掌静脉识别研究综述

2020-12-05张秀峰牛选兵马天翼龚丽娜杨荣景

大连民族大学学报 2020年1期

张秀峰，牛选兵，王伟，马天翼，龚丽娜，杨荣景

(大连民族大学机电工程学院，辽宁大连 116605)

随着科学技术的发展和进步，生物特征识别技术[1]在身份识别、医疗诊断和交通管理，甚至是在人们的日常生活中各个方面的应用越来越广泛。手部特征识别具有方便快捷等优点，目前对手部特征的识别主要有指静脉识别[2]、掌静脉识别[3]、指纹识别[4]、指节纹识别[5]、掌纹识别[6]和手形识别[7]等。而掌静脉识别作为一种新兴的生物特征识别技术，属于内生理特征。它不会磨损并且是活体时才存在的生理特征，具有难伪造、比掌纹和指纹识别更具安全性、比人脸识别更具稳定性、比虹膜识别更具应用的普遍性等特点[8]。因此，掌静脉识别成为了目前手部特征研究的热点之一。

1 国内外研究现状

1.1 国外研究现状

国外在静脉识别方面的研究起步很早，用于静脉识别的技术也相对成熟，研发了很多静脉识别技术相关的产品[9]。1983年，柯达公司在诺丁汉的雇员Joseph Rice在研究红外条形码技术时产生了利用人体手背血管红外成像作为身份识别的想法，并发明了手静脉特征识别技术，取名为Veincheck[10]。1992年，日本北海道大学生物工程系的K.Shimizu发表文章认为可以利用人体手血管红外成像作为身份识别依据[11]，为后来日本和韩国进行静脉识别奠定了基础。1997年，韩国NEXTERN公司研制出首套手背静脉识别产品BK-100，静脉识别系统进入商业应用[12]。2004年，日本富士通公司发布了PalmSecure设备，该设备可安放在银行ATM设备中，其尺寸虽只有手掌大小，但实现了客户身份识别的功能[13]。2007年，静脉识别技术正式被国际标准组织(ISO)采纳[14]。2008年，英国Ahmed M.Badawi首次采用3×3的中值滤波器处理图像，逐个像素对比进行特征图像匹配，通过大量实验后得出的匹配结果FAR和FRR等指标都得到很大的提高，但识别需要的时间较长，无法满足实时识别的需求[15]。2010年，NEC发布了可同时对指纹及手指静脉进行识别认证的设备。2014年，日本富士通公司在手机终端实现手掌静脉识别[13]。此前，日本富士通公司推出了最新款超薄型手掌静脉模块PalmSecure-F Pro，具有很高的操作性和很强的环境适应能力，单机可支持双手5 000人登录，与2010年开始销售的老款传感器PalmSecure-V2相比具有更完善的功能[16]。

1.2 国内研究现状

国内在静脉识别方面的起步较晚，但由于静脉识别具有研究的诸多优越性，令其在国内的研究和发展极其迅速。2003年，清华大学林喜荣等[17]发表了关于手背静脉图像特征提取和匹配的文章。此后，国内许多高校和科研机构也相继展开了对静脉识别的研究。2009年，重庆工学院的余成波等[18]提出基于方向谷形检测的静脉纹路分割，使用该方法虽然取得了一定的效果，但较难处理质量不高的图像。2011年，东北大学的贾旭等[19]提出了基于分块脊波变换的手背静脉识别算法，首先利用改进的细化算法对获得的二值图像进行细化处理，得到了静脉的骨架信息；再将细化后的静脉图像进行分块，然后做脊波变换，并通过降维得到静脉图像的特征向量；最后利用支持向量机(SVM)对静脉图像进行分类匹配，实验表明其正确识别率可达97%以上。2019年，南方医科大学的袁玲等[20]提出了基于自适应融合的手掌静脉增强方法，与传统的手掌静脉识别方法相比较，降低了错误率，提高了识别精度。

2 手掌静脉识别方法

2.1 传统手掌静脉图像识别方法

传统的手掌脉识别方法首先采集静脉图像并进行预处理，一般采用近红外光拍摄获取手掌静脉图像；截取ROI(Region Of Interest)区域进行增强、去噪等处理；最后静脉特征提取及匹配。静脉特征的提取是识别中关键的一步，提取出完整的掌静脉特征会降低识别的难度。

