富士通掌静脉识别

合集下载

掌静脉识别研究综述

第２２卷㊀第１期２０２０年１月大连民族大学学报ＪｏｕｒｎａｌｏｆＤａｌｉａｎＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙＶｏｌ.２２ꎬＮｏ.１Ｊａｎｕａｒｙ２０２０收稿日期:２０１９－１１－２２ꎻ最后修回日期:２０１９－１２－２７作者简介:张秀峰(１９７５－)ꎬ男ꎬ黑龙江绥化人ꎬ副教授ꎬ博士ꎬ主要从事光电检测技术及仪器研究ꎮ文章编号:２０９６－１３８３(２０２０)０１－００３３－０５掌静脉识别研究综述张秀峰ꎬ牛选兵ꎬ王㊀伟ꎬ马天翼ꎬ龚丽娜ꎬ杨荣景(大连民族大学机电工程学院ꎬ辽宁大连１１６６０５)摘㊀要:指纹和掌纹存在于皮肤表面ꎬ有容易被伪造㊁缺乏安全性等一些不可避免的缺点ꎮ掌静脉识别技术应运而生ꎬ它在身份识别㊁安检㊁门禁和医学研究等方面有非常好的发展前景ꎮ对掌静脉识别技术的国内外研究现状进行分析ꎬ梳理掌静脉识别的相关算法ꎬ得到目前掌静脉识别存在的难点ꎬ为今后掌静脉识别技术的发展与应用提供参考ꎮ关键词:掌静脉识别ꎻ特征提取ꎻ深度学习中图分类号:ＴＰ３９１.４１㊀㊀㊀文献标志码:ＡＡＲｅｖｉｅｗｏｆＰａｌｍａｒＶｅｉｎＲｅｃｏｇｎｉｔｉｏｎＺＨＡＮＧＸｉｕ－ｆｅｎｇꎬＮＩＵＸｕａｎ－ｂｉｎｇꎬＷＡＮＧＷｅｉꎬＭＡＴｉａｎ－ｙｉꎬＧＯＮＧＬｉ－ｎａꎬＹＡＮＧＲｏｎｇ－ｊｉｎｇ(ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬＤａｌｉａｎＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙꎬＤａｌｉａｎＬｉａｏｎｉｎｇ１１６６０５ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｒｅｓｅａｒｃｈｏｎｈａｎｄｆｅａｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｉｓｍｏｒｅｐｒｏｍｉｎｅｎｔ.Ｂｅｃａｕｓｅｆｉｎｇｅｒｐｒｉｎｔｓａｎｄｐａｌｍｐｒｉｎｔｓｅｘｉｓｔｏｎｔｈｅｓｋｉｎｓｕｒｆａｃｅꎬｔｈｅｒｅａｒｅｓｏｍｅｕｎａｖｏｉｄａｂｌｅｓｈｏｒｔｃｏｍｉｎｇｓｓｕｃｈａｓｅａｓｙｆｏｒ￣ｇｅｒｙａｎｄｌａｃｋｏｆｓｅｃｕｒｉｔｙꎬｗｈｉｃｈｗｉｌｌａｆｆｅｃｔｔｈｅｒｅｃｏｇｎｉｔｉｏｎｅｆｆｅｃｔ.Ｉｎｒｅｓｐｏｎｓｅｔｏｔｈｅｓｅｓｈｏｒｔｃｏｍ￣ｉｎｇｓꎬｐａｌｍｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｃａｍｅｉｎｔｏｂｅｉｎｇ.Ｉｔｈａｓｖｅｒｙｇｏｏｄｄｅｖｅｌｏｐｍｅｎｔｐｒｏｓｐｅｃｔｓｉｎｉｄｅｎｔｉｆｉｃａｔｉｏｎꎬｓｅｃｕｒｉｔｙꎬａｃｃｅｓｓｃｏｎｔｒｏｌａｎｄｍｅｄｉｃａｌｒｅｓｅａｒｃｈ.Ｔｈｉｓｐａｐｅｒａｎａｌｙｚｅｓｔｈｅｒｅ￣ｓｅａｒｃｈｓｔａｔｕｓｏｆｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｔｈｏｍｅａｎｄａｂｒｏａｄꎬｓｏｒｔｓｏｕｔｔｈｅｒｅｌａｔｅｄａｌ￣ｇｏｒｉｔｈｍｓꎬａｎｄｏｂｔａｉｎｓｔｈｅｅｘｉｓｔｉｎｇｄｉｆｆｉｃｕｌｔｉｅｓｏｆｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎꎬｐｒｏｖｉｄｉｎｇｒｅｆｅｒｅｎｃｅｓｆｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｔｈｅｆｕｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｐａｌｍａｒｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎꎻｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎻｄｅｅｐｌｅａｒｎｉｎｇ㊀㊀随着科学技术的发展和进步ꎬ生物特征识别技术[１]在身份识别㊁医疗诊断和交通管理ꎬ甚至是在人们的日常生活中各个方面的应用越来越广泛ꎮ手部特征识别具有方便快捷等优点ꎬ目前对手部特征的识别主要有指静脉识别[２]㊁掌静脉识别[３]㊁指纹识别[４]㊁指节纹识别[５]㊁掌纹识别[６]和手形识别[７]等ꎮ而掌静脉识别作为一种新兴的生物特征识别技术ꎬ属于内生理特征ꎮ它不会磨损并且是活体时才存在的生理特征ꎬ具有难伪造㊁比掌纹和指纹识别更具安全性㊁比人脸识别更具稳定性㊁比虹膜识别更具应用的普遍性等特点[８]ꎮ因此ꎬ掌静脉识别成为了目前手部特征研究的热点之一ꎮ１㊀国内外研究现状１.１㊀国外研究现状国外在静脉识别方面的研究起步很早ꎬ用于静脉识别的技术也相对成熟ꎬ研发了很多静脉识别技术相关的产品[９]ꎮ１９８３年ꎬ柯达公司在诺丁汉的雇员ＪｏｓｅｐｈＲｉｃｅ在研究红外条形码技术时产生了利用人体手背血管红外成像作为身份识别的想法ꎬ并发明了手静脉特征识别技术ꎬ取名为Ｖｅｉｎｃｈｅｃｋ[１０]ꎮ１９９２年ꎬ日本北海道大学生物工程系的Ｋ.Ｓｈｉｍｉｚｕ发表文章认为可以利用人体手血管红外成像作为身份识别依据[１１]ꎬ为后来日本和韩国进行静脉识别奠定了基础ꎮ１９９７年ꎬ韩国ＮＥＸＴＥＲＮ公司研制出首套手背静脉识别产品ＢＫ－１００ꎬ静脉识别系统进入商业应用[１２]ꎮ２００４年ꎬ日本富士通公司发布了ＰａｌｍＳｅｃｕｒｅ设备ꎬ该设备可安放在银行ＡＴＭ设备中ꎬ其尺寸虽只有手掌大小ꎬ但实现了客户身份识别的功能[１３]ꎮ２００７年ꎬ静脉识别技术正式被国际标准组织(ＩＳＯ)采纳[１４]ꎮ２００８年ꎬ英国ＡｈｍｅｄＭ.