生物特征識(shí)別技術(shù)的研究進(jìn)展

1生物特征識(shí)別的應(yīng)用:自然身份鑒別隨著全球電子商務(wù)的快速發(fā)展，人們可以通過(guò)internet和其他開(kāi)放網(wǎng)絡(luò)開(kāi)展在線電子交易和其他商業(yè)活動(dòng)。此外，由于網(wǎng)絡(luò)上有許多敏感的個(gè)人、軍隊(duì)和政府信息，只有經(jīng)過(guò)認(rèn)證的人才能訪問(wèn)這些信息。因此，網(wǎng)絡(luò)安全已成為網(wǎng)絡(luò)發(fā)展的中心主題，身份認(rèn)證作為網(wǎng)絡(luò)安全的一個(gè)重要方面越來(lái)越受到重視。關(guān)于個(gè)人身份鑒別的問(wèn)題可以分為兩類:認(rèn)證(verification)和識(shí)別(identification).認(rèn)證指的是驗(yàn)證用戶是否為他所聲明的身份(Areyouwhomyouclaim?),識(shí)別指的是確定用戶的身份(Whoareyou?).身份的鑒別主要基于:(1)持有物,如各種證件;(2)所了解的信息,如口令或密碼;(3)生理或行為特征,如指紋、手形、聲音、簽名等.第三種方法就是現(xiàn)在引起人們廣泛興趣的生物特征識(shí)別(biometrics)技術(shù),它是基于個(gè)人獨(dú)特的生理或行為特征進(jìn)行自動(dòng)身份鑒別的技術(shù).因?yàn)樯锾卣鞑粫?huì)像密碼那樣容易被忘記和破解,也不會(huì)像持有物那樣容易被竊取或轉(zhuǎn)移,因此人們認(rèn)為生物特征識(shí)別將是一種更加可靠、方便、快捷的大眾化身份識(shí)別手段.人的任何生理或行為特征只要它滿足下面的條件,原則上就可以作為生物特征用于身份鑒別:(1)普遍性,每個(gè)人都具有;(2)唯一性,任何兩個(gè)人都不一樣;(3)穩(wěn)定性,這種特征至少在一段時(shí)間內(nèi)是不變的;(4)可采集性,可以定量測(cè)量.然而,滿足上述條件的生物特征對(duì)一個(gè)實(shí)際的系統(tǒng)卻未必可行,因?yàn)閷?shí)際的系統(tǒng)還必須考慮:(1)性能,即識(shí)別的準(zhǔn)確性、速度、魯棒性以及為達(dá)到所要求的準(zhǔn)確性和速度所需要的資源;(2)可接受性,人們對(duì)于一種特定的生物特征識(shí)別在日常生活中的接受程度;(3)可欺騙性,用欺詐的方法騙過(guò)系統(tǒng)的難易程度.因此,一個(gè)實(shí)際的生物特征識(shí)別系統(tǒng)應(yīng)做到:(1)在合理的資源需求下實(shí)現(xiàn)可接受的識(shí)別準(zhǔn)確性和速度;(2)對(duì)人沒(méi)有傷害而且可為人們所接受;(3)對(duì)各種欺詐方法有足夠的魯棒性.目前人們研究和使用的生物特征識(shí)別技術(shù)主要有:人臉識(shí)別、虹膜識(shí)別、手形識(shí)別、指紋識(shí)別、掌紋識(shí)別、簽名識(shí)別、聲音識(shí)別.典型的生物特征識(shí)別系統(tǒng)如圖1所示,邏輯上包括兩個(gè)模塊:注冊(cè)模塊和識(shí)別模塊.在注冊(cè)模塊中首先登記用戶的姓名,通過(guò)生物特征識(shí)別傳感器得到用戶的生物特征信息,然后從獲取的數(shù)據(jù)中提取出用戶的特征模式,創(chuàng)建用戶模板,存儲(chǔ)在數(shù)據(jù)庫(kù)中.在識(shí)別模塊中同注冊(cè)過(guò)程一樣獲取用戶的生物特征信息,提取出特征模式,然后與事先注冊(cè)在數(shù)據(jù)庫(kù)中的模板相匹配,檢驗(yàn)用戶的身份.下面將對(duì)一些主要的生物特征識(shí)別技術(shù)分別加以介紹.2主要生物特征識(shí)別技術(shù)2.1人臉特征識(shí)別人臉識(shí)別是一個(gè)活躍的研究領(lǐng)域.