胡泊 2006-11-30 10:59 AM
生物识别技术基础知识
人类利用生物特征识别的历史可追溯到古代埃及人通过测量人体各部位的尺寸来进行身份鉴别，现代生物识别技术始于70年代中期，由于早期的识别设备比较昂贵，因而应用仅限于安全级别要求较高的原子能实验、生产基地等。现在由于微处理器及各种电子元器件成本不断下降，精度逐渐提高，生物识别系统逐渐应用于商业上的授权控制，如门禁、企业考勤管理系统安全认证等领域。
用于生物识别的生物特征有手形、指纹、脸形、虹膜、视网膜、脉搏、耳廓等，行为特征有签字、声音、按键力度等。基于这些特征，人们已经发展了手形识别、指纹识别、面部识别、发音识别、虹膜识别、签名识别等多种生物识别技术。
生物识别技术和生物识别系统
生物识别技术是利用人体生物特征进行身份认证的一种技术。生物特征是唯一的（与他人不同），可以测量或可自动识别
和验证的生理特性或行为方式，分为生理特征和行为特征。
生物识别系统对生物特征进行取样，提取其唯一的特征并且转化成数字代码，并进一步将这些代码组成特征模板，人们同识别系统交互进行身份认证时，识别系统获取其特征并与数据库中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。
生物识别技术优势
生物识别技术是目前最为方便与安全的识别技术，不需要记住复杂的密码，也不需随身携带钥匙、智能卡之类的东西。生物识别技术认定的是人本身，没有什么能比这种认证方式更安全、更方便。由于每个人的生物特征具有与其他人不同的唯一性和在一定时期内不变的稳定性，不易伪造和假冒，所以利用生物识别技术进行身份认定，安全、可靠、准确。此外，生物识别技术产品均借助于现代计算机技术实现，很容易配合电脑和安全、监控、管理系统整合，实现自动化管理。指纹机和手形机的市场占有率为34%和26%。
为了更加清晰的了解生物识别技术，本文将对生物识别技术中的指纹、虹膜、视网膜、面相等识别技术作一介绍。
指纹识别技术
每个人的指纹皮肤纹路在图案、断点和交叉点上各不相同，是唯一的，并且终生不变，依靠这种唯一性和稳定性，就可以把一个人同他的指纹对应起来，通过将他的指纹和预先保存的指纹进行比较，便可验证他的真实身份，这就是指纹识别技术。
原理
指纹其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图像。多年来在各个公司及其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图像属于个人隐私，因此不能直接处理指纹图像）。但指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。
识别指纹主要从总体特征和局部特征两个方面展开。英国学者E.R.Herry认为，在考虑局部特征的情况下，只要比对13个特征点重合，就可以确认为是同一个指纹。
总体特征
总体特征是指那些用入眼直接就可以观察到的特征，包括纹行、模式区、核心点、三角点和纹数等内容。
纹形
指纹专家在长期实践的基础上，根据脊线的走向与分布情况，一般将指纹分为环型（又称斗形）、弓形、螺旋形三类，如图1所示：
其他的指纹图案都基于这三种基本图案。仅仅依靠纹形来分辨指纹是远远不够的，这只是一个粗略的分类，通过更详细的分类使得在大数据库中搜寻指纹更为方便快捷。
模式区（Pattern Area）
模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的，如图2-1所示。有的指纹识别算法只使用模式区的数据。
SecureTouch的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。
核心点（Core Point）
核心点位于指纹纹路的渐进中心，在读取指纹和比对指纹时作为参考点，如图2-2所示。许多算法是基于核心点的，即只能处理和识别具有核心点的指纹。核心点对于SecureTouch的指纹识别算法很重要，但没有核心点的指纹，仍然能够处理。
三角点（Delta）
