手機閱讀本文新時代生物識别技術創新
随着互聯網+時代的到來，移動支付、共享出行、智慧安防、智慧醫療等應用場景對身份驗證和安全保障提出了更高要求，生物識别以其便捷性和唯一性成為重要研究和應用發展方向。生物識别技術包括人臉識别、指紋識别、虹膜識别、聲紋識别、指靜脈識别及步态識别等，互聯網+生物識别成為商業創新的重要驅動力。比如，2018年以來，身份證、社保卡、駕照、居住證、營業執照等證件電子化成為重要趨勢；4至5月，警方利用AI人臉識别技術在張學友三場演唱會上逮捕了多名在逃犯罪嫌疑人；北京地鐵有望在年内啟動人臉識别乘車試點，安檢系統也将引入刷臉技術，提高乘客通行速度等。
人臉識别超過肉眼識别率
人臉識别技術主要基于深度學習算法。傳統的人臉識别算法通常采用淺層機器學習模型，它需要根據各類任務設計不同系統，并采用人工設計特征，如人臉識别采用LBP特征、人臉檢測采用Haar-like特征、行人檢測采用HOG特征。傳統方法在非約束環境的效果較差，主要原因是非約束環境下人們姿勢多種多樣，且光照條件角度也變化，難以利用LBP特征、Haar特征獲取人臉顯著信息，這進一步表明人工設計特征往往難以滿足現實中的複雜任務需求。新一代的人臉識别算法主要基于深度學習CNN（卷積神經網絡），它通過構建具有多個隐層的神經網絡模型，利用海量數據來學習更有用的特征。相對于傳統特征工程,新算法能夠自動學習特征，降低人工選擇特征對預測效果的影響。相對于淺層模型，深度模型能重複利用中間層的計算單元，進而大量減少網絡中的自由參數。
從技術效果來看已經超越人的肉眼識别率。2014年，由香港中文大學湯曉鷗等人開發的DeepID深度學習模型在國際權威人臉識别數據庫LFW性能評測中獲得了99.15%的識别率，超越了人肉眼在LFW數據庫中的識别率（97.52%）。2017年，騰訊優圖借助Tensorflow集群訓練平台，集成了三個深度分别為360、540、720層的深度網絡，将最後一層全連接層的輸出作為特征輸出，三個模型融合達到99.80%的準确率，該成績目前處于全球第一水平。
應用場景越來越寬，更多行業引入人臉識别技術。比如，移動APP領域，Faceu利用商湯SenseAR增強現實感引擎，為用戶面部、手勢實現AR特效。美圖秀秀和美顔相機APP利用曠視的人臉檢測和關鍵點檢測技術，在圖像中精準定位人臉和五官位置。新零售領域，龍湖長楹天街與曠視合作，實現當會員進行消費或二次到店時，智能零售系統便能快速地識别并提醒商家。新出行領域，滴滴出行的人像認證是由曠視FaceID身份驗證系統支持，以保證司機注冊賬戶和本人信息相符。安全領域，福建省公安廳與騰訊互聯網+合作事業部聯合發布的“牽挂你”防走失平台，依托騰訊優圖的高識别率和毫秒級的海量檢索能力，提高走失人員信息匹配準确率。金融領域，農行、建行、中行、交行等多家銀行與雲從科技合作，進行金融身份認證與遠程認證，曠視為阿裡巴巴的支付寶提供了從端到雲的FaceID遠程身份驗證服務。
指紋識别技術廣泛應用
指紋識别技術是利用傳感器、圖像處理、模式識别的技術來匹配指紋之間是否一緻。指紋識别涵蓋圖像采集、特征提取和匹配等環節。傳統的指紋圖像采集有油墨采集、光學全反射、電容傳感器、超聲波等方法，提取的特征主要包括指紋的方向場、脊線的密集程度、脊線端點和分叉點等。然而，傳統指紋識别技術面臨以下問題：一是在1對N情形下，随着人數不斷增加，識别準确率明顯降低；二是指紋防僞方面仍有欠缺，如利用指紋膜、照片等方法可能破解指紋驗證。為解決人數增加導緻準确率下降的問題，新的方法是利用深度學習技術，它能夠随着數據量增大逐漸提升指紋識别精度。利用高質量指紋訓練字典，處理低質量指紋時通過字典來選擇候選方向場，然後對比連續性來選出質量較好的方向場。為增強指紋識别的防僞能力，可利用光學斷層掃描技術對指紋更為精密的數據進行提取。
指紋識别技術較成熟，已廣泛應用于金融、醫療、移動支付等各行業。金融領域，指紋識别技術用于對銀行員工的身份認證、自動取款機客戶的身份認證等。醫療領域，醫院等對用戶信息安全認證，如對患者及捐贈者進行鑒定，進而防止欺詐。移動支付領域，指紋識别技術廣泛應用于手機支付操作之中，能夠代替密碼進行個人身份識别，起到保護個人财産安全的作用。