Ｂａｄａｗｉ首次采用３ˑ３的中值滤波器处理图像ꎬ逐个像素对比进行特征图像匹配ꎬ通过大量实验后得出的匹配结果ＦＡＲ和ＦＲＲ等指标都得到很大的提高ꎬ但识别需要的时间较长ꎬ无法满足实时识别的需求[１５]ꎮ２０１０年ꎬＮＥＣ发布了可同时对指纹及手指静脉进行识别认证的设备ꎮ２０１４年ꎬ日本富士通公司在手机终端实现手掌静脉识别[１３]ꎮ此前ꎬ日本富士通公司推出了最新款超薄型手掌静脉模块Ｐａｌｍ￣Ｓｅｃｕｒｅ－ＦＰｒｏꎬ具有很高的操作性和很强的环境适应能力ꎬ单机可支持双手５０００人登录ꎬ与２０１０年开始销售的老款传感器ＰａｌｍＳｅｃｕｒｅ－Ｖ２相比具有更完善的功能[１６]ꎮ１.２㊀国内研究现状国内在静脉识别方面的起步较晚ꎬ但由于静脉识别具有研究的诸多优越性ꎬ令其在国内的研究和发展极其迅速ꎮ２００３年ꎬ清华大学林喜荣等[１７]发表了关于手背静脉图像特征提取和匹配的文章ꎮ此后ꎬ国内许多高校和科研机构也相继展开了对静脉识别的研究ꎮ２００９年ꎬ重庆工学院的余成波等[１８]提出基于方向谷形检测的静脉纹路分割ꎬ使用该方法虽然取得了一定的效果ꎬ但较难处理质量不高的图像ꎮ２０１１年ꎬ东北大学的贾旭等[１９]提出了基于分块脊波变换的手背静脉识别算法ꎬ首先利用改进的细化算法对获得的二值图像进行细化处理ꎬ得到了静脉的骨架信息ꎻ再将细化后的静脉图像进行分块ꎬ然后做脊波变换ꎬ并通过降维得到静脉图像的特征向量ꎻ最后利用支持向量机(ＳＶＭ)对静脉图像进行分类匹配ꎬ实验表明其正确识别率可达９７％以上ꎮ２０１９年ꎬ南方医科大学的袁玲等[２０]提出了基于自适应融合的手掌静脉增强方法ꎬ与传统的手掌静脉识别方法相比较ꎬ降低了错误率ꎬ提高了识别精度ꎮ２㊀手掌静脉识别方法２.１㊀传统手掌静脉图像识别方法传统的手掌脉识别方法首先采集静脉图像并进行预处理ꎬ一般采用近红外光拍摄获取手掌静脉图像ꎻ截取ＲＯＩ(ＲｅｇｉｏｎＯｆＩｎｔｅｒｅｓｔ)区域进行增强㊁去噪等处理ꎻ最后静脉特征提取及匹配ꎮ静脉特征的提取是识别中关键的一步ꎬ提取出完整的掌静脉特征会降低识别的难度ꎮ２.１.１㊀手掌静脉ＲＯＩ图像的获取通过图像采集设备获取的手掌静脉图像包含手指㊁手腕以及手掌外部的背景ꎬ而在进行掌静脉图像处理时只需要处理含有丰富静脉血管的手掌区域ꎬ该区域称为感兴趣区域ＲＯＩ[２１]ꎮ目前有很多种获取ＲＯＩ的方法:中国科学技术大学的王春义[２２]提出非接触式高质量掌静脉图像获取方法ꎬ首先改进了基于掌心或手腕中心与手掌轮廓距离的手掌定位方法ꎬ使算法无需判断左右手即可提取出感兴趣区域ꎬ此外ꎬ结合手掌轮廓凹性分析ꎬ给出了鲁棒性更高的手掌定位方法ꎬ并通过实验验证该方法的定位准确率ꎻ沈阳工业大学的李威[２３]提出非接触成像方式下手掌特征提取的方法ꎬ首先对图像进行二值化ꎬ找到边缘轮廓图ꎬ然后用定位指峰与指谷的方法进行边缘检测ꎬ确定内切圆的圆心和半径ꎬ利用圆的数学特性确定手掌内切圆ꎬ从而确定手掌ＲＯＩ区域ꎮ用以上方法处理图像效果虽好ꎬ但处理时间较长ꎬ且易受外界因素干扰ꎮ２.１.２㊀手掌静脉图像的增强在掌静脉的识别中ꎬ静脉图像增强是重要的研究内容ꎬ直接影响特征提取与匹配的结果ꎬ进而影响识别精度ꎮ手掌静脉识别过程中ꎬ由于采集手部静脉图像时可能会受到采集设备㊁光照条件等各种因素的干扰ꎬ导致采集到的图像不清晰或静脉血管与背景区分度低等质量不佳的情况ꎬ因此对静脉图像识别之前需要对图像进行增强处理ꎮ图像增强是指改善图像质量㊁丰富图像信息㊁加强图像识别效果ꎬ从而使图像主观上看起来更好的一种图像处理方法[２４]ꎮ目前主要的图像增强方法有:灰度归一化[２５]㊁直方图均衡[２６]㊁自适应对比度增强[２７]㊁自适应直方图均衡[２８]等ꎮ例如娄梦莹等[２９]提出的基于自适应融合的手掌静脉增强方法ꎬ采用自适应ＤＣＰ和ＰＯＳＨＥ算法分别对手掌图像增强ꎬ并将ＤＣＰ增强图像和ＰＯＳＨＥ增４３大㊀连㊀民㊀族㊀大㊀学㊀学㊀报第２２卷强图像自适应融合ꎬ得到最终的增强图像ꎮ电子科技大学张钊[３０]发表的掌静脉识别算法研究成果中ꎬ用限制对比度自适应直方图均衡(ＣＬＡＨＥ)方法ꎬ将图像分块后再用自适应直方图处理ꎬ有效避免了图像的过度增强ꎬ效果更好ꎮ２.１.３㊀手掌静脉特征提取手掌静脉特征提取的质量决定着识别的效果ꎬ因此提取合理的手掌静脉特征是很多学者研究的重点ꎮ北京邮电大学的马欣[１３]提出一种根据图像不同区域纹理特性自适应地选择局部Ｇａ￣ｂｏｒ参数的算法ꎬ从而可最优化地提取静脉特征ꎬ提高系统识别率ꎬ但该方法耗时较长ꎮ哈尔滨工业大学的傅泽思[３１]采用四个滤波器的实部滤波图像ꎬ按照单方向２Ｄ－Ｇａｂｏｒ滤波编码的方法进行比特编码ꎬ再比较图像经过四个不同方向滤波器滤波后Ｇａｂｏｒ幅值的大小ꎬ将最大幅值响应的图像编码作为最后的图像特征编码ꎬ利用多方向纹理信息ꎬ提取手掌静脉特征ꎬ但该方法提取ＲＯＩ区域时ꎬ关键的定位有偏移ꎬ导致识别匹配率较低ꎮ吉林大学的代立波[３２]提出利用距离变换算法生成手指骨架图ꎬ通过对其进行局部和全局比较保证骨架图的连续性ꎬ提取手指骨架中心点ꎬ对生成的骨架图进行修剪与拟合获取手指中轴线ꎬ使手指特征更加稳定ꎻ之后为充分利用手形信息ꎬ提取手形的几何和轮廓双重特征ꎬ但该算法对图像质量要求高且算法复杂ꎬ提取时间较长ꎮ西北大学的严娇娇[３３]提出基于全局Ｇｉｓｔ特征的掌静脉特征提取方法ꎬ将增强后的掌静脉图像抽象为一幅场景图像ꎬ利用分块提取思想对其分块后ꎬ提取每块的全局Ｇｉｓｔ特征ꎬ将所有Ｇｉｓｔ特征级联构成掌静脉特征向量ꎬ采用主成分分析法对高维掌静脉特征向量进行降维处理ꎬ使其能够有效地完成识别ꎬ但该方法降维过程较难处理ꎮ２.