【学术论文】手指静脉身份识别技术最新进展

第6卷第6期 智能系统学报 Vol.6 No.6 2011年12月 CAAI Transactions on Intelligent Systems Dec.2011 doi:10.3969/i.i8gn.1673-4785.2011.06.001 手指静脉身份识别技术最新进展 谭营12，王军12 (1.北京大学机器感知与智能教育部重，点实验室，北京100871；2.北京大学信息科学技术学院，北京100871) 摘要：基于手指静脉的身份识别是一种新兴的生物身份识别技术，由于手指静脉身份识别具有强防伪、低成本、易 获取等优良特性，在许多领域得到广泛应用，成为一种最重要的生物识别技术之一，对手指静脉身份识别技术的现 状和发展进行了总结和评述.首先，回顾了手指静脉身份识别的起源和发展过程，然后，总结了该技术的通用实现流 程，对实现手指静脉的几大关键技术（如样本获取、图像增强、特征提取和匹配方法等）的最新研究成果进行了全面 介绍.进一步，对现有典型方法的性能进行了系统评估.最后，总结了现有手指静脉识别技术的应用现状，展望了其 发展前景，并指明了下一步的研究方向. 关键词：生物特征身份识别：手指静脉：图像增强：特征提取：模式匹配 中图分类号：TP391文献标志码：A文章编号：16734785(2011)060471-12 Recent advances in finger vein based biometric techniques TAN Ying'2,WANG Jun'.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) Abstract: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 de- velopment of biometrics based on finger veins.First of all,the origin and development of finger vein based biomet- rics were reviewed;then,the general framework of finger vein based biometrics was presented.In particular,sev- eral 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 develop- ment prospects of the application of finger vein based biometrics were summarized and its future research direction was further indicated. Keywords:biometric identification;finger vein;image enhancement;feature extraction;pattern matching 当今社会，随着人们交往范围的扩大和业务沟体相关联的信息14.身份识别包括2个方面：认证 通的频繁，越来越需要自动确定交往对象的身份 (authentication)是指确定对象的身份；授权(authori- 随着人们对于安全的重视，身份识别己经不限于传 zation)是与认证密切相关的一种操作，经过认证的 统的金融、政府、机场等要害部门，也越来越多地出 用户被赋予执行特殊业务的权力[4. 现在智能化楼宇、个人电脑访问、ATM取款、考勤和 在当今的数字化时代，身份识别往往都是通过 门禁等民用领域.这些身份管理的中心任务是判定 计算机来自动进行.当面对一个计算机系统时，如何 个体的身份，它可被视为特定身份管理系统中与个 辨识一个人一般基于3种方式：你知道什么，你有什 么和你是什么[4.第1个层面：“你知道什么”，就是 收稿日期：201109-15. 基金项目：国家自然科学基金资助项目(60875080,61170057). 传统的口令和PIN码方式.这是一种低可靠性的方 通信作者：谭营.E-mail:tan@pku.edu,cm. 式，口令或PN码可能会遗忘或丢失，也可能被窃取

·472 智能系统学报 第6卷 或猜测出.第2个层面“你有什么”，常用的有IC卡 成像也较为清晰，可以采用低分辨率设备进行样本 或电子口令卡的方式，中国古代的虎符也是这种方 采集，得到较小尺寸的样本图片，图像处理方法也相 式，这种身份证明方式的风险也是可能丢失或被盗 对简单.目前，基于手指静脉的身份识别装置己经应 用.生物特征识别第3种方式“你是什么”，就是通 用在ATM机、汽车点火装置、门禁和计算机安全等 过检测对象的本身所特有的属性来确定身份.这种 诸多方面3,172.在这些方面，手指静脉己经开始 方式目前是最为安全可靠的身份识别方式，因为它 逐步取代传统的生物身份识别技术，如指纹、掌纹、 只属于个体所有而且难于被窃取和伪造.自动的生 虹膜等 物识别系统出现也不过是近几十年的事，这是得益 1手指静脉身份识别原理与流程 于计算机处理技术的突飞猛进，但是识别方式的许 多创意却己有数百年甚至上千年的历史.从文明起 1.1原理 源开始，人们就会通过人脸来判别熟人或生人[，5] 手指静脉身份识别的原理是：当使用波长为 基于生物特征的身份识别通常分为基于行为和物理 700~1000m的红外光源照射手指时，红外线会穿 2类.行为方式包括签名识别、声音识别、击键习惯、 透多数人体组织，静脉中的血红素会吸收这些波长 步态分析等；物理方式包括指纹[6、虹膜]、人脸、 的红外线，因此，静脉的光反射就会低于周围的组 掌纹、掌形、DNA、手掌静脉、手指静脉等2] 织，手指静脉图像就可以使用红外敏感的CCD 最新出现的生物身份识别技术是手掌血管模式 (charge--coupedevice)摄像头来获取到912,21，通 (hand vascular pattern),这是通过分辨手部血管的 过比较输人手指静脉的红外图像特征与预先存储的 网络模式来辨别个体身份.