1.引  言

隨著科學(xué)技術(shù)的發(fā)展，生物識(shí)別技術(shù)逐步代替了傳統(tǒng)的身份認(rèn)證方式，如磁卡、密碼等，有效地避免了傳統(tǒng)身份認(rèn)證方式丟失和被盜取的風(fēng)險(xiǎn)，提高了身份認(rèn)證的安全性和便捷性。生物識(shí)別技術(shù)［1］［2］是利用人體固有的生理特性（如指紋、人臉、虹膜、靜脈、掌紋、指橫紋等）和行為特征（如筆跡、聲音、步態(tài)等），結(jié)合光學(xué)、聲學(xué)、傳感器、模式匹配和深度學(xué)習(xí)等技術(shù)，來(lái)進(jìn)行個(gè)人身份的鑒定。

靜脈生物特征識(shí)別技術(shù)，是基于人體皮膚下靜脈血管的紋理特征進(jìn)行身份識(shí)別的一種生物特征識(shí)別技術(shù)。靜脈血管的分布模式包含了非常豐富的特異性信息，且靜脈中的脫氧血紅蛋白與其他生理組織對(duì)近紅外光的吸收差異較大，可以形成清晰的圖像作為個(gè)人身份認(rèn)證的生物信息。當(dāng)用特定波長(zhǎng)的近紅外光（波長(zhǎng)一般為700~1000m）照射手部時(shí)，光線穿過(guò)表皮， 在皮下組織發(fā)生散射，其中近紅外光被靜脈血液中的脫氧血紅蛋白大量吸收，因而靜脈紋路所在位置在圖像傳感器成像時(shí)呈現(xiàn)出深色陰影，其他非靜脈紋路的區(qū)域則呈現(xiàn)出較高亮度，從而得到靜脈圖像。

圖1. 血紅蛋白光譜吸收特性曲線

圖2.自然光手掌圖像和掌靜脈圖像

靜脈識(shí)別因其獨(dú)特的識(shí)別特點(diǎn)近年來(lái)得到了廣泛的關(guān)注，其主要特點(diǎn)有：

1) 特征信息穩(wěn)定性高。個(gè)體的靜脈紋路在青少年后基本不會(huì)發(fā)生變化，且即使是同卵雙胞胎靜脈信息也不相同。

2) 抗仿冒攻擊。靜脈識(shí)別需要在特定波長(zhǎng)的光源下才能有效成像，靜脈信息不易被竊取，難以偽造。

3) 非接觸式識(shí)別。無(wú)需人機(jī)接觸便可以使用，方便衛(wèi)生。

4) 具有活體檢測(cè)能力，且無(wú)需增加額外成本。流動(dòng)血液中脫氧血紅蛋白與其他組織對(duì)近紅外光的吸收率存在差異，因此活體靜脈才能有效成像。

5）易用性。靜脈識(shí)別對(duì)皮膚表面狀態(tài)不敏感，不受脫皮、汗?jié)n等常見(jiàn)皮膚狀況的影響，具有良好的環(huán)境適應(yīng)性，可滿足不同層級(jí)的場(chǎng)景應(yīng)用，識(shí)別更精準(zhǔn)，應(yīng)用更安全便捷。

6）主動(dòng)式識(shí)別，不用擔(dān)心隱私泄露和誤觸發(fā)識(shí)別問(wèn)題。

除了掌靜脈識(shí)別［3］，常見(jiàn)的生物識(shí)別技術(shù)還有人臉識(shí)別［4］、 虹膜識(shí)別技術(shù)［5］、指紋識(shí)別［6］、手指靜脈識(shí)別［7］、掌 紋 識(shí) 別［8］、手 背 靜 脈 識(shí) 別［9］、聲紋識(shí)別［10］等。其中人臉識(shí)別、指紋識(shí)別、聲紋識(shí)別、 指靜脈識(shí)別等，技術(shù)相對(duì)成熟并已經(jīng)在各行各業(yè)得到了廣泛的應(yīng)用。

由于技術(shù)的雙面性，生物識(shí)別技術(shù)在不斷取得創(chuàng)新突破的同時(shí)，還帶來(lái)了隱私泄漏、安全認(rèn)證、生物攻擊等問(wèn)題。具體如下：

