生物特征識(shí)別技術(shù)綜述

鄭 方 艾斯卡爾·肉孜 王仁宇 李藍(lán)天

1(清華信息科學(xué)技術(shù)國(guó)家實(shí)驗(yàn)室技術(shù)創(chuàng)新和開發(fā)部語(yǔ)音和語(yǔ)言技術(shù)中心 北京 100084)2(清華大學(xué)信息技術(shù)研究院語(yǔ)音和語(yǔ)言技術(shù)中心 北京 100084)3(清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系 北京 100084)4(江蘇師范大學(xué)語(yǔ)言科學(xué)院 江蘇徐州 221116)(fzheng@tsinghua.edu.cn)

?

生物特征識(shí)別技術(shù)綜述

鄭 方1,2,3艾斯卡爾·肉孜1,2,3王仁宇4李藍(lán)天1,2,3

1(清華信息科學(xué)技術(shù)國(guó)家實(shí)驗(yàn)室技術(shù)創(chuàng)新和開發(fā)部語(yǔ)音和語(yǔ)言技術(shù)中心 北京 100084)2(清華大學(xué)信息技術(shù)研究院語(yǔ)音和語(yǔ)言技術(shù)中心 北京 100084)3(清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系 北京 100084)4(江蘇師范大學(xué)語(yǔ)言科學(xué)院 江蘇徐州 221116)(fzheng@tsinghua.edu.cn)

基于生物特征識(shí)別技術(shù)的身份認(rèn)證是社會(huì)高度信息化和經(jīng)濟(jì)全球化的需求，是政府和商業(yè)領(lǐng)域必不可少的重要技術(shù).為此，介紹了生物特征識(shí)別技術(shù)的基本原理、性能指標(biāo)、關(guān)鍵技術(shù)、研究現(xiàn)狀和技術(shù)應(yīng)用等.全面調(diào)研了指紋、掌紋、虹膜、人臉、指靜脈、聲紋等不同的生物特征識(shí)別技術(shù)的研究現(xiàn)狀，比較了各種生物特征識(shí)別技術(shù)在錯(cuò)誤率、穩(wěn)定性、實(shí)用性、處理速度和仿冒程度等方面的差異.此外，針對(duì)辨認(rèn)和確認(rèn)2種場(chǎng)景分別介紹了它們?cè)诟鞣矫娴膽?yīng)用情況，分析討論了生物特征融合技術(shù)、生物特征安全性問題，介紹了該領(lǐng)域現(xiàn)有的行業(yè)和國(guó)家標(biāo)準(zhǔn).最后對(duì)生物特征識(shí)別技術(shù)的發(fā)展前景給予展望.

生物特征識(shí)別；身份認(rèn)證；指紋；聲紋；人臉；掌紋；虹膜；指靜脈

身份認(rèn)證自古有之，其很大程度上關(guān)系到社會(huì)的安全問題.傳統(tǒng)的身份認(rèn)證大致可以分為2類：一是通過(guò)實(shí)物鑒別身份，例如身份證、護(hù)照、鑰匙、智能卡等；二是通過(guò)約定相關(guān)口令鑒別身份，如口令、密碼、暗號(hào)等.這些方式存在容易丟失、遺忘、被復(fù)制和破解等安全可靠性差的問題.在實(shí)踐中人們發(fā)現(xiàn)，每個(gè)人所特有的生物特征具有唯一且在一定時(shí)間內(nèi)較為穩(wěn)定不變的特性，并且其不會(huì)丟失也不會(huì)輕易被偽造和假冒，所以生物特征識(shí)別技術(shù)在身份認(rèn)證中這種獨(dú)特的優(yōu)勢(shì)使其被認(rèn)為是一種終極的身份認(rèn)證技術(shù).雖然生物特征識(shí)別技術(shù)不是一項(xiàng)新技術(shù)，但是隨著該領(lǐng)域技術(shù)的進(jìn)步，近年來(lái)發(fā)展極為迅猛，已經(jīng)成為發(fā)達(dá)國(guó)家高度重視并大力發(fā)展的關(guān)鍵技術(shù)和產(chǎn)業(yè).

生物特征是指人體所固有的生理特征或行為特征.生理特征有指紋、人臉、虹膜、指靜脈等；行為特征有聲紋、步態(tài)、簽名、按鍵力度等.生理特征直接從人體采集，在固定形成之后通常不易變化，穩(wěn)定性較高.行為特征通常采集自人的行為過(guò)程，在實(shí)際應(yīng)用中具有交互能力.此外，人的行為特征還會(huì)受到其生理特征的影響，如聲紋特征依賴于聲道的生理構(gòu)造、簽名特征依賴于手的形狀和大小等.總之，在具體應(yīng)用中生理特征和行為特征各有其優(yōu)缺點(diǎn)，需要結(jié)合具體應(yīng)用場(chǎng)景選擇.生物特征識(shí)別技術(shù)就是以生物特征為依據(jù)，實(shí)現(xiàn)身份認(rèn)證的技術(shù).

生物特征識(shí)別技術(shù)在國(guó)家安全、公安、司法、金融等領(lǐng)域都有著廣泛的應(yīng)用.在出入境管理中，使用生物特征識(shí)別技術(shù)的電子護(hù)照既實(shí)現(xiàn)了快速通關(guān)又使安全性大大加強(qiáng).在公安刑偵中，在犯罪現(xiàn)場(chǎng)采集到的犯罪嫌疑人所遺留的指紋、毛發(fā)等生物特征可以輔助公安人員確定犯罪嫌疑人身份，并成為指控其罪行的間接證據(jù).在金融領(lǐng)域，基于聲紋和人臉識(shí)別等技術(shù)的遠(yuǎn)程支付已經(jīng)在電子商務(wù)中逐步使用.此外，使用指紋和人臉的考勤系統(tǒng)也已經(jīng)商用化.

本文給出常用生物特征識(shí)別技術(shù)的原理、特點(diǎn)、研究現(xiàn)狀和應(yīng)用，全面介紹并比較各類生物特征識(shí)別技術(shù)的優(yōu)缺點(diǎn).其次介紹當(dāng)前生物特征識(shí)別技術(shù)的應(yīng)用前景，分析并探討該技術(shù)存在的一些問題和未來(lái)的研究發(fā)展方向.

1 生物特征識(shí)別基本原理

從本質(zhì)上來(lái)說(shuō)，生物特征識(shí)別技術(shù)是一個(gè)使用某人所具有的，可以表現(xiàn)其自身的生理或行為特征對(duì)其進(jìn)行識(shí)別的模式識(shí)別技術(shù)[1].該技術(shù)通常分為注冊(cè)和識(shí)別2個(gè)階段.注冊(cè)過(guò)程首先通過(guò)傳感器采集人體生物特征的表征信息，然后進(jìn)行預(yù)處理去除噪聲影響，利用特征提取技術(shù)抽取特征數(shù)據(jù)訓(xùn)練得到模板或模型，并存儲(chǔ)起來(lái).識(shí)別是身份鑒別的過(guò)程，前端特征提取都與注冊(cè)過(guò)程相似，特征抽取完畢后利用特征信息與存儲(chǔ)的模板模型進(jìn)行比對(duì)匹配，最終確定待識(shí)別者的身份.

生物特征識(shí)別技術(shù)可以分為辨認(rèn)和確認(rèn)2種.簡(jiǎn)單來(lái)說(shuō)，辨認(rèn)是解決把待識(shí)別的人判定為其所屬于若干個(gè)參考者中的哪一個(gè)，是一個(gè)“多選一”的選擇問題.而確認(rèn)是解決待識(shí)別者是否是所聲稱的參考者，識(shí)別結(jié)果只有2種：是或否，是一個(gè)“一對(duì)一”的判決問題[2]，兩者流程如圖1所示.

圖1 生物特征識(shí)別基本流程框圖

通常，生物特征識(shí)別系統(tǒng)可以分為4個(gè)模塊進(jìn)行設(shè)計(jì)，傳感器模塊、特征提取模塊、模板模型數(shù)據(jù)集模塊、模板模型匹配模塊[3].傳感器模塊是生物特征信號(hào)的采集器，抽取個(gè)人的生物特征信號(hào)是模數(shù)轉(zhuǎn)換(ADC)過(guò)程，例如指紋傳感器就屬于傳感器模塊，用來(lái)獲取用戶的指紋圖像.特征提取模塊通常用來(lái)對(duì)采集的原始特征信號(hào)進(jìn)行加工，獲取具有個(gè)體辨識(shí)度的生物特征.模板模型數(shù)據(jù)集模塊用來(lái)存儲(chǔ)生物特征識(shí)別系統(tǒng)的模板或模型，包括依據(jù)生物特征創(chuàng)建生物特征模板或模型以及它們的存儲(chǔ).模板模型匹配模塊依據(jù)提取的生物特征，對(duì)已存儲(chǔ)的模板模型進(jìn)行比較，根據(jù)匹配得分評(píng)判結(jié)果.

衡量生物特征識(shí)別技術(shù)性能的2個(gè)重要指標(biāo)是錯(cuò)誤拒絕率(false rejection rate,FRR)和錯(cuò)誤接受率(false accept rate,FAR).FRR是指將來(lái)自真實(shí)人的測(cè)試樣本誤認(rèn)作冒充者拒絕的比率，而FAR是指將來(lái)自冒充者的測(cè)試樣本誤認(rèn)作真實(shí)人的比率.二者定義如下：

在生物特征識(shí)別系統(tǒng)中這2種錯(cuò)誤率很難都為0；在實(shí)際運(yùn)用情況下這2種指標(biāo)是相關(guān)的，當(dāng)FRR降低時(shí)FAR就會(huì)升高，安全性就會(huì)降低；當(dāng)FAR降低時(shí)FRR就會(huì)升高，用戶使用體驗(yàn)就會(huì)降低.2種錯(cuò)誤率是個(gè)蹺蹺板，實(shí)際應(yīng)用時(shí)常常在這2種情況下取一個(gè)折中.用DET(detection error trade-offs curve)曲線能夠較好地反映這2類錯(cuò)誤率之間的關(guān)系：對(duì)一個(gè)特定的生物特征識(shí)別系統(tǒng)，以FAR為橫坐標(biāo)軸，以FRR為縱坐標(biāo)軸，通過(guò)調(diào)整其參數(shù)得到的FAR與FRR之間關(guān)系的曲線圖，就是DET曲線(參見圖2).顯然DET曲線離原點(diǎn)越近系統(tǒng)性能越好.在當(dāng)前的技術(shù)不能使得2類錯(cuò)誤率同時(shí)降為最低的情況下，我們根據(jù)具體應(yīng)用的需要調(diào)節(jié)閾值，使得2類錯(cuò)誤率可以滿足實(shí)際應(yīng)用需求.通常，研究者常用等錯(cuò)誤率(equal error rate,EER)來(lái)描述總體性能，等錯(cuò)誤率就是在DET曲線上2類錯(cuò)誤率相等時(shí)所對(duì)應(yīng)的錯(cuò)誤率取值，是衡量系統(tǒng)性能的重要參數(shù).DET曲線與EER的取值如圖2所示：

圖2 DET曲線與EER取值

2 研究現(xiàn)狀

本節(jié)介紹常見的幾種生物特征識(shí)別技術(shù)的研究現(xiàn)狀.