其基本原理是不同个体 个体的图像特征，就可以实现对身份进行判别， 的血管模式是不同的，而个体本身却保持稳定，因此 1.2流程 可以用来区分个体.1992年Shimizu最早关注到手 手指静脉身份识别的一般流程如图1所示，按 掌血管模式的潜在应用8).1995年Cross和Smith 照功能划分可大体分为3个模块：注册、匹配和判 使用热成像技术来获取手背的血管模式并将其应用 别3,2 到生物身份识别]， 注册 匹配 2000年Kono等提出仅需检测手指中的静脉就 获取手指 获取手指 能进行个体的身份验证).血管识别技术分成了3 静脉图像 静脉图像 个分支，分别是手掌、掌背血管和手指静脉山 图像 手指静脉模式一经提出就受到了学界3,4和 处理 预处理 商界[15,18]的广泛关注.Yanagawa等对不同性别、不 特征 提取 提取 同年龄段的506个人手指进行统计发现，不仅不同 人处于同一位置的手指静脉特征不同，同一个人在 特征模板 1对多比较 判别 有储 不同位置的手指静脉特征也有明显差异，能够清楚 模板数 相似度 输出 地区分开].与其他血管模式相比，它具备其他血 据库 比较 判别 管模式的所有优点，并且由于手指的灵活性带来获 图1手指静脉身份识别流程 取设备的多样化和小型化.与其他的基于生物特征 Fig.1 Flowchart of finger vein authentication 的身份识别方式相比，手指静脉有如下优 势L,17,20j 1)注册.注册是构建用户信息的过程，通过预 先收集用户的手指静脉特征建立用户特征数据库， 1)具有很强的普遍性和惟一性，绝大多数人的 这一过程中包含了获取手指静脉图像，对图像进行 静脉血管图像随着年龄增长不会发生根本性的变 预处理，提取特征，把特征模板存储到数据库中. 化，而不同人拥有不同的静脉图像 2)匹配.匹配是用户信息验证的过程.在需要 2)由于手指静脉藏匿于身体内部，所以不存在 进行用户身份验证的时候，采集用户的手指静脉图 仿制或失窃的风险，人类手部表面的皮肤条件不会 像用于比对.该过程包括获取手指静脉图像、图像预 对识别工作造成影响 处理和特征提取3部分.这一过程与注册过程相似， 3)采用红外线成像技术，其非侵入性和非接触 但是也有许多不同，除了在处理流程上与注册过程 性，可以确保使用者的便捷性和清洁性。 不同外，也有很多方法在注册和匹配过程中使用了 4)由于手指静脉的形状相对稳定，在CCD上的 不同的特征提取方法

第6期 谭营，等：手指静脉身份识别技术最新进展 ·473· 3)判别.手指静脉的特征判别是对输人的用户 的红外摄像头就可以避开400~700nm的可见光范 手指静脉特征与数据库中的存储特征进行比对，输 围，取得清晰的红外图像. 出判别结果.判别过程又分为认证和识别.所谓认证 2)利用血管对红外线吸收的特性获取静脉图像. 是指判断输入的手指静脉特征是否属于特定用户， 1995年，Cross等[9]在研究中发现，虽然普通 是一对一的匹配过程.而识别是指判定输人的手指 CCD被设计为工作在可见光区域，但对于近红外光 静脉特征是哪个用户，是一对多的匹配： 谱仍然足够敏感，工作光谱能够达到1100nm.人体 向外辐射红外线在光谱3000~14000nm时达到峰 2手指静脉身份识别的关键技术 值10W/cm2[2].CCD的工作频率范围不足以达到 2.1手指静脉图像的获取 捕获人体红外辐射峰值的能力，而且人体辐射红外 获取手指静脉的图像是手指静脉身份识别的基 线也太弱，无法被CCD所捕获.他们使用波长为900 础，通过对手指静脉图像及其处理结果进行个体分 nm的冷红外光源照射手掌，发现静脉中的血红素吸 辨.本节首先介绍获取手指静脉图像的研究， 收多数的红外光而周围组织基本不吸收红外光，静 2.1.1手掌血管图像的获取 脉在图像上比周围组织更暗，因此CCD能够清晰的 手指静脉研究是手掌血管研究的进一步拓展， 获取到静脉的图像.之后，Zhao等4]用类似Coss 最初的手指静脉获取设备也是从手掌血管研究领域 等9]的方法使用低成本的CCD来获取到清晰的手 的沿用.因此，首先介绍手掌血管的获取方法.手掌 掌血管图像.这是因为，尽管普通WEB摄像头CCD 上的血管被皮肤和肌肉覆盖，肉眼很难观察到，使用 的感光峰值处于可见光范围内，在近红外波段己经 普通的图像采集设备也无法获得足够清晰的血管图 大大降低，但是也有较好的响应2]，使用这种方式， 像.很多研究者利用了血管的物理特性，使用各种辅 就能大大降低采集设备的成本。 助手段来获取清晰的血管图像.根据采用的原理不 2.1.2手指静脉图像的获取 同，主要分为2个分支： 手指静脉图像获取方法基本上都是根据Cross 1)利用热成像原理获取静脉图像 等[91的方法的原理，使用波长为700~1000nm的 1993年，Mehnert等23]发现能在红外光谱中通 红外光源照射手指，红外线会穿透多数人体组织，静 过热成像标记血管并别除其他部位的方法获取清 脉中的血红素会吸收这些波长的红外线，手指静脉 晰的血管图像.原理是血管与周围组织的温度差异 会在CCD上成像出来2,2 比裸眼所见的差异要明显得多.但是由于当时设备 2002年Kon0等26]首先用波长为810nm的 的灵敏度不够和成本的原因，这一方法所取得的静 LED近红外光源照射，从CCD中获取到静脉成像 脉图像效果不是很好。 LED阵列照射手指时，由于手指厚度不同，因此光 2004年，Lin和Fam241提出一种使用热成像的 线强弱不均，因此需要手动调节不同位置灯的强度 方法来获取掌背静脉血管图像的方法.原理同样是 (如图2) 基于静脉血管与周围皮肤的温度不同，并且皮肤的 温度形成一定的梯度，通过热辐射定律一Stefan-Bo ltzmann定律25]，使用式(1)来获得静脉的热成像. W=￡·o·T (1) 式中：W是光辐射(W/cm2),e是辐射率，o是Ste fan-Boltzmann常数（约为5.6705×10-2W/cm2), T是目标的表面温度单位， 图2Koo等的方法采集的手指静脉图像[s] 人体的红外辐射依赖于皮肤的辐射度、皮肤温 Fig.2 Finger vein image captured by Kono et al's 度、空气分子组成、空气湿度以及成像设备与皮肤的 method(2] 距离等2].