前言：中文期刊網精心挑選了生物特征識別技術范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
生物特征識別技術范文1
關鍵詞：生物識別；微控制器；Blackfin；MSA
引言
生物特征識別技術是指利用人體固有的生理特征或行為特征來進行個人身份鑒別認證的技術。生物特征識別技術包括采用人體固有的生理特征(如人臉、指紋、虹膜、靜脈)進行的身份認證技術和利用后天形成的行為特征(如簽名、筆跡、聲音、步態)進行的身份認證技術。與傳統的身份鑒定手段相比，基于生物特征識別的身份鑒定技術具有如下優點：(1)不會遺忘或丟失，(2)防偽性能好，不易偽造或被盜，(3)“隨身攜帶”，隨時隨地可用。正是由于生物特征身份識別認證具有上述優點，基于生物特征的身份識別認證技術受到了各國的極大重視。
生物特征識別技術及其發展趨勢
目前，常用的生物特征識別技術所用的生物特征有基于生理特征的如人臉、指紋、虹膜，也有基于行為特征的如筆跡、聲音等。下面就這些常見的生物特征識別技術的特點及其發展趨勢作一簡單介紹。
人臉識別
人臉識別作為一種基于生理特征的身份認證技術，與目前廣泛應用的以密碼、IC卡為媒介的傳統身份認證技術相比，具有不易偽造、不易竊取、不會遺忘的特點，而人臉識別與指紋、虹膜、掌紋識別等生理特征識別技術相比，具有非侵犯性、采集方便等特點。因而人臉識別是一種非常自然、友好的生物特征識別認證技術。
人臉識別技術包括圖像或視頻中進行人臉檢測、從檢測出的人臉中定位眼睛位置、然后提取人臉特征、最后進行人臉比對等一系列相關的技術。
最早的人臉識別系統建成于20世紀60年代，該系統以人臉特征點的間距、比率等參數作為特征，構建了一個半自動的人臉識別系統。此時的人臉識別研究多集中于研究如何提取特征點進行人臉識別，如人臉特征器官(眼角、嘴角、鼻孔)的相對位置、大小、形狀、面積及彼此間的幾何關系等。由于這些特征點難以準確定位、魯棒性差，因而采用這些方法的人臉識別系統的性能都很低。
自20世紀80年代開始，人臉識別技術出現了基于面部圖像的方法。與基于特征點的方法相比，基于面部圖像的方法不是提取人臉特征器官這一高層特征，而是將人臉作為一個圖像整體，從圖像中提取反映人臉特性的特征如DCT變換特征、小波特征、Gabor特征等等?；诿娌繄D像的方法由于利用了更多的底層信息，以及統計模式識別方法的引入，使得這類方法具有非常高的識別率和非常好的魯棒性。由于基于面部圖像的人臉識別算法具有很高性能，目前已經出現了不少推廣人臉識別技術的廠商，如國內的北京海鑫科金高科技股份有限公司、國外的LIID等。
為了評測基于面部圖像的人臉識別算法的性能。美國ARPA和ARL于1993年至1996年建立了FERET數據庫，用于評測當時的人臉識別算法的性能。共舉行了三次測試FERET94、FERET95、FERET96。FERET測試的結果指出，光照、姿態和年齡變化會嚴重影響人臉識別的性能。
FERET的測試結果也表明了基于面部圖像的方法的缺點。人臉是一個三維非剛體，具有姿態、表情等變化，人臉圖像采集過程中易受到光照、背景、采集設備的影響。這些影響會降低人臉識別的性能。
為了克服姿態變化對人臉識別性能的影響，也為了進一步提高人臉識別性能，20世紀90年代后期，一些研究者開始采用基于3D的人臉識別算法。這些算法有的本身就采用三維描述人臉，有的則用二維圖像建立三維模型，并利用三維模型生成各種光照、姿態下的合成圖像，利用這些合成圖像進行人臉識別。
2000年后，人臉識別算法逐漸成熟，出現了商用的人臉識別系統。為了評測這些商用系統的性能，也作為FERET測試的延續，美國有關機構組織了FRVT2000、FRVT2002、FRVT2006測試。測試結果表明，人臉識別錯誤率在FRVT2006上下降了至少一個數量級，這種性能的提升在基于圖像的人臉識別算法和基于三維的人臉識別算法上都得到體現。此外，在可控環境下，虹膜、靜態人臉和三維人臉識別技術的性能是相當的。此外，FRVT2006還展現了不同光照條件下人臉識別性能的顯著提高，最后，FRVT2006表明人臉自動識別的性能優于人。值得一提的是，清華大學電子工程系作為國內唯一參加FRVT2006的評測的學術機構，其人臉自動識別性能優于人類。
FRVT2006為人臉識別后續的研究指明了方向，人臉識別中光照、年齡變化依然對人臉識別性能有很大影響，二維人臉識別的性能不比三維人臉識別差。
指紋識別
指紋識別技術是指通過比較不同人指紋中的特征點不同來區分不同人的身份。指紋識別技術通常由三個部分組成：對指紋圖像進行預處理。提取特征值，并形成特征值模板。指紋特征值比對。
指紋圖像預處理的目的是為了減少噪聲干擾的影響，以便有效提取指紋特征值。常用的預處理方法有圖像增強、圖像平滑、二值化、圖像細化等。
特征提取的目的就是從預處理后的指紋圖像中，提取出能夠表達該指紋圖像與眾不同的特征點的過程。最初特征提取是基于圖像的，從圖像整體中提取出特征進行比較，但該方法的精度和性能較低?，F在一般采用基于特征點的方法，從圖像中提取反應指紋特性的全局特征(如紋形、模式區、核心區、三角點、紋數等)和局部特征(如終結點、分叉點、分歧點、孤立點、環點等)。得到特征點后就可以對特征點進行編碼形成特征值模板。