2.1 指 紋

指紋作為一種生物特征用于認(rèn)證已經(jīng)由來(lái)已久.早在公元前7000年到公元前6000年，指紋就作為身份鑒定的工具在古代中國(guó)和古敘利亞使用.1880年，亨利方德首先對(duì)指紋作為人體生物特征的唯一性作出了科學(xué)性的闡述，奠定了現(xiàn)代指紋識(shí)別技術(shù)的基石[4].

最初的指紋識(shí)別是采用人工的方式.手工獲取指紋的按印并整理存放到指紋庫(kù)中，需要認(rèn)證時(shí)再人工從指紋庫(kù)中查找比對(duì).20世紀(jì)60年代之后，人們開始運(yùn)用掃描設(shè)備將指紋轉(zhuǎn)化成數(shù)字圖像存儲(chǔ)，并逐步使用數(shù)字圖像處理、模式識(shí)別、人工智能等技術(shù)開發(fā)自動(dòng)指紋識(shí)別系統(tǒng)(automated fingerprint identification system, AFIS)[5].1974年，Osterburg[4]通過(guò)論證，證明了2枚指紋出現(xiàn)12處相同的特征卻不屬于同一個(gè)人的概率只有大約十萬(wàn)億分之一，這對(duì)之后使用計(jì)算機(jī)代替人工進(jìn)行指紋自動(dòng)識(shí)別和匹配的一系列研究提供了理論依據(jù).

指紋識(shí)別技術(shù)是對(duì)人工指紋識(shí)別整個(gè)過(guò)程的模擬，因此AFIS也是一類模式識(shí)別系統(tǒng)，它由3部分組成，數(shù)據(jù)采集、數(shù)據(jù)處理、分類決策，其分別對(duì)應(yīng)指紋采集、指紋預(yù)處理及特征提取、指紋匹配3個(gè)步驟.

指紋的采集通常使用各種物理傳感器采集，其中光學(xué)傳感器利用光的全反射原理來(lái)采集指紋圖像，其采集圖像成像好、造價(jià)低，是目前普遍使用的指紋采集傳感器.由于指紋采集設(shè)備的局限性，指紋圖像會(huì)產(chǎn)生畸變.另外柔性的手指表面由于按壓用力不均也會(huì)產(chǎn)生指紋扭曲，通常需要使用數(shù)學(xué)模型進(jìn)行矯正.

指紋特征的提取是指紋識(shí)別的重要部分.指紋特征主要包括指紋的全局特征和局部特征.全局特征包括核心點(diǎn)和三角點(diǎn)，根據(jù)這些點(diǎn)的數(shù)量和位置關(guān)系可以對(duì)指紋進(jìn)行初步分類.檢測(cè)核心點(diǎn)和三角點(diǎn)最著名的方法是基于Poineare指數(shù)的方法.指紋的局部特征包括指紋脊線的端點(diǎn)和分叉點(diǎn).端點(diǎn)位于指紋脊線的尾端，分叉點(diǎn)通常位于3條脊線的交叉部位.指紋特征提取就是提取這些特征的位置、類型、方向等信息并存儲(chǔ)成特征文件的過(guò)程.

指紋匹配是基于指紋模式分類特征集的模式識(shí)別過(guò)程.早期的工作大多使用指紋的結(jié)構(gòu)特征進(jìn)行識(shí)別.Moayer等人[6]將指紋特征點(diǎn)集的拓?fù)浣Y(jié)構(gòu)表示成一維字符串或二維樹，然后使用句法匹配進(jìn)行粗分類；Herhcka等人[7]使用圖法表示指紋特征點(diǎn)的結(jié)構(gòu)，并使用圖相似性進(jìn)行指紋匹配.目前最常用的指紋匹配算法是基于指紋細(xì)節(jié)點(diǎn)特征的點(diǎn)模式匹配，該類方法將指紋之間的匹配轉(zhuǎn)化成特征點(diǎn)集之間的相似性度量.其中基于預(yù)配準(zhǔn)的全局細(xì)節(jié)匹配算法最為常用[8-10].

在指紋識(shí)別領(lǐng)域，公認(rèn)的細(xì)節(jié)點(diǎn)是最具分辨力和魯棒性的指紋特征.指紋的特征很大程度依賴于獲取的指紋的質(zhì)量，所以指紋質(zhì)量評(píng)估是指紋識(shí)別領(lǐng)域需要重點(diǎn)解決的問題.另一方面，指紋存儲(chǔ)數(shù)據(jù)量較大，進(jìn)行指紋辨認(rèn)時(shí)需要對(duì)所有指紋進(jìn)行匹配打分，因此指紋數(shù)據(jù)的壓縮也是現(xiàn)行研究中所要解決的難題.

2.2 掌 紋

掌紋識(shí)別方法大致可以分為4類，基于紋理和掌線的方法、基于子空間的方法、基于統(tǒng)計(jì)的方法和基于編碼的方法[11].

1) 基于紋理和掌線的方法是把掌紋的紋理結(jié)構(gòu)和掌線圖像作為掌紋的基本特征，以此來(lái)對(duì)掌紋進(jìn)行分類和識(shí)別.Zhang等人和Shu等人[12-13]使用掌紋線的特征實(shí)現(xiàn)識(shí)別，該方法對(duì)圖像噪聲的要求不高，但因其計(jì)算量大，識(shí)別運(yùn)算時(shí)間較慢.Wu等人[14-15]提出使用4個(gè)不同的檢測(cè)算子對(duì)圖像4個(gè)方向上的特征進(jìn)行采集，由于該方法只檢測(cè)4個(gè)方向信息，只能對(duì)掌紋粗略分類，適用于小型的數(shù)據(jù)集.Liu等人[16]提出基于寬線檢測(cè)算子的方法進(jìn)行特征提取，該方法不僅提取紋線位置信息，同時(shí)包含紋線寬度信息，識(shí)別性能顯著提升.Duta等人[17]在提取紋線的基礎(chǔ)上，通過(guò)形態(tài)學(xué)的方法提取代表紋線的特征點(diǎn)，根據(jù)特征點(diǎn)作匹配識(shí)別.Wu等人[18]綜合利用掌紋的統(tǒng)計(jì)量信息作為特征，對(duì)質(zhì)量差的圖像具有更高的魯棒性.

2) 基于子空間的方法通常使用主成分分析法(principle component analysis, PCA)、線性判別分析法(linear discriminant analysis, LDA)等，對(duì)特征信息進(jìn)行降維，變換后的特征向量往往具有更好的區(qū)分性特征，使用低維空間的特征對(duì)掌紋進(jìn)行表示和匹配.Lu等人[19]首先提出基于PCA降維的EigenPalm方法.由于PCA主要考慮掌紋特征的表示，沒有充分使用類別信息，Wu等人[20-21]又提出在PCA基礎(chǔ)上使用LDA降維的FisherPalm方法.但是，基于子空間的方法較少用到掌紋信息的先驗(yàn)知識(shí)，得到的結(jié)果并不理想.

3) 基于統(tǒng)計(jì)的方法可以分為局部統(tǒng)計(jì)方法和全局統(tǒng)計(jì)方法，局部統(tǒng)計(jì)方法通常先把掌紋圖像分塊，分別計(jì)算每個(gè)局部圖像的統(tǒng)計(jì)學(xué)信息，然后組合成為整個(gè)掌紋的統(tǒng)計(jì)信息.全局的統(tǒng)計(jì)方法則直接計(jì)算掌紋圖像的全局統(tǒng)計(jì)量作為掌紋的特征參數(shù)進(jìn)行特征匹配.Li等人[22]率先使用傅里葉變換提取掌紋圖像的頻域信息作為特征.Zhang等人[23-24]利用小波變換計(jì)算統(tǒng)計(jì)學(xué)特征，根據(jù)特征對(duì)掌紋分類.總的來(lái)說(shuō)，基于統(tǒng)計(jì)量的方法對(duì)噪聲不敏感，特征占用空間較小，匹配速度快，在掌紋識(shí)別中具有較高的性能.

4) 基于編碼的方法首先用特定濾波器對(duì)掌紋圖像進(jìn)行濾波，并將濾波后的信息以二進(jìn)制的方法進(jìn)行編碼表示.該方法首先由Daugman[25]在虹膜識(shí)別研究中提出，文獻(xiàn)[26-27]直接將該方法用于掌紋識(shí)別，并取名為PalmCode.Kong等人[28]提出使用6個(gè)方向的Gabor濾波器對(duì)掌紋圖像濾波后再賦值最小的方向編碼，稱為競(jìng)爭(zhēng)編碼.Sun等人[29]提出一種不同的序數(shù)編碼方式.Jia等人[30]提出一種更具魯棒性的依據(jù)掌紋線方向的編碼方法(robust line orientation code, RLOC)，利用Randon變換提取掌紋線的特征.文獻(xiàn)[31]提出一種稱為二指方向共生向量的掌紋識(shí)別方法，使用多個(gè)方向的Gabor濾波器對(duì)原圖像濾波，每個(gè)方向的濾波結(jié)果都包含豐富的特征信息，實(shí)驗(yàn)結(jié)果優(yōu)于競(jìng)爭(zhēng)編碼和RLOC.相比前幾種方法，基于編碼的方法具有更高的識(shí)別性能，因此在掌紋識(shí)別領(lǐng)域最具競(jìng)爭(zhēng)力.

