手指靜脈身份識別技術最新進展

譚營，王軍

(1.北京大學機器感知與智能教育部重點實驗室，北京 100871;2.北京大學信息科學技術學院，北京 100871)

手指靜脈身份識別技術最新進展

譚營1，2，王軍1，2

(1.北京大學機器感知與智能教育部重點實驗室，北京 100871;2.北京大學信息科學技術學院，北京 100871)

基于手指靜脈的身份識別是一種新興的生物身份識別技術，由于手指靜脈身份識別具有強防偽、低成本、易獲取等優良特性，在許多領域得到廣泛應用，成為一種最重要的生物識別技術之一.對手指靜脈身份識別技術的現狀和發展進行了總結和評述.首先，回顧了手指靜脈身份識別的起源和發展過程，然后，總結了該技術的通用實現流程，對實現手指靜脈的幾大關鍵技術(如樣本獲取、圖像增強、特征提取和匹配方法等)的最新研究成果進行了全面介紹.進一步，對現有典型方法的性能進行了系統評估.最后，總結了現有手指靜脈識別技術的應用現狀，展望了其發展前景，并指明了下一步的研究方向.

生物特征身份識別;手指靜脈;圖像增強;特征提取;模式匹配

當今社會，隨著人們交往范圍的擴大和業務溝通的頻繁，越來越需要自動確定交往對象的身 份.隨著人們對于安全的重視，身份識別己經不限于傳統的金融、政府、機場等要害部門，也越來越多地出現在智能化樓宇、個人電腦訪問、ATM取款、考勤和門禁等民用領域.這些身份管理的中心任務是判定個體的身份，它可被視為特定身份管理系統中與個體相關聯的信息［1－4］.身份識別包括2個方面:認證(authentication)是指確定對象的身份;授權(authorization)是與認證密切相關的一種操作，經過認證的用戶被賦予執行特殊業務的權力［4］.

在當今的數字化時代，身份識別往往都是通過計算機來自動進行.當面對一個計算機系統時，如何辨識一個人一般基于3種方式:你知道什么，你有什么和你是什么［4］.第1個層面:“你知道什么”，就是傳統的口令和PIN碼方式.這是一種低可靠性的方式，口令或PIN碼可能會遺忘或丟失，也可能被竊取或猜測出.第2個層面“你有什么”，常用的有IC卡或電子口令卡的方式，中國古代的虎符也是這種方式，這種身份證明方式的風險也是可能丟失或被盜用.生物特征識別第3種方式“你是什么”，就是通過檢測對象的本身所特有的屬性來確定身份.這種方式目前是最為安全可靠的身份識別方式，因為它只屬于個體所有而且難于被竊取和偽造.自動的生物識別系統出現也不過是近幾十年的事，這是得益于計算機處理技術的突飛猛進，但是識別方式的許多創意卻己有數百年甚至上千年的歷史.從文明起源開始，人們就會通過人臉來判別熟人或生人［2，5］.基于生物特征的身份識別通常分為基于行為和物理2類.行為方式包括簽名識別、聲音識別、擊鍵習慣、步態分析等;物理方式包括指紋［6］、虹膜［7］、人臉、掌紋、掌形、DNA、手掌靜脈、手指靜脈等［1－2］.

最新出現的生物身份識別技術是手掌血管模式(hand vascular pattern)，這是通過分辨手部血管的網絡模式來辨別個體身份.其基本原理是不同個體的血管模式是不同的，而個體本身卻保持穩定，因此可以用來區分個體.1992年Shimizu最早關注到手掌血管模式的潛在應用［8］.1995年 Cross和 Smith使用熱成像技術來獲取手背的血管模式并將其應用到生物身份識別［9］.

2000年Kono等提出僅需檢測手指中的靜脈就能進行個體的身份驗證［10］.血管識別技術分成了3個分支，分別是手掌、掌背血管和手指靜脈［1］.

手指靜脈模式一經提出就受到了學界［3，11－14］和商界［15－18］的廣泛關注.Yanagawa 等對不同性別、不同年齡段的506個人手指進行統計發現，不僅不同人處于同一位置的手指靜脈特征不同，同一個人在不同位置的手指靜脈特征也有明顯差異，能夠清楚地區分開［19］.與其他血管模式相比，它具備其他血管模式的所有優點，并且由于手指的靈活性帶來獲取設備的多樣化和小型化.與其他的基于生物特征的身份識別方式相比，手指靜脈有如下優勢［11，17，20］:

1)具有很強的普遍性和惟一性，絕大多數人的靜脈血管圖像隨著年齡增長不會發生根本性的變化，而不同人擁有不同的靜脈圖像.

2)由于手指靜脈藏匿于身體內部，所以不存在仿制或失竊的風險，人類手部表面的皮膚條件不會對識別工作造成影響.

3)采用紅外線成像技術，其非侵入性和非接觸性，可以確保使用者的便捷性和清潔性.

4)由于手指靜脈的形狀相對穩定，在CCD上的成像也較為清晰，可以采用低分辨率設備進行樣本采集，得到較小尺寸的樣本圖片，圖像處理方法也相對簡單.目前，基于手指靜脈的身份識別裝置己經應用在ATM機、汽車點火裝置、門禁和計算機安全等諸多方面［13，17，21］.在這些方面，手指靜脈己經開始逐步取代傳統的生物身份識別技術，如指紋、掌紋、虹膜等.

1 手指靜脈身份識別原理與流程

1.1 原理

手指靜脈身份識別的原理是:當使用波長為700～1 000 nm的紅外光源照射手指時，紅外線會穿透多數人體組織，靜脈中的血紅素會吸收這些波長的紅外線，因此，靜脈的光反射就會低于周圍的組織，手指靜脈圖像就可以使用紅外敏感的CCD(charge－couple device) 攝像頭來獲取到［9－12，22］，通過比較輸入手指靜脈的紅外圖像特征與預先存儲的個體的圖像特征，就可以實現對身份進行判別.

1.2 流程

手指靜脈身份識別的一般流程如圖1所示，按照功能劃分可大體分為3個模塊:注冊、匹配和判別［3，12］.

圖1 手指靜脈身份識別流程.Fig.1 Flowchart of finger vein authentication

1)注冊.注冊是構建用戶信息的過程，通過預先收集用戶的手指靜脈特征建立用戶特征數據庫.這一過程中包含了獲取手指靜脈圖像，對圖像進行預處理，提取特征，把特征模板存儲到數據庫中.