指紋特征值比對就是把當前獲得的指紋特征值與存儲的指紋特征值模板進行匹配，并給出相似度的過程。
虹膜識別
虹膜相對而言是一個較新的生物特征。1983年，Flom與Safir申請了虹膜識別專利保護，使得虹膜識別方面的研究很少。1993年，Daugman發表了關于虹膜自動識別算法的開創性工作，奠定了世界上首個商業虹膜自動識別系統的基礎。隨著Flom和Safir專利在2005年的失效和CASIA及ICE2005中虹膜數據集的提供，虹膜識別算法的研究越來越蓬勃。ICE2006首次對虹膜識別算法性能進行了測試。
虹膜識別中需要解決如下兩個難點問題：一是虹膜圖像的獲取，二是實現高性能的虹膜識別算法。
生物特征識別產品的發展趨勢
生物特征識別產品逐步從單一PC處理，
轉變為分布式計算。用獨立的前端獨立設備來完成生物特征的采集、預處理、特征提取和比對，而用中心PC或服務器完成與業務相關的處理。闡述這種方式較之傳統方式的優點一由于前端采用嵌入式設備，因而自然提出了對數字信號處理器的要求。
生物特征識別技術對數字信號處理的挑戰
為了獲得更好的性能，研究者們從算法上、應用廠商從應用上對生物特征識別技術進行改進。這些算法根據不同生物特征的特點，采用新的數學模型，有效解決了現有算法的不足，使得生物特征識別技術性能上了一個新臺階。新的數學模型，較之以往的模型更為復雜，計算量更大。為了能夠有效的在數字信號處理器上實現這些算法，要求數字信號處理器有更強的處理能力。我們下面結合人臉識別具體說生物特征識別技術對數字信號處理的挑戰。
傳統數字信號處理中核心算法之一就是傅立葉變換，該變換在通信、圖像傳輸、雷達、聲納中都有很大的作用。但是，在相當長的時間里，由于傅立葉變換的計算量太大，即使采用計算機也很難對問題進行實時處理，所以并沒有得到真正的運用。直到傅立葉變換的快速算法即快速傅立葉變換發現后，傅立葉變換的運算量大大縮短，從而使傅立葉變換在實際中得到了廣泛的應用，也使得在數字信號處理器上實現傅立葉變換成為了可能。
盡管傅立葉變換對數學、物理產生了深遠的影響，但對于大多數應用例如人臉識別而言是遠遠不夠的。比如說人臉圖像中，眼睛所含有的信息較其他部分對識別而言非常重要，需要找到一種方法，提取出眼睛這部分重要的信息，并盡量降低不重要的信息對識別的影響。這就需要對人臉圖像進行局部分析。然而，傅立葉變換無法進行局部分析，使得傅里葉變換在人臉識別中的應用很有限。
為了提高性能，研究者將數字信號處理領域中新的復雜的變換如Gabor變換、小波變換引入人臉識別中，采用這些變換進行局部分析，提取出對人臉識別有用的特征，從而大大提高了人臉識別的性能。然而，Gabor變換和小波變換的計算量較之傅立葉變換而言非常大，為了在嵌入式設備上實現人臉識別系統，需要高主頻、高性能的數字信號處理器來實現，這就對數字信號處理器的設計提出了一個很大的挑戰。
從應用角度而言，為了良好的交互性，在實現人臉識別系統時，要求實時實現從視頻采集到人臉識別全過程完成(或者至少在1～2秒鐘內實現)，否則，給人的感覺就不自然、不流暢。因而，從良好的交互性角度而言，在嵌入式設備上實現人臉識別系統需要高性能的數字處理器。
ADI公司的Blackfin系列處理器是一類專為滿足當今嵌入式音頻、視頻和通信應用的計算要求和功耗約束條件而設計的新型16～32位嵌入式處理器。Blackfin處理器基于由ADI和Intel公司聯合開發的微信號架構(MSA)，它將一個32位RISC型指令集和雙16位乘法累加(MAC)信號處理功能與通用型微控制器所具有的易用性組合在了一起。這種處理特征的組合使得Blackfin處理器能夠在信號處理和控制處理應用中均發揮上佳的作用―在許多場合中免除了增設單獨的異類處理器的需要。該能力極大地簡化了硬件和軟件設計實現任務。
目前，Blackfin處理器在單內核產品中可提供高達756MHz的性能。Blackfin處理器系列中的新型對稱多處理器成員在相同的頻率條件下實現了性能的翻番。Blackfin處理器系列還提供了低至0.8V的業界領先功耗性能。對于滿足當今及未來的信號處理應用(包括寬帶無線、具有音頻/視頻功能的因特網工具和移動通信)而言，這種商性能與低功耗的組合是必不可少的。
Blackfin處理器具有如下特點：
高性能處理器內核。Blackfin處理器架構基于一個10級RISCMCU/DSP流水線和一個專為實現最佳代碼密度而設計的混合16/32位指令集架構，該架構很適合于全信號處理/分析能力。這種架構，使得人臉識別中的復雜的數字信號處理運算在Blackfin上很容易實現。
高帶寬DMA能力。人臉識別中需要對圖像塊進行操作，這就涉及到內存數據存取。采用Blackfin的DMA控制器可以自動數據傳輸，所需的處理器內核開銷極少。這樣可以將寶貴的處理器的運算能力用于人臉識別的計算，減小數據存取對性能的影響。
?視頻指令。人臉識別中最常進行的操作就是對像素值進行處理，Blackfin處理器具有對8位數據以及許多像素處理算法所常用的字長的固有支持，大大提高了人臉識別的處理速度。