从Planck曲线可以看到，光谱辐射度与 2006年Hashimoto总结了litachi公司的研究成 波长有关[2].从式(1)中可以看出，σ是常数，e对 果，比较了使用不同角度光源对成像的影响（如图 于同类探测目标也是常数，如果采集设备能够避免 3)).从图3中可见，穿透式照射的成像效果最佳， 空气变化的直接影响，介质的影响也可被忽略.因此 但是占用空间比较大，影响了设备的小型化，反射式 皮肤表面温度T直接决定W,也就决定了图像的对 占用空间最小但是成像效果不佳.Hashimoto还给出 比度和质量.使用工作波长为3~5m或8~14m 了一种从两侧照射的设计方式，没有给出效果图，但

474 智能系统学报 第6卷 从原理而言，是以上2种方法的折衷，在减小设备空 间的同时也只付出少量的成像质量作为代价 静脉 ()透射式 近红外光源 图像化感器 (LED) (CCD Camera) 图4 Hashimoto方法采集的手指静脉图像I) Fig.4 Finger vein images captured by Hashimoto's (a)反射式手指静脉采集方式 method (7 万可可 近红外光源 (LED) 静脉 图像传感器 图5Dai等的方法采集的CCD成像的手指静脉图像 (CCD Camera) Fig.5 Finger vein image captured by Dai et als method 2.2手指静脉图像的预处理 (b)透射式手指静脉采集方式 近红外光源 由图像获取装置直接得到的手指静脉图像是不 光线敬布 (LED) 能直接用于后续处理.因为，首先图像可能会有偏移 和变形，其次图像中存在大量的噪声信息，影响到对 有用信息的解读.因此，通过对图像进行必要的预处 理使之能够更符合后续操作的要求具有重要的实用 意义].红外设备获取到的手指静脉图像需要进 图像传感器 行如下的预处理过程，将其转化为适合处理的对象 (CCD Camera) (如图6)3,29 侧视图 前视图 归一化 校准 边界检测 图像增强 (c)侧照式手指静脉采集方式 图3 Hashimto提出的采用不同光照方式进行图像采集例 图6 手指静脉红外图像预处理流程 Fig.3 Hashimoto's proposed methods to obtain finger Fig.6 Pre-processing procedures of infrared finger vein images by different llumination directions vein image 1)归一化图像.归一化是指把图像处理成统一 2008年Dai等川提出使用一种自适应的可控 规格的图像.将图像大小变换到适合处理的统一尺 光源方法来实现手指静脉采集中的光照一致.摄像 寸，既可以提高处理速度，又保证了匹配是在有效的 头根据收到图像中的光线强度分配将调节信息反馈 范围内进行. 到光源控制单元，调整不同位置的光强，使得获取 2)校准.在获取手指静脉的红外图像时，很难 的图像光照均衡.这样有效地提高了手指静脉红外 保证手指的位置完全一致.手指的放置可能会偏离 图像的质量（如图5）： CCD主轴线，存在偏移和倾斜2种影响图像质量的 因素 3)边界检测.设备获取的手指静脉红外图像包 含背景噪声，在特征提取时会影响到有效特征的获 取.为了获取关注的区域(region of interest,ROI)中 的静脉特征图像，需要去除背景，保留手指图像.这 a)反射式 一操作通过检测手指边缘与背景的灰度梯度变化来

第6期 谭营，等：手指静脉身份识别技术最新进展 ·475· 获得 算机来进行处理，实现了设备的小型化，但是由于处 4)图像增强.图像增强技术是预处理工作的另 理方法和处理能力的有限，特征提取效果不佳， 一个重要方面，其主要作用一是去除图像中的噪声， 2005年丁宇航等4]提出了使用动态阈值的方 二是增强关注的特征[031].经过增强的图像消除了 法来提取手掌静脉特征的方法(TIM).其原理是静 噪声影响，使特征更为明显，可以有效地提高特征提 脉在图像上的成像会比背景图像暗，并且静脉占据 取的质量，以利后续的其他方法使用.通过对廉价设 的空间少于背景，因此计算某点邻域的平均值，如果 备采集的图像进行增强处理，提高特征提取质量，在 低于这个均制就认为是静脉特征.该方法用于手掌 保证识别率的情况下，就可以不必采用昂贵的采集 静脉特征提取时极易受到噪声的影响，需要前置的 设备，降低成本.传统的图像增强方法分为频域和空 滤波去噪.该方法提取到的手掌静脉图像，虽然手掌 间域方法两大类别32].频域的图像处理方法是一维 静脉的图像较为清晰，但提取出的静脉特征仍有大 信号处理在二维空间的扩展[7,323] 量的噪声信号.把该方法实现后应用到手指静脉的 这其中最为关键的环节是图像增强处理，通过 特征提取时，发现即使经过平滑滤波，最终结果仍然 提高图像的品质能够有效地提取出更加完整的特 有大量的噪点，而且由于窗口选择比较大，运算速度 征.前面提到的滤波算法的去噪能力是有限的，另一 较慢， 方面，在去除噪声的同时也模糊了图像的细节，不能 20O6年王凌宇[s提出利用Watershed方法提取手 满足后续的特征提取的需要.在传统的基于滤波的 掌静脉的图像，取得了不错的效果.Watershed方法是 图像增强操作上，己经有研究者使用遗传算法( 一种形态学图像操作方法，模拟对象沉入水底，这个过 netic algorithm,GA)或遗传规划算法(genetic pro- 程中在脊线上建立起分割不同区域的大坝，最终完成 gramming,GP)来自动生成基本操作的序列组 对不同区域的分割2,6.2009年Wang Kejun等]进 合435).