2)匹配.匹配是用戶信息驗證的過程.在需要進行用戶身份驗證的時候，采集用戶的手指靜脈圖像用于比對.該過程包括獲取手指靜脈圖像、圖像預處理和特征提取3部分.這一過程與注冊過程相似，但是也有許多不同，除了在處理流程上與注冊過程不同外，也有很多方法在注冊和匹配過程中使用了不同的特征提取方法.

3)判別.手指靜脈的特征判別是對輸入的用戶手指靜脈特征與數據庫中的存儲特征進行比對，輸出判別結果.判別過程又分為認證和識別.所謂認證是指判斷輸入的手指靜脈特征是否屬于特定用戶，是一對一的匹配過程.而識別是指判定輸入的手指靜脈特征是哪一個用戶，是一對多的匹配.

2 手指靜脈身份識別的關鍵技術

2.1 手指靜脈圖像的獲取

獲取手指靜脈的圖像是手指靜脈身份識別的基礎，通過對手指靜脈圖像及其處理結果進行個體分辨.本節首先介紹獲取手指靜脈圖像的研究.

2.1.1 手掌血管圖像的獲取

手指靜脈研究是手掌血管研究的進一步拓展，最初的手指靜脈獲取設備也是從手掌血管研究領域的沿用.因此，首先介紹手掌血管的獲取方法.手掌上的血管被皮膚和肌肉覆蓋，肉眼很難觀察到，使用普通的圖像采集設備也無法獲得足夠清晰的血管圖像.很多研究者利用了血管的物理特性，使用各種輔助手段來獲取清晰的血管圖像.根據采用的原理不同，主要分為2個分支:

1)利用熱成像原理獲取靜脈圖像.

1993年，Mehnert等［23］發現能在紅外光譜中通過熱成像標記血管并剔除其他部位的方法獲取清晰的血管圖像.原理是血管與周圍組織的溫度差異比裸眼所見的差異要明顯得多.但是由于當時設備的靈敏度不夠和成本的原因，這一方法所取得的靜脈圖像效果不是很好.

2004 年，Lin和 Fan［24］提出一種使用熱成像的方法來獲取掌背靜脈血管圖像的方法.原理同樣是基于靜脈血管與周圍皮膚的溫度不同，并且皮膚的溫度形成一定的梯度，通過熱輻射定律—Stefan－Boltzmann定律［25］，使用式(1)來獲得靜脈的熱成像.

式中:W是光輻射(W/cm2)，ε是輻射率，σ是Stefan－Boltzmann 常數(約為5.670 5 × 10－12W/cm2)，T是目標的表面溫度單位.

人體的紅外輻射依賴于皮膚的輻射度、皮膚溫度、空氣分子組成、空氣濕度以及成像設備與皮膚的距離等［25］.從Planck曲線可以看到，光譜輻射度與波長有關［25］.從式(1)中可以看出，σ 是常數，ε 對于同類探測目標也是常數，如果采集設備能夠避免空氣變化的直接影響，介質的影響也可被忽略.因此皮膚表面溫度T直接決定W，也就決定了圖像的對比度和質量.使用工作波長為3～5 μm或8～14 μm的紅外攝像頭就可以避開400～700 nm的可見光范圍，取得清晰的紅外圖像.

2)利用血管對紅外線吸收的特性獲取靜脈圖像.

1995年，Cross等［9］在研究中發現，雖然普通CCD被設計為工作在可見光區域，但對于近紅外光譜仍然足夠敏感，工作光譜能夠達到1 100 nm.人體向外輻射紅外線在光譜3 000～14 000 nm時達到峰值10 W/cm2［25］.CCD的工作頻率范圍不足以達到捕獲人體紅外輻射峰值的能力，而且人體輻射紅外線也太弱，無法被CCD所捕獲.他們使用波長為900 nm的冷紅外光源照射手掌，發現靜脈中的血紅素吸收多數的紅外光而周圍組織基本不吸收紅外光，靜脈在圖像上比周圍組織更暗，因此CCD能夠清晰的獲取到靜脈的圖像.之后，Zhao等［14］用類似 Cross等［9］的方法使用低成本的CCD來獲取到清晰的手掌血管圖像.這是因為，盡管普通WEB攝像頭CCD的感光峰值處于可見光范圍內，在近紅外波段己經大大降低，但是也有較好的響應［22］，使用這種方式，就能大大降低采集設備的成本.

2.1.2 手指靜脈圖像的獲取

手指靜脈圖像獲取方法基本上都是根據Cross等［9］的方法的原理，使用波長為700～1 000 nm的紅外光源照射手指，紅外線會穿透多數人體組織，靜脈中的血紅素會吸收這些波長的紅外線，手指靜脈會在 CCD 上成像出來［11－12，22］.

2002年 Kono等［26］首先用波長為810 nm的LED近紅外光源照射，從CCD中獲取到靜脈成像.LED陣列照射手指時，由于手指厚度不同，因此光線強弱不均，因此需要手動調節不同位置燈的強度(如圖2).

圖2 Kono等的方法采集的手指靜脈圖像［26］Fig.2 Finger vein image captured by Kono et al’s method［26］

2006年Hashimoto總結了Hitachi公司的研究成果，比較了使用不同角度光源對成像的影響(如圖3)［17］.從圖3中可見，穿透式照射的成像效果最佳，但是占用空間比較大，影響了設備的小型化，反射式占用空間最小但是成像效果不佳.Hashimoto還給出了一種從兩側照射的設計方式，沒有給出效果圖，但從原理而言，是以上2種方法的折衷，在減小設備空間的同時也只付出少量的成像質量作為代價.

圖3 Hashimoto提出的采用不同光照方式進行圖像采集［17］Fig.3 Hashimoto’s proposed methods to obtain finger vein images by different illumination directions［17］

2008年Dai等［11］提出使用一種自適應的可控光源方法來實現手指靜脈采集中的光照一致.攝像頭根據收到圖像中的光線強度分配將調節信息反饋到光源控制單元，調整不同位置的光強，使得獲 取的圖像光照均衡.這樣有效地提高了手指靜脈紅外圖像的質量(如圖5).

