热线电话
  • 010-88558925010-88558943
  • 010-88558955010-88558948
CMIC专家更多

中国半导体行业协会副

3月21日,SEMI产业创新投资论坛在上...更多>>

赛迪研究院未来产业研

近日,工业和信息化部、科技部、交通运输部...更多>>

中国市场情报中心 > CMIC研究 > CMIC观点
CMIC:“互联网+”时代生物识别技术及应用趋势

发布时间:2018-10-10 09:18:40

来源:赛迪智库

作者:赛迪智库

【打印】 【进入博客】 【推荐给朋友】

  【CMIC讯】随着互联网+时代的到来,移动支付、共享出行、智慧安防、医疗等场景对身份验证、保障安全提出了更高要求。2018年,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。2018年4至5月,警方利用AI人脸识别技术在三场演唱会上逮捕了多名犯罪嫌疑人。
  
  “互联网+”时代的生物识别技术变革
  
  1、人脸识别技术
  
  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来设计不同的系统,并采用人工来设计特征,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,主要的原因是非约束环境下人们姿势呈现多样化,且光照条件千差万别,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,降低了人工选择特征对预测效果的影响。相对于浅层模型,深度模型能够重复利用中间层的计算单元,进而减少网络中的自由参数。
  
  2、指纹识别技术
  
  指纹识别技术是利用传感器、图象处理、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着以下问题:一是在1对N的情形下,随着人数不断增加,识别准确率将明显降低;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。
  
  3、虹膜识别技术
  
  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,这些特征决定了虹膜对于身份识别具有较强的唯一性。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。
  
  4、声纹识别技术
  
  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。声纹识别技术可分为两类: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,之后运用模式识别等匹配算法进行声纹识别。动态检测方面,利用VAD技术进行降噪、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,深度学习模型目前也有一定应用。
  
  未来趋势
  
  随着深度学习等人工智能技术不断成熟,生物识别技术准确率大幅上升,极大地拓展了其商业应用范围。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,深度学习是在图像、语音领域大大提升了识别率。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的效果欠佳,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,这促使了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(钥匙、证件、银行卡等)和身份标识知识(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。

责任编辑:言笑晏晏

相关报道
  • --

联系我们:8610-8855 8955 zhouhl@staff.ccidnet.com

广告发布: 8610-88558925

方案、案例展示: 8610-88558925

Copyright 2000-2011 CCIDnet.All rights reserved.

京ICP000080号 网站-3