指靜脈識(shí)別研究綜述

尹義龍 楊公平 楊 璐

(山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，濟(jì)南，250101)

?

指靜脈識(shí)別研究綜述

尹義龍 楊公平 楊 璐

(山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，濟(jì)南，250101)

指靜脈識(shí)別因其獨(dú)特的優(yōu)勢(shì)具有巨大的市場(chǎng)潛力，并得到了國(guó)內(nèi)外各研究團(tuán)體和工業(yè)界的高度關(guān)注。本文介紹了指靜脈識(shí)別的主要研究?jī)?nèi)容及其研究現(xiàn)狀，包括指靜脈成像方法及圖像增強(qiáng)技術(shù)、特征提取方法及與指靜脈有關(guān)的多模態(tài)、多特征融合方法。其中詳細(xì)介紹了指靜脈特征提取方法，并將其劃分為4類，即指靜脈紋路特征、紋理特征、細(xì)節(jié)點(diǎn)特征及使用機(jī)器學(xué)習(xí)方法獲得的特征。在此基礎(chǔ)上進(jìn)一步對(duì)指靜脈識(shí)別及其應(yīng)用面臨的挑戰(zhàn)性問(wèn)題做了分析，這些問(wèn)題主要包括降低采集設(shè)備價(jià)格、提高采集圖像質(zhì)量，及減小各種因素,如低質(zhì)量圖像、手指姿態(tài)變化、大規(guī)模用戶群及室外采集等對(duì)識(shí)別性能的影響，這些問(wèn)題為今后的指靜脈識(shí)別的相關(guān)研究提供了思路和啟迪。

生物特征識(shí)別；指靜脈識(shí)別；特征提取

引 言

信息化時(shí)代對(duì)身份認(rèn)證提出了更高的要求。生物特征識(shí)別是利用一種或多種人類的生理特征(如指紋、人臉、虹膜、靜脈等)或行為特征(如步態(tài)、簽名等)進(jìn)行身份認(rèn)證的一種技術(shù)[1]。相對(duì)于鑰匙、卡、密碼等傳統(tǒng)身份認(rèn)證方式而言，生物特征識(shí)別技術(shù)具有不會(huì)忘記、不會(huì)丟失和安全性高等諸多優(yōu)勢(shì)，得到了國(guó)內(nèi)外學(xué)術(shù)界和企業(yè)界的高度關(guān)注。在國(guó)內(nèi)外同行的多年努力下，指紋、人臉、虹膜等生物特征識(shí)別技術(shù)的研究和應(yīng)用已經(jīng)取得了重大進(jìn)展，逐步在很多行業(yè)得到應(yīng)用，產(chǎn)生了巨大的經(jīng)濟(jì)效益和社會(huì)效益。指靜脈識(shí)別利用手指靜脈血管的紋路實(shí)現(xiàn)身份認(rèn)證，通常使用近紅外成像方式采集圖像。與其他生物特征識(shí)別技術(shù)相比，指靜脈識(shí)別具有一些獨(dú)特的優(yōu)勢(shì)[2-4]：(1)指靜脈屬于人體的內(nèi)部特征，難以被偽造和盜竊；(2)指靜脈圖像只有在活體條件下才能采集到；(3)識(shí)別的準(zhǔn)確率較高；(4)采集設(shè)備相對(duì)較小，方便攜帶。目前其市場(chǎng)占有率還比較低，圖1給出了2007年各種生物識(shí)別技術(shù)所占市場(chǎng)比例，其中，靜脈識(shí)別僅占3%。而靜脈識(shí)別包括手背靜脈識(shí)別、掌靜脈識(shí)別和指靜脈識(shí)別等。也就是說(shuō)，指靜脈識(shí)別的市場(chǎng)占有率遠(yuǎn)不到3%。主要原因在于，與其他識(shí)別技術(shù)相比，指靜脈識(shí)別研究開(kāi)始于2000年左右，起步時(shí)間較晚，發(fā)展不夠成熟。但是，從長(zhǎng)遠(yuǎn)來(lái)看，該技術(shù)的優(yōu)勢(shì)使其具有巨大的市場(chǎng)潛力。

