文 / 驗“金”室

數字化時代，生物特征因其無需記憶、難以複制、精确高效等優點成為身份驗證的重要标識，被廣泛應用于司法、政務、金融、交通等領域。在日常生活中，指紋識别、人臉識别的應用随處可見，但是有關掌紋識别的應用還鮮有耳聞，本文将簡要介紹掌紋識别技術的原理，展望其在金融行業的應用前景。

掌紋是指手掌表面上的各種紋線，這些紋線的特定排列組合形成了掌紋的獨特性。掌紋的特征(如圖1所示)可以用來進行身份鑒别，如主線、褶皺紋、乳突紋、三角點等。與指紋相比，掌紋能夠提取到的特征更多，包含的信息更豐富。因此，從理論上說，掌紋具有比指紋更高的辨識度。此外，掌紋的形态是先天生成的，主要由遺傳基因決定，即使手掌受到損傷導緻紋線脫落，新生的手掌紋線依舊保持原來的形态，穩定性較高。

圖1 掌紋特征示意

掌紋識别是一種新型的生物特征識别技術，主要是通過提取用戶手掌圖像的紋路特征進行身份識别。掌紋識别的主要流程如圖2所示。

圖2 掌紋識别流程圖

掌紋識别的核心技術細節主要包括以下幾個方面。

1.圖像預處理

掌紋圖像的預處理過程也叫掌紋感興趣區域（Region of Interest，ROI）提取（如圖3所示），常用的算法為參考坐标系算法。具體來說，就是利用手指間的谷點（圖3中的X1和X2）建立參考坐标系（圖3中的X軸和Y軸），再根據一定的距離準則提取ROI掌紋信息。

圖3 掌紋ROI提取

2.特征提取

特征提取算法可分為兩類：基于手工設計的算法和基于特征學習的算法。

（1）基于手工設計的算法

基于手工設計的算法主要依據掌紋圖像的特點設計特定的濾波器來提取特征。手工設計的特征主要有四類：編碼特征、結構特征、統計特征、子空間特征（見表1）。

表1 手工設計的特征介紹

（2）基于特征學習的算法

随着深度學習、大數據等技術的快速發展，多種深度神經網絡技術被應用到生物特征識别領域。基于特征學習的算法主要是利用深度神經網絡從數據中自行學習更複雜的濾波器結構，實現掌紋特征的自動提取。深度神經網絡模型（如圖4所示）由不同層級聯結而成，在輸入層輸入預處理後的掌紋圖像，經過多層神經網絡處理後，最終得到對應圖像的特征向量。基于特征學習的算法利用大數據的優勢，以及深度神經網絡強大的非線性學習能力，提取到的掌紋特征更豐富、魯棒性更強。

圖4 一種常見的深度神經網絡結構

3.特征匹配

特征匹配主要是度量待識别掌紋特征與數據庫中掌紋特征的相似度，相似度高則表明它與對應掌紋很可能來自同一個人。在特征匹配過程中，常用的計算相似度的距離度量有歐式距離、漢明距離、卡方距離、餘弦馬氏距離等，也可采用多距離度量融合的方式，使用多個匹配器加權求和計算掌紋特征之間的相似度。

掌紋識别技術的識别速度快、正确率高，且用戶體驗較好，其識别過程不需要用戶接觸掃描設備，隻需在掃描儀附近揮手即可完成識别。亞馬遜于2020年發布了名為Amazon One的掌紋識别系統，并将其應用于亞馬遜Amazon Go便利店的支付系統，實現了“刷手”結賬。

近年來，用戶越來越重視個人隐私保護問題，刷手支付無疑比刷臉支付的隐私性更好，用戶接受度也更高。與指紋識别相比，掌紋識别有着非接觸的優點，可以說，掌紋識别技術在金融行業有着廣闊的應用前景。

1.線下交易更便捷

銀行等金融機構可利用掌紋識别技術在銀行網點提供“免卡、免證、免密”無介質身份認證服務。例如，用戶在銀行網點的ATM設備進行取款交易時，無需輸入密碼，通過掌紋識别即可完成身份認證，既能簡化交易流程，又能避免密碼洩露導緻的用戶資金被盜取的情況。

2.運營管理更安全

利用掌紋識别非接觸、難僞冒的特點，銀行可在重要場所的門禁系統運用掌紋識别技術進行身份認證。例如，在銀行金庫的門禁系統，通過掌紋識别嚴格校驗出入金庫人員的身份，可大大提升人員進出效率和金庫的安全性。

3.風險防控更完善

在簽訂合同時，常用簽字和按手印的方式保障合同的有效性和合法性，當筆迹和手印被仿冒後，這種做法将存在安全風險。可在銀行信貸業務的合同簽訂環節通過掌紋識别技術輔助核驗用戶身份，确認操作者是否為本人，防止冒名簽訂，規避業務風險。

掌紋識别依賴于專用的采集設備，且技術研究起步較晚，因此目前尚未得到廣泛應用。但是，随着掌紋識别技術的不斷發展，以及軟硬件系統協同運作效率的提升，掌紋識别技術有望迎來多元化應用的新機遇。