雖然人臉識(shí)別的準(zhǔn)確性要低于虹膜、指紋的識(shí)別,但由于它的無(wú)侵害性和對(duì)用戶最自然、最直觀的方式,使人臉識(shí)別成為最容易被接受的生物特征識(shí)別方式.人臉識(shí)別主要有兩方面工作:在輸入的圖像中定位人臉;抽取人臉特征進(jìn)行匹配識(shí)別.目前的人臉識(shí)別系統(tǒng),圖像的背景通常是可控或近似可控的,因此人臉定位相對(duì)而言容易解決.而人臉識(shí)別由于表情、位置、方向以及光照的變化都會(huì)產(chǎn)生較大的同類差異,使得人臉的特征抽取十分困難.現(xiàn)在主要的人臉識(shí)別方法有:(1)基于臉部幾何特征的方法;(2)基于特征臉的方法;(3)神經(jīng)網(wǎng)絡(luò)的方法;(4)局部特征分析的方法;(5)彈性匹配的方法.基于幾何特征的識(shí)別是通過(guò)提取眼睛、眉毛、鼻子、嘴等重要器官的幾何形狀作為分類特征.特征臉是根據(jù)一組訓(xùn)練圖像,利用主元分析的方法,構(gòu)造主元子空間,這種方法是一種最小距離分類器,當(dāng)光照和表情變化較小時(shí)性能很好,但當(dāng)其變化較大時(shí)性能會(huì)顯著降低.神經(jīng)網(wǎng)絡(luò)方法是將圖像空間投影到隱層子空間,由于投影變換具有非正交、非線性的特性,而且可根據(jù)不同的需求構(gòu)造不同的網(wǎng)絡(luò),因此識(shí)別效果較好.局部特征分析方法是考慮到人臉顯著的特征信息并不是均勻分布于整個(gè)臉部圖像的,可能少量的局部區(qū)域卻傳達(dá)了大部分的特征信息,而且這些局部特征在投影前后的關(guān)系保持不變.彈性匹配方法是將人臉建模為二維或三維網(wǎng)格表面,應(yīng)用塑性圖形或可變形曲面匹配技術(shù)進(jìn)行匹配.在商用的人臉識(shí)別軟件中,FaceIt應(yīng)用的是局部分析法,Viisagesystem應(yīng)用的是特征臉?lè)椒?TrueFace應(yīng)用的是神經(jīng)網(wǎng)絡(luò)方法.2.2指紋的識(shí)別指紋識(shí)別是最古老的生物特征識(shí)別技術(shù),在很多領(lǐng)域中都得到了成功的運(yùn)用.指紋指的是指尖表面的紋路,其中突起的紋線稱為脊,脊之間的部分稱為谷.指紋的紋路并不是連續(xù)、平滑流暢的,而是經(jīng)常出現(xiàn)中斷、分叉或轉(zhuǎn)折,這些斷點(diǎn)、分叉點(diǎn)和轉(zhuǎn)折點(diǎn),稱為細(xì)節(jié)(minutiae),就是這些細(xì)節(jié)提供了指紋唯一性的識(shí)別信息.指紋的識(shí)別主要包括三部分:特征抽取,指紋分類,匹配決策.(1)特征提取從輸入的指紋圖像中提取出細(xì)節(jié),包括,方向場(chǎng)估計(jì)、脊線抽取及細(xì)化、細(xì)節(jié)抽取.(2)指紋圖像分類在身份識(shí)別中,為了提高識(shí)別速度,通常先將指紋圖像分類.分類算法可采用:利用奇異點(diǎn)等標(biāo)志信息,利用脊的方向和結(jié)構(gòu)信息,應(yīng)用句法模式識(shí)別方法.(3)串匹配算法決定兩個(gè)指紋是否來(lái)自同一手指.匹配方法有:①基于串的匹配,將2D的細(xì)節(jié)特征轉(zhuǎn)換成1D的串,應(yīng)用串匹配算法計(jì)算兩個(gè)串的距離;②基于Hough變換的匹配,首先估計(jì)變換的參數(shù),然后對(duì)準(zhǔn)細(xì)節(jié)點(diǎn),在一個(gè)邊界框內(nèi)計(jì)算匹配的點(diǎn)數(shù);③基于2D動(dòng)態(tài)規(guī)整的匹配,將被測(cè)指紋的細(xì)節(jié)進(jìn)行規(guī)整來(lái)對(duì)準(zhǔn)參考指紋,以獲得最大的匹配細(xì)節(jié)的數(shù)目.2.3改造膜的特性虹膜是一個(gè)位于瞳孔和鞏膜之間的環(huán)狀區(qū)域.