1.引  言

隨著科學技術的發(fā)展，生物識別技術逐步代替了傳統(tǒng)的身份認證方式，如磁卡、密碼等，有效地避免了傳統(tǒng)身份認證方式丟失和被盜取的風險，提高了身份認證的安全性和便捷性。生物識別技術［1］［2］是利用人體固有的生理特性（如指紋、人臉、虹膜、靜脈、掌紋、指橫紋等）和行為特征（如筆跡、聲音、步態(tài)等），結(jié)合光學、聲學、傳感器、模式匹配和深度學習等技術，來進行個人身份的鑒定。

靜脈生物特征識別技術，是基于人體皮膚下靜脈血管的紋理特征進行身份識別的一種生物特征識別技術。靜脈血管的分布模式包含了非常豐富的特異性信息，且靜脈中的脫氧血紅蛋白與其他生理組織對近紅外光的吸收差異較大，可以形成清晰的圖像作為個人身份認證的生物信息。當用特定波長的近紅外光（波長一般為700~1000m）照射手部時，光線穿過表皮， 在皮下組織發(fā)生散射，其中近紅外光被靜脈血液中的脫氧血紅蛋白大量吸收，因而靜脈紋路所在位置在圖像傳感器成像時呈現(xiàn)出深色陰影，其他非靜脈紋路的區(qū)域則呈現(xiàn)出較高亮度，從而得到靜脈圖像。

圖1. 血紅蛋白光譜吸收特性曲線

圖2.自然光手掌圖像和掌靜脈圖像

靜脈識別因其獨特的識別特點近年來得到了廣泛的關注，其主要特點有：

1) 特征信息穩(wěn)定性高。個體的靜脈紋路在青少年后基本不會發(fā)生變化，且即使是同卵雙胞胎靜脈信息也不相同。

2) 抗仿冒攻擊。靜脈識別需要在特定波長的光源下才能有效成像，靜脈信息不易被竊取，難以偽造。

3) 非接觸式識別。無需人機接觸便可以使用，方便衛(wèi)生。

4) 具有活體檢測能力，且無需增加額外成本。流動血液中脫氧血紅蛋白與其他組織對近紅外光的吸收率存在差異，因此活體靜脈才能有效成像。

5）易用性。靜脈識別對皮膚表面狀態(tài)不敏感，不受脫皮、汗?jié)n等常見皮膚狀況的影響，具有良好的環(huán)境適應性，可滿足不同層級的場景應用，識別更精準，應用更安全便捷。

6）主動式識別，不用擔心隱私泄露和誤觸發(fā)識別問題。

除了掌靜脈識別［3］，常見的生物識別技術還有人臉識別［4］、 虹膜識別技術［5］、指紋識別［6］、手指靜脈識別［7］、掌 紋 識 別［8］、手 背 靜 脈 識 別［9］、聲紋識別［10］等。其中人臉識別、指紋識別、聲紋識別、 指靜脈識別等，技術相對成熟并已經(jīng)在各行各業(yè)得到了廣泛的應用。

由于技術的雙面性，生物識別技術在不斷取得創(chuàng)新突破的同時，還帶來了隱私泄漏、安全認證、生物攻擊等問題。具體如下：

——人臉識別系統(tǒng)：主要優(yōu)點在于使用方便，非接觸式采集，用戶體驗高，且可以遠距離識別等，目前已經(jīng)廣泛使用。但是人臉所蘊含的信息量較生物特征相比是比較少的，變化的復雜性不夠，比如不同人的五官相對位置和大致形狀都是固定統(tǒng)一的（High inter-class similarity），而且容易受到人自身內(nèi)在的變化（如表情、化妝、年齡）以及光照、遮擋等外在環(huán)境的影響，因而人臉生物信息的可靠性及穩(wěn)定性相對較弱。此外，人臉識別系統(tǒng)可以通過一些傳感器進行欺騙，對識別系統(tǒng)進行攻擊，也可以通過3D打印進行假臉攻擊，或者通過人臉識別算法進行對抗攻擊，降低人臉識別精度。此外，在新冠病毒防控下，大批人臉產(chǎn)品無法在戴口罩的情況下對人臉進行掃描識別，而摘下口罩會增大病毒傳染概率，部分人臉識別產(chǎn)品可以戴口罩進行識別，但同樣增加了假臉攻擊的風險。

