生物識別技術(shù)及其在金融支付安全領(lǐng)域的應(yīng)用

宋 丹 黃 旭

1(中國工商銀行博士后科研工作站 北京 100032)2(中國科學(xué)院大學(xué)博士后科研流動站 北京 100190)3(中國工商銀行城市金融研究所 北京 100032) (adanflytosky@163.com)

?

生物識別技術(shù)及其在金融支付安全領(lǐng)域的應(yīng)用

宋 丹1,2黃 旭3

1(中國工商銀行博士后科研工作站 北京 100032)2(中國科學(xué)院大學(xué)博士后科研流動站 北京 100190)3(中國工商銀行城市金融研究所 北京 100032) (adanflytosky@163.com)

生物識別技術(shù)的發(fā)展、金融支付安全性的完善以及用戶支付體驗需求的提升共同催生了生物識別支付，這種新型的支付方式對生物識別技術(shù)的硬件和軟件都提出了較高的要求.在大數(shù)據(jù)、云計算和智能硬件發(fā)展的基礎(chǔ)上，生物特征的采集精度、處理速度以及存儲容量都得到大幅提升，硬件方面已不是限制生物識別技術(shù)發(fā)展的最主要瓶頸.當(dāng)前，生物識別面臨的最大問題在于如何通過優(yōu)化識別算法來提升生物支付的成功率和可靠性，并且尋找更有競爭力的生物識別支付場景,針對這2個問題，首先在論述生物特征識別技術(shù)及其流程的基礎(chǔ)上分析了生物識別技術(shù)目前存在的問題及業(yè)界的解決途徑；在此基礎(chǔ)上分析了生物識別技術(shù)在金融支付安全領(lǐng)域的應(yīng)用場景.

生物特征; 支付安全; 特征提取; 模式識別; 多特征融合；空付

生物識別技術(shù)作為高新技術(shù)的代表以及信息安全領(lǐng)域應(yīng)用的主力軍，一直得到政府、軍方、商界、學(xué)術(shù)界以及醫(yī)學(xué)界的廣泛應(yīng)用[1].尤其是近年來隨著大數(shù)據(jù)、云計算、移動互聯(lián)技術(shù)的發(fā)展以及智能設(shè)備成本的降低，生物識別技術(shù)發(fā)展突飛猛進，市場規(guī)模也不斷擴大.

生物識別技術(shù)在金融行業(yè)的信息安全保障方面一直擁有廣泛的應(yīng)用場景，尤其是2010年之后，移動支付已經(jīng)融入了人們的生活，改變了人們的生活方式，僅2014年“雙11”當(dāng)天，支付寶移動支付交易筆數(shù)就已達到1.97億筆；但同時，2014年全年發(fā)生了至少1 500次數(shù)據(jù)泄露，10億條個人信息被竊[2].面對移動支付的興起與密碼安全問題之間日益尖銳的矛盾，生物識別技術(shù)則成為繼密碼之后移動支付安全保障的最新選擇.

雖然生物識別技術(shù)在金融支付領(lǐng)域擁有廣泛的市場，但有數(shù)據(jù)統(tǒng)計，生物識別支付的平均準確率為96%，仍有4%的特征匹配失敗，在生物密碼匹配失敗時，仍需要數(shù)字密碼作為輔助手段.本文主要結(jié)合業(yè)界發(fā)展現(xiàn)狀對生物識別技術(shù)中特征匹配存在的問題及其研究現(xiàn)狀進行了分析，并闡述了生物識別技術(shù)在金融支付安全領(lǐng)域的應(yīng)用.

1 生物識別技術(shù)理論綜述

1.1 生物識別技術(shù)及其工作流程

生物識別技術(shù)的官方定義如下：生物識別技術(shù)是通過計算機與光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計學(xué)原理等高科技手段密切結(jié)合，利用人體固有的生理特性(如指紋、人臉、虹膜等)和行為特征(如筆跡、聲音等)來進行個人身份的鑒定.一般來說一個生物識別最小系統(tǒng)及其工作流程如圖1所示:

圖1 生物識別最小系統(tǒng)及其工作流程

通常情況下，一個生物識別的最小系統(tǒng)包含傳感器、存儲器和處理器3個部分，傳感器是用戶生物信息的采集機構(gòu)；處理器負責(zé)信息預(yù)處理、特征提取、特征訓(xùn)練、特征匹配和特征識別；存儲器負責(zé)特征提取和訓(xùn)練結(jié)果的存放.生物識別工作過程包括用戶注冊和身份認證2個階段，其過程主要包含生物特征采集、預(yù)處理、特征提取及模式識別4個步驟.