——人臉識(shí)別系統(tǒng)：主要優(yōu)點(diǎn)在于使用方便，非接觸式采集，用戶體驗(yàn)高，且可以遠(yuǎn)距離識(shí)別等，目前已經(jīng)廣泛使用。但是人臉?biāo)N(yùn)含的信息量較生物特征相比是比較少的，變化的復(fù)雜性不夠，比如不同人的五官相對(duì)位置和大致形狀都是固定統(tǒng)一的（High inter-class similarity），而且容易受到人自身內(nèi)在的變化（如表情、化妝、年齡）以及光照、遮擋等外在環(huán)境的影響，因而人臉生物信息的可靠性及穩(wěn)定性相對(duì)較弱。此外，人臉識(shí)別系統(tǒng)可以通過(guò)一些傳感器進(jìn)行欺騙，對(duì)識(shí)別系統(tǒng)進(jìn)行攻擊，也可以通過(guò)3D打印進(jìn)行假臉攻擊，或者通過(guò)人臉識(shí)別算法進(jìn)行對(duì)抗攻擊，降低人臉識(shí)別精度。此外，在新冠病毒防控下，大批人臉產(chǎn)品無(wú)法在戴口罩的情況下對(duì)人臉進(jìn)行掃描識(shí)別，而摘下口罩會(huì)增大病毒傳染概率，部分人臉識(shí)別產(chǎn)品可以戴口罩進(jìn)行識(shí)別，但同樣增加了假臉攻擊的風(fēng)險(xiǎn)。

——指紋識(shí)別系統(tǒng)：使用方便，成本低廉，體積小巧，已經(jīng)廣泛應(yīng)用于考勤、門(mén)禁、出入境管理和手機(jī)支付等領(lǐng)域，在全球生物特征識(shí)別領(lǐng)域占據(jù)了最大的市場(chǎng)份額。但是容易受到皮膚表面狀況的影響，氣候干燥或天氣潮濕，皮膚汗液都會(huì)影響到指紋識(shí)別效果。指紋屬于接觸式生物識(shí)別，也面臨衛(wèi)生問(wèn)題，增大病毒的傳播風(fēng)險(xiǎn)。此外，指紋識(shí)別容易被他人竊取和偽造，有著易被復(fù)制、難證活體的安全漏洞，比如指紋翻模等。

——聲紋識(shí)別技術(shù)：識(shí)別精度較低，且面臨著錄音竊聽(tīng)、AI音頻生成、環(huán)境干擾等問(wèn)題。

——虹膜識(shí)別技術(shù)：相對(duì)安全可靠，但是采集比較困難，使用方式比較受限制，同時(shí)也面臨假虹膜攻擊等挑戰(zhàn)。

——指靜脈識(shí)別：雖然同屬靜脈識(shí)別，安全性較高，但是手指靜脈特征比較少，且容易受環(huán)境溫度影響，實(shí)際使用中識(shí)別精度顯著下降。手背靜脈識(shí)別，雖然識(shí)別精度較高，但不符合人們的使用習(xí)慣和人體工學(xué)原理，因而沒(méi)有得到推廣使用。

相比于指靜脈識(shí)別技術(shù)，掌靜脈識(shí)別技術(shù)具有更大的識(shí)別面積，整體特征高度豐富，使用方式更靈活，可實(shí)現(xiàn)完全非接觸式認(rèn)證，其應(yīng)用場(chǎng)景更為廣泛；相較于人臉識(shí)別、聲紋識(shí)別的技術(shù)，掌靜脈識(shí)別技術(shù)安全性、可靠性更高；相對(duì)于虹膜技術(shù)，掌靜脈識(shí)別技術(shù)用戶體驗(yàn)更好。因此掌靜脈識(shí)別技術(shù)具有很強(qiáng)的使用性和研究意義。圖3給出了各類生物識(shí)別技術(shù)的各方面比較。

