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(xué) 機(jī)電工程學(xué)院，遼寧 大連 116605)

隨著科學(xué)技術(shù)的發(fā)展和進(jìn)步，生物特征識別技術(shù)[1]在身份識別、醫(yī)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(yīng)用越來越廣泛。手部特征識別具有方便快捷等優(yōu)點(diǎn)，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(jié)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(shù)，屬于內(nèi)生理特征。它不會磨損并且是活體時(shí)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(wěn)定性、比虹膜識別更具應(yīng)用的普遍性等特點(diǎn)[8]。因此，掌靜脈識別成為了目前手部特征研究的熱點(diǎn)之一。

1 國內(nèi)外研究現(xiàn)狀

1.1 國外研究現(xiàn)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(shù)也相對成熟，研發(fā)了很多靜脈識別技術(shù)相關(guān)的產(chǎn)品[9]。1983年，柯達(dá)公司在諾丁漢的雇員Joseph Rice在研究紅外條形碼技術(shù)時(shí)產(chǎn)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(fā)明了手靜脈特征識別技術(shù)，取名為Veincheck[10]。1992年，日本北海道大學(xué)生物工程系的K.Shimizu發(fā)表文章認(rèn)為可以利用人體手血管紅外成像作為身份識別依據(jù)[11]，為后來日本和韓國進(jìn)行靜脈識別奠定了基礎(chǔ)。1997年，韓國NEXTERN公司研制出首套手背靜脈識別產(chǎn)品BK-100，靜脈識別系統(tǒng)進(jìn)入商業(yè)應(yīng)用[12]。2004年，日本富士通公司發(fā)布了PalmSecure設(shè)備，該設(shè)備可安放在銀行ATM設(shè)備中，其尺寸雖只有手掌大小，但實(shí)現(xiàn)了客戶身份識別的功能[13]。2007年，靜脈識別技術(shù)正式被國際標(biāo)準(zhǔn)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(jìn)行特征圖像匹配，通過大量實(shí)驗(yàn)后得出的匹配結(jié)果FAR和FRR等指標(biāo)都得到很大的提高，但識別需要的時(shí)間較長，無法滿足實(shí)時(shí)識別的需求[15]。2010年，NEC發(fā)布了可同時(shí)對指紋及手指靜脈進(jìn)行識別認(rèn)證的設(shè)備。2014年，日本富士通公司在手機(jī)終端實(shí)現(xiàn)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(qiáng)的環(huán)境適應(yīng)能力，單機(jī)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(nèi)研究現(xiàn)狀

國內(nèi)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(yōu)越性，令其在國內(nèi)的研究和發(fā)展極其迅速。2003年，清華大學(xué)林喜榮等[17]發(fā)表了關(guān)于手背靜脈圖像特征提取和匹配的文章。此后，國內(nèi)許多高校和科研機(jī)構(gòu)也相繼展開了對靜脈識別的研究。2009年，重慶工學(xué)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(zhì)量不高的圖像。2011年，東北大學(xué)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(jìn)的細(xì)化算法對獲得的二值圖像進(jìn)行細(xì)化處理，得到了靜脈的骨架信息；再將細(xì)化后的靜脈圖像進(jìn)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(jī)(SVM)對靜脈圖像進(jìn)行分類匹配，實(shí)驗(yàn)表明其正確識別率可達(dá)97%以上。2019年，南方醫(yī)科大學(xué)的袁玲等[20]提出了基于自適應(yīng)融合的手掌靜脈增強(qiáng)方法，與傳統(tǒng)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(tǒng)手掌靜脈圖像識別方法

