生物特征识别技术精品(七篇)

序论：写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感，挖掘那些隐藏在内心深处的真相，好投稿为您带来了七篇生物特征识别技术范文，愿它们成为您写作过程中的灵感催化剂，助力您的创作。

篇(1)

关键词：身份鉴别；人体生物特征；发展趋势

1． 引言

信息化高速发展的一大特征是个人身份的数字化和隐性化，如何准确鉴定一个人的身份，保护信息安全是当今信息化时代必须解决得一个关键性社会问题。生物特征身份鉴别技术是身份鉴别领域的一个研究热点。生物特征识别技术是指利用人体固有的生理特征或行为特征来进行个人身份鉴别认证的技术。生物特征识别技术包括采用人体固有的生理特征（如人脸、指纹、虹膜、静脉、视网膜）进行的身份认证技术和利用后天形成的行为特征（如签名、笔迹、声音、步态）进行的身份认证技术。与传统的身份鉴定手段相比，基于生物特征识别的身份鉴定技术具有如下优点：（1）不会遗忘或丢失；（2）防伪性能好，不易伪造或被盗；（3）“随身携带”，随时随地可用。正是由于生物特征身份识别认证具有上述优点，基于生物特征的身份识别认证技术受到了各国的极大重视。

2.  生物特征识别技术的现状及发展趋势

目前，常用的生物特征识别技术所用的生物特征有基于生理特征的如视网膜、人脸、指纹、虹膜，也有基于行为特征的如笔迹、声音等。下面就这些常见的生物特征识别技术的特点及其发展趋势进行讨论研究。

2.1．视网膜识别

人体的血管纹路也是具有独特性的，人的视网膜表面血管得图样可以利用光学方法透过人眼晶体来测定。用于生物识别的血管分布在神经视网膜周围，即视网膜四层细胞得最远处。如果视网膜不被损伤，从三岁起就会终身不变，如同虹膜识别技术一样，视网膜扫描可能具有最可靠，最值得信赖得生物识别技术，但它运用起来的难度较大。视网膜识别技术要求激光照射眼球的背面以获得视网膜特征得唯一性。

视网膜技术的优点：视网膜是一种及其固定得生物特征，因为它是隐藏的，故而不易磨损，老化；非接触性得；视网膜是不可见得，不会被伪造。缺点是：视网膜技术未经过任何测试，可能会给使用者带来健康的损坏。

2.2.人脸识别

人脸识别作为一种基于生理特征的身份认证技术，与目前广泛应用的以密码、IC卡为媒

介的传统身份认证技术相比，具有不易伪造、不易窃取、不会遗忘的特点；而人脸识别与指纹、虹膜、掌纹识别等生理特征识别技术相比，具有非侵犯性、采集方便等特点。因而人脸识别是一种非常自然、友好的生物特征识别认证技术。

人脸识别技术包括图像或视频中进行人脸检测、从检测出的人脸中定位眼睛位置、然后提取人脸特征、最后进行人脸比对等一系列相关的技术。

为了评测基于面部图像的人脸识别算法的性能。美国ARPA和ARL于1993年至1996年建立了FERET数据库，用于评测当时的人脸识别算法的性能。共举行了三次测试FERET94、FERET95、FERET96。FERET测试的结果指出，光照、姿态和年龄变化会严重影响人脸识别的性能。

FERET的测试结果也表明了基于面部图像的方法的缺点。人脸是一个三维非刚体，具有姿态、表情等变化，人脸图像采集过程中易受到光照、背景、采集设备的影响。这些影响会

降低人脸识别的性能。

为了克服姿态变化对人脸识别性能的影响，也为了进一步提高人脸识别性能，20世纪90年代后期，一些研究者开始采用基于3D的人脸识别算法。这些算法有的本身就采用三维描述人脸，有的则用二维图像建立三维模型，并利用三维模型生成各种光照、姿态下的合成图像，利用这些合成图像进行人脸识别。2000年后，人脸识别算法逐渐成熟，出现了商用的人脸识别系统。为了评测这些商用系统的性能，也作为FERET测试的延续，美国有关机构组织了FRVT2000、FRVT2002、FRVT2006测试。测试结果表明，人脸识别错误率在FRVT2006上下降了至少一个数量级，这种性能的提升在基于图像的人脸识别算法和基于三维的人脸识别算法上都得到体现。此外，在可控环境下，虹膜、静态人脸和三维人脸识别技术的性能是相当的。此外，FRVT2006还展现了不同光照条件下人脸识别性能的显著提高，最后，FRVT2006表明人脸自动识别的性能优于人。值得一提的是，清华大学电子工程系作为国内唯一参加FRVT2006的评测的学术机构，其人脸自动识别性能优于人类。FRVT2006为人脸识别后续的研究指明了方向，人脸识别中光照、年龄变化依然对人脸识别性能有很大影响，二维人脸识别的性能不比三维人脸识别差。

人脸识别得优点：非接触性的。缺点是：要是比较高级得摄像头才也有效地扑捉面部图像；使用者面部的位置与周围得光环境都可能影响系统的精确性，而且面部识别容易受欺骗；

对于采集图像的设备会比其他技术昂贵得多。

2.2. 指纹识别

指纹识别技术是指通过比较不同人指纹中的特征点不同来区分不同人的身份。指纹识别技术通常由三个部分组成：对指纹图像进行预处理；提取特征值，并形成特征值模板；指纹特征值比对。指纹图像预处理的目的是为了减少噪声干扰的影响，以便有效提取指纹特征值。常用的预处理方法有图像增强、图像平滑、二值化、图像细化等。

