使算法無需判斷左右手即可提取出感興趣區域，此外，結合手掌輪廓凹性分析,給出了魯棒性更高的手掌定位方法，并通過實驗驗證該方法的定位準確率；沈陽工業大學的李威[23]提出非接觸成像方式下手掌特征提取的方法，首先對圖像進行二值化，找到邊緣輪廓圖，然后用定位指峰與指谷的方法進行邊緣檢測，確定內切圓的圓心和半徑，利用圓的數學特性確定手掌內切圓，從而確定手掌ROI區域。用以上方法處理圖像效果雖好，但處理時間較長，且易受外界因素干擾。

2.1.2 手掌靜脈圖像的增強

在掌靜脈的識別中，靜脈圖像增強是重要的研究內容，直接影響特征提取與匹配的結果，進而影響識別精度。手掌靜脈識別過程中，由于采集手部靜脈圖像時可能會受到采集設備、光照條件等各種因素的干擾，導致采集到的圖像不清晰或靜脈血管與背景區分度低等質量不佳的情況，因此對靜脈圖像識別之前需要對圖像進行增強處理。圖像增強是指改善圖像質量、豐富圖像信息、加強圖像識別效果，從而使圖像主觀上看起來更好的一種圖像處理方法[24]。目前主要的圖像增強方法有：灰度歸一化[25]、直方圖均衡[26]、自適應對比度增強[27]、自適應直方圖均衡[28]等。例如婁夢瑩等[29]提出的基于自適應融合的手掌靜脈增強方法，采用自適應DCP和POSHE算法分別對手掌圖像增強，并將DCP增強圖像和POSHE增強圖像自適應融合，得到最終的增強圖像。電子科技大學張釗[30]發表的掌靜脈識別算法研究成果中，用限制對比度自適應直方圖均衡(CLAHE)方法，將圖像分塊后再用自適應直方圖處理，有效避免了圖像的過度增強，效果更好。

2.1.3 手掌靜脈特征提取

手掌靜脈特征提取的質量決定著識別的效果，因此提取合理的手掌靜脈特征是很多學者研究的重點。北京郵電大學的馬欣[13]提出一種根據圖像不同區域紋理特性自適應地選擇局部Gabor參數的算法，從而可最優化地提取靜脈特征，提高系統識別率，但該方法耗時較長。哈爾濱工業大學的傅澤思[31]采用四個濾波器的實部濾波圖像，按照單方向2D-Gabor濾波編碼的方法進行比特編碼，再比較圖像經過四個不同方向濾波器濾波后Gabor幅值的大小，將最大幅值響應的圖像編碼作為最后的圖像特征編碼，利用多方向紋理信息，提取手掌靜脈特征，但該方法提取ROI區域時，關鍵的定位有偏移，導致識別匹配率較低。吉林大學的代立波[32]提出利用距離變換算法生成手指骨架圖，通過對其進行局部和全局比較保證骨架圖的連續性，提取手指骨架中心點，對生成的骨架圖進行修剪與擬合獲取手指中軸線，使手指特征更加穩定；之后為充分利用手形信息，提取手形的幾何和輪廓雙重特征，但該算法對圖像質量要求高且算法復雜，提取時間較長。西北大學的嚴嬌嬌[33]提出基于全局Gist特征的掌靜脈特征提取方法，將增強后的掌靜脈圖像抽象為一幅場景圖像，利用“分塊提取”思想對其分塊后，提取每塊的全局Gist特征，將所有Gist特征級聯構成掌靜脈特征向量，采用主成分分析法對高維掌靜脈特征向量進行降維處理，使其能夠有效地完成識別，但該方法降維過程較難處理。

2.2 基于深度學習的掌靜脈圖像識別

深度學習可以通過學習一個深度非線性網絡，實現復雜函數逼近，展現了其從少量樣本集中學習數據集本質特征的能力[34]。在深度學習中，卷積神經網絡(Convolutional Neural Network，CNN[35])作為最早成功應用的深度學習模型，是受生物視覺感知機制啟發的深度學習框架，具有很強的圖像表達能力，現已在目標檢測[36-37]、圖像檢索[38-39]、人臉識別[40-41]等領域得到廣泛應用。它不但可以自動進行特征提取和分類識別，還會將識別結果反作用于特征提取，不需要人工設計特征，解決了使用傳統方法難以提取特征的問題。