傳統(tǒng)的手掌脈識別方法首先采集靜脈圖像并進(jìn)行預(yù)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(qū)域進(jìn)行增強(qiáng)、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(guān)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(shè)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(jìn)行掌靜脈圖像處理時(shí)只需要處理含有豐富靜脈血管的手掌區(qū)域，該區(qū)域稱為感興趣區(qū)域ROI[21]。目前有很多種獲取ROI的方法：中國科學(xué)技術(shù)大學(xué)的王春義[22]提出非接觸式高質(zhì)量掌靜脈圖像獲取方法，首先改進(jìn)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(qū)域，此外，結(jié)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(shí)驗(yàn)驗(yàn)證該方法的定位準(zhǔn)確率；沈陽工業(yè)大學(xué)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(jìn)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(jìn)行邊緣檢測，確定內(nèi)切圓的圓心和半徑，利用圓的數(shù)學(xué)特性確定手掌內(nèi)切圓，從而確定手掌ROI區(qū)域。用以上方法處理圖像效果雖好，但處理時(shí)間較長，且易受外界因素干擾。

2.1.2 手掌靜脈圖像的增強(qiáng)

在掌靜脈的識別中，靜脈圖像增強(qiáng)是重要的研究內(nèi)容，直接影響特征提取與匹配的結(jié)果，進(jìn)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(shí)可能會受到采集設(shè)備、光照條件等各種因素的干擾，導(dǎo)致采集到的圖像不清晰或靜脈血管與背景區(qū)分度低等質(zhì)量不佳的情況，因此對靜脈圖像識別之前需要對圖像進(jìn)行增強(qiáng)處理。圖像增強(qiáng)是指改善圖像質(zhì)量、豐富圖像信息、加強(qiáng)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(qiáng)方法有：灰度歸一化[25]、直方圖均衡[26]、自適應(yīng)對比度增強(qiáng)[27]、自適應(yīng)直方圖均衡[28]等。例如婁夢瑩等[29]提出的基于自適應(yīng)融合的手掌靜脈增強(qiáng)方法，采用自適應(yīng)DCP和POSHE算法分別對手掌圖像增強(qiáng)，并將DCP增強(qiáng)圖像和POSHE增強(qiáng)圖像自適應(yīng)融合，得到最終的增強(qiáng)圖像。電子科技大學(xué)張釗[30]發(fā)表的掌靜脈識別算法研究成果中，用限制對比度自適應(yīng)直方圖均衡(CLAHE)方法，將圖像分塊后再用自適應(yīng)直方圖處理，有效避免了圖像的過度增強(qiáng)，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(zhì)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(xué)者研究的重點(diǎn)。北京郵電大學(xué)的馬欣[13]提出一種根據(jù)圖像不同區(qū)域紋理特性自適應(yīng)地選擇局部Gabor參數(shù)的算法，從而可最優(yōu)化地提取靜脈特征，提高系統(tǒng)識別率，但該方法耗時(shí)較長。哈爾濱工業(yè)大學(xué)的傅澤思[31]采用四個濾波器的實(shí)部濾波圖像，按照單方向2D-Gabor濾波編碼的方法進(jìn)行比特編碼，再比較圖像經(jīng)過四個不同方向?yàn)V波器濾波后Gabor幅值的大小，將最大幅值響應(yīng)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(qū)域時(shí)，關(guān)鍵的定位有偏移，導(dǎo)致識別匹配率較低。吉林大學(xué)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(jìn)行局部和全局比較保證骨架圖的連續(xù)性，提取手指骨架中心點(diǎn)，對生成的骨架圖進(jìn)行修剪與擬合獲取手指中軸線，使手指特征更加穩(wěn)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(zhì)量要求高且算法復(fù)雜，提取時(shí)間較長。西北大學(xué)的嚴(yán)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(qiáng)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(lián)構(gòu)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(jìn)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(xué)習(xí)的掌靜脈圖像識別

深度學(xué)習(xí)可以通過學(xué)習(xí)一個深度非線性網(wǎng)絡(luò)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，展現(xiàn)了其從少量樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力[34]。在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN[35])作為最早成功應(yīng)用的深度學(xué)習(xí)模型，是受生物視覺感知機(jī)制啟發(fā)的深度學(xué)習(xí)框架，具有很強(qiáng)的圖像表達(dá)能力，現(xiàn)已在目標(biāo)檢測[36-37]、圖像檢索[38-39]、人臉識別[40-41]等領(lǐng)域得到廣泛應(yīng)用。它不但可以自動進(jìn)行特征提取和分類識別，還會將識別結(jié)果反作用于特征提取，不需要人工設(shè)計(jì)特征，解決了使用傳統(tǒng)方法難以提取特征的問題。