圖4 Hashimoto方法采集的手指靜脈圖像［17］Fig.4 Finger vein images captured by Hashimoto’s method ［17］

圖5 Dai等的方法采集的CCD成像的手指靜脈圖像［11］Fig.5 Finger vein image captured by Dai et al＇s method［11］

2.2 手指靜脈圖像的預處理

由圖像獲取裝置直接得到的手指靜脈圖像是不能直接用于后續處理.因為，首先圖像可能會有偏移和變形，其次圖像中存在大量的噪聲信息，影響到對有用信息的解讀.因此，通過對圖像進行必要的預處理使之能夠更符合后續操作的要求具有重要的實用意義［27－28］.紅外設備獲取到的手指靜脈圖像需要進行如下的預處理過程，將其轉化為適合處理的對象( 如圖 6)［3，29］.

圖6 手指靜脈紅外圖像預處理流程Fig.6 Pre-processing procedures of infrared finger vein image

1)歸一化圖像.歸一化是指把圖像處理成統一規格的圖像.將圖像大小變換到適合處理的統一尺寸，既可以提高處理速度，又保證了匹配是在有效的范圍內進行.

2)校準.在獲取手指靜脈的紅外圖像時，很難保證手指的位置完全一致.手指的放置可能會偏離CCD主軸線，存在偏移和傾斜2種影響圖像質量的因素.

3)邊界檢測.設備獲取的手指靜脈紅外圖像包含背景噪聲，在特征提取時會影響到有效特征的獲取.為了獲取關注的區域(region of interest，ROI)中的靜脈特征圖像，需要去除背景，保留手指圖像.這一操作通過檢測手指邊緣與背景的灰度梯度變化來獲得.

4)圖像增強.圖像增強技術是預處理工作的另一個重要方面，其主要作用一是去除圖像中的噪聲，二是增強關注的特征［30－31］.經過增強的圖像消除了噪聲影響，使特征更為明顯，可以有效地提高特征提取的質量，以利后續的其他方法使用.通過對廉價設備采集的圖像進行增強處理，提高特征提取質量，在保證識別率的情況下，就可以不必采用昂貴的采集設備，降低成本.傳統的圖像增強方法分為頻域和空間域方法兩大類別［32］.頻域的圖像處理方法是一維信號處理在二維空間的擴展［27，32－33］.

這其中最為關鍵的環節是圖像增強處理，通過提高圖像的品質能夠有效地提取出更加完整的特征.前面提到的濾波算法的去噪能力是有限的，另一方面，在去除噪聲的同時也模糊了圖像的細節，不能滿足后續的特征提取的需要.在傳統的基于濾波的圖像增強操作上，己經有研究者使用遺傳算法(genetic algorithm，GA)或遺傳規劃算法(genetic programming，GP)來自動生成基本操作的序列組合［34－35］.這一途徑有效地解決了搜索空間巨大的問題，但是由于缺乏對訓練結果的有效評估方法，仍然需要人工干預.GA與GP的形態學操作算法使用圖像本身和指令代碼作為端點集，圖像操作的命令作為函數集，這一分支明顯對于圖像處理有更強的針對性［36－38］.同時，在進化過程中對于圖像效果增強使用自動評估的方式［39］，能夠有效地提高進化的效果，避免人為干預，實現圖像增強的自動進行.由Wang 和 Tan 等［40－41］采用 GP 結合形態學圖像處理對手指靜脈紅外圖像增強進行了研究.通過這一方法手指靜脈紅外圖像得到了很好的增強，能夠提取出來更清晰連續的特征，得到更好的識別效果.

2.3 手指靜脈特征提取方法

由于手指靜脈隱藏于皮膚下面，由紅外CCD獲取的圖像經過預處理后效果有所提升，但并不能清晰到能直接用于匹配.為了提高匹配的效果和運算的效率，需要從圖像中提取出靜脈的特征，以此作為匹配的依據.

2.3.1 沿用手掌靜脈特征提取方法

在手指靜脈之前，很多研究者對手掌靜脈的特征提取研究己經有很多年了，并提出了很多有效的方法.因此，首先研究提取手掌靜脈的方法，并試圖將一些典型方法用于手指靜脈的特征提取.

2000年Im等提出一種基于高效DSP芯片處理的手掌靜脈特征提取方法［42－43］，它集成了低通濾波、高通濾波、閾值化等操作.這一方法，不必使用計算機來進行處理，實現了設備的小型化，但是由于處理方法和處理能力的有限，特征提取效果不佳.

2005年丁宇航等［44］提出了使用動態閾值的方法來提取手掌靜脈特征的方法(TIM).其原理是靜脈在圖像上的成像會比背景圖像暗，并且靜脈占據的空間少于背景，因此計算某點鄰域的平均值，如果低于這個均制就認為是靜脈特征.該方法用于手掌靜脈特征提取時極易受到噪聲的影響，需要前置的濾波去噪.該方法提取到的手掌靜脈圖像，雖然手掌靜脈的圖像較為清晰，但提取出的靜脈特征仍有大量的噪聲信號.把該方法實現后應用到手指靜脈的特征提取時，發現即使經過平滑濾波，最終結果仍然有大量的噪點，而且由于窗口選擇比較大，運算速度較慢.

2006年王凌宇［45］提出利用Watershed方法提取手掌靜脈的圖像，取得了不錯的效果.Watershed方法是一種形態學圖像操作方法，模擬對象沉入水底，這個過程中在脊線上建立起分割不同區域的大壩，最終完成對不同區域的分割［32，46］.2009 年 Wang Kejun 等［47］進一步對該方法進行了研究，使用標注最低點的方法來獲取較好的分割，但是將該方法實現應用到手指靜脈特征的提取后發現效果不佳.原因是手指靜脈圖像相對于手掌太小，過于密集，手掌靜脈提取可以只考慮較粗的靜脈，能夠保證足夠的特征，但是手指靜脈必須提取到很細的靜脈.究其原因，還是由于獲取圖像的噪聲過多，最終導致圖像過于破裂，這也是Watershed方法本身的限制［32，46］.

2.3.2 手指靜脈特征提取方法

手掌靜脈的特征提取方法直接用于手指靜脈效果不明顯，很多研究者針對手指靜脈的特點提出了針對手指靜脈的特征提取方法.