圖3. 各類生物識(shí)別技術(shù)比較

2.掌靜脈識(shí)別技術(shù)國(guó)內(nèi)外研究現(xiàn)狀

MacGregor 和 Welford于 1991 年提出掌靜脈認(rèn)證[11]。隨后掌靜脈識(shí)別因其安全性高、活體檢測(cè)、用戶可接受性和便利性等特點(diǎn)，引起關(guān)注和研究。Toh 等[12]使用低成本的近紅外（NIR）相機(jī)代替更昂貴的紅外熱像儀進(jìn)行手掌圖像捕獲，并且使用濾波器的方法進(jìn)行圖像增強(qiáng)。Zhang等人[13]提出了一種使用手掌靜脈的個(gè)人身份驗(yàn)證方案，通過(guò)多尺度濾波提取手掌靜脈。Wang等人[14]提出了一種使用掌紋和掌紋圖像的多模式個(gè)人識(shí)別系統(tǒng)，并將其進(jìn)行圖像級(jí)融合。Ladoux等人[15]于2009年使用尺度不變特征變換（Scale-invariant feature transform，SIFT）特征描述符在圖像中檢測(cè)出靜脈關(guān)鍵點(diǎn)，進(jìn)行掌靜脈匹配驗(yàn)證。Zhou等人[16]通過(guò)對(duì)方向保持特征進(jìn)行編碼，并利用一種新的基于區(qū)域的匹配方案來(lái)更有效地適應(yīng)手掌潛在的變形、旋轉(zhuǎn)和平移變化，從而提高掌靜脈識(shí)別系統(tǒng)的性能。Han等人[17]介紹了一種使用掌靜脈模式的可靠個(gè)人驗(yàn)證方法，從207人中共收集了4140張掌靜脈圖像，構(gòu)建了一個(gè)低成本、非接觸式的近紅外手掌靜脈圖像數(shù)據(jù)庫(kù)，并且提出了一種創(chuàng)新且穩(wěn)健的自適應(yīng)Gabor濾波器來(lái)提取靜脈特征。Kang等人[18]提出了一種改進(jìn)的相互前景LBP（ Local Binary Pattern）方法，采用多光譜攝像頭（AD-080GE）和940 nm主動(dòng)紅外照明來(lái)構(gòu)建掌靜脈數(shù)據(jù)庫(kù)，實(shí)現(xiàn)更好的非接觸手掌靜脈識(shí)別匹配性能。Perwira 等[19]使用掌形中如手指根部、指尖和手腕中點(diǎn)等特定部位定位來(lái)獲得感興趣的區(qū)域（region of interest， ROI ）。Li 等人[20]捕獲了掌紋和掌靜脈重疊的圖像，并提出一種基于形態(tài)學(xué)的掌靜脈圖像分離方法，該方法也能作為掌靜脈圖像增強(qiáng)方法使用。Yan 等人[21]則使用整幅掌靜脈圖像作為ROI并取得優(yōu)異的效果。在文獻(xiàn)[22]中Bharathi 和 Sudhakar使用濾波器或形態(tài)學(xué)與其他方法結(jié)合提取紋路特征。Aberni 等[23]改進(jìn)了傳統(tǒng)的紋理特征表示方法，提出各種適用于掌靜脈認(rèn)證的紋理特征并取得優(yōu)秀性能。Ahmad 等[24]用波原子變換等域變換方法提取掌靜脈圖像特征。Wu等[25]從基本背景知識(shí)到數(shù)據(jù)采集、公共數(shù)據(jù)庫(kù)、預(yù)處理、特征提取和匹配，全面綜述了手掌靜脈識(shí)別的最新研究進(jìn)展。

