手指静脉采集技术综述

钱志华

摘  要： 近年来，生物识别技术在基础理论、算法模型、创新应用、软硬件支撑等方面不断取得突破。文章对手指静脉采集技术进行了探讨，包括使用近红外激光的接触式和非接触式手指静脉采集，以及使用重复线跟踪方法对手指静脉图像的提取等。手指静脉作为内部固有生物特征，与其他生物特征（例如指纹，人脸，声纹等）相比，更能满足高安全场所的应用需求，可以为任何身份验证提供更安全和准确的生物识别信息。

关键词： 手指静脉; 生物特征识别; 内部固有生物特征; NIR; 图像质量评价

中图分类：TP391.41          文献标识码：A     文章编号：1006-8228（2021）08-24-03

Survey of finger vein acquisition technologies

Qian Zhihua

（GRG Banking Equipment Co.， Ltd.， Guangzhou， Guangdong 510663， China）

Abstract： In recent years， biometric technology has made breakthroughs in basic theory， algorithm model， innovative application， hardware and software support and other aspects. This paper discusses the finger vein acquisition technologies， including the contact and non-contact finger vein acquisition by using near-infrared laser， as well as the finger vein image extraction by using repetitive line tracking method. Compared with other biological characteristics （such as fingerprint， face， voiceprint， etc.）， finger vein， as an internal inherent characteristic， can better meet the application needs of high security places， and can provide more secure and accurate biometric information for any authentication.

Key words： finger vein; biometric identification; internal inherent biological characteristic; NIR; image quality evaluation1 概述

手指静脉是内部固有生物特征，可抵抗时间和环境变化。从医学的角度来看，手指静脉具有以下特征：

⑴ 普遍性

静脉是人体重要器官，可为手指和人体其他部位循环提供足够的氧气和营养。依据解剖和临床事实证明健康个体的每根手指中都存在直径为0.3-1.0mm的静脉。

⑵ 唯一性

解剖学著作Grays Anatomy（《格式解剖学》）[1]已经证明，个体的手指静脉在形成、发育生长过程中具有很强的唯一性。

⑶ 永久性

当人体发育成熟，20岁后手静脉的分布结构除非进行手术或药物作用，否则不再变化，因此将手静脉作为生物特征是可行的[2-3]。

此外，自从2002年，日本医学研究人员Kono[4]介绍了手指静脉识别技术。从那时起，这些技术已在日本数百个城市广泛应用，世界其他国家也开发了手指静脉识别系统[5]。随着技术不断往前发展，我们将得出有关提取手指静脉的最准确和使用最广泛的技术结论。与传统身份认证（ID卡，身份证，密码等）方法不同，包括手指静脉在内的生物特征无法终生更改。

2 选择手指静脉用作生物识别

手指静脉认证是一种新的生物识别方法，利用手指内部的静脉模式进行个人身份验证。每根手指静脉都有不同的纹路、纹理以及细节点特征。指静脉的纹路特征是指从静脉灰度图像中提取出静脉网络，并使用静脉网络进行识别，该类特征能够较好地表达静脉整体的拓扑结构[6-9]。手指静脉识别中，图像的纹理特征多用局部二值码来表达。二值码通过当前像素的灰度值与邻域像素的灰度值的对比来获得。如果邻域中一个像素的灰度值小于当前像素的灰度值， 则用“0”标记， 否则，用“1”标记， 从而得到二值码串。文献[10]分别使用了局部二值模式（Local Binary Pattern LBP）和局部导数模式（Local Derivative Pattern LDP）提取静脉的纹理特征，并比较了这两种特征效果，指静脉识别中的细节点是指静脉图像中血管的分叉点、端点。文献[11-14]通过提取若干个细节点的信息来描述指静脉的主要特征。