2004年Miura等［12］提出一種沿著靜脈方向提取靜脈特征的算法.如圖7所示，假設當前己經處理完畢的點在(xc，yc)，在以此點為圓心，半徑為r的圓上點p中選取(s+t－2p)值最大的θ角度作為前進方向，重復這一過程直到靜脈的末端.這一方法的原理是靜脈底部的灰度值低于兩側的背景，通過這一特性將靜脈檢測出來.雖然該方法對于質量較好的圖像比較有效，但應用在噪聲較大的紅外圖像下，效果就很差.如圖7中s、t、p 3個點，如果任意一個點是個噪聲點(過高或者過低的灰度)，那么結果就會受到影響.

2005年Miura［48］又提出一種通過檢測橫截面上曲線變化來判斷靜脈特征的算法.這一方法同樣利用了靜脈圖像的灰度特征，故該方法也易受噪聲的影響.

圖7 沿靜脈方向提取特征Fig.7 Feature extraction along vein direction

2006 年，Hashimoto［17］提出了谷型算法，它利用靜脈的橫截面在紅外CCD上的成像是由淺到深然后再變淺的特性，這樣灰度值在這個剖面上就是一個山谷的形狀，如圖8所示.這種山谷形狀不隨著靜脈的方向改變而產生變化，通過對谷型谷底的檢測，就得到相應的靜脈圖像.這種方法的優勢在于不需要前置的去噪過程，具備了較快的計算速度.但是根據研究發現，當圖像清晰度較高的時候，這種方法能夠忽略掉少量噪聲，但是當圖像噪聲較大時，這種方法效果就不好，2008年余成波等［20］在此基礎上作了改進(VR)，使用模板的方法進行快速的谷型驗證，提高了計算速度，但是更易受到噪聲的影響.

圖8 靜脈圖像的山谷狀橫截面Fig.8 The valley region of the cross section of finger vein image

2.3.3 頻率域的手指靜脈特征提取

以上方法都是通過空間域圖像處理，然后提取手指靜脈圖像的特征.還有研究者采用頻率域圖像處理，基于頻率域的特征進行手指靜脈圖像的特征提取，如離散余弦變換(DCT)、離散小波變換(DWT)［49］、Randon 變換［13］.由于靜脈特征與周圍的像素具有很強的相關性，因此通過少量在變換域的特征點就能夠代表整幅圖像的內容.頻率域的變換也有很獨特的特性，如Randon變換對仿射變換不敏感，因此對于圖像旋轉具有很強的魯棒性［13］.

2.3.4 小結

根據對以上各種方法的總結，應當針對手指靜脈圖像的特點來進行特征提取研究.手指靜脈成像中靜脈底部的灰度值低于兩側的背景，根據手指靜脈成像時與背景形成的局部特征來提取手指靜脈特征，就會得到比較好的結果，如文獻［12，17］，但是此類方法的效果均易受到噪聲的影響.借鑒頻域處理方法中，考察靜脈特征與周圍的像素具有很強的相關性，變換域的少量特征點就能夠代表全局信息.因此，綜合考慮局部信息和全局信息，從2個方面進行特征提取的研究，以這2類信息的綜合作為手指靜脈特征，這是解決這一問題的有效途徑.

2.4 手指靜脈特征匹配方法

根據手指靜脈的圖像鑒別個人身份是一個典型模式識別問題，即給定一個手指靜脈圖像，根據數據庫中存儲的己有圖像，判別其是否符合數據庫中的樣本來鑒別身份.模式識別的方法主要分為基于模板匹配、基于統計、基于句法分析和基于神經網絡等［50］.就手指靜脈特征的模式匹配，有結構化匹配、模板匹配方式和智能方法.

2.4.1 結構化的手指靜脈特征匹配

結構化匹配是提取特征點集，包括線條的端點和分叉點，然后匹配相應的點.這一方法在手掌靜脈特征匹配中應用得較多［44，51－53］，分別使用靜脈的端點和分叉點來匹配手掌靜脈.由于手掌靜脈比較清晰，因此所能獲取的特征端點能夠起到較好的匹配效果.也有研究者將這種方法應用到手指靜脈的特征匹配上［11，29］，但是手指靜脈本身尺寸較小，并且獲取的特征不夠清晰，能夠得到的端點比較少，因此這種方法不適合手指靜脈特征匹配.

2.4.2 基于模板的手指靜脈特征匹配

模板匹配是最早應用于模式識別的方法，也是最簡單直觀的一種方法，通過度量樣本中的點或線條的距離或對應情況，來判斷相似程度［50］.手指靜脈的識別當前使用最多的也是基于模板匹配的方法，它是指給定2幅圖像，度量其相似度.2004年，Muira等［12］最早用模板匹配的方法進行手指靜脈特征匹配.為了避免直接的模板匹配受模式變形的影響，他們提出了“模糊空間”的概念，對于提取出的手指靜脈特征，忽略微小的錯誤來匹配.用于度量模板距離的常用方式有海明距離(Hamming distance)［4］和 Hausdorff距離［54－57］.

Hausdorff距離及其改進在手指靜脈特征匹配中應用得比較多.2005年 Wang等［58］使用線段Hausdorff(Line segment Hausdorff Distance)距離來進行手掌靜脈的匹配.這一方法能有效地避免Hausdorff距離的缺點，帶來更準確的匹配.2008年Wang等［51］采用了改進的 Hausdorff距離(modified Hausdorff distance)進行匹配.這一方法在匹配中比原始的 Hausdorff距離更為有效［59］.2009年 Yu等［29］使用改進的Hausdorff距離結合分支點來進行模板匹配.其方法是提取出的手指靜脈特征，經過細化后成為線條，計算測試圖像與目標圖像的改進Hausdorff距離，以此來判定圖像是否屬于同一類.2009年，Lee等［60］使用手指靜脈的分叉點和交叉點的MHD來進行特征匹配，效果不是很明顯.

2.4.3 采用智能分類技術的手指靜脈特征匹配

有的研究者使用智能方法來進行手指靜脈特征匹配.機器學習的手指靜脈匹配這一分支出現得比較晚，但是有較好的發展前景.目前用于其他身份識別技術的方法能直接拓展到這個領域［3］.這一分支把身份識別問題當作純粹的模式識別問題［3］，使用人工智能［13］或機器學習［61］的方法來處理.

