大眾對生物識別技術的深化程度和應用關注度早已成為熱點。然而，任何一種單一生物識別技術在圖像采集及識別原理中都有其自身的局限性，我們認為生物識別技術未來發展的三大主要趨勢是：多模態、防偽、非接觸。6月23日，阿里巴巴宣布，將推出業界首個“刷臉”登錄郵箱，并推出“+Mail”、“Mail+”的生態戰略，計劃以郵箱SaaS服務為切口布局企業級服務市場。所謂的“刷臉”，即生物識別。

　　業內人士表示，2015年全球人臉識別技術市場產值為2.3億美元，而在2019年該領域將增長至4.5億美元，年復合增長率達17.97%，亞太地區將貢獻主要力量，2019年將實現全球占比近60%。就國內市場，我國人臉識別市場規模在2010年至2015年平均復合增長率為15.9%，同一時期我國市場規模約占全球市場規模的10%，相比較于我國的人口規模（占全球約20%）與城市規模占比，我國人臉識別市場規模占比明顯偏低，而隨著整個行業技術奇點臨近，我國人臉識別市場將迎來爆發前夕。

　　生物識別是一個技術壁壘較高的行業，需要長時間的研發投入和技術積累。現在的許多APP都支持指紋解鎖功能，甚至市面上的千元手機都支持指紋識別，除此之外，還有支付寶和翼支付的“刷臉支付”，GoolgeGlass刮起的生物識別可穿戴設備風潮等等，大眾對它的深化程度和應用關注度早已成為熱點。然而，任何一種單一生物識別技術在圖像采集及識別原理中都有其自身的局限性，我們認為生物識別技術未來發展的三大主要趨勢是：多模態、防偽、非接觸。

　　指紋識別技術

　　指紋識別是使用頻率最高的生物特征識別技術之一。早在唐宋期間，指紋已經用于文書契約和司法審判中。現代的指紋識別技術經歷了多年的積累，已經非常成熟，廣泛應用在司法、公安和門禁領域。所謂指紋，是指人體指尖表面的紋路。在指紋中，凸起的紋線為脊線，脊線與脊線之間的部分為谷線。根據脊線和谷線的結構，可以得到一些細節點。指紋識別主要就是利用這些細節點特征實現的。

　　指紋識別主要包括指紋增強、特征提取和指紋匹配三個過程。

　　1、指紋增強：在指紋采集過程中，由于各種原因，采集到的指紋圖像不可避免的引入了一些噪聲，如果直接用于指紋識別，往往難以達到較好的效果。我們可以通過一定的圖像增強技術，改善指紋圖像質量。這里會用到的技術有圖像分割、直方圖均衡化、濾波增強、二值化、細化等。

　　2、特征提取：前面提到，細節點特征是最常用的指紋特征。細節點特征的提取，就是在指紋圖像中找到脊線終點和脊線分叉兩個特征。經過了指紋增強的步驟，如果指紋圖像能較好地分割，細節點很容易提取。但實際上有一些噪聲很難處理，這樣在增強后就會產生一些虛假特征。一般地，啟發式算法可以刪除虛假特征。特征提取后，我們得到了多組脊終點或分叉類型、位置坐標及方向信息等。

　　3、指紋匹配：指紋匹配算法有很多種，包括點模式匹配、脊模式匹配、基于圖像的匹配和基于圖形的匹配等。細節點匹配可以看做是點模式匹配的問題。點模式匹配就是將提取的細節點集與數據庫中的細節點集進行匹配，如果通過一些旋轉、尺度變換和平移變換，點集間是匹配的，那個兩幅指紋圖像就是匹配的。

　　指紋識別與安防領域的結合主要體現在考勤和門禁等應用。指紋考勤機是最常見的指紋識別產品之一。常見的指紋考勤機廠商有中控科技、科密、安威士等。由于指紋識別算法比較成熟，業務應用和用戶體驗對于這類產品顯得尤為重要。

　　未來的指紋識別產品發展方向將集中在采集技術和應用模式創新。目前采集技術主要有4種類型：超聲波掃描、光學成像、溫差感應式識別及半導體硅感技術。超聲波技術利用皮膚與空氣對于聲波阻抗的差異，可區分脊線和谷線的位置，能達到很高的精度，但因成本高，且無法進行活體指紋識別，應用較少。光學成像利用光學傳感器采集指紋圖像，使用方便，價格便宜，使用最廣泛。但光學成像設備也無法進行活體識別，這就產生了一些漏洞，如使用硅膠指模或斷指等進行身份認證。溫差感應式識別技術是基于溫感原理實現的，通過感應手指與芯片映像區域間的溫度差產生電信號。但由于熱傳導效應，時間一長，手指與芯片的溫度就趨于一致了。半導體硅感技術即電容式技術，利用手指紋路與傳感器之間的電容差，得到指紋圖像。由于傳感器發出的電子信號可直達真皮層，能獲取更多可靠數據，提高識別準確率。隨著傳感器成本的不斷下降，相信基于半導體硅感技術的指紋識別產品將應用的更為廣泛。

