掌静脉识别技术及其产品应用

1.引 言

随着科学技术的发展，生物识别技术逐步代替了传统的身份认证方式，如磁卡、密码等，有效地避免了传统身份认证方式丢失和被盗取的风险，提高了身份认证的安全性和便捷性。生物识别技术［1］［2］是利用人体固有的生理特性（如指纹、人脸、虹膜、静脉、掌纹、指横纹等）和行为特征（如笔迹、声音、步态等），结合光学、声学、传感器、模式匹配和深度学习等技术，来进行个人身份的鉴定。 静脉生物特征识别技术，是基于人体皮肤下静脉血管的纹理特征进行身份识别的一种生物特征识别技术。静脉血管的分布模式包含了非常丰富的特异性信息，且静脉中的脱氧血红蛋白与其他生理组织对近红外光的吸收差异较大，可以形成清晰的图像作为个人身份认证的生物信息。当用特定波长的近红外光（波长一般为700~1000m）照射手部时，光线穿过表皮， 在皮下组织发生散射，其中近红外光被静脉血液中的脱氧血红蛋白大量吸收，因而静脉纹路所在位置在图像传感器成像时呈现出深色阴影，其他非静脉纹路的区域则呈现出较高亮度，从而得到静脉图像。 图1. 血红蛋白光谱吸收特性曲线 图2.自然光手掌图像和掌静脉图像 静脉识别因其独特的识别特点近年来得到了广泛的关注，其主要特点有： 1) 特征信息稳定性高。个体的静脉纹路在青少年后基本不会发生变化，且即使是同卵双胞胎静脉信息也不相同。 2) 抗仿冒攻击。静脉识别需要在特定波长的光源下才能有效成像，静脉信息不易被窃取，难以伪造。 3) 非接触式识别。无需人机接触便可以使用，方便卫生。 4) 具有活体检测能力，且无需增加额外成本。流动血液中脱氧血红蛋白与其他组织对近红外光的吸收率存在差异，因此活体静脉才能有效成像。 5）易用性。静脉识别对皮肤表面状态不敏感，不受脱皮、汗渍等常见皮肤状况的影响，具有良好的环境适应性，可满足不同层级的场景应用，识别更精准，应用更安全便捷。 6）主动式识别，不用担心隐私泄露和误触发识别问题。 除了掌静脉识别［3］，常见的生物识别技术还有人脸识别［4］、 虹膜识别技术［5］、指纹识别［6］、手指静脉识别［7］、掌 纹 识 别［8］、手 背 静 脉 识 别［9］、声纹识别［10］等。其中人脸识别、指纹识别、声纹识别、 指静脉识别等，技术相对成熟并已经在各行各业得到了广泛的应用。 由于技术的双面性，生物识别技术在不断取得创新突破的同时，还带来了隐私泄漏、安全认证、生物攻击等问题。具体如下： ——人脸识别系统：主要优点在于使用方便，非接触式采集，用户体验高，且可以远距离识别等，目前已经广泛使用。但是人脸所蕴含的信息量较生物特征相比是比较少的，变化的复杂性不够，比如不同人的五官相对位置和大致形状都是固定统一的（High inter-class similarity），而且容易受到人自身内在的变化（如表情、化妆、年龄）以及光照、遮挡等外在环境的影响，因而人脸生物信息的可靠性及稳定性相对较弱。此外，人脸识别系统可以通过一些传感器进行欺骗，对识别系统进行攻击，也可以通过3D打印进行假脸攻击，或者通过人脸识别算法进行对抗攻击，降低人脸识别精度。此外，在新冠病毒防控下，大批人脸产品无法在戴口罩的情况下对人脸进行扫描识别，而摘下口罩会增大病毒传染概率，部分人脸识别产品可以戴口罩进行识别，但同样增加了假脸攻击的风险。 ——指纹识别系统：使用方便，成本低廉，体积小巧，已经广泛应用于考勤、门禁、出入境管理和手机支付等领域，在全球生物特征识别领域占据了最大的市场份额。但是容易受到皮肤表面状况的影响，气候干燥或天气潮湿，皮肤汗液都会影响到指纹识别效果。指纹属于接触式生物识别，也面临卫生问题，增大病毒的传播风险。此外，指纹识别容易被他人窃取和伪造，有着易被复制、难证活体的安全漏洞，比如指纹翻模等。 ——声纹识别技术：识别精度较低，且面临着录音窃听、AI音频生成、环境干扰等问题。 ——虹膜识别技术：相对安全可靠，但是采集比较困难，使用方式比较受限制，同时也面临假虹膜攻击等挑战。 ——指静脉识别：虽然同属静脉识别，安全性较高，但是手指静脉特征比较少，且容易受环境温度影响，实际使用中识别精度显著下降。手背静脉识别，虽然识别精度较高，但不符合人们的使用习惯和人体工学原理，因而没有得到推广使用。 相比于指静脉识别技术，掌静脉识别技术具有更大的识别面积，整体特征高度丰富，使用方式更灵活，可实现完全非接触式认证，其应用场景更为广泛；相较于人脸识别、声纹识别的技术，掌静脉识别技术安全性、可靠性更高；相对于虹膜技术，掌静脉识别技术用户体验更好。因此掌静脉识别技术具有很强的使用性和研究意义。图3给出了各类生物识别技术的各方面比较。 图3. 各类生物识别技术比较