?分層存儲器。Blackfin具L1 Cache和L2Cache兩級Cache，由于Cache較之外部存儲器具有更快的存取速度，因而，在人臉識別時，可以把運算密集的代碼放在L1 Cache或L2 Cache中，這樣可以有效提高處理速度。
上述Blackfin處理器特點表明。Blackfin系列處理器非常適合處理需要高性能運算能力和高數據吞吐量的生物特征識別技術。
目前，Hisign已經將人臉識別的算法移植到ADI的Blackfin上，性能正在優化中。請繼續關注。
生物特征識別技術范文2
1 生物特征傳感器技術
通過某種原理可以測量生物特征，并將其轉化成計算機可以處理的數字信號，這就是生物特征傳感器的主要任務，也是生物特征識別的第一步。大部分的生物特征都是通過光學傳感器如CCD 或CMOS 形成圖像信號，例如人臉、指紋、虹膜、掌紋、手形、靜脈等。但是虹膜和靜脈圖像需要主動的紅外光源才可以得到細節清晰的個性特征。由于外加主動光源能夠克服可見光線變化對生物特征的影響，所以最近在人臉識別領域有研究人員設計了紅外成像設備，來克服人臉模式隨光照變化的類內差異，從而大幅度提高了人臉識別的精度。
為了提高生物識別系統的易用性、舒適性和用戶的接受程度，同時又要保證生物特征信號的質量，此外還要小巧精致、成本低廉，生物特征傳感器技術還有許多需要改進的地方。例如最近已經有通過非接觸方式采集的3D 指紋傳感器技術。生物特征傳感器的核心技術包括:
智能定位技術
生物特征獲取裝置必須讓用戶和識別系統處于合適的距離和位置才可以捕獲合格的生物特征信號。最理想的方案是讓采集裝置自動判別用戶的位置，然后主動調節光學系統或者直接通過機械裝置移動采集設備，這樣就可以降低對用戶的要求，采集方式更加智能化和人性化。
人機接口設計
生物特征采集系統應該“以人為本”，符合人體工學，設計生物特征和采集裝置之間的交互接口。通過開發用戶自定位技術讓用戶在某種方式的導引下很快找到合適的成像位置。例如現有的人臉識別和虹膜識別系統中通常在采集裝置上安裝一面鏡子或者設置一個注視點或者設計比較巧妙的光學系統，用戶通過視覺或者語音反饋就可以比較迅速地找到適合成像的位置。
光學系統設計
主要是光學鏡頭組的設計和加工，如果需要主動光源照明的話還要在鏡頭上安裝濾光片，根據成像距離設置主動光源。
機械控制技術
包括自動變焦的電控單元設計、配合用戶的身高和距離進行程序調節的機械單元設計等。
生物特征傳感器的核心技術還包括傳感器電路設計; 信號傳輸與通信技術; 防撬報警技術以及和其他技術的有機結合。
2 活體檢測技術
為了防止惡意者偽造和竊取他人的生物特征用于身份認證，生物識別系統必須具有活體檢測功能，即判別向系統提交的生物特征是否來自有生命的個體。一般生物特征的活體判別技術利用的是人們的生理特征，例如活體指紋檢測可以基于手指的溫度、排汗、導電性能等信息， 活體人臉檢測可以基于頭部的移動、呼吸、紅眼效應等信息，活體虹膜檢測可以基于虹膜振顫特性、睫毛和眼皮的運動信息、瞳孔對可見光源強度的收縮擴張反應特性等。
此外，基于生物特征圖像的光譜學信息也是進行活體檢測的有效途徑。例如打印的圖像會形成有規律的紙質紋理特征，可以用頻譜特征進行檢測。此外，還可以通過人機互動的形式檢測生物特征的活體特性; 使用多模態生物特征識別系統也可以提高偽造的難度。
從現有的技術水平看，活體檢測功能一直是生物識別系統的薄弱環節，已經有研究人員使用偽造的指紋和人臉攻破了現有的系統，引發了有些用戶對生物識別技術的信任危機。所以活體檢測技術將是生物識別系統進入高端安全應用的最大瓶頸。
3 生物特征信號質量評價技術
在自動身份識別系統中，生物特征一般是以連續的視頻流或者音頻流的形式進行獲取。由于有效的生物特征采集范圍總是有限的，再加上人的運動、姿態變化等因素，傳輸到計算機的生物特征信號大部分都是不合格的。而高質量的生物特征信號是進行特征表達和身份識別的基礎，低質量的生物特征信號有可能引起錯誤接收或錯誤拒絕，降低系統的穩定性和魯棒性（系統的健壯性），浪費大量的計算資源在無效的生物特征信號處理上。
基于上述分析，我們可以從三個方面努力排除低質量生物特征信號對識別性能的影響:
■ 研究高性能的成像硬件平臺;
■ 提高識別算法的魯棒性;
■ 在生物識別系統中引入智能的質量評價軟件模塊，只容許較高質量的生物特征信號進行注冊或識別。
在這些措施中設計有效的質量評價算法最實際。因為再魯棒的識別算法能夠接受的信號質量也是有限的。雖然已經有高性能的生物特征獲取裝置面世，但是價格十分昂貴，也解決不了根本問題。所以研究生物特征的質量評價算法對于識別系統性能的提高具有重要意義。
生物特征信號的質量評價可看做一個兩類模式識別問題――將采集到的生物特征分為合格和不合格兩種情況。如果要對合格信號量化打分，還要將評價指標定量化。生物特征信號的質量評價問題是一個比較困難的問題，因為造成特征信號質量差的原因千差萬別，即負樣本的種類太多，不勝枚舉，很難設計一個分類器將所有的正負樣本區分開。需要通過質量評價來過濾的低質量生物特征一般包括存在離焦模糊或運動模糊的圖像，信噪比太低的信號，遮擋的圖像等。一般可以從空域和頻域兩個角度出發去設計質量評價算法。
