[1]譚振林,劉子良,黃藹權,等.掌靜脈識別的深度學習方法綜述[J].計算機工程與應用,2024,60(06):55-67.

---

---

1、Background and Motivation

掌脈識別屬于手掌內部特征識別，并且是非接觸式和活體識別。

2021年，深圳地鐵 20 號線也搭載了掌脈識別技術，為市民帶來了“刷手”乘車的智慧出行新方式。

本文在相關綜述工作的基礎上對基于深度學習的掌脈識別和融合識別算法做進一步的分析和總結，旨在為掌脈識別研究提供相關技術和理論支撐。

2、數據采集

主要靠紅外攝像頭近距離（10~20 cm）拍攝手掌靜脈照片 ，常用的紅外波長為 850 nm 和940 nm。

一般來說，接觸式采集的圖像相對整齊，而非接觸式采集的圖像變化姿態、旋轉角度以及光照強度略有差異

3、掌脈圖像預處理

3.1、ROI提取算法

ROI 提取是指從采集的掌脈圖像中提取出一部分有豐富靜脈血管的區域以進行后續特征提取、匹配的過程

ROI提取一般包括四個步驟：

• 手掌圖像二值化、
• 手掌輪廓線提取、
• 利用相關算法定位關鍵點并建立坐標系
• 提取合適的ROI

（1）基于關鍵點方法

目前使用最廣泛的是基于關鍵點的方法，該方法的重點在于利用圖像處理算法和深度學習等算法獲取手掌關鍵點，隨后根據關鍵點來確定最終的感興趣區域。

（2）基于內切圓的方法

相較于基于關鍵點的方法，基于內切圓的方法計算量偏大，但其可以不受圖像中噪聲的干擾

3.2、圖像濾波與增強

eg 對比度增強、直方圖均衡化、小波增強、高斯濾波器、去霧等等

4、掌脈識別算法

早期 LBP、SIFT、方向梯度直方圖 HOG

后面基于深度學習的方法

4.1、基于深度學習的方法

• 基于掌脈特征表征

• 基于網絡設計

• 基于輕量級網絡

4.2、其他方法

NPE、KELM、PSO、圖表示方法、WAT

5、融合識別算法

• 多模態融合
• 多特征融合
• 分數級融合
• 決策級融合
  
  

6、研究難點和未來方向

研究難點

• 圖像質量
• 少非受控環境采集的大型多樣化數據集
• 掌脈圖像包含的特征相對較少且難以提取

未來方向

• 全手掌融合識別（人的手指部位的靜脈同樣包含了豐富的特征信息，利用全手掌的掌紋、掌脈、指靜脈以
  及指關節等多種特征進行融合識別能夠提高識別精度，同時增加識別的安全性。）
• 多任務學習模型（多任務學習模型方法可以共同優化ROI提取任務和特征提取任務）
• 掌脈數據隱私安全
• 模型壓縮技術

---

更多論文解讀，請參考 【Paper Reading】