2.掌静脉识别技术国内外研究现状

MacGregor 和 Welford于 1991 年提出掌静脉认证[11]。随后掌静脉识别因其安全性高、活体检测、用户可接受性和便利性等特点，引起关注和研究。Toh 等[12]使用低成本的近红外（NIR）相机代替更昂贵的红外热像仪进行手掌图像捕获，并且使用滤波器的方法进行图像增强。Zhang等人[13]提出了一种使用手掌静脉的个人身份验证方案，通过多尺度滤波提取手掌静脉。Wang等人[14]提出了一种使用掌纹和掌纹图像的多模式个人识别系统，并将其进行图像级融合。Ladoux等人[15]于2009年使用尺度不变特征变换（Scale-invariant feature transform，SIFT）特征描述符在图像中检测出静脉关键点，进行掌静脉匹配验证。Zhou等人[16]通过对方向保持特征进行编码，并利用一种新的基于区域的匹配方案来更有效地适应手掌潜在的变形、旋转和平移变化，从而提高掌静脉识别系统的性能。Han等人[17]介绍了一种使用掌静脉模式的可靠个人验证方法，从207人中共收集了4140张掌静脉图像，构建了一个低成本、非接触式的近红外手掌静脉图像数据库，并且提出了一种创新且稳健的自适应Gabor滤波器来提取静脉特征。Kang等人[18]提出了一种改进的相互前景LBP（ Local Binary Pattern）方法，采用多光谱摄像头（AD-080GE）和940 nm主动红外照明来构建掌静脉数据库，实现更好的非接触手掌静脉识别匹配性能。Perwira 等[19]使用掌形中如手指根部、指尖和手腕中点等特定部位定位来获得感兴趣的区域（region of interest， ROI ）。Li 等人[20]捕获了掌纹和掌静脉重叠的图像，并提出一种基于形态学的掌静脉图像分离方法，该方法也能作为掌静脉图像增强方法使用。Yan 等人[21]则使用整幅掌静脉图像作为ROI并取得优异的效果。在文献[22]中Bharathi 和 Sudhakar使用滤波器或形态学与其他方法结合提取纹路特征。Aberni 等[23]改进了传统的纹理特征表示方法，提出各种适用于掌静脉认证的纹理特征并取得优秀性能。Ahmad 等[24]用波原子变换等域变换方法提取掌静脉图像特征。Wu等[25]从基本背景知识到数据采集、公共数据库、预处理、特征提取和匹配，全面综述了手掌静脉识别的最新研究进展。 早期的静脉认证主要是基于特征工程的方法，通过提取预处理后静脉图像中具有的可辨别性特征，度量待比较图像特征的相似度而实现认证。随着深度学习的发展，许多基于深度学习的静脉认证方法相继提出并取得优异的效果。基于深度学习的方法主要根据静脉图像的特点设计模型结构、调改参数和训练策略。Thapar 等人[26]结合编—解码器架构设计掌静脉认证神经网络 PVSNet ，实现了端到端的掌静脉识别。Aung 等人[27]应用Jerman增强滤波器来增强静脉ROI图像，训练了具有三重态损失的生成对抗神经网络（GAN）。Marattukalam等人[28]提出了一种级联掌静脉神经网络识别的架构，用于识别少量数据集的手掌静脉。Li等人[29]提出了双峰掌纹融合网络（BPFNet），该网络专注于图像级的ROI定位、对齐和双峰图像融合。BPFNet是一个包含两个子网的端到端的神经网络框架：上游，检测网络基于包围盒预测直接回归掌纹ROI，并通过平移估计进行对齐；在下游，双模融合网络利用提出的新的跨模式选择方案，实现双模感兴趣区域图像融合。Zhao 等在文献[30]中提出了一种基于多视图和判别的双重学习的新型方法，该方法使用双连接策略，对于每个人，来自不同视图的特征可以在二进制标签空间中彼此接近，对于同一个人的每种视图，共享相同标签信息的功能可以通过强加邻居图正规化来相互移动。所提出的方法可以灵活地应用于任何类型的手掌特征融合。此外，它在低维度子空间中引入了多视图功能，从而有效地降低了计算复杂性。现有的手掌静脉识别数据集通常在近红外光下采集，缺乏对属性（如位姿）的详细注释，因此不同属性对静脉识别的影响研究较少。因此Salazar Jurado等人[31]研究了合成的静脉图像的适用性，以弥补公共可用大规模数据集的缺乏。 一般的静脉识别都是基于二维静脉图像进行识别，随着技术的发展和安全需求的不断提升，出现了三维静脉识别技术[32]。三维静脉相对二维静脉具有携带信息量更大、鲁棒性更好和抗仿冒攻击能力更强，具有很大的研究空间和潜力。Wang等 [33]提出一种基于光声成像的新型手掌血管生物识别传感系统，利用超声波可以高分辨率地可视化深层组织中的光学吸收。该系统由超声线性传感器阵列和波长为1064 nm的激光发射器组成，通过扫描阵列，可以获得手掌脉管系统的3D图像。与传统的静脉传感技术相比，该系统具有更深的成像深度和更好的空间分辨率，但与其他低成本识别设备相比，该系统太昂贵了，无法实现典型的静脉识别应用。