这一途径有效地解决了搜索空间巨大的问 一步对该方法进行了研究，使用标注最低点的方法来 题，但是由于缺乏对训练结果的有效评估方法，仍然 获取较好的分割，但是将该方法实现应用到手指静脉 需要人工干预.GA与GP的形态学操作算法使用图 特征的提取后发现效果不佳.原因是手指静脉图像相 像本身和指令代码作为端点集，图像操作的命令作 对于手掌太小，过于密集，手掌静脉提取可以只考虑较 为函数集，这一分支明显对于图像处理有更强的针 粗的静脉，能够保证足够的特征，但是手指静脉必须提 对性68].同时，在进化过程中对于图像效果增强 取到很细的静脉.究其原因，还是由于获取图像的噪声 使用自动评估的方式39]，能够有效地提高进化的效 过多，最终导致图像过于破裂，这也是Watershed方法 果，避免人为干预，实现图像增强的自动进行.由 本身的限制，46] Wag和Tan等4采用CP结合形态学图像处理 2.3.2手指静脉特征提取方法 对手指静脉红外图像增强进行了研究.通过这一方 手掌静脉的特征提取方法直接用于手指静脉效 法手指静脉红外图像得到了很好的增强，能够提取 果不明显，很多研究者针对手指静脉的特点提出了 出来更清晰连续的特征，得到更好的识别效果， 针对手指静脉的特征提取方法 2.3手指静脉特征提取方法 2004年Miura等[2]提出一种沿着静脉方向提 由于手指静脉隐藏于皮肤下面，由红外CCD获 取静脉特征的算法.如图7所示，假设当前己经处理 取的图像经过预处理后效果有所提升，但并不能清 完毕的点在(x。,y),在以此点为圆心，半径为T的 晰到能直接用于匹配.为了提高匹配的效果和运算 圆上点p中选取(s+t-2p)值最大的0角度作为前进 的效率，需要从图像中提取出静脉的特征，以此作为 方向，重复这一过程直到静脉的末端.这一方法的原 匹配的依据。 理是静脉底部的灰度值低于两侧的背景，通过这一 2.3.1沿用手掌静脉特征提取方法 特性将静脉检测出来.虽然该方法对于质量较好的 在手指静脉之前，很多研究者对手掌静脉的特 图像比较有效，但应用在噪声较大的红外图像下，效 征提取研究己经有很多年了，并提出了很多有效的 果就很差.如图7中s、、p3个点，如果任意一个点 方法.因此，首先研究提取手掌静脉的方法，并试图 是个噪声点（过高或者过低的灰度），那么结果就会 将一些典型方法用于手指静脉的特征提取， 受到影响. 2000年Im等提出一种基于高效DSP芯片处理 2005年Miura8]又提出一种通过检测横截面 的手掌静脉特征提取方法24]，它集成了低通滤 上曲线变化来判断静脉特征的算法.这一方法同样 波、高通滤波、阈值化等操作.这一方法，不必使用计 利用了静脉图像的灰度特征，故该方法也易受噪声

·476 智能系统学报 第6卷 的影响， 脉成像时与背景形成的局部特征来提取手指静脉特 征，就会得到比较好的结果，如文献[12,17]，但是 v,=(s+)-2p 灰度值 此类方法的效果均易受到噪声的影响.借鉴频域处 理方法中，考察静脉特征与周围的像素具有很强的 半径r 轮廓 相关性，变换域的少量特征点就能够代表全局信息， 因此，综合考虑局部信息和全局信息，从2个方面进 横切面 行特征提取的研究，以这2类信息的综合作为手指 横切面 静脉特征，这是解决这一问题的有效途径， 当前的追踪点(xyJ 2.4手指静脉特征匹配方法 根据手指静脉的图像鉴别个人身份是一个典型 图7沿静脉方向提取特征 模式识别问题，即给定一个手指静脉图像，根据数据 Fig.7 Feature extraction along vein direction 2006年，Hashimoto]提出了谷型算法，它利用 库中存储的己有图像，判别其是否符合数据库中的 静脉的横截面在红外CCD上的成像是由浅到深然后 样本来鉴别身份.模式识别的方法主要分为基于模 再变浅的特性，这样灰度值在这个剖面上就是一个山 板匹配、基于统计、基于句法分析和基于神经网络 谷的形状，如图8所示.这种山谷形状不随着静脉的 等0].就手指静脉特征的模式匹配，有结构化匹配、 方向改变而产生变化，通过对谷型谷底的检测，就得 模板匹配方式和智能方法， 到相应的静脉图像.这种方法的优势在于不需要前置 2.4.1结构化的手指静脉特征匹配 的去噪过程，具备了较快的计算速度.但是根据研究 结构化匹配是提取特征点集，包括线条的端点 发现，当图像清晰度较高的时候，这种方法能够忽略 和分叉点，然后匹配相应的点.这一方法在手掌静脉 掉少量噪声，但是当图像噪声较大时，这种方法效果 特征匹配中应用得较多4,13]，分别使用静脉的端 就不好，2008年余成波等20]在此基础上作了改进 点和分叉点来匹配手掌静脉.由于手掌静脉比较清 (VR),使用模板的方法进行快速的谷型验证，提高了 晰，因此所能获取的特征端点能够起到较好的匹配 计算速度，但是更易受到噪声的影响， 效果.也有研究者将这种方法应用到手指静脉的特 60 征匹配上山，9]，但是手指静脉本身尺寸较小，并且 55 获取的特征不够清晰，能够得到的端点比较少，因此 50H 这种方法不适合手指静脉特征匹配， 456246810 2.4.2基于模板的手指静脉特征匹配 模板匹配是最早应用于模式识别的方法，也是 图8静脉图像的山谷状横截面 最简单直观的一种方法，通过度量样本中的点或线 Fig.8 The valley region of the cross section of finger 条的距离或对应情况，来判断相似程度0].手指静 vein image 脉的识别当前使用最多的也是基于模板匹配的方 2.3.3频率域的手指静脉特征提取 法，它是指给定2幅图像，度量其相似度.2004年， 以上方法都是通过空间域图像处理，然后提取 Muira等[2]最早用模板匹配的方法进行手指静脉特 手指静脉图像的特征.还有研究者采用频率域图像 征匹配.为了避免直接的模板匹配受模式变形的影 处理，基于频率域的特征进行手指静脉图像的特征 响，他们提出了“模糊空间”的概念，对于提取出的 提取，如离散余弦变换(DCT)、离散小波变换 手指静脉特征，忽略微小的错误来匹配.