——指紋識別系統(tǒng)：使用方便，成本低廉，體積小巧，已經(jīng)廣泛應用于考勤、門禁、出入境管理和手機支付等領域，在全球生物特征識別領域占據(jù)了最大的市場份額。但是容易受到皮膚表面狀況的影響，氣候干燥或天氣潮濕，皮膚汗液都會影響到指紋識別效果。指紋屬于接觸式生物識別，也面臨衛(wèi)生問題，增大病毒的傳播風險。此外，指紋識別容易被他人竊取和偽造，有著易被復制、難證活體的安全漏洞，比如指紋翻模等。

——聲紋識別技術：識別精度較低，且面臨著錄音竊聽、AI音頻生成、環(huán)境干擾等問題。

——虹膜識別技術：相對安全可靠，但是采集比較困難，使用方式比較受限制，同時也面臨假虹膜攻擊等挑戰(zhàn)。

——指靜脈識別：雖然同屬靜脈識別，安全性較高，但是手指靜脈特征比較少，且容易受環(huán)境溫度影響，實際使用中識別精度顯著下降。手背靜脈識別，雖然識別精度較高，但不符合人們的使用習慣和人體工學原理，因而沒有得到推廣使用。

相比于指靜脈識別技術，掌靜脈識別技術具有更大的識別面積，整體特征高度豐富，使用方式更靈活，可實現(xiàn)完全非接觸式認證，其應用場景更為廣泛；相較于人臉識別、聲紋識別的技術，掌靜脈識別技術安全性、可靠性更高；相對于虹膜技術，掌靜脈識別技術用戶體驗更好。因此掌靜脈識別技術具有很強的使用性和研究意義。圖3給出了各類生物識別技術的各方面比較。

圖3. 各類生物識別技術比較

2.掌靜脈識別技術國內(nèi)外研究現(xiàn)狀

MacGregor 和 Welford于 1991 年提出掌靜脈認證[11]。隨后掌靜脈識別因其安全性高、活體檢測、用戶可接受性和便利性等特點，引起關注和研究。Toh 等[12]使用低成本的近紅外（NIR）相機代替更昂貴的紅外熱像儀進行手掌圖像捕獲，并且使用濾波器的方法進行圖像增強。Zhang等人[13]提出了一種使用手掌靜脈的個人身份驗證方案，通過多尺度濾波提取手掌靜脈。Wang等人[14]提出了一種使用掌紋和掌紋圖像的多模式個人識別系統(tǒng)，并將其進行圖像級融合。Ladoux等人[15]于2009年使用尺度不變特征變換（Scale-invariant feature transform，SIFT）特征描述符在圖像中檢測出靜脈關鍵點，進行掌靜脈匹配驗證。Zhou等人[16]通過對方向保持特征進行編碼，并利用一種新的基于區(qū)域的匹配方案來更有效地適應手掌潛在的變形、旋轉(zhuǎn)和平移變化，從而提高掌靜脈識別系統(tǒng)的性能。Han等人[17]介紹了一種使用掌靜脈模式的可靠個人驗證方法，從207人中共收集了4140張掌靜脈圖像，構(gòu)建了一個低成本、非接觸式的近紅外手掌靜脈圖像數(shù)據(jù)庫，并且提出了一種創(chuàng)新且穩(wěn)健的自適應Gabor濾波器來提取靜脈特征。Kang等人[18]提出了一種改進的相互前景LBP（ Local Binary Pattern）方法，采用多光譜攝像頭（AD-080GE）和940 nm主動紅外照明來構(gòu)建掌靜脈數(shù)據(jù)庫，實現(xiàn)更好的非接觸手掌靜脈識別匹配性能。Perwira 等[19]使用掌形中如手指根部、指尖和手腕中點等特定部位定位來獲得感興趣的區(qū)域（region of interest， ROI ）。Li 等人[20]捕獲了掌紋和掌靜脈重疊的圖像，并提出一種基于形態(tài)學的掌靜脈圖像分離方法，該方法也能作為掌靜脈圖像增強方法使用。Yan 等人[21]則使用整幅掌靜脈圖像作為ROI并取得優(yōu)異的效果。在文獻[22]中Bharathi 和 Sudhakar使用濾波器或形態(tài)學與其他方法結(jié)合提取紋路特征。Aberni 等[23]改進了傳統(tǒng)的紋理特征表示方法，提出各種適用于掌靜脈認證的紋理特征并取得優(yōu)秀性能。Ahmad 等[24]用波原子變換等域變換方法提取掌靜脈圖像特征。Wu等[25]從基本背景知識到數(shù)據(jù)采集、公共數(shù)據(jù)庫、預處理、特征提取和匹配，全面綜述了手掌靜脈識別的最新研究進展。

