生物識別之靜脈識別技術

小編前兩回分別講了語音識別和人臉識別技術， 其實，已經有越來越多的生物識別技術走進我們的生活，甚至包括一些讓你意想不到的識別途徑。近日，有媒體報道，在英國倫敦一家酒吧，顧客只需要掃描一下食指就可以結賬。別以為這是毫無新意的指紋掃描付賬功能，其實，它掃描的是更深層——皮膚下的靜脈。這種技術被稱為靜脈識別技術。

在結賬時，他們只需將食指放在掃描儀上，就會在電子郵箱收到賬單。近紅外光下的秘密 靜脈如何被“探測”到？又是如何具有識別的唯一性呢？

靜脈識別是一種新興的紅外生物識別技術，它是根據靜脈血液中脫氧血色素吸收近紅外線或人體輻射遠紅外線的特性，用相應波長范圍的紅外相機攝取手背 （或指背、指腹、手掌、手腕）的靜脈分布圖，通過歸一化、去噪等預處理后進行濾波增強與靜脈紋路分割、細化修復，然后提取其特征，再與預先注冊到數據庫或儲存在IC卡上的特征數據進行匹配以確定個人身份。由于每個人的靜脈分布圖具備類似于指紋的唯一性且成年后持久不變的特點，所以它能夠唯一確定一個人的身份。此外，它具有其他生物特征識別技術所不具備的優點，因而具有廣泛的應用前景，得到廣大學者的關注。

靜脈識別的種類

靜脈識別分為：指靜脈識別和掌靜脈識別，掌靜脈由于保存及對比的靜脈圖像較多，識別速度方面較慢。指靜脈識別，由于其容量大，識別速度快，但是兩者都具備精確度高，活體識別等優勢，在門禁安防方面各有千秋。總之，指靜脈識別反應速度快，掌靜脈安全系數更高。

1、手指靜脈技術優勢

手指靜脈技術具有多項重要特點，使它在高度安全性和使用便捷性上遠勝于其它生物識別技術。主要體現在以下幾個方面：

高度防偽：

靜脈隱藏在身體內部，被復制或盜用的機率很小

簡易便用：

使用者心理抗拒性低，受生理和環境影響的因素也低，包括：干燥皮膚，油污，灰塵等污染，皮膚表面異常等。

高度準確：

認假率為0.0001%，拒真率為0.01%，注冊失敗率為0%。

快速識別：

原始手指靜脈影像被捕獲并數字化處理，圖像比對由日立專有的手指靜脈提取算法完成，整個過程不到1秒。

2、掌靜脈技術優勢

掌靜脈利用人體血紅蛋白通過靜脈時能吸收近紅外光的特性，采集手掌皮膚底下的靜脈影像，并提取以作為生物特征。跟其它如指紋、眼虹膜或手形等生物識別技術相比，手掌靜脈極難復制偽造，最大原因是這種生物特征，是在手掌皮膚底下，單憑肉眼看不見的。此外，由于手掌靜脈使用方式是非接觸式，它更加衛生，適合在公共場合使用。同時，適用手掌也較為自然，讓用戶更容易接受。手掌靜脈的認假率和拒真率也比其他生物識別技術來得低。

與其他識別技術相比，指靜脈識別研究開始于２０００年左右，起步時間較晚，發展不夠成熟。但是，從長遠來看，該技術的優勢使其具有巨大的市場潛力。

指靜脈識別技術體系

1、指靜脈特征成像原理

首先要說明我們手指里面分布的血管脈路，醫學研究表明，我們每個人的手指血管紋路都是世界上獨一無二的，左右手不相同，雙胞胎之間也不相同。之所以采用手指靜脈這一部分是因為相比于動脈來說靜脈更加接近人體皮膚表皮，更容易采集。另外靜脈相比動脈來說曲線和分支更多，采集到的靜脈圖像特征也就越明顯。通過使用近紅外線透照射手指時，靜脈血液中的血紅蛋白會吸收掉近紅外線，肌肉和骨骼等部位被弱化，從而形成了明顯的圖像。

2、圖像的采集

在靜脈成像這方面，目前市場上的成像設備感光傳感器多數分為兩種：CCD和CMOS。其中CCD器件是利用光電效應來收集電荷，隨時鐘信號轉移到模擬移位寄存器中，在串行轉換成電壓。但這需要有極高的感光靈敏度和信噪比還有良好的動態范圍，所以導致CCD生產過程復雜且昂貴。相比之下，CMOS則較為便宜，并且集成度較高，功耗也低，雖然在成像的質量上沒有CCD優秀，但是CMOS的光譜敏感范圍在近紅外線段中比可見光的高出5到6倍，更加適合在紅外光線下采集圖像，所以總體來說COMS更為合適。