3.掌静脉核心技术

掌静脉识别技术包括注册过程、识别过程。 掌静脉注册阶段，首先对掌静脉图像采集，通过近红外成像方式获取手掌皮肤下3mm以内的血管纹理分布信息，对获得的静脉图像进行图像校正、增强处理，随后通过传统的特征提取算法或者深度神经网络的方法，提取静脉的方向、曲率、宽度、距离等信息构成特征向量作为原始模版，将其存储在静脉数据库或者硬件存储中。 在进行掌静脉识别过程时，通过掌静脉识别设备对掌静脉图像进行实时采集，获取手掌静脉图像，采用与训练阶段相同的图像处理方法和特征提取方法得到静脉特征，计算提取到的特征与预先保存在特征库中的已注册特征进行对比匹配，最后根据相似度确定用户的身份。 图4 掌静脉识别系统流程图 传统的手掌静脉图像识别算法的关键方法主要有：① 基于静脉图谱的模板匹配算法。此类算法是在原始图像上提取出静脉线形信息，进行二值化，得到模板特征，采用模板卷积匹配的方法进行相似度计算。② 基于子空间的图像分类算法。选择一定数量的静脉图像样本，分别对其进行静脉增强和降维处理，随后训练一个分类器模型，使用训练好的模型便可对原始图像进行分类识别。③ 基于特征点提取的特征匹配方法。从原始图像中提取出具有特异性的关键点，如静脉的端点、分叉点、角点等，典型的算法包括SIFT特征、SURF特征、Minutiae特征等。④局部编码的静脉中心线匹配方法，对线形的静脉特征进行分段编码，匹配过程中对分段信息进行匹配，不同分段之间不需要保持绝对相同的位置偏移，提高了对图像旋转和变形的适应性。⑤ 基于深度框架的自学习特征方法，对多层网络参数适配，建立输入、输出节点之间的最佳非线性拟合网络，使经过深层网络映射的物体样本与样本标记之间关系尽量逼近真实分布，从而获得最大概率分布。 基于深度学习的掌静脉识别技术是完成以图像分类为目标的识别技术，通过对海量掌静脉数据的学习，将手部图像作为输入到深度卷积神经网络中对ROI进行自适应分类和定位，计算用于分类和回归的各种概率边界框，实现ROI对手掌静脉图像的高精度分割。随后使用ROI分割的张静脉图像训练了深度编码器-解码器网络。该网络由一个特征提取器（ Feature Extractor, FE）组成，对掌静脉图像进行特征编码，训练出具有泛化能力和分辨能力的更有利于匹配的图像特征。训练过程中，还需要对输入数据和中间层的数据进行归一化操作，保证网络在反向传播中采用随机梯度下降（SGD），经过对多层网络参数的调整，最终建立起输入、输出节点之间的最佳非线性拟合网络，通过深度学习选择最具区分性的特征，扩大类外间距，缩小类内距离，形成具有高精度、高准确、快速、实时、鲁棒的深度学习掌静脉识别系统。