早期的靜脈認證主要是基于特征工程的方法，通過提取預處理后靜脈圖像中具有的可辨別性特征，度量待比較圖像特征的相似度而實現(xiàn)認證。隨著深度學習的發(fā)展，許多基于深度學習的靜脈認證方法相繼提出并取得優(yōu)異的效果?；谏疃葘W習的方法主要根據(jù)靜脈圖像的特點設計模型結(jié)構(gòu)、調(diào)改參數(shù)和訓練策略。Thapar 等人[26]結(jié)合編—解碼器架構(gòu)設計掌靜脈認證神經(jīng)網(wǎng)絡 PVSNet ，實現(xiàn)了端到端的掌靜脈識別。Aung 等人[27]應用Jerman增強濾波器來增強靜脈ROI圖像，訓練了具有三重態(tài)損失的生成對抗神經(jīng)網(wǎng)絡（GAN）。Marattukalam等人[28]提出了一種級聯(lián)掌靜脈神經(jīng)網(wǎng)絡識別的架構(gòu)，用于識別少量數(shù)據(jù)集的手掌靜脈。Li等人[29]提出了雙峰掌紋融合網(wǎng)絡（BPFNet），該網(wǎng)絡專注于圖像級的ROI定位、對齊和雙峰圖像融合。BPFNet是一個包含兩個子網(wǎng)的端到端的神經(jīng)網(wǎng)絡框架：上游，檢測網(wǎng)絡基于包圍盒預測直接回歸掌紋ROI，并通過平移估計進行對齊；在下游，雙模融合網(wǎng)絡利用提出的新的跨模式選擇方案，實現(xiàn)雙模感興趣區(qū)域圖像融合。Zhao 等在文獻[30]中提出了一種基于多視圖和判別的雙重學習的新型方法，該方法使用雙連接策略，對于每個人，來自不同視圖的特征可以在二進制標簽空間中彼此接近，對于同一個人的每種視圖，共享相同標簽信息的功能可以通過強加鄰居圖正規(guī)化來相互移動。所提出的方法可以靈活地應用于任何類型的手掌特征融合。此外，它在低維度子空間中引入了多視圖功能，從而有效地降低了計算復雜性?，F(xiàn)有的手掌靜脈識別數(shù)據(jù)集通常在近紅外光下采集，缺乏對屬性（如位姿）的詳細注釋，因此不同屬性對靜脈識別的影響研究較少。因此Salazar Jurado等人[31]研究了合成的靜脈圖像的適用性，以彌補公共可用大規(guī)模數(shù)據(jù)集的缺乏。

一般的靜脈識別都是基于二維靜脈圖像進行識別，隨著技術的發(fā)展和安全需求的不斷提升，出現(xiàn)了三維靜脈識別技術[32]。三維靜脈相對二維靜脈具有攜帶信息量更大、魯棒性更好和抗仿冒攻擊能力更強，具有很大的研究空間和潛力。Wang等 [33]提出一種基于光聲成像的新型手掌血管生物識別傳感系統(tǒng)，利用超聲波可以高分辨率地可視化深層組織中的光學吸收。該系統(tǒng)由超聲線性傳感器陣列和波長為1064 nm的激光發(fā)射器組成，通過掃描陣列，可以獲得手掌脈管系統(tǒng)的3D圖像。與傳統(tǒng)的靜脈傳感技術相比，該系統(tǒng)具有更深的成像深度和更好的空間分辨率，但與其他低成本識別設備相比，該系統(tǒng)太昂貴了，無法實現(xiàn)典型的靜脈識別應用。

3.掌靜脈核心技術

掌靜脈識別技術包括注冊過程、識別過程。

掌靜脈注冊階段，首先對掌靜脈圖像采集，通過近紅外成像方式獲取手掌皮膚下3mm以內(nèi)的血管紋理分布信息，對獲得的靜脈圖像進行圖像校正、增強處理，隨后通過傳統(tǒng)的特征提取算法或者深度神經(jīng)網(wǎng)絡的方法，提取靜脈的方向、曲率、寬度、距離等信息構(gòu)成特征向量作為原始模版，將其存儲在靜脈數(shù)據(jù)庫或者硬件存儲中。