2.3 人 臉

人臉識(shí)別技術(shù)是一種基于人臉的面部特征進(jìn)行身份識(shí)別的技術(shù).在識(shí)別時(shí)一般通過(guò)2個(gè)階段；第1階段首先通過(guò)檢測(cè)技術(shù)檢測(cè)圖像或者視頻中是否存在人臉，如果存在人臉則收集人臉大小和各個(gè)面部器官位置信息，這部分信息可以提供代表身份的特征；第2階段將收集到的特征與現(xiàn)存的人臉數(shù)據(jù)庫(kù)進(jìn)行對(duì)比識(shí)別出人臉身份.

人臉識(shí)別技術(shù)根據(jù)人臉數(shù)據(jù)的獲取方式分為在線人臉識(shí)別和離線人臉識(shí)別.人臉識(shí)別技術(shù)研究最早開始于1960年，當(dāng)時(shí)的系統(tǒng)是以半自動(dòng)方式進(jìn)行人臉識(shí)別.該系統(tǒng)只是檢查人臉不同位置特征的連貫性，如眼睛之間的距離和前額發(fā)際線等，但是對(duì)不同方向的人臉該系統(tǒng)無(wú)法正確識(shí)別.70年代全自動(dòng)人臉識(shí)別系統(tǒng)面世，該系統(tǒng)提取了16個(gè)人臉參數(shù)進(jìn)行人臉識(shí)別.80年代早期，Nixon[32]在以往研究基礎(chǔ)上提出了將眼部間距(eye-spacing)作為主要特征的人臉識(shí)別方法.后來(lái)人們利用人工神經(jīng)網(wǎng)絡(luò)提出諸多方法.1986年，Sirovich等人[33]提出了基于本征臉的識(shí)別技術(shù)，這種識(shí)別技術(shù)采用PCA在低維空間上重新組織并表征人臉數(shù)據(jù).該技術(shù)對(duì)各種新的人臉識(shí)別方法打下了基礎(chǔ)，該方法至今對(duì)人臉識(shí)別技術(shù)有顯著影響.

人臉識(shí)別技術(shù)方法主要有主成分分析(PCA)[34]、線性判別分析(LDA)[35]、神經(jīng)網(wǎng)絡(luò)(neural networks, NN)[36],自適應(yīng)增強(qiáng)算法(adaboost)[37]、支持向量機(jī)(support vector machine, SVM)[38]、本征臉(Eigenface)方法[39]、FisherFace方法[40]和LBP(local binary pattern)方法[41]等.

本征臉方法的主要思想是尋找主成分或者本征向量，數(shù)據(jù)庫(kù)中的每一張圖片對(duì)本征向量都有貢獻(xiàn)，這些本征向量用于表示本征臉,每一張人臉能夠通過(guò)本征臉的線性組合表示，一張人臉可用最大特征值的本征臉辨認(rèn).相對(duì)于本征臉方法，F(xiàn)isherFace方法的優(yōu)點(diǎn)是使用類相關(guān)映射矩陣來(lái)克服光照現(xiàn)象導(dǎo)致的問題，它使用區(qū)分性分析尋找區(qū)分性特征來(lái)區(qū)分人臉.Ahonen等人提出基于LBP的人臉識(shí)別方法，該方法區(qū)分性能力高、簡(jiǎn)單性、高效，并且對(duì)光照效果具有魯棒性.

2.4 虹 膜

人的虹膜是在眼角膜和晶狀體之間的一層環(huán)狀區(qū)域，它擁有復(fù)雜的結(jié)構(gòu)和細(xì)微的特征，從外觀上看呈現(xiàn)不規(guī)則的褶皺、斑點(diǎn)、條紋.虹膜具有唯一性和穩(wěn)定性的特征，其在人一歲之后幾乎不再變化.所以，虹膜識(shí)別成為一種較好的生物特征識(shí)別技術(shù).

虹膜識(shí)別的理論框架是由Daugman[25]于1993年提出的，其主要包括虹膜圖像的定位、虹膜圖像的歸一化處理、特征提取和識(shí)別部分，后來(lái)的研究[42-43]大多是基于此理論框架發(fā)展而來(lái).

虹膜定位是指在對(duì)采集完成的人眼圖像中準(zhǔn)確定位并提取虹膜的區(qū)域，保證編碼和識(shí)別結(jié)果的正確性.較早的定位方法是Daugman[25]提出的基于圓周灰度梯度累加和最大值檢測(cè)的方法.這種方法在早期的虹膜定位上最為精確，但其算法復(fù)雜度較高，后續(xù)的許多研究都是在此基礎(chǔ)上提高運(yùn)算效率而改進(jìn)的.另一類方法是基于圓哈夫變換(circular hough transform)的參數(shù)投票方法，該方法由Wildes[44]最早提出.

由于虹膜圖像的采集受到采集器拍攝遠(yuǎn)近和視角偏移等原因，會(huì)使虹膜識(shí)別的性能降低.通常研究者使用虹膜歸一化的方法，把采集的虹膜圖像轉(zhuǎn)換成方便編碼的矩形區(qū)域.經(jīng)過(guò)歸一化處理后，虹膜的圖像消除或降低了這些因素對(duì)識(shí)別的影響.Daugman[25]提出從直角坐標(biāo)系到極坐標(biāo)系的映射方法，該方法在該領(lǐng)域被廣泛運(yùn)用.Wildes[44]使用公式轉(zhuǎn)換的方法，讓轉(zhuǎn)換得到的圖像與標(biāo)準(zhǔn)圖像之間的差異最小來(lái)進(jìn)行參數(shù)歸一化.最近一些研究采用非線性變換的方法來(lái)描述瞳孔的縮放，提出一系列非線性歸一化方法[45-46]，這些方法通常把線性和非線性歸一化進(jìn)行融合，得到了較好的效果.

虹膜圖像的特征提取是虹膜識(shí)別中的重要部分，它在很大程度上決定虹膜識(shí)別的準(zhǔn)確性.Daugman[25]的特征提取方法是對(duì)歸一化后的虹膜圖像進(jìn)行分區(qū)域的特征提取和編碼，根據(jù)圖像特征設(shè)計(jì)濾波器，濾波結(jié)果用二進(jìn)制碼的形式描述特征與模板的相似度，該方法存儲(chǔ)空間較小，可以進(jìn)行大規(guī)模的模型匹配.一些研究者直接將圖像與濾波器卷積后形成的特征矢量用于虹膜的識(shí)別，這方面的研究有文獻(xiàn)[47-49].此外，一些研究融合多種特征，期望以此提高識(shí)別的準(zhǔn)確率.Sun等人[50-51]提出級(jí)聯(lián)分類器的概念，分別提取二進(jìn)制編碼和全局特征，該方法在一定程度上優(yōu)于單一特征的方法.近年來(lái)，由于稀疏表示在信號(hào)處理中的研究進(jìn)展，基于稀疏表示的虹膜識(shí)別也被逐步提出[52].

在虹膜的匹配方面，分類器的設(shè)計(jì)一般根據(jù)特征提取的方式進(jìn)行.提取特征是二進(jìn)制編碼時(shí)，往往使用基于漢明距離(Hamming distance)的方法來(lái)區(qū)別分類.在特征矢量的情況下一般先使用PCA給數(shù)據(jù)降維，再對(duì)降維后的特征采用線性判別分析方法或者使用核函數(shù)對(duì)特征進(jìn)行分類.

2.5 指靜脈

人們?cè)谶M(jìn)行醫(yī)療研究時(shí)偶然發(fā)現(xiàn)人體靜脈血管中的失氧血紅蛋白對(duì)特定范圍內(nèi)的近紅外線有很好的吸收作用，并且指靜脈的分布特征具有很好的唯一性[53].由于血液中的失氧血紅蛋白能夠吸收近紅外光線，所以手指靜脈能在近紅外光下成像[53]，而且指靜脈屬于人體內(nèi)部特征，不會(huì)受到外界影響，具有穩(wěn)定性，所以可以對(duì)成像圖像進(jìn)行采集，通過(guò)預(yù)處理后進(jìn)行特征提取，然后進(jìn)行身份識(shí)別.

在指靜脈識(shí)別技術(shù)產(chǎn)品開發(fā)中，日立公司最先開始研究并成功將研究成果推廣到市場(chǎng)，該公司指靜脈識(shí)別產(chǎn)品有ATM指靜脈識(shí)別終端、指靜脈識(shí)別電腦終端和指靜脈識(shí)別門禁等.富士通公司同樣進(jìn)行指靜脈識(shí)別產(chǎn)品的研發(fā).在指靜脈學(xué)術(shù)研究中，Miura等人[54]提出了線性追蹤方法，另外Miura等人[55]提出了曲率方法.

國(guó)內(nèi)指靜脈研究如今處于實(shí)驗(yàn)室研究階段，代表性研究機(jī)構(gòu)有清華大學(xué)、中國(guó)科學(xué)院自動(dòng)化研究所、中國(guó)民航大學(xué)、吉林大學(xué)、哈爾濱工業(yè)大學(xué)和同濟(jì)大學(xué)等，其中中國(guó)民航大學(xué)和中國(guó)科學(xué)院自動(dòng)化研究所聯(lián)手建立聯(lián)合實(shí)驗(yàn)室著手研究指靜脈識(shí)別技術(shù).

2.6 聲 紋

聲紋識(shí)別是指根據(jù)待識(shí)別語(yǔ)音的聲紋特征識(shí)別該段語(yǔ)音所對(duì)應(yīng)的說(shuō)話人的過(guò)程.該研究最早始于20世紀(jì)30年代，當(dāng)時(shí)研究者們主要通過(guò)觀察人類對(duì)語(yǔ)音的實(shí)際反應(yīng)，研究人耳聽覺機(jī)理對(duì)說(shuō)話人的辨識(shí).進(jìn)入20世紀(jì)下半葉，隨著生物信息和計(jì)算機(jī)信息技術(shù)的發(fā)展，通過(guò)計(jì)算機(jī)進(jìn)行自動(dòng)的聲紋識(shí)別成為可能.1945年，Bell實(shí)驗(yàn)室的Kesta等人借助肉眼觀察，成功實(shí)現(xiàn)了語(yǔ)譜圖匹配，首次提出了“聲紋”的概念；并于1962年首次提出采用此方法進(jìn)行聲紋識(shí)別的可行性.Bell實(shí)驗(yàn)室的Pruzanshy提出了基于模板匹配和統(tǒng)計(jì)方差分析的說(shuō)話人識(shí)別方法，該方法引起了聲紋識(shí)別研究的高潮.

