网站升级中百度贴吧官网入口

[1]谭振林,刘子良,黄蔼权,等.掌静脉识别的深度学习方法综述[J].计算机工程与应用,2024,60(06):55-67.

---

---

1、Background and Motivation

掌脉识别属于手掌内部特征识别，并且是非接触式和活体识别。

2021年，深圳地铁 20 号线也搭载了掌脉识别技术，为市民带来了“刷手”乘车的智慧出行新方式。

本文在相关综述工作的基础上对基于深度学习的掌脉识别和融合识别算法做进一步的分析和总结，旨在为掌脉识别研究提供相关技术和理论支撑。

2、数据采集

主要靠红外摄像头近距离（10~20 cm）拍摄手掌静脉照片 ，常用的红外波长为 850 nm 和940 nm。

一般来说，接触式采集的图像相对整齐，而非接触式采集的图像变化姿态、旋转角度以及光照强度略有差异

3、掌脉图像预处理

3.1、ROI提取算法

ROI 提取是指从采集的掌脉图像中提取出一部分有丰富静脉血管的区域以进行后续特征提取、匹配的过程

ROI提取一般包括四个步骤：

• 手掌图像二值化、
• 手掌轮廓线提取、
• 利用相关算法定位关键点并建立坐标系
• 提取合适的ROI

（1）基于关键点方法

目前使用最广泛的是基于关键点的方法，该方法的重点在于利用图像处理算法和深度学习等算法获取手掌关键点，随后根据关键点来确定最终的感兴趣区域。

（2）基于内切圆的方法

相较于基于关键点的方法，基于内切圆的方法计算量偏大，但其可以不受图像中噪声的干扰

3.2、图像滤波与增强

eg 对比度增强、直方图均衡化、小波增强、高斯滤波器、去雾等等

4、掌脉识别算法

早期 LBP、SIFT、方向梯度直方图 HOG

后面基于深度学习的方法

4.1、基于深度学习的方法

• 基于掌脉特征表征

• 基于网络设计

• 基于轻量级网络

4.2、其他方法

NPE、KELM、PSO、图表示方法、WAT

5、融合识别算法

• 多模态融合
• 多特征融合
• 分数级融合
• 决策级融合
  
  

6、研究难点和未来方向

研究难点

• 图像质量
• 少非受控环境采集的大型多样化数据集
• 掌脉图像包含的特征相对较少且难以提取

未来方向

• 全手掌融合识别（人的手指部位的静脉同样包含了丰富的特征信息，利用全手掌的掌纹、掌脉、指静脉以
  及指关节等多种特征进行融合识别能够提高识别精度，同时增加识别的安全性。）
• 多任务学习模型（多任务学习模型方法可以共同优化ROI提取任务和特征提取任务）
• 掌脉数据隐私安全
• 模型压缩技术

---

更多论文解读，请参考 【Paper Reading】