王一凡，魯慧民，高若然，李 陽

長春工業(yè)大學 計算機科學與工程學院，長春130102

在生物信息識別領域，識別系統(tǒng)的安全性與便利性是至關重要的，并且還必須具備高準確度與高識別速率。目前主流的生物特征識別技術主要有指紋識別、臉部識別、聲音識別、虹膜識別、步態(tài)識別等，但它們均有一定的缺陷，如易偽造、生物特征不穩(wěn)定等。2000 年，Kono 等人[1]提出了一種新的利用手指靜脈紋路進行個體識別的方法，很好地解決了這些問題。

手指靜脈識別是一種基于生物生理特征的身份識別技術，手指被近紅外光（波長700～1 000 nm）照射后，由于靜脈血液中的血紅蛋白會比鄰近組織吸收更多的近紅外光而產(chǎn)生陰影，從而形成了靜脈圖像[2]。對比其他生物識別技術，指靜脈識別具有十分明顯的優(yōu)勢：活體識別，指靜脈圖像只能在人類活體上獲得；唯一性：每個人的手指靜脈紋路是獨一無二的；穩(wěn)定性，每個人的指靜脈特征分布在成年后終生不變；安全性，手指靜脈分布在皮膚之下且紋路復雜度較高，難偽造。因此近年來，指靜脈識別憑借其優(yōu)勢引起了學術界與工業(yè)界的廣泛關注并取得了巨大發(fā)展。

一般來說，指靜脈識別包括圖像采集、預處理、特征提取與匹配認證四個步驟[3]。在指靜脈識別研究中，許多特征提取的方法如最大曲率法[4]、重復線跟蹤法[5]、寬限檢測器[6]、Gober-filter[7]等被提出，但無論使用哪一種特征提取方法，由于指靜脈采集設備不同、手指位移與旋轉，以及光照等因素，會導致同一個體的手指采集出的靜脈圖像不同。此外，全球爆發(fā)的疫情將公共衛(wèi)生安全問題上升至前所未有的高度，識別時要盡量避免人員觸摸，實現(xiàn)無接觸識別，則無約束手指采集到的圖像會存在更大誤差，從而引起匹配識別性能下降。針對此類問題，一般通過預處理操作進行解決，主要分為感興趣區(qū)域提取、靜脈圖像增強、靜脈圖像歸一化三個步驟，而感興趣區(qū)域的準確提取又是靜脈圖像增強和歸一化的前提。

在圖像處理領域，感興趣區(qū)域（Region of Interest，ROI）是從圖像中提取的一個目標區(qū)域，該區(qū)域是后續(xù)進行圖像分析所關注的重點。使用ROI 定位來確定所需要目標區(qū)域可以減少處理時間，提高識別精度。一般地，ROI 定位是以方框、圓、橢圓、不規(guī)則多邊形等方式在原始圖像上進行確定，借助ROI定位對靜脈區(qū)域進行提取可以有效減少同一個體不同條件下采集的指靜脈之間的差異，提高識別系統(tǒng)的性能。

目前，并未有綜述性文章對此類工作進行梳理。本文第1 章從商業(yè)角度與科研角度分析對比了指靜脈采集設備的優(yōu)缺點，并對已有的商業(yè)產(chǎn)品與科研用采集設備進行了匯總；第2章梳理總結了指靜脈研究使用的公共數(shù)據(jù)集；第3 章介紹了指靜脈圖像預處理工作，重點論述了手指靜脈圖像ROI提取的相關理論與方法，并對水平參考線搜索、圖像矯正、垂直參考線搜索三個步驟的代表性方法進行了詳細評述；第4 章與第5 章概述了指靜脈識別中的特征提取與匹配認證工作；第6章對本文工作進行總結，并對未來研究進行展望。