圖1 各種生物識(shí)別技術(shù)2007年度所占市場(chǎng)比例[5]Fig.1 Market share of different biometric techniques in 2007[5]

2000年日本學(xué)者Kono等人提出可以利用近紅外光采集指靜脈圖像實(shí)現(xiàn)身份識(shí)別，并給出了一種有效的提取特征方法[6]，這應(yīng)該是指靜脈識(shí)別研究方面最早可見(jiàn)的公開(kāi)學(xué)術(shù)文獻(xiàn)。十多年來(lái)，指靜脈識(shí)別的研發(fā)呈現(xiàn)出迅速繁榮的趨勢(shì)。國(guó)際上，很多高校(如日本東京大學(xué)、韓國(guó)東國(guó)大學(xué)、韓國(guó)祥明大學(xué)、韓國(guó)全北國(guó)立大學(xué)、馬來(lái)西亞理科大學(xué)等)、研究機(jī)構(gòu)(如日本日立公司等)都在從事指靜脈識(shí)別方面的研究；中國(guó)的中科院自動(dòng)化所、北京大學(xué)、吉林大學(xué)、中國(guó)民航大學(xué)、哈爾濱工業(yè)大學(xué)、國(guó)防科技大學(xué)、清華大學(xué)深圳研究生院、哈爾濱工程大學(xué)、重慶大學(xué)、重慶理工大學(xué)、重慶科技大學(xué)、中山大學(xué)、武漢大學(xué)、香港理工大學(xué)、山東大學(xué)、沈陽(yáng)工業(yè)大學(xué)等科研單位從事這方面的研究與系統(tǒng)開(kāi)發(fā)工作，近年來(lái)已取得了一大批令人鼓舞的成果。

1 圖像采集及增強(qiáng)

從技術(shù)體系而言，指靜脈識(shí)別主要包括4個(gè)階段：圖像采集、預(yù)處理、特征提取及匹配，如圖2所示。識(shí)別中的第1步是指靜脈圖像采集，指靜脈采集設(shè)備主要分為透射式和反射式兩種，如圖3所示[7]。受采集設(shè)備質(zhì)量、光照條件等因素的影響，采集到的指靜脈圖像往往會(huì)帶有一定噪聲，質(zhì)量不夠理想，這就需要采用相應(yīng)的預(yù)處理技術(shù)加以解決。為了更有效地解決光照散射問(wèn)題，點(diǎn)擴(kuò)散函數(shù)(Point spread function，PSF)[8-10]和改進(jìn)的Koschmieder模型[11]等方法被用于增強(qiáng)指靜脈圖像。文獻(xiàn)[12-13]使用Gabor濾波器組進(jìn)行靜脈圖像增強(qiáng)。文獻(xiàn)[14]首先分析影響靜脈圖像質(zhì)量下降的內(nèi)在因素，然后提出一種簡(jiǎn)單有效的散射移除方法來(lái)改善靜脈圖像的質(zhì)量。文獻(xiàn)[15]提出了一種基于多尺度乘法規(guī)則的偶對(duì)稱的Gabor增強(qiáng)方法。文獻(xiàn)[16]提出了一種基于Gabor和Retinex濾波器模糊融合的指靜脈圖像增強(qiáng)方法。

圖2 典型指靜脈識(shí)別系統(tǒng)的流程圖Fig.2 Flowchart of typical finger vein identification system

圖3 兩種指靜脈圖像采集方式示意圖[7]Fig.3 Two ways of finger vein image acquisition[7]