2004年，Shimooka和Shimizu提出使用人工免疫的方法來進行手指靜脈的模板匹配［62］，使用手指靜脈圖像作為抗原，抗體是一些部分的模板，通過分割同一手指的圖像來獲得.自體和異體的描述通過正向選擇和反向選擇來進行.正向選擇是指減少難于與異體組織結合的淋巴細胞，反向選擇是減少與自體組織結合的淋巴細胞.這一方式有一定的效果，但性能還比較差.2009年，Wu和Ye提出了使用RBF(radial basis function)網絡和PNN(probabilistic neural network)來進行手指靜脈特征分類［13］，都取得了不錯的效果.2010年，Liu等［61］提出使用流型學習的方法來進行手指靜脈特征的分類，這一方法的效果與注冊時采集的樣本數量正相關，達到有效的性能需要采集數十個樣本，這樣就降低了可行性.

3 當前方法的性能評價

手指靜脈身份識別作為一種新興的生物識別技術，必須達到一定的安全強度才能取得人們應用的信心.Yanagawa［63］在文獻［19］中給出了足夠安全強度的指標預期值.IBG(international biometrics group)在對于Hitachi的商用手指靜脈識別裝置進行了測試.本文中介紹的各種方法大都給出了自己的實驗結果，也有些只是介紹了方法，對于方法使用的實際效果沒有給出.不同文獻中使用了不同的評價指標，根據分析發現，在各個方法中共有的對方法評價有意義的指標有如下5個:

1)錯誤匹配率 (false match rate，FMR)，也叫做FAR(false accept rate).用于度量輸入模式與數據庫中模板錯誤匹配的比例.即不該被認證的個體被系統錯誤接受的百分比.

2)FNMR(false non－match rate)是指錯誤未匹配率，也叫做FRR(false reject rate).用于度量輸入模式未被數據庫中模板匹配的比例.即本該被系統接受的輸入模式卻被拒絕的比例.FMR和FNMR是閾值T的函數，當T從0變化到1，FMR從1變化到0，與此同時，FNMR！Jl從0變化到1.

3)ROC(receiver operating curve)用于揭示FMR與FNMR的關系的曲線.以FMR和FNMR分別為縱橫坐標，所構成的曲線就是ROC曲線.

4)EER(equal error rate)是FMR與FNMR相等時的值.EER可從ROC曲線圖上得到(ROC曲線與y=x的交叉點).用于比較不同的ROC曲線的效果，一般來說，較小的EER代表較好的效果.

5)響應時間(response time).一個實用系統必須在識別率和識別速度上進行折衷.單個個體特征處理的時間和樣本空間的大小，決定了處理的整體時間.因此在樣本空間足夠大的時候就對單個個體的處理時間提出了要求.Tang在文獻［64］給出了一個犧牲少量精度的情況下，但是僅用了原有方法的0.4%的時間.這一結果是2種方法都是C++語言在 Windows7操 作 系 統 上，CPU 是 Intel E8400 3.00 GHz，4 GB內存條件下取得的.

表1和表2給出了各種方法的識別效果的比較.從表中可以看出有的方法盡管效果非常好，但是由于采用的數據集太小，并不能真正代表真實水準.由于公共數據集的缺乏，即使是給出應用效果的方法，往往也只是在自己的數據集上進行的測試.這些自行采集的數據集存在主要問題有:首先是數據集的規模較小，只有幾十個樣本和幾百幅圖像;其次是數據集的典型性不夠，采集的對象往往是在實驗室內部或者熟人之間;第三是采集設備參差不齊，采用高成本、高精度的設備取得的圖像本身質量較高，也未必能代表方法的有效性.這些原因使得各個方法的可信度受到質疑.現在公認的是，一個可信的數據集應該是包括不同的性別、種族和充分分散的年齡階段［51］.IBG在進行手指靜脈測試時，還考慮了在不同的日期進行測試，同一天的測試往往會比隔日的測試效果好些［63］.目前，文獻［65］提供了一個公共測試平臺，包括了5 208個人的50 700幅手指圖像，其他研究者可以提交自己算法的程序在此平臺上驗證.文獻［64，66］是這個平臺上的結果.這個數據集雖然在樣本數量上達到了要求，但是仍然存在人種和年齡分布較為單一的不足.

表1 典型方法的實驗條件Table 1 Experimental conditions of typical methods

表2 典型方法的技術特點與性能比較Table 2 The technique characteristics and performance comparisons of typical methods

4 手指靜脈身份識別的發展趨勢

4.1 應用前景

自從1997年第一個使用手掌血管模式的商用設備投入應用以來，上萬個使用手掌或手指靜脈身份驗證的設備被廣泛應用于存取控制、醫院、學校、銀行等部門.尤其是自手指靜脈模式得到重視后，其以設備小巧、成本低廉，更是取得了廣泛應用，己經在門禁、考勤等應用方面開始逐步取代指紋識別.根據IBG(International Biometric Group)2009年的報告，生物身份驗證己經是一個年度交易近50億美元的行業.盡管是最新出現的生物身份驗證技術，靜脈識別己經得到了廣泛的應用，己經占到了生物身份驗證市場的2.4%(如圖9)，并且份額還在逐步擴大［18］.Sony［16］、Hitachi［15］等公司都己推出了便攜的USB方式的驗證裝置.在2006年的IBG測試中，東芝公司的手指靜脈驗證裝置效果與IrisGuard的虹膜驗證效果不相伯仲［63］.2008年吳等提出用手指靜脈驗證汽車駕駛員的身份.2010年7月第一臺使用手指靜脈驗證身份的ATM設備在波蘭投入應用［21］.2006年Hashimoto對手指靜脈身份驗證的應用前景進行了展望［17］，目前來看，這些展望多數己經得到了實現.

圖9 2009年不同的生物特征身份識別所占市場份額［18］Fig.9 The market shares of different biometric authentications in 2009［18］

圖10 Hashimoto對手指靜脈識別發展的展望［17］Fig.10 Hashimoto’s prospect about the application of finger vein authentication［17］

4.2 技術研究方向

手指靜脈模式是一種相對較新的技術，但己經在生物身份識別領域受到廣泛重視.最近幾年來，很多研究者投入了大量的精力來提升這一技術.這一技術己經得到了廣泛的認同，并且己經得到廣泛應用，由此可以預見，將來會取得更大的發展.盡管手指靜脈模式提供了高準確度和高可靠性，其性能還是會受到某些外在條件的影響，例如過冷的天氣、不確定的干擾噪聲等.未來需要在以下幾個方面進行深入研究:

1)研究更有效的手指靜脈圖像獲取設備.獲取設備應當適應各種工作條件，并具有高可靠性，不受天氣、光照、溫度的影響.并且設備應該重點朝小型化發展，以便能應用到各種設備上.同樣地，設備也應朝低成本發展，提高用戶的接受程度.