1 指靜脈圖像采集設備

圖像采集作為手指靜脈識別的第一步是至關重要的，采集出的圖像質量直接影響手指靜脈識別的準確度。由于采集設備與采集條件不同，手指大小與位置不同或發(fā)生了旋轉與形變等一系列影響識別的問題，使得需要對采集到的圖像進行預處理操作。

在進行圖像采集時使用近紅外光照射手指，靜脈中的血紅蛋白吸收了大量近紅外光，靜脈紋路的灰度值低于非靜脈區(qū)域，致使手指內的靜脈紋路更加突出，其橫剖面呈谷狀。光照射方式對于采集設備能否獲取高質量的圖像起著至關重要的作用。通常，光照方式可以分為兩類：反射式（圖1（a））和透射式（圖1（b））。反射式的設備因其采集的圖像質量差、功耗大等缺點而未得到廣泛應用，透射式的設備可以得到高對比度的圖像，質量較好，因此目前大多數(shù)采集設備使用該方式。透射式可進一步劃分為頂部穿透（頂透）式（圖1（c））與側部穿透（側透）式（圖1（d））。頂透采集設備，發(fā)光二極管置于手指上方，攝像機置于手指下方；側透式采集設備，發(fā)光二極管置于手指兩側，攝像機同樣置于手指下方。觀察兩種方式采集出的圖像，頂透式采集到的圖像靜脈區(qū)域與鄰近組織對比度更高，相應的手指區(qū)域與背景區(qū)域的對比度也更高，圖像質量更好。但在被采集者可接受度方面，側透式可以允許手指處于一個可直接觀察的狀態(tài)，減少了被采集者因手指處于封閉狀態(tài)下而產(chǎn)生的抵觸情緒。

圖1 光照方式

指靜脈識別技術在20 世紀90 年代興起于日本，如今許多技術與產(chǎn)品已經(jīng)成熟，韓國及一些歐美國家在該領域也有許多產(chǎn)品。2000 年后，我國高校、研究所、企業(yè)等開始對指靜脈技術進行研究，雖起步較晚，但發(fā)展十分迅速[8]，近年來，部分國內公司的技術產(chǎn)品已達到世界前列水平。國內產(chǎn)品大多為頂透式，這樣可以獲得更高質量的指靜脈圖像，從而得到更好的識別性能。圖2展示了國內外代表性商用指靜脈識別產(chǎn)品，表1 展示了商用指靜脈識別產(chǎn)品在硬件和組件設計方面的特性。

表1 國內外部分商用手指靜脈識別產(chǎn)品特性

圖2 國內外商用指靜脈識別產(chǎn)品

研究發(fā)現(xiàn)，為得到質量高的圖像，科研人員所設計的采集設備絕大多數(shù)使用頂透式，相比商用指靜脈采集設備，其結構和傳感器的種類更加多樣化，整體體積也更加龐大且成像原理多種多樣，例如近紅外成像、激光成像、熱成像、水紋-聲波成像等。表2展示了科研人員設計的指靜脈圖像采集設備在硬件和組件方面的特性[9-21]，圖3展示了科研人員所設計的采集設備。