2 指靜脈特征

當(dāng)前使用的指靜脈特征主要包括靜脈紋路特征、紋理特征、細(xì)節(jié)點(diǎn)特征和通過(guò)學(xué)習(xí)獲得的特征。

2.1 紋路特征

指靜脈的紋路特征是指從靜脈灰度圖像中提取出靜脈網(wǎng)絡(luò)，并使用靜脈網(wǎng)絡(luò)進(jìn)行識(shí)別，該類特征能夠較好地表達(dá)靜脈整體的拓?fù)浣Y(jié)構(gòu)[3,17-22]。文獻(xiàn)[17]使用經(jīng)典的線性跟蹤算法首次提取靜脈紋路特征。文獻(xiàn)[18]針對(duì)經(jīng)典的線性跟蹤分割算法進(jìn)行了改進(jìn)，進(jìn)一步提高了提取特征的有效性。文獻(xiàn)[19]將一種基于區(qū)域生長(zhǎng)的方法用于指靜脈紋路的提取，提取的紋路較好，但非常耗時(shí)。文獻(xiàn)[20]提出了基于最大曲率的靜脈紋路提取方法，通過(guò)計(jì)算指靜脈圖像橫截面的局部最大曲率值來(lái)提取靜脈的紋路。文獻(xiàn)[3]提出了一種基于平均曲率的靜脈紋路提取方法，首先計(jì)算每個(gè)像素點(diǎn)的平均曲率，然后使用負(fù)的平均曲率來(lái)找到靜脈的紋路結(jié)構(gòu)。設(shè)指靜脈圖像用f表示，平均曲率H的計(jì)算如下

(1)

文獻(xiàn)[21]首先使用一組包含8個(gè)方向的偶對(duì)稱Gabor濾波器來(lái)獲得靜脈在8個(gè)方向的紋路信息，然后使用圖像重建方法獲取融合了8個(gè)方向的靜脈紋路的圖像。考慮到靜脈點(diǎn)的灰度值較低，文獻(xiàn)[22]通過(guò)計(jì)算灰度值小于中心點(diǎn)的鄰點(diǎn)個(gè)數(shù)判斷該中心點(diǎn)是否為靜脈點(diǎn)。

2.2 紋理特征

指靜脈識(shí)別中，圖像的紋理特征多用局部二值碼來(lái)表達(dá)。二值碼通過(guò)當(dāng)前像素的灰度值與鄰域像素的灰度值的對(duì)比來(lái)獲得。如果鄰域中一個(gè)像素的灰度值小于當(dāng)前像素的灰度值，則用“0”標(biāo)記，否則，用“1”標(biāo)記，從而得到二值碼串。文獻(xiàn)[23]分別使用了局部二值模式(Local binary pattern,LBP)和局部導(dǎo)數(shù)模式(Local derivative pattern,LDP)提取靜脈的紋理特征，并比較了這兩種特征效果。LBP通過(guò)比較中心像素與鄰域像素的灰度值大小獲得一個(gè)有序的二值碼集合，該集合將作為特征在匹配階段使用。記ic為中心像素點(diǎn)的灰度值，in(n=0,…,7)為8個(gè)鄰點(diǎn)的像素值，通過(guò)下式得到二值碼集合

(2)

函數(shù)s(x)的定義如下

(3)

文獻(xiàn)[24]提出了一種加權(quán)的LBP的特征提取方式，進(jìn)一步提高了識(shí)別效果。文獻(xiàn)[4]根據(jù)靜脈的局部特點(diǎn)提出了局部線性二值模式(Local line binary pattern,LLBP)特征，在線性的局部區(qū)域中提取編碼特征，獲得了較好的實(shí)驗(yàn)效果。為進(jìn)一步提高局部二值碼的性能，個(gè)性化最佳位圖(Personalized best bit map,PBBM)[25]和個(gè)性化權(quán)重圖(Personalized weight map,PWM)[26]在識(shí)別中依據(jù)編碼位的穩(wěn)定性不同有區(qū)別地處理每個(gè)編碼位。文獻(xiàn)[27]提出局部方向碼(Local directional code,LDC)特征，提取指靜脈圖中紋理的方向信息用于識(shí)別中。文獻(xiàn)[28]使用偶對(duì)稱Gabor濾波器提取靜脈的紋理特征。文獻(xiàn)[29]使用Gabor濾波器組提取靜脈的局部和全局紋理信息。

