生物識別技術盛宴 你鐘意哪個？

　　隨著技術的不斷發(fā)展，各類新式生物識別技術開始出現并應用于我們生活的方方面面。很多人通過手機解鎖、付款、甚至銀行客戶端登陸都有很多人設置了指紋登陸，甚至面目識別登陸。

　　簽名識別，這可是個老古董

　　你去商場購物，劃卡后商家會讓你在某單子上簽字，這就用到了簽名識別。簽名識別是根據簽名的字體進行身份認證，這可是個老古董了，當名字可以指定本人身份時就已經出現，當然，那時這不算是生物識別。

　　每個人都有自己獨特的書寫風格，所以簽名識別可作為生物識別的一種，屬于行為測定。將簽名數字化是這樣一個過程：測量圖像本身以及整個簽名的動作——在每個字母以及字母之間的不同的速度、順序和壓力。簽名識別分為離線簽名識別和在線簽名識別。在線識別是通過手寫板采集書寫人的簽名樣本，有的系統(tǒng)還可以采集壓力、握筆的角度等數據，目前識別率挺高，但由于人類書寫書寫動力定型并非固定不變，有一定變化范圍，所以單單從字形上，有可能無法區(qū)分真事簽名和偽造簽名。離線簽名就更不安全了。

　　聲音識別，感個冒你就可能不是你了

　　有時候聲音識別還不如簽名來的安全。聲音識別也屬于行為識別技術，識別設備不斷地測量、記錄聲音的波形和變化。聲音識別基于將現場采集到的聲音同登記過的聲音模板進行精確的匹配。

　　優(yōu)點是聲音識別是一種非接觸的識別技術，用戶可以很自然地接受，僅此而已。缺點就比較多了，比如聲音變化的范圍太大，很難精確的匹配;比如感個冒，鼻子不通氣，此時你很難讓識別系統(tǒng)知道你是你。甚至拿個磁帶都可能將其破解。別問我為什么不用高保真麥克風，因為它很貴，錄唱吧我都沒舍得買何況一個小小的身份認證。這個生物識別，娛樂娛樂就行了，不必當真。

　　虹膜識別，一個擁有虹膜信息的隱形眼鏡真的有可能搞定識別系統(tǒng)

　　我們經常會看到一些科技類或高智商犯罪類電影將虹膜識別作為確認人物身份的重要手段，然后被一些高智商罪犯通過戴帶有被竊取人虹膜信息的隱形眼鏡破解。不幸的是，理論上確實可以做到。

　　虹膜是眼睛外部調節(jié)瞳孔大小、控制進入眼睛光線數量的肌肉，它是基于褪黑素的數量形成的眼睛的有色部分。虹膜識別技術是通過拍攝人眼的虹膜來進行身份的確認，是一項基于生物特征的身份認證技術。

　　在虹膜識別之前需要通過標志性的特征對其進行定位，并利用這些特征和獨特的形狀對虹膜進行成像、特征分離和提取?；诤缒こ上瘢SGabor波將其篩選和繪制為相量，相量的信息包括方向和空間頻率(圖像內容)以及圖像位置，利用這些相量信息繪制為“虹膜碼”，最終使用虹膜碼進行認證。

　　虹膜識別技術幾乎是精確度最高的生物識別技術，具體描述如下：兩個不同的虹膜信息有75%匹配信息的可能性是1:106等錯率：1:1200000兩個不同的虹膜產生相同虹膜代碼的可能性是1:1052。

　　高精確度、無需物理接觸是它的優(yōu)點，這也是銀行等靜態(tài)終端看上它的原因。但對于物聯網時代，移動終端上使用虹膜識別還有一定的局限性。比如虹膜識別產品的價格較高，而且實現起來很復雜。對采集到的虹膜圖像要求極高。虹膜的拒真率高，當出現拒真的情況后，很難人為的去判別該員工的虹膜是真是假，除非找專家鑒定。很難識別有眼疾的人群也是其缺點，而且真的有可能會被造假。