用于度量模 (DWT)91、Randon变换[11.由于静脉特征与周围 板距离的常用方式有海明距离（Hamming dis- 的像素具有很强的相关性，因此通过少量在变换域 tance)[4]和Hausdorff距离[4-列 的特征点就能够代表整幅图像的内容.频率域的变 Hausdorff距离及其改进在手指静脉特征匹配 换也有很独特的特性，如Randon变换对仿射变换不 中应用得比较多.2005年Wang等[s8]使用线段 敏感，因此对于图像旋转具有很强的鲁棒性3]」 Hausdorff(Line segment Hausdorff Distance)距离来 2.3.4小结 进行手掌静脉的匹配.这一方法能有效地避免 根据对以上各种方法的总结，应当针对手指静 Hausdorff距离的缺点，带来更准确的匹配.2008年 脉图像的特点来进行特征提取研究.手指静脉成像 Wang等s11采用了改进的Hausdorff距离(modified 中静脉底部的灰度值低于两侧的背景，根据手指静 Hausdorff distance)进行匹配.这一方法在匹配中比

第6期 谭营，等：手指静脉身份识别技术最新进展 477 原始的Hausdorff距离更为有效59].2009年Yu 2)FNMR(false non-match rate)是指错误未匹 等[9]使用改进的Hausdorff距离结合分支点来进行 配率，也叫做FRR(false reject rate).用于度量输入 模板匹配.其方法是提取出的手指静脉特征，经过细 模式未被数据库中模板匹配的比例.即本该被系统 化后成为线条，计算测试图像与目标图像的改进 接受的输入模式却被拒绝的比例.FMR和FNMR是 Hausdorff距离，以此来判定图像是否属于同一类。 阈值T的函数，当T从0变化到1，FMR从1变化到 2009年，Le等[0使用手指静脉的分叉点和交叉点 0,与此同时，NMR!JI从0变化到1 的MHD来进行特征匹配，效果不是很明显 3)ROC(receiver operating curve)用于揭示FMR 2.4.3采用智能分类技术的手指静脉特征匹配 与FNMR的关系的曲线.以FMR和FNMR分别为 有的研究者使用智能方法来进行手指静脉特征 纵横坐标，所构成的曲线就是ROC曲线 匹配.机器学习的手指静脉匹配这一分支出现得比较 4)EER(equal error rate)是FMR与FNMR相等 晚，但是有较好的发展前景.目前用于其他身份识别 时的值.EER可从ROC曲线图上得到(ROC曲线与 技术的方法能直接拓展到这个领域)这一分支把身 y=x的交叉点).用于比较不同的ROC曲线的效 份识别问题当作纯粹的模式识别问题3]，使用人工智 果，一般来说，较小的EER代表较好的效果 能或机器学习[61]的方法来处理。 5)响应时间(response time).一个实用系统必 2004年，Shimooka和Shimizu提出使用人工免疫 须在识别率和识别速度上进行折衷.单个个体特征 的方法来进行手指静脉的模板匹配®〕，使用手指静脉 处理的时间和样本空间的大小，决定了处理的整体 图像作为抗原，抗体是一些部分的模板，通过分割同一 时间.因此在样本空间足够大的时候就对单个个体 手指的图像来获得.自体和异体的描述通过正向选择 的处理时间提出了要求.Tang在文献[64]给出了一 和反向选择来进行.正向选择是指减少难于与异体组 个牺牲少量精度的情况下，但是仅用了原有方法的 织结合的淋巴细胞，反向选择是减少与自体组织结合 0.4%的时间.这一结果是2种方法都是C++语言 的淋巴细胞.这一方式有一定的效果，但性能还比较 在Windows7操作系统上，CPU是ntel 差.2OO9年，Wu和Ye提出了使用RBF(radial basis E84003.00GHz,4GB内存条件下取得的， function)网络和PNN(probabilistic neural network)来进 表1和表2给出了各种方法的识别效果的比 行手指静脉特征分类)，都取得了不错的效果.2010 较.从表中可以看出有的方法尽管效果非常好，但是 年，L等]提出使用流型学习的方法来进行手指静 由于采用的数据集太小，并不能真正代表真实水准， 脉特征的分类，这一方法的效果与注册时采集的样本 由于公共数据集的缺乏，即使是给出应用效果的方 数量正相关，达到有效的性能需要采集数十个样本，这 法，往往也只是在自己的数据集上进行的测试.这些 样就降低了可行性 自行采集的数据集存在主要问题有：首先是数据集 的规模较小，只有几十个样本和几百幅图像；其次是 3当前方法的性能评价 数据集的典型性不够，采集的对象往往是在实验室 手指静脉身份识别作为一种新兴的生物识别技 内部或者熟人之间；第三是采集设备参差不齐，采用 术，必须达到一定的安全强度才能取得人们应用的 高成本、高精度的设备取得的图像本身质量较高，也 信心.Yanagawa6]在文献[19]中给出了足够安全强 未必能代表方法的有效性.这些原因使得各个方法 度的指标预期值.IBG(international biometrics group) 的可信度受到质疑.现在公认的是，一个可信的数据 在对于Hitachi的商用手指静脉识别装置进行了测 集应该是包括不同的性别、种族和充分分散的年龄 试.本文中介绍的各种方法大都给出了自己的实验 阶段51].BG在进行手指静脉测试时，还考虑了在 结果，也有些只是介绍了方法，对于方法使用的实际 不同的日期进行测试，同一天的测试往往会比隔日 效果没有给出.不同文献中使用了不同的评价指标， 的测试效果好些6].目前，文献[65]提供了一个公 根据分析发现，在各个方法中共有的对方法评价有 共测试平台，包括了5208个人的50700幅手指图 意义的指标有如下5个： 像，其他研究者可以提交自己算法的程序在此平台 1)错误匹配率(false match rate,FMR),也叫做 上验证.文献[64,66]是这个平台上的结果.这个数 FAR(false accept rate).用于度量输入模式与数据库 据集虽然在样本数量上达到了要求，但是仍然存在 中模板错误匹配的比例.即不该被认证的个体被系 人种和年龄分布较为单一的不足， 统错误接受的百分比