在進行掌靜脈識別過程時，通過掌靜脈識別設備對掌靜脈圖像進行實時采集，獲取手掌靜脈圖像，采用與訓練階段相同的圖像處理方法和特征提取方法得到靜脈特征，計算提取到的特征與預先保存在特征庫中的已注冊特征進行對比匹配，最后根據(jù)相似度確定用戶的身份。

圖4 掌靜脈識別系統(tǒng)流程圖

傳統(tǒng)的手掌靜脈圖像識別算法的關鍵方法主要有：① 基于靜脈圖譜的模板匹配算法。此類算法是在原始圖像上提取出靜脈線形信息，進行二值化，得到模板特征，采用模板卷積匹配的方法進行相似度計算。② 基于子空間的圖像分類算法。選擇一定數(shù)量的靜脈圖像樣本，分別對其進行靜脈增強和降維處理，隨后訓練一個分類器模型，使用訓練好的模型便可對原始圖像進行分類識別。③ 基于特征點提取的特征匹配方法。從原始圖像中提取出具有特異性的關鍵點，如靜脈的端點、分叉點、角點等，典型的算法包括SIFT特征、SURF特征、Minutiae特征等。④局部編碼的靜脈中心線匹配方法，對線形的靜脈特征進行分段編碼，匹配過程中對分段信息進行匹配，不同分段之間不需要保持絕對相同的位置偏移，提高了對圖像旋轉(zhuǎn)和變形的適應性。⑤ 基于深度框架的自學習特征方法，對多層網(wǎng)絡參數(shù)適配，建立輸入、輸出節(jié)點之間的最佳非線性擬合網(wǎng)絡，使經(jīng)過深層網(wǎng)絡映射的物體樣本與樣本標記之間關系盡量逼近真實分布，從而獲得最大概率分布。

基于深度學習的掌靜脈識別技術是完成以圖像分類為目標的識別技術，通過對海量掌靜脈數(shù)據(jù)的學習，將手部圖像作為輸入到深度卷積神經(jīng)網(wǎng)絡中對ROI進行自適應分類和定位，計算用于分類和回歸的各種概率邊界框，實現(xiàn)ROI對手掌靜脈圖像的高精度分割。隨后使用ROI分割的張靜脈圖像訓練了深度編碼器-解碼器網(wǎng)絡。該網(wǎng)絡由一個特征提取器（ Feature Extractor, FE）組成，對掌靜脈圖像進行特征編碼，訓練出具有泛化能力和分辨能力的更有利于匹配的圖像特征。訓練過程中，還需要對輸入數(shù)據(jù)和中間層的數(shù)據(jù)進行歸一化操作，保證網(wǎng)絡在反向傳播中采用隨機梯度下降（SGD），經(jīng)過對多層網(wǎng)絡參數(shù)的調(diào)整，最終建立起輸入、輸出節(jié)點之間的最佳非線性擬合網(wǎng)絡，通過深度學習選擇最具區(qū)分性的特征，擴大類外間距，縮小類內(nèi)距離，形成具有高精度、高準確、快速、實時、魯棒的深度學習掌靜脈識別系統(tǒng)。

4.掌靜脈識別技術硬件實現(xiàn)

靜脈圖像捕獲是識別的基礎，好的硬件設計能極大地發(fā)揮掌靜脈識別算法的識別能力和精度，是掌靜脈識別技術落地的關鍵因素和基礎。掌靜脈模組按使用功能可以分為掌靜脈采集模組和掌靜脈識別模組。掌靜脈采集模組只實現(xiàn)圖像采集功能，不需要進行特征比對，而是掌靜脈識別模組同時具備采集、計算和存儲功能。

圖5 掌靜脈識別模塊硬件構(gòu)成

掌靜脈采集主要采用的是反射式成像原理，模組包括紅外濾光片、光源部分、攝像頭部分、主控芯片、電路等核心部分。其中，紅外濾光片作用是透過特定波長的近紅外光，過濾環(huán)境光，提高成像對比度；光源部分的作用是發(fā)出近紅外光源照射手掌，光源布置方式為四邊形或者環(huán)形，包括正方形、矩形、圓形、橢圓形，光源尺寸需要根據(jù)所需部署空間尺寸、手掌識別距離進行優(yōu)化；攝像頭部分的作用是拍攝掌靜脈圖像，采用感光靈敏度高的攝像頭芯片，可以提高采集靜脈圖像的質(zhì)量；主控芯片的作用是光源控制和掌靜脈圖像的采集、存儲、計算、識別以及通信等等。通過對這些核心部分進行合理設計，選擇性能、參數(shù)合適的元器件，將元器件封裝放置（布局）在電路板上，然后根據(jù)原理圖飛線連接其電信號（布線），經(jīng)過功能調(diào)試才能完成掌靜脈識別模組的硬件系統(tǒng)。最終將研究的掌靜脈識別算法落地部署到設計好的硬件上，才能實現(xiàn)軟硬一體的掌靜脈識別系統(tǒng)。