2.3 細(xì)節(jié)點(diǎn)特征

指靜脈識(shí)別中的細(xì)節(jié)點(diǎn)是指靜脈圖像中血管的分叉點(diǎn)、端點(diǎn)如圖4所示。文獻(xiàn)[30-33]通過(guò)提取若干個(gè)細(xì)節(jié)點(diǎn)的信息描述指靜脈的主要特征。文獻(xiàn)[30]提取了若干細(xì)節(jié)點(diǎn)來(lái)表示靜脈的拓?fù)浣Y(jié)構(gòu)，取得了較好的識(shí)別效果。文獻(xiàn)[31]進(jìn)一步豐富了細(xì)節(jié)點(diǎn)的信息，提取了細(xì)節(jié)點(diǎn)的位置信息，局部灰度變化以及局部紋理等特征，使得所提取的細(xì)節(jié)點(diǎn)具有更強(qiáng)的表達(dá)性，也更加魯棒。文獻(xiàn)[32-33]提取尺度不變特征轉(zhuǎn)換(Scale-invariant feature transform,SIFT)特征，對(duì)于旋轉(zhuǎn)平移具有一定的魯棒性。

圖4 指靜脈圖像及提取的細(xì)節(jié)點(diǎn)Fig.4 Finger vein image and its minutiae

2.4 學(xué)習(xí)獲得的特征

通過(guò)機(jī)器學(xué)習(xí)方法提取指靜脈特征，用于識(shí)別[34-39]，本文稱之為通過(guò)學(xué)習(xí)獲得的特征。文獻(xiàn)[34]使用主成分分析(Principal component analysis,PCA)方法對(duì)指靜脈圖像的感興趣區(qū)域(Region of interest,ROI)進(jìn)行降維，獲得指靜脈圖像的主要成分分量特征。為進(jìn)一步提高PCA方法獲得的主成分特征的區(qū)分性，文獻(xiàn)[35]在PCA降維的基礎(chǔ)上，使用線性判別分析(Linear discriminant analysis,LDA)提取其更具區(qū)分性的特征。文獻(xiàn)[36]考慮到靜脈在水平、豎直兩個(gè)方向上的信息，使用雙方向二維主成分分析(2D)2PCA方法學(xué)習(xí)獲取指靜脈圖像的特征，取得了較好的效果。文獻(xiàn)[37]研究發(fā)現(xiàn)，存在手指旋轉(zhuǎn)、光照條件變化等條件下采集到的指靜脈圖像具有流型分布特點(diǎn)，使用了流型學(xué)習(xí)中的正交鄰域保持投影(Orthogonal neighborhood preserving projections,ONPP)對(duì)圖像進(jìn)行降維，取得了較好的實(shí)驗(yàn)結(jié)果。稀疏表達(dá)在人臉識(shí)別中取得比較成功的應(yīng)用，受此啟發(fā)，文獻(xiàn)[38-39]使用稀疏表達(dá)提取靜脈特征，獲得了較好的識(shí)別效果。

3 基于指靜脈的多生物識(shí)別技術(shù)

為克服單一特征的局限性，文獻(xiàn)[40-43]嘗試通過(guò)多特征融合提高指靜脈識(shí)別系統(tǒng)的性能。文獻(xiàn)[40]將指靜脈的局部矩特征(描述靜脈紋路的變化)、拓?fù)浣Y(jié)構(gòu)特征(細(xì)節(jié)點(diǎn)的位置、角度等信息)和靜脈的形狀等特征進(jìn)行融合，取得了較好的實(shí)驗(yàn)效果。文獻(xiàn)[41] 使用Gabor提取局部的紋理特征、使用不變矩提取全局特征，實(shí)現(xiàn)了局部特征和全局特征的融合使用。文獻(xiàn)[42] 融合使用了靜脈的紋路特征(線性跟蹤法)、靜脈紋路的方向特征以及SIFT特征來(lái)提升識(shí)別的效果。文獻(xiàn)[43]提取手指遠(yuǎn)端關(guān)節(jié)寬度，并將其作為軟特征輔助指靜脈識(shí)別，在一定程度上提高了指靜脈識(shí)別的性能。