現(xiàn)代聲紋識(shí)別技術(shù)通?？梢苑譃榍岸颂幚砗徒y(cè)試階段.前端處理包括語(yǔ)音信號(hào)的預(yù)處理和語(yǔ)音信號(hào)的特征提取.在聲紋識(shí)別系統(tǒng)的前端處理階段中，將語(yǔ)音信號(hào)看作短時(shí)平穩(wěn)的序列，語(yǔ)音特征提取的第1步是語(yǔ)音信號(hào)的分幀處理，并利用窗函數(shù)來(lái)減少由截?cái)嗵幚韺?dǎo)致的Gibbs效應(yīng)；同時(shí)用預(yù)加重來(lái)提升高頻信息，壓縮語(yǔ)音的動(dòng)態(tài)范圍，然后對(duì)每幀語(yǔ)音信號(hào)進(jìn)行頻譜處理，得到各種不同的特征參數(shù).常用的特征提取參數(shù)有線性預(yù)測(cè)倒譜系數(shù)(linear predictive cepstrum coefficient, LPCC)[56]、感知線性預(yù)測(cè)系數(shù)(perceptual linear predictive, PLP)[57]、梅爾倒譜系數(shù)(Mel-frequency cepstrum coefficient, MFCC)[58]等.

在聲紋測(cè)試之前，首先對(duì)多個(gè)聲紋信號(hào)經(jīng)過(guò)特征提取后進(jìn)行訓(xùn)練建模，形成一個(gè)表征各個(gè)人的多復(fù)合聲紋模型庫(kù).而聲紋測(cè)試的過(guò)程是將某段來(lái)自某個(gè)人的語(yǔ)音經(jīng)過(guò)特征提取后與多復(fù)合聲紋模型庫(kù)中的聲紋模型進(jìn)行匹配，進(jìn)而識(shí)別打分，這個(gè)階段可以判斷該段語(yǔ)音是來(lái)自于集內(nèi)說(shuō)話人還是集外說(shuō)話人.如果是來(lái)自集內(nèi)說(shuō)話人則進(jìn)行下一步的辨認(rèn)或確認(rèn)操作.對(duì)于聲紋辨認(rèn)來(lái)說(shuō)，是一個(gè)“一對(duì)多”的比較過(guò)程，即所提取的特征參數(shù)要與多復(fù)合聲紋模型庫(kù)的每一個(gè)參考模型進(jìn)行比較，并把與它分?jǐn)?shù)最接近的參考模型所對(duì)應(yīng)的說(shuō)話人作為某段語(yǔ)音的發(fā)出者；而對(duì)于聲紋確認(rèn)來(lái)說(shuō)，則是將某段語(yǔ)音提取的特征參數(shù)與特定的說(shuō)話人的參考模型相比較，如果得出的分?jǐn)?shù)大于預(yù)先規(guī)定的閾值則予以確認(rèn)，否則予以拒絕.

在聲紋識(shí)別中，不同模式的匹配方法的區(qū)別就在于說(shuō)話人模型的表示以及模型匹配的方法.常用的識(shí)別方法可以分為模板匹配法、概率模型法、人工神經(jīng)網(wǎng)絡(luò)法等.其中概率模型法具有靈活性強(qiáng)、理論意義完整等特點(diǎn)，是目前聲紋識(shí)別中使用的主流匹配方法.

概率模型法有分段的高斯模型、高斯混合模型和隱馬爾可夫模型等，其中高斯混合模型和隱馬爾可夫模型是聲紋識(shí)別中2種最常使用的概率模型.高斯混合模型用多個(gè)高斯分布的線性組合近似多維矢量的連續(xù)概率分布，能較為有效地刻畫說(shuō)話人特性.采用高斯混合模型的說(shuō)話人識(shí)別系統(tǒng)有很高的識(shí)別率.在文本無(wú)關(guān)的說(shuō)話人識(shí)別領(lǐng)域，高斯混合模型已經(jīng)成為占統(tǒng)治地位的主流方法.隱馬爾可夫模型可以描述語(yǔ)音隨時(shí)間變化的情況，在文本相關(guān)的說(shuō)話人識(shí)別中能充分利用已知的文本信息，達(dá)到更高的識(shí)別率.

近年來(lái)，研究者提出一系列以高斯混合模型和通用背景模型(Gaussian mixture models-universal background models, GMM-UBM)[59]為基礎(chǔ)的聲紋識(shí)別建模方法，使得聲紋識(shí)別技術(shù)的性能顯著提高.前幾年美國(guó)國(guó)家標(biāo)準(zhǔn)技術(shù)局(American National Institute of Standards and Technology, NIST)組織的評(píng)測(cè)中高斯混合模型超矢量支持向量機(jī)(Gaussian mixture model super vector-support vector machine, GSV-SVM)、聯(lián)合因子分析(joint factor analysis, JFA)[60]、i-vector(identify vector)[61]等建模方法都以GMM-UBM系統(tǒng)為基礎(chǔ)，其中使用i-vector建模的聲紋識(shí)別技術(shù)性能最優(yōu)，成為當(dāng)前國(guó)內(nèi)外研究的主流系統(tǒng).此外，研究者針對(duì)說(shuō)話人識(shí)別中存在的問題也有一些相關(guān)研究.基于F-ratio準(zhǔn)則的頻帶區(qū)分性特征算法和基于性能驅(qū)動(dòng)的頻帶彎折算法，可以弱化聲紋特征信息隨時(shí)間變化的因素[62-63].另外在基于短語(yǔ)音的聲紋識(shí)別中，研究者也提出一系列方法和相應(yīng)對(duì)策[64-67].

2.7 簽 名

簽名識(shí)別技術(shù)是一種依據(jù)人的行為特征進(jìn)行生物特征識(shí)別的技術(shù)，它是一種廣泛應(yīng)用的生物特征識(shí)別技術(shù).簽名識(shí)別技術(shù)根據(jù)簽名數(shù)據(jù)的獲取方式可以分為2種模式:離線模式(off-line)和在線模式(on-line)[68].

離線簽名識(shí)別又稱靜態(tài)簽名識(shí)別，該模式通常使用掃描儀把紙上的簽名轉(zhuǎn)換成數(shù)字圖像，之后再對(duì)其進(jìn)行識(shí)別.1998年一種基于矢量量化的方法被用來(lái)構(gòu)建簽名識(shí)別系統(tǒng)[69]；2001年，Justino等人[70]把隱馬爾可夫模型作為一種統(tǒng)計(jì)識(shí)別模型框架，運(yùn)用到靜態(tài)簽名識(shí)別中.Velez等人[71]使用壓縮神經(jīng)網(wǎng)絡(luò)的方法，自動(dòng)訓(xùn)練出每個(gè)人的簽名特征.Sansone等人[72]提出了一種連續(xù)的三級(jí)專家系統(tǒng)進(jìn)行簽名識(shí)別.

在線簽名識(shí)別又稱動(dòng)態(tài)簽名識(shí)別，這種模式下常使用手寫板或者壓力傳感筆作為獲取用戶簽名的工具，用戶簽名信息樣本通常會(huì)被表示成隨時(shí)間變化的信號(hào)，這些信號(hào)包含用戶書寫過(guò)程中的行為特征信息，如書寫時(shí)的速度、加速度、壓力、旋轉(zhuǎn)角度等等.對(duì)于如何區(qū)分在線簽名時(shí)簽名者的個(gè)人信息存在許多方法，這些方法可以大致分為2類:基于特征的方法和基于函數(shù)的方法[73].基于特征的方法從簽名的軌跡中獲取全局特征，并組成一個(gè)整體的特征矢量[74-75].基于函數(shù)的方法通常把局部的特征信息表示成時(shí)間的函數(shù)，用來(lái)進(jìn)行簽名模式的識(shí)別[76-79].通常，依據(jù)對(duì)特征的關(guān)注點(diǎn)不同，基于函數(shù)的方法可以分為局部方法和區(qū)域方法.局部方法中，一般使用動(dòng)態(tài)時(shí)間彎折等方法直接對(duì)時(shí)間函數(shù)進(jìn)行距離的匹配[80-82].區(qū)域方法中，一般把時(shí)間函數(shù)轉(zhuǎn)換成一個(gè)向量序列描述該區(qū)域的過(guò)程特征.基于隱馬爾可夫模型的方法往往會(huì)比運(yùn)用函數(shù)表示的方法取得更好的結(jié)果[83-85].最新的研究表明，基于特征的方法在某些方面會(huì)比基于函數(shù)的方法取得更好的識(shí)別準(zhǔn)確率.

2.8 其 他

生物特征識(shí)別技術(shù)遠(yuǎn)不止上面提到的幾種，越來(lái)越多的生物特征識(shí)別技術(shù)相繼提出來(lái)滿足不同領(lǐng)域的市場(chǎng)需求，每種生物特征識(shí)別技術(shù)在其應(yīng)用領(lǐng)域較其他的生物特征識(shí)別技術(shù)都有一定的優(yōu)越性，因?yàn)闆]有一種生物特征識(shí)別技術(shù)可以滿足所有現(xiàn)實(shí)安全的需求[86].

步態(tài)識(shí)別因其隱蔽性，較其他生物特征識(shí)別技術(shù)具有一定的潛在優(yōu)越性.步態(tài)識(shí)別技術(shù)通常捕捉人體的外形和運(yùn)動(dòng)信息，進(jìn)行處理后與存儲(chǔ)的數(shù)據(jù)進(jìn)行比較，完成身份識(shí)別的任務(wù).步態(tài)識(shí)別廣泛運(yùn)用各種特征技術(shù)以達(dá)到其識(shí)別目的[87]，這些方法通過(guò)外形、關(guān)節(jié)運(yùn)動(dòng)信息、個(gè)體相似性等原理進(jìn)行分類識(shí)別.

人類外耳的形狀、耳垂、骨架結(jié)構(gòu)、大小等特征往往是獨(dú)一無(wú)二的，因此，耳形識(shí)別也是一種無(wú)接觸式的生物特征識(shí)別技術(shù).

隨著計(jì)算機(jī)技術(shù)的普及，鍵盤的使用成為現(xiàn)代人需要掌握的一項(xiàng)技能，擊鍵的動(dòng)態(tài)特征可以通過(guò)鍵盤內(nèi)置傳感器捕捉，進(jìn)行身份認(rèn)證.這種技術(shù)通過(guò)檢測(cè)用戶敲擊鍵盤時(shí)的速度、壓力、敲打某個(gè)特定字符串的時(shí)間以及用戶每次擊鍵的時(shí)間等，在用戶持續(xù)使用鍵盤的過(guò)程中，完成對(duì)其身份認(rèn)證.