2)研究高噪聲環境下的圖像增強算法.通過預處理操作，去除噪聲、陰影以及其他干擾，獲取到更加清晰的圖像特征，為了后續的操作能夠提取出更有效的特征.圖像增強效果的提高，同樣有助于降低設備的精度，進而可以降低整體的成本.

3)發展效率更高和更健壯的特征提取算法.獲取的手指紅外圖像由于是非接觸成像，而且本身具有很多噪聲，盡管經過圖像增強這一過程，仍然會有很多噪聲的影響，因此手指靜脈特征提取算法必須有很高的魯棒性.同時，由于采集設備和手指本身尺寸的限制，獲取的靜脈圖像尺寸很小，為了能夠有效地進行后續的比對，需要提取出盡可能連續和準確的靜脈模式.

4)發展準確度更高的匹配算法.有效的匹配算法能夠降低非匹配個體的分值，提高匹配個體的分值，并且能夠消除偏移、傾斜等情況對樣本的影響.選用有效的比較方法，能夠準確地表達手指靜脈樣式的信息，并給出更準確的識別率.并且，當輸入手指模式與數據庫中存儲的模式進行比較時，高效率的比較算法就能在同樣的時間內，完成更多的樣式比較，從而降低整體的識別時間，這對于提高用戶體驗具有重要意義.

5)多種生物識別方式的融合提高識別效率.目前對各種生物識別技術的研究都己很深入，有研究者綜合多種生物識別技術來提高整體識別效果，如王等［51，68］綜合手掌靜脈與掌紋來提高識別率.Hao等［69］綜合了指紋、掌紋、手掌形態和手掌靜脈的方式.也有研究者己經開始研究綜合指紋和手指靜脈的方式.這將提高識別效率并進一步防止外部侵入.

6)為廣泛應用而進行各項研究工作.手指靜脈身份識別在各個領域的應用需要進行核心軟件、軟件平臺和公共測試標準庫建設等方面的研究.通過這些工作，使得這一技術能夠推廣到實際應用中.

5 結束語

基于手指靜脈的身份識別是一種新興的生物身份識別技術，對該項技術的研究目前還處于上升階段.盡管己經有部分成果己經應用到日常生活中，但是還遠未達到成熟的程度.本文對手指靜脈身份識別的關鍵技術進行了詳盡的總結，并對現有的典型方法進行了充分的評價，發現了存在的問題，指明了下一步的發展方向.相信作為一種新興的生物特征身份識別技術，手指靜脈身份識別技術將在理論研究和商業應用方面都將獲得大力的發展，具有遠大的前景.

［1］DAVIS D，HIGGINS P，KORMARINSKI P，MARGUES J，ORLANS N，WAYMAN J.State of the art biometrics excellence roadmap［EB/OL］.［2008－09－15］.http://www.biometriccoe.gov/SABER/index.htm.

［2］JAIN A K，FLYNN P，ARUN A R.Handbook of biometrics［M］.Secaucus，NJ，USA:Springer－Verlag，2007:15－21.

［3］LUO F X，YU H，PAN J S，CHU S C，TSAI P W.A survey of vein recognition techniques［J］.Inform Technol J，2010(9):1142－1149.

［4］WEAVER A C.Biometric authentication［J］.Computer，2006，39(2):96－97.

［5］GOLDSTEIN A J，HARMON L D，LESK A B.Identification of human faces［J］.Proceedings of the IEEE，1971，59(5):748－760.

［6］LEE H C，GAENSSLEN R E.Advances in fingerprint technology［M］.2nd ed.Boca Raton，Florida，USA:CRC Press LLC，2001:10－15.

［7］WILLIAMS G O.Iris recognition technology，in security technology［C］//30th Annual 1996 International Carnahan Conference.［S.l.］，1996:46－59.

［8］SHIMIZU K.Optical trans－body imaging feasibility of optical CT and functional imaging of living body［J］.Medicina Philosophicas，1992，11:620－629.

［9］CROSS J M，SMITH C L.Thermographic imaging of the subcutaneous vascular network of the back of the hand for biometric identification［C］//IEEE International Carnahan Conference on Security Technology.Sanderstead， UK，1995:20－35.

［10］KONO M，UEKI H，UMEMURA S.A new method for the identification of individuals by using of vein pattern matching of a finger［C］//Proceedings of the Fifth Symposium on Pattern Measurement.Yamaguchi，Japan，2000:9－12.

［11］DAI Yanggang，HUANG Beining，LI Wenxin，XU Zhuoqun.A method for capturing the finger－vein image using nonuniform intensity infrared light［C］//Proceedings of the 2008 Congress on Image and Signal Processing.Washington，DC，USA，2008，4:501－505.

［12］MIURA N，NAGASAKA A，MIYATAKE T.Feature extraction of finger vein patterns based on iterative line tracking and its application to personal identification［J］.Systems and Computers in Japan，2004，35(7):61－71.

［13］WU Jianda，YE Siouhuan.Driver identification using finger－vein patterns with radon transform and neural network［J］.Expert Systems with Applications，2009，36(3):5793－5799.

［14］ZHAO Shi，WANG Yiding，WANG Yunhong.Extracting hand vein patterns from low－quality images:a new biometric technique using low－cost devices［C］//Fourth International Conference on Image and Graphics.Chengdu，China，2007:667－671.

［15］CORP H.Finger vein authentication technology.［EB/OL］.［2009－11－21］.http://www.hitachi.co.jp/products/it/veinid/global/index.html.

［16］Sony Corp.“mofiria”finger vein authentication technology［EB/OL］. ［2009－12－13］.http://www.sony.net/Sony－Info/technology/technology/theme/mofiria 01.html.

［17］HASHIMOTO J.Finger vein authentication technology and its future［C］//VLSI Circuits.Honolulu，USA，2006:5－8.

［18］IBG.Biometrics market and industry report 2009－2014［EB/OL］. ［2009－1－23］.http://www.biometricgroup.com/reports/public/market report.php.

［19］YANAGAWA T，AOKI S，OHYAMA T.Human finger vein images are diverse and its patterns are useful for personal identification［R］.MHF Preprint Series，Faculty of Mathematics，2007.

