“互联网+”生物识别的未来

陆平 曹茜芮

随着互联网+时代的到来，移动支付、共享出行、智慧安防、智慧医疗等应用场景对身份验证和安全保障提出了更高要求。生物识别是利用人体生理特征或行为特征进行个人身份鉴定的技术，其与“互联网+”相结合，成为商业创新的重要驱动力。

新时代生物识别技术创新

随着互联网+时代的到来，移动支付、共享出行、智慧安防、智慧医疗等应用场景对身份验证和安全保障提出了更高要求，生物识别以其便捷性和唯一性成为重要研究和应用发展方向。生物识别技术包括人脸识别、指纹识别、虹膜识别、声纹识别、指静脉识别及步态识别等，互联网+生物识别成为商业创新的重要驱动力。比如，2018年以来，身份证、社保卡、驾照、居住证、营业执照等证件电子化成为重要趋势；4至5月，警方利用AI人脸识别技术在张学友三场演唱会上逮捕了多名在逃犯罪嫌疑人；北京地铁有望在年内启动人脸识别乘车试点，安检系统也将引入刷脸技术，提高乘客通行速度等。

人脸识别超过肉眼识别率

人脸识别技术主要基于深度学习算法。传统的人脸识别算法通常采用浅层机器学习模型，它需要根据各类任务设计不同系统，并采用人工设计特征，如人脸识别采用LBP特征、人脸检测采用Haar-like特征、行人检测采用HOG特征。传统方法在非约束环境的效果较差，主要原因是非约束环境下人们姿势多种多样，且光照条件角度也变化，难以利用LBP特征、Haar特征获取人脸显著信息，这进一步表明人工设计特征往往难以满足现实中的复杂任务需求。新一代的人脸识别算法主要基于深度学习CNN（卷积神经网络），它通过构建具有多个隐层的神经网络模型，利用海量数据来学习更有用的特征。相对于传统特征工程，新算法能够自动学习特征，降低人工选择特征对预测效果的影响。相对于浅层模型，深度模型能重复利用中间层的计算单元，进而大量减少网络中的自由参数。

从技术效果来看已经超越人的肉眼识别率。2014年，由香港中文大学汤晓鸥等人开发的DeepID深度学习模型在国际权威人脸识别数据库LFW性能评测中获得了99.15%的识别率，超越了人肉眼在LFW数据库中的识别率（97.52%）。2017年，腾讯优图借助Tensorflow集群训练平台，集成了三个深度分别为360、540、720层的深度网络，将最后一层全连接层的输出作为特征输出，三个模型融合达到99.80%的准确率，该成绩目前处于全球第一水平。

应用场景越来越宽，更多行业引入人脸识别技术。比如，移动APP领域，Faceu利用商汤SenseAR增强现实感引擎，为用户面部、手势实现AR特效。美图秀秀和美颜相机APP利用旷视的人脸检测和关键点检测技术，在图像中精准定位人脸和五官位置。新零售领域，龙湖长楹天街与旷视合作，实现当会员进行消费或二次到店时，智能零售系统便能快速地识别并提醒商家。新出行领域，滴滴出行的人像认证是由旷视FaceID身份验证系统支持，以保证司机注册账户和本人信息相符。安全领域，福建省公安厅与腾讯互联网+合作事业部联合发布的“牵挂你”防走失平台，依托腾讯优图的高识别率和毫秒级的海量检索能力，提高走失人员信息匹配准确率。金融领域，农行、建行、中行、交行等多家银行与云从科技合作，进行金融身份认证与远程认证，旷视为阿里巴巴的支付宝提供了从端到云的 FaceID远程身份验证服务。

指纹识别技术广泛应用

指纹识别技术是利用传感器、图像处理、模式识别的技术来匹配指纹之间是否一致。指纹识别涵盖图像采集、特征提取和匹配等环节。传统的指纹图像采集有油墨采集、光学全反射、电容传感器、超声波等方法，提取的特征主要包括指纹的方向场、脊线的密集程度、脊线端点和分叉点等。然而，传统指纹识别技术面临以下问题：一是在1对N情形下，随着人数不断增加，识别准确率明显降低；二是指纹防伪方面仍有欠缺，如利用指纹膜、照片等方法可能破解指纹验证。为解决人数增加导致准确率下降的问题，新的方法是利用深度学习技术，它能够随着数据量增大逐渐提升指纹识别精度。利用高质量指纹训练字典，处理低质量指纹时通过字典来选择候选方向场，然后对比连续性来选出质量较好的方向场。为增强指纹识别的防伪能力，可利用光学断层扫描技术对指纹更为精密的数据进行提取。