與其它的生物特征相比,虹膜識(shí)別具有:高獨(dú)特性,虹膜的紋理結(jié)構(gòu)是隨機(jī)的,其形態(tài)依賴于胚胎期的發(fā)育;高穩(wěn)定性,虹膜可以保持幾十年不變,而且不受除光線之外的周圍環(huán)境的影響;防偽性好,虹膜本身具有規(guī)律性的震顫以及隨光強(qiáng)變化而縮放的特性,可以識(shí)別出圖片等偽造的虹膜;易使用性,識(shí)別系統(tǒng)不與人體相接觸;分析方便,虹膜固有的環(huán)狀特性,提供了一個(gè)天然的極坐標(biāo)系.在各種虹膜識(shí)別算法中,以Daugman和Wildes提出的算法最為經(jīng)典,大多數(shù)商業(yè)系統(tǒng)都是基于這兩種算法.虹膜識(shí)別算法包括:虹膜定位,虹膜對(duì)準(zhǔn),模式表達(dá),匹配決策.(1)典型的異質(zhì)性算法將虹膜從整幅圖像中分割出來(lái).為此必須準(zhǔn)確定位虹膜的內(nèi)外邊界,檢測(cè)并排除侵入的眼瞼.典型的算法是利用虹膜內(nèi)外邊界近似環(huán)形的特性,應(yīng)用圖像灰度對(duì)位置的一階導(dǎo)數(shù)來(lái)搜索虹膜的內(nèi)外邊界.(2)映射極坐標(biāo)系確定兩幅圖像之間特征結(jié)構(gòu)的對(duì)應(yīng)關(guān)系.Daugman將原始坐標(biāo)映射到一個(gè)極坐標(biāo)系上,使虹膜組織的同一部位映射到這個(gè)坐標(biāo)系的同一點(diǎn);Wildes算法應(yīng)用圖像配準(zhǔn)技術(shù)來(lái)補(bǔ)償尺度和旋轉(zhuǎn)的變化.(3)基于gawell-wildes的薄膜圖像編碼為了捕獲虹膜所具有的獨(dú)特的空間特征,可以利用多尺度分析的優(yōu)勢(shì).Daugman利用二維Gabor子波將虹膜圖像編碼為256字節(jié)的“虹膜碼”.Wildes利用拉普拉斯—高斯濾波器來(lái)提取圖像信息.(4)示匹配度Daugman用兩幅圖像虹膜碼的漢明距離來(lái)表示匹配度,這種匹配算法的計(jì)算量極小,可用于在大型數(shù)據(jù)庫(kù)中識(shí)別.Wildes是計(jì)算兩幅圖像模式表達(dá)的相關(guān)性,其算法較復(fù)雜,僅應(yīng)用于認(rèn)證.2.4手形認(rèn)證方法分析手形的測(cè)量比較容易實(shí)現(xiàn),對(duì)圖像獲取設(shè)備的要求較低,手形的處理相對(duì)也比較簡(jiǎn)單,在所有生物特征識(shí)別方法中手形認(rèn)證的速度是最快的.然而手形特征并不具有高度的唯一性,不能用于識(shí)別,但是對(duì)于一般的認(rèn)證應(yīng)用,它足可以滿足要求.目前手形認(rèn)證主要有兩種方法:基于特征矢量的方法和基于點(diǎn)匹配的方法.(1)用戶手形的特征矢量大多數(shù)的手形認(rèn)證系統(tǒng)都是基于這種方法.典型的手形特征包括:手指的長(zhǎng)度和寬度、手掌或手指的長(zhǎng)寬比、手掌的厚度、手指的連接模式等.用戶的手形表示為由這些特征構(gòu)成的矢量,認(rèn)證過(guò)程就是計(jì)算參考特征矢量與被測(cè)手形的特征矢量之間的距離,并與給定的閾值進(jìn)行比較判別.(2)點(diǎn)匹配方法上面方法的優(yōu)點(diǎn)是簡(jiǎn)單快速,但是需要用戶很好地配合,否則其性能會(huì)大大下降.采用點(diǎn)匹配的方法可以提高系統(tǒng)的魯棒性,但這是以增加計(jì)算量為代價(jià)的.