4.掌静脉识别技术硬件实现

静脉图像捕获是识别的基础，好的硬件设计能极大地发挥掌静脉识别算法的识别能力和精度，是掌静脉识别技术落地的关键因素和基础。掌静脉模组按使用功能可以分为掌静脉采集模组和掌静脉识别模组。掌静脉采集模组只实现图像采集功能，不需要进行特征比对，而是掌静脉识别模组同时具备采集、计算和存储功能。 图5 掌静脉识别模块硬件构成 掌静脉采集主要采用的是反射式成像原理，模组包括红外滤光片、光源部分、摄像头部分、主控芯片、电路等核心部分。其中，红外滤光片作用是透过特定波长的近红外光，过滤环境光，提高成像对比度；光源部分的作用是发出近红外光源照射手掌，光源布置方式为四边形或者环形，包括正方形、矩形、圆形、椭圆形，光源尺寸需要根据所需部署空间尺寸、手掌识别距离进行优化；摄像头部分的作用是拍摄掌静脉图像，采用感光灵敏度高的摄像头芯片，可以提高采集静脉图像的质量；主控芯片的作用是光源控制和掌静脉图像的采集、存储、计算、识别以及通信等等。通过对这些核心部分进行合理设计，选择性能、参数合适的元器件，将元器件封装放置（布局）在电路板上，然后根据原理图飞线连接其电信号（布线），经过功能调试才能完成掌静脉识别模组的硬件系统。最终将研究的掌静脉识别算法落地部署到设计好的硬件上，才能实现软硬一体的掌静脉识别系统。

5.掌静脉识别技术落地应用

掌静脉识别技术应用范围广泛，不仅可以应用于安防门禁、轨道交通、金融支付，也可应用于企业管理、智能楼宇、智慧社区、智慧园区、智慧城市、景区票务、医疗服务身份认证、公安司法、军工保密等多个领域。 图6. 掌静脉识别模组非接触式认证方案 掌静脉识别系统部署在门禁机、电梯梯控、公司园区等需要人员管理、安全管控、金融支付的场景，可以对不同的通道可以授予不同的人不同的出入权限，实现对出入通道的多级控制管理，系统可联网实时监控，保障安全。

6.总结

掌静脉识别技术，利用静脉中的脱氧血红蛋白与其他生理组织对近红外光的吸收率差异，采取近红外反射成像方式，获取到体内的静脉图谱信息，将静脉特征数字化，以此作为身份信息识别认证的依据，具有高度防伪、高度准确、特性稳定和使用方便的特点，可实现完全非接触式、非限位的活体特征识别，适用于对安全性、用户体验和识别速度均有较高要求的应用环境。掌静脉识别技术的实现不只需要图像处理算法和高精度的掌静脉识别算法，还需要良好的硬件设备。目前，市场上已经开发出了相对成熟的掌静脉模组，能实现掌静脉采集和识别一体化，实现掌静脉技术落地应用，安全卫生，方便快捷，可广泛应用于各类场景。