基因識(shí)別[88]利用DNA序列上的具有生物學(xué)特征的基因片段，綜合生物學(xué)和計(jì)算機(jī)技術(shù)，完成特定人身份的識(shí)別認(rèn)證.基因識(shí)別中，其識(shí)別設(shè)備成本極高，識(shí)別算法較為復(fù)雜，識(shí)別鑒定方法難以快速實(shí)現(xiàn)，現(xiàn)在只在較少的特定應(yīng)用中使用.

3 生物特征識(shí)別技術(shù)比較

在生物特征識(shí)別技術(shù)研究領(lǐng)域，每種生物特征識(shí)別技術(shù)都有其獨(dú)自的特點(diǎn).總的來(lái)說(shuō)，基于生理特征的識(shí)別技術(shù)需要近端采集，基于生理特征的識(shí)別技術(shù)因其穩(wěn)定性也往往比基于行為特征的識(shí)別技術(shù)更加安全可靠.但因其需要近端采集，往往在遠(yuǎn)程認(rèn)證的情景下應(yīng)用不便，而且還有易被仿造的風(fēng)險(xiǎn)，而行為特征不易被仿造.下面我們對(duì)上文提到的各類生物特征的優(yōu)缺點(diǎn)分別進(jìn)行比較.這些優(yōu)缺點(diǎn)一方面決定了其應(yīng)用方面的特殊性，同時(shí)也為今后的研究發(fā)展提出了新的要求.

指紋特征通常獨(dú)一無(wú)二，特征數(shù)量較多，指紋識(shí)別的定位精度也可以做到很高.另一方面，目前的指紋讀取器造價(jià)不高，掃描指紋的速度很快，應(yīng)用極其方便.然而由于指紋采集數(shù)據(jù)時(shí)需要人為按捺，每次按捺的方位不完全一樣，著力點(diǎn)的不同也會(huì)帶來(lái)不同程度的形變，這些往往使得精度較高的指紋識(shí)別達(dá)不到原本要求；另一方面，因?yàn)橹讣y常常在犯罪記錄中使用，這使得某些人害怕把指紋“記錄在案”.

人臉識(shí)別的優(yōu)勢(shì)在于其自然性和不易被被測(cè)者覺察的特點(diǎn).人類在很大程度上就是根據(jù)人臉來(lái)確認(rèn)對(duì)方身份的.人臉具有結(jié)構(gòu)的相似性，不同的個(gè)體結(jié)構(gòu)都很相似，這個(gè)特點(diǎn)對(duì)于定位人臉是有利的，但對(duì)于人臉的區(qū)分是不利的；人臉的外形也很不穩(wěn)定，表情的變化極易改變?nèi)四樀奶卣鳎诓煌^察角度人臉的圖像差異也較大.此外，人臉識(shí)別還容易受到光照條件、人臉遮蓋物等因素的影響.

虹膜識(shí)別因其特征穩(wěn)定性可能是目前最可靠的生物特征識(shí)別技術(shù).但虹膜圖像獲取設(shè)備需要昂貴的攝像頭設(shè)備，設(shè)備的尺寸也很難小型化.在實(shí)際應(yīng)用中，攝像頭可能產(chǎn)生圖像的畸變，在較暗的環(huán)境下獲取的虹膜圖像往往質(zhì)量較差，不能完成識(shí)別任務(wù).

聲紋識(shí)別因其不涉及用戶隱私問題，往往用戶接受程度較高.另一方面聲紋的獲取可以說(shuō)是最方便的，只需要一個(gè)麥克風(fēng)或者電話和手機(jī)就可以采集用戶聲紋特征信息，完成身份認(rèn)證.這也使得聲紋識(shí)別技術(shù)可以方便地用來(lái)作為遠(yuǎn)程身份確認(rèn)技術(shù).聲紋識(shí)別技術(shù)是基于人的聲紋不變性的，然而同一個(gè)人的聲音易于受到年齡、情緒、身體狀況等的影響，導(dǎo)致識(shí)別性能降低.另一方面，不同的麥克風(fēng)和信道對(duì)識(shí)別性能都有不同程度的影響.環(huán)境噪聲和混合說(shuō)話人情形也會(huì)對(duì)聲紋識(shí)別帶來(lái)較大的影響.

簽名識(shí)別作為一種基于行為特征的識(shí)別技術(shù)也具有容易被大眾接受的特點(diǎn).但隨著人的經(jīng)驗(yàn)和習(xí)慣的改變，簽名的方式也會(huì)隨之改變.用于簽名識(shí)別的電子簽名板結(jié)構(gòu)復(fù)雜，價(jià)格較為昂貴，其與筆記本上的觸摸板有著很大的差異，所以很難作為互聯(lián)網(wǎng)上的遠(yuǎn)程身份認(rèn)證技術(shù).同時(shí)，目前的物理和材料技術(shù)也很難將電子簽名板小型化.

表1對(duì)當(dāng)前常用的幾種生物特征識(shí)別技術(shù)的性能、易用程度、易仿冒程度等方面進(jìn)行了比較[89].

表1 常用生物特征識(shí)別技術(shù)的比較

4 生物特征識(shí)別技術(shù)應(yīng)用

生物特征不易遺忘和丟失，攻擊者也較難偽造，目前該技術(shù)已經(jīng)開始投入實(shí)際使用，并展現(xiàn)出廣闊的應(yīng)用前景.本節(jié)從生物特征辨認(rèn)和確認(rèn)2方面對(duì)當(dāng)前主要應(yīng)用場(chǎng)景進(jìn)行介紹.

4.1 基于生物特征辨認(rèn)的應(yīng)用場(chǎng)景

在刑事偵查中，刑偵人員對(duì)犯罪現(xiàn)場(chǎng)遺留的生物特征進(jìn)行采集，并通過(guò)對(duì)比匹配存儲(chǔ)的生物特征信息辨認(rèn)犯罪嫌疑人.例如，通過(guò)犯罪現(xiàn)場(chǎng)遺留的指紋確認(rèn)犯罪嫌疑人的方法由來(lái)已久，利用聲紋和DNA的辨認(rèn)技術(shù)在現(xiàn)代偵查中更是起到了重要的作用.

基于生物特征的辨認(rèn)技術(shù)還經(jīng)常應(yīng)用在家庭、重要部門和單位的自動(dòng)化門禁系統(tǒng)中，由于這類系統(tǒng)需要完成開集辨認(rèn)的任務(wù)，且對(duì)安全可靠性往往要求很高，目前基于生物特征的門禁系統(tǒng)還要結(jié)合傳統(tǒng)的密碼、鑰匙等手段.虹膜識(shí)別技術(shù)因其準(zhǔn)確性較高，已經(jīng)在部分門禁系統(tǒng)中得到應(yīng)用.隨著生物特征識(shí)別技術(shù)的發(fā)展，在不久的將來(lái)，僅使用生物特征識(shí)別技術(shù)的門禁系統(tǒng)將會(huì)得到進(jìn)一步普及使用.

生物特征識(shí)別技術(shù)在自動(dòng)化考勤中也已經(jīng)廣泛運(yùn)用.對(duì)于大多數(shù)公司來(lái)說(shuō)，自動(dòng)考勤系統(tǒng)的安全性要求并不高，使用人臉和指紋識(shí)別技術(shù)的考勤系統(tǒng)已經(jīng)商用化.此外，基于開集辨認(rèn)的生物特征識(shí)別技術(shù)在家用汽車駕駛?cè)藛T的身份認(rèn)證等方面也開始逐步使用.

4.2 基于生物特征確認(rèn)的應(yīng)用場(chǎng)景

在出入境管理中，生物特征識(shí)別技術(shù)主要以電子護(hù)照為依托，在其中存儲(chǔ)護(hù)照持有者的生物特征信息.在持有者通關(guān)時(shí)讀取系統(tǒng)存儲(chǔ)的生物特征信息和現(xiàn)場(chǎng)采集的信息進(jìn)行驗(yàn)證匹配，來(lái)確認(rèn)其身份.目前美國(guó)、新加坡、歐盟、中國(guó)香港等多個(gè)國(guó)家和地區(qū)已經(jīng)采用包含生物特征識(shí)別技術(shù)的電子護(hù)照來(lái)進(jìn)行出入境管理，該技術(shù)的使用在提高國(guó)家安全水平的同時(shí)，使得快速、便捷的自動(dòng)通關(guān)成為了現(xiàn)實(shí).

隨著電子支付的普及使用，客戶身份的鑒別變得尤其重要.現(xiàn)存的密碼認(rèn)證等技術(shù)對(duì)不法分子來(lái)說(shuō)已經(jīng)有各種竊取和偽造的手段進(jìn)行破解，如使用取款機(jī)詐騙的金融案件屢見不鮮.所以，結(jié)合使用生物特征識(shí)別技術(shù)的電子支付對(duì)其安全性會(huì)有很大的提升.比如，在客戶取款時(shí)使用生物特征識(shí)別技術(shù)對(duì)操作者進(jìn)行身份認(rèn)證，可以很大程度上阻止盜取和冒領(lǐng)的不法現(xiàn)象.同時(shí)，在互聯(lián)網(wǎng)金融快速發(fā)展的時(shí)代，電子商務(wù)支付主要采用用戶名、USB-key、短信確認(rèn)等與密碼相結(jié)合的認(rèn)證方式，這些都存在著被盜用的安全隱患.使用生物特征識(shí)別技術(shù)可以將電子商務(wù)的安全性大大加強(qiáng).北京得意音通技術(shù)有限公司將聲紋識(shí)別技術(shù)與移動(dòng)支付相結(jié)合，其聲密保服務(wù)已經(jīng)在建行手機(jī)銀行推出使用；阿里巴巴旗下在線支付服務(wù)支付寶在未來(lái)將采用人臉識(shí)別代替?zhèn)鹘y(tǒng)的密碼輸入，這個(gè)新功能被形象地稱為“微笑支付”.