２㊀基于深度学习的掌静脉图像识别深度学习可以通过学习一个深度非线性网络ꎬ实现复杂函数逼近ꎬ展现了其从少量样本集中学习数据集本质特征的能力[３４]ꎮ在深度学习中ꎬ卷积神经网络(ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋꎬＣＮＮ[３５])作为最早成功应用的深度学习模型ꎬ是受生物视觉感知机制启发的深度学习框架ꎬ具有很强的图像表达能力ꎬ现已在目标检测[３６－３７]㊁图像检索[３８－３９]㊁人脸识别[４０－４１]等领域得到广泛应用ꎮ它不但可以自动进行特征提取和分类识别ꎬ还会将识别结果反作用于特征提取ꎬ不需要人工设计特征ꎬ解决了使用传统方法难以提取特征的问题ꎮ经典的卷积神经网络主要包括输入层㊁卷积层㊁池化层㊁全连接层和输出层[４２]ꎮ其中ꎬ利用卷积层可以对手掌静脉图像进行特征提取ꎬ但随着网络模型的加深ꎬ卷积核增加ꎬ参数增多ꎬ容易出现过拟合现象ꎬ这种情况就可用池化层对图像进行二次特征提取ꎮ全连接层用来连接输出层ꎬ对此前提取特征进行分类处理ꎬ最后输出结果ꎮ如南方医科大学的袁丽莎[４３]利用双通道卷积神经网络模板的多样化ꎬ特征提取更充分ꎬ从而更好地保留了原始静脉图像信息的完整性ꎬ并且卷积神经网络可以提取掌静脉图像更高层次和更具表达能力的静脉特征ꎬ有效避免了人工提取特征的局限性ꎮ神经网络可以分为有监督学习网络和无(半)监督学习网络ꎮ卷积神经网络作为有监督学习网络ꎬ发展比较迅速ꎬ已经应用于很多研究领域ꎮ而无监督学习网络由于自身模型难以模拟ꎬ在各研究领域的应用较少ꎮ２０１４年ꎬ由Ｇｏｏｄｆｅｌｌｏｗ首次提出的生成对抗网络(ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔ￣ｗｏｒｋｓꎬＧＡＮ[４４])属于无监督学习网络的一种模型ꎮＧＡＮ基本框架包括生成模型(Ｇｅｎｅｒａｔｏｒ)和判别模型(Ｄｉｓｃｒｉｍｉｎａｔｏｒ[４５])ꎬ不再需要预先设定的数据分布ꎬ具有拟合的最大自由性[４６]ꎬ可避免卷积神经网络使用最大似然估计时产生的概率计算问题ꎬ但也存在训练不稳定的缺点ꎬ需要进一步优化网络模型ꎮ而条件生成对抗网络(ＣＧＡＮ)作为生成对抗网络的一个扩展ꎬ可有效解决传统静脉图像增强时ꎬ滤波过程中引进的噪声和残存的掌纹问题ꎮ相对于普通的生成对抗网络具有更强大的生成能力ꎬ同时训练更加容易稳定ꎮ如南方医科大学的袁玲[２０]采用条件生产对抗网络ꎬ调整网络的参数使原始手掌静脉图像在学习目标图像静脉网络结构的同时ꎬ去除少量掌纹及滤波操作引进的噪声ꎬ获得静脉纹理更加清晰的手掌静脉图像ꎮ较传统算法ꎬ该方法在有效识别的同时缩短了识别时间ꎮ３㊀手掌静脉识别难点随着学者们的不断研究和机器学习的发展ꎬ手掌静脉识别方面存在的许多问题都得以解决ꎬ但仍然存在以下难点:(１)掌静脉图像采集环境的影响ꎮ掌静脉的５３第１期张秀峰ꎬ等:掌静脉识别研究综述采集主要有接触式采集和非接触式采集ꎬ无论利用哪种采集方式ꎬ采集过程都会受到光照㊁采集背景和温度等因素的影响ꎮ如文献[４７]使用高动态范围的方法识别手掌静脉取得了不错的效果ꎬ但在获取图像时会引入其他噪声ꎬ使掌静脉图像的识别时间增加ꎮ(２)掌静脉ＲＯＩ图像定位分割的影响ꎮ为获取静脉特征丰富的区域ꎬ需对掌静脉ＲＯＩ图像定位分割ꎬ学者们一般采用香港理工大学数据库的掌静脉图像进行静脉识别研究ꎬ库中的掌静脉图像由于采集时需要固定手掌而在中指与无名指之间的指谷位置安装了硬件设备ꎬ从而使掌静脉ＲＯＩ图像难以定位分割ꎮ如文献[４８]由于缺乏适宜的ＲＯＩ定位分割方法ꎬ导致特征提取的准确性较低ꎬ识别率不高ꎮ(３)掌纹的影响ꎮ掌静脉图像带有掌纹ꎬ现有的算法仍然不能够完全去除掌纹的干扰ꎬ如逄增耀等[４９]利用模糊阈值判定以及全局灰度值匹配提高算法的鲁棒性ꎬ但没有更好地去除掌纹的干扰ꎬ使掌静脉的识别效果不佳ꎮ综上所述ꎬ在今后的掌静脉识别研究中应针对以上难点ꎬ寻求更有效的方法㊁算法解决问题ꎮ４㊀结㊀语手掌静脉识别已应用于很多领域ꎬ有非常好的发展前景ꎮ本文通过对掌静脉识别方法的介绍ꎬ可以得出传统的掌静脉识别方法已经慢慢淡出人们的视野ꎬ而随着机器学习算法的不断发展和优化ꎬ使掌静脉识别技术愈发成熟ꎮ相信未来在掌静脉识别的研究中ꎬ识别精度会不断提高ꎬ达到更好的识别效果ꎬ且在各领域中的应用有更多突破ꎮ参考文献:[１]郑方ꎬ艾斯卡尔肉孜ꎬ王仁宇ꎬ等.生物特征识别技术综述[Ｊ].信息安全研究ꎬ２０１６ꎬ２(１):１２－２６. [２]吴超.基于深度学习的指静脉识别研究[Ｄ].南京:南京邮电大学ꎬ２０１８.[３]ＤＵＤＹꎬＬＵＬＪꎬＦＵＲＹꎬｅｔａｌ.Ｐａｌｍｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｅｎｄ－ｔｏ－ｅｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＳｏｕｔｈｅｒｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙꎬ２０１９ꎬ３９(２):２０４－２１７.[４]ＣＡＯＫꎬＪＡＩＮＡＫ.Ｌｅａｒｎｉｎｇｆｉｎｇｅｒｐｒｉｎｔｒｅｃｏｎｓｔｒｕｃｔｉｏｎ:Ｆｒｏｍｍｉｎｕｔｉａｅｔｏｉｍａｇｅ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｆｏｒ￣ｍａｔｉｏｎＦｏｒｅｎｓｉｃｓ＆Ｓｅｃｕｒｉｔｙꎬ２０１５ꎬ１０(１):１０４－１１７. [５]陆劲挺ꎬ贾伟ꎬ叶慧ꎬ等.指节纹识别综述[Ｊ].模式识别与人工智能ꎬ２０１７ꎬ３０(７):６２２－６３６. [６]ＩＭＡＤＲꎬＲＯＭＡＩＮＨꎬＧＩＡＮＬＭꎬｅｔａｌ.