指纹识别技术较成熟，已广泛应用于金融、医疗、移动支付等各行业。金融领域，指纹识别技术用于对银行员工的身份认证、自动取款机客户的身份认证等。医疗领域，医院等对用户信息安全认证，如对患者及捐赠者进行鉴定，进而防止欺诈。移动支付领域，指纹识别技术广泛应用于手机支付操作之中，能够代替密码进行个人身份识别，起到保护个人财产安全的作用。

虹膜识别具有较强唯一性

虹膜识别技术是基于眼睛中的虹膜进行身份识别，虹膜体积虽然小（直径大约1厘米），但包含大量的信息（虹膜中有许多相互交错的斑点、细丝、冠状、条纹、隐窝等特征），且虹膜在发育到一定阶段后较为稳定，这决定了虹膜对于身份识别具有较强唯一性。虹膜识别过程可分为虹膜图像采集、数据预处理及分析对比等环节。虹膜图像采集需要用到CCD、CMOS及人机交互、视觉反馈模块等，然后通过数字图像处理技术、模式识别和人工智能技术对采集到的虹膜图像进行处理、存储、比对，实现对人员身份的认证和识别。

虹膜识别技术主要应用于工业领域，如煤炭行业，由于工人面部、指纹等生物特征易受损毁，人脸识别、指纹识别等技术并不适用，虹膜识别技术则较适合。

声纹识别成为重要应用

与人脸、指纹、虹膜的人体生理特征不同，声纹属于人体行为特征。声纹识别是一项提取说话人声音特征和说话内容信息，自动核验说话人身份的技术，可分为两类：说话人确认技术、说话人辨认技术。说话人确认技术是用于判断未知说话人是否为某个指定人，主要应用于证券交易、银行交易、公安取证、电脑声控锁、汽车声控锁、身份证、信用卡等身份识别领域。说话人辨认技术是用于在已经记录的说话人中辨认出未知说话人的身份，主要应用于刑侦破案、罪犯跟踪、国防监听、个性化应用等领域。当前声纹识别技术可分为静态检测技术与动态监测技术。静态检测技术是抽取说话人声音的基音频谱及包络、基音帧的能量、基音共振峰的出现频率及其轨迹等参数表征后，运用模式识别等匹配算法进行识别。动态检测方面，利用VAD技术降噪、去除混响，动态时间规整、矢量量化、支持向量机等方法进行特征提取，主要采用隐马尔可夫模型和高斯混合模型进行预测，深度学习模型也有一定应用。

BI智能公司的研究报告发现，1800万名美国消费者已经使用了语音支付，预计这一数据将以31%的年复合增长率增长。2017年巴克莱银行宣布即将实现语音支付功能，用户可以通过口语的方式指示Siri将银行账号内的资金支付给收款人，用户需要用Touch ID来进行身份与付款验证。

未来应用场景将极度拓展

随着深度学习等人工智能技术不断成熟，生物识别准确率大幅上升，商业应用范围将极大拓展。目前，以深度学习算法为代表的人工智能技术发展，为生物识别提供了计算和分析支撑，海量的高质量生物特征数据也为训练深度神经网络提供了资源。相比传统算法，深度学习在图像、语音领域大幅提升了识别率。如在语音识别领域，传统使用混合高斯模型，其在真实复杂环境中效果欠佳，深度学习算法的应用使得识别错误率下降30%左右。生物识别的准确率得到大幅提升，这促使生物识别技术大大拓展了应用范围，如向移动APP、刷脸支付、新零售、新出行等领域拓展。

随着3D成像和传感模组开发，人脸识别、虹膜识别功能将成为智能终端的标准配置。2017年，高通推出了前置iris生物识别模组及高端计算机视觉摄像头模组。Iris生物识别模组主要用于虹膜识别，具有40ms的低延时，并能够支持活体检测。高端计算机视觉摄像头模组通过红外发光器发射出光束，IR摄像头读取该光斑图案，对点状图在物体上发生的扭曲以及点与点之间的距离进行计算，进而与RGB图像进行复合，最后构成3D模型。这意味着搭载高通下一代处理器的智能手机能够实现3D人脸识别、虹膜识别功能。

基于生物识别技术的数字身份，将成为未来主流的身份识别方式。当前主流身份识别方法仍是主要由身份标识物品（例如，钥匙、证件、银行卡等）和身份标识知识（例如，用户名、密码）等承担。相比主流身份识别方式，采用生物识别技术的数字身份更具安全性和便捷性。围绕数字身份，Microsoft、Blockstack已开始布局，在移动设备、云存储供应商及桌面NAS驱动器中推广个人云存储，将区块链应用于数字证书和服务提供商之间的信任服务。

总之，随着信息科技的快速發展，互联网+生物识别技术也越来越成熟，应用场景和商业前景愈加宽广。