读《A Survey of Finger Vein Recognition》

2014
1.基于静脉模式的方法

有六种典型的基于静脉模式的特征提取方法，包括重复线跟踪[1]、最大曲率[5]、Gabor[6]、平均曲率[14]、区域生长[15]和改进的重复线跟踪[16]。这类方法是手指静脉提取的主流方法。在这些方法中，首先对脉图案进行分割，然后利用脉图案的几何形状或拓扑结构进行匹配。
重复的线跟踪、最大曲率、区域生长和修改的重复线跟踪都使用图像的横截面来提取静脉模式。这是由于静脉图案的横截面看起来像一个山谷，这些方法利用这一点从图像中分离出静脉图案，但识别静脉像素的特殊方法是不同的。而平均曲率则将手指静脉图像的强度面视为一个几何对象，而将平均曲率为负的像素则视为静脉图案。与上述在空间域中提取静脉图案的方法不同，Gabor将图像转换为频域来提取静脉图案。
用这种方法提取的静脉图案是二进制的，因此匹配的像素比常用于匹配。匹配的像素比是指在两个静脉图案中匹配的静脉像素的数量与静脉像素的总数的比率。**由于图像采集是非接触的，手指位移，即手指旋转和平移，使真正的匹配分数较小。**因此，在匹配中，采用了一定程度的测试图像逐像素平移和旋转之间的最佳匹配。

2.基于降维性的方法

子空间学习方法通常是将图像转换为低维空间进行分类。在转换过程中，它们不断地识别信息和去除噪声。在手指静脉识别中，使用了PCA[17]、LDA[18]、(2D)2PCA[19]和多种学习[20]。这些方法需要通过训练过程来学习一个变换矩阵。当有新的注册用户时，转换矩阵需要重新学习。所以这种方法可能不是很实用。分类器用于匹配这些方法。

3.基于局部二进制的方法

最后一组方法是基于局部区域，提取的特征为二元结构。局部二进制模式(LBP)[9,23]，局部行二进制模式(LLBP)[21]，个性化最佳位地图(PBBM)[10]，个性化权重地图(PWM)[29]和局部定向代码(LDC)[22]都在这组LLBP，局部二进制代码是通过比较当前像素的灰色水平和它的邻居。PPBM和PWM进一步探讨了二进制码的稳定性，并使用稳定的二进制码进行匹配。与这四种方法不同，LDC对局部梯度方向信息进行了编码。在这些方法中，汉明距离(HD)被用来测量登记和输入的二元静脉特征之间的相似性。

（1）数据库的大小一般有限，无法预测大规模数据库的性能如何；
（2）处理时间长，但可以应用于实时应用。
此外，由于静脉模式是手指静脉识别的主要鉴别信息，因此我们认为基于静脉模式的方法是主流的。第二组和第三组的其他方法采用全图像进行识别，但在图像的背景区域，即非手指静脉区域，是否存在鉴别信息还存在疑问。（就是说这后两种方法甚至没有ROI？）此外，在大规模应用中，基于降维的方法可能不是一个好的选择，因为转换矩阵学习将是一个需要大量用户的大问题。（冷启动。所以说面对冷启动问题，可能匹配还是比直接分类要好？）

在图像采集过程中的手指位移。手指位移可分为二维姿态变化，即沿x轴、y轴、z轴的位移，以及三维姿态变化，即绕x轴、y轴、z轴[24,25]的旋转。与二维姿态变化相比，三维姿态变化难以处理。采用基于手指二元静脉模式[24]和小点[25]的变换模型进行手指对齐。在[26,27,28]预处理中对齐置换手指，但这些方法主要集中在克服二维姿态的变化。从设备上处理这个问题可能更容易，例如，添加一个凹槽来固定手指。

第一个是关于大规模的应用程序。需要建立一个大规模的公共手指静脉数据库，可用于评价实验室环境中现有的新方法。手指静脉图像的分类和索引对大规模的应用也具有重要的意义。
第二种是活性检测（？）。手指静脉位于手指内部，但活性检测仍是手指静脉识别的迫切工作。Nguyen等[30]利用傅里叶变换和小波变换检测假手指静脉图像。虽然进行了初步研究，但也存在一些缺点。