Ｐａｌｍｐｒｉｎｔｒｅｃｏｇ￣ｎｉｔｉｏｎｗｉｔｈａｎｅｆｆｉｃｉｅｎｔｄａｔａｄｒｉｖｅｎｅｎｓｅｍｂｌｅｃｌａｓｓｉｆｉｅｒ[Ｊ].ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓꎬ２０１９ꎬ１２６:２１－３０. [７]ＫＡＮＧＷꎬＷＵＱ.Ｐｏｓｅ－ｉｎｖａｒｉａｎｔｈａｎｄｓｈａｐｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｆｉｎｇｅｒｇｅｏｍｅｔｒｙ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓ￣ｔｅｍｓＭａｎ＆ＣｙｂｅｒｎｅｔｉｃｓＳｙｓｔｅｍｓꎬ２０１４ꎬ４４(１１):１５１０－１５２１.[８]ＫＵＢＡＮＥＫＭꎬＳＭＯＲＤꎬＨＯＬＯＴＹＡＫＴ.Ｆｅａｔｕｒｅｅｘｔｒａｃ￣ｔｉｏｎｏｆｐａｌｍｖｅｉｎｐａｔｔｅｒｎｓｂａｓｅｄｏｎｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌｄｅｎｓｉｔｙｆｕｎｃｔｉｏｎ[Ｃ].ＩＣＡＩＳＣ２０１５:Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１５ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅａｎｄＳｏｆｔＣｏｍｐｕｔｉｎｇ.Ｂｅｒｌｉｎ:Ｓｐｒｉｎｇｅｒꎬ２０１５:１０１－１１１.[９]叶慧.基于方向局部描述子的掌纹和手掌静脉识别研究[Ｄ].合肥:合肥工业大学ꎬ２０１８.[１０]秦斌.手静脉身份识别技术[Ｊ].现代电子技术ꎬ２０１１ꎬ３４(４):１６９－１７４.[１１]ＳＨＩＭＩＺＵＫ.Ｏｐｔｉｃａｌｔｒａｎｓ－ｂｏｄｙｉｍａｇｉｎｇｆｅａｓｉｂｉｌｉｔｙｏｆｏｐ－ｔｉｃａｌＣＴａｎｄｆｕｎｃｔｉｏｎａｌｉｍａｇｉｎｇｏｆｌｉｖｉｎｇｂｏｄｙ[Ｊ].ＪＰＮＪ.ｏｆＭｅｄｉｃｉｎａＰｈｉｌｏｓｏｐｈｉｃａꎬ１９９２ꎬⅡ:６２０－６２９. [１２]宗宇轩.基于优化纹理特征的手背静脉识别算法研究及在ＲａｓｐｂｅｒｒｙＰｉ系统上的实现[Ｄ].长春:吉林大学ꎬ２０１８.[１３]马欣.手掌静脉身份识别关键技术研究[Ｄ].北京:北京邮电大学ꎬ２０１８.[１４]张文辉.掌静脉识别系统研究与实现[Ｄ].成都:电子科技大学ꎬ２０１７.[１５]ＢＡＤＡＷＩＡＭ.Ｈａｎｄｖｅｉｎｂｉｏｍｅｔｉｒｃｖｅｒｉｆｉｃａｔｉｏｎｐｒｏｔｏｔｙｐｅ:Ａｔｅｓｔｉｎｇｐｅｒｆｏｒｍａｎｃｅａｎｄｐａｔｔｅｒｎｓｓｉｍｉｌａｒｉｔｙ[Ｊ].Ｉｎｔｅｒｎａ￣ｔｉｏｎａｌＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＳｃｉｅｎｃｅｓꎬ２００７:３４－３８. [１６]陶静静.非接触式多光谱掌静脉识别系统设计[Ｄ].淮南:安徽理工大学ꎬ２０１９.[１７]林喜荣ꎬ庄波ꎬ苏晓生.人体手背血管图像的特征提取及匹配[Ｊ].清华大学学报(自然科学版)ꎬ２００３ꎬ４３(２):１６４－１６７.[１８]余成波ꎬ秦华峰.生物特征识别技术[Ｍ].北京:清华大学出版社ꎬ２００９:２３－２５.[１９]贾旭ꎬ薛定宇ꎬ崔建江ꎬ等.基于分块脊波变换的静脉识别算法[Ｊ].模式识别与人工智能ꎬ２０１１(３):３４６－３５２.[２０]袁玲.基于图像融合和深度学习的手掌静脉图像增强方法[Ｄ].广州:南方医科大学ꎬ２０１８.[２１]刘富ꎬ姜守坤ꎬ康冰ꎬ等.基于最大圆形感兴趣区域的手背静脉识别系统[Ｊ/ＯＬ].吉林大学学报(工学版):１－６[２０１９－１２－２０].ｈｔｔｐｓ://ｄｏｉ.ｏｒｇ/１０.１３２２９/ｊ.ｃｎｋｉ.ｊｄｘｂｇｘｂ２０１９０７７７.[２２]王春义.非接触式高质量掌静脉图像获取方法研究[Ｄ].合肥:中国科学技术大学ꎬ２０１８.６３大㊀连㊀民㊀族㊀大㊀学㊀学㊀报第２２卷[２３]李威.非接触成像方式下手掌特征提取方法研究[Ｄ].沈阳:沈阳工业大学ꎬ２０１３.[２４]岳林ꎬ万新军ꎬ张晨皓ꎬ等.复杂背景下红外静脉图像的分割与增强[Ｊ].电子科技ꎬ２０１７ꎬ３０(３):１１８－１２０. [２５]ＬＡＤＯＵＸＰＯꎬＲＯＳＥＮＢＥＲＧＥＲＣꎬＤＯＲＩＺＺＩＢ.ＰａｌｍｖｅｉｎｖｅｒｉｆｉｃａｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＳＩＦＴｍａｔｃｈｉｎｇ[Ａ].ＡｄｖａｎｃｅｓｉｎＢｉｏｍｅｔｒｉｃｓ.ＢｅｒｌｉｎＨｅｉｄｅｌｂｅｒｇ:Ｓｐｒｉｎｇｅｒꎬ２００９:１２９０－１２９８.[２６]ＥＳＷＡＲＲꎬＲＡＭＡＣＨＡＮＤＲＡＲ.Ｄｙｎａｍｉｃｃｌｉｐｐｅｄｈｉｓ￣ｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒｅｎｈａｎｃｉｎｇｌｏｗｃｏｎｔｒａｓｔｉｍａｇｅｓ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙｏｆＳｃｉ￣ｅｎｃｅｓꎬＩｎｄｉａＳｅｃｔｉｏｎＡ:ＰｈｙｓｉｃａｌＳｃｉｅｎｃｅｓꎬ２０１９ꎬ８９(２):６７３－６９８.[２７]王成ꎬ张艳超.像素级自适应融合的夜间图像增强[Ｊ].液晶与显示ꎬ２０１９ꎬ３４(９):８８８－８９６.[２８]王超ꎬ孙玉秋ꎬ徐石瑶ꎬ等.自适应直方图均衡化图像增强算法研究[Ｊ].长江大学学报(自科版)ꎬ２０１８ꎬ１５(１):５５－５９.[２９]娄梦莹ꎬ袁丽莎ꎬ刘娅琴ꎬ等.基于自适应融合的手掌静脉增强方法[Ｊ].计算机应用ꎬ２０１９ꎬ３９(４):１１７６－１１８２.