参考文献

[1] Haghighat M，Zonouz S，Abdel-Mottaleb M．CloudID: trustworthy cloud-based and cross-enterprise biometric identification［J］．Expert Systems with Applications，2015，42( 21) : 7905-7916． [2] Huang Liang，Tang Ju，Ling Chao，et al．Pattern recognition for partial discharge based on multi-feature fusion technology［J］． High Voltage Engineering，2015，41( 3) : 947-955． [3]Jia W,Gao J , Xia W ,et al. A Performance Evaluation of Classic Convolutional Neural Networks for 2D and 3D Palmprint and Palm Vein Recognition[J].2021. [4]Wang M ,Deng W .Deep Face Recognition: A Survey[J]. arXiv, 2018. [5]Raghavendra R，Raja K B，Busch C． Exploring the usefulness of light field cameras for biometrics: an empirical study on face and iris recognition［J］．IEEE Trans on Information Forensics ＆ Security，2016，11( 5) : 922-936． [6]Kumar A，Kwong C．Towards contactless，low-cost and accurate 3D fingerprint identification ［J］．IEEE Trans on Pattern Analysis ＆ Machine Intelligence，2015，37( 3) : 681-696． [7]Hr A , Ls A , Jian G A , et al. Finger vein recognition system with template protection based on convolutional neural network[J]. Knowledge -Based Systems, 2021. [8]Guo X , Zhang P , Wang C , et al. A novel deep learning model for palmprint/palmvein recognition[J]. IEEE Access, 2021, PP(99):1-1. [9]Wang Yiding， Wang Congcong． Heterogeneity recognition of dorsal hand vein based on multi-template fusion［J］． Application Research of Computers，2017，34( 3) : 928-932． [10]Desplanques B, Thienpondt J, Demuynck K. Ecapa-tdnn: Emphasized channel attention, propagation and aggregation in tdnn based speaker verification[J]. arXiv preprint arXiv:2005.07143, 2020. [11]MacGregor P and Welford R．1991．Veincheck: imaging for security and personnel identification． Advanced Imaging，6( 7) : 52-56 [12]Toh K A, Eng H L, Choo Y S, et al. Identity verification through palm vein and crease texture[C].International conference on biometrics. Springer, Berlin, Heidelberg, 2006: 546-553. [13]Yi-Bo Zhang; Qin Li;Jane You;Prabir Bhattacharya;Palm Vein Extraction and Matching for Personal Authentication,2007. [14]Jian-Gang Wang;Wei-Yun Yau;Andy Suwandy; Eric Sung; Person Recognition By Fusing Palmprint and Palm Vein Images Based on “Laplacianpalm” Representation,PATTERN RECOGNIT.2008. [15]Pierre-Olivier Ladoux;Christophe Rosenberger;Bernadette Dorizzi;Palm Vein Verification System Based on SIFT Matching,2009. [16]Yingbo Zhou; Ajay Kumar;Human Identification Using Palm-Vein Images,IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY,2011. [17]Han W Y, Lee J C. Palm vein recognition using adaptive Gabor filter[J]. Expert Systems with Applications, 2012, 39(18): 13225-13234. [18]Wenxiong Kang; Qiuxia Wu;Contactless Palm Vein Recognition Using A Mutual Foreground-Based Local Binary Pattern,IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY,2014. [19] Perwira D Y，Agung B W T and Sulistiyo M D．2014．Personal palm vein identification using principal component analysis and probabilistic neural network / Proceedings of 2014 International Conference on Information Technology Systems and Innovation ( ICITSI ) ．Bandung，Indonesia: IEEE: 99-104 ［DOI: 10． 1109 / ICITSI． 2014． 7048245］ [20] Li Q，Li X，Guo Z H and You J． 2015． Online personal verification by palmvein image through palmprint-like and palmvein information． Neurocomputing，147: 364-371 [21] Yan X K，Kang W X，Deng F Q and Wu Q X． 2015． Palm vein recognition based on multi-sampling and feature-level fusion． Neurocomputing，151: 798-807 [22] Bharathi S and Sudhakar Ｒ． 2019． Biometric recognition using finger and palm vein images． Soft Computing，23( 6) : 1843-1855 [23] Aberni Y，Boubchir L and Daachi B． 2020． Palm vein recognition based on competitive coding scheme using multi-scale local binary pattern with ant colony optimization． Pattern Ｒecognition Letters，136: 101-110 [24] Ahmad F，Cheng L M and Khan A． 2020． Lightweight and privacy-preserving template generation for palm-vein-based human recognition． IEEE Transactions on Information Forensics and Security， 15: 184-194 [25]Wei Wu;Stephen J. Elliott; Sen Lin;Shenshen Sun; YanDong Tang;Review of Palm Vein Recognition,IET BIOM.,2020. [26] Thapar D，Jaswal G，Nigam A and Kanhangad V．2019．PVSNet: palm vein authentication Siamese network trained using triplet loss and adaptive hard mining by learning enforced domain specific features / / Proceedings of the 5th IEEE International Conference on Identity， Security， and Behavior Analysis ( ISBA ) ． Hyderabad， India: IEEE: 1-8 [27]Aung Si Min Htet; Hyo Jong Lee;TripletGAN VeinNet: Palm Vein Recognition Based on Generative Adversarial Network and Triplet Loss,2021 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND ARTIFICIAL INTELLIGENCE (ICCEAI),2021. [28]Felix Marattukalam; Waleed H. Abdulla; Akshya Swain; N-shot Palm Vein Verification Using Siamese Networks,ARXIV,2021. [29] Zhaoqun Li;Xu Liang;Dandan Fan;Jinxing Li;David Zhang;BPFNet: A Unified Framework for Bimodal Palmprint Alignment and Fusion,ARXIV,2021. [30]Zhao S,Wu J, Fei L, et al. Double-cohesion learning based multiview and discriminant palmprint recognition[J]. Information Fusion, 2022, 83: 96-109. [31] Salazar-Jurado E H, Hernández-García R, Vilches-Ponce K, et al. Towards the Generation of Synthetic Images of Palm Vein Patterns: A Review[J]. arXiv preprint arXiv:2205.10179, 2022. [32] Kang W X，Liu H D，Luo W and Deng F Q． 2020b． Study of a full-view 3D finger vein verification technique． IEEE Transactions on Information Forensics and Security，15: 1175-1189 [33] Wang, Y., Li, Z., Vu, T., et al.: A robust and secure palm vessel biometric sensing system based on photoacoustics, IEEE Sens. J., 2018, 18, (14), pp. 5993–6000