一种新兴的身份识别技术：手部静脉识别
随着生物特征识别技术在信息安全领域的应用持续深化，静脉识别技术凭借其非接触式操作与高度隐蔽性等特点，实现了长足的进步与发展。
网络信息现已成为现代生活不可或缺的部分，保护人员身份信息安全的重要性日益凸显。传统的身份认证方式，如密码和ID磁卡，存在易损坏、易丢失、易伪造等安全风险。为解决这些问题，生物特征识别技术逐渐受到关注。该技术利用人体生理或行为特征进行身份认证，如指纹、掌纹、人脸、静脉和虹膜等，这些特征信息具有唯一性、稳定性、永久性和高安全性。
▲ ROI 处理后手背静脉图像数据集部分图像
其中，静脉识别因其活体识别、体内特征、非接触检测和高安全性等优势，在高设防、高安全环境下得到广泛应用。随着信息安全需求的提升，静脉识别技术与其他生物识别技术融合，呈现出快速发展趋势。生物特征识别技术潜力巨大，前景广阔，未来相关产品市场将充满无限可能。
对静脉识别系统而言，如何对静脉表征信息进行有效的学习是提升其准确率和稳定性的关键。
基于静脉的生物特征信息应用，手部多源生物信息使用较为广泛，包括手部静脉、掌纹、指纹等特征信息。然而作为信息的载体之一，图像信息在传输过程中会出现信息丢失、缺损、毁坏等问题。这将大大降低生物特征识别的识别效率，如何建立完善的生物特征识别系统，是对生物特征识别技术广泛应用的一个考验。
在这些特征信息应用时，其高质量以及丰富的图像信息是静脉生物特征信息广泛应用的关键，然而静脉生物特征信息采集是根据活体状态进行采集的，静脉信息图像的质量也会受限于人体状态、设备状态、光源污染、传输信息丢失等，出现因各种情况引起的图片质量低下、噪声污染、图像信息大面积缺失等问题。因此，在应用生物特征信息时，丰富完整的图片信息尤为重要。
为此，《静脉图像修复与增强》（王军等著. 北京：科学出版社, 2023.11）着重对手部静脉图像的修复和低曝光静脉图像增强进行研究，结合深度学习进一步研究生物特征信息修复的网络架构。
主要内容如下：
▋基于融合可变形模块的U-Net 网络的静脉图像修复方法。U-Net 网络跳跃式引入一个空间转换网络层，即可变形卷积网络，修复缺失图像整体结构和细节信息，更好地学习因图像采集问题导致缺失部分信息的静脉图像与其周围图像信息之间的关系。解码器图像修复引入风格感知损失与对抗损失，在这种约束下，缺失信息的区域中的解码器特征可用于指导已知信息区域中编码器特征。
▲ 指纹与掌纹修复结果对比
▋基于非局部对抗的生成对抗网络的静脉图像修复方法。根据手背静脉图像信息的分布特性，采用级联式的深度网络修复框架将静脉分割图像与静脉图像进行特征融合，有效地利用静脉血管图像的关键信息。为了有效挖掘手背静脉图像以及分割图像的几何信息特征，在修复网络中引入非局部对抗网络块。采用全局与局部对抗损失以及图像感知损失，保证生成静脉图像整体与原始图像的一致性。
▋基于分离与表示的生成对抗网络的静脉图像修复方法。此方法是将成对数据分解为共享部分和独占部分来学习分离，给出一种基于互信息估计的表示学习模型，从静脉关键点与完整的图像进行成对学习实验，学习到关于静脉网络由点生成线的分离表示，实现对静脉图像严重缺失的良好修复。
▋基于Actor-Critic 的低曝光静脉图像增强方法。此方法使用多个图像编辑操作的滤波器(对比度、饱和度、白平衡、曝光和色调曲线函数) 与深度强化学习中的Actor-Critic 框架相结合，通过网络训练的方式选取图像编辑滤波函数的操作以及函数参数，对低曝光的静脉图像进行全局图像处理，提高静脉图像的亮度和对比度。实验表明，该方法可以逐步恢复低曝光静脉图像的亮度信息和对比度，图像的视觉效果和定量指标都得到提高；细节增强模块可以弥补处理过程中的细节信息丢失问题，增强了静脉拓扑结构和一些较细的静脉血管信息；使用经典的静脉识别框架VGG16 对增强前后的静脉图像进行识别，识别率得到显著提升。
▲ 不同算法对比实验结果(Data-2 数据集)