點(diǎn)匹配方法的一般過(guò)程為:抽取手部和手指的輪廓曲線;應(yīng)用點(diǎn)匹配方法,進(jìn)行手指的匹配;計(jì)算匹配參數(shù)并由此決定兩個(gè)手形是否來(lái)自同一人.2.5掌紋識(shí)別的特征與指紋識(shí)別相比,掌紋識(shí)別的可接受程度較高,其主要特征比指紋明顯得多,而且提取時(shí)不易被噪聲干擾,另外,掌紋的主要特征比手形的特征更穩(wěn)定和更具分類性,因此掌紋識(shí)別應(yīng)是一種很有發(fā)展?jié)摿Φ纳矸葑R(shí)別方法.手掌上最為明顯的3～5條掌紋線,稱為主線.在掌紋識(shí)別中,可利用的信息有:幾何特征,包括手掌的長(zhǎng)度、寬度和面積;主線特征;皺褶特征;掌紋中的三角形區(qū)域特征;細(xì)節(jié)特征.目前的掌紋認(rèn)證方法主要是利用主線和皺褶特征.下面從掌紋特征抽取和特征匹配兩方面來(lái)概述掌紋識(shí)別算法.(1)提取的特征有兩類方法,一是抽取特征線,二是抽取特征點(diǎn).抽取特征線的優(yōu)勢(shì)在于可以用于低分辨率和有噪聲的圖像,抽取特征點(diǎn)的好處是抽取的速度快.(2)計(jì)算圖像線匹配和特征點(diǎn)匹配對(duì)應(yīng)于掌紋特征的抽取,特征匹配分為特征線匹配和特征點(diǎn)匹配.特征線匹配是計(jì)算兩幅圖像對(duì)應(yīng)特征線參數(shù)之間的距離,特征點(diǎn)匹配是兩幅圖像的兩個(gè)點(diǎn)集之間的幾何對(duì)準(zhǔn)過(guò)程.2.6簽名認(rèn)證方法簽名識(shí)別是一種行為識(shí)別技術(shù),目前簽名大多還只用于認(rèn)證.簽名認(rèn)證的困難在于,數(shù)據(jù)的動(dòng)態(tài)變化范圍大,即使是同一個(gè)人的兩個(gè)簽名也絕不會(huì)相同.簽名認(rèn)證按照數(shù)據(jù)的獲取方式可以分為兩種:離線(off-line)認(rèn)證和在線(on-line)認(rèn)證.離線認(rèn)證是通過(guò)掃描儀獲得簽名的數(shù)字圖像;在線認(rèn)證是利用數(shù)字寫(xiě)字板或壓敏筆來(lái)記錄書(shū)寫(xiě)簽名的過(guò)程.離線數(shù)據(jù)容易獲取,但是它沒(méi)有利用筆劃形成過(guò)程中的動(dòng)態(tài)特性,因此較在線簽名容易被偽造.從簽名中抽取的特征包括靜態(tài)特征和動(dòng)態(tài)特征,靜態(tài)特征是指每個(gè)字的形態(tài),動(dòng)態(tài)特征是指書(shū)寫(xiě)筆劃的順序、筆尖的壓力、傾斜度以及簽名過(guò)程中坐標(biāo)變化的速度和加速度.目前提出的簽名認(rèn)證方法,按照所應(yīng)用的模型可以歸為三類:模板匹配的方法,隱馬爾可夫模型(HMM)方法,譜分析法.模板匹配的方法是計(jì)算被測(cè)簽名和參考簽名的特征矢量間的距離進(jìn)行匹配;HMM是將簽名分成一系列幀或狀態(tài),然后與從其它簽名中抽取的對(duì)應(yīng)狀態(tài)相比較;譜分析法是利用倒頻譜或?qū)?shù)譜等對(duì)簽名進(jìn)行認(rèn)證.2.7聲音識(shí)別系統(tǒng)聲音識(shí)別也是一種行為識(shí)別技術(shù),同其它的行為識(shí)別技術(shù)一樣,聲音的變化范圍比較大,很容易受背景噪聲、身體和情緒狀態(tài)的影響.一個(gè)聲音識(shí)別系統(tǒng)主要由三部分組成:聲音信號(hào)的分割,特征抽取和說(shuō)話人識(shí)別.(1)能量閾值測(cè)量目的是將嵌入到聲音信號(hào)中的重要語(yǔ)音部分分開(kāi),通常采用以下幾種方法:能量閾值法;零交叉率和周期性的測(cè)量;聲音信號(hào)倒頻譜特征的矢量量化;與說(shuō)話人無(wú)關(guān)的隱馬爾可夫字詞模型.(2)語(yǔ)音特征抽取理論人的發(fā)聲部位可以建模為一個(gè)由寬帶信號(hào)激勵(lì)的時(shí)變?yōu)V波器,大部分的語(yǔ)音特征都與模型的激勵(lì)源和濾波器的參數(shù)有關(guān).