1) 特征采集

特征采集是利用傳感器把人體固有的生理特征轉(zhuǎn)換為計算機可讀取的數(shù)字信息的過程.生物識別傳感器主要采用高精度的掃描儀、攝像機等光學(xué)設(shè)備，以及基于電容、電場技術(shù)的晶體傳感芯片、超聲波掃描、紅外線掃描等設(shè)備.

2) 預(yù)處理

預(yù)處理是將傳感器讀取的數(shù)字信息進行標準化，將原始數(shù)據(jù)處理成半結(jié)構(gòu)化數(shù)據(jù)的過程.通常預(yù)處理方法主要包括信息壓縮、降噪和數(shù)據(jù)歸一化等.

3) 特征提取

特征提取是提取生物特征中最具代表性的部分，是將其轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)的過程.特征提取和表達是生物識別過程的重點和難點，例如虹膜、指紋、人臉等圖像在采集時極易出現(xiàn)光照不均、平面旋轉(zhuǎn)、局部遮擋和三維形變等情況，這給后續(xù)的特征匹配與模式識別帶來極大的障礙，可能導(dǎo)致識別失敗，不能進行身份認定.

4) 模式識別

模式識別通常包括特征訓(xùn)練、特征匹配和特征識別，是通過機器學(xué)習(xí)與數(shù)據(jù)挖掘手段構(gòu)建分類器，對結(jié)構(gòu)化的特征向量進行匹配和識別的過程.其中，特征訓(xùn)練是通過機器學(xué)習(xí)方法對用戶注冊階段采集的生物特征數(shù)據(jù)集進行學(xué)習(xí)，生成生物特征分類器模型；特征匹配是將身份認證階段提取的生物特征與用戶注冊階段生成的生物特征數(shù)據(jù)庫模型進行匹配，并計算二者相似度；特征識別設(shè)置相似度閾值等識別準則，并對識別的結(jié)果進行接受或拒絕.

1.2 常見生物特征類型及其特點

從理論上來說，人的任何生理或者行為特征只要滿足普遍性、獨特性、唯一性、穩(wěn)定性、可采集性等條件，都可以作為生物特征用于身份鑒定.所謂普遍性，指每個人都具有的特征；所謂唯一性，指任何2個人的該特征都是不相同的；所謂穩(wěn)定性，指該特征不會隨時間等條件的變化而變化，至少在一段時間內(nèi)是不變的；所謂可采集性，指該特征要便于采集和定量測量.

根據(jù)以上標準和要求，常見的生物特征主要包括指紋、人臉、虹膜、視網(wǎng)膜、掌形、聲音和DNA等.國際生物識別集團的研究報告《生物識別市場與產(chǎn)業(yè)報告2009—2014》將各類生物特征的市場份額統(tǒng)計如圖2所示.

圖2 生物識別最小系統(tǒng)及其工作流程

從圖2的對比可以看出，指紋、人臉和虹膜是目前生物識別技術(shù)中應(yīng)用最為成功的3類特征.其中，指紋和人臉是目前商業(yè)應(yīng)用中最為廣泛的2類生物特征，但仍有其弊端：人臉識別準確率偏低，而指紋在采集過程中涉及個人隱私和信息安全問題；虹膜識別的準確率僅次于DNA，但其采集設(shè)備成本高，可采集性差，而且人們對虹膜識別接受度不高，因此在商業(yè)應(yīng)用中的普及程度不及人臉和指紋.

2 生物識別面臨的問題及其研究現(xiàn)狀

2.1 生物識別技術(shù)面臨的問題與挑戰(zhàn)

在高性能傳感器、處理器和存儲器極速更新?lián)Q代的今天，生物特征的采集精度、處理速度以及存儲容量都得到大幅提高，這些外圍硬件曾經(jīng)是生物識別技術(shù)的瓶頸，但這些問題目前已不能阻擋生物識別技術(shù)發(fā)展.目前，生物識別技術(shù)面臨的最主要問題是在如何提取穩(wěn)定的特征并對其進行準確的匹配.

以人臉特征為例，同一人的人臉特征在注冊和認證2個階段可能會出現(xiàn)光照變化、姿態(tài)變化、形態(tài)變化和局部遮擋.這些特征變化會造成對同一生物特征提取的特征向量不一致，導(dǎo)致特征匹配失敗.