[３０]张钊.掌静脉识别算法研究[Ｄ].成都:电子科技大学ꎬ２０１７.[３１]傅泽思.手掌静脉识别技术研究[Ｄ].哈尔滨:哈尔滨工业大学ꎬ２０１４.[３２]代立波.融合手形和掌部静脉的双模态识别系统研究[Ｄ].长春:吉林大学ꎬ２０１８.[３３]严娇娇.基于掌纹与掌静脉双模态融合特征识别研究[Ｄ].西安:西北大学ꎬ２０１８.[３４]吴超ꎬ邵曦.基于深度学习的指静脉识别研究[Ｊ].计算机技术与发展.２０１８ꎬ２８(２):２００－２０４.[３５]ＪＩＮＪꎬＦＵＫꎬＺＨＡＮＧＣ.Ｔｒａｆｆｉｃｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｈｉｎｇｅｌｏｓｓｔｒａｉｎｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓꎬ２０１４ꎬ１５(５):１９９１－２０００.[３６]ＲＥＮＳＱꎬＨＥＫＭꎬＧＩＲＳＨＩＣＫＲꎬｅｔａｌ.ＦａｓｔｅｒＲ－ＣＮＮ:Ｔｏｗａｒｄｓｒｅａｌ－ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１７ꎬ３９(６):１１３７－１１４９.[３７]ＨＥＫꎬＺＨＡＮＧＸꎬＲＥＮＳꎬｅｔａｌ.Ｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏ￣ｌｉｎｇｉｎｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｖｉｓｕａｌｒｅｃｏｇｎｉｔｉｏｎ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１５ꎬ３７(９):１９０４－１９１６.[３８]ＺＨＥＮＧＬꎬＹＡＮＧＹꎬＴＩＡＮＱ.ＳＩＦＴｍｅｅｔｓＣＮＮ:Ａｄｅｃａｄｅｓｕｒｖｅｙｏｆｉｎｓｔａｎｃｅｒｅｔｒｉｅｖａｌ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔ￣ｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１８ꎬ４０(５):１２２４－１２４４. [３９]ＮＡＫＡＺＡＷＡＴꎬＫＵＬＫＡＲＮＩＤＶ.Ｗａｆｅｒｍａｐｄｅｆｅｃｔｐａｔｔｅｒｎｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｉｍａｇｅｒｅｔｒｉｅｖａｌｕｓｉｎｇｃｏｎｖｏｌｕ￣ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＩＥＥＥＴｒａｎｓＳｅｍｉｃｏｎｄＭａｎｕ￣ｆａｃｔꎬ２０１８ꎬ３１(２):３０９－３１４.[４０]ＳＹＡＦＥＥＺＡＡＲꎬＫＨＡＬＩＬＨＡＮＩＭꎬＬＩＥＷＳＳꎬｅｔａｌ.Ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｐｏｓｅａｎｄｉｌｌｕｍｉｎａｔｉｏｎｖａｒｉａｔｉｏｎ[Ｊ].ＩｎｔＪＥｎｇＴｅｃｈｎｏｌꎬ２０１４ꎬ６(１):４４－５７.[４１]ＷＵＹꎬＨＡＳＳＮＥＲＴꎬＫＩＭＫꎬｅｔａｌ.Ｆａｃｉａｌｌａｎｄｍａｒｋｄｅｔｅｃｔｉｏｎｗｉｔｈｔｗｅａｋｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈＩｎｔｅｌｌꎬ２０１８ꎬ４０(１２):３０６７－３０７４.[４２]ＬＩＵＹꎬＷＡＮＧＤＬꎬＨＥＦꎬｅｔａｌ.Ｐｈｅｎｏｔｙｐｅｐｒｅｄｉｃｔｉｏｎａｎｄｇｅｎｏｍｅ－ｗｉｄｅａｓｓｏｃｉａｔｉｏｎｓｔｕｄｙｕｓｉｎｇｄｅｅｐｃｏｎｖｏｌｕ￣ｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｏｆＳｏｙｂｅａｎ[Ｊ].Ｆｒｏｎｔｉｅｒｓｉｎｇｅｎｅｔ￣ｉｃｓꎬ２０１９ꎬ１０:１０９１－１０９９.[４３]袁丽莎.基于深度学习的手掌静脉识别[Ｄ].广州:南方医科大学ꎬ２０１９.[４４]ＧＯＯＤＦＥＬＬＯＷＩＪꎬＰＯＵＧＥＴ－ＡＢＡＤＩＥＪꎬＭＩＲＺＭꎬｅｔａｌ.Ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｓ[Ｃ]ʊＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ￣ｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓꎬ２０１４:２６７２－２６８０.[４５]张营营.生成对抗网络模型综述[Ｊ].电子设计工程ꎬ２０１８ꎬ２６(５):３４－３７.[４６]王杨ꎬ张鑫ꎬ许闪闪.基于维纳滤波器和生成对抗网络的动态模糊图像处理方法[Ｊ].计算机系统应用ꎬ２０１９ꎬ２８(４):１４５－１５０.[４７]王陈.指静脉多曝光图像的研究[Ｄ].北京:北京邮电大学ꎬ２０１９.[４８]ＡＮＸＫꎬＫＡＮＧＷＸꎬＤＥＮＧＦＱꎬｅｔａｌ.Ｐａｌｍｖｅｉｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉ－ｓａｍｐｌｉｎｇａｎｄｆｅａｔｕｒｅ－ｌｅｖｅｌｆｕｓｉｏｎ[Ｊ].Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇꎬ２０１５ꎬ１５１:７９８－８０７.[４９]逄增耀ꎬ杨杰.基于方向梯度的快速手掌静脉识别[Ｊ].计算机应用研究ꎬ２０１８ꎬ３５(３):９５３－９５６.(责任编辑㊀赵环宇)７３第１期张秀峰ꎬ等:掌静脉识别研究综述。