虹膜識别具有較強唯一性
虹膜識别技術是基于眼睛中的虹膜進行身份識别，虹膜體積雖然小（直徑大約1厘米），但包含大量的信息（虹膜中有許多相互交錯的斑點、細絲、冠狀、條紋、隐窩等特征），且虹膜在發育到一定階段後較為穩定，這決定了虹膜對于身份識别具有較強唯一性。虹膜識别過程可分為虹膜圖像采集、數據預處理及分析對比等環節。虹膜圖像采集需要用到CCD、CMOS及人機交互、視覺反饋模塊等，然後通過數字圖像處理技術、模式識别和人工智能技術對采集到的虹膜圖像進行處理、存儲、比對，實現對人員身份的認證和識别。
虹膜識别技術主要應用于工業領域，如煤炭行業，由于工人面部、指紋等生物特征易受損毀，人臉識别、指紋識别等技術并不适用，虹膜識别技術則較适合。
聲紋識别成為重要應用
與人臉、指紋、虹膜的人體生理特征不同，聲紋屬于人體行為特征。聲紋識别是一項提取說話人聲音特征和說話内容信息，自動核驗說話人身份的技術，可分為兩類：說話人确認技術、說話人辨認技術。說話人确認技術是用于判斷未知說話人是否為某個指定人，主要應用于證券交易、銀行交易、公安取證、電腦聲控鎖、汽車聲控鎖、身份證、信用卡等身份識别領域。說話人辨認技術是用于在已經記錄的說話人中辨認出未知說話人的身份，主要應用于刑偵破案、罪犯跟蹤、國防監聽、個性化應用等領域。當前聲紋識别技術可分為靜态檢測技術與動态監測技術。靜态檢測技術是抽取說話人聲音的基音頻譜及包絡、基音幀的能量、基音共振峰的出現頻率及其軌迹等參數表征後，運用模式識别等匹配算法進行識别。動态檢測方面，利用VAD技術降噪、去除混響，動态時間規整、矢量量化、支持向量機等方法進行特征提取，主要采用隐馬爾可夫模型和高斯混合模型進行預測，深度學習模型也有一定應用。
BI智能公司的研究報告發現，1800萬名美國消費者已經使用了語音支付，預計這一數據将以31%的年複合增長率增長。2017年巴克萊銀行宣布即将實現語音支付功能，用戶可以通過口語的方式指示Siri将銀行賬号内的資金支付給收款人，用戶需要用TouchID來進行身份與付款驗證。
未來應用場景将極度拓展
随着深度學習等人工智能技術不斷成熟，生物識别準确率大幅上升，商業應用範圍将極大拓展。目前，以深度學習算法為代表的人工智能技術發展，為生物識别提供了計算和分析支撐，海量的高質量生物特征數據也為訓練深度神經網絡提供了資源。相比傳統算法，深度學習在圖像、語音領域大幅提升了識别率。如在語音識别領域，傳統使用混合高斯模型，其在真實複雜環境中效果欠佳，深度學習算法的應用使得識别錯誤率下降30%左右。生物識别的準确率得到大幅提升，這促使生物識别技術大大拓展了應用範圍，如向移動APP、刷臉支付、新零售、新出行等領域拓展。
随着3D成像和傳感模組開發，人臉識别、虹膜識别功能将成為智能終端的标準配置。2017年，高通推出了前置iris生物識别模組及高端計算機視覺攝像頭模組。Iris生物識别模組主要用于虹膜識别，具有40ms的低延時，并能夠支持活體檢測。高端計算機視覺攝像頭模組通過紅外發光器發射出光束，IR攝像頭讀取該光斑圖案，對點狀圖在物體上發生的扭曲以及點與點之間的距離進行計算，進而與RGB圖像進行複合，最後構成3D模型。這意味着搭載高通下一代處理器的智能手機能夠實現3D人臉識别、虹膜識别功能。
基于生物識别技術的數字身份，将成為未來主流的身份識别方式。當前主流身份識别方法仍是主要由身份标識物品（例如，鑰匙、證件、銀行卡等）和身份标識知識（例如，用戶名、密碼）等承擔。相比主流身份識别方式，采用生物識别技術的數字身份更具安全性和便捷性。圍繞數字身份，Microsoft、Blockstack已開始布局，在移動設備、雲存儲供應商及桌面NAS驅動器中推廣個人雲存儲，将區塊鍊應用于數字證書和服務提供商之間的信任服務。
總之，随着信息科技的快速發展，互聯網+生物識别技術也越來越成熟，應用場景和商業前景愈加寬廣。
責任編輯：衛麗紅
陸平賽迪智庫規劃所新興産業研究室副主任
曹茜芮賽迪智庫規劃所新興産業研究室分析師