目前，因計(jì)算機(jī)和手機(jī)等電子產(chǎn)品而造成用戶資料泄露的新聞不斷被報(bào)道.這些設(shè)備的用戶登錄驗(yàn)證系統(tǒng)也逐漸從單一的密碼登錄方式，開始附帶生物特征識(shí)別硬件模塊作為安全管理.蘋果、三星等多家智能手機(jī)生產(chǎn)商已經(jīng)陸續(xù)在其設(shè)備上添加指紋識(shí)別功能，這也逐漸成為未來(lái)的發(fā)展趨勢(shì).

生物特征識(shí)別技術(shù)還可以用在會(huì)議參加人員的記錄管理、考場(chǎng)身份的鑒別等方面.可謂只要是傳統(tǒng)身份識(shí)別需要的場(chǎng)景，生物特征識(shí)別技術(shù)都可以得到應(yīng)用.根據(jù)各種生物特征的特點(diǎn)，結(jié)合不同領(lǐng)域的應(yīng)用需求，該技術(shù)在未來(lái)的相關(guān)領(lǐng)域普及使用將成為必然.

5 分析與探討

5.1 生物特征融合技術(shù)

迄今為止，生物特征識(shí)別技術(shù)的發(fā)展日益多樣化，但是沒有發(fā)現(xiàn)任何一種可以完美應(yīng)用于各個(gè)領(lǐng)域的生物特征識(shí)別技術(shù)，每一種技術(shù)都有其各自的特點(diǎn)和優(yōu)勢(shì).然而在實(shí)際應(yīng)用中，單一的生物特征識(shí)別技術(shù)使用時(shí)具有一定的局限性,如傳感器噪聲、特征提取和模板模型匹配的缺陷等問題，這些問題使得這項(xiàng)技術(shù)的實(shí)際推廣應(yīng)用困難重重，因此多模態(tài)生物特征識(shí)別技術(shù)逐漸成為新的研究熱點(diǎn).

生物特征融合技術(shù)結(jié)合人的多種生物特征進(jìn)行綜合識(shí)別，是一種數(shù)據(jù)融合技術(shù)，它充分利用每種生物特征提供的信息，使得最終識(shí)別結(jié)果準(zhǔn)確可靠.

生物特征融合技術(shù)在生物特征識(shí)別的各個(gè)階段都有運(yùn)用[90-91].傳感器數(shù)據(jù)層的融合技術(shù)通過(guò)不同的傳感器，從不同角度采集同一種生物特征的不同數(shù)據(jù)，對(duì)各個(gè)傳感器采集的數(shù)據(jù)進(jìn)行融合使用.在特征提取階段，每種生物特征通常表示為一組特征矢量，這些特征矢量可以串行融合成一組新的更高維的特征矢量用來(lái)表示人的特征信息，目前這種融合技術(shù)是在生物特征融合技術(shù)中表現(xiàn)最優(yōu)的方式之一.在打分匹配階段，融合技術(shù)把基于各種生物特征的打分進(jìn)行綜合分析，得到具有綜合性的匹配分?jǐn)?shù).在決策階段，多生物特征融合采用投票的方式對(duì)每種生物特征的判別結(jié)論進(jìn)行投票，得到更加可靠的判別結(jié)果.

5.2 生物特征安全問題不容忽視

盡管生物特征識(shí)別技術(shù)的應(yīng)用逐漸廣泛，開始慢慢地影響消費(fèi)者的生活，一場(chǎng)生物特征識(shí)別的革命即將到來(lái).然而，這項(xiàng)技術(shù)的廣泛應(yīng)用會(huì)給人類社會(huì)帶來(lái)什么樣的長(zhǎng)期影響還不得而知.其中，生物特征識(shí)別技術(shù)實(shí)際暗藏泄密陷阱，其安全問題不容忽視.

生物特征識(shí)別技術(shù)與傳統(tǒng)的身份認(rèn)證技術(shù)有天壤之別.一方面，傳統(tǒng)的認(rèn)證技術(shù)是基于我們擁有的實(shí)物如鑰匙等，或我們所知的一些內(nèi)容如密碼等，這些東西往往在泄露后可以重新配置和改變，而生物特征是屬于個(gè)人自身的，這種認(rèn)證特征幾乎不可能重新設(shè)置，一旦泄露將無(wú)法更改.另一方面，多數(shù)生物特征是天然公開的，傳統(tǒng)的驗(yàn)證密鑰都具有隱蔽性，用戶的防范意識(shí)也較高，而我們一般不太注意也不便主動(dòng)隱蔽自己的生物特征.比如我們碰觸的任何地方都會(huì)留下指紋印記，我們的臉部圖像會(huì)被任意一臺(tái)眼前的攝像頭采集.從這方面來(lái)講，生物特征只是每個(gè)人所獨(dú)有的特征，而并不能作為秘密.目前，生物特征識(shí)別技術(shù)的提供商都會(huì)把搜集到的用戶的生物特征存進(jìn)數(shù)據(jù)庫(kù)，如果用戶在預(yù)留其特征時(shí)不加注意，很容易被一些非法的提供商獲取，從而造成用戶的巨大損失.此外，從國(guó)家戰(zhàn)略安全的角度來(lái)看，其國(guó)民生物特征信息泄露后，如被別有用心的人加以分析處理，甚至將間接危及到國(guó)家安全和民族安全.

另一個(gè)重要的方面是各類生物特征識(shí)別系統(tǒng)的安全性能還有待提高，以下將依次分析各類系統(tǒng)現(xiàn)存的性能和安全問題.對(duì)于指紋或掌紋識(shí)別系統(tǒng)，一個(gè)人的指紋或掌紋可以有很多方式獲取并用于攻擊識(shí)別系統(tǒng).比如可以通過(guò)數(shù)碼相機(jī)在幾米距離拍照獲得拇指或者掌紋圖片.高質(zhì)量指紋或掌紋信息可以通過(guò)由若干張拇指或掌紋圖片獲取.另外還可以通過(guò)智能手機(jī)觸摸屏、大門把手、茶杯和桌面等物品輕易獲取指紋或掌紋信息，獲取后可打印到錫紙作為制作模仿指紋或掌紋的基礎(chǔ).人臉識(shí)別系統(tǒng)可以通過(guò)打印的人臉圖像欺騙攻擊.這類欺騙如今能夠被多數(shù)系統(tǒng)識(shí)破.盡管視頻攻擊不容易識(shí)破，但仍然可以通過(guò)高清晰度攝像機(jī)攝像或者從電視機(jī)、網(wǎng)絡(luò)等途徑獲取高清晰度人臉視頻.這些都對(duì)人臉識(shí)別系統(tǒng)帶來(lái)了挑戰(zhàn).對(duì)于聲紋識(shí)別系統(tǒng)，可以通過(guò)合成和錄音生成目標(biāo)說(shuō)話人的語(yǔ)音并進(jìn)行攻擊.其中，合成語(yǔ)音最容易識(shí)破，而錄音是目標(biāo)說(shuō)話人本人的真實(shí)語(yǔ)音，所以很難識(shí)破.目標(biāo)說(shuō)話人的語(yǔ)音可以通過(guò)微信等各種語(yǔ)音通信軟件被不法分子輕易獲取，這對(duì)聲紋識(shí)別系統(tǒng)是一種極大挑戰(zhàn).虹膜識(shí)別系統(tǒng)中，可以通過(guò)眼睛圖片、視頻信號(hào)、人造眼睛和虹膜晶狀體等方式進(jìn)行攻擊.相對(duì)于以上幾種身份認(rèn)證系統(tǒng)，指靜脈識(shí)別系統(tǒng)相對(duì)安全.不同于指紋、掌紋和人臉等特征，指靜脈特征很難通過(guò)各種物體表面和網(wǎng)絡(luò)環(huán)境中獲取，需要近距離的紅外線設(shè)備用來(lái)獲取指靜脈在紅外線下的成像圖片，這一般是非常困難獲取的.當(dāng)然如果一旦得到指靜脈成像圖片，攻擊識(shí)別系統(tǒng)還是有可能.

針對(duì)特定生物特征識(shí)別系統(tǒng)中的攻擊，相關(guān)生物特征識(shí)別研究者正在研究攻擊識(shí)別方法并取得了一定的成果.

5.3 完善相關(guān)行業(yè)及國(guó)家標(biāo)準(zhǔn)

生物特征識(shí)別技術(shù)的實(shí)現(xiàn)門檻較高，也沒有一個(gè)通用的技術(shù)可以適合全部的應(yīng)用場(chǎng)景.然而，為了商業(yè)利益，某些應(yīng)用廠商大肆宣揚(yáng)其技術(shù)可靠性，更有甚者濫用生物特征識(shí)別技術(shù)，這無(wú)疑會(huì)對(duì)技術(shù)的研究和市場(chǎng)應(yīng)用產(chǎn)生極大的傷害.因此，行業(yè)和國(guó)家標(biāo)準(zhǔn)的制訂和質(zhì)量檢測(cè)對(duì)產(chǎn)業(yè)技術(shù)的發(fā)展尤其關(guān)鍵.國(guó)際標(biāo)準(zhǔn)化組織(International Organization for Standardization, ISO)在生物特征識(shí)別技術(shù)方面提出了相關(guān)的標(biāo)準(zhǔn)(JTC 1SC 37).美國(guó)國(guó)家標(biāo)準(zhǔn)化技術(shù)研究所(National Institute of Standards and Technology, NIST)也對(duì)生物特征識(shí)別的相關(guān)術(shù)語(yǔ)及其產(chǎn)業(yè)技術(shù)制訂了標(biāo)準(zhǔn)規(guī)范.

在我國(guó)，全國(guó)安全防范報(bào)警系統(tǒng)標(biāo)準(zhǔn)化委員會(huì)人體生物特征識(shí)別技術(shù)應(yīng)用分技術(shù)委員會(huì)(SACTC100SC2)于2007年9月成立，其以維護(hù)社會(huì)公共安全為目的，建立了一系列社會(huì)公共安全領(lǐng)域人體生物特征應(yīng)用的標(biāo)準(zhǔn)體系.由清華大學(xué)、中國(guó)科學(xué)院自動(dòng)化研究所、中國(guó)科學(xué)院計(jì)算技術(shù)研究所等單位共同起草的《安防生物特征識(shí)別應(yīng)用術(shù)語(yǔ)》(GAT 893—2010)標(biāo)準(zhǔn)于2010年12月1日起實(shí)施，該標(biāo)準(zhǔn)規(guī)范化了生物特征識(shí)別技術(shù)通用術(shù)語(yǔ)，其頒布實(shí)施給生物特征識(shí)別技術(shù)的研究帶來(lái)了方便，同時(shí)也避免了研究人員因?yàn)E用自定義術(shù)語(yǔ)而對(duì)技術(shù)研究造成不良影響.此后，該組織又陸續(xù)發(fā)出特定生物特征識(shí)別應(yīng)用的相關(guān)標(biāo)準(zhǔn).2011年頒布人臉識(shí)別應(yīng)用系統(tǒng)相關(guān)國(guó)家標(biāo)準(zhǔn)(GAT922.2—2011)，2014年9月19日，《安防聲紋確認(rèn)應(yīng)用算法技術(shù)要求和測(cè)試方法》(GAT1179—2014)審核通過(guò)批準(zhǔn)頒布.