·478 智能系统学报 第6卷 表1典型方法的实验条件 Table 1 Experimental conditions of typical methods 序号 方法 手指 样本数 人数 每人采样 1 Kono(2002)[2w] 左小指 1356 678 2 2 Mium(2004)[2 未知 678 未知 每手指2幅 3 Miura(2005)[4] 未知 678 未知 每手指2幅 4 Zhang(2006)[67] 未知 3200 未知 每手指8幅 5 Lee(2009)[] 除拇指外其他手指 6400 80 每手指10个 6 Wu(2009)[a] 中指 250 25 b 7 Yu(2009)[2] 未知 500 未知 每手指10幅 8 Liu(2010)[61] 中指 11480 164 70 9 Huang(2010)[] 未知 50700 5208 每手指5幅 10 Tang(2010)[6 未知 50700 5208 每手指5幅 11 Wang(2011)] 未知 1896 未知 每手指4~6幅 表2典型方法的技术特点与性能比较 Table 2 The technique characteristics and performance comparisons of typical methods 序号 技术特点 性能 FAR=0.000035山0.046% 首次提出使用近红外光源获取手指静脉图像 FRR=0.1% 2 使用追踪静脉截面谷形的改变方向来提取手指静脉特征 EER=0.1459% 3 使用手指红外图像的横截面上最大的曲率来提取手指静脉特征 EER=0.0009% 4 使用了多尺度自适应的Curvlet方法增强图像，提高特征提取效果 EER=0.128% 通过估计光线穿透皮肤的散射函数来使手指静脉红外成像的效果 5 EER=0.76% 更加突出 使用Radon变换来提取手指静脉特征，并首次将这一技术应用到汽 6 识别率>99.2% 车驾驶员识别上 7 提出了一种简单的基于谷形模板的手指静脉特征提取方法 EER=0.761% 8 使用ONPP的方法对图像进行降维，并使用了Manifold来进行分类 识别率=97.8%，EER=0.8% 9 利用宽线条检测的方法将手指静脉与背景区分来提取特征 EER=0.87% 将提取的手指静脉特征比例缩小后编码，精度损失很小的前提下极 10 Hit Rate =98.5% 大地提高了匹配速度 11 使用基于GP的方法进行图像增强，提高手指静脉特征的提取精度FAR=3.9% 4手指静脉身份识别的发展趋势 在门禁、考勤等应用方面开始逐步取代指纹识别.根 据BG(International Biometric Group)2009年的报 4.1应用前景 告，生物身份验证己经是一个年度交易近50亿美元 自从1997年第一个使用手掌血管模式的商用 的行业.尽管是最新出现的生物身份验证技术，静脉 设备投入应用以来，上万个使用手掌或手指静脉身 识别己经得到了广泛的应用，己经占到了生物身份 份验证的设备被广泛应用于存取控制、医院、学校、 验证市场的2.4%（如图9），并且份额还在逐步扩 银行等部门尤其是自手指静脉模式得到重视后，其 大[8].Sonyli6]、Hitachi]等公司都己推出了便携的 以设备小巧、成本低廉，更是取得了广泛应用，己经 USB方式的验证装置.在2006年的BG测试中，东

第6期 谭营，等：手指静脉身份识别技术最新进展 479 芝公司的手指静脉验证装置效果与risGuard的虹 设备应当适应各种工作条件，并具有高可靠性，不受 膜验证效果不相伯仲[6].2008年吴等提出用手指 天气、光照、温度的影响.并且设备应该重点朝小型 静脉验证汽车驾驶员的身份.2010年7月第一台使 化发展，以便能应用到各种设备上.同样地，设备也 用手指静脉验证身份的ATM设备在波兰投入应 应朝低成本发展，提高用户的接受程度。 用[21,2006年Hashimoto对手指静脉身份验证的应 2)研究高噪声环境下的图像增强算法.通过预 用前景进行了展望)，目前来看，这些展望多数己 处理操作，去除噪声、阴影以及其他干扰，获取到更 经得到了实现， 加清晰的图像特征，为了后续的操作能够提取出更 其他形式1.60% 有效的特征.图像增强效果的提高，同样有助于降低 设备的精度，进而可以降低整体的成本， 3)发展效率更高和更健壮的特征提取算法.获 取的手指红外图像由于是非接触成像，而且本身具 AFI深测 有很多噪声，尽管经过图像增强这一过程，仍然会有 38302 很多噪声的影响，因此手指静脉特征提取算法必须 虹膜识别 有很高的鲁棒性.同时，由于采集设备和手指本身尺 5.10% 寸的限制，获取的静脉图像尺寸很小，为了能够有效 静脉识别 2.40% 地进行后续的比对，需要提取出尽可能连续和准确 手型识别 声音识别 1.80% 的静脉模式 3.00% 4)发展准确度更高的匹配算法.有效的匹配算 图92009年不同的生物特征身份识别所占市场份额] 法能够降低非匹配个体的分值，提高匹配个体的分 Fig.9 The market shares of different biometric au- 值，并且能够消除偏移、倾斜等情况对样本的影响， thentications in 200918] 选用有效的比较方法，能够准确地表达手指静脉样 原型 式的信息，并给出更准确的识别率.并且，当输入手 ATM机 指模式与数据库中存储的模式进行比较时，高效率 的比较算法就能在同样的时间内，完成更多的样式 比较，从而降低整体的识别时间，这对于提高用户体 移动 设备 验具有重要意义 5)多种生物识别方式的融合提高识别效率.