倒頻譜是最廣泛使用的語(yǔ)音特征抽取技術(shù),由標(biāo)準(zhǔn)倒譜發(fā)展了mel整形倒譜和mel頻率倒譜系數(shù)(MFCC),此外,語(yǔ)音特征參數(shù)還包括全極點(diǎn)濾波器的脈沖響應(yīng)、脈沖響應(yīng)的自相關(guān)函數(shù)、面積函數(shù)、對(duì)數(shù)面積比和反射系數(shù).(3)非參數(shù)模型類.說(shuō)話人識(shí)別的模型有兩種,參數(shù)模型和非參數(shù)模型.兩個(gè)主要的參數(shù)模型是高斯模型和隱馬爾可夫模型(HMM).HMM是當(dāng)前最為流行的說(shuō)話人識(shí)別模型.非參數(shù)模型包括參考模式模型和連接模型.參考模式模型將代表說(shuō)話人的聲音模式空間作為模板儲(chǔ)存起來(lái),應(yīng)用矢量量化、最小距離分類器等進(jìn)行匹配.連接模型包括前饋和遞歸神經(jīng)網(wǎng)絡(luò),多數(shù)神經(jīng)網(wǎng)絡(luò)被訓(xùn)練作為直接將說(shuō)話人分類的判決模型.2.8生物特征識(shí)別技術(shù)的選擇從上面的概述可以看到,每種生物特征識(shí)別技術(shù)都有自己的優(yōu)勢(shì)和不足,下表是它們的一些對(duì)比:選擇一個(gè)特定的生物特征識(shí)別技術(shù)主要依賴于具體的應(yīng)用,沒(méi)有一種技術(shù)能夠在所有方面勝過(guò)其它的技術(shù),從這個(gè)意義上說(shuō),每種技術(shù)都是可以采納的.例如,指紋和虹膜識(shí)別在準(zhǔn)確性和速度上優(yōu)于聲音識(shí)別,然而在電話計(jì)帳系統(tǒng)中,聲音識(shí)別卻是一個(gè)好的選擇,因?yàn)樗軌蚝芎玫丶傻浆F(xiàn)有的電話系統(tǒng)中.3生物特征識(shí)別技術(shù)的問(wèn)題和未來(lái)的研究3.1結(jié)合多種認(rèn)證信息目前生物特征識(shí)別技術(shù)的研究還處于初始發(fā)展階段,如何提高系統(tǒng)的準(zhǔn)確性和魯棒性是這個(gè)研究領(lǐng)域的重大挑戰(zhàn).每種生物特征都不是完美的,都存在固有的局限性,那么要改善系統(tǒng)的識(shí)別性能,就已不再是單單改善某一種識(shí)別技術(shù)的問(wèn)題,因此考慮包括各種生物特征在內(nèi)的多種認(rèn)證信息的結(jié)合,成為一種切實(shí)可行的解決方案.信息的結(jié)合可以采取不同的方式:(1)將生物特征識(shí)別信息和非生物特征識(shí)別信息相結(jié)合,例如將生物特征與智能卡結(jié)合;(2)將多種生物特征相結(jié)合,構(gòu)成多模態(tài)識(shí)別系統(tǒng).在多模態(tài)識(shí)別系統(tǒng)中,需要考慮兩方面的問(wèn)題,一是不同生物特征的選擇和實(shí)現(xiàn),二是多種生物特征信息的融合.多模信息的融合可以在原始數(shù)據(jù)層、特征抽取層和分類決策層實(shí)現(xiàn).由于每種模態(tài)對(duì)決策的作用不都是線性的,因此融合方案只是采用求和、相乘、多數(shù)表決等相對(duì)比較簡(jiǎn)單的線性組合方案,則不能最優(yōu)地利用多模信息,因此如何利用多模態(tài)獲得最大的信息量,這個(gè)最大的信息量的極限是多少,這不僅要通過(guò)實(shí)際的多模態(tài)系統(tǒng)進(jìn)行實(shí)驗(yàn),更要有理論上的分析和論證.3.2網(wǎng)絡(luò)身份認(rèn)證系統(tǒng)的關(guān)鍵技術(shù)由于生物特征識(shí)別固有的優(yōu)越性,使它在網(wǎng)絡(luò)身份認(rèn)證中有著其它認(rèn)證信息所不能比擬的優(yōu)勢(shì),因此建立基于生物特征識(shí)別的網(wǎng)絡(luò)身份認(rèn)證系統(tǒng)是生物特征識(shí)別