掌纹识别的误识率（浅析掌纹识别技术）

文 / 验“金”室

数字化时代，生物特征因其无需记忆、难以复制、精确高效等优点成为身份验证的重要标识，被广泛应用于司法、政务、金融、交通等领域。在日常生活中，指纹识别、人脸识别的应用随处可见，但是有关掌纹识别的应用还鲜有耳闻，本文将简要介绍掌纹识别技术的原理，展望其在金融行业的应用前景。

掌纹是指手掌表面上的各种纹线，这些纹线的特定排列组合形成了掌纹的独特性。掌纹的特征(如图1所示)可以用来进行身份鉴别，如主线、褶皱纹、乳突纹、三角点等。与指纹相比，掌纹能够提取到的特征更多，包含的信息更丰富。因此，从理论上说，掌纹具有比指纹更高的辨识度。此外，掌纹的形态是先天生成的，主要由遗传基因决定，即使手掌受到损伤导致纹线脱落，新生的手掌纹线依旧保持原来的形态，稳定性较高。

图1 掌纹特征示意

掌纹识别是一种新型的生物特征识别技术，主要是通过提取用户手掌图像的纹路特征进行身份识别。掌纹识别的主要流程如图2所示。

图2 掌纹识别流程图

掌纹识别的核心技术细节主要包括以下几个方面。

1.图像预处理

掌纹图像的预处理过程也叫掌纹感兴趣区域（Region of Interest，ROI）提取（如图3所示），常用的算法为参考坐标系算法。具体来说，就是利用手指间的谷点（图3中的X1和X2）建立参考坐标系（图3中的X轴和Y轴），再根据一定的距离准则提取ROI掌纹信息。

图3 掌纹ROI提取

2.特征提取

特征提取算法可分为两类：基于手工设计的算法和基于特征学习的算法。

（1）基于手工设计的算法

基于手工设计的算法主要依据掌纹图像的特点设计特定的滤波器来提取特征。手工设计的特征主要有四类：编码特征、结构特征、统计特征、子空间特征（见表1）。

表1 手工设计的特征介绍

（2）基于特征学习的算法

随着深度学习、大数据等技术的快速发展，多种深度神经网络技术被应用到生物特征识别领域。基于特征学习的算法主要是利用深度神经网络从数据中自行学习更复杂的滤波器结构，实现掌纹特征的自动提取。深度神经网络模型（如图4所示）由不同层级联结而成，在输入层输入预处理后的掌纹图像，经过多层神经网络处理后，最终得到对应图像的特征向量。基于特征学习的算法利用大数据的优势，以及深度神经网络强大的非线性学习能力，提取到的掌纹特征更丰富、鲁棒性更强。

图4 一种常见的深度神经网络结构

3.特征匹配

特征匹配主要是度量待识别掌纹特征与数据库中掌纹特征的相似度，相似度高则表明它与对应掌纹很可能来自同一个人。在特征匹配过程中，常用的计算相似度的距离度量有欧式距离、汉明距离、卡方距离、余弦马氏距离等，也可采用多距离度量融合的方式，使用多个匹配器加权求和计算掌纹特征之间的相似度。

掌纹识别技术的识别速度快、正确率高，且用户体验较好，其识别过程不需要用户接触扫描设备，只需在扫描仪附近挥手即可完成识别。亚马逊于2020年发布了名为Amazon One的掌纹识别系统，并将其应用于亚马逊Amazon Go便利店的支付系统，实现了“刷手”结账。

近年来，用户越来越重视个人隐私保护问题，刷手支付无疑比刷脸支付的隐私性更好，用户接受度也更高。与指纹识别相比，掌纹识别有着非接触的优点，可以说，掌纹识别技术在金融行业有着广阔的应用前景。

1.线下交易更便捷

银行等金融机构可利用掌纹识别技术在银行网点提供“免卡、免证、免密”无介质身份认证服务。例如，用户在银行网点的ATM设备进行取款交易时，无需输入密码，通过掌纹识别即可完成身份认证，既能简化交易流程，又能避免密码泄露导致的用户资金被盗取的情况。

2.运营管理更安全

利用掌纹识别非接触、难伪冒的特点，银行可在重要场所的门禁系统运用掌纹识别技术进行身份认证。例如，在银行金库的门禁系统，通过掌纹识别严格校验出入金库人员的身份，可大大提升人员进出效率和金库的安全性。

3.风险防控更完善

在签订合同时，常用签字和按手印的方式保障合同的有效性和合法性，当笔迹和手印被仿冒后，这种做法将存在安全风险。可在银行信贷业务的合同签订环节通过掌纹识别技术辅助核验用户身份，确认操作者是否为本人，防止冒名签订，规避业务风险。

掌纹识别依赖于专用的采集设备，且技术研究起步较晚，因此目前尚未得到广泛应用。但是，随着掌纹识别技术的不断发展，以及软硬件系统协同运作效率的提升，掌纹识别技术有望迎来多元化应用的新机遇。