匹配是指靜脈識(shí)別的基本技術(shù)環(huán)節(jié)之一。在用戶注冊(cè)了多個(gè)模板的情況下，通常采用多模板匹配方法[44-47]來(lái)提高匹配的精度。文獻(xiàn)[44]提出了三值模板的模糊融合匹配方法。文獻(xiàn)[45] 提出了基于像素匹配率、海明距匹配以及像素非匹配率融合的匹配方法。文獻(xiàn)[46] 提出了基于多模板的得分級(jí)融合策略。文獻(xiàn)[47]提出了一種共現(xiàn)概率矩陣來(lái)反映指靜脈的穩(wěn)定性，并根據(jù)共現(xiàn)概率矩陣來(lái)進(jìn)行模板匹配，意在解決匹配時(shí)的穩(wěn)定性問(wèn)題。

將指靜脈識(shí)別與其他生物特征識(shí)別技術(shù)融合使用，開(kāi)展多生物特征識(shí)別研究，是一個(gè)自然的思路。這方面的主要工作有：文獻(xiàn)[48]首次將指靜脈用于多模態(tài)識(shí)別系統(tǒng)中，使用基于支持向量機(jī)和加權(quán)和的得分級(jí)融合方法將指靜脈、指紋和人臉特征進(jìn)行融合。文獻(xiàn)[49-50]同時(shí)使用了指紋和指靜脈實(shí)現(xiàn)了身份認(rèn)證。文獻(xiàn)[51]研究了一種基于支持向量機(jī)(Support vector machine,SVM)的手指形狀和指靜脈的得分級(jí)融合的多生物識(shí)別系統(tǒng)，通過(guò)訓(xùn)練SVM來(lái)獲得兩種生物特征融合時(shí)的最佳權(quán)重，并通過(guò)實(shí)驗(yàn)證明這種融合方式要好于傳統(tǒng)的最小、最大、加法融合規(guī)則。文獻(xiàn)[52]提出了基于比較競(jìng)爭(zhēng)編碼(Comparative competitive code,CCC)的特征級(jí)指靜脈和指背紋理融合。

4 結(jié)束語(yǔ)

盡管經(jīng)過(guò)國(guó)內(nèi)外同行十多年的努力，當(dāng)前指靜脈識(shí)別的研究已經(jīng)取得了很大的進(jìn)展，并在考勤、門禁、銀行、汽車安全等領(lǐng)域得到了一定的應(yīng)用，但仍存在許多困難需要解決。較為共識(shí)性的挑戰(zhàn)性問(wèn)題主要集中如下：(1)降低采集設(shè)備價(jià)格、提高采集設(shè)備質(zhì)量的問(wèn)題。目前市場(chǎng)上的指靜脈采集設(shè)備價(jià)格較高，且圖像采集質(zhì)量有待提高，使得指靜脈識(shí)別研究和應(yīng)用受限。(2)低質(zhì)量圖像對(duì)識(shí)別性能的影響問(wèn)題。部分指靜脈圖像質(zhì)量偏低，導(dǎo)致靜脈紋路、細(xì)節(jié)點(diǎn)等特征無(wú)法提取或者提取不正確，因此影響識(shí)別性能。(3)采集時(shí)的手指姿態(tài)的變化對(duì)識(shí)別性能的影響問(wèn)題。指靜脈圖像采集過(guò)程中，手指隨機(jī)放置在成像設(shè)備上，這就導(dǎo)致手指的平移、旋轉(zhuǎn)等問(wèn)題。當(dāng)同源圖像中手指存在較大的平移、旋轉(zhuǎn)時(shí)，圖像的相似度就會(huì)下降，導(dǎo)致不能正確的識(shí)別。(4)大規(guī)模用戶群及室外采集條件下如何確保識(shí)別性能的問(wèn)題。大規(guī)模用戶群下，需要考慮的主要是識(shí)別時(shí)間問(wèn)題。用戶越多，匹配時(shí)間會(huì)越長(zhǎng)。室外采集是指被采集者在室外且沒(méi)有指導(dǎo)的情況下進(jìn)行圖像的采集，這將使得圖像質(zhì)量和手指平移、旋轉(zhuǎn)問(wèn)題更加嚴(yán)重。如何克服這些困難確保識(shí)別速度和識(shí)別正確率值得深入研究。這些問(wèn)題已經(jīng)引起同行的充分關(guān)注，學(xué)術(shù)界和企業(yè)界已有同行在展開(kāi)相應(yīng)的研發(fā)工作。

[1] Jain A K, Ross A, Pankanti S. Biometrics: A tool for information security[J]. IEEE Transactions on Information Forensics and Security, 2006,1(2):125-143.

