掌静脉识别作为一种新兴的红外生物识别技术，因其高安全性、活体检测性等优势已成为当前生物特征识别领域中的研究热点之一。近年来，该领域的大量研究通过引入深度学习方法推动了掌静脉识别技术的发展。为了掌握掌静脉识别领域最新研究现状及发展方向，对数据采集和数据预处理的主流算法进行了分类和总结，并针对基于深度学习的掌静脉识别的最新进展按照掌脉特征表征、网络设计与优化、轻量级网络进行了分类和详细 阐述。针对当前单模态识别达到瓶颈等问题，分析并对比了多模态和多特征融合识别相关算法。探讨了当前掌静 脉识别的研究难点挑战，并对未来的发展趋势进行了展望与总结。
1.掌静脉数据集
2 掌静脉图像预处理
2.1 ROI提取算法
2.1.1 基于传统方法
（1）关键点、内切圆等
质心到边界点的距离+傅里叶变换。
2.1.2 基于深度学习
（1）人脸关键点定位模型
（2）目标检测模型
掌静脉识别预处理之ROI提取
2.2 图像增强
2.2.1 基于传统方法
Jerman filter、LRE
2.2.2 基于深度学习
掌静脉识别预处理之图像增强
3.掌静脉识别算法
3.1 基于传统方法
HOG、SIFT、Gabor、LBP等
掌静脉识别之传统方法
3.2 基于深度学习方法
3.1.1 基于掌静脉表征
尽管掌脉识别具有高度安全性，但由于不受环境控制的图像采集而导致掌脉图像具有较大的类内差异和类间相似等问题，这使得鉴别和鲁棒性表示的设计非常重要。基于掌脉表征侧重于通过深度学习方法进行鉴别和鲁棒的掌脉表征。
（1）将低层卷积网络和高层卷积网络进行结合可以获取图像多尺度信息
（2）空间加权的选择性卷积特征模型
（3）学习深度特征表示来预测像素属于静脉或背景的概率
基于特征表征的掌静脉识别
3.1.2 基于传统神经网络
（1）各种经典网络：编码器、残差网络、CNN、GAN等
（2）传统网络中加入传统图像处理（Gabor、HOG、小波变化）等其他方法
（3）寻找网络最优参数：贝叶斯优化、NAS等
基于传统神经网络的掌静脉识别
3.1.3 基于Transformer网络
3.1.4 基于轻量级网络
（1）深度可分离卷积层
（2）模型轻量化：知识蒸馏、剪枝、量化等
3.1.4 基于深度哈希网络
在特征学习的基础上，设计并训练深度哈希网络，将学习到的高维特征映射到低维的哈希码空间。哈希函数的学习通常是端到端的过程，通过最小化哈希码之间的汉明距离（Hamming Distance）来保持相似的人脸图像在哈希码空间中距离较近。
3.1.5 基于轻量级特征
（1）特征轻量化：PCA数据降维、egienface、二进制哈希码等
3.1.6 基于多任务模型
4 融合识别算法
融合策略：（1）图像级融合 （2）特征级融合 （3）分数级融合 （4）决策级融合
4.1 多模态融合识别
多模态融合是综合两种或者多种生物特征进行融合识别
。由于单模态的生物特征识别系统的冒充问题和小样本问题依然存在，其准确性和稳定性有待进一步提高。
4.2 多特征融合识别
不同于多模态识别，多特征融合是利用两种及多种不 同的算法对某种单一模态分别进行特征提取再融合识别。 该思想能够充分利用不同算法的优点，同时弥补各自的缺点，从而提高整体的性能和效果。
融合策略：级联融合、加权融合。
4.1 深度融合网络
同一个网络有两个输入端，将不同图像的特征进行深层次融合，变提取特征变特征融合。