從產品實用化的角度考慮，生物識別系統現在遇到的最大的瓶頸之一就是信號的質量評價。一方面，為了拓寬系統的適用范圍，提高產品的易用性，對用戶更友好，為此，研究人員希望系統能在生物特征質量要求較低的條件下運作，但是同時又要求系統能有穩定的高精度。為了平衡這個矛盾，設計“穩、快、準”的質量評價算法將是必由之路。
4 生物信號的定位與分割技術
經過處理后的掌紋紋路更清晰了
從生物特征獲取裝置采集得到的原始信號一般不僅包括生物特征本身，還包括背景信息，例如原始的虹膜圖像中包括虹膜、瞳孔、鞏膜、眼皮和睫毛等多個區域，真正能有效鑒別人們身份的圖像內容也就在虹膜區域。所以必須從原始信號中分割出感興趣內容進行特征提取。定位和分割算法一般都是基于生物特征在圖像結構和信號分布方面的先驗知識。例如人臉檢測就是要從圖像中找到并定位人臉區域，一直是計算機視覺領域的研究熱點。
2001年美國的Viola 和Jones提出了用易于計算的Harr 小波特征來描述人臉模式，用AdaBoost來訓練人臉檢測分類器，取得了人臉檢測領域的突破性進展，實現了實時檢測視頻中的人臉圖像，而且準確率也非常高。這個方法對計算機視覺和生物識別領域的影響都很大，現在商業化的人臉識別系統基本上都是使用這種人臉檢測方法或者其變種。而且這種通過機器學習訓練弱分類器的方法也被推廣到了一般視覺對象的檢測和識別上。指紋的分割算法一般是基于指紋區域和背景區域的圖像塊灰度方差的差異特性; 虹膜的定位主要利用瞳孔/虹膜/鞏膜存在較大的灰度跳變并且成圓形的邊緣分布結構特征; 掌紋的定位一般是基于手指之間的參考點來構建參考坐標系。
5 生物特征信號增強技術
得到了分割后的特征區域后，有的生物特征識別方法需要在特征提取前對感興趣區域進行增強，主要目的包括去噪和凸顯特征內容。例如人臉和虹膜圖像一般用直方圖均衡化的方法增強圖像信息的對比度; 指紋一般用頻域的方法得到脊線分布的頻率和方向特征后進行紋路增強; 對于比較模糊的生物特征信號，可以考慮使用超分辨率的方法或者逆向濾波的方法進行增強。
6 生物特征信號的校準技術
為了克服不同時刻采集的生物特征信號之間的平移、尺度和旋轉變換，需要將參與比對的兩個生物特征進行對齊。有的生物特征校準在特征提取之前完成，例如常用主動形狀模型（Active Shape Model）和主動表觀模型（Active Appearance Model）進行人臉對齊; 有的生物特征校準的過程就是特征匹配的過程。生物特征信號的校準結果對于識別精度的影響很大，所以也有學者認為生物特征識別最重要的問題是校準技術。
7 生物特征表達與抽取技術
對于生物特征識別，不管是外行還是內行，人們首先想到的問題就是: 機器是用什么特征進行身份識別的？什么是生物特征信號中凸現個性化差異的本質特征？這就是生物識別的基本的、原理性的問題。對于這個問題在個別的生物特征識別領域得到了共識，例如指紋識別，大家都公認細節點（包括末梢點和分叉點）是描述指紋特征的最佳表達方式，所以國際上就有統一的基于細節點信息的指紋特征模板交換標準，給不同廠商的指紋識別系統的兼容性和數據交換帶來了便利。但是在其他生物識別領域，例如人臉、虹膜、掌紋等領域研究人員還在不斷探索最佳的特征表達模型。雖然這些領域的特征表達方法的種類繁多，部分算法也已經取得了很好的識別性能，但是人臉識別、虹膜識別、掌紋識別的根本問題―― “什么是人臉、虹膜或掌紋圖像的本質特征及其有效表達？”一直沒有得到權威和普遍認同的回答。
這是因為每個人臉、虹膜和掌紋圖像的特征表達方法都是基于某種信號處理方法或者某個計算機視覺或者某個模式識別的理論，“公說公有理，婆說婆有理”，大家對于這些圖像的本質特征表達還沒有進行深入的研究。現在生物特征表達領域的流行趨勢是把各種經典的或者新提出的圖像分析方法依次去試，有點撞大運的感覺，產生這種現象的根源是大家沒有基礎理論的指導，不知道向哪個方向努力好。由于各種方法各自為“政”，造成生物特征模板的數據交換格式難以統一和標準化。例如人臉、虹膜和掌紋的數據交換標準只能基于圖像，這是因為大家找不到一個統一的、權威的圖像特征表達方法。
相對于基于特征的數據交換標準，基于圖像的交換標準在計算和存儲資源的占用、傳輸速率等多方面都處于下風。例如在電子護照應用中，統一格式的生物數據都存放在非接觸IC 芯片中，在識別前需要通過無線讀卡器從護照IC 中讀出生物數據，這時基于特征的方法比基于圖像的方法快100 倍，而且基于圖像的方法還要多一個特征提取的步驟才能得到用戶護照中的生物特征。所以不管是對于研究還是應用，生物特征信號本質特征的盡快確定都是最重要的。
通過模擬這些生物體神經細胞對外界視覺刺激的信息編碼規則，計算機視覺研究人員提出了Ordinal Measures（定序測量特征）來表達圖像內容。中科院自動化所生物識別與安全技術研究中心通過拓展原始的定序測量特征的內涵，提出了多極子濾波器的概念，建立了虹膜圖像特征表達的一般框架，證明了虹膜圖像區域之間的排序測度特征等價于虹膜物理表面不同位置反光率之間的大小順序關系，是獨立于光照、對比度等外界因素的虹膜圖像的本質特征。