圖3 科學研究使用的采集設備

表2 部分科研人員開發(fā)的手指靜脈圖像采集設備特性

2 指靜脈圖像公共數(shù)據(jù)集

為使科研人員可以在指靜脈識別領域順利開展研究，許多優(yōu)秀的國內外研究機構制作并公開發(fā)布了指靜脈圖像數(shù)據(jù)集。2010年，山東大學尹義龍教授團隊發(fā)布的多模態(tài)特征數(shù)據(jù)集SDUMLA-HMT[22]，香港理工大學Kumar 等人[23]發(fā)布的指靜脈數(shù)據(jù)集HKPU-FV，2013 年特文特大學發(fā)布的指靜脈數(shù)據(jù)集UTFVP[10]，同年韓國全北國立大學Lu等人[16]發(fā)布的指靜脈數(shù)據(jù)集MMCBNU_6000，馬來西亞理工大學發(fā)布的指靜脈數(shù)據(jù)集FVUSM[24]，2014 年瑞士Idiap 研究所發(fā)布的指靜脈數(shù)據(jù)集VERA[25]，同年北京大學發(fā)布的THU-FV數(shù)據(jù)集[26]。2017年，薩爾茨堡大學發(fā)布了一個多模態(tài)生物特征數(shù)據(jù)集PMMDB-FV[27]，并在后續(xù)發(fā)布了新的指靜脈數(shù)據(jù)集PLUSVein-FV3[28]。表3 總結了各個指靜脈圖像數(shù)據(jù)集的詳細信息，其中UTFVP 與FV-USM 數(shù)據(jù)集相對來說圖像質量較高，SDUMLA-HMT 數(shù)據(jù)集存在復雜的背景，HKPU-FV 數(shù)據(jù)集存在大量的光照不均勻因素。這些數(shù)據(jù)集涵蓋了在各種不同情況下采集的圖像，這為手指靜脈識別相關研究工作在實際應用場景中是否具備有效、高效、魯棒的性能，提供了很好的驗證數(shù)據(jù)基礎，圖4展示了部分數(shù)據(jù)集不同的指靜脈圖像。

圖4 部分指靜脈數(shù)據(jù)集

表3 指靜脈數(shù)據(jù)集詳細信息

3 指靜脈圖像預處理

3.1 指靜脈圖像ROI提取

采集的圖像包含背景區(qū)域和有價值的手指區(qū)域，被用來當作特征提取關鍵部位的手指區(qū)域即指靜脈圖像ROI。ROI 提取即是從圖像中分割出識別所需要的區(qū)域，并刪除其余區(qū)域，實現(xiàn)在增大不同個體間靜脈區(qū)域差異的同時，減小同一個體不同條件采集的靜脈區(qū)域的差異。通常，指靜脈圖像ROI 提取分為水平參考線搜索、手指形變、旋轉的矯正與垂直參考線搜索三個步驟，利用水平參考線與垂直參考線及矯正后的圖像提取出所需要的指靜脈圖像ROI。

3.1.1 水平參考線搜索

手指靜脈圖像ROI 提取的第一步往往是尋找手指邊緣，由此得到水平方向上的參考線，確定手指區(qū)域部分，為下一步的圖像矯正提供基礎。手指邊緣提取方法可分為四種：

（1）基于固定窗口的提取方法。Wang 等人[29]通過計算手指質心，并利用手指輪廓最大水平外切線分割出手指區(qū)域；Rosdi等人[30]使用OTSU[31]方法對手指靜脈圖像進行二值化，然后定位二值化圖像中手指區(qū)域中心點，選擇一個尺寸為480×160大小的固定窗口作為ROI；Yang等人[32]先采用預定的固定大小窗口去除部分背景，然后利用關節(jié)腔定義一個固定大小的窗口作為ROI；Ahmad 等人[33]計算手指中心并將指靜脈圖像裁剪得到一個70×130 區(qū)域作為手指ROI。此類方法預定義的窗口大小通常是固定的，這就決定了其不能適應圖像的各種變化，但由于所需時間最少，因此該類方法配合特殊的圖像采集方式，可以在兼顧圖像質量的同時達到對手指區(qū)域的準確提取。

（2）基于閾值的提取方法。Kumar 等人[23]利用230固定閾值得到二值圖像，從二值化圖像中減去利用Sobel 算子得到的二值邊緣圖像，然后做連通域分析得到掩膜，實現(xiàn)手指區(qū)域分割；Brindha等人[34]對圖像進行二值化處理，并對得到的二值化圖像進行開閉操作，得到完整的手指區(qū)域掩膜；Gupta 等人[35]利用全局閾值得到二值化圖像，并運用形態(tài)學操作獲取完整邊緣，最終得到手指區(qū)域掩膜；文獻[36]提出采用Kapur 熵閾值法分割出手指區(qū)域。理想情況下，手指區(qū)域的像素值均高或低于背景區(qū)域，但實際上由于不同采集設備的光照條件不同，很難避免手指局部區(qū)域像素值分布與背景區(qū)域相似。雖然此類方法并不魯棒，但若對某固定采集設備使用固定閾值，則該類方法將十分簡單高效。