早期的靜脈認(rèn)證主要是基于特征工程的方法，通過(guò)提取預(yù)處理后靜脈圖像中具有的可辨別性特征，度量待比較圖像特征的相似度而實(shí)現(xiàn)認(rèn)證。隨著深度學(xué)習(xí)的發(fā)展，許多基于深度學(xué)習(xí)的靜脈認(rèn)證方法相繼提出并取得優(yōu)異的效果?；谏疃葘W(xué)習(xí)的方法主要根據(jù)靜脈圖像的特點(diǎn)設(shè)計(jì)模型結(jié)構(gòu)、調(diào)改參數(shù)和訓(xùn)練策略。Thapar 等人[26]結(jié)合編—解碼器架構(gòu)設(shè)計(jì)掌靜脈認(rèn)證神經(jīng)網(wǎng)絡(luò) PVSNet ，實(shí)現(xiàn)了端到端的掌靜脈識(shí)別。Aung 等人[27]應(yīng)用Jerman增強(qiáng)濾波器來(lái)增強(qiáng)靜脈ROI圖像，訓(xùn)練了具有三重態(tài)損失的生成對(duì)抗神經(jīng)網(wǎng)絡(luò)（GAN）。Marattukalam等人[28]提出了一種級(jí)聯(lián)掌靜脈神經(jīng)網(wǎng)絡(luò)識(shí)別的架構(gòu)，用于識(shí)別少量數(shù)據(jù)集的手掌靜脈。Li等人[29]提出了雙峰掌紋融合網(wǎng)絡(luò)（BPFNet），該網(wǎng)絡(luò)專注于圖像級(jí)的ROI定位、對(duì)齊和雙峰圖像融合。BPFNet是一個(gè)包含兩個(gè)子網(wǎng)的端到端的神經(jīng)網(wǎng)絡(luò)框架：上游，檢測(cè)網(wǎng)絡(luò)基于包圍盒預(yù)測(cè)直接回歸掌紋ROI，并通過(guò)平移估計(jì)進(jìn)行對(duì)齊；在下游，雙模融合網(wǎng)絡(luò)利用提出的新的跨模式選擇方案，實(shí)現(xiàn)雙模感興趣區(qū)域圖像融合。Zhao 等在文獻(xiàn)[30]中提出了一種基于多視圖和判別的雙重學(xué)習(xí)的新型方法，該方法使用雙連接策略，對(duì)于每個(gè)人，來(lái)自不同視圖的特征可以在二進(jìn)制標(biāo)簽空間中彼此接近，對(duì)于同一個(gè)人的每種視圖，共享相同標(biāo)簽信息的功能可以通過(guò)強(qiáng)加鄰居圖正規(guī)化來(lái)相互移動(dòng)。所提出的方法可以靈活地應(yīng)用于任何類型的手掌特征融合。此外，它在低維度子空間中引入了多視圖功能，從而有效地降低了計(jì)算復(fù)雜性?，F(xiàn)有的手掌靜脈識(shí)別數(shù)據(jù)集通常在近紅外光下采集，缺乏對(duì)屬性（如位姿）的詳細(xì)注釋，因此不同屬性對(duì)靜脈識(shí)別的影響研究較少。因此Salazar Jurado等人[31]研究了合成的靜脈圖像的適用性，以彌補(bǔ)公共可用大規(guī)模數(shù)據(jù)集的缺乏。

一般的靜脈識(shí)別都是基于二維靜脈圖像進(jìn)行識(shí)別，隨著技術(shù)的發(fā)展和安全需求的不斷提升，出現(xiàn)了三維靜脈識(shí)別技術(shù)[32]。三維靜脈相對(duì)二維靜脈具有攜帶信息量更大、魯棒性更好和抗仿冒攻擊能力更強(qiáng)，具有很大的研究空間和潛力。Wang等 [33]提出一種基于光聲成像的新型手掌血管生物識(shí)別傳感系統(tǒng)，利用超聲波可以高分辨率地可視化深層組織中的光學(xué)吸收。該系統(tǒng)由超聲線性傳感器陣列和波長(zhǎng)為1064 nm的激光發(fā)射器組成，通過(guò)掃描陣列，可以獲得手掌脈管系統(tǒng)的3D圖像。與傳統(tǒng)的靜脈傳感技術(shù)相比，該系統(tǒng)具有更深的成像深度和更好的空間分辨率，但與其他低成本識(shí)別設(shè)備相比，該系統(tǒng)太昂貴了，無(wú)法實(shí)現(xiàn)典型的靜脈識(shí)別應(yīng)用。

3.掌靜脈核心技術(shù)

掌靜脈識(shí)別技術(shù)包括注冊(cè)過(guò)程、識(shí)別過(guò)程。

掌靜脈注冊(cè)階段，首先對(duì)掌靜脈圖像采集，通過(guò)近紅外成像方式獲取手掌皮膚下3mm以內(nèi)的血管紋理分布信息，對(duì)獲得的靜脈圖像進(jìn)行圖像校正、增強(qiáng)處理，隨后通過(guò)傳統(tǒng)的特征提取算法或者深度神經(jīng)網(wǎng)絡(luò)的方法，提取靜脈的方向、曲率、寬度、距離等信息構(gòu)成特征向量作為原始模版，將其存儲(chǔ)在靜脈數(shù)據(jù)庫(kù)或者硬件存儲(chǔ)中。

在進(jìn)行掌靜脈識(shí)別過(guò)程時(shí)，通過(guò)掌靜脈識(shí)別設(shè)備對(duì)掌靜脈圖像進(jìn)行實(shí)時(shí)采集，獲取手掌靜脈圖像，采用與訓(xùn)練階段相同的圖像處理方法和特征提取方法得到靜脈特征，計(jì)算提取到的特征與預(yù)先保存在特征庫(kù)中的已注冊(cè)特征進(jìn)行對(duì)比匹配，最后根據(jù)相似度確定用戶的身份。