2.1.1 手掌静脉ROI图像的获取

通过图像采集设备获取的手掌静脉图像包含手指、手腕以及手掌外部的背景，而在进行掌静脉图像处理时只需要处理含有丰富静脉血管的手掌区域，该区域称为感兴趣区域ROI[21]。目前有很多种获取ROI的方法：中国科学技术大学的王春义[22]提出非接触式高质量掌静脉图像获取方法，首先改进了基于掌心或手腕中心与手掌轮廓距离的手掌定位方法，使算法无需判断左右手即可提取出感兴趣区域，此外，结合手掌轮廓凹性分析,给出了鲁棒性更高的手掌定位方法，并通过实验验证该方法的定位准确率；沈阳工业大学的李威[23]提出非接触成像方式下手掌特征提取的方法，首先对图像进行二值化，找到边缘轮廓图，然后用定位指峰与指谷的方法进行边缘检测，确定内切圆的圆心和半径，利用圆的数学特性确定手掌内切圆，从而确定手掌ROI区域。用以上方法处理图像效果虽好，但处理时间较长，且易受外界因素干扰。

2.1.2 手掌静脉图像的增强

在掌静脉的识别中，静脉图像增强是重要的研究内容，直接影响特征提取与匹配的结果，进而影响识别精度。手掌静脉识别过程中，由于采集手部静脉图像时可能会受到采集设备、光照条件等各种因素的干扰，导致采集到的图像不清晰或静脉血管与背景区分度低等质量不佳的情况，因此对静脉图像识别之前需要对图像进行增强处理。图像增强是指改善图像质量、丰富图像信息、加强图像识别效果，从而使图像主观上看起来更好的一种图像处理方法[24]。目前主要的图像增强方法有：灰度归一化[25]、直方图均衡[26]、自适应对比度增强[27]、自适应直方图均衡[28]等。例如娄梦莹等[29]提出的基于自适应融合的手掌静脉增强方法，采用自适应DCP和POSHE算法分别对手掌图像增强，并将DCP增强图像和POSHE增强图像自适应融合，得到最终的增强图像。电子科技大学张钊[30]发表的掌静脉识别算法研究成果中，用限制对比度自适应直方图均衡(CLAHE)方法，将图像分块后再用自适应直方图处理，有效避免了图像的过度增强，效果更好。

2.1.3 手掌静脉特征提取

手掌静脉特征提取的质量决定着识别的效果，因此提取合理的手掌静脉特征是很多学者研究的重点。北京邮电大学的马欣[13]提出一种根据图像不同区域纹理特性自适应地选择局部Gabor参数的算法，从而可最优化地提取静脉特征，提高系统识别率，但该方法耗时较长。哈尔滨工业大学的傅泽思[31]采用四个滤波器的实部滤波图像，按照单方向2D-Gabor滤波编码的方法进行比特编码，再比较图像经过四个不同方向滤波器滤波后Gabor幅值的大小，将最大幅值响应的图像编码作为最后的图像特征编码，利用多方向纹理信息，提取手掌静脉特征，但该方法提取ROI区域时，关键的定位有偏移，导致识别匹配率较低。吉林大学的代立波[32]提出利用距离变换算法生成手指骨架图，通过对其进行局部和全局比较保证骨架图的连续性，提取手指骨架中心点，对生成的骨架图进行修剪与拟合获取手指中轴线，使手指特征更加稳定；之后为充分利用手形信息，提取手形的几何和轮廓双重特征，但该算法对图像质量要求高且算法复杂，提取时间较长。西北大学的严娇娇[33]提出基于全局Gist特征的掌静脉特征提取方法，将增强后的掌静脉图像抽象为一幅场景图像，利用“分块提取”思想对其分块后，提取每块的全局Gist特征，将所有Gist特征级联构成掌静脉特征向量，采用主成分分析法对高维掌静脉特征向量进行降维处理，使其能够有效地完成识别，但该方法降维过程较难处理。