在這個框架下，虹膜特征抽取甚至可以簡化成簡單的加減運算，成功地解決了虹膜識別從PC 向嵌入式平臺移植的計算復雜性難題。通過定序測量特征，研究中心還建立了掌紋圖像特征表達的一般框架，統一了該領域識別性能最好的三種掌紋識別方法。并針對低分辨率掌紋圖像上主線和皺紋線灰度模式特點，提出了新穎的十字架形微分濾波器來抽取掌紋圖像中的定序測量特征。實驗結果表明新的掌紋識別方法不僅識別精度遠高于主流方法，并且計算速度比最好方法快一倍。
8 生物特征的匹配技術
特征匹配就是計算兩個生物特征樣本的特征向量之間的相似度。圖匹配算法也在指紋細節點模式、人臉模式、虹膜斑塊模式的相似性度量中得到成功應用。
9 生物特征數據庫檢索與分類技術
收集掌紋信息
隨著生物特征識別技術在人類日常生活中的普及，使用人數的增長必然導致生物特征數據庫的不斷擴大。這種規模的擴大不僅僅表現在數據存儲量的擴大，還表現在從數據庫中搜索某一條記錄所耗費的時間的增加。例如在一對多的超大規模（如一個城市、一個國家、一個行業的人群）生物識別應用中，完成一次識別的時間的長度將會讓人無法忍受。這是任何一項成熟的生物識別技術從小規模應用向大規模應用轉化時不可避免的問題。
雖然可以使用并行計算技術來減少每次識別的時間，如果有一個生物特征粗分類的方法就可以實現分層次的生物識別: 根據生物特征向量將數據庫中所有的模板分成若干個大類，在大規模識別時首先判斷輸入生物特征所屬的大類，然后首先和這個大類的數據庫模板進行比對，這樣就可以（至少從期望值）減少等待識別結果的時間。例如指紋可以根據奇異點的個數和位置信息分成拱形、尖拱形、左旋形、右旋形和旋渦形等幾個大類。在虹膜識別研究領域也有人利用分形維特征將虹膜數據庫分成四大類。這些分類方法的準確率都高于90%，結果是令人鼓舞的。利用生物特征模式，還可以實現人種分類、性別分類等。所以生物特征粗分類和數據庫檢索技術將是一個很有前途的研究方向，下一步研究的重點是增加類別數，提高分類的準確率。
10 生物特征識別系統的性能評價
迄今為止，任何的生物特征識別系統或者方法都有出錯的可能。對系統的識別精度給出客觀、準確的評估其實是一個很復雜的問題，它受測試樣本的數量、質量、評估指標等因素的影響，但是這對應用單位和司法部門卻是一個很關注的焦點問題。所以生物特征識別方法的性能測評已成為生物特征識別研究的一個重要方向。對于1∶1比對的身份驗證系統，錯誤有兩種情況: 一是把不同人的生物特征識別為同一類，稱為錯誤接收; 另一種可能是把同一人的生物特征識別為不同類，稱為錯誤拒絕。
一般可以從理論和實驗兩個方面評估一個生物識別方法的性能指標。從理論方面可以研究生物特征的唯一性，即對影響錯誤接收和錯誤拒絕的各種參數進行準確建模，從每種生物特征識別方法的本質和機理出發給出理論上可以取得的錯誤率的下界。這個工作是很有意義也是難度很大的。例如司法界對通過指紋匹配結果來指認罪犯還存在著很大爭議，雖然有研究人員宣稱地球上找不到指紋特征完全相同的兩個人，但是在自動或者人工指紋識別系統中，到底需要多大的相似度才可以完全確認兩枚指紋的同源性？識別出錯的準確概率到底是多少？已經有研究人員對這個問題進行了比較深入的研究，但是并沒有完全解決好這個問題。
鏈接:生物識別也需要安全技術
生物特征識別技術范文3
蘋果系統把掃描的信息存儲在本地――也就是說不會上傳到某個主數據庫。無處不在的iOS設備利用生物特征來進行自我身份識別，也許讓消費者感到很方便。而公司和政府對生物特征識別技術的使用，恐怕是許多人都未曾意識到的。
本周早些時候，美聯社報道說，兩家大型金融機構從客戶求助電話中提取聲紋來幫助防范欺詐?！澳槙本W站擁有許多專家稱之為目前最大的面部識別數據庫，標記每個人的照片，而它的一些研究人員還在研究更先進的系統。此外，美國聯邦調查局上個月宣布，它的“下一代識別”系統，即NGI，已經“滿負荷運轉”。該系統據悉包含虹膜掃描、指紋和面部識別數據庫。美國電子產品維權基金會說，到2015年，NGI面部識別數據庫中的照片數量將達到5200萬張――其中多數為犯罪分子的照片。
但是，隨著生物特征識別技術越來越普遍，專家擔心消費者對利用個人特征進行身份驗證蘊含的陷阱還沒有充分的認識。
美國喬治敦大學法學院隱私和技術中心主管阿爾瓦羅?貝多亞說：“以前用來認證的鑰匙往往是我們擁有的實物。后來變成我們所知的一些東西，比如密碼?，F在開始使用我們之所以成為我們的特征?！?/p>
與其他形式的數字驗證技術不同，生物識別標記是不可改變的。貝多亞解釋說：“你可以改變密碼，但不著實經過一番周折，是改變不了自己的臉和指紋的?！?/p>
貝多亞說，更糟糕的是，多數生物特征是天然公開的。他說：“知道我的密碼的只有那些我告訴他們密碼的人，某些情況下還有我登錄的設備。但我碰觸的任何地方都會留下我的指紋，我的臉在所到之處的每個攝像頭前晃動，我的‘臉書’個人簡介中也有。”
美國公民自由聯盟的分析師杰伊?斯坦利說：“生物特征不是秘密。它們是每個人獨一無二的特征，這一點很完美，但這不等同于秘密?！?/p>
前不久，美國網絡空間可信任身份國家戰略的負責人杰里米?格蘭特接受記者采訪，承認雖然生物特征的使用越來越流行，但由于一些原因恐怕不適合成為所有情況的最優方案。他說：“具體如何運用是很要命的。”
生物特征識別技術范文4