监狱掌静脉识别门禁系统应用方案

监狱掌静脉识别门禁系统应用方案一、应用方案手掌静脉识别技术是当前全球最为顶尖的生物识别技术。

它利用人体血红蛋白通过静脉时能吸收近红外光的特性，采集手掌皮肤底下的静脉影像，并提取以作为生物特征。

跟其它如掌纹、眼虹膜或手形等生物识别技术相比，手掌静脉极难复制伪造，最大原因是这种生物特征，是在手掌皮肤底下，单凭肉眼看不见的。

此外，由于手掌静脉使用方式是非接触式，它更加卫生，适合在公共场合使用。

同时，适用手掌也较为自然，让用户更容易接受。

手掌静脉的认假率和拒真率也比其他生物识别技术来得低。

同时要求必须是活体手掌静脉才有效，呼和浩特市的重刑犯之所以能够逃脱就是因为门禁系统采用的是掌纹系统，现如今仿造掌纹膜的出现已经完全让掌纹识别没有了立足之地，掌纹识别不要求是生物活体所以就出现了砍断预警的手掌照样可以去打开门的越狱事件。

富士通中央研究所就开始了对手掌静脉认证技术的研究，现已获得多项专利。

在日本，富士通及其集团公司已将手掌静脉认证技术广泛应用于各个领域，其中包括银行ATM存取款机、汽车锁等。

在日本，80%的ATM都搭载了手掌静脉认证设备(截至3月)，已成为事实上的行业标准。

手掌静脉认证技术不仅在日本逐渐普及，在其他各国也备受关注。

手掌静脉门禁管理系统在新加坡等东南亚市场取得了良好的业绩。

在颇具市场前景的美国，信金中央金库纽约分部的办公室门禁也采用了手掌静脉认证设备。

相信类似的潜在需求在欧美国家将继续上升。

PSN800掌静脉识别仪是江苏富士通通信新研发出来的掌静脉识别仪,深圳澳普实业是其华南地区总代理。

掌静脉识别与声音、脸部、签名、指纹、虹膜识别一样，都属于生物识别，PSN800掌静脉识别仪有权限的人用手在仪器前轻轻一挥，门随之打开，无权限的人，无论采取什么办法，都只能吃“闭门羹”。

PSN800掌静脉识别仪适用于安全性能要求比较高的场所。

手掌静脉识别技术可以实现电子化身份和物理身份的高度统一，从而可以有力支持利用现代化计算机技术实现对的全方位数字化管理。

富士通掌静脉门禁系统方案

掌静脉识别应用方案目录第一章方案设计总述一前言简述二设计原则三设计依据和规范第二章系统结构和配置一系统功能管理结构模式二系统功能和特点2.2.1 系统功能2.2.2 系统特点三系统基本组成部分2.3.1 门禁控制器2.3.2 掌静脉识别仪2.3.3 感应卡识别源2.3.4 电锁及动作执行设备第三章门禁系统操作管理软件一门禁系统管理软件简介二软件操作流程三软件功能说明第四章应用案列效果第五章门禁系统布线规范一施工主要材料、工具要求二施工布线技术要求第一章方案设计综述一、前言简述富士通手掌静脉识别技术是当前全球最为顶尖的生物识别技术。

它利用人体血红蛋白通过静脉时能吸收近红外光的特性，采集手掌皮肤底下的静脉影像，并提取以作为生物特征。

跟其它如指纹、眼虹膜或手形等生物识别技术相比，手掌静脉极难复制伪造，最大原因是这种生物特征，是在手掌皮肤底下，单凭肉眼看不见的。

此外，由于手掌静脉使用方式是非接触式，它更加卫生，适合在公共场合使用。

同时，适用手掌也较为自然，让用户更容易接受。

手掌静脉的认假率和拒真率也比其他生物识别技术来得低。

同时要求必须是活体掌静脉才有效，呼和浩特市的重刑犯之所以能够逃脱就是因为项目门禁系统采用的是指纹系统，现如今仿造指纹膜的出现已经完全让指纹识别没有了立足之地，指纹识别不要求是生物活体所以就出现了砍断预警的手指照样可以去打开门的越狱事件。

手掌静脉识别技术首次于2004?年在日本富士通公司开始应用，随后被推广至全球各地，在欧美已经广泛应用。

客户包括金融业银行、高等学府、政府机构和公共医院等。

这项科技于2005?年荣获华尔街时报最佳科技创新奖, 也于2006?年在德国举行的国际家电展示（CES获创新奖。

2007?年，该项技术开始引入到中国大陆。

二、设计原则先进实用性原则在项目AB 门互锁门禁系统设计中，必须遵循先进实用性原则。

具体应用体现在以下方面：系统智能化：项目AB门互锁门禁系统中采用的产品必须具有智能化特征，前端设备与系统必须有良好可靠的通讯能力和故障自动检测、报警功能。

U937 使用说明书

使用说明书U937i其它所有产品是其它各自公司的商标或注册商标。

未经富士通有限公司事先书面同意，严禁拷贝、复制或翻译本出版物中的任何内容。

未经富士通有限公司事先书面同意，严禁以任何电子形式存储或传输本出版物中的任何内容。

操作使用应符合以下两项条件：(1) 本设备不能造成有害干扰。

(2)本设备必须能承受接收到的干扰，包括会造成意外操作的干扰。

版权富士通有限公司会尽力保証本文档内容的准确性和完整性。

但是，由于我们仍在不断改进产品的功能，因此不能确保本文档没有任何差错。

对于文档中错误、疏忽或以后的修改我们不承担任何责任。

LIFEBOOK 是富士通有限公司的商标。

Microsoft 、Windows 、MS-DOS 、Windows NT 、Windows Vista和 Windows 10是美国Microsoft Corporation 在美国和其它国家或地区的注册商标。