目 移动 前对各种生物识别技术的研究都己很深入，有研究 电脑 电话 者综合多种生物识别技术来提高整体识别效果，如 2001 2003 2005 2007 2009 王等51，]综合手掌静脉与掌纹来提高识别率.Ha0 年度 等[]综合了指纹、掌纹、手掌形态和手掌静脉的方 图10 Hashimoto对手指静脉识别发展的展望) 式.也有研究者己经开始研究综合指纹和手指静脉 Fig.10 Hashimoto's prospect about the application of 的方式.这将提高识别效率并进一步防止外部侵入 finger vein authentication 6)为广泛应用而进行各项研究工作.手指静脉 4.2技术研究方向 身份识别在各个领域的应用需要进行核心软件、软 手指静脉模式是一种相对较新的技术，但己经 件平台和公共测试标准库建设等方面的研究.通过 在生物身份识别领域受到广泛重视.最近几年来，很 这些工作，使得这一技术能够推广到实际应用中. 多研究者投入了大量的精力来提升这一技术.这 技术己经得到了广泛的认同，并且己经得到广泛应 5结束语 用，由此可以预见，将来会取得更大的发展.尽管手 基于手指静脉的身份识别是一种新兴的生物身 指静脉模式提供了高准确度和高可靠性，其性能还 份识别技术，对该项技术的研究目前还处于上升阶 是会受到某些外在条件的影响，例如过冷的天气、不 段.尽管己经有部分成果己经应用到日常生活中，但 确定的干扰噪声等.未来需要在以下几个方面进行 是还远未达到成熟的程度.本文对手指静脉身份识 深入研究： 别的关键技术进行了详尽的总结，并对现有的典型 1)研究更有效的手指静脉图像获取设备.获取 方法进行了充分的评价，发现了存在的问题，指明了

·480 智能系统学报 第6卷 下一步的发展方向.相信作为一种新兴的生物特征 57935799 身份识别技术，手指静脉身份识别技术将在理论研 [14 ]ZHAO Shi,WANG Yiding,WANG Yunhong.Extracting 究和商业应用方面都将获得大力的发展，具有远大 hand vein patterns from low-quality images:a new biomet- 的前景， ric technique using low-cost devices[C]//Fourth Interna- tional Conference on Image and Graphics.Chengdu,Chi- 参考文献： na,2007:667671. [15]CORP H.Finger vein authentication technology.[EB/ [1]DAVIS D,HIGGINS P,KORMARINSKI P,MARGUES J, OL].[2009-11-21].http://www.hitachi.co.jp/prod- ORLANS N,WAYMAN J.State of the art biometrics excel- ucts/it/veinid/global/index.html. lence roadmap[EB/OL].[2008-09-15].http://www.bio- [16]Sony Corp."mofiria"finger vein authentication technology metriccoe.gov/SABER/index.htm. [EB/OL].[2009-12-13].http://www.sony.net/Sony- [2]JAIN A K,FLYNN P,ARUN A R.Handbook of biometrics Info/technology/technology/theme/mofiria 01.html. [M].Secaucus,NJ,USA:Springer-Verlag,2007:15-21. [17]HASHIMOTO J.Finger vein authentication technology and [3]LUO F X,YU H,PAN JS,CHU S C,TSAI P W.A sur- its future[C]//VLSI Circuits.Honolulu,USA,2006:5 vey of vein recognition techniques[J].Inform Technol J, 8 2010(9):1142-1149, [18 IBG.Biometrics market and industry report 2009-2014 [4]WEAVER A C.Biometric authentication[J].Computer, EB/OL].2009-1-23].http://www.biometricgroup. 2006,39(2):96-97. com/reports/public/market report.php. [5]GOLDSTEIN A J,HARMON L D,LESK A B.Identifica- [19]YANAGAWA T,AOKI S,OHYAMA T.Human finger tion of human faces[J].Proceedings of the IEEE,1971,59 vein images are diverse and its patterns are useful for per- (5):748-760 sonal identification[R].MHF Preprint Series,Faculty of [6]LEE H C,GAENSSLEN R E.Advances in fingerprint tech- Mathematics,2007. nology[M].2nd ed.Boca Raton,Florida,USA:CRC [20]YU Chengbo,QING Huafeng,ZHANG Lian.A research Press LLC,2001:10-15. on extracting low quality human finger vein patter charac- [7]WILLIAMS G O.Iris recognition technology,in security teristics[C]//The 2nd International Conference on Bioin- technology[C]//30th Annual 1996 Interational Carahan formatics and Biomedical Engineering.Shanghai,China, Conference.