三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点，如图2-3所示。三角点提供了指纹纹路的计数跟踪的开始之处。
纹数（Ridge Count）
指模式区内指纹纹路的数量，如图2-4所示。在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。
局部特征
局部特征是指指纹上的节点的特征，这些具有某种特征的节点称为特征点。两枚指纹经常会具有相同的总体特征，但它们的局部特征--特征点，却不可能完全相同。
指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或打折。这些断点、分叉点和转折点就称为“特征点”。“特征点”可以细分为终结点、分叉点、分歧点、孤立点、环点和短纹等类型，其中最典型的是终结点和分叉点。正是这些特征点提供了指纹唯一性的确认信息。如图2-5所示。
特征点参数
特征点参数分为方向、曲率、位置三类：方向（Orientation），节点可以朝着一定的方向；曲率（Curvature），描述纹路方向改变的速度；位置（Position），节点的位置通过（x,
y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。
优点
1.指纹是人体独一无二的特征，并且复杂度足以提供用于鉴别的特征。
2.扫描指纹的速度很快，使用方便。
3.读取指纹时，用户必须将手指与指纹采集头直接接触，增强识别可靠性。
4.指纹采集头可以更加小型化。
缺点
1.某些群体的指纹特征很少，难以成像。
2.采集头留下用户的指纹痕迹，有被人复制、冒用的可能性。
面像识别技术
九十年代后期，随着计算机处理速度的飞速提高及图形识别算法的革命性改进，“面像识别”技术脱颖而出，以其独特的方便、经济、准确而受到世人的瞩目。
面像识别技术是通过对面部特征和其之间的关系来进行识别的一种生物识别技术。
原理
面像识别技术包含课题
面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中，判断是否存在面像并分离出面像。面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。
参考模板方法首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过计算机比对来判断是否存在人脸；人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断是否测试样本包含人脸；样本学习则采用模式识别中人工神经网络方法，通过对面像样本集、非面像样本集的学习产生分类器；肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测；特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像，上述方法在实际系统中也可综合采用。
面像跟踪指对被检测到的面像进行动态目标跟踪。一般采用基于模型的方法或基于运动与模型相结合的方法，此外，肤色模型跟踪也是一种简单有效的手段。
面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。其本质是采样面像与库存面像的依次比对并找出最佳匹配对象，因此，面像的描述决定了面像识别的具体方法与性能。
面像识别技术的方法分类
目前主要有特征向量与面纹模板两种描述方法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等属性，然后计算出其几何特征量，这些特征量形成描述该面像的特征向量；面纹模板法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结合的方法。
面像识别系统则采用“局部特征分析”(Local Feature Analysis,