圖4 掌靜脈識(shí)別系統(tǒng)流程圖

傳統(tǒng)的手掌靜脈圖像識(shí)別算法的關(guān)鍵方法主要有：① 基于靜脈圖譜的模板匹配算法。此類算法是在原始圖像上提取出靜脈線形信息，進(jìn)行二值化，得到模板特征，采用模板卷積匹配的方法進(jìn)行相似度計(jì)算。② 基于子空間的圖像分類算法。選擇一定數(shù)量的靜脈圖像樣本，分別對(duì)其進(jìn)行靜脈增強(qiáng)和降維處理，隨后訓(xùn)練一個(gè)分類器模型，使用訓(xùn)練好的模型便可對(duì)原始圖像進(jìn)行分類識(shí)別。③ 基于特征點(diǎn)提取的特征匹配方法。從原始圖像中提取出具有特異性的關(guān)鍵點(diǎn)，如靜脈的端點(diǎn)、分叉點(diǎn)、角點(diǎn)等，典型的算法包括SIFT特征、SURF特征、Minutiae特征等。④局部編碼的靜脈中心線匹配方法，對(duì)線形的靜脈特征進(jìn)行分段編碼，匹配過(guò)程中對(duì)分段信息進(jìn)行匹配，不同分段之間不需要保持絕對(duì)相同的位置偏移，提高了對(duì)圖像旋轉(zhuǎn)和變形的適應(yīng)性。⑤ 基于深度框架的自學(xué)習(xí)特征方法，對(duì)多層網(wǎng)絡(luò)參數(shù)適配，建立輸入、輸出節(jié)點(diǎn)之間的最佳非線性擬合網(wǎng)絡(luò)，使經(jīng)過(guò)深層網(wǎng)絡(luò)映射的物體樣本與樣本標(biāo)記之間關(guān)系盡量逼近真實(shí)分布，從而獲得最大概率分布。

基于深度學(xué)習(xí)的掌靜脈識(shí)別技術(shù)是完成以圖像分類為目標(biāo)的識(shí)別技術(shù)，通過(guò)對(duì)海量掌靜脈數(shù)據(jù)的學(xué)習(xí)，將手部圖像作為輸入到深度卷積神經(jīng)網(wǎng)絡(luò)中對(duì)ROI進(jìn)行自適應(yīng)分類和定位，計(jì)算用于分類和回歸的各種概率邊界框，實(shí)現(xiàn)ROI對(duì)手掌靜脈圖像的高精度分割。隨后使用ROI分割的張靜脈圖像訓(xùn)練了深度編碼器-解碼器網(wǎng)絡(luò)。該網(wǎng)絡(luò)由一個(gè)特征提取器（ Feature Extractor, FE）組成，對(duì)掌靜脈圖像進(jìn)行特征編碼，訓(xùn)練出具有泛化能力和分辨能力的更有利于匹配的圖像特征。訓(xùn)練過(guò)程中，還需要對(duì)輸入數(shù)據(jù)和中間層的數(shù)據(jù)進(jìn)行歸一化操作，保證網(wǎng)絡(luò)在反向傳播中采用隨機(jī)梯度下降（SGD），經(jīng)過(guò)對(duì)多層網(wǎng)絡(luò)參數(shù)的調(diào)整，最終建立起輸入、輸出節(jié)點(diǎn)之間的最佳非線性擬合網(wǎng)絡(luò)，通過(guò)深度學(xué)習(xí)選擇最具區(qū)分性的特征，擴(kuò)大類外間距，縮小類內(nèi)距離，形成具有高精度、高準(zhǔn)確、快速、實(shí)時(shí)、魯棒的深度學(xué)習(xí)掌靜脈識(shí)別系統(tǒng)。

4.掌靜脈識(shí)別技術(shù)硬件實(shí)現(xiàn)

靜脈圖像捕獲是識(shí)別的基礎(chǔ)，好的硬件設(shè)計(jì)能極大地發(fā)揮掌靜脈識(shí)別算法的識(shí)別能力和精度，是掌靜脈識(shí)別技術(shù)落地的關(guān)鍵因素和基礎(chǔ)。掌靜脈模組按使用功能可以分為掌靜脈采集模組和掌靜脈識(shí)別模組。掌靜脈采集模組只實(shí)現(xiàn)圖像采集功能，不需要進(jìn)行特征比對(duì)，而是掌靜脈識(shí)別模組同時(shí)具備采集、計(jì)算和存儲(chǔ)功能。