[2] Yang L, Yang G, Yin Y, et al. A survey of finger vein recognition[C]∥9th Chinese Conference on Biometric Recognition. Shenyang: Springer, 2014:234-243.

[3] Song W, Kim T, Kim H C, et al. A finger-vein verification system using mean curvature[J]. Pattern Recognition Letters, 2011,32(11):1541-1547.

[4] Rosdi B A, Shing C W, Suandi S A. Finger vein recognition using local line binary pattern[J]. Sensors, 2011,11(12):11357-11371.

[5] 余成波,秦華鋒.生物特征識(shí)別技術(shù):手指靜脈識(shí)別技術(shù)[M].北京:清華大學(xué)出版社,2009.

Yu Chengbo, Qin Huafeng. Biometrics: Finger vein recognition technique[M]. Beijing: Tsinghua University Press, 2009.

[6] Kono M, Ueki H, Umemura S. A new method for the identification of individuals by using of vein pattern matching of a finger[C]∥5th Symposium on Pattern Measurement. Yamaguchi, Japan: [s.n.], 2000:9-12.

[7] Hashimoto, Junichi. Finger vein authentication technology and its future[C]∥Symposium on VLSI Circuits, Digest of Technical Papers. Honolulu: IEEE, 2006:5-8.

[8] Yang J F, Bai G L. Finger-vein image restoration based on skin optical property[C]∥2012 IEEE 11th International Conference on Signal Processing. Beijing: IEEE, 2012:749-752.

[9] Lee E C, Park K R. Restoration method of skin scattering blurred vein image for finger vein recognition[J]. Electronics Letters, 2009,45(21):1074-1076.

[10]Lee E C, Park K R. Image restoration of skin scattering and optical blurring for finger vein recognition[J]. Optics and Lasers in Engineering, 2011,49(7):816-828.

[11]Yang J, Zhang B, Shi Y. Scattering removal for finger-vein image restoration[J]. Sensors, 2012,12(3):3627-3640.

[12]Park Y H, Park K R. Image quality enhancement using the direction and thickness of vein lines for finger-vein recognition[J]. International Journal of Advanced Robotic Systems, 2012,9:1-10.

[13]Shi Y H, Yang J F. Image restoration and enhancement for finger-vein recognition[C]∥2012 IEEE 11th International Conference on Signal Processing. Beijing: IEEE, 2012:1605-1608.

[14]Yang J F, Shi Y H. Towards finger-vein image restoration and enhancement for finger-vein recognition[J]. Information Sciences, 2014,268:33-52.

[15]Yang J F, Shi Y H. Finger-vein ROI localization and vein ridge enhancement[J]. Pattern Recognition Letters, 2012,33(12):1569-1579.

[16]Shin K Y, Park Y H, Nguyen D T, et al. Finger-vein image enhancement using a fuzzy-based fusion method with Gabor and retinex filtering[J]. Sensors, 2014,14(2):3095-3129.

[17]Miura N, Nagasaka A, Miyatake T. Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification[J]. Machine Vision and Applications, 2004,15(4):194-203.

[18]Liu T, Xie J B, Yan W, et al. An algorithm for finger-vein segmentation based on modified repeated line tracking[J]. The Imaging Science Journal, 2013,61(6):491-502.

[19]Qin H, Qin L, Yu C. Region growth-based feature extraction method for finger-vein recognition[J]. Optical Engineering, 2011,50(5):301.

[20]Miura N, Nagasaka A, Miyatake T. Extraction of finger-vein patterns using maximum curvature points in image profiles[J]. IEICE Transactions on Information and Systems, 2007,90(8):1185-1194.