然而，目前這些標(biāo)準(zhǔn)對(duì)于生物特征識(shí)別行業(yè)的發(fā)展是遠(yuǎn)遠(yuǎn)不夠的，更多的、更精細(xì)的標(biāo)準(zhǔn)有待被制訂，以滿足生物特征識(shí)別技術(shù)的提升和產(chǎn)業(yè)的發(fā)展.

6 總結(jié)與展望

本文重點(diǎn)對(duì)人臉、聲紋、指紋、掌紋、虹膜、指靜脈和簽名等生物特征識(shí)別技術(shù)目前的研究和應(yīng)用現(xiàn)狀進(jìn)行了綜述，并對(duì)這些生物特征識(shí)別技術(shù)在識(shí)別特點(diǎn)和安全等方面進(jìn)行了對(duì)比與探討.最后本文還對(duì)制訂和完善生物特征行業(yè)及國(guó)家標(biāo)準(zhǔn)提出了期望.

身份識(shí)別技術(shù)對(duì)政府部門和商業(yè)領(lǐng)域是一項(xiàng)必不可少的重要技術(shù)，生物特征識(shí)別技術(shù)有傳統(tǒng)的基于證件和密鑰認(rèn)證技術(shù)所無(wú)可比擬的優(yōu)越性.然而單一的生物特征識(shí)別系統(tǒng)在應(yīng)用領(lǐng)域往往不夠可靠，魯棒的生物特征融合的識(shí)別系統(tǒng)是未來(lái)的研究方向.這項(xiàng)技術(shù)的成熟將會(huì)帶來(lái)經(jīng)濟(jì)和社會(huì)的巨大變革.盡管現(xiàn)在想要預(yù)測(cè)未來(lái)生物特征識(shí)別技術(shù)最完善的應(yīng)用方式還為之過(guò)早，但毫無(wú)疑問，這項(xiàng)技術(shù)的應(yīng)用普及將會(huì)對(duì)我們未來(lái)的經(jīng)濟(jì)與社會(huì)生活帶來(lái)深遠(yuǎn)的影響.

[1]Prabhakar S, Pankanti S, Jain A K. Biometric recognition: Security and privacy concerns[J]. IEEE Security & Privacy, 2003, 1(2): 33-42.

[2]Jain A K, Flynn P, Ross A A. Handbook of Biometrics[M]. Berlin: Springer, 2007.

[3]Jain A K, Ross A, Prabhakar S. An introduction to biometric recognition[J]. IEEE Trans on Circuits and Systems for Video Technology, 2004, 14(1): 4-20.

[4]張圓圓. 指紋識(shí)別技術(shù)相關(guān)算法的研究[D]. 北京: 北京郵電大學(xué), 2012.

[5]Maltoni D, Maio D, Jain A K, et al. Handbook of Fingerprint Recognition[M]. London: Springer Science & Business Media, 2009.

[6]Moayer B, Fu K S. A tree system approach for fingerprint pattern recognition[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1986, 8(3): 376-387.

[7]Hrechak A K, McHugh J A. Automated fingerprint recognition using structural matching[J]. Pattern Recognition, 1990, 23(8): 893-904.

[8]Jain A, Hong L, Bolle R. On-line fingerprint verification[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1997, 19(4): 302-314.

[9]Jain A K, Hong L, Pankanti S, et al. An identity-authentication system using fingerprints[J]. Proceedings of the IEEE, 1997, 85(9): 1365-1388.

[10]Tico M, Kuosmanen P. Fingerprint matching using an orientation-based minutia descriptor[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(8): 1009-1014.

[11]Kong A, Zhang D, Kamel M. A survey of palmprint recognition[J]. Pattern Recognition, 2009, 42(7): 1408-1418.

[12]Zhang D, Shu W. Two novel characteristics in palmprint verification: Datum point invariance and line feature matching[J]. Pattern Recognition, 1999, 32(4): 691-702.

[13]Shu W, Zhang D. Palmprint verification: an implementa-tion of biometric technology[C] //Proc of the 14th Int Conf on Pattern Recognition. Piscataway, NJ: IEEE, 1998: 219-221.

[14]Wu X, Wang K, Zhang D. A novel approach of palm-line extraction[C] //Proc of IEEE Multi-Agent Security and Survivability. Piscataway, NJ: IEEE, 2004: 230-233.

[15]Wu X, Zhang D, Wang K. Palm line extraction and matching for personal authentication[J]. IEEE Trans on Systems, Man and Cybernetics, Part A: Systems and Humans, 2006, 36(5): 978-987.

[16]Liu L, Zhang D. Palm-line detection[C] //Proc of IEEE Int Conf on Image Processing (ICIP). Piscataway, NJ: IEEE, 2005: III269-III272.

[17]Duta N, Jain A K, Mardia K V. Matching of palmprints[J]. Pattern Recognition Letters, 2002, 23(4): 477-485.

[18]Wu X, Wang K, Zhang D. An approach to line feature representation and matching for palmprint recognition[J]. Journal of Software, 2004, 15(6): 869-880.

[19]Lu G, Zhang D, Wang K. Palmprint recognition using eigenpalms features[J]. Pattern Recognition Letters, 2003, 24(9): 1463-1467.

[20]Wu X, Wang K Q, Zhang D. Palmprint recognition using Fisher’s linear discriminant[C] //Proc of IEEE Int Conf on Machine Learning and Cybernetics. Piscataway, NJ: IEEE, 2003: 3150-3154.

[21]Wu X, Zhang D, Wang K. Fisherpalms based palmprint recognition[J]. Pattern Recognition Letters, 2003, 24(15): 2829-2838.

[22]Li W, Zhang D, Xu Z. Palmprint identification by Fourier transform[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2002, 16(4): 417-432.

[23]Li W, Zhang D, Xu Z. Palmprint identification by Fourier transform[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2002, 16(4): 417-432.

[24]Zhang L, Zhang D. Characterization of palmprints by wavelet signatures via directional context modeling[J]. IEEE Trans on Systems, Man, and Cybernetics, Part B: Cybernetics, 2004, 34(3): 1335-1347.

[25]Daugman J G. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1993, 15(11): 1148-1161.

[26]Zhang D, Kong W K, You J, et al. Online palmprint identification[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(9): 1041-1050.

[27]Kong W K, Zhang D. Palmprint texture analysis based on low-resolution images for personal authentication[C] //Proc of the 16th Int Conf on Pattern Recognition. Piscataway, NJ: IEEE, 2002: 807-810.

[28]Kong A W K, Zhang D. Competitive coding scheme for palmprint verification[C] //Proc of the 17th Int Conf on Pattern Recognition. Piscataway, NJ: IEEE, 2004: 520-523.

[29]Sun Z, Tan T, Wang Y, et al. Ordinal palmprint represention for personal identification[C] //Proc of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2005: 279-284.

[30]Jia W, Huang D S, Zhang D. Palmprint verification based on robust line orientation code[J]. Pattern Recognition, 2008, 41(5): 1504-1513.

[31]Guo Z, Zhang D, Zhang L, et al. Palmprint verification using binary orientation co-occurrence vector[J]. Pattern Recognition Letters, 2009, 30(13): 1219-1227.

[32]Nixon M. Feature Extraction & Image Processing[M]. New York: Academic Press, 2008.

[33]Everson R, Sirovich L. Karhunen-Loeve procedure for gappy data[J]. Journal of the Optical Society of America A: Optics, Image Science, and Vision, 1995, 12(8): 1657-1664.

[34]Kirby M, Sirovich L. Application of the Karhunen-Loeve procedure for the characterization of human faces[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1990, 12(1): 103-108.

[35]He X, Yan S, Hu Y, et al. Face recognition using Laplacian faces[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2005, 27(3): 328-340.

[36]Rowley H, Baluja S, Kanade T. Rotation invariant neural network-based face detection[C] //Proc of the Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 1998: 38-44.

[37]Viola P, Jones M. Rapid object detection using a boosted cascade of simple features[C] //Proc of the Computer Society Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2001.

[38]Osuna E, Girosi F. Reducing the run-time complexity of support vector machines[C] //Proc of IEEE Int Conf on Pattern Recognition. Piscataway, NJ: IEEE, 1998.

[39]Turk M, Pentland A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience, 1991, 3(1): 71-86.

[40]Belhumeur P N, Hespanha J P, Kriegman D J. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1997, 19(7): 711-720.

[41]Lohiya R, Shah P. Face recognition techniques: A survey for forensic applications[J]. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 2015, 4(4): 1540-1546.

[42]Daugman J G. The importance of being random: Statistical principles of iris recognition[J]. Pattern Recognition, 2003, 36(2): 279-291.

[43]Daugman J G. Statistical richness of visual phase information: update on recognizing persons by iris patterns[J]. International Journal of Computer Vision, 2001, 45(1): 25-38.

[44]Wildes R P. Iris recognition: An emerging biometric technology[J]. Proceedings of the IEEE, 1997, 85(9): 1348-1363.

[45]Wei Z, Tan T, Sun Z. Nonlinear iris deformation correction based on Gaussian model[G] //LNCS 4642: Proc of the Int Conf on Advances in Biometrics. Berlin: Springer, 2007: 780-789.

[46]Yuan X, Shi P. A non-linear normalization model for iris recognition[M] //Advances in Biometric Person Authentication. Berlin: Springer, 2005: 135-141.

[47]Boles W W, Boashash B. A human identification technique using images of the iris and wavelet transform[J]. IEEE Trans on Signal Processing, 1998, 46(4): 1185-1188.

[48]Gan J, Liang Y. Applications of wavelet packets decomposition in iris recognition[M] //Advances in Biometrics. Berlin: Springer, 2005: 443-449.