近紅外線范圍一般選在850nm左右，在這個波長左右靜脈透射的部分較少，成像明顯。但由于在使用環境中難免會受到光照環境的影響，這可能會導致指靜脈成像不穩定，所以我們還需要增加紅外濾光片來盡可能消除來自可見光的干擾。

3、圖像的處理

除卻光照的影響，采集到的圖像還會帶著噪聲，并且圖像還會受到手指擺放的位置和姿勢以及其他因素的影響，所以需要對采集到的圖像做進一步的處理。

處理的方式一般有：去噪處理、圖像區域裁剪、尺寸或灰度歸一化、圖像增強、濾波處理、圖像分割、位置校準、細化等等。可以根據實際的需要有選擇地采用這些圖像處理方式。

其中有幾項處理方法較為重要的：

圖像增強，由于使用者個體的差異，不同的人手指的厚度也不盡相同。原始圖像還會受到椒鹽噪聲（脈沖噪聲）的影響，這就給后面圖像的分割造成了困難，所以在圖像分割之前需要對圖像進行增強處理。

去噪處理，需要對獲取到的圖像進行減噪，可以采用均值濾波的方式對圖像進行圖像平滑。均值濾波主要是鄰域平均，針對有噪聲的原始圖像(假設為f(x,y))的每個像素點選擇一個模板，這個模板是由鄰近的m個像素組成，求得均值之后再將均值賦給當前的像素點，即為該像素點最終的像素值。公式如下：

   g(x,y)=1/m ∑f(x,y)

圖像區域裁剪，采集到手指靜脈圖像的同時也會不可避免地包含了圖像背景等冗余的數據，為了避免冗余數據的干擾，就需要我們進行圖像區域的定位，最為常用的提取目標物體的方法為圖像閾值化，適用于圖像中目標物體和背景占據不同灰度級范圍的情況。在簡化了分析和處理步驟的同時還大大的壓縮了數據量。通過設置多種閾值對應不同的特征，由此可將圖像像素點分為了若干類。常用的特征包括了直接來自原始圖像的灰度和彩色特征以及由原始灰度或彩色值變換得到的特征。將原始圖像設為f(x,y)，按照定好的準則在f(x,y)中找到特征值T，分別賦予0和1來標明圖像的背景和目的物體，將圖像分割成了兩部分，也就是圖像二值化。

圖像分割，根據圖像分割方法的不同，可以大致分為四種：

（1）利用圖像灰度統計信息的方法，比如一維直方圖閾值和二維直方圖閾值；

（2）利用圖像空間區域信息和光譜信息的圖像分割方法，比如生長法、多光譜圖像分割、紋理分割等；

（3）邊緣檢測方法，利用了圖像中灰度變化最強烈的區域信息信息，比如Canny算法；（4）像素分類法，是利用圖像分類技術進行圖像分割的一種方法，比如統計分類方法、模糊分類方法和神經網絡方法等。

4、指靜脈特征點提取

采集圖像通過處理便可以得到進一步的靜脈圖像，不同靜脈圖像的區別在于靜脈的拓撲結構以及細節點。所以用細節點來表征身份是最合適不過的了，而細節點的提取一般有以下幾種：

端點：

當指靜脈在手指內部一定深度或近紅外線透射不夠深的時候就會出現。

分叉點：

由一個單一的靜脈段分裂為兩段靜脈段時出現。

雙分叉點：

當兩個分叉點靠得比較近的時候就會出現。

根據上述三種細節點進行特征提取的方法如下：

提取端點：

以端點為中心提取一塊范圍N*N（N的值視情況而定），然后刪除該范圍中沒有與端點相連接的點。計算特征與范圍邊界的連接數，如果數目為一個細節點就將該細節點作為端點并保存該點與水平線的角度，否則不成立。

提取分叉點：

以一個分叉點為中心提取一塊范圍N*N（N的值視情況而定），接著刪除在該范圍內不與該分叉點相連接的點，計算特征和該范圍的連接數，當連接數目是4個的時候，就認為該分叉點是雙分叉點，同時并保存分支之間的角度，否則不成立。

根據上述方式進行特征提取便可獲得較好的靜脈特征識別的效果。