[21]Yang J F, Yang J, Shi Y. Finger-vein segmentation based on multi-channel even-symmetric Gabor filters[C]∥2009 IEEE International Conference on Intelligent Computing and Intelligent Systems. Shanghai: IEEE, 2009:500-503.

[22]Huang B, Dai Y, Li R, et al. Finger-vein authentication based on wide line detector and pattern normalization[C]∥20th International Conference on Pattern Recognition. Istanbul: IEEE, 2010:1269-1272.

[23]Lee E C, Jung H, Kim D. New finger biometric method using near infrared imaging[J]. Sensors, 2011,11(3):2319-2333.

[24]Lee H C, Kang B J, Lee E C, et al. Finger vein recognition using weighted local binary pattern code based on a support vector machine[J]. Journal of Zhejiang University Science C, 2010,11(7):514-524.

[25]Yang G P, Xi X M, Yin Y L. Finger vein recognition based on a personalized best bit map[J]. Sensors, 2012,12(2):1738-1757.

[26]Yang G P, Xiao R Y, Yin Y L, et al. Finger vein recognition based on personalized weight maps[J]. Sensors, 2013,13(3):12093-12112.

[27]Meng X, Yang G, Yin Y, et al. Finger vein recognition based on local directional code[J]. Sensors, 2012,12(11):14937-14952.

[28]Xie S J, Yang J C, Yoon S, et al. Guided Gabor filter for finger vein pattern extraction[C]∥2012 8th International Conference on Signal Image Technology and Internet Based Systems. Naples: IEEE, 2012:118-123.

[29]Yang J F, Shi Y H, Yang J L. Finger-vein recognition based on a bank of Gabor filters[C]∥9th Asian Conference on Computer Vision. Xi′an: Springer, 2009:374-383.

[30]Yu C B, Qin H F, Cui Y Z, et al. Finger-vein image recognition combining modified hausdorff distance with minutiae feature matching[J]. Interdisciplinary Sciences: Computational Life Sciences, 2009,1(4):280-289.

[31]Liu F, Yang G, Yin Y, et al. Singular value decomposition based minutiae matching method for finger vein recognition[J]. Neurocomputing, 2014,145:75-89.

[32]Peng J L, Wang N, El-Latif A A A, et al. Finger-vein verification using Gabor filter and SIFT feature matching[C]∥8th International Conference on Intelligent Information Hiding and Multimedia Signal Processing. Piraeus: IEEE, 2012:45-48.

[33]Pang S H, Yin Y L, Yang G P, et al. Rotation invariant finger vein recognition[C]∥7th Chinese Conference on Biometric Recognition. [S.l.]: Springer, 2012:151-156.

[34]Wu J D, Liu C T. Finger-vein pattern identification using principal component analysis and the neural network technique[J]. Expert Systems with Applications, 2011,38(5):5423-5427.

[35]Wu J D, Liu CT. Finger-vein pattern identification using SVM and neural network technique[J]. Expert Systems with Applications, 2011,38(11):14284-14289.

[36]管鳳旭,王科俊,劉靖宇,等．歸一雙向加權(quán)(2D)2PCA的手指靜脈識(shí)別方法[J]．模式識(shí)別與人工智能,2011,24(3):417-424.

Guan Fengxu, Wang Kejun, Liu Jingyu, et al. Bi-direction weighted (2D)2PCA with eigenvalue normalization one for finger vein recognition[J]. Pattern Recognition and Artificial Intelligence, 2011,24(3):417-424.

[37]Liu Z, Yin Y L, Wang H J, et al. Finger vein recognition with manifold learning[J]. Journal of Network and Computer Applications, 2010,33(3):275-282.

[38]Xin Y, Liu Z, Zhang H, et al. Finger vein verification system based on sparse representation[J]. Applied Optics, 2012,51(25):6252-6258.

[39]Yang L, Yang G, Yin Y, et al. Local vein texton learning for finger vein recognition[C]∥9th Chinese Conference, CCBR 2014, Biometric Recognition. [S.l.]: Springer, 2014:271-280.

