指纹识别 技术
前言
与传统的身份鉴别方法相比，生物特征识别技术更加 安全 、保密。这是因为生物特征在某种程度上都具有比较明显的普遍性、唯一性、稳定性及可采集性，一方面便于各类识别系统收集特征进行分析，另一方面能够准确地标识出身份信息。常见的生物特征包括指纹、手形、人脸、虹膜、视网膜、声音、签名等。评价这些生物特征识别技术的优劣主要考虑以下三个方面。一是性能，包括识别率、识别速度，以及在环境变化下的鲁棒性等。二是可接受性，即在平时工作生活里，该生物特征识别技术被接纳的程度。三是可欺骗性，即识别技术被欺骗的难易程度。表1给出了一些常用的生物特征识别技术的对比。
在安防领域中，指纹和 人脸识别 技术的应用最为广泛。在生物特征识别技术市场中，这两种特征识别技术占了一半以上的市场份额。本文在第二、三部分将分别介绍指纹和 人脸识别 技术，在第四部分对生物特征识别技术的前景进行个人的展望。
指纹识别 技术
指纹识别 是使用频率最高的生物特征识别技术之一。早在唐宋期间，指纹已经用于文书契约和司法审判中。现代的 指纹识别 技术经历了多年的积累，已经非常成熟，广泛应用在司法、公安和门禁领域。
所谓指纹，是指人体指尖表面的纹路。在指纹中，凸起的纹线为脊线，脊线与脊线之间的部分为谷线。根据脊线和谷线的结构，可以得到一些细节点。 指纹识别 主要就是利用这些细节点特征实现的。
指纹识别 主要包括指纹增强、特征提取和指纹匹配三个过程。
1、指纹增强：在指纹采集过程中，由于各种原因，采集到的指纹图像不可避免的引入了一些噪声，如果直接用于 指纹识别 ，往往难以达到较好的效果。我们可以通过一定的图像增强技术，改善指纹图像质量。这里会用到的技术有图像分割、直方图均衡化、滤波增强、二值化、细化等。
2、特征提取：前面提到，细节点特征是最常用的指纹特征。细节点特征的提取，就是在指纹图像中找到脊线终点和脊线分叉两个特征。经过了指纹增强的步骤，如果指纹图像能较好地分割，细节点很容易提龋但实际上有一些噪声很难处理，这样在增强后就会产生一些虚假特征。一般地，启发式 算法 可以删除虚假特征。特征提取后，我们得到了多组脊终点或分叉类型、位置坐标及方向信息等。
3、指纹匹配：指纹匹配 算法 有很多种，包括点模式匹配、脊模式匹配、基于图像的匹配和基于图形的匹配等。细节点匹配可以看做是点模式匹配的问题。点模式匹配就是将提取的细节点集与数据库中的细节点集进行匹配，如果通过一些旋转、尺度变换和平移变换，点集间是匹配的，那个两幅指纹图像就是匹配的。
指纹识别 与安防领域的结合主要体现在考勤和门禁等应用。指纹考勤机是最常见的 指纹识别 产品之一。常见的指纹考勤机厂商有中控 科技 、科密、安威士等。由于 指纹识别 算法 比较成熟，业务应用和用户体验对于这类产品显得尤为重要。
未来的 指纹识别 产品发展方向将集中在采集技术和应用模式创新。目前采集技术主要有4种类型：超声波扫描、光学成像、温差感应式识别及半导体硅感技术。超声波技术利用皮肤与空气对于声波阻抗的差异，可区分脊线和谷线的位置，能达到很高的精度，但因成本高，且无法进行活体 指纹识别 ，应用较少。光学成像利用光学传感器采集指纹图像，使用方便，价格便宜，使用最广泛。但光学成像设备也无法进行活体识别，这就产生了一些漏洞，如使用硅胶指模或断指等进行身份认证。温差感应式识别技术是基于温感原理实现的，通过感应手指与芯片映像区域间的温度差产生电信号。但由于热传导效应，时间一长，手指与芯片的温度就趋于一致了。半导体硅感技术即电容式技术，利用手指纹路与传感器之间的电容差，得到指纹图像。由于传感器发出的电子信号可直达真皮层，能获取更多可靠数据，提高识别准确率。随着传感器成本的不断下降，相信基于半导体硅感技术的 指纹识别 产品将应用的更为广泛。
人脸识别 技术人脸识别 技术
人脸由于其易采集的特性，受到很多行业客户的关注，特别是公安、海关、商场等。人类每天都在进行 人脸识别 ，因此也最能接受这种身份认证方式。 人脸识别 的研究始于上世纪中期，经历了数十年的努力，现在已经可以应用在我们的实际生活中，为我们提供各种便利。
人脸识别 主要分为人脸检测(face detection)、特征提取(feature extraction)和 人脸识别 (face recognition)三个过程。
人脸检测：人脸检测是指从输入图像中检测并提取人脸图像，通常采用haar特征和Adaboost 算法 训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器，则被判别为人脸图像。
特征提取：特征提取是指通过一些数字来表征人脸信息，这些数字就是我们要提取的特征。常见的人脸特征分为两类，一类是几何特征，另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系，如距离、面积和角度等。由于 算法 利用了一些直观的特征，计算量校不过，由于其所需的特征点不能精确选择，限制了它的应用范围。另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类 算法 只适合于人脸图像的粗略识别，无法在实际中应用。
表征特征利用人脸图像的灰度信息，通过一些 算法 提取全局或局部特征。其中比较常用的特征提取 算法 是LBP 算法 。LBP方法首先将图像分成若干区域，在每个区域的像素640x960邻域中用中心值作阈值化，将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调灰度变化保持不变。每个区域通过这样的运算得到一组直方图，然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。