2.2 生物識別技術(shù)問題的解決途徑及研究現(xiàn)狀

注冊與認證階段的生物特征變化對于特征提取與匹配會造成很大的障礙.針對這個問題，很多來自機器視覺和模式識別領(lǐng)域的專家與學(xué)者進行了深入的研究，并提出了基于局部不變特征的生物識別技術(shù)和基于多特征融合的生物識別技術(shù)等方法.

2.2.1 基于局部不變特征的生物識別技術(shù)

局部不變特征是指局部特征的檢測或描述對圖像的各種變化(如幾何形變、光照變化、視角變化等)保持不變.其基本思想是提取圖像內(nèi)容的本質(zhì)屬性特征，這些特征與圖像內(nèi)容的具體表現(xiàn)形式無關(guān)或具有自適應(yīng)性.局部不變特征的數(shù)學(xué)形式表示如下：

G(f)=G(H(f))，

(1)

其中，f表示圖像函數(shù)，G(f)表示圖像f的局部鄰域的特征提取函數(shù)，H(f)表示對圖像f的各種變換.特征提取函數(shù)G(f)對變換H具有不變形時提取的特征稱為局部不變特征.

局部不變特征一般具有以下特性：

1) 不變性——同一生物特征在不同條件下提取的特征向量是相同的；

2) 獨特性——不同生物特征的局部不變特征應(yīng)是易于區(qū)分的；

3) 局部性——提取特征時應(yīng)選取最具代表性的特征點，以減小遮擋物體時的干擾；

4) 魯棒性——對于圖像噪聲、量化誤差有很好的適應(yīng)性.

比較具有代表性的不變特征提取算法主要有以下幾種：

1) SIFT特征提取算法

尺度不變特征變換(scale-invariant feature transform, SIFT)是UBC大學(xué)的Lowe教授[3]于2004年發(fā)表于計算機視覺頂級期刊IJCV，其論文單篇被引次數(shù)達25 000余次.SIFT特征是基于物體上的一些局部外觀的興趣點而與影像的大小和旋轉(zhuǎn)無關(guān)，對于光線、噪聲、微視角改變的容忍度也相當(dāng)高.

SIFT特征提取主要包括尺度空間極值檢測、關(guān)鍵點定位、方向確定和關(guān)鍵點描述4個步驟，并最終對每一個特征點用128維特征向量進行描述.SIFT目前正逐漸從計算機視覺領(lǐng)域的理論研究轉(zhuǎn)向生物識別領(lǐng)域的實際應(yīng)用.例如，于祥春(2015)、羅佳(2010)、張龍媛、陳瑩(2012)，盧官明、劉瑞珍(2015)，張雪峰、趙莉(2015)等人提出了基于SIFT特征提取算法的人臉識別方法[4-8]；王紅葉(2014)、宋春仙(2013)、陳英(2014)等人針對虹膜提取質(zhì)量不高的情況提出了基于SIFT特征的虹膜識別方法[9-11]；張升斌、李吉成、陳小波(2013)提出了基于SIFT特征及改進Gabor濾波器的低質(zhì)量指紋增強算法[12]；陶筱嬌(2014)、苑瑋琦、林森、吳微(2012)，瞿中、王正勇(2011)等人針對掌紋識別過程中的掌紋缺失問題進行了研究，提出了基于SIFT特征的掌紋識別方法[13-15].

2) HOG特征提取算法

方向梯度直方圖(histogram of oriented gradient, HOG)特征提取算法是法國INRIA的Dalal等人[16]在2005年CVPR會議上提出的，該算法是一種通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征的特征提取算法.其特點是能夠準確地描述局部形狀信息，而且可以抑制姿態(tài)變化和光照變化帶來的影響.

HOG特征提取算法包括圖像歸一化、利用一階微分計算圖像梯度、基于梯度幅值的方向權(quán)重投影和HOG特征向量歸一化4個步驟.其最早應(yīng)用在行人監(jiān)測和智能交通，后來逐漸有專家和學(xué)者將其應(yīng)用在生物識別領(lǐng)域.慕春雷(2013)、郭金鑫、陳瑋(2013)、楊冰、王小華(2014)等人從復(fù)雜環(huán)境適應(yīng)性和提高魯棒性的角度提出了HOG及其衍生算法在人臉識別系統(tǒng)中的應(yīng)用[17-19]；李艷(2012)、周麗君(2014)針對生物識別中的感興趣區(qū)域提出了基于HOG的生物識別方法[20-21].