我們常說的生物特征識別技術是指人體生物特征識別技術，這是一種利用人體生物特征來進行身份識別的技術。人體生物特征包括生理特征和行為特征，生理特征包括DNA、指紋、掌紋、人臉、虹膜等特征，行為特征包括語音、筆跡、步態等特征。生物特征識別技術為身份識別提供了一個解決方案，同時， 生物識別技術也是目前最方便最安全的識別技術。利用生物特征技術來識別人的身份，正成為IT行業的一項重要革新。
宋江的畫像張貼在城門口，楊白勞的指紋按在喜兒的賣身契上，這些廣為流傳的故事就是人工人臉識別和指紋識別的早期應用。現代版的生物特征識別技術則采用了計算機技術，而更集中地應用則出現在“9?11”恐怖事件后。目前，生物特征識別已成為科技和應用熱點。
與其他生物特征識別技術相比，人臉識別具有三個優點: 后驗識別性能優越; 人臉圖像的普遍性; 非接觸式的操作方式。
人臉圖像由于年齡、姿態、表情、光照等因素而具有“一人千面”的特點，因此，人臉識別面臨多方面的挑戰。
人臉識別包括三方面:
辯識 解決“他是誰”的問題，這是一個一對多的識別，例如在大數據庫中去尋找和一模擬像對應的目標人。
認證 解決“聲稱的他是不是他”的認證問題，例如二代證的人證同一的查驗。
監視識別 解決“誰是他”的問題，例如高危人員的監控、智能追逃。
人臉識別技術進展
人臉識別的方法很多，包括:
基于特征臉（PCA)的人臉識別方法
特征臉方法是基于KL變換的人臉識別方法。高維的圖像空間經過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以構成低維線性空間。將人臉圖像在這些低維線性空間進行投影，由此形成識別的特征向量，這就是特征臉方法的基本思想。這種方法需要較多的訓練樣本，而且完全是基于圖像的統計特性。
神經網絡的人臉識別方法
神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練。
彈性匹配的人臉識別方法
彈性匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓練。
線段Hausdorff距離（LHD）的人臉識別方法
LHD是基于從人臉灰度圖像中提取出來的線段圖，它定義的是兩個線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，該方法在不同光照條件下和不同姿態情況下有較好的表現，但是它在大表情的情況下識別效果不好。
支持向量機(SVM)的人臉識別方法
近年來，支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經歷風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題 。實驗結果表明SVM有較好的識別率。
幾何特征的人臉識別方法
幾何特征可以是眼、鼻、嘴等部件的形狀或類型以及它們之間的幾何關系（如相互之間的距離）。這些算法識別速度快，但識別率較低。
人臉識別的方法很多，當前的一個研究方向是多方法的融合，以提高識別率。
人臉識別系統的應用
人臉識別系統主要包括人臉檢測、特征提取和特征比對三部分。根據近年來的研究體會，我們認為標準人臉的形成工作在人臉識別中具有重要的地位。人臉識別通用系統的框圖如圖1所示。
清華大學電子工程系于2005年1月研制成功一套大型人臉識別系統并通過了公安部組織的專家鑒定。
該系統在人臉識別算法上有多項創新并具有自主知識產權，如基于人臉部件主分量分析的多模式人臉識別方法（MMP-PCA）、改進的Hausdorff人臉識別方法、基于人臉輪廓的分類方法、實時人臉圖像的歸一化處理技術等都具有鮮明的創新特點。
該系統在運行大型數據庫（256萬人臉）的實驗環境下，識別率和比對速度處于國內領先水平，綜合性能處于國際先進水平，并在一些公安部門得到了實際應用。
該系統已擁有256萬人臉識別數據庫，6臺服務器組成機群計算機并行進行識別，人臉識別速度已達到256萬/秒。該系統的框圖如圖2所示。
圖3、五種部件
此系統具有單機四路活動人臉并行檢測的能力，8部攝像機按4部一組，其視頻圖像送到并行圖像采集卡，由計算機實現人臉檢測，所實現的人臉檢測速率達到90幅/秒。當人臉在水平±45°之間變化的時候，通過多部攝像機實現并行人臉檢測，達到了等同于水平±15°之間變化的高識別率。此系統具有無線人臉的識別功能，應用手機拍攝人臉圖像，通過無線傳輸，發送到人臉識別系統進行人臉識別，并把識別結果（包括人臉識別數據庫中的人臉圖像和個人身份檔案）發回手機，這項功能有助于公安部門移動辦案; 它還具有文檔資料和人臉圖像混合的識別查詢功能，這項功能有助于提高查找犯罪嫌疑人的準確率; 具有組合人像和模糊人像的識別查詢功能，這項功能將使人臉識別技術的應用具有更大的廣泛性; 具有眼鏡摘除的人臉識別功能，從而解決了眼鏡識別的難題; 具有處理多圖片的能力，實現了不同類別的多特征描述的人臉識別。
這套大型人臉識別系統采用了MMP-PCA人臉識別算法、基于臉形分類的人臉識別方法和改進型的線段Hausdorff距離人臉識別方法。
圖4、線段邊緣示例