5.掌靜脈識別技術落地應用

掌靜脈識別技術應用范圍廣泛，不僅可以應用于安防門禁、軌道交通、金融支付，也可應用于企業(yè)管理、智能樓宇、智慧社區(qū)、智慧園區(qū)、智慧城市、景區(qū)票務、醫(yī)療服務身份認證、公安司法、軍工保密等多個領域。

圖6. 掌靜脈識別模組非接觸式認證方案

掌靜脈識別系統(tǒng)部署在門禁機、電梯梯控、公司園區(qū)等需要人員管理、安全管控、金融支付的場景，可以對不同的通道可以授予不同的人不同的出入權(quán)限，實現(xiàn)對出入通道的多級控制管理，系統(tǒng)可聯(lián)網(wǎng)實時監(jiān)控，保障安全。

6.總結(jié)

掌靜脈識別技術，利用靜脈中的脫氧血紅蛋白與其他生理組織對近紅外光的吸收率差異，采取近紅外反射成像方式，獲取到體內(nèi)的靜脈圖譜信息，將靜脈特征數(shù)字化，以此作為身份信息識別認證的依據(jù)，具有高度防偽、高度準確、特性穩(wěn)定和使用方便的特點，可實現(xiàn)完全非接觸式、非限位的活體特征識別，適用于對安全性、用戶體驗和識別速度均有較高要求的應用環(huán)境。掌靜脈識別技術的實現(xiàn)不只需要圖像處理算法和高精度的掌靜脈識別算法，還需要良好的硬件設備。目前，市場上已經(jīng)開發(fā)出了相對成熟的掌靜脈模組，能實現(xiàn)掌靜脈采集和識別一體化，實現(xiàn)掌靜脈技術落地應用，安全衛(wèi)生，方便快捷，可廣泛應用于各類場景。

參考文獻

[1] Haghighat M，Zonouz S，Abdel-Mottaleb M．CloudID: trustworthy cloud-based and cross-enterprise biometric identification［J］．Expert Systems with Applications，2015，42( 21) : 7905-7916．

[2] Huang Liang，Tang Ju，Ling Chao，et al．Pattern recognition for partial discharge based on multi-feature fusion technology［J］． High Voltage Engineering，2015，41( 3) : 947-955．

[3]Jia W,Gao J , Xia W ,et al. A Performance Evaluation of Classic Convolutional Neural Networks for 2D and 3D Palmprint and Palm Vein Recognition[J].2021.

[4]Wang M ,Deng W .Deep Face Recognition: A Survey[J]. arXiv, 2018.

[5]Raghavendra R，Raja K B，Busch C． Exploring the usefulness of light field cameras for biometrics: an empirical study on face and iris recognition［J］．IEEE Trans on Information Forensics ＆ Security，2016，11( 5) : 922-936．

[6]Kumar A，Kwong C．Towards contactless，low-cost and accurate 3D fingerprint identification ［J］．IEEE Trans on Pattern Analysis ＆ Machine Intelligence，2015，37( 3) : 681-696．

[7]Hr A , Ls A , Jian G A , et al. Finger vein recognition system with template protection based on convolutional neural network[J]. Knowledge -Based Systems, 2021.

[8]Guo X , Zhang P , Wang C , et al. A novel deep learning model for palmprint/palmvein recognition[J]. IEEE Access, 2021, PP(99):1-1.

[9]Wang Yiding， Wang Congcong． Heterogeneity recognition of dorsal hand vein based on multi-template fusion［J］． Application Research of Computers，2017，34( 3) : 928-932．

[10]Desplanques B, Thienpondt J, Demuynck K. Ecapa-tdnn: Emphasized channel attention, propagation and aggregation in tdnn based speaker verification[J]. arXiv preprint arXiv:2005.07143, 2020.

[11]MacGregor P and Welford R．1991．Veincheck: imaging for security and personnel identification． Advanced Imaging，6( 7) : 52-56

[12]Toh K A, Eng H L, Choo Y S, et al. Identity verification through palm vein and crease texture[C].International conference on biometrics. Springer, Berlin, Heidelberg, 2006: 546-553.