2.2.2 基于多特征融合的生物識別技術(shù)

針對生物特征在注冊和驗證時的姿態(tài)變化、光照變化、局部遮擋而造成生物識別失敗的情況，很多專家學(xué)者采用信息融合技術(shù)從多特征融合識別的角度對其進行了改進.信息融合是指對來自多個傳感器的數(shù)據(jù)進行多級別、多層次的處理，從而得到更加完備、更有意義的新信息，將多生物特征進行融合可以改進生物識別的準確性.

生物特征融合可分為以下3個層面[22]：

1) 數(shù)據(jù)層融合

數(shù)據(jù)層面的信息融合是將2種原始生物特征不經(jīng)處理直接進行融合.同一類生物特征進行數(shù)據(jù)層的融合有助于提高特征質(zhì)量，但不同類型的生物特征進行數(shù)據(jù)層面的融合意義不大.

2) 特征層融合

特征層面的信息融合是先分別將多種生物特征提取特征向量后，對特征向量進行串行或并行融合.

3) 決策層融合

決策層面的信息融合是將多種生物特征的識別結(jié)果進行融合.例如2種生物特征每種特征的誤識率都是10%，則理論上2種生物特性信息融合后的誤識率降為1%.

隨著多傳感器技術(shù)的發(fā)展，多特征融合生物識別的發(fā)展已具備條件.劉鐵根、李秀艷、王云新(2011)提出了基于SVM的多生物特征融合識別算法[23]；李雪妍(2008)、葛彥平(2012)提出了融合指紋與指靜脈特征的特征識別方法[24-25]；孔英會、陳佩瑤(2015)提出了一種融合人臉與步態(tài)特征的身份識別方法[26]；襲肖明、尹義龍(2013)提出了基于手指靜脈和手指輪廓的多特征生物識別方法[27].

3 生物識別技術(shù)在金融支付安全領(lǐng)域的應(yīng)用

3.1 基于生物識別技術(shù)的身份認證

Goode Intelligence公司的一份題為《支付中的生物識別技術(shù)——為個人定制支付安全保障：2015至2020年市場與科技分析、策略及預(yù)測》指出，預(yù)計到2020年，生物識別技術(shù)將為總額超過5.6萬億美元的移動支付提供安全保障，以生物特征代替數(shù)字密碼是未來發(fā)展的一大趨勢.

一般情況下，基于生物信息加密的支付鏈通常包括用戶、商戶和金融機構(gòu)3個部分，有時也包括中間機構(gòu)(如生物識別運營商和可信第三方等)這4個部分承擔(dān)的功能如圖3所示：

圖3 基于生物信息加密的支付鏈

用戶在與商家的交易可分為線上和線下2種模式.在線下交易時，首先，商戶通過用戶刷銀行卡來獲取用戶的賬戶信息，并通過生物信息采集終端獲取用戶的生物特征；其次，商戶將賬戶信息和生物特征傳入金融機構(gòu)，由金融機構(gòu)完成生物識別、交易認證、賬戶管理和資金清算；最后，金融機構(gòu)將交易信息反饋給用戶.由于不同銀行的生物識別標準不統(tǒng)一，有時還會存在第三方可信機構(gòu)，替代銀行完成生物識別和交易認證.在線上交易時，用戶通過手機端完成支付信息輸入、生物識別和交易認證，認證后由金融機構(gòu)完成賬戶管理和資金清算.

在基于生物識別的支付信息加密領(lǐng)域，支付寶正在研發(fā)六大生物識別技術(shù)：人臉、指紋、聲紋、掌紋、筆跡和鍵盤敲擊；而民生銀行近期也推出了手機銀行指紋支付服務(wù)，成為國內(nèi)率先試水生物識別支付應(yīng)用的商業(yè)銀行.民生銀行相關(guān)人士表示，生物識別技術(shù)可有效避免傳統(tǒng)短信驗證手段潛在風(fēng)險.

3.2 基于生物識別技術(shù)的金融支付

生物識別技術(shù)在金融支付安全領(lǐng)域目前主要用于支付加密和身份認證，類似于一道支付密碼.但是隨著互聯(lián)網(wǎng)金融和移動支付的發(fā)展，生物識別技術(shù)在金融支付領(lǐng)域正逐漸從“密碼”向“賬戶”過渡.生物識別支付與傳統(tǒng)支付最大的區(qū)別在于生物識別支付省去了銀行卡、手機、現(xiàn)金等硬件環(huán)境，直接通過生物特征與賬戶進行關(guān)聯(lián).在支付時直接掃描生物特征，與云端注冊的生物特征進行匹配，確認身份后完成支付.