▋基于多尺度特征融合的低曝光静脉图像增强方法。此方法模型由静脉多尺度融合残差块堆叠构成，其中，残差块包含3 个多分支网络，提取不同尺度的静脉图像特征。首先将静脉图像经卷积层提取不同尺度的图像特征，再将不同尺度分支的高低层特征使用特征连接的方式进行特征融合，便于网络挖掘更多的图像信息，在残差块中引入通道注意力机制提升特征的利用率。实验表明，该方法可以灵活设置模型的大小，使网络取得更好的增强效果；使用端到端的静脉多尺度融合残差块可以恢复低曝光静脉图像的亮度信息，从而增强静脉图像的对比度。
▋基于特征解耦学习的低曝光静脉图像增强方法。此方法首先通过预训练的自编码网络提取背景明亮的静脉图像的主要纹理特征；然后，将静脉纹理特征输入到用于特征解耦的自编码网络作为网络的监督信号，使低曝光静脉图像的纹理特征和背景特征解耦；最后，由于解耦之后的静脉纹理特征与正常曝光的静脉图像纹理特征非常相似，因此，使用低曝光静脉纹理特征重建背景明亮的静脉图像，弱化背景信息在静脉图像重建过程中的影响，实现低曝光静脉图像增强。实验表明，单独利用低曝光静脉图像的纹理特征重建静脉图像与正常曝光纹理特征重建的图像非常相似，表明特征解耦的有效性；与其他算法对比，该方法虽然会导致静脉图像经过特征解耦丢失少量细节信息，但是模型的参数量和训练时间明显减少，并且有效恢复低曝光静脉图像的背景亮度和图像对比度。
本书提出的算法虽在静脉图像修复与识别领域取得一定成效，但尚不完善，建议后续的研究内容主要有以下方面：
▋算法修复的手背静脉缺失图像的效果与原始图像虽然相似，但是仍存在一些细节问题，如一些亮度、部分区域像素值分布等与原始图像具有差异。如何有效训练生成与原始图像差异度小的修复效果仍是后续研究的方向。
▋在使用对抗生成网络进行点与线关系学习时，未对网络进行有效的优化，没有达到平衡，因此，如何生成高质量的图像是亟须解决的问题。
▋基于合成的低曝光静脉图像数据集进行训练时，采集小型的低曝光静脉图像数据集，但数据集作为模型的测试集，其包含的实际低曝光静脉图像数量较少，从而影响模型发挥最优的性能。在后续的研究工作中可以从合成更加真实的低曝光静脉图像数据集或者采集大型的低曝光静脉图像数据集出发，提高图像增强效果。
▋提出的基于多尺度特征融合和基于特征解耦学习的低曝光静脉图像增强方法主要是对静脉图像的背景亮度进行恢复，提高静脉图像的对比度，未来的研究可以结合细节和边缘增强的方法进一步增强细小的纹理和边缘信息，使静脉图像包含更丰富的信息。
本书的出版得到新一代人工智能国家科技重大专项(2020AAA0107300)、中国矿业大学研究生教育教学改革研究与实践项目(YJSJG-2018-005)、中国矿业大学学科前沿科学研究专项项目(2018XKQYMS26) 等资助和支持。
本文摘编自《静脉图像修复与增强》（王军等著. 北京：科学出版社, 2023.11）一书“前言”“第1 章绪论”“后记”，有删减修改，标题为编者所加。
ISBN 978-7-03-076642-7
责任编辑: 惠 雪
手部静脉识别是一种新兴的身份识别技术。与其他生物特征识别相比，手部静脉识别技术具有高安全性、活体检测性和便利性等特性，也是目前最有效的生物特征识别模式之一。本书主要阐述手部静脉识别技术。首先介绍图像修复与增强的研究意义、国内外静脉图像研究现状，然后论述自制的静脉图像数据采集系统，针对静脉图像采集过程中存在诸多不可避免的因素，造成静脉识别系统对静脉信息表征能力不足的问题，提出基于融合可变形模块的U-Net网络、基于非局部对抗的生成对抗网络、基于分离与表示的生成对抗网络的静脉图像修复方法，以及基于Actor-Critic、多尺度特征融合、特征解耦学习的低曝光静脉图像增强方法。
本书可供从事图像处理、模式识别(尤其是生物特征识别方向)研究的专业技术人员以及信息处理、计算机科学等专业的研究生参考。
（本文编辑：刘四旦）
一起阅读科学!
专业品质 ?学术价值
原创好读 ?科学品位
硬核有料 ?视听科学
- 发表于:
- 原文链接：https://page.om.qq.com/page/OUjQu753IBbRAJvmphfKSjzQ0
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