（3）基于掩膜的提取方法。Lee 等人[37]將圖像分為上下兩部分，設計兩個水平邊緣檢測掩膜分別對圖像進行卷積操作，選擇最大響應值作為手指邊緣；Lu 等人[38]受文獻[37]啟發(fā)，對水平Pweett算子進行擴展，再利用方向角修正錯誤邊緣得到完整的手指邊緣；Wang等人[39]結合文獻[37]中提出的算子和Sobel 算子進行邊緣檢測，并對得到的邊緣做連通域分析，去除長度小于一定閾值的線段；Yang 等人[26]提出了一種新的邊緣檢測算子，并配合硬件設施上的控制點對ROI進行定位；Song等人[40]利用Laplace 算子檢測邊緣，并使用平均曲率對手指邊緣進行補全；Wang 等人[41]對水平Sobel 算子進行擴展，將指靜脈圖像分為上下兩部分，分別進行卷積，利用最大響應值作為手指邊緣。許多邊緣提取算子對噪點十分敏感，而不同設備采集的圖像背景區(qū)域的噪聲分布均具有很大差異，易將噪聲作為最大響應，檢測出錯誤的邊緣。一般，在利用邊緣檢測算子來檢測手指邊緣時，使用均值濾波或高斯濾波等方法對采集到的圖像進行去噪處理，以此提高邊緣檢測精度。

（4）基于精細邊緣檢測的提取方法。Yang等人[42]結合超像素方法與硬件對手指邊緣進行檢測；Yao 等人[43]首次將Kirsch 邊緣檢測器引入指靜脈邊緣搜索分割得到較完整的手指區(qū)域。此類方法通過進一步對提取到的邊緣進行處理，得到較完整的手指區(qū)域，因此該類方法分割精度最高，但定制化的精細處理魯棒性較差，且提取效率較低。

以上四種手指區(qū)域提取方法適用于不同的使用場景：若使用固定窗口方法或閾值法，結合特定的采集設備，可以在保證質量的同時實現(xiàn)快速采集；基于掩膜的方法主要使用各類梯度算子及其改進算子，提取時間花費較少，但易受到各種噪聲的影響；當對手指區(qū)域分割精度有較高要求時，可使用精細邊緣檢測方法，雖需要花費較長時間，但隨著計算機算力的不斷提升，此類方法的時間成本也大大降低。隨著應用場景的多變，許多方法無法從采集到的圖像中直接獲取手指區(qū)域，需對手指邊緣進一步處理，因此精細化邊緣提取方法將會是未來主要的發(fā)展趨勢。

一部分研究者通過手指邊緣檢測對手指區(qū)域進行分割，利用分割后的圖像作為ROI，增強了不同個體間靜脈區(qū)域的差異，但無法解決手指形變與旋轉等問題。因此另一部分研究者將手指邊緣最小內切線作為水平方向分割參考線的同時，利用檢測到的邊緣繼續(xù)進行靜脈圖像矯正與垂直方向分割參考線搜索，進一步減小了同一個體不同條件下采集的指靜脈之間的差異。