Phoenix 是美国Phoenix T echnologiesCorporation 的注册商标。

一致性声明根据 FCC 第15　部分內容网站：/pcHDMI 、HDMI 高清晰度多媒体接口以及HDMI 标志是HDMILicensing ，LLC 在美国和其它国家的商标或注册商标。

ii重要安全说明使用产品前请仔细阅读这些说明，并保存起来以备今后参考。

遵循本产品上表示的所有警告和指示。

清洁之前先从墙上插座拔下本产品的电线。

切勿使用液体或喷雾清洁剂。

使用湿进行清洁。

不要在靠近水的地方使用本产品。

不要将本产品放在不稳定的车辆、支架或桌子上。

以免产品跌落，造成严重损坏。

首例手掌静脉身份识别的单采血浆管理系统

首例手掌静脉身份识别的单采血浆管理系统日前，由山东景运信息科技有限公司采用富士通PalmSecure 手掌静脉身份识别技术开发的新版单采血浆管理系统于近日在齐河单采血浆有限公司正式投入使用。

新版软件完全符合《单采血浆站管理办法》、《单采血浆站质量管理规范》等法律法规要求。

软件全面支持固定供浆员先采后验流程、提供了完善的检疫期管理功能。

采用手掌静脉识别作为供浆员身份识别技术成为该软件的一大亮点。

据景运公司李经理介绍，为了规范采供浆行为，保障供浆员身体健康和血液制品的安全，国家规定各单采血浆站要建立供浆者身份识别系统，严禁跨区采浆和频采血浆。

之前山东各单采血浆站主要采用身份证和指纹来识别供浆者的身份，该方式虽然能够满足规范的要求，但在指纹识别的使用过程中也遇到了一些问题，比如需要登记10 枚指纹，登记工作繁琐，数据量大，在身份识别时速度较慢，在特殊的条件下，如手潮湿，起皮，指纹磨损、长老茧等，导致指纹无法识别。

原来的系统为解决这些问题，另外提供了现场照相的辅助识别方法，但导致验证速度缓慢，影响了浆站的工作效率。

此外，多人共用指纹识别器，还会带来卫生健康隐患。

为了解决这一难题，景运公司在新版系统中采用了世界顶尖的富士通手掌静脉识别技术。

由于手掌静脉纹路属于人体内部信息，气温等外部因素的影响程度可以忽略不计，并很难被伪造。

与指纹相比，手掌静脉纹路更加复杂且稳定，因此其认证精度更高，系统本人拒绝率小于0.01%，数据扫描错误率则小于0.00008%，几乎适用于所有用户。

手掌静脉身份识别技术采用非接触式，用户只要将手掌凌空移至感应器上即可完成认证，不仅安全卫生，操作上也很自然，不会令用户产生抵触和反感。

而需要登记的手掌静脉数据只有左、右手两枚，。

掌脉中的秘密

富士通给出的解决方案，京三菱ＵＦ东Ｊ
相似，但是，手掌静脉的配套设备成本
却要比指纹技术高得多。“ 指纹用得好
好的，为什么要换？”这也成为大多数银行拒绝掌脉识别技术的主要理由。据记者了解，掌脉识别技术对硬件并没有太高的要求，目前市场主流ＣＵＰ（中央处理器）的处理能力完全能够满足。因此，配套设备成本偏高的说法并不能成立。对此，富士通方面的一位市场人员认为，造成上述情况的原因是中国银行业的特殊性，即统一采购，因此新技术的
特就不会得手了” 富士通（，中国）信息
单。他用不干胶条粘贴使用过的玻璃杯，然后撕下胶条，获就
得了玻璃杯上残留的指纹样品，接着再根据指纹样品制造假的手指。至于眼部虹膜识别
系统有限公司（以下简称富士通）一位
大的缺点是，一旦当事人的生物特征被收集或仿制，他很难像改变数字密码一样更改自身的特征那么，手掌静脉识别技术是否可以
须与扫描器表面发生直接接触，这种非
侵入型的扫描过程简单、自然、卫生，减轻了用户的抗拒心理。 ”富士通认为更重要的是，手掌静脉识别装置通过红外线感应器来取得手掌静脉分布图，通过
码而苦恼 … …
中国市场遭遇红灯
按照富士通的描述，掌脉识别技术的前景应该不错，但在中国市场的实际推广似乎遇到了一些问题。目前在中国市场，掌脉识别技术的应用主要集中在鼠标和门禁系统上。对于传统信息安全产品采购大户银行系统来说，这一技术几乎完全是陌生的。在记者所作的北京１家银行随机０

手掌静脉识别系统的研究与设计

万方数据万方数据第１】期靠铁东．等：手节静脉识删系统的研究与设计·２２４５·袁ｌ三种小间眸列结构光源的比较町靠且均匀地照射在手掌上。

Ｃ５ｌ单片机和继电器组成的控制优点缺点二维单线或双简单化的光源，成本低且容易图像的对比线阵列光源实现度较低图像的清晰度较好，特别是在其成本高且光矩形阵列光源前面加多层散射片之后不够均匀环形ＬＥＤ阵列足够精确，即使运用较少的散射片，设计‘ｊ实现光源光强分布均匀，图像的对比度较高比较困难三种不同结构的光源阵列示意图如图３所示。

（ａ）双线形（ｂ）矩形（ｃ）环形图３不同结构的ＬＥＤ光源阵列实验证明，用环形的近红外ＬＥＤ阵列（１０个大功率的近红外ＬＥＤ组成）作光源照射手掌，ＣＣＤ摄像机所同步拍摄的静脉图像中的手掌静脉可以很好地突显出来，如图４所示。

而用其它结构的阵列作光源，所拍摄的静脉图像中的手掌静脉并不明显。

因此，本文将采用环形的近红外ＬＥＤ阵列作为光源，并与光源控制板构成光源系统。

幽４用环彤ＬＥＤ阵列作光源的手掌静脉图像４手掌静脉识别系统的整体搭建根据上述的分析与设计，手掌静脉识别系统将由计算机、仪器箱体、近红外光源、光源控制板、ＣＣＤ摄像机、通讯接口、长方形支撑体等部分组成。

仪器箱体为长方形盒体结构。

箱体右手方开了一个槽，该槽称为定位槽。

箱体由金属材料制成，内壁均匀涂有黑色吸光材料，对光的吸收率达到９９．９％以上。

长方形支撑体用于支撑手掌，采用柔软材料制成，且它的表面成一定的弧形，与人的手掌侧面相似，简单舒适。

只要被测人将右手通过定位槽放置在长方形支撑体上，并将手自然张开，就能实时获取手掌静脉图像。

仪器箱体、长方形支撑体以及待测手掌一起组成了暗箱的效果；手掌通过定位槽放在长方形支撑体上，支撑体还保证了采集图像的形状。

近红外光源采用发射波长范围为８００９４０ｒｉｍ的近红外环形ＬＥＤ阵列，光源的额定电压为１．５～１．８Ｖ，环形光源的内直径应足够大，以保证不会阻挡摄像头的视野，环形光源中心点与摄像头的镜头中心点重合，环形光源的平面与箱底平面垂直｝环形光源前面放置多层散射片，以保证光源发射的光稳定电路板放置在箱体内，Ｃ５１单片机的一个ＵＯ口与一个继电器相连后再与环形光源相连，用来控制近红外光源的亮灭。