LFA)算法，该算法速度快，误认低，无需学习，利用人脸各器官及特征部位的方位、比例、对应几何关系等数据形成识别参数，与数据库中所有原始参数比较、判断、确认。
任何一个面像识别系统的基本要点是如何将面像进行编码。面像识别技术使用局部特征分析LFA来描述面部图像，源于类似搭建积木的局部统计的原理。
LFA
是基于以下事实的一种计算方法，即所有的面像（包括各种复杂的式样）都可以从由很多不能再简化的结构单元子集综合而成。这些单元使用了复杂的统计技术而形成的，它们代表了整个面像，通常跨越多个象素（在局部区域内）并代表了普遍的面部形状，但并不是通常意义上的面部特征。实际上面部结构单元比面像的部位要多得多。
然而，要综合形成一张逼真，精确的面像，只需要整个可用集合中很少的单元子集（12-40特征单元）。要确定身份不仅仅取决于特性的单元，还决定于其几何结构（比如面像特征的相关位置）。
通过这种方式，LFA将个人的特性对应成一种复杂的数字表达方式，可以进行对比和识别。
特征点
面像特征是指那些用入眼直接就可以观察到的面部特征，包括眼睛、鼻子、嘴巴、眉毛等内容。
特征参数
特征参数可以分为特征部位的方位、比例、对应几何关系等数据识别参数。
识别的步骤
1）建立面像档案：可以从摄像头采集面像文件或取照片文件，生成面纹（Face print）编码即特征向量；
2）获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹；
3）将当前面像的面纹编码与档案中的面纹编码进行检索比对；
4）确认面像身份或提出身份选择。
上述整个过程都自动、连续、实时地完成。而且系统只需要普通的处理设备。
优点
面像识别是一种理想的生物识别方法，可以广泛地应用于各种领域。与其他识别方式相比，具有以下突出特点：
1）精确性，其精确性可以和最好的指纹识别系统相比，性能/成本比高，只需要通用的PC硬件及相应的软件，费用较低；
2）主动性，可以不需要使用者的主动参与或被动配合，可以自动用在隐蔽的场合；
3）防伪性，可以防止照片欺诈；
4）用户易接受，简单易用，对用户无特殊要求；
5）可跟踪性良好，对每次事件都保存一条有时间/日期的面部图像；
6）具有自学习的功能
；系统能够动态地更新数据库中用户的头像，从而保证在用户的面像及环境的变化下仍然能够快速准确地识别。
缺点
1）使用者面部的位置与周围的光环境都可能影响系统的精确性；
2）面像是别技术的改进依赖于提取特征的技术与比对技术的提高，且采集图像的设备比较昂贵；
3）对于头发、饰物、年龄变大以及其他变化引起的差异，可能需要通过人工智能来补充。
虹膜识别技术
虹膜识别技术是基于自然光或红外光照射下，对虹膜上可见的外在特征进行计算机识别的一种生物识别技术。
原理
虹膜识别技术是利用虹膜终身不变性和差异性的特点来识别身份的，虹膜识别技术与相应的算法结合后，可以到达十分优异的准确度，即使全人类的虹膜信息都录入到一个数据中，出现认假和拒假的可能性也相当小，但是这项技术的无法录入问题已经成了它同其它识别技术抗衡的最大障碍，由于虹膜识别技术的高精度使其能够在众多识别技术中占有一席之地。
如图3所示，简单的展示出人类眼球的结构，其中虹膜是围绕瞳孔呈现绚丽色彩的一层生理薄膜。
虹膜是包裹在眼球上的彩色环状物，每一个虹膜都包含一个独一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构。眼睛的虹膜由相当复杂的纤维组织构成，其细部结构在出生之前就以随机组合的方式决定下来了，虹膜识别技术将虹膜的可视特征转换成一个512个字节的Iris
Code（虹膜代码），这个代码模板被存储下来以便后期识别所用，512个字节对生物识别模板来说是一个十分紧凑的模板，但对从虹膜获得的信息量来说是十分巨大的。
从直径11mm的虹膜上，Dr.
Daugman（虹膜识别的开拓者——英国剑桥大学教授）的算法用3.4个字节的数据来代表每平方毫米的虹膜信息，这样，一个虹膜约有266个量化特征点，而一般的生物识别技术只有13个到60个特征点。266个量化特征点的虹膜识别算法在众多虹膜识别技术资料中都有讲述，在算法和人类眼部特征允许的情况下，
Dr.