3.1.2 手指圖像矯正

不同設備存在不同的采集特性與開放程度。在手指靜脈識別中，為提高采集個體的可接受程度，并且疫情期間更應該避免直接接觸，采集設備一般是無約束成像，手指隨機放置在采集設備上，則會導致在不同條件下獲取的同一個體的指靜脈圖像不完全相同，存在圖像形變，表現(xiàn)為一定程度上的手指位移、旋轉、扭曲，嚴重影響了指靜脈識別系統(tǒng)的性能，因此需要圖像矯正，最大程度對手指區(qū)域進行修復，保證同一個體的手指形狀與位置相同，從而進行準確的特征提取與匹配識別。無約束指靜脈成像的圖像形變概括為四種：平面手指位移、平面內手指旋轉、平面外手指旋轉、手指彎曲。針對這些問題，根據(jù)識別的不同步驟，解決方法一般分為三類[44]。

第一類是在特征提取的過程中進行圖像對齊。其又包括兩種方法：（1）抗形變的特征提取方法，能在一定程度上解決目標的旋轉、縮放與平移等問題，并對光照與噪聲有較好的抗干擾性。代表性方法如尺度不變特征變換（Scale Invariant Feature Transform，SIFT）[45]、正交鄰域保持投影（Orthogonal Neighborhood Preserving Projections，ONPP）[46]和矩不變量（Moment Invariants，MI）[47]。（2）將特征進行歸一化處理方法，主要將二維或三維空間中發(fā)生形變的特征進行校正，實現(xiàn)特征的歸一化。代表性方法如基于橢圓投影系數(shù)的歸一化[48]和基于偽橢圓采樣的歸一化[49]。

第二類是在匹配的過程中進行圖像對齊。其也包括兩種方法：（1）利用相似度來矯正形變，在多次匹配中獲得與匹配模板的相似度，并以最大相似度作為最終分數(shù)來克服圖像形變，代表性方法如雙向變形空間金字塔匹配（Bidirectional Deformable Spatial Pyramid Matching，BDSPM）[50]和基于最大像素比的模板匹配[23，39]。（2）利用薄板樣條（Thin-Plate Spline，TPS）模型通過非剛性變換方法克服形變。

第三類是在預處理的過程中進行圖像對齊。大多數(shù)方法均在以上兩類過程中進行，然而預處理中的圖像對齊方法能夠有針對性、有效地處理圖像形變問題，對指靜脈識別性能提升更大，因此在預處理階段對圖像進行形變檢測和矯正十分必要。常用的糾正手指平移與旋轉的做法是計算手指傾斜角度[51]。Lee等人[37]提出利用細節(jié)點將圖像對齊；Chen等人[44]通過分析手指形狀來檢測不同類型的手指形變，并通過對形變圖像進行線性或非線性變換來矯正圖像；Normakristagaluh 等人[52]使用迭代最近點（Iterative Closest Point，ICP）方法對手指輪廓進行對齊；Prommegger等人[53]采用硬件上的物理設計，通過添加控制點防止手指發(fā)生形變；Kauba等人[54]設計了一種指靜脈掃描儀，可同時獲取有三根手指的靜脈圖像，其要求手指放在一個具有手指形狀的引導面上，以保證獲取的手指靜脈圖像發(fā)生的形變較小。

研究發(fā)現(xiàn)，在特征提取與匹配認證的過程中解決手指對齊問題具有較好的魯棒性且研究較成熟，但某些特定的形變現(xiàn)象無法得到很好解決，這就需要在預處理的過程中有針對性地設計手指對齊方法，實現(xiàn)對識別性能的進一步提升。通過對手指圖像形變和旋轉的檢測與矯正，可進一步減小同一個體不同條件下采集的指靜脈之間的差異，很大程度上解決由于采集過程中設備或個人因素產(chǎn)生的識別性能下降問題。

3.1.3 垂直參考線搜索

手指靜脈圖像ROI 提取的目的是快速從同一根手指在不同條件下采集到的靜脈圖像中提取出相同的區(qū)域。部分研究者在對指靜脈ROI 定位時僅使用水平參考線對圖像進行劃分，該方法不滿足不同個體間靜脈區(qū)域差異最大且同一個體靜脈區(qū)域差異最小，因此在通過手指邊緣的內切線得到ROI的水平分割參考線后，仍需要解決的問題即是在垂直方向上找到一個分割參考線，將ROI限制在手指的某固定區(qū)域，以進一步減小同一個體不同條件下采集的靜脈圖像之間的差異。