　　人臉識別技術

　　人臉由于其易采集的特性，受到很多行業客戶的關注，特別是公安、海關、商場等。人類每天都在進行人臉識別，因此也最能接受這種身份認證方式。人臉識別的研究始于上世紀中期，經歷了數十年的努力，現在已經可以應用在我們的實際生活中，為我們提供各種便利。

　　人臉識別主要分為人臉檢測（facedetection）、特征提取（featureextraction）和人臉識別（facerecognition）三個過程。

　　人臉檢測：人臉檢測是指從輸入圖像中檢測并提取人臉圖像，通常采用haar特征和Adaboost算法訓練級聯分類器對圖像中的每一塊進行分類。如果某一矩形區域通過了級聯分類器，則被判別為人臉圖像。

　　特征提取：特征提取是指通過一些數字來表征人臉信息，這些數字就是我們要提取的特征。常見的人臉特征分為兩類，一類是幾何特征，另一類是表征特征。幾何特征是指眼睛、鼻子和嘴等面部特征之間的幾何關系，如距離、面積和角度等。由于算法利用了一些直觀的特征，計算量小。不過，由于其所需的特征點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特征變化較大。所以說，這類算法只適合于人臉圖像的粗略識別，無法在實際中應用。

　　表征特征利用人臉圖像的灰度信息，通過一些算法提取全局或局部特征。其中比較常用的特征提取算法是LBP算法。LBP方法首先將圖像分成若干區域，在每個區域的像素3x3鄰域中用中心值作閾值化，將結果看成是二進制數。圖3顯示了一個LBP算子。LBP算子的特點是對單調灰度變化保持不變。每個區域通過這樣的運算得到一組直方圖，然后將所有的直方圖連起來組成一個大的直方圖并進行直方圖匹配計算進行分類。

　　人臉識別：這里提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特征與數據庫中人臉的特征進行對比，根據相似度判別分類。而人臉識別又可以分為兩個大類：一類是確認，這是人臉圖像與數據庫中已存的該人圖像比對的過程，回答你是不是你的問題；另一類是辨認，這是人臉圖像與數據庫中已存的所有圖像匹配的過程，回答你是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。常用的分類器有最近鄰分類器、支持向量機等。

　　與指紋應用方式類似，人臉識別技術目前比較成熟的也是考勤機。因為在考勤系統中，用戶是主動配合的，可以在特定的環境下獲取符合要求的人臉。這就為人臉識別提供了良好的輸入源，往往可以得到滿意的結果。但是在一些公共場所安裝的視頻監控探頭，由于光線、角度問題，得到的人臉圖像很難比對成功。這也是未來人臉識別技術發展必須要解決的難題之一。

　　現在已有一些機構、高校在進行人臉識別新領域、新技術的研究。如遠距離人臉識別技術，3D人臉識別技術等。遠距離人臉識別系統面臨兩個主要困難。一是如何從遠距離獲取人臉圖像。其次，在得到的數據并不理想的情況下如何識別身份。從某種意義上來看，遠距離人臉識別并不是一個特定的關鍵技術或基礎研究問題。它可看成是一個應用和系統設計問題。通常有兩類解決方法用于獲取人臉圖片。一種是高清的固定式攝像機，另一種是使用PTZ控制系統多攝像機系統。后者更適合于一般情況，不過其結構更為復雜，造價也更貴。后者需要考慮如何協調多臺攝像機的同步操作。一般地，系統由低分辨率廣角攝像機和高分辨率長焦攝像機組成。前者用于檢測和追蹤目標，后者用于人臉圖像采集和識別。目前遠距離人臉識別技術還處于實驗室階段，未來如果能夠解決上述問題，對人員布控這樣的應用有著重要意義。

　　3D人臉識別能夠很好地克服2D人臉識別遇到的姿態、光照、表情等問題。主要原因是2D圖像無法很好地表示深度信息。通常，3D人臉識別方法使用3D掃描技術獲取3D人臉，然后建立3D人臉模型并用于識別。不過，3D人臉識別技術的缺點也是很明顯的。首先它需要額外的3D采集設備或雙目立體視覺技術，其次，建模過程需要的計算量較大。相信隨著未來芯片技術的發展，當計算能力不再受到制約，采集設備成本大幅下降的時候，3D人臉識別將會成為熱門技術之一。