手指静脉识别技术研究
指静脉生物识别技术介绍
个人的声音具有易变性，易受身体状况、年 龄、情绪等的影响；比如不同的麦克风和信 道对识别性能有影响；比如环境噪音对识别 有干扰；又比如混合说话人的情形下人的声 纹特征不易提取等等。
生物识别技术介绍
--人脸识别技术
应用最为广泛，使用最便捷
人脸识别，是基于人的脸部特
征信息进行身份识别的一种生物识 别技术。用摄像机或摄像头采集含 有人脸的图像或视频流，并自动在 图像中检测和跟踪人脸，进而对检 测到的人脸进行脸部的一系列相关 技术，通常也叫做人像识别、面部 识别。
资源：服务器≥1台，centos6.5操作系统、≥4CPU/8G内存/300G存储 指静脉认证方式以1:1认证方式为主，不适宜做设备端的1:N认证。
设备集成+指静脉后台比对服务集成
在客户业务系统中，除了集成指静脉设备外，还需要在客户的服务器上部署指静脉后台比对服 务，指静脉特征数据存储在业务系统或指静脉引引擎库中。
生物识别技术介绍
-- 人脸识别技术
4、系统性能指标
动态采集非活体速度：<1秒
动态采集活体速度：根据用户配合速度，<3秒
在16核服务器上，为保证CPU利用率<80%，并发量为12，不包括网络时 间 ◦ 批量图片建模入库速度：40张/秒 ◦ 单张图片建模入库速度：25毫秒 ◦ 图片建模并发量：12 ◦ 人证比对速度及并发量：每秒比对17万次 (不包括特征提取时间) ◦ 1:1图片比对速度：50毫秒 ◦ 1:n图片比对速度：50毫秒（N<100，比对时间忽略不计）
所谓声纹(Voiceprint)，是用电声学仪器显 示的携带言语信息的声波频谱。
人类语言的产生是人体语言中枢与发音器
官之间一个复杂的生理物理过程，人在讲话 时使用的发声器官--舌、牙齿、喉头、肺、 鼻腔在尺寸和形态方面每个人的差异很大， 所以任何两个人的声纹图谱都有差异。这也 使得声纹识别也可以称为身份认证的一种方 式。
基于人工智能的静脉识别技术及应用研究
基于人工智能的静脉识别技术及应用研究静脉识别技术是一种基于人体静脉模式识别的生物特征识别技术，在过去的几十年里得到了广泛的研究和应用。
通过利用计算机视觉和图像处理技术，静脉识别技术能够快速而准确地识别人体手指或手掌上的静脉模式，为个人身份认证、支付安全、医疗诊断等领域提供了许多创新和安全的解决方案。
静脉识别技术的基本原理是通过对近红外光在人体的皮肤组织中的透射和散射进行分析，并通过计算机算法提取出人体静脉模式的特征。
与其他生物特征识别技术相比，静脉识别技术具有以下几个显著的优点。
首先，静脉识别技术是一种非接触式识别技术，不需要接触特定的设备或传感器，能够避免传统指纹识别等技术中的卫生和隐私问题。
其次，静脉识别技术具有高度的准确性。
每个人的静脉模式都是独一无二的，与年龄、性别、肤色等因素无关。
因此，基于静脉识别技术的身份认证系统和个人信息保护系统具有更高的安全性。
再次，静脉识别技术对环境光的干扰程度较低。
由于该技术主要利用了人体静脉的透射光，对光线强度和温度等环境因素的影响相对较小，使得其在各种环境下都能取得可靠的效果。
最后，静脉识别技术是一种疾病无关的特征识别技术。
相比传统的指纹或虹膜识别技术，静脉模式位于人体的内部，不易被刮伤或感染，因此对于一些特殊人群（如传染病患者、手术创伤患者等）来说更加安全可靠。
随着人工智能技术的不断发展，基于人工智能的静脉识别技术也得到了进一步的提高和应用。
目前的研究表明，深度学习和神经网络等人工智能算法可以有效地提取和识别静脉模式的特征，大大提升了识别的准确性和速度。
在实际应用中，基于人工智能的静脉识别技术已经被广泛应用于安全访问控制、移动支付、医疗诊断等领域。
例如，在银行和金融机构中，可以使用静脉识别技术代替传统的身份证或密码，提高账户的安全性和便利性。
在医疗领域，静脉识别技术可以用于患者身份认证和病案管理，减少错误诊断和数据冲突的发生。
此外，基于人工智能的静脉识别技术还可以应用于智能家居、智能设备控制等场景。
指静脉识别技术原理
指静脉识别技术原理嘿，朋友们！今天咱来唠唠指静脉识别技术原理。
你说这指静脉识别啊，就像是我们身体里藏着的一把神秘钥匙。
咱都知道，每个人的指纹是独一无二的，可这指静脉更是特别得很呐！想象一下，我们的手指里有好多细细的血管，就像小河流一样在流淌。
指静脉识别技术呢，就是能精准地识别这些小河流的走向和特点。