2.2 基于深度学习的掌静脉图像识别

深度学习可以通过学习一个深度非线性网络，实现复杂函数逼近，展现了其从少量样本集中学习数据集本质特征的能力[34]。在深度学习中，卷积神经网络(Convolutional Neural Network，CNN[35])作为最早成功应用的深度学习模型，是受生物视觉感知机制启发的深度学习框架，具有很强的图像表达能力，现已在目标检测[36-37]、图像检索[38-39]、人脸识别[40-41]等领域得到广泛应用。它不但可以自动进行特征提取和分类识别，还会将识别结果反作用于特征提取，不需要人工设计特征，解决了使用传统方法难以提取特征的问题。

经典的卷积神经网络主要包括输入层、卷积层、池化层、全连接层和输出层[42]。其中，利用卷积层可以对手掌静脉图像进行特征提取，但随着网络模型的加深，卷积核增加，参数增多，容易出现过拟合现象，这种情况就可用池化层对图像进行二次特征提取。全连接层用来连接输出层，对此前提取特征进行分类处理，最后输出结果。如南方医科大学的袁丽莎[43]利用双通道卷积神经网络模板的多样化，特征提取更充分，从而更好地保留了原始静脉图像信息的完整性，并且卷积神经网络可以提取掌静脉图像更高层次和更具表达能力的静脉特征，有效避免了人工提取特征的局限性。

神经网络可以分为有监督学习网络和无(半)监督学习网络。卷积神经网络作为有监督学习网络，发展比较迅速，已经应用于很多研究领域。而无监督学习网络由于自身模型难以模拟，在各研究领域的应用较少。2014年，由Goodfellow首次提出的生成对抗网络(Generative Adversarial Networks，GAN[44])属于无监督学习网络的一种模型。GAN基本框架包括生成模型(Generator)和判别模型(Discriminator[45])，不再需要预先设定的数据分布，具有拟合的最大自由性[46]，可避免卷积神经网络使用最大似然估计时产生的概率计算问题，但也存在训练不稳定的缺点，需要进一步优化网络模型。而条件生成对抗网络(CGAN)作为生成对抗网络的一个扩展，可有效解决传统静脉图像增强时，滤波过程中引进的噪声和残存的掌纹问题。相对于普通的生成对抗网络具有更强大的生成能力，同时训练更加容易稳定。如南方医科大学的袁玲[20]采用条件生产对抗网络，调整网络的参数使原始手掌静脉图像在学习目标图像静脉网络结构的同时，去除少量掌纹及滤波操作引进的噪声，获得静脉纹理更加清晰的手掌静脉图像。较传统算法，该方法在有效识别的同时缩短了识别时间。

3 手掌静脉识别难点

随着学者们的不断研究和机器学习的发展，手掌静脉识别方面存在的许多问题都得以解决，但仍然存在以下难点：

(1)掌静脉图像采集环境的影响。掌静脉的采集主要有接触式采集和非接触式采集，无论利用哪种采集方式，采集过程都会受到光照、采集背景和温度等因素的影响。如文献[47]使用高动态范围的方法识别手掌静脉取得了不错的效果，但在获取图像时会引入其他噪声，使掌静脉图像的识别时间增加。

(2)掌静脉ROI图像定位分割的影响。为获取静脉特征丰富的区域，需对掌静脉ROI图像定位分割，学者们一般采用香港理工大学数据库的掌静脉图像进行静脉识别研究，库中的掌静脉图像由于采集时需要固定手掌而在中指与无名指之间的指谷位置安装了硬件设备，从而使掌静脉ROI图像难以定位分割。如文献[48]由于缺乏适宜的ROI定位分割方法，导致特征提取的准确性较低，识别率不高。

(3)掌纹的影响。掌静脉图像带有掌纹，现有的算法仍然不能够完全去除掌纹的干扰，如逄增耀等[49]利用模糊阈值判定以及全局灰度值匹配提高算法的鲁棒性，但没有更好地去除掌纹的干扰，使掌静脉的识别效果不佳。

综上所述，在今后的掌静脉识别研究中应针对以上难点，寻求更有效的方法、算法解决问题。