[S.1.]1996:46-59. 2008:1876-1879. []SHIMIZU K.Optical trans-body imaging feasibility of opti- [21]CNN.Biometric atm gives cash via 'finger vein'scan. cal CT and functional imaging of living body[J].Medicina EB/OL ]2010-01-23 ]http://edition.cnn.com/ Philosophicas,1992,11:620-629. 2010/WORLD/europe/07/05/first.biometric.atm.eu- [9]CROSS J M,SMITH C L.Thermographic imaging of the rope/index.html. subcutaneous vascular network of the back of the hand for [22]MULYONO D,JINN H S.A study of finger vein biometric biometric identification[C]//IEEE International Carnahan for personal identification [C]//International Symposium Conference on Security Technology.Sanderstead,UK, on Biometrics and Security Technologies.Islambad,Paki- 1995:20-35. stan,2008:1-8. [10]KONO M,UEKI H,UMEMURA S.A new method for the [23]MEHNERT A J,CROSS J M,SMITH C L.Thermo graph- identification of individuals by using of vein pattern matc- ic imaging:segmentation of the subcutaneous vascular net- hing of a finger[C]//Proceedings of the Fifth Symposium work of the back of the hand[R].Perth,Australia:Edith on Pattern Measurement.Yamaguchi,Japan,2000:9-12. Cowan University,Australian Institute of Security and Ap- [11]DAI Yanggang,HUANG Beining,LI Wenxin,XU Zhuo- plied Technology,1993. qun.A method for capturing the finger-vein image using [24]LIN C L,FAN K C.Biometric verification using thermal nonuniform intensity infrared light[C]//Proceedings of the images of palm-dorsa vein patterns[J].IEEE Transactions 2008 Congress on Image and Signal Processing.Washing- on Circuits and Systems for Video Technology,2004,14 ton,DC,USA,2008,4:501-505. (2):199-213. [12]MIURA N,NAGASAKA A,MIYATAKE T.Feature ex- [25 ]GODIK EE,GULYAEV Y V.Functional imaging of the traction of finger vein patters based on iterative line track- human body[J].Engineering in Medicine and Biology ing and its application to personal identification[J].Sys- Magazine,1991,10(4):21-29. tems and Computers in Japan,2004,35(7):61-71. [26]KONO M,UEKI H,UMEMURA S I.Near-infrared finger [13]WU Jianda,YE Siouhuan.Driver identification using fin- vein pattemns for personal identification[J].Appl Opt, ger-vein patterns with radon transform and neural network 2002,41(35):7429-7436. [J].Expert Systems with Applications,2009,36 (3): [27]LEE J S.Digital image enhancement and noise filtering by