[49]Jang J, Park K R, Son J, et al. A study on multi-unit iris recognition[C] //Proc of the Conf on Control, Automation, Robotics and Vision. Piscataway, NJ: IEEE, 2004: 1244-1249.

[50]Sun Z, Wang Y, Tan T, et al. Improving iris recognition accuracy via cascaded classifiers[J]. IEEE Trans on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 2005, 35(3): 435-441.

[51]Sun Z, Tan T, Qiu X. Graph matching iris image blocks with local binary pattern[M] //Advances in Biometrics. Berlin: Springer, 2005: 366-372.

[52]Pillai J K, Patel V M, Chellappa R, et al. Secure and robust iris recognition using random projections and sparse representations[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2011, 33(9): 1877-1893[53]孫曉琳, 指靜脈圖像模式提取算法研究[D]. 長(zhǎng)春：吉林大學(xué)，2012.

[54]Miura N, Nagasaka A, Miyatake T. Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification[J]. Machine Vision and Applications, 2004, 15(4): 194-203.

[55]Miura N, Nagasaka A, Miyatake T. Extraction of finger-vein patterns using maximum curvature points in image profiles[J]. The Institute of Electronics, Information and Communication Engineers, 2007, 90(8): 1185-1194.

[56]Atal B S. Automatic recognition of speakers from their voices[J]. Proceedings of the IEEE, 1976, 64(4): 460-475.

[57]Hermansky H. Perceptual linear predictive (PLP) analysis of speech[J]. Journal of the Acoustical Society of America, 1990, 87(4): 1738-1752.

[58]Davis S B, Mermelstein P. Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences[J]. IEEE Trans on Acoustics, Speech and Signal Processing, 1980, 28(4): 357-366.

[59]Reynolds D A, Quatieri T F, Dunn R B. Speaker verification using adapted Gaussian mixture models[J]. Digital Signal Processing, 2000, 10(1): 19-41.

[60]Yin S C, Rose R, Kenny P. A joint factor analysis approach to progressive model adaptation in text-independent speaker verification[J]. IEEE Trans on Audio, Speech, and Language Processing, 2007, 15(7): 1999-2010.

[61]Dehak N, Kenny P, Dehak R, et al. Front-end factor analysis for speaker verification[J]. IEEE Trans on Audio, Speech, and Language Processing, 2011, 19(4): 788-798.

[62]Wang L-L, Wu X-J, Zheng T F, et al. An investigation into better frequency warping for time-varying speaker recognition[C] //Proc of the Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC 2012). Piscataway, NJ: IEEE, 2012: 1-4.

[63]Wang L L, Zheng T F. Creation of time-varying voiceprint database[C] // Proc of O-COCOSDA. Piscataway, NJ: IEEE, 2010.

[64]Kwon S, Narayanan S. Robust speaker identification based on selective use of feature vectors[J]. Pattern Recognition Letters, 2007, 28(1): 85-89.

[65]Zhang C-H, Zheng T F. A fishervoice based feature fusion method for short utterance speaker recognition[C] //Proc of IEEE China Summit and Int Conf on Signal and Information Processing (ChinaSIP 2013). Piscataway, NJ: IEEE, 2013: 165-169.

[66]Zhang C H, Wu X J, Zheng T F, et al. A K-phoneme-class based multi-model method for short utterance speaker recognition[C] //Proc of the Asia-Pacific Signal and Information Processing Association Annual Summit and Conf (APSIPA ASC 2012). Piscataway, NJ: IEEE, 2012: 1-4.

[67]Malegaonkar A, Ariyaeeinia A, Sivakumaran P, et al. On the enhancement of speaker identification accuracy using weighted bilateral scoring[C] //Proc of the 42nd Annual IEEE Int Carnahan Conf on Security Technology. Piscataway, NJ: IEEE, 2008: 254-258.

[68]Faundez-Zanuy M. Signature recognition state-of-the-art[J]. IEEE Aerospace and Electronic Systems Magazine, 2005, 20(7): 28-32.

[69]Zhang B, Fu M, Yan H. Handwritten signature verification based on neuralgas’ based vector quantization[C] //Proc of the 14th Int Conf on Pattern Recognition. Piscataway, NJ: IEEE, 1998: 1862-1864.

[70]Justino E J R, Bortolozzi F, Sabourin R. Off-line signature verification using HMM for random, simple and skilled forgeries[C] //Proc of the Int Conf on Document Analysis and Recognition. Piscataway, NJ: IEEE, 2001: 1031-1034.

[71]Velez J F, Sanchez A. Robust off-line signature verification using compression networks and positional cuttings[C] //Proc of the 13th IEEE Workshop on Neural Networks for Signal Processing. Piscataway, NJ: IEEE, 2003: 627-636.

[72]Sansone C, Vento M. Signature verification: increasing performance by a multi-stage system[J]. Pattern Analysis & Applications, 2000, 3(2): 169-181.

[73]Fierrez J, Ortega-Garcia J, Ramos D, et al. HMM-based on-line signature verification: Feature extraction and signature modeling[J]. Pattern Recognition Letters, 2007, 28(16): 2325-2334.

[74]Lee L L, Berger T, Aviczer E. Reliable online human signature verification systems[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1996, 18(6): 643-647.

[75]Ketabdar H, Richiardi J, Drygajlo A. Global feature selection for on-line signature verification[C] //Proc of the Int Graphonomics Society Conf. Piscataway, NJ: IEEE, 2005: 625-629.

[76]Nalwa V S. Automatic on-line signature verification[J]. Proceedings of the IEEE, 1997, 85(2): 215-239.

[77]Fairhurst M C. Signature verification revisited: Promoting practical exploitation of biometric technology[J]. Electronics & Communication Engineering Journal, 1997, 9(6): 273-280.

[78]Jain A K, Griess F D, Connell S D. On-line signature verification[J]. Pattern Recognition, 2002, 35(12): 2963-2972.

[79]Li B, Zhang D, Wang K. Online signature verification based on null component analysis and principal component analysis[J]. Pattern Analysis and Applications, 2006, 8(4): 345-356.

[80]Munich M E, Perona P. Visual identification by signature tracking[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(2): 200-217.

[81]Kholmatov A, Yanikoglu B. Identity authentication using improved online signature verification method[J]. Pattern Recognition Letters, 2005, 26(15): 2400-2408.

[82]Faundez-Zanuy M. On-line signature recognition based on VQ-DTW[J]. Pattern Recognition, 2007, 40(3): 981-992.

[83]Yang L, Widjaja B K, Prasad R. Application of hidden Markov models for signature verification[J]. Pattern Recognition, 1995, 28(2): 161-170.

[84]Kashi R S, Hu J, Nelson W L, et al. On-line handwritten signature verification using hidden Markov model features[C] //Proc of the 4th Int Conf on Document Analysis and Recognition. Piscataway, NJ: IEEE, 1997: 253-257.

[85]Dolfing J G A, Aarts E H L, Van Oosterhout J. On-line signature verification with hidden Markov models[C] //Proc of the 14th Int Conf on Pattern Recognition. Piscataway, NJ: IEEE, 1998: 1309-1312.

[86]Goudelis G, Tefas A, Pitas I. Emerging biometric modalities: A survey[J]. Journal on Multimodal User Interfaces, 2008, 2(3/4): 217-235.

[87]Boyd J E, Little J J. Biometric Gait Recognition[M] //Advanced Studies in Biometrics. Berlin: Springer, 2005: 19-42.

[88]Hiller M, Zhang Z, Backofen R, et al. pre-mRNA secondary structure and splice site selection[J]. PLOS Genet, 2007, 3(11): e204.

[89]Zheng T F. Prove yourself by yourself with the use of speaker recognition technology[C/OL]. //Proc of the NCMMSC’15. 2015 [2015-12-20]. http://cslt.riit.tsinghua.edu.cn/～fzheng/R&D.htm#R&D_Invited.

[90]Faundez-Zanuy M. Data fusion in biometrics[J]. IEEE Aerospace and Electronic Systems Magazine, 2005, 20(1): 34-38.

[91]Ross A, Jain A. Information fusion in biometrics[J]. Pattern Recognition Letters, 2003, 24(13): 2115-2125.

鄭 方

教授，博士生導(dǎo)師，主要研究方向?yàn)檎f(shuō)話人識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理.

fzheng@tsinghua.edu.cn

艾斯卡爾·肉孜

博士研究生，主要研究方向?yàn)檎f(shuō)話人識(shí)別.

askar@cslt.riit.tsinghua.edu.cn

王仁宇

碩士研究生，主要研究方向?yàn)檎f(shuō)話人識(shí)別.

jsnuwangry@163.com

李藍(lán)天

博士研究生，主要研究方向?yàn)檎f(shuō)話人識(shí)別.

lilt@cslt.riit.tsinghua.edu.cn

Overview of Biometric Recognition Technology

Thomas Fang Zheng1,2,3, Askar Rozi1,2,3, Wang Renyu4, and Li Lantian1,2,3

1(CenterforSpeechandLanguageTechnologies,DivisionofTechnicalInnovationandDevelopment,TsinghuaNationalLaboratoryforInformationScienceandTechnology,Beijing100084)2(CenterforSpeechandLanguageTechnologies,ResearchInstituteofInformationTechnology,TsinghuaUniversity,Beijing100084)3(DepartmentofComputerScienceandTechnology,TsinghuaUniversity,Beijing100084)4(SchoolofLinguisticSciences,JiangsuNormalUniversity,Xuzhou,Jiangsu221116)

The identity authentication based on biometric identification technology is the demand of the development of information and economic globalization, and also one of the important technologies in governmental and commercial fields. In this paper, the fundamental principles, performance evaluation, key technologies, research status and application of biometric recognition are introduced. Through the overview of the research on different biometric recognition technologies of fingerprint, palmprint, iris, face, finger-vein, and voiceprint, we compare them in term of error rate, stability, usability, processing speed, and anti-spoofing. Then their applications in various aspects for both identification and verification scenarios are illustrated; the fusion technology and security problem are discussed; and the industrial and national standardization is introduced. Finally, the prospects of biometric recognition technologies are discussed additionally.

biometric recognition; identity authentication; fingerprint; voiceprint; face; palmprint; iris; finger-vein

2016-01-03

國(guó)家自然科學(xué)基金項(xiàng)目(61271389,61371136)；國(guó)家“九七三”重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃基金項(xiàng)目(2013CB329302)

TP391.4