指静脉认证技术具有几个重要功能，使其与其他形式的认证服务区分开来并作为高度安全和便捷的个人身份验证手段。

指静脉认证技术的特点如下。

⑴ 抵抗犯罪篡改：由于静脉隐藏在体内，因此几乎没有伪造或被盗的风险。

⑵ 高準确率：FRR（拒真率）的身份验证准确度小于0.01%，FAR（误识率）的身份验证准确度小于0.0001%，FTE（注册失败）的身份验证准确度小于0%。

⑶ 唯一且不變：即使对于同卵双胞胎，手指静脉的形态似乎也不同。

⑷ 非接触式：近红外光用于允许非侵入性，非接触式成像，从而确保用户体验的便利性和卫生性。

⑸ 轻松提取特征：提取的手指静脉图像相对稳定并且可以清晰捕获，从而可以使用低分辨率相机拍摄静脉图像，以进行小型，简单的数据图像处理。

⑹ 认证速度快：一对一身份验证花费的时间不到一秒钟。

3 手指静脉采集技术

为了将手指静脉用作高安全识别的生物特征，必须从人的手指中采集静脉。迄今为止，采集手指静脉已经采用了各种方法。现在，我们将看到一些重要且广泛使用的静脉采集方法。

3.1 使用近红外激光的接触式手指静脉采集

近红外激光的接触式采集是从手指采集静脉的常规系统。在该系统中，将直接与LED接触以采集静脉如图1所示。

该方法不仅导致卫生问题，而且会存在照明不均的可能性（尤其是侧打光方式容易在边缘和手指关节部位过曝），这将严重影响手指静脉识别准确率。

3.2 使用近红外激光的非接触式手指静脉采集

为了避免3.1遇到的问题，使用了非接触式手指静脉识别系统如图2所示。

该系统使用NIR激光和激光线发生器Lens。激光线发生器透镜从聚焦的激光中产生均匀分布的线激光。线激光纵向对准手指。近红外相机用于图像采集。

3.3 使用重复线跟踪方法提取手指静脉图像

提取的静脉会存在一些阴影，这将降低静脉图像识别的准确性。该方法用于从模糊图像获得清晰图像。以下算法用于提取清晰图像。

本部分介绍了特征提取方法。F（x，y）是像素（x，y）的强度，（Xc，Yc）是图像中当前线条跟踪点的位置， Rf是手指轮廓内的一组像素，并且Tr是轨迹空间。

假设图像中左下方的像素为（0，0），x轴的正方向为图像向右，y轴的正方向为图像向上，并且Tr（x，y）初始化为0。

步骤1：确定线条跟踪的起点和移动方向属性。

步骤2：检测暗线的方向和跟踪点的移动。

步骤3：更新跟踪轨迹空间中的点的次数。

步骤4：重复执行步骤1至步骤3（N次）。

步骤5：从轨迹空间提取手指静脉图像。

3.4 手指静脉图像质量评价

在手指静脉识别系统中，手指静脉的图像质量非常重要。通过分析大量采集的手指静脉图像，可知如下几个因素会影响静脉图像。

对比度：对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量。在静脉图像采集过程中常会发生照度不均的情况，而且光线的明暗会是图像偏亮或偏暗，降低图像的对比度。偏暗和偏亮的图像如图3所示。

位置偏移：非接触式采集的静脉图像会使手指的位置发生偏移。如果手指静脉在图像中的位置太偏，会使采集的有效信息量减少，影响静脉识别。

有效静脉区域：静脉图像包括前景图像和背景图像。前景图像面积为有效区域，在同一次静脉采集中，采集的静脉有效区域越大，含有的静脉信息越多，图像质量越好。

清晰度：清晰度是判断静脉纹路可否准确求出方向场。如果图像不清晰将会导致静脉与背景差别小，使静脉结构模糊，影响静脉特征的提取。清晰和模糊的图像如图4所示。

信息熵：在信息论中，熵用于表示信源输出的平均信息量的大小，它能提供信号潜在的动态过程的有用信息，其大小是对信号平均不确定性和复杂性的度量。在采集静脉图像中，信息熵表征了采集静脉图像整体的统计特征，是静脉信息量的度量。

4 结束语

与各种生物特征识别相比，手指静脉更安全。通过比较各种手指采集静脉的方法，能够更清晰了解到各种方法的优缺点：接触式手指静脉采集可以固定手指姿态，识别率更高，但卫生方面不如非接触式手指静脉采集;由于手指静脉识别技术应用在实际场景，同样面临巨大挑战，将来可以将手指静脉与其他生物特征进行多模态识别。这样，我们就可以为任何身份验证提供更安全和准确的生物识别信息。

参考文献（References）：

[1] Standring S. Gray's Anatomy[M].39th ed. Edinburgh：Elsevier Churchill Livingston，2005.

[2] Nadort A. The hand vein pattern used as a biometric feature[M].Nederland's Forensisch Instituut，2007：1-140

[3] Badawi A. Hand vein biometric verification prototype：A

testing performance and patterns similarity[A]. Proceeding of the 2006 International conference on Image Processing， Computer Vision， and Pattern Recognition：Las Vegas USA，2006，14：3-9

[4] Kono， M. A new method for the identification of individuals

by using of vein pattern matching of a finger[A]. In Proceedings of the 5th Symposium on Pattern Measurement： Yamaguchi， Japan，2000：9-12

[5] F. Tagkalakis， D. Vlachakis，V. Megalooikonomou and A.

Skodras. A Novel Approach to Finger Vein Authentication[A]. In Proceedings of the IEEE 14th International Symposium on Biomedical Imaging （ISBI 2017）： Melbourne， Australia，2017：18-21

[6] Song， W.， T. Kim， and H. ChanKim. A finger-vein verification system using mean curvature[J]. Pattern Recognition Letters，2011.32（11）：1541-1547

[7] T Liu， J.B.X.. An algorithm for finger-vein segmentation based on modified repeated line tracking[J].The Imaging Science Journal，2013.61（6）：491-502

[8] Qin， H.， L. Qin， and C. Yu. Region growth-based feature extraction method for finger-vein recognition[J]. Optical Engineering，2011.50（5）：301

[9] Huang， B.， et al.. Finger-Vein Authentication Based on

Wide Line Detector and Pattern Normalization[J]. 20th International Conference on Pattern Recognition，2010：1269-1272

[10] Lee， E.C.， H. Jung， and D. Kim. New Finger Biometric Method Using Near Infrared Imaging[J].Sensors， 2011.11（3）：2319-2333

[11] Yu， C.， et al.. Finger-vein image recognition combining

modified Hausdorff distance with minutiae feature matching[J].Interdisciplinary Sciences Computational Life Sciences，2009.1（4）：280-289

[12] Liu， F.， et al.. Singular value decomposition based minutiae matching method for finger vein recognition[J]. Neuro computing，2014.145：75-89

[13] Peng， J.， et al.. Finger-vein Verification Using Gabor

Filter and SIFT Feature Matching[J]. 2012 Eighth International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2012：45-48

[14] Pang， S.， et al.. Rotation Invariant Finger Vein

Recognition[J].Biometric Recognition，2012：151-156

收稿日期：2021-03-16

基金項目：国家自然科学基金资助项目（61672470）

作者简介：金保华（1966-），男，河南郑州人，博士，教授，主要研究方向：人工智能，计算机决策支持系统，计算机软件和理论。

通讯作者：李艳（1994-），女，河南开封人，硕士研究生，主要研究方向：人工智能。