　　指紋識別，一個由中國唐朝傳到國際上的生物識別

　　1927年德國羅伯特海因德爾在《指紋鑒定》一書中斷定，中國唐代的賈公彥是世界上提出用指紋識別人的第一個學者。在這方面中國古代不是沒有人(yin)。

　　指紋識別作為識別技術已經有很長的歷史了，有著堅實的市場后盾，按照一般人的看法，指紋識別技術通過分析指紋的全局特征和指紋的局部特征，特征點如嵴、谷和終點、分歧點等，從指紋中抽取的特征值可以非常的詳盡，可以有效地確認一個人的身份。

　　平均每個指紋都有幾個獨一無二可測量的特征點，每個特征點都有大約七個特征，我們的十個手指產生最少4900個獨立可測量的特征。

　　現今指紋圖像采集的技術主要為射頻指紋識別技術。射頻傳感器技術是通過傳感器本身發(fā)射出微量射頻信號，穿透手指的表皮層去控測里層的紋路，來獲得最佳的指紋圖像。因此對干手指，汗手指，臟手指等困難手指通過可高達99%，防偽指紋能力強，指紋敏感器的識別原理只對人的真皮皮膚有反應，從根本上杜絕了人造指紋的問題。

　　這個最近火在移動支付方面的生物識別技術，因其防偽性高、生物特征唯一、核心芯片不斷縮小等方面，已廣泛用于平板、手機甚至手表等移動端，并將會在未來主流生物識別市場占有一席之地。將手指放在手機屏幕上，隨手一劃就能確認支付，將安全度與便捷性完美結合。但是，它還有一個強大的對手，人臉識別。

　　人臉識別，阿里騰訊認準的生物識別方式

　　作為未來主流生物識別方式之一，人臉識別最大的優(yōu)點是對硬件幾乎沒要求，即使幾百元的手機攝像頭也可以滿足，剩下的只是軟件問題。未來的結果就是，你在結賬時，對著收銀臺的攝像頭左看看右看看，支付就這樣完成了。這種認證方式在未來移動支付時代具有高便捷性，加上硬件要求極低，足以讓阿里騰訊看好它的未來。

　　自動人臉識別的經典流程分為三個步驟：人臉檢測、面部特征點定位、特征提取與分類器設計。在深度學習出現以前，人臉識別方法一般分為高維人工特征提取和降維兩個步驟。2014年之后，主要技術路線為深度學習。

　　Google發(fā)表于CVPR2015的工作FaceNet采用了22層的深層卷積網絡和海量的人臉數據(800萬人的2億張圖像)以及常用于圖像檢索任務的TripletLoss損失函數。值得一提的是，人臉類別數達到800萬類，FaceNet在LFW數據集上十折平均精度達到99.63%，這也是迄今為止正式發(fā)表的論文中的最好結果，幾乎宣告了LFW上從2008年到2015年長達8年之久的性能競賽的結束。

　　盡管如此，一模一樣的技術，拿到真實環(huán)境下得到的準確率可能只有75%……也許會有些人覺得這是很可笑的，請不要笑，這是科研圈里朋友的普遍做法，不是沒有苦衷的。

　　雖然目前的人臉識別技術上不完美，受環(huán)境等影響很大，但全球領先的中國face++公司已經可以做到先識別你是不是一個人了(照片肯定是不行的，即使你捂住半邊臉，依然可以識別你是一個人。

　　“人臉識別技術比人的識別能力要強，而且強不少”，北京曠視科技(face++)市場與經營部總經理謝憶楠說，“比如一個銀行柜員對人臉識別的精度可能達到萬分之一誤識率，通過率可以超過90%;而我們最好的成績是十萬分之一的誤識率，通過率可以超過97%-98%?！?/p>

　　目前評價科研中算法的優(yōu)劣的唯一方法就是找一個數據集，然后大家一起對比，隨著數據集中數據數量越大，其結果也越精準，于是阿里通過各種方式來收集人臉信息，比如支付寶中的未來蟻來，有一個游戲叫遇見名畫中的自己，規(guī)則是你放入帶有你人臉的照片，然后搜索跟你照片特別相似名畫，以此來收集人臉信息。筆者還做了測試，結果如下：至少圖像識別的結果還是比較不錯的。