[13]Yi-Bo Zhang; Qin Li;Jane You;Prabir Bhattacharya;Palm Vein Extraction and Matching for Personal Authentication,2007.  

[14]Jian-Gang Wang;Wei-Yun Yau;Andy Suwandy; Eric Sung;  Person Recognition By Fusing Palmprint and Palm Vein Images Based on "Laplacianpalm" Representation,PATTERN RECOGNIT.2008.  

[15]Pierre-Olivier Ladoux;Christophe Rosenberger;Bernadette Dorizzi;Palm Vein Verification System Based on SIFT Matching,2009.

[16]Yingbo Zhou; Ajay Kumar;Human Identification Using Palm-Vein Images,IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY,2011.  

[17]Han W Y, Lee J C. Palm vein recognition using adaptive Gabor filter[J]. Expert Systems with Applications, 2012, 39(18): 13225-13234.

[18]Wenxiong Kang; Qiuxia Wu;Contactless Palm Vein Recognition Using A Mutual Foreground-Based Local Binary Pattern,IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY,2014.  

[19] Perwira D Y，Agung B W T and Sulistiyo M D．2014．Personal palm vein identification using principal component analysis and probabilistic neural network /  Proceedings of 2014 International Conference on Information Technology Systems and Innovation ( ICITSI ) ．Bandung，Indonesia: IEEE: 99-104 ［DOI: 10． 1109 / ICITSI． 2014． 7048245］

[20] Li Q，Li X，Guo Z H and You J． 2015． Online personal verification by palmvein image through palmprint-like and palmvein information． Neurocomputing，147: 364-371

[21] Yan X K，Kang W X，Deng F Q and Wu Q X． 2015． Palm vein recognition based on multi-sampling and feature-level fusion． Neurocomputing，151: 798-807

[22] Bharathi S and Sudhakar Ｒ． 2019． Biometric recognition using finger and palm vein images． Soft Computing，23( 6) : 1843-1855

[23] Aberni Y，Boubchir L and Daachi B． 2020． Palm vein recognition based on competitive coding scheme using multi-scale local binary pattern with ant colony optimization． Pattern Ｒecognition Letters，136: 101-110

[24] Ahmad F，Cheng L M and Khan A． 2020． Lightweight and privacy-preserving template generation for palm-vein-based human recognition． IEEE Transactions on Information Forensics and Security， 15: 184-194

[25]Wei Wu;Stephen J. Elliott; Sen Lin;Shenshen Sun; YanDong Tang;Review of Palm Vein Recognition,IET BIOM.,2020.  

[26] Thapar D，Jaswal G，Nigam A and Kanhangad V．2019．PVSNet: palm vein authentication Siamese network trained using triplet loss and adaptive hard mining by learning enforced domain specific features / / Proceedings of the 5th IEEE International Conference on Identity， Security， and Behavior Analysis ( ISBA ) ． Hyderabad， India: IEEE: 1-8

[27]Aung Si Min Htet; Hyo Jong Lee;TripletGAN VeinNet: Palm Vein Recognition Based on Generative Adversarial Network and Triplet Loss,2021 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND ARTIFICIAL INTELLIGENCE (ICCEAI),2021.  

[28]Felix Marattukalam; Waleed H. Abdulla; Akshya Swain; N-shot Palm Vein Verification Using Siamese Networks,ARXIV,2021.

[29] Zhaoqun Li;Xu Liang;Dandan Fan;Jinxing Li;David Zhang;BPFNet: A Unified Framework for Bimodal Palmprint Alignment and Fusion,ARXIV,2021.

[30]Zhao S,Wu J, Fei L, et al. Double-cohesion learning based multiview and discriminant palmprint recognition[J]. Information Fusion, 2022, 83: 96-109.

[31] Salazar-Jurado E H, Hernández-García R, Vilches-Ponce K, et al. Towards the Generation of Synthetic Images of Palm Vein Patterns: A Review[J]. arXiv preprint arXiv:2205.10179, 2022.

[32] Kang W X，Liu H D，Luo W and Deng F Q． 2020b． Study of a full-view 3D finger vein verification technique． IEEE Transactions on Information Forensics and Security，15: 1175-1189

[33] Wang, Y., Li, Z., Vu, T., et al.: A robust and secure palm vessel biometric sensing system based on photoacoustics, IEEE Sens. J., 2018, 18, (14), pp. 5993–6000