圖5 掌靜脈識(shí)別模塊硬件構(gòu)成

掌靜脈采集主要采用的是反射式成像原理，模組包括紅外濾光片、光源部分、攝像頭部分、主控芯片、電路等核心部分。其中，紅外濾光片作用是透過(guò)特定波長(zhǎng)的近紅外光，過(guò)濾環(huán)境光，提高成像對(duì)比度；光源部分的作用是發(fā)出近紅外光源照射手掌，光源布置方式為四邊形或者環(huán)形，包括正方形、矩形、圓形、橢圓形，光源尺寸需要根據(jù)所需部署空間尺寸、手掌識(shí)別距離進(jìn)行優(yōu)化；攝像頭部分的作用是拍攝掌靜脈圖像，采用感光靈敏度高的攝像頭芯片，可以提高采集靜脈圖像的質(zhì)量；主控芯片的作用是光源控制和掌靜脈圖像的采集、存儲(chǔ)、計(jì)算、識(shí)別以及通信等等。通過(guò)對(duì)這些核心部分進(jìn)行合理設(shè)計(jì)，選擇性能、參數(shù)合適的元器件，將元器件封裝放置（布局）在電路板上，然后根據(jù)原理圖飛線連接其電信號(hào)（布線），經(jīng)過(guò)功能調(diào)試才能完成掌靜脈識(shí)別模組的硬件系統(tǒng)。最終將研究的掌靜脈識(shí)別算法落地部署到設(shè)計(jì)好的硬件上，才能實(shí)現(xiàn)軟硬一體的掌靜脈識(shí)別系統(tǒng)。

5.掌靜脈識(shí)別技術(shù)落地應(yīng)用

掌靜脈識(shí)別技術(shù)應(yīng)用范圍廣泛，不僅可以應(yīng)用于安防門(mén)禁、軌道交通、金融支付，也可應(yīng)用于企業(yè)管理、智能樓宇、智慧社區(qū)、智慧園區(qū)、智慧城市、景區(qū)票務(wù)、醫(yī)療服務(wù)身份認(rèn)證、公安司法、軍工保密等多個(gè)領(lǐng)域。

圖6. 掌靜脈識(shí)別模組非接觸式認(rèn)證方案

掌靜脈識(shí)別系統(tǒng)部署在門(mén)禁機(jī)、電梯梯控、公司園區(qū)等需要人員管理、安全管控、金融支付的場(chǎng)景，可以對(duì)不同的通道可以授予不同的人不同的出入權(quán)限，實(shí)現(xiàn)對(duì)出入通道的多級(jí)控制管理，系統(tǒng)可聯(lián)網(wǎng)實(shí)時(shí)監(jiān)控，保障安全。

6.總結(jié)

掌靜脈識(shí)別技術(shù)，利用靜脈中的脫氧血紅蛋白與其他生理組織對(duì)近紅外光的吸收率差異，采取近紅外反射成像方式，獲取到體內(nèi)的靜脈圖譜信息，將靜脈特征數(shù)字化，以此作為身份信息識(shí)別認(rèn)證的依據(jù)，具有高度防偽、高度準(zhǔn)確、特性穩(wěn)定和使用方便的特點(diǎn)，可實(shí)現(xiàn)完全非接觸式、非限位的活體特征識(shí)別，適用于對(duì)安全性、用戶體驗(yàn)和識(shí)別速度均有較高要求的應(yīng)用環(huán)境。掌靜脈識(shí)別技術(shù)的實(shí)現(xiàn)不只需要圖像處理算法和高精度的掌靜脈識(shí)別算法，還需要良好的硬件設(shè)備。目前，市場(chǎng)上已經(jīng)開(kāi)發(fā)出了相對(duì)成熟的掌靜脈模組，能實(shí)現(xiàn)掌靜脈采集和識(shí)別一體化，實(shí)現(xiàn)掌靜脈技術(shù)落地應(yīng)用，安全衛(wèi)生，方便快捷，可廣泛應(yīng)用于各類場(chǎng)景。

參考文獻(xiàn)

[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