Daugman指出，通过他的算法可获得173个二进制自由度的独立特征点。这在生物识别技术中，所获得特征点的数量是相当大的。
特征点
一个虹膜约有266个量化特征点，包括像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征点。
精确度
由于虹膜代码是通过复杂的运算获得的，并能提供数量较多的特征点，所以虹膜识别技术是精确度最高的生物识别技术，具体描述如下：
·两个不同的虹膜信息有75%匹配信息的可能性是1:106
·等错率：1:1200000
·两个不同的虹膜产生相同虹膜代码（Iris Code）的可能性是1:1052
录入和识别
通过一个距离眼睛3英寸的精密相机来确定虹膜的位置；当相机对准眼睛后，逐渐将焦距对准虹膜左右两侧，确定虹膜的外沿，这种水平方法受到了眼睑的阻碍；同时将焦距对准虹膜的内沿（即瞳孔）并排除眼液和细微组织的影响。
单色相机利用可见光和红外线，红外线定位在700-900mm的范围内（这是IR技术的低限，美国眼科学会在对macular
cysts研究中使用同样的范围。）
在虹膜的上方，如图4所示，通过二维Gabor子波的方法来细分和重组虹膜图像，第一个细分的部分被称为phasor，要想明白二维gabor子波的原理需要懂得很深的数学知识。
虹膜在录入和识别的整个过程十分简单。虹膜定位可在1秒钟之内完成，产生虹膜代码的时间也仅需1秒的时间，即便是在有成千上万个虹膜信息数据库中进行检索，所用时间也不多。
有人可能会对如此快的速度产生质疑，其实虹膜识别技术的算法还受到了现有技术的制约。众所周知，处理器速度是大规模检索的一个瓶颈，另外网络和硬件设备的性能也制约着检索的速度。当然，由于虹膜识别技术采用的是单色成像技术，因此很难将其从瞳孔的图像中分离出来。但是虹膜识别技术所采用的算法允许图像质量在某种程度上有所变化。相同的虹膜所产生的虹膜代码也有25%的变化，这听起来好像是此项技术的致命弱点，但在识别过程中，这种虹膜代码的变化只占整个虹膜代码的10%，所占代码的比例是相当小的。
优点
1）便于使用；
2）可能是最可靠的生物识别技术；
3）用户位于设备之前，而无须物理接触。
缺点
1）很难将图像获取设备的尺寸小型化；
2）因聚焦的需求而要求昂贵的摄像头；
3）黑眼睛极难读取；
4）需要一个较好的光源。
视网膜识别技术
视网膜识别技术是利用激光照射眼球的背面以获得视网膜特征且技术含量较高的一种生物识别技术。
视网膜识别技术可能是最古老的生物识别技术，在20世纪30年代，通过研究就得出了人类眼球后部血管分布唯一性的理论，进一步的研究的表明，即使是孪生子，这种血管分布也是具有唯一性的，除了患有眼疾或者严重的脑外伤外，视网膜的结构形式在人的一生当中都相当稳定。
原理
视网膜是一些位于眼球后部十分细小的神经（一英寸的1/50），是人眼感受光线并将信息通过视神经传给大脑的重要器官，同胶片的功能有些类似，用于生物识别的血管分布在神经视网膜周围，即视网膜四层细胞的最远处。
视网膜扫描设备要获得视网膜图像，使用者的眼睛与录入设备的距离应在半英寸之内，并且在录入设备读取图像时，眼睛必须处于静止状态，使用者的眼睛在注视一个旋转的绿灯时，录入设备从视网膜上可以获得400个特征点，而指纹录入，只能提供30到40个特征点用来录入，由此可见，视网膜扫描技术的录入设备的认假率低于0.0001%（一百万分之一），并且拒假率的水平也会不断提高。
FAR拒假率是指系统不正确地拒绝一个已经获得权限的用户，使用视网膜录入技术的场合，例如一些军事设施，10%的拒假率是一个十分令人头疼的问题。即使是这样，它仍然是提供安全度的重要组成部分，当然在销售领域，一些对拒假率不真实的描述是一个十分难处理的问题。
对无法录入率，还无法获得可靠的统计数字，因为想获得无法录入的人数是件十分困难的事情，从经验来看，估计无法录入率可能在5-10%左右。
优点
1）精确度高，错误接受率（FAR）低至0.0001% ；
2）生物识别样本的稳定，视网膜是一种极其固定的生物特征，因为其“隐蔽性”，故不容易磨损；
3）难以伪造，要想提供伪造的视网膜将是非常耗时和困难的；
4）使用者不需要和设备进行直接接触；
5）记忆摸版小，仅需96个字节，减少摸版在独立设备中所占用的空间，提高视网膜设备的实用价值。
缺点
1）使用困难，视网膜生物扫描识别最难使用，每次都需要用户反复盯着一个小点几秒钟不动；
2）消费者感觉不好，由于其处在眼球的内部，是娇贵的领域，故许多人不情愿使用扫描设备；
3）静态设计，视网膜扫描受限于一定的图象获取机制；
4）成本高，一套视网膜扫描设备的成本约为2000-2500美元。