这可比指纹识别更厉害哦！为啥这么说呢？指纹还可能被复制啥的，可这指静脉在手指里面呢，多隐蔽呀，想复制可太难啦！它的工作原理呢，其实也不难理解。
就是通过一种特殊的设备，发出一束光，这束光就能穿透我们的手指，然后捕捉到那些静脉的图像。
就好像是一个超级厉害的小侦探，能一下子找到那些隐藏的线索。
你想想啊，每次我们要解锁个啥，或者验证身份的时候，只要把手一放，那小侦探就开始工作啦，快速又准确地认出我们来。
这多方便呀，而且还特别安全呢！咱再打个比方，这指静脉识别就像是一个只认识你的好朋友，别人怎么装都装不像，它一眼就能认出你来。
而且不管你是刚洗完手，还是手有点脏脏的，它都能认出你哦，是不是很厉害呀！现在好多地方都开始用指静脉识别技术啦，银行呀，公司呀，甚至咱们家里的门锁都可能用上呢！这可真是科技让生活更美好呀！咱再说说这安全性。
那可真是没话说呀！别人想冒充你？门儿都没有！指静脉可不像外面那些容易被模仿的东西，它藏在手指里面呢，谁能随便就模仿得了呀！而且呀，这技术还在不断进步呢，以后肯定会越来越厉害，说不定还能有更多神奇的功能出现呢！咱就等着看好戏吧！总之呢，指静脉识别技术就是这么牛，它就像是给我们的生活上了一把安全又方便的锁。
让我们能安心地享受科技带来的便利，不用担心被别人冒充啦！这可真是个好东西呀，大家说是不是呢！原创不易，请尊重原创，谢谢!。
手指静脉身份识别技术综述
年 ，王科俊 还指 导袁智完 成 了一篇 手指静 脉身 份识别算 法 和Ｌ Ｄ Ａ的方 法 提取手 指静 脉特 征 ，在 １ ：１ 模 式下 通过 率为 ９ ８ ． ９ ５ ％，在 １ ：Ｎ模 式 下 拒 识 率 仅 为 ０ ． ７ ％。２ ０ ０ ８ 年 王 科 俊
又指导 硕士 生张 晓雷对 手指静 脉采集 装置进 行 了更深 入的研
本 国内 已经有超 过 １ 万 家单位 正在 使用 手指静 脉识 别 系统 ，
其 中包括 学校 、银行 、政府 机关 部 门 、财务 组织 以及私 人企
业 等 ，如 银行 ，据 ２ ０ ０ ７年 ３月 的统 计 数 据 ，就 已经 有 ８ ０ ％
的Ａ Ｔ Ｍ机 搭 载 了手 指静 脉 身份 验 证 系统 。 目前 日立 的手 指 静脉 技术 发展 已经很 成熟 ，其拒 真率 和认 假 率分 别为 ０ ． ０ １ ％
和 ０ ． ０ ０ ０ １ ％，识 别 时间 在 １ 秒 内完 成 ，而且 还 成功 应用 到 了
近几年国内期刊上有关静脉技术的文章也层出不穷。
然 而 ，由于各 种工艺水 平还达 不到 要求 ，国 内在 手指静
汽 车 的方 向盘认 证和 电脑登 陆系统认 证 。２ ０ ０ ９年 ２月 ２号 ， 索 尼 推 出一 种 新 型 的命 名 为 “ ｍｏ ｉ ｆ ｒ ｉ ａ ” 的 手 指 静 脉 识 别 技
８ 月２ ８日，富士通 实验 室对外 发布其 高精度 的手掌静 脉身份
研 制技术 ，同时还 发布 了一款 利用 该技术 开发 的鼠标 。２ ０ ０ ４ 年 ， 日立 的 ３位资深 专家 在文献 ［ １ ７ Ｊ 中提 出一 种重 复线性 跟
研究 的硕 士论文 ” ，该论 文 中他 们采用 基于小 波矩融 合 Ｐ Ｃ Ａ
基于手指静脉特征的识别技术研究的开题报告
基于手指静脉特征的识别技术研究的开题报告一、研究背景随着互联网技术的快速发展和应用，身份识别技术已经成为信息安全领域的一个热点问题。
在现有的身份识别技术中，指纹识别、人脸识别、虹膜识别等成为了最为常见的技术，但这些技术存在一些弊端，如指纹易被翻拍，人脸识别易被面具遮挡，虹膜识别设备成本高昂等问题。
为解决这些问题，研究人员开始探索使用手指静脉特征实现身份识别的可行性。
二、研究目的本研究旨在探索基于手指静脉特征的识别技术，研发一套可靠、高效的手指静脉识别系统，解决现有身份识别技术存在的弊端，为信息安全领域的身份识别技术提供一种新的解决方案。
三、研究内容1. 手指静脉图像采集技术的研究。
通过研究手指静脉图像的采集方法，提高采集的准确性、速度和可靠性，为后续数据处理提供基础数据支撑。
2. 手指静脉图像预处理技术的研究。
对采集到的手指静脉图像进行预处理，如图像去噪、纹理增强、边缘检测等，提高手指静脉特征的图像质量，为后续特征提取和识别提供可靠的数据基础。
3. 手指静脉特征提取技术的研究。
基于预处理后的手指静脉图像，提取出有效的手指静脉特征，包括手指静脉路径、手指静脉宽度等，为后续的身份识别提供关键数据指标。