[40]Yang J, Shi Y, Yang J, et al. A novel finger-vein recognition method with feature combination[C]∥16th IEEE International Conference on Image Processing. [S.l.]: IEEE, 2009:2709-2712.

[41]Yang J, Zhang X. Feature-level fusion of global and local features for finger-vein recognition[C]∥10th International Conference on Signal Processing. Beijing: IEEE, 2010:1702-1705.

[42]Lee E C, Lee H C, Park K R. Finger vein recognition using minutia-based alignment and local binary pattern-based feature extraction[J]. International Journal of Imaging Systems and Technology, 2009,19(3):179-186.

[43]Yang L, Yang G, Yin Y, et al. Exploring soft biometric trait with finger vein recognition[J]. Neurocomputing, 2014,135:218-228.

[44]Chen L, Zheng H. Personal identification by finger vein images based on tri-value template fuzzy matching[J]. WSEAS Transactions on Computers, 2009,8(7):1165-1174.

[45]Xiao R, Yang G, Yin Y, et al. A novel matching strategy for finger vein recognition[C]∥Intelligent Science and Intelligent Data Engineering. Berlin, Heidelberg: Springer, 2013:364-371.

[46]Yang Y, Yang G, Wang S. Finger vein recognition based on multi-instance[J]. International Journal of Digital Content Technology & Its Applications, 2012,6(11):86-94.

[47]Tang D R, Huang B N, Li R F, et al. Finger vein verification using occurrence probability matrix (OPM)[C]∥The 2012 International Joint Conference on Neural Networks (IJCNN). Brisbane: IEEE, 2012:1-8.

[48]He M, Horng S J, Fan P, et al. Performance evaluation of score level fusion in multimodal biometric systems[J]. Pattern Recognition, 2010,431(5):1789-1800.

[49]Yang J, Zhang X, Feature-level fusion of fingerprint and finger-vein for personal identification[J]. Pattern Recognition Letters, 2012,33(5):623-628.

[50]Kumar A, Zhou Y. Human identification using finger images[J]. IEEE Transactions on Image Processing, 2012,21(4):2228-2244.

[51]Kang B J, Park K R. Multimodal biometric method based on vein and geometry of a single finger[J]. Computer Vision, IET, 2010,4(3):209-217.

[52]Yang W, Huang X, Zhou F, et al. Comparative competitive coding for personal identification by using finger vein and finger dorsal texture fusion[J]. Information Sciences, 2014,268:20-32.

Survey of Finger Vein Recognition Study

Yin Yilong, Yang Gongping, Yang Lu

(School of Computer Science and Technology, Shandong University, Jinan, 250101, China)

As a new biometric technique, finger vein recognition has attracted lots of attention from research groups and industry at home and abroad, and shows great market potentials. This paper introduces main current researches on finger vein recognition, including finger vein imaging principle and image enhancement techniques, feature extraction methods， finger vein related multi-feature and multi-model fusion methods. Feature extraction methods are described comprehensively, and classified into four categories, i.e., vein pattern feature, texture feature, minutiae feature, and learned feature by machine learning methods. Based on these analyses, we further summary some challenges in finger vein recognition and its applications, including lowering the price of imaging device, improving the quality of image, and decreasing the effect from low quality image, the finger displacement, large scale populations and outdoor image acquisition. And we hope that the challenges can inspire some new ideas in the future.

biometrics; finger vein recognition; feature extraction

國(guó)家自然科學(xué)基金(61573219，61472226)資助項(xiàng)目。

2015-08-18；

2015-09-13

TP391

A

尹義龍(1972-)，男，教授，博士生導(dǎo)師，研究方向：機(jī)器學(xué)習(xí)及應(yīng)用、醫(yī)學(xué)圖像處理和生物特征識(shí)別，E-mail：ylyin@sdu.edu.cn。

楊公平(1970-)，男，教授，研究方向：機(jī)器學(xué)習(xí)及應(yīng)用、生物特征識(shí)別。

楊 璐(1988-)，女，博士研究生，研究方向：生物特征識(shí)別。