起初，大多數(shù)研究者選擇使用固定大小窗口對垂直參考線進行劃分。文獻[7]與文獻[39]使用固定大小的矩形框對手指進行劃分；Rosdi 等人[30]在尋找二值化圖像的質心后，利用質心作為矩形框的中心對手指進行劃分。近年來，關注到手指的構造特性，手指軟骨之間的間隙會透過更多的紅外光，在手指靜脈圖像中關節(jié)腔處會顯示為兩個較亮區(qū)域（在數(shù)字圖像上表現(xiàn)為像素值較高，如圖5所示），因此研究人員一般選擇基于手指關節(jié)腔作為垂直方向上的分割參考線，并提出了許多關節(jié)腔搜索算法。最初的方法是基于區(qū)域像素的累計值，文獻[32]提出了計算每列像素累計值，選擇最大的累計值定位關節(jié)腔，并在后續(xù)研究中發(fā)現(xiàn)，由于采集設備光照不均勻影響關節(jié)腔搜索，為改進其單列像素累計值關節(jié)腔定位方法，提出了基于滑動窗口計算多列像素累計值并用極大值來定位手指關節(jié)腔[55-56]，2019年，又提出了結合指紋與靜脈雙模態(tài)對關節(jié)腔進行定位[57]；此外，在對手指關節(jié)腔進行定位后，可以得到一條垂直方向上的分割參考線，利用得到的水平與垂直方向分割參考線在經(jīng)過矯正后的指靜脈圖像上提取出ROI，此時，不同個體間指靜脈特征差異最大且相同個體不同條件下采集的指靜脈之間的差異最小，為下一步靜脈圖像增強奠定基礎，提高了最終的匹配與識別性能。

圖5 手指區(qū)域灰度值3D分布

3.2 指靜脈圖像增強與歸一化

采集設備性能、光照、采集者手指條件與采集姿勢等均會影響圖像質量，存在對比度低、噪聲大等問題的低質量圖像會影響識別性能。圖像增強用來解決由各方面外部因素導致的圖像質量差的問題。指靜脈圖像增強方法一般分為兩類：提高對比度方法與紋理特征增強方法。提高對比度方法一般使用直方圖均衡化、Gabor 濾波等技術；紋理特征增強方法一般使用濾波與閾值分割技術。在對圖像增強后需要將圖像放縮至統(tǒng)一尺寸，稱之為歸一化。若將圖像歸一化至一個合適的大小，將有效提升系統(tǒng)的整體識別效率。

現(xiàn)有的圖像增強方法僅對圖像進行增強，并未考慮圖像本身的質量，而這易造成對不同質量圖像的欠增強或過度增強；對于圖像歸一化，則需兼顧特征提取后模板圖像的大小與系統(tǒng)識別率，或使用深度學習時需考慮圖像大小對模型參數(shù)規(guī)模的影響等等。

4 指靜脈特征提取

靜脈圖像進行預處理后，需要提取手指靜脈的某些特殊屬性作為模板，供匹配認證使用。指靜脈特征提取方法大致分為三種：基于局部特征的方法、基于全局特征的方法與基于機器學習的方法。

基于局部特征的方法是興起最早、發(fā)展最成熟的一類方法。指靜脈局部特征包括：紋理特征、線特征與細節(jié)點特征等，其中紋理特征使用最廣泛，Miura等人[4]先后提出了最大曲率法、重復線跟蹤法[5]對紋理特征進行提取，Huang等人[6]將寬線檢測器引入指靜脈識別之中，并且局部二值模式（Local Binary Pattern，LBP）[58]、局部方向模式（Local Directional Pattern，LDP）[59]以及其改進算子在指靜脈特征提取中也取得了很好的效果；Gabor濾波器[7]等一系列邊緣檢測算子提取出靜脈紋理的方向信息作為線特征；文獻[44]和[60-62]對細節(jié)點特征進行提取，利用一些細小的關鍵點作為特征存儲下來。