MMP-PCA人臉識別算法的特點是構造了特征臉、特征眼眉、特征眼睛、特征鼻子、特征嘴巴并根據各自的重要性程度進行特征融合。該識別算法與傳統的特征臉和單純的部件PCA方法相比，靈活性更好、識別率更高。
首先，通過人臉定位，從整個人臉中自動提取出如圖3所示的臉、眼+眉、眼、鼻、嘴5種部件。我們將5種部件進行組合，并根據人臉部件在識別中的重要性程度，對臉、眼睛+眉毛、眼睛、鼻子、嘴巴的特征進行融合。由此形成了31種不同的人臉識別模式。
圖5、臉型特征點圖示
線段Hausdorff距離是通過比較不同人臉圖像的線段邊緣圖之間的距離來進行識別的。該方法主要包括兩個部分，一部分是線段邊緣圖的提取，一部分是兩個線段集之間距離的定義。線段邊緣圖的提取中首先用canny算法提取邊緣(如4所示)，之后提出了一個線段匹配過程從邊緣圖得到了線段邊緣圖。定義了線段之間的距離，它包括線段的水平距離、垂直距離以及角度距離等，在比較線段集的Hausdorff距離過程中，根據不同的部件進行加權，而且，我們提出了一個線段鄰域的概念，即線段對的選擇局限在目標圖帶匹配線段的一個給定區域，提高線段邊緣圖之間的匹配速度和精度。
我們選用一種改進的ASM方法來獲取人臉形狀特征。選取101個特征點來表示人臉的形狀特征，其中用27個點表示臉型輪廓，用24個點表示眉毛，用22個點表示眼睛，用16個點表示鼻子，用12個點表示嘴巴（如圖5所示）。
應用基于樣本（點集）之間的Hausdorff距離的ISODATA動態聚類算法，依據臉部的各種形狀特征對人臉進行分類。
同一個人的形狀特征應該分布在一定的范圍內，這樣就可以設計出一個應用形狀特征對臉型進行“兩類劃分”。具體做法是: 先將人臉的形狀特征信息存儲起來，利用同一人在樣本空間中分布的相似性等特點，進行人臉識別時可以先從數據庫中將與待識別人臉相似性很低的人臉剔除掉，并通過與其他人臉識別方法的識別結果相融合，以此來提高人臉的識別率。表中給出了該系統的人臉識別率。
針對不同的具體應用，還有監視人臉識別系統和認證人臉識別系統。圖6給出了監視人臉識別系統的框圖。
在圖6中，每一個監控識別工作站支持4路攝像機并行地進行活動人臉的檢測與識別，根據需要，4部攝像機可以安裝在獨立的4個通道，也可以安裝在一個通道．當安裝在同一個通道時，則可以適應更大的姿態變化。該系統最大的特點是行進中的人臉識別，即被識別人以通常的行進速度行走，系統實時地進行人臉識別。這一特點，既能完成人臉識別的功能,又能保持現有通暢的通道。
基于二代證的身份認證系統的結構可以有多種工作模式: 人臉認證模式、指紋認證模式，人臉+指紋認證模式。由于二代證中的人臉圖像采用了高壓縮率的有損壓縮算法，人臉圖像質量較差，導致身份認證的準確率較低。當然，也可以采用不低于1KB存儲容量的IC卡。
模擬像的人臉識別
模擬像的人臉識別有模擬像的查檔識別功能，即模擬像對已知身份數據庫的查詢（如前科數據庫）; 有模擬像倒查檔識別功能，即當前人對未破案的模擬像數據庫的查詢; 也有按模擬像串案查詢的識別功能，即模擬像對未破案的模擬像庫的查詢。
在公安業務的工作流程中,對于面部保留較好的無名尸源，可以采用臨摹的方法進行人像組合。對于不具備人像組合條件的無名尸源，則通過顱像復原的方法形成無名尸源的模擬像。對于視頻監控的人臉圖像，可以先進行模糊圖像復原，以此得到人臉部件（如眼、眉、嘴）的圖像，參照模糊圖像復原的圖像和原始的監控圖像，采用人像組合的方法獲得視頻監控的人臉圖像的模擬像。
生物特征識別技術范文5
關鍵詞：生物識別；特征提?。患咕€跟蹤
中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2017）03-0168-02
Biometric Identification Technology Used in Intelligent Terminal
DUAN Pei-pei，YUAN Xin， HOU Na
（School of Computer Science，Xi'an Shiyou University，Xi'an710065，China）
Abstract： With the development of information and network technologies， intelligent terminals are widely used. The personal identity on the network is blurry so that some reliable biometric recognition technology are used to guarantee the safety and property of people. In the paper， an identification algorithm based on fingerprint identification is proposed.
Experiments have shown that the method extracts fingerprint features well and can improve the effect of the personal identification.