4. 手指静脉识别算法的研究。
基于手指静脉特征，研发一种有效的手指静脉识别算法，实现对不同手指静脉特征图像的匹配和识别，提高身份识别的准确性和可靠性。
5. 手指静脉识别系统的研发。
基于上述技术研究成果，研发一套可靠、高效的手指静脉识别系统，为信息安全领域的身份识别技术提供一种新的解决方案。
四、研究意义本研究的意义在于探索和研究一种新的身份识别技术，为互联网安全和信息安全领域提供一种新的方案。
基于手指静脉的识别技术在保证用户隐私安全的同时，实现了高效、准确、快速的身份识别，具有广泛的应用前景和市场价值。
同时，本研究也将对手指静脉图像采集、处理和识别等相关技术领域的研究和发展产生积极的推动作用。
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。
指静脉识别技术
指静脉识别技术指静脉识别技术是一种生物认证技术，通过扫描个体手指上的血管图像来验证其身份。
相比其他生物识别技术，如人脸识别、虹膜识别等，指静脉识别具有更高的安全性和准确性。
本文将介绍指静脉识别技术的原理、应用、优势和挑战。
一、指静脉识别技术的原理指静脉识别技术是基于人体生物特征的识别技术，其原理主要依据于手指内部的微细结构。
指静脉识别技术使用红外成像设备将微弱的红外光转换为数字信号。
对于手指银行的透明组织，红外光会被吸收，而对于静脉这类血液容器，红外光被反射。
采集到的数字信号经过处理后，可以得到高清晰的指静脉图像。
通过比对指静脉图像库中的参考图像，即可进行身份验证或识别。
二、指静脉识别技术的应用指静脉识别技术已经在多个领域得到了广泛的应用，主要涵盖了以下几个方面：1.金融业：指静脉识别技术可以应用于ATM机、银行卡等金融系统上，确保客户信息安全和操作权限的准确性。
2.医疗卫生：指静脉识别技术可以为医院门诊就诊、病历查询、用药管理等提供更方便、快捷的身份认证方式。
3.交通运输：指静脉识别技术可以应用于公路、机场等各种交通出入口，加快通行速度，提高安全性和防范欺诈。
4.政务管理：指静脉识别技术在政务办公、社会福利、城市管理等方面的应用，能够快速识别身份、提高工作效率，提高社会管理水平。
三、指静脉识别技术的优势相对于其他生物识别技术，指静脉识别技术具有更高的安全性、准确性和便捷性：1.高安全性：手指上的指静脉结构是独一无二的，无法被模仿或复制。
2.高准确性：指静脉图像的采集方式快速、方便、非侵入式，可以得到高清晰的图像，提高识别精度。
3.便捷性：指静脉识别不受环境光线、温度等干扰，使用起来较为便捷，用户在操作时，只需将手指放在指定扫描区域即可自动识别。
四、指静脉识别技术面临的挑战虽然指静脉识别技术具有很多优点，但是仍然面临一些挑战，主要体现在以下几个方面：1.精度问题：由于指静脉图像采集本身的微小误差，如血管突然出现偏移，导致识别精度较差。
静脉识别的基本原理
静脉识别的基本原理
静脉识别是一种生物识别技术，通过检测人体手掌或指尖中静脉血管的特征，来进行身份验证或识别。
其基本原理如下：
1.静脉血管的特征：人体的手掌或指尖中，静脉血管的分布形态是独特的，且
不易被模拟或复制。
每个人的静脉血管的形态、位置、分支和走向等都是不同的，形成了一种个人独有的生物特征。
2.检测原理：静脉识别设备会通过近红外光线照射，将手掌或指尖中的静脉血
管显现出来。
静脉血管可以吸收不同波长的近红外光，从而形成独特的血管分布图像。
3.特征提取：静脉识别设备会对采集到的血管分布图像进行图像处理和分析，
提取静脉血管的形态、位置和分支等特征，形成一个静脉血管特征向量。
4.匹配识别：静脉识别系统会将采集到的静脉血管特征向量与预先存储的参考
特征向量进行比对和匹配，从而进行身份验证或识别。
相对于其他生物识别技术，静脉识别具有以下优点：
1.静脉血管的位置和形态比指纹更加难以模拟和复制，具有更高的安全性。
2.采集过程中不需要与设备接触，具有较好的卫生性和便携性。
3.静脉血管的位置较为隐蔽，不容易被猜测或伪装，适用于高安全性场合的身
份验证。
总的来说，静脉识别技术在安全性、准确性和便携性等方面都有优势，适用于各种身份验证和识别场景。
- 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)。
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。