隨著智能手機中陸續(xù)添加指紋識別功能，公眾對生物認證并不陌生，包括人臉識別、指紋識別、聲紋識別、虹膜識別、掌紋識別等。今天我們將關注人臉識別，多生物特征融合。

　　人臉識別

　　人臉識別一種是基于人的臉部特征信息進行身份辨識的生物認證技術。系統(tǒng)自動在圖像視頻中檢測和跟蹤人臉，進而對檢測到的人臉進行一系列相關技術處理，得到人臉識別關鍵信息，并與預留的目標人臉信息進行比對，判斷其相似度。通常也叫做人像比對、人像識別、面部識別。

　　人臉識別主要包括人臉預處理、特征提取、人臉分類三大模塊。預處理模塊需要將圖片或視頻中的人臉檢測出來，并對眼睛、鼻子、嘴巴等關鍵特征點進行定位;由于圖片的尺寸(像素)不同，人像可能是側著臉，或者歪著頭，這些都會影響人臉識別效果，因此需要利用特征點對人臉進行對齊和歸一化。人臉預處理模塊中各種技術現(xiàn)階段都比較成熟，不僅在人臉識別中，在拍照對焦、表情檢測中都有應用。

　　人臉特征提取是指從人臉圖片中挑選出能夠最佳描述這張人臉的信息，使其能最大限度區(qū)別其它人臉，是目前人臉識別中最熱門的研究方向。通常，根據其構成形式，人臉圖像的特征可以分為四類：基于子空間的特征、基于形狀紋理的特征、基于稀疏表示的特征和基于神經網絡的特征。完成特征提取之后，需要用他們與需要驗證人臉特征進行比對，判斷輸入的兩張圖像是否為同一個人。從模式分類的角度而言是一個二值分類的問題，目前常用的分類器為支持向量機、聯(lián)合貝葉斯等。

　　人臉特征提取是人臉識別中最為關鍵的部分，2013年以前，一般采用傳統(tǒng)的基于紋理、子空間、稀疏表示的方法，最好的系統(tǒng)準確率不到97%。此后深度神經網絡被用到人臉識別的特征提取中，在LFW(Labeled Face in the Wild)數據集上準確度超過97.45%——這一FBI特工的人臉識別準確率。此后基于深度神經網絡的特征提取，準確度不斷被刷，最新準確度已超過99.9%。

　　生物特征融合

　　隨著基于深度神經網絡的人臉識別研究深入，人臉識別效果大有超英趕美之勢。誠然，人臉識別尤其不可比擬的優(yōu)點：識別和注冊操作簡單、人臉特征基本穩(wěn)定、具備人(眼)可辨識。

　　但是人臉識別無法區(qū)分長得很像的臉(雙胞胎，較強的化妝術等)，也不能判別人臉是來自現(xiàn)場采集，還是預先拍攝的照片或者視頻。因此只憑人臉識別是無法準確的認定身份的。

　　常用的生物特征

　　其實單一的生物特征驗證都有各自的問題：易用性，穩(wěn)定性，采集代價，獨特性，人可辨識性等，因此為了使得身份驗證更可靠，多生物特征融合驗證勢在必行。常用的生物特征包括人臉，聲紋，指紋，虹膜，視網膜，簽名等，其中只有人臉和聲紋，同時具備易采集，人可辨識，不易模仿特性。

　　由于智能手機都有良好的麥克風和攝像頭，聲紋和人臉信息的采集幾乎完全不受限，也無需額外成本。目前，科大訊飛人臉聲紋結合的生物認證系統(tǒng)已經在金融、保險等領域啟動了大規(guī)模應用推廣。例如，今年八月，科大訊飛便攜手中國銀聯(lián)、徽商銀行，首創(chuàng)“聲紋+人臉P2P轉賬”產品