經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)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(jìn)行特征提取，但隨著網(wǎng)絡(luò)模型的加深，卷積核增加，參數(shù)增多，容易出現(xiàn)過擬合現(xiàn)象，這種情況就可用池化層對圖像進(jìn)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(jìn)行分類處理，最后輸出結(jié)果。如南方醫(yī)科大學(xué)的袁麗莎[43]利用雙通道卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)可以提取掌靜脈圖像更高層次和更具表達(dá)能力的靜脈特征，有效避免了人工提取特征的局限性。

神經(jīng)網(wǎng)絡(luò)可以分為有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)和無(半)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)作為有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，發(fā)展比較迅速，已經(jīng)應(yīng)用于很多研究領(lǐng)域。而無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)由于自身模型難以模擬，在各研究領(lǐng)域的應(yīng)用較少。2014年，由Goodfellow首次提出的生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN[44])屬于無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)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(yù)先設(shè)定的數(shù)據(jù)分布，具有擬合的最大自由性[46]，可避免卷積神經(jīng)網(wǎng)絡(luò)使用最大似然估計(jì)時(shí)產(chǎn)生的概率計(jì)算問題，但也存在訓(xùn)練不穩(wěn)定的缺點(diǎn)，需要進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型。而條件生成對抗網(wǎng)絡(luò)(CGAN)作為生成對抗網(wǎng)絡(luò)的一個擴(kuò)展，可有效解決傳統(tǒng)靜脈圖像增強(qiáng)時(shí)，濾波過程中引進(jìn)的噪聲和殘存的掌紋問題。相對于普通的生成對抗網(wǎng)絡(luò)具有更強(qiáng)大的生成能力，同時(shí)訓(xùn)練更加容易穩(wěn)定。如南方醫(yī)科大學(xué)的袁玲[20]采用條件生產(chǎn)對抗網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)的參數(shù)使原始手掌靜脈圖像在學(xué)習(xí)目標(biāo)圖像靜脈網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)，去除少量掌紋及濾波操作引進(jìn)的噪聲，獲得靜脈紋理更加清晰的手掌靜脈圖像。較傳統(tǒng)算法，該方法在有效識別的同時(shí)縮短了識別時(shí)間。

3 手掌靜脈識別難點(diǎn)

隨著學(xué)者們的不斷研究和機(jī)器學(xué)習(xí)的發(fā)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(diǎn)：

(1)掌靜脈圖像采集環(huán)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(xiàn)[47]使用高動態(tài)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(shí)會引入其他噪聲，使掌靜脈圖像的識別時(shí)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(qū)域，需對掌靜脈ROI圖像定位分割，學(xué)者們一般采用香港理工大學(xué)數(shù)據(jù)庫的掌靜脈圖像進(jìn)行靜脈識別研究，庫中的掌靜脈圖像由于采集時(shí)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(shè)備，從而使掌靜脈ROI圖像難以定位分割。如文獻(xiàn)[48]由于缺乏適宜的ROI定位分割方法，導(dǎo)致特征提取的準(zhǔn)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(xiàn)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(yīng)針對以上難點(diǎn)，尋求更有效的方法、算法解決問題。

4 結(jié) 語

手掌靜脈識別已應(yīng)用于很多領(lǐng)域，有非常好的發(fā)展前景。本文通過對掌靜脈識別方法的介紹，可以得出傳統(tǒng)的掌靜脈識別方法已經(jīng)慢慢淡出人們的視野，而隨著機(jī)器學(xué)習(xí)算法的不斷發(fā)展和優(yōu)化，使掌靜脈識別技術(shù)愈發(fā)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(dá)到更好的識別效果，且在各領(lǐng)域中的應(yīng)用有更多突破。