基于全局特征方法的主要思想是運用降維，對靜脈圖像進行空間投影，將高維圖像映射為低維向量，利用提取出的特征向量進行匹配[63]。主要方法包括：主成分分析（Principal Component Analysis，PCA）[64]、2DPCA[65]、線性判別分析（Linear Discriminant Analysis，LDA）[66]、獨立成分分析（Independent Components Analysis，ICA）[67]等。

基于機器學習的方法：起初，傳統(tǒng)機器學習工具如支持向量機（Support Vector Machine，SVM）等在特征提取與匹配認證中均起到很好的效果，隨著卷積神經(jīng)網(wǎng)絡的發(fā)展，利用深度學習進行特征提取被廣泛應用，代表的網(wǎng)絡模型有LeNet、VggNet等。

綜上所述，采用降維得到的全局特征具有較低的維度，因此具有較高的識別速率，但對于相似的圖像卻難以區(qū)分，所以識別準確度無法保證；利用機器學習得到的特征有較高的擬合程度，可以保證較好地對特征進行提取，但其缺點也十分明顯，此類方法需要大量的訓練數(shù)據(jù)對模型進行充分訓練，效率并不高；手指靜脈中具有大量的紋理特征、線特征與細節(jié)點特征，利用局部特征提取方法可以提取出較完整的局部信息，故此類方法提取的特征進行識別時準確度相對較高，但需要對局部特征進行存儲，相對于降維的方法需要更大的存儲空間。

5 匹配認證

匹配認證是使用提出的生物特征進行身份認證，不同的特征提取方法對應不同的匹配認證方法。在匹配認證過程中，一般利用兩幅手指靜脈圖像特征的相似度來進行判別[51]。提取出的局部特征選擇使用漢明距離（Hamming Distance，HD）[37]進行匹配認證，而對于細節(jié)點特征可以使用豪斯多夫距離（Hausdorff Distance）進行匹配認證[68]；提取出的全局特征一般使用模板匹配進行認證[23]。隨著深度學習的發(fā)展，大量研究者將卷積神經(jīng)網(wǎng)絡應用到指靜脈匹配識別之中，得到較高的識別精度。

傳統(tǒng)匹配認證方法作為識別系統(tǒng)中的分類器，需要對原始數(shù)據(jù)做大量特征工程處理，而使用卷積神經(jīng)網(wǎng)絡則只需進行少量預處理即可得到很高的識別精度，但神經(jīng)網(wǎng)絡模型龐大、時間開銷高等缺點限制了系統(tǒng)的應用場景。

6 結束語

本文對手指靜脈圖像感興趣區(qū)域提取研究進行了綜述，整理并對比了商用指靜脈產(chǎn)品與科研用采集設備；總結了已公開發(fā)布的國內外指靜脈數(shù)據(jù)集；詳細闡述了指靜脈圖像ROI提取整個過程中的代表性方法：首先將手指邊緣提取的四類方法做了精細匯總并分析了其優(yōu)缺點，其次概括了手指圖像形變現(xiàn)象在不同步驟中的矯正方法，重點分析了在預處理階段如何對其進行矯正，然后對關節(jié)腔搜索方法進行了詳細梳理；最后，概述了指靜脈識別特征提取與匹配認證。

近幾年，全球發(fā)生的疫情引導著以指靜脈識別為代表的第二代生物信息識別技術向著非接觸式采集識別方向發(fā)展，未來的指靜脈圖像ROI提取將需要更高的精度與速率，同時需要增強應對不同采集設備、不同應用場景的魯棒性。