手静脉身份识别技术

手静脉身份识别技术0 引言作为一种迅速发展的生物身份识别技术，手静脉识别有着显著的优点：社会可接受，特征不易复制，比指纹受破坏的可能性更小，不易入侵，无明显的建康威胁，特征惟一性，低成本，精确快速，比签名和声纹等行为生物测量特征变化小。

手静脉识别具有广阔的应甩前景。

1 发展历史及研究现状1983年，柯达公司在诺丁汉的雇员Joseph Rice在研究红外条形码技术时产生了利用人手背血管红外成像作为身份识别的想法，发明了手静脉特征识别技术，取名为Veincheck。

然而柯达公司的主管认为此技术缺乏市场潜力并未采用。

1987牟10月31日J．Rice获得此项技术的第一个专利(Patent #4699149，Apl3aratus for the identification of Individuals)。

J．Rice将其发明授权给BTG(British Technology Group)负责专利的开发和管理，希望能在安防工业有所建树，但当时并未引起BTG足够的重视，开发进度缓慢。

1990年J．Rice 担心此发明被 BTG拖延了时间而埋没，决心自己投入技术开发，此时BTG已安排英国前国家物理实验室科学家David Claydon开始了有关静脉结构的多样性和惟一性测试，J．Rice和David讨论后采用了Statistical Process Control(SPC)的方法进行生物身份识别。

1991至1993年P．MacGregor，R．Welford，P.L．Hawkes 和 D．O．Clayden等人发表了3篇关于Veincheck的原理介绍性文章和技术报告，明确指出Veincheck是一种以手背静脉作为身份比对特征的生物识别系统。

J．Rice于1994年发表名为“A Quality Approach To Biometrie Imaging”的文章简要的介绍了Vein-check的开发历程和相关算法。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

掌静脉识别
一、技术原理与特点
掌静脉识别仪采用近红外线感应器取得手掌静脉的分布图，储存样板，进而建立每个人独特的手掌静脉数据库；透过登录每个人的手掌静脉数据，达到生物识别功能的管理。

它能连接门禁控制器及外部设备和网络，具有声音提示信息及显示功能。

掌静脉识别技术与指纹、人脸等常见生物识别技术相比较，具有下列天然优势：
1.掌静脉属于内部非右眼可见的生物特征，世界上现有公开技术都无法完成复制伪造。

而指纹和人脸属于外部生物特征，容易被复制伪造；
2.独特的算法和合理的采样点设计，保证了最高级别的识别率和防错率；
3.相比指纹识别产品，具有支持非接触式使用的优势，更卫生。

4.相比人脸识别产品，对环境光线和使用者站立位置及姿态的要求几乎没有限制，更为易用可靠。

二、产品列表
PSN900系列
外观
尺寸302mm*132mm*38mm
重量约1Kg
型号PSN900(A): 标准IC卡+Wiegand接口+电锁接口PSN900(B): 标准ID卡+Wiegand接口+电锁接口PSN900(C):标准HID卡+Wiegand接口+电锁接口PSN900(E)
材质ABS
颜色黑色银边
触摸显示屏 5.0" (800*480)
支持读卡种类Mifare One S50/S70,CPU卡(兼容M1 S50),ID卡存储容量4GB,可扩展至32G
喇叭1W*1
USB接口1个2.0
电源DC:12V/1.5A
通信接口LAN(10/100M)
其他接口Wiegand 26/34
电锁/出门开关/报警器
工作温度设备工作温度：-10~50℃，建议使用温度：0~45℃工作湿度相对湿度30~80%, 不结露
自然光(太阳
光)
注册<2000Lux,识别<3000Lux
荧光灯注册<2000Lux,识别<3000Lux
白炽灯/卤灯注册<500Lux,识别<700Lux
工作模式单机终端掌静脉(1:N识别)
单机终端卡/PIN码+掌静脉 (1:1) 单机终端组别+掌静脉(1:G识别)
识别率拒真率(FRR):0.01%(1次重试),认假率(FAR):<0.00008%,注: 根据 ISO/IEC19795算法
用户容量1,000 ID (1:N)
40,000 ID (1:1,可扩展)
识别速度单机终端 1:N模式<3s(<100ID) 单机终端 1:1模式<1s
进出门记录6个月最新记录（可根据用户意愿定制）
掌静脉采集仪
外观
尺寸138mm*165mm*105mm
重量约0.4Kg
型号X1
材质ABS
颜色黑色
工作温度设备工作温度：-10~50℃，建议使用温度：0~45℃
工作湿度相对湿度30~80%, 不结露
自然光(太阳
光)
注册<2000Lux,识别<3000Lux
荧光灯注册<2000Lux,识别<3000Lux
白炽灯/卤灯注册<500Lux,识别<700Lux
工作模式必须连接PC或平板
识别率拒真率(FRR):0.01%(1次重试),认假率(FAR):<0.00008%,注: 根据 ISO/IEC19795算
三、应用案例
门禁系统
识别模式适用人数
是否
刷卡
操作方式
识别速
度
用户体
验
设备
1:1
单机终端
识别
不限是
刷卡
+ 放手
掌
★★★
★★
1:N
单机终端
识别
<100人
（1:N）
否
直接放
手掌
★★★
100~300
人
（1:G）
否
屏幕上
按组号
+ 放手
掌
★★★
★
1:N
服务器后
台识别
≥100人否
直接放
手掌
★★★
★
考勤系统
1.考勤只能由本人完成，杜绝代打卡并遏制虚假加班费申报。

2.不需要以前的考勤卡了，从而消减其发行及管理成本。

3.员工无需担心考勤卡丢失或忘带，提高了考勤的便利性。

4.工作效率得到提高，管理者可以更加精确地跟踪员工出勤动态，做好时间上的人员调配。

健康医疗领域
应用掌静脉识别技术开发的身份识别验证系统可以帮助健康医疗机构加强入口端的客户信息安全管理，保护客户隐私，提供快速救治，优化客户体验，从而提升客户的信任度与安全感，增强行业竞争力。

掌静脉身份识别验证系统以商用化的、最先进可靠的生物脉识别PalmSecure Node为前端，结合云计算技术调用身份验证服务形成完整的Terminal + Cloud 系统应用架构，通过支持BGP的运营商IDC机房部署，向分布在各地的客户提供7X24小时安全、可靠的身份验证服务。

参考资料：
/link?url=rbwVCdRO9Fd2nkUY1aA-o-ozU9dPWTFVrDlbAEHk_7UhcAZ9FlrHb3VTqEu pYqjV_xOYXiFUaknw2c8lTdXmIq
/Company_news/Detail/24977.html
/system/2014/09/19/021911152.shtml
/266/13011766.shtml。