静脉识别技术,三分钟告诉你它是啥

其实，已经有越来越多的生物识别技术走进我们的生活，甚至包括一些让你意想不到的识别途径。 近日，有媒体报道，在英国伦敦一家酒吧，顾客只需要扫描一下食指就可以结账。别以为这是毫无新意的指纹扫描付账功能，其实，它扫描的是更深层——皮肤下的静脉。这种技术被称为静脉识别技术。

在结账时，他们只需将食指放在扫描仪上，就会在电子邮箱收到账单。 近红外光下的秘密 静脉如何被“探测”到？又是如何具有识别的唯一性呢？

静脉识别

静脉识别是一种新兴的红外生物识别技术，它是根据静脉血液中脱氧血色素吸收近红外线或人体辐射远红外线的特性，用相应波长范围的红外相机摄取手背 （或指背、指腹、手掌、手腕）的静脉分布图，通过归一化、去噪等预处理后进行滤波增强与静脉纹路分割、细化修复，然后提取其特征，再与预先注册到数据库或储存在IC卡上的特征数据进行匹配以确定个人身份。由于每个人的静脉分布图具备类似于指纹的唯一性且成年后持久不变的特点，所以它能够唯一确定一个人的身份。此外，它具有其他生物特征识别技术所不具备的优点，因而具有广泛的应用前景，得到广大学者的关注。

静脉识别的种类

静脉识别分为：指静脉识别和掌静脉识别，掌静脉由于保存及对比的静脉图像较多，识别速度方面较慢。指静脉识别，由于其容量大，识别速度快，但是两者都具备精确度高，活体识别等优势，在门禁安防方面各有千秋。总之，指静脉识别反应速度快，掌静脉安全系数更高。

1、手指静脉技术优势

手指静脉技术具有多项重要特点，使它在高度安全性和使用便捷性上远胜于其它生物识别技术。主要体现在以下几个方面：

高度防伪：

静脉隐藏在身体内部，被复制或盗用的机率很小

简易便用：

使用者心理抗拒性低，受生理和环境影响的因素也低，包括：干燥皮肤，油污，灰尘等污染，皮肤表面异常等。

高度准确：

认假率为0.0001%，拒真率为0.01%，注册失败率为0%。

快速识别：

原始手指静脉影像被捕获并数字化处理，图像比对由日立专有的手指静脉提取算法完成，整个过程不到1秒。

2、掌静脉技术优势

掌静脉利用人体血红蛋白通过静脉时能吸收近红外光的特性，采集手掌皮肤底下的静脉影像，并提取以作为生物特征。跟其它如指纹、眼虹膜或手形等生物识别技术相比，手掌静脉极难复制伪造，最大原因是这种生物特征，是在手掌皮肤底下，单凭肉眼看不见的。此外，由于手掌静脉使用方式是非接触式，它更加卫生，适合在公共场合使用。同时，适用手掌也较为自然，让用户更容易接受。手掌静脉的认假率和拒真率也比其他生物识别技术来得低。

与其他识别技术相比，指静脉识别研究开始于２０００年左右，起步时间较晚，发展不够成熟。但是，从长远来看，该技术的优势使其具有巨大的市场潜力。

指静脉识别技术体系

1、指静脉特征成像原理

首先要说明我们手指里面分布的血管脉路，医学研究表明，我们每个人的手指血管纹路都是世界上独一无二的，左右手不相同，双胞胎之间也不相同。之所以采用手指静脉这一部分是因为相比于动脉来说静脉更加接近人体皮肤表皮，更容易采集。另外静脉相比动脉来说曲线和分支更多，采集到的静脉图像特征也就越明显。通过使用近红外线透照射手指时，静脉血液中的血红蛋白会吸收掉近红外线，肌肉和骨骼等部位被弱化，从而形成了明显的图像。

2、图像的采集

在静脉成像这方面，目前市场上的成像设备感光传感器多数分为两种：CCD和CMOS。其中CCD器件是利用光电效应来收集电荷，随时钟信号转移到模拟移位寄存器中，在串行转换成电压。但这需要有极高的感光灵敏度和信噪比还有良好的动态范围，所以导致CCD生产过程复杂且昂贵。相比之下，CMOS则较为便宜，并且集成度较高，功耗也低，虽然在成像的质量上没有CCD优秀，但是CMOS的光谱敏感范围在近红外线段中比可见光的高出5到6倍，更加适合在红外光线下采集图像，所以总体来说COMS更为合适。

