生物识别技术种类汇总，你最看好哪一个

随着技术的不断发展，各类新式生物识别技术开始出现并应用于我们生活的方方面面。很多人通过手机解锁、付款、甚至银行客户端登陆都有很多人设置了指纹登陆，甚至面目识别登陆。越来越多的新式生物识别技术被提了出来，这么多技术摆在我们面前，哪个会是我们最爱的那道“菜”呢？

你去商场购物，划卡后商家会让你在某单子上签字，这就用到了签名识别。签名识别是根据签名的字体进行身份认证，这可是个老古董了，当名字可以指定本人身份时就已经出现，当然，那时这不算是生物识别。

每个人都有自己独特的书写风格，所以签名识别可作为生物识别的一种，属于行为测定。将签名数字化是这样一个过程：测量图像本身以及整个签名的动作——在每个字母以及字母之间的不同的速度、顺序和压力。签名识别分为离线签名识别和在线签名识别。在线识别是通过手写板采集书写人的签名样本，有的系统还可以采集压力、握笔的角度等数据，目前识别率挺高，但由于人类书写书写动力定型并非固定不变，有一定变化范围，所以单单从字形上，有可能无法区分真事签名和伪造签名。离线签名就更不安全了。

有时候声音识别还不如签名来的安全。声音识别也属于行为识别技术，识别设备不断地测量、记录声音的波形和变化。声音识别基于将现场采集到的声音同登记过的声音模板进行精确的匹配。

优点是声音识别是一种非接触的识别技术，用户可以很自然地接受，仅此而已。缺点就比较多了，比如声音变化的范围太大，很难精确的匹配；比如感个冒，鼻子不通气，此时你很难让识别系统知道你是你。甚至拿个磁带都可能将其破解。别问我为什么不用高保真麦克风，因为它很贵，录唱吧我都没舍得买何况一个小小的身份认证。这个生物识别，娱乐娱乐就行了，不必当真。

我们经常会看到一些科技类或高智商犯罪类电影将虹膜识别作为确认人物身份的重要手段，然后被一些高智商罪犯通过戴带有被窃取人虹膜信息的隐形眼镜破解。不幸的是，理论上确实可以做到。

虹膜是眼睛外部调节瞳孔大小、控制进入眼睛光线数量的肌肉，它是基于褪黑素的数量形成的眼睛的有色部分。虹膜识别技术是通过拍摄人眼的虹膜来进行身份的确认，是一项基于生物特征的身份认证技术。

在虹膜识别之前需要通过标志性的特征对其进行定位，并利用这些特征和独特的形状对虹膜进行成像、特征分离和提取。基于虹膜成像，二维Gabor波将其筛选和绘制为相量，相量的信息包括方向和空间频率(图像内容)以及图像位置，利用这些相量信息绘制为“虹膜码”，最终使用虹膜码进行认证。

虹膜识别技术几乎是精确度最高的生物识别技术，具体描述如下：两个不同的虹膜信息有75%匹配信息的可能性是1:106等错率：1:1200000两个不同的虹膜产生相同虹膜代码的可能性是1:1052。

高精确度、无需物理接触是它的优点，这也是银行等静态终端看上它的原因。但对于物联网时代，移动终端上使用虹膜识别还有一定的局限性。比如虹膜识别产品的价格较高，而且实现起来很复杂。对采集到的虹膜图像要求极高。虹膜的拒真率高，当出现拒真的情况后，很难人为的去判别该员工的虹膜是真是假，除非找专家鉴定。很难识别有眼疾的人群也是其缺点，而且真的有可能会被造假。

1927年德国罗伯特海因德尔在《指纹鉴定》一书中断定，中国唐代的贾公彦是世界上提出用指纹识别人的第一个学者。在这方面中国古代不是没有人(yin)。

指纹识别作为识别技术已经有很长的历史了，有着坚实的市场后盾，按照一般人的看法，指纹识别技术通过分析指纹的全局特征和指纹的局部特征，特征点如嵴、谷和终点、分歧点等，从指纹中抽取的特征值可以非常的详尽，可以有效地确认一个人的身份。

平均每个指纹都有几个独一无二可测量的特征点，每个特征点都有大约七个特征，我们的十个手指产生最少4900个独立可测量的特征。

现今指纹图像采集的技术主要为射频指纹识别技术。射频传感器技术是通过传感器本身发射出微量射频信号，穿透手指的表皮层去控测里层的纹路，来获得最佳的指纹图像。因此对干手指，汗手指，脏手指等困难手指通过可高达99%，防伪指纹能力强，指纹敏感器的识别原理只对人的真皮皮肤有反应，从根本上杜绝了人造指纹的问题。

这个最近火在移动支付方面的生物识别技术，因其防伪性高、生物特征唯一、核心芯片不断缩小等方面，已广泛用于平板、手机甚至手表等移动端，并将会在未来主流生物识别市场占有一席之地。将手指放在手机屏幕上，随手一划就能确认支付，将安全度与便捷性完美结合。但是，它还有一个强大的对手，人脸识别。

作为未来主流生物识别方式之一，人脸识别最大的优点是对硬件几乎没要求，即使几百元的手机摄像头也可以满足，剩下的只是软件问题。未来的结果就是，你在结账时，对着收银台的摄像头左看看右看看，支付就这样完成了。这种认证方式在未来移动支付时代具有高便捷性，加上硬件要求极低，足以让阿里腾讯看好它的未来。

自动人脸识别的经典流程分为三个步骤：人脸检测、面部特征点定位、特征提取与分类器设计。在深度学习出现以前，人脸识别方法一般分为高维人工特征提取和降维两个步骤。2014年之后，主要技术路线为深度学习。

Google发表于CVPR2015的工作FaceNet采用了22层的深层卷积网络和海量的人脸数据(800万人的2亿张图像)以及常用于图像检索任务的TripletLoss损失函数。值得一提的是，人脸类别数达到800万类，FaceNet在LFW数据集上十折平均精度达到99.63%，这也是迄今为止正式发表的论文中的最好结果，几乎宣告了LFW上从2008年到2015年长达8年之久的性能竞赛的结束。

尽管如此，一模一样的技术，拿到真实环境下得到的准确率可能只有75%……也许会有些人觉得这是很可笑的，请不要笑，这是科研圈里朋友的普遍做法，不是没有苦衷的。

虽然目前的人脸识别技术上不完美，受环境等影响很大，但全球领先的中国face++公司已经可以做到先识别你是不是一个人了(照片肯定是不行的，即使你捂住半边脸，依然可以识别你是一个人。

“人脸识别技术比人的识别能力要强，而且强不少”，北京旷视科技(face++)市场与经营部总经理谢忆楠说，“比如一个银行柜员对人脸识别的精度可能达到万分之一误识率，通过率可以超过90%；而我们最好的成绩是十万分之一的误识率，通过率可以超过97%-98%。”

目前评价科研中算法的优劣的唯一方法就是找一个数据集，然后大家一起对比，随着数据集中数据数量越大，其结果也越精准，于是阿里通过各种方式来收集人脸信息，比如支付宝中的未来蚁来，有一个游戏叫遇见名画中的自己，规则是你放入带有你人脸的照片，然后搜索跟你照片特别相似名画，以此来收集人脸信息。笔者还做了测试，结果如下：至少图像识别的结果还是比较不错的。