［20］YU Chengbo，QING Huafeng，ZHANG Lian.A research on extracting low quality human finger vein pattern characteristics［C］//The 2nd International Conference on Bioinformatics and Biomedical Engineering.Shanghai，China，2008:1876－1879.

［21］CNN.Biometric atm gives cash via‘finger vein’scan.［EB/OL］. ［2010－01－23］.http://edition.cnn.com/2010/WORLD/europe/07/05/first.biometric.atm.europe/index.html.

［22］MULYONO D，JINN H S.A study of finger vein biometric for personal identification［C］//International Symposium on Biometrics and Security Technologies.Islambad，Pakistan，2008:1－8.

［23］MEHNERT A J，CROSS J M，SMITH C L.Thermo graphic imaging:segmentation of the subcutaneous vascular network of the back of the hand［R］.Perth，Australia:Edith Cowan University，Australian Institute of Security and Applied Technology，1993.

［24］LIN C L，FAN K C.Biometric verification using thermal images of palm－dorsa vein patterns［J］.IEEE Transactions on Circuits and Systems for Video Technology，2004，14(2):199－213.

［25］GODIK E E，GULYAEV Y V.Functional imaging of the human body［J］.Engineering in Medicine and Biology Magazine，1991，10(4):21－29.

［26］KONO M，UEKI H，UMEMURA S I.Near－infrared finger vein patterns for personal identification［J］.Appl Opt，2002，41(35):7429－7436.

［27］LEE J S.Digital image enhancement and noise filtering by use of local statistics［J］.IEEE Transactions on Pattern A－nalysis and Machine Intelligence，1980，2(2):165－168.

［28］MUNTEANU C，ROSA A.Towards automatic image enhancement using genetic algorithms［C］//Proceedings of the Congress on Evolutionary Computation 2000.La Jolla，California，USA，2000:1542.

［29］YU Chengbo，QIN Huafeng，CUI Yanzhe，HU Xiaoqian.Finger－vein image recognition combining modified Hausdorff distance with minutiae feature matching［J］.Interdisciplinary Sciences:Computational Life Sciences，2009(1):280－289.

［30］HIGHNAM R，BRADY M.Model－based image enhancement of far infrared images［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(4):410－415.

［31］GILBOA G，SOCHEN N，ZEEVI Y Y.Image enhancement and denoising by complex diffusion processes［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26(8):1020－1036.

［32］GONZALEZ R C，WOODS R E.Digital image processing［M］.Boston，M，USA:Addison－Wesley Longman Publishing Co，Inc，2001:12－35.

［33］KO S J，LEE Y H.Center weighted median filters and their applications to image enhancement［J］.IEEE Transactions on Circuits and Systems，1991，38(9):984－993.

［34］HAMID M S，HARVEY N R，MARSHALL S.Genetic algorithm optimization of multidimensional grayscale soft morphological filters with applications in film archive restoration［J］.IEEE Transactions on Circuits and Systems for Video Technology，2003，13(5):406－416.

［35］HARVEY N R，MARSHALL S.The use of genetic algorithms in morphological filter design［J］.Signal Processing:Image Communication，1996，8(17):55－71.

［36］QUINTANA M I，POLI R，CLARIDGE E.On two approaches to image processing algorithm design for binary images using GP［J］//Lecture Notes in Computer Science，2003，2(1):422－431.

［37］QUINTANA M I，POLI R，CLARIDGE E.Morphological algorithm design for binary images using genetic programming［J］.Genetic Programming and Evolvable Machines，2006，7(1):81－102.

［38］YODA I，YAMAMOTO K，YAMADA H.Automatic acquisition of hierarchical mathematical morphology procedures by genetic algorithms［J］.Image Vision Comput，1999，17(10):749－760.

［39］BHANU B，LEE S，MING J.Adaptive image segmentation using a genetic algorithm［J］.IEEE Transactions on Systems，Man，and Cybernetics，1995，25(12):1543－1567.

［40］WANG Jun，TAN Ying.A novel genetic programming based morphological image analysis algorithm［C］//Proceedings of the 12th Annual Conference on Genetic and Evolutionary Computation.New York，NY，USA，2010:979－980.

［41］WANG Jun，TAN Ying.Morphological image enhancement procedure design by using genetic programming［C］//Proceedings of the 13th Annual Conference on Genetic and Evolutionary Computation(GECCO 2011).Dublin，Ireland ACM，2011:1435－1442.

［42］IM S K，PARK H M，KIM S W，CHUNG C K，CHOI H S.Improved vein pattern extracting algorithm and its implementation［C］//International Conference on Consumer Electronics.Los Angles，USA，2000:2－3.

［43］IM S K ，PARK H M，KIM Y W，HAN S C，KIM S W，KANG C H.A biometric identification system by extracting hand vein patterns［J］.Journal of the Korean Physical Society，2001，38:268－272.

［44］DING Yuhang，ZHUANG Dayan，WANG Kejun.A study of hand vein recognition method［C］//2005 IEEE International Conference Mechatronics and Automation.Ontario，Canada，2005，4:2106－2110.

［45］WANG Lingyu，LEEDHAM G.Gray－scale skeletonization of thermal vein patterns using the watershed algorithm in vein pattern biometrics［C］//2006 International Conference on Computational Intelligence and Security.Guangzhou，China，2006，2:1597－1602.

［46］SOILLE P.Morphological image analysis:principles and applications［M］.New York，USA:Springer－Verlag，2003:63－97.

［47］WANG Kejun，XIONG Xinyan，REN Zhen，FU Bin.Gray－scale skeletonization of near－infrared vein patterns using the improved watershed algorithm in vein pattern biometrics［C］//4th IEEE Conference on Industrial Electronics and Applications.Xi’an，China，2009:241－245.

［48］MIURA N，NAGASAKA A，MIYATAKE T.Extraction of finger－vein patterns using maximum curvature points in image profiles［J］.IEICE Transactions，2005，90－D(8):1185－1194.

［49］WANG Yunxin，LIU Tiegen，JIANG Junfeng.A multi－resolution wavelet algorithm for hand vein pattern recognition［J］.Chin Opt Lett，2008，6(9):657－660.

［50］JAIN A K，DUIN R P W，MAO Jianchang.Statistical pattern recognition:a review［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(1):4－37.