互聯(lián)網(wǎng)金融公司一直是生物識別支付的先行者與推動者.早在2013年，芬蘭創(chuàng)業(yè)公司Uniqu就曾經(jīng)推出全球首個“刷臉”支付系統(tǒng).整個交易過程在5 s之內(nèi)就能完成.2014年1月，美國支付公司PulseWallet展示了采用富士通掌紋識別技術(shù)的無卡POS終端機，這項生物識別技術(shù)錯誤識別率僅為0.000 08%，錯誤拒絕率僅為0.01%，該公司表示，注冊用戶不需要隨身攜帶其銀行卡，只要通過掌紋識別就能夠完成支付.

2014年，生物識別支付領(lǐng)域掀起了一次新的高潮，支付寶宣布建立了“空付”系統(tǒng).空付采用了Alipay X Lab的2項創(chuàng)新技術(shù)——增強支付現(xiàn)實技術(shù)(augmented pay reality, APR)與信息回溯保障系統(tǒng)(information recall secure, IRS)：APR技術(shù)能夠建立網(wǎng)絡(luò)與現(xiàn)實世界的連接，通過對被拍攝對象的立體檢測和特征分析，精確識別現(xiàn)實世界的人或物.它可以定位到像素級的極小特征，對特征進行3D組合定位和精準識別；IRS系統(tǒng)根據(jù)APR技術(shù)解析后的信息，去追溯匹配在云端加密儲存的個人支付賬戶，從而完成支付.空付不僅能夠識別人臉等生物特征，而且理論上將生物識別拓展至“萬物”識別領(lǐng)域，任何足夠獨特的物體都可作為空付支付時的授權(quán)對象.雖然支付寶“空付”目前仍處于實驗室內(nèi)測階段，但仍對生物識別支付產(chǎn)生了巨大的影響.

目前，生物識別支付與生物識別支付加密相比還有很長的路要走，而一旦生物支付方式走入成熟，也就直接越過了繁瑣的線下現(xiàn)金和POS交易模式，而是從生物智能的角度省略了線下的交易環(huán)節(jié)，通過人臉等生物特征直接掛鉤銀行卡號和虛擬賬號，并順利實現(xiàn)支付，這就等于是很大程度上沖擊了線下收單市場和傳統(tǒng)的現(xiàn)金交易，提高了支付的無硬件化水平以及支付的流程性效率.

4 結(jié) 論

本文主要論述了生物識別技術(shù)及其在金融支付安全領(lǐng)域的應(yīng)用和挑戰(zhàn).主要研究成果如下：首先，本文敘述了生物識別概念及其工作流程，在此基礎(chǔ)上總結(jié)了生物識別目前面臨的問題及其研究現(xiàn)狀與解決途徑；其次，總結(jié)了生物識別技術(shù)在金融支付領(lǐng)域的身份認證和支付方面的應(yīng)用.

[1]王建高. 人臉識別技術(shù)的優(yōu)勢及其在金融行業(yè)的應(yīng)用[J]. 中國安防, 2014 (11): 68-71

[2]比特網(wǎng). 2014年超過10億條數(shù)據(jù)記錄被泄露[EB/OL]. [2015-03-03]. http://sec.chinabyte.com/203/13277203.shtml

[3]Lowe D G. Distinctive image features from scale-Invariant keypoints[J]. Proceedings of the International Journal of Computer Vision, 2004, 60(2): 91-110

[4]于祥春. 一種基于SIFT的特征提取在人臉識別算法中的應(yīng)用[D]. 長春: 吉林大學(xué), 2015

[5]羅佳. 基于SIFT的人臉識別研究[D]. 湘潭: 湘潭大學(xué), 2010

[6]張龍媛, 陳瑩. 貝葉斯模型下基于SIFT特征的人臉識別[J].計算機工程, 2012, 38(12): 125-128

[7]盧官明, 劉瑞珍. 基于圓形鄰域SIFT特征描述子的3D人臉識別[J]. 南京郵電大學(xué)學(xué)報: 自然科學(xué)版, 2015, 35(3): 12-17

[8]張雪峰, 趙莉. 視覺單詞優(yōu)化仿射尺度不變特征變換的視頻人臉識別[J]. 計算機應(yīng)用與軟件, 2015, 32(7): 223-227