經典的卷積神經網絡主要包括輸入層、卷積層、池化層、全連接層和輸出層[42]。其中，利用卷積層可以對手掌靜脈圖像進行特征提取，但隨著網絡模型的加深，卷積核增加，參數增多，容易出現過擬合現象，這種情況就可用池化層對圖像進行二次特征提取。全連接層用來連接輸出層，對此前提取特征進行分類處理，最后輸出結果。如南方醫科大學的袁麗莎[43]利用雙通道卷積神經網絡模板的多樣化，特征提取更充分，從而更好地保留了原始靜脈圖像信息的完整性，并且卷積神經網絡可以提取掌靜脈圖像更高層次和更具表達能力的靜脈特征，有效避免了人工提取特征的局限性。

神經網絡可以分為有監督學習網絡和無(半)監督學習網絡。卷積神經網絡作為有監督學習網絡，發展比較迅速，已經應用于很多研究領域。而無監督學習網絡由于自身模型難以模擬，在各研究領域的應用較少。2014年，由Goodfellow首次提出的生成對抗網絡(Generative Adversarial Networks，GAN[44])屬于無監督學習網絡的一種模型。GAN基本框架包括生成模型(Generator)和判別模型(Discriminator[45])，不再需要預先設定的數據分布，具有擬合的最大自由性[46]，可避免卷積神經網絡使用最大似然估計時產生的概率計算問題，但也存在訓練不穩定的缺點，需要進一步優化網絡模型。而條件生成對抗網絡(CGAN)作為生成對抗網絡的一個擴展，可有效解決傳統靜脈圖像增強時，濾波過程中引進的噪聲和殘存的掌紋問題。相對于普通的生成對抗網絡具有更強大的生成能力，同時訓練更加容易穩定。如南方醫科大學的袁玲[20]采用條件生產對抗網絡，調整網絡的參數使原始手掌靜脈圖像在學習目標圖像靜脈網絡結構的同時，去除少量掌紋及濾波操作引進的噪聲，獲得靜脈紋理更加清晰的手掌靜脈圖像。較傳統算法，該方法在有效識別的同時縮短了識別時間。

3 手掌靜脈識別難點

隨著學者們的不斷研究和機器學習的發展，手掌靜脈識別方面存在的許多問題都得以解決，但仍然存在以下難點：

(1)掌靜脈圖像采集環境的影響。掌靜脈的采集主要有接觸式采集和非接觸式采集，無論利用哪種采集方式，采集過程都會受到光照、采集背景和溫度等因素的影響。如文獻[47]使用高動態范圍的方法識別手掌靜脈取得了不錯的效果，但在獲取圖像時會引入其他噪聲，使掌靜脈圖像的識別時間增加。

(2)掌靜脈ROI圖像定位分割的影響。為獲取靜脈特征豐富的區域，需對掌靜脈ROI圖像定位分割，學者們一般采用香港理工大學數據庫的掌靜脈圖像進行靜脈識別研究，庫中的掌靜脈圖像由于采集時需要固定手掌而在中指與無名指之間的指谷位置安裝了硬件設備，從而使掌靜脈ROI圖像難以定位分割。如文獻[48]由于缺乏適宜的ROI定位分割方法，導致特征提取的準確性較低，識別率不高。

(3)掌紋的影響。掌靜脈圖像帶有掌紋，現有的算法仍然不能夠完全去除掌紋的干擾，如逄增耀等[49]利用模糊閾值判定以及全局灰度值匹配提高算法的魯棒性，但沒有更好地去除掌紋的干擾，使掌靜脈的識別效果不佳。

綜上所述，在今后的掌靜脈識別研究中應針對以上難點，尋求更有效的方法、算法解決問題。

4 結 語

手掌靜脈識別已應用于很多領域，有非常好的發展前景。本文通過對掌靜脈識別方法的介紹，可以得出傳統的掌靜脈識別方法已經慢慢淡出人們的視野，而隨著機器學習算法的不斷發展和優化，使掌靜脈識別技術愈發成熟。相信未來在掌靜脈識別的研究中，識別精度會不斷提高，達到更好的識別效果，且在各領域中的應用有更多突破。