［51］WANG Lingyu，LEEDHAM Graham，CHO D S Y.Minutiae feature analysis for infrared hand vein pattern biometrics［J］.Pattern Recognition，2008，41(3):920－929.

［52］WATANABE M，AUTHENTICATION P V.Advances in Biometrics［M］.London Springer，2008:75－88.

［53］LIN Xirong，ZHUANG Bo，SU Xiaosheng，ZHOU Yunlong，BAO Guiqiu.Measurement and matching of human vein pattern characteristics［J］.Journal of Tsinghua Uni－versity:Science and Technology，2003，43:164－167.

［54］HUTTENLOCHER D P，KLANDERMAN G A，RUCKLIDGE W J.Comparing images using the Hausdorff distance［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15(9):850－863.

［55］HUTTENLOCHER D P，KEDEM K，KLEINBERG J M.On dynamic Voronoi diagrams and the minimum Hausdorff distance for point sets under Euclidean motion in the plane［C］//Proceedings of the Eighth Annual Symposium on Computational Geometry.New York，NY，USA，1992:110－119.

［56］HUTTENLOCHERD P，KEDEM K，SHARIR M.The upper envelope of Voronoi surfaces and its applications［C］//Proceedings of the Seventh Annual Symposium on Computational Geometry.New York，NY，USA，1991:194－203.

［57］SIM D G，KWON O K，PARK R H.Object matching algorithms using robust Hausdorff distance measures［J］.IEEE Transactions on Image Processing，1999，8:425－429.

［58］GAO Yongsheng，LEUNG M K H.Line segment Hausdorff distance on face matching［J］.Pattern Recognition，2002，35(2):361－371.

［59］DUBUISSON M P，JAIN A K.A modified Hausdorff distance for object matching［C］//12th International Conference on Pattern Recognition.Jerusalem ，Israel，1994，1:566－568.

［60］LEE E C，PARK K R.Restoration method of skin scattering blurred vein image for finger vein recognition［J］.E－lectronics Letters，2009，45(21):1074－1076.

［61］LIU Zhi，YIN Yilong，WANG Hongjun，SONG Shangling，LI Qingli.Finger vein recognition with manifold learning［J］.Journal of Network and Computer Applications，2010，33(3):275－282.

［62］SHIMOOKA T，SHIMIZU K.Artificial immune system for personal identifiction with finger vein pattern［J］//Lecture Notes in Computer Science，2004，3214:511－518.

［63］IBG.Comparative biometric testing round 6 －public report［EB/OL］.［2006－05－18］.http://http://www.biometricgroup.com/reports/public/reports/CBT6 report.htm.

［64］TANG Darun，HUANG Beining，LI Rongfeng，LI Wenxin.A person retrieval solution using finger vein patterns［C］//2010 20th International Conference on Pattern Recognition(ICPR).Istanbul，Turkey，2010:1306－1309.

［65］PKU－AI－Lab.Recognition algorithm test engine［2011－05－12］.［EB/OL］.http://rate.pku.edu.cn/.

［66］HUANG Beining，DAI Yanggang，LI Rongfeng，TANG Darun，LI Wenxin.Finger－vein authentication based on wide line detector and pattern normalization［C］//2010 20th InternationalConference on Pattern Recognition(ICPR).Istanbul，Turkey，2010:1269－1272

［67］ZHANG Zhongbo，MA Siliang，HAN Xiao.Multiscale feature extraction of finger－vein patterns based on curvelets and local interconnection structure neural network［C］//Proceedings of the 18th International Conference on Pattern Recognition.Hong Kong，China，2006，4:145－148.

［68］WANG Jiangang，YAU Weiyun，SUWANDY A，SUNG E.Fusion of palmprint and palm vein images for person recognition based on‘laplacianpalm’feature［C］//IEEE Conference on Computer Vision and Pattern Recognition.Minneapolis，USA，2007:135－141.

［69］HAO Ying，SUN Zhenan，TAN Tieniu.Comparative studies on multispectral palm image fusion for biometrics［C］//Proceedings of the 8th Asian Conference on Computer vision.Berlin:Springer－Verlag，2007:12－21.

譚營，男，1964年生，教授，博士生導師，博士，IEEE Senior Member.International Journal of Artificial Intelligence編輯、IJSIR、IES Journal B、Intelligent Devices and Systems、Journal of Computer Science and Systems Biology副編輯，International Journal of KES、Applied Mathematical and Computational Sciences編委、ICSI2010、2011、2012 大會主席，ISACI2012和ISNN2008程序委員會主席.IEEE計算智能協會ETTC委員.主要研究方向為計算智能、群體智能、機器學習方法、智能信息處理、數據挖掘與模式識別等.主持國家“863”計劃、國家自然科學基金、國際合作交流項目等科研項目30余項.獲得2009年度國家自然科學二等獎，中科院百人計劃入選者.發表學術論文200余篇，獲國家發明專利授權3項.

王軍，男，1974年生，博士研究生，主要研究方向為圖像處理、計算機視覺、遺傳規劃和生物識別.

Recent advances in finger vein based biometric techniques

TAN Ying1，2，WANG Jun1，2

(1.Key Laboratory of Machine Perception(MOE)，Peking University，Beijing 100871，China;2.School of Electronics Engineering and Computer Science，Peking University，Beijing 100871，China)

Biometrics based on finger vein patterns is a burgeoning biometric technique.It will undoubtedly become one of the most important techniques and receive extensive application in many fields because of its many virtues，such as protection against forgery，low cost，and ease of capture.This paper surveys the present condition and development of biometrics based on finger veins.First of all，the origin and development of finger vein based biometrics were reviewed;then，the general framework of finger vein based biometrics was presented.In particular，several key techniques for realizing finger vein based biometrics were examined，including sample image acquisition，image enhancement，feature extraction，and pattern matching.Furthermore，the performance of the state－of－the－art algorithms for finger vein based biometrics was systematically evaluated.Finally，the current situation and development prospects of the application of finger vein based biometrics were summarized and its future research direction was further indicated.

biometric identification;finger vein;image enhancement;feature extraction;pattern matching

TP391

A

1673－4785(2011)06－0471－12

10.3969/j.issn.1673－4785.2011.06.001

2011－09－15.

國家自然科學基金資助項目(60875080，61170057).

譚營.E－mail:ytan@pku.edu.cn.