[9]王紅葉. 基于尺度不變特征變換的虹膜識別方法[D]. 長春: 吉林大學(xué), 2014

[10]宋春仙. 非理想情況下的虹膜識別算法研究[D]. 宜昌: 三峽大學(xué), 2013

[11]陳英. 虹膜定位和識別算法的研究[D]. 長春: 吉林大學(xué), 2014

[12]張升斌, 李吉成, 陳小波. 基于SIFT特征及改進Gabor濾波器的低質(zhì)量指紋增強算法[J]. 重慶理工大學(xué)學(xué)報: 自然科學(xué), 2013, 27(2): 79-83

[13]陶筱嬌. 基于局部描述符的掌紋識別算法研究[D]. 臨汾: 山西師范大學(xué), 2014

[14]苑瑋琦, 林森, 吳微. 基于放射尺度不變特征變換的掌紋識別[J]. 儀器儀表學(xué)報, 2012, 33(7): 1594-1600

[15]瞿中, 正勇. 掌紋識別中尺度不變特征變換改進算法[J]. 計算機工程, 2011, 37(17): 169-171

[16]Dalal N, Triggs D. Histograms of oriented gradients for human detection[C] //Proc of IEEE Int Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2005: 886-893

[17]慕春雷. 基于HOG的人臉識別系統(tǒng)研究[D]. 成都: 電子科技大學(xué), 2013

[18]郭金鑫, 陳瑋. 基于HOG多特征融合與隨機森林的人臉識別[J]. 計算機科學(xué), 2013, 40(10): 279-283

[19]楊冰, 王小華. 基于HOG金字塔人臉識別方法[J]. 浙江大學(xué)學(xué)報, 2014, 48(9): 1564-1571

[20]李艷. 一種基于感興趣區(qū)域的虹膜定位算法研究[D]. 蘭州: 蘭州大學(xué), 2012

[21]周麗君. 基于矢量場卷積的虹膜定位算法研究[D]. 蘭州: 蘭州大學(xué), 2014

[22]謝振楠. 多傳感器信息融合技術(shù)研究[D]. 廣州: 廣東工業(yè)大學(xué), 2013

[23]劉鐵根, 李秀艷, 王云新. 基于SVM的多生物特征識別算法[J]. 納米技術(shù)與精密工程, 2011, 9(1): 44-47

[24]李雪妍. 融合指紋和指靜脈的多模態(tài)生物識別技術(shù)的研究[D]. 長春: 吉林大學(xué), 2008

[25]葛彥平. 基于匹配融合的指紋與指靜脈雙模態(tài)生物識別技術(shù)的研究[D]. 南京: 南京郵電大學(xué), 2012

[26]孔英會, 陳佩瑤. 基于視頻的人臉與步態(tài)自適應(yīng)融合身份識別[J]. 電視技術(shù), 2015, 39(5): 137-142

[27]襲肖明, 尹義龍, 楊公平. 基于手指靜脈與手指輪廓的個性化融合方法[J]. 計算機研究與發(fā)展, 2013, 50(9): 1914-1923

宋 丹

博士，主要研究方向為大數(shù)據(jù)及銀行應(yīng)用.

adanflytosky@163.com

黃 旭

碩士，高級經(jīng)濟師，主要研究方向為商業(yè)銀行戰(zhàn)略管理、互聯(lián)網(wǎng)金融.

huangxu@icbc.com.cn

Biometric Technology and Its Application in Financial Payment Security

Song Dan1,2and Huang Xu3

1(DepartmentofPostdoctoralWorkstation,IndustrialandCommercialBankofChina,Beijing100032)2(DepartmentofPostdoctoralResearchStation,UniversityofChineseAcademyofScience,Beijing100190)3(ResearchInstituteofUrbanFinance,IndustrialandCommercialBankofChina,Beijing100032)

The development of biometric technology, the improvement of financial payment security and the promotion of user’s payment experience have led to the development of biometric payment. This new model of payment has put forward higher requirements on the hardware and software of biometric technology. On the basis of the development of big data, cloud computing and intelligent hardware, the acquisition accuracy, processing speed and storage capacity of biological characteristics have been greatly improved, and the hardware is not the most important bottleneck in the development of biometric technology. At present, the biggest problem is how to improve the success rate and reliability of the biological payment through the optimal identification algorithm, and to find a more competitive biological recognition payment scenarios. In this paper, we first analyze the current problems and solutions of biometric identification technology and its process, based on the analysis of the application of biometric identification technology in the field of financial security.

biometric; payment security; feature extraction; pattern recognition; multi-feature fusion; KongFu

2015-12-25

TP309