近红外线范围一般选在850nm左右，在这个波长左右静脉透射的部分较少，成像明显。但由于在使用环境中难免会受到光照环境的影响，这可能会导致指静脉成像不稳定，所以我们还需要增加红外滤光片来尽可能消除来自可见光的干扰。

3、图像的处理

除却光照的影响，采集到的图像还会带着噪声，并且图像还会受到手指摆放的位置和姿势以及其他因素的影响，所以需要对采集到的图像做进一步的处理。

处理的方式一般有：去噪处理、图像区域裁剪、尺寸或灰度归一化、图像增强、滤波处理、图像分割、位置校准、细化等等。可以根据实际的需要有选择地采用这些图像处理方式。

其中有几项处理方法较为重要的：

图像增强，由于使用者个体的差异，不同的人手指的厚度也不尽相同。原始图像还会受到椒盐噪声（脉冲噪声）的影响，这就给后面图像的分割造成了困难，所以在图像分割之前需要对图像进行增强处理。

去噪处理，需要对获取到的图像进行减噪，可以采用均值滤波的方式对图像进行图像平滑。均值滤波主要是邻域平均，针对有噪声的原始图像（假设为f（x，y））的每个像素点选择一个模板，这个模板是由邻近的m个像素组成，求得均值之后再将均值赋给当前的像素点，即为该像素点最终的像素值。公式如下：

g（x，y）=1/m ∑f（x，y）

图像区域裁剪，采集到手指静脉图像的同时也会不可避免地包含了图像背景等冗余的数据，为了避免冗余数据的干扰，就需要我们进行图像区域的定位，最为常用的提取目标物体的方法为图像阈值化，适用于图像中目标物体和背景占据不同灰度级范围的情况。在简化了分析和处理步骤的同时还大大的压缩了数据量。通过设置多种阈值对应不同的特征，由此可将图像像素点分为了若干类。常用的特征包括了直接来自原始图像的灰度和彩色特征以及由原始灰度或彩色值变换得到的特征。将原始图像设为f（x，y），按照定好的准则在f（x，y）中找到特征值T，分别赋予0和1来标明图像的背景和目的物体，将图像分割成了两部分，也就是图像二值化。

图像分割，根据图像分割方法的不同，可以大致分为四种：

（1）利用图像灰度统计信息的方法，比如一维直方图阈值和二维直方图阈值；

（2）利用图像空间区域信息和光谱信息的图像分割方法，比如生长法、多光谱图像分割、纹理分割等；

（3）边缘检测方法，利用了图像中灰度变化最强烈的区域信息信息，比如Canny算法；（4）像素分类法，是利用图像分类技术进行图像分割的一种方法，比如统计分类方法、模糊分类方法和神经网络方法等。

4、指静脉特征点提取

采集图像通过处理便可以得到进一步的静脉图像，不同静脉图像的区别在于静脉的拓扑结构以及细节点。所以用细节点来表征身份是最合适不过的了，而细节点的提取一般有以下几种：

端点：

当指静脉在手指内部一定深度或近红外线透射不够深的时候就会出现。

分叉点：

由一个单一的静脉段分裂为两段静脉段时出现。

双分叉点：

当两个分叉点靠得比较近的时候就会出现。

根据上述三种细节点进行特征提取的方法如下：

提取端点：

以端点为中心提取一块范围N*N（N的值视情况而定），然后删除该范围中没有与端点相连接的点。计算特征与范围边界的连接数，如果数目为一个细节点就将该细节点作为端点并保存该点与水平线的角度，否则不成立。

提取分叉点：

以一个分叉点为中心提取一块范围N*N（N的值视情况而定），接着删除在该范围内不与该分叉点相连接的点，计算特征和该范围的连接数，当连接数目是4个的时候，就认为该分叉点是双分叉点，同时并保存分支之间的角度，否则不成立。

根据上述方式进行特征提取便可获得较好的静脉特征识别的效果。

虽然目前指静脉识别并没有像指纹识别那么为大众所熟知，但目前指静脉市场正处于临界状态，一旦得到进一步的完善和推广，相信在不久的将来会普及到各类领域之中，甚至将会引领信息安全的方向。就像十几年前人们纷纷丢掉腰间的呼叫机换成手机一样，指静脉识别将会大放异彩！