Key words： biometric identification； feature extraction； ridge line tracing
1 概述
近年來，信息、網絡技術發展迅猛，依托這些技術，社交媒體、電子商務等各類應用也愈發豐富。數碼產品，尤其是智能終端的種類和應用場合也越來越多。事實上，在網絡全球化的當下，典型智能終端設備――手機幾乎可以視作是臺“移動電腦”。然而，在這些應用場合中，個人的身份在網絡中其實是既模糊又數字化的，故而為了保證信息安全、財產安全，必須提高用戶身份識別的準確率。
常規的終端設備多使用基于身份識別與密碼相結合的方式來對用戶訪問進行控制，可這些方法也存在一些諸如：安全性差、密碼易失及易被盜用等潛在問題。故而，隨著技術及新的應用模式的發展，智能終端設備對于人機交互間安全性和便捷性的需求也就更為突出了。
就目前而言，生物識別技術可以說是使用較為廣泛，且安全性、準確性均較高的識別技術。此類識別技術通過將計算機、光學、生物傳感器和生物統計學原理等高科技手段密切結合，利用人體固有的生理特性以及生理特征來實現身份鑒定[1]。指紋識別即為其中典型應用之一。本次設計將討論指紋生物特征用于智能終端身份識別的實現過程，包括：個體特征獲取、生物特征圖像預處理、特征提取、身份鑒定等步驟[2]。
2 基于生物特征的身份識別算法
本次設計將基于指紋特征完成身份識別，整個設計大致分為幾個步驟：個體特征獲取、生物特征圖像預處理、特征提取、身份鑒定。不過，在實現時，處理過程如下：
圖1 生物特征識別過程
2.1 生物特征圖像預處理
實際上，對特征獲取所得的生物特征圖進行預處理是整個身份鑒定過程的基礎。由于環境、身體，甚至采集設備均可能影響生物特征的采集效果，所以預處理其實就是要削弱這類不良干擾的影響，并將其轉變成二值點線細化圖。然而，由于圖像本身質量問題和預處理過程中可能帶來的某些噪聲，為了在提取細節特征時剝離偽特征，可通過以下幾個步驟來獲得正確的指紋特征：
圖2 指紋特征預處理過程
上圖中不同模塊的功能為：由于實際采集的圖像很可能存在灰度不均勻的現象，為了使后續處理有較為統一的圖像規格，需對圖像做規一化處理。隨后，通過圖像增強來改善指紋圖像質量，以使其細節更清晰，突出和保留生物體固有特征的過程。進而，再通過求取方向圖及濾波完成指紋圖像的變換表示。二值化進一步對圖像紋線進行處理，使其更能突顯生物體的重要特征。最后，經過細化處理，使得原本不清晰的圖像轉換為特征鮮明的圖像。
2.2 生物特征提取
文中采用的生物特征其實就是指紋特征。故而此處，特征提取其實就是要提取指紋的細節特征，也就是把紋線走向、端點和分叉點等能夠充分表示生物體唯一性的特征盡量多地提取出來?？紤]到該技術在智能終端應用中的準確性，特征提取算法必須能夠盡可能多地提取能代表生物個體原始信息的有效特征。具體來說，此處要提取的特征應滿足：
1）提取的特征應能保持生物特征的獨特性。
2）所提取的特征應具有緊湊性，盡可能不含冗余信息。
3）能適應不同的匹配算法。
本文用脊線跟蹤的方法完成對生物細節特征的選取，以保證特征點選擇的有效性。算法通過對指紋圖像進行像素點搜索，首先確定其基本特征點；然后，根據指紋方向圖和脊線間的平均距離完成脊線跟蹤，進一步對前面搜索到的細節特征進行選取，以得到有效特征點，并通過對其相對位置進行分析，將之用作指紋的細節特征信息[3]。實際上，除了對待提取特征的考慮外，因槭竊謚悄苤斬酥杏τ茫所以提取生物特征的算法應盡可能簡捷、高效，且抗噪能力要強。本文采用的分析方法提取的指紋細節特征能更好地抵抗指紋圖像處理過程中的干擾，也為隨后的特征匹配做好了準備。
圖3 特征提取點（“~”所示為分叉點，“×”所示為端點）
2.3 生物特征匹配
獲得生物特征之后就可以進行匹配分析，進而實現生物特征識別了。在本文涉及的應用中，生物特征匹配其實也就是完成指紋特征的匹配。為了解決匹配問題，其實需要分別提取出兩幅指紋圖像各自的細節特征，然后將兩組細節進行比對，以判定它們是否來自同一個體。
一般而言，指紋匹配常使用基于紋理信息以及基于點模式的匹配方法，本文使用后者，也就是根據指紋脊線的端點以及分叉點來完成識別。在匹配過程中，將會把提取到的特征點和模板圖像中的特征點進行比較，并根據兩幅圖像之間相差絕對值的大小判定匹配圖像。在實際應用中，隨著匹配條件的改變，識別效果也必然隨之改變。通常情況下，該條件越嚴格，識別出錯的概率自然就越低。
3 小結
生物識別技術以其自身的特點和優勢，在很多場合中應用，作為其中典型應用的指紋識別技術尤其得到了更多的關注。在利用指紋生物特征進行身份識別的各類應用場合中，對身份識別性能的要求自然也各異。在安全需求較高的應用場合，識別率要盡量高；而在一些日常識別應用中，此類要求會有所下降。所以，在不同的智能終端應用系統中，識別參數的選取也各不相同。即便如此，本文研究的方法在應用時，仍可滿足應用需求。
參考文獻：
[1] 韓玉峰，王小林，張傳文.生物特征識別技術研究及應用[J].微計算機信息，2012（3）.
生物特征識別技術范文6
摘 要：人臉識別技術是當今模式識別和人工智能領域的一個重要研究方向，對于維護國家安全和社會穩定、打擊各類犯罪活動具有十分重大的意義。本文介紹了人臉識別技術的概念、發展歷史及常用人臉識別方法。并探討了人臉識別面臨的難題，最后對人臉識別未來的發展和應用做一個簡要的展望。
關鍵詞：人臉識別；數字圖像處理；特征臉
引言：人臉是人類視覺交互中最重要的模式，人臉識別技術(FRT)是模式識別和人工智能領域的一個前沿課題。在新興的信息安全應用領域，人臉識別技術提供了一種更為安全可靠易用的身份鑒別手段，從而提升整個網絡信息系統的安全性能。
1 人臉識別技術概述
人臉識別技術就是通過計算機提取人臉的特征，并根據這些特征進行身份驗證的一種技術。人臉與人體的其他生物特征一樣與生俱來，它們所具有的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提。同其他生物特征識別技術相比，人臉識別技術具有操作簡單、結果直觀、隱蔽性好的優越性.科技情報開發與經濟，2008，18（21）：155-157.