特征提取的目的就是从预处理后的指纹图像中，提取出能够表达该指纹图像与众不同的特征点的过程。最初特征提取是基于图像的，从图像整体中提取出特征进行比较，但该方法的精度和性能较低。现在一般采用基于特征点的方法，从图像中提取反应指纹特性的全局特征（如纹形、模式区、核心区、三角点、纹数等）和局部特征（如终结点、分叉点、分歧点、孤立点、环点等）。得到特征点后就可以对特征点进行编码形成特征值模板。指纹特征值比对就是把当前获得的指纹特征值与存储的指纹特征值模板进行匹配，并给出相似度的过程。

    指纹识别的优点:技术相对成熟；成本较低。缺点是：具有侵犯性；指纹易磨损，手指太干或太湿不易提取图像。

2.3. 虹膜识别

虹膜相对而言是一个较新的生物特征。1983年，Flom与Safir申请了虹膜识别专利保护，使得虹膜识别方面的研究很少。1993年，Daugman发表了关于虹膜自动识别算法的开创性工作，奠定了世界上首个商业虹膜自动识别系统的基础。随着Flom和Safir专利在2005年的失效和CASIA及ICE2005中虹膜数据集的提供，虹膜识别算法的研究越来越蓬勃。I CE2006首次对虹膜识别算法性能进行了测试。虹膜识别中需要解决如下两个难点问题：一是虹膜图像的获取，二是实现高性能的虹膜识别算法。

3.  结论

本文讨论了一些常用的生物特征识别技术的技术特点及发展趋势。随着各国对生物特征识别技术的越来越重视，生物特征识别技术必将获得更快的发展。

参考文献：

[1]张敏贵，潘泉，等.多生物特征识别[J].信息与控制,2002,31(6).

[2]杨俊，景疆.浅谈生物认证技术——指纹识别[J].计算机时代，2004,(3）.

[3]侯鸿川.面部温谱图身份识别技术探讨[J].中国人民公安大学学报（自然科学版）,2005,（3）.

篇(2)

【关键词】生理特征；行为特征；鉴定

随着越来越多的电子设备不断进入日常生活，传统使用口令、密码或身份证号等来辨识身份的方式已远远不能满足人们对安全性和便利性的渴求。生物特征识别技术不再需要身份证号或密码，也免去随身携带智能卡之类物件的烦恼，它是根据人自身所拥有的东西，是人的个体特性，目前生物识别市场正处于快速增长当中。

1生物特征识别技术的历史

最早采用生物特征来鉴定人的身份可追溯到古埃及人采用测量人的尺寸来鉴定身份。指纹识别起源于古代的中国，而在美国和西欧，指纹识别技术也使用了有一百多年。1986年从事掌纹识别的RecognitionSystem,Inc.成立。1987年Drs.Flom&Safir研究虹膜获得专利。1990年从事签字识别的PenOp，Inc.在英国成立。1994年Drs.Atick,Griffin成立了从事人脸识别的Vi⁃sionicsCorp。

2生物特征识别技术的发展

每种生物特征识别技术不一定适合所有场合。例如有些人的指纹是很难提取特征的，患白内障的人虹膜会发生变化等。在对安全级别要求较高的领域中，人们往往需要结合多种生物特征来实现高精度的系统识别，提高鉴别系统的精确度和可靠性是未来身份鉴别领域发展的必然趋势。

3生物特征识别系统的内容

生物特征识别系统一般包括“生物特征采集子系统”“图像预处理子系统”“生物特征提取子系统”“生物特征鉴定子系统”和“生物特征数据库子系统”，以及系统识别的对象——人。在“生物特征数据库子系统”中建立了生物特征与相关身份信息的对应关系，并保证数据存储的安全性和可靠性。“生物特征鉴定子系统”通过模式识别方法，把待识别的生物特征与数据库子系统中生物特征进行比对，按照事先确定的筛选条件（阈值）决策来确定是否匹配成功。

4生物特征识别技术的种类

生物特征包括生理特征和行为特征，生理特征有指纹、人脸、手形、虹膜、人体气味和DNA等；行为特征有签名、声音、步态、击打键盘的力度等。

5基于生理特征的生物识别技术

5.1指纹识别

指纹识别的优势是该技术是较早被开发应用的，作为研发历史最为长久的生物识别技术是比较成熟的。提取指纹设备小巧方便，相应的价格成本也比较低。其缺点是指纹的采集是接触式的，人工操作比较耗时，可接受性较差，而且指纹也可以通过手术或者一些有创手段得以改变或者破坏，因此不是最稳定和可靠的身份识别手段。

5.2人脸识别

人脸识别与其它生物特征识别相比具有以下特点：（1）方便高效，在实际应用场景中，人脸识别可以同时进行多个人脸的分拣、判断以及识别。（2）非接触的，用户不需要和设备直接接触。（3）由于人脸脸部存在相似性，不同个体的区别不大，所有人脸的结构都相似。再加上现代妆容技术的发展，人脸识别还是有很大的识别难度。（4）人脸的易变性，人脸的外形其实并不稳定，可以通过脸部变化产生很多表情，而在不同的观察角度，人脸的视觉图像差别也较大。此外，人脸识别还受光照条件等多种因素的影响。

5.3虹膜识别

虹膜识别的优点有：虹膜本身具有稳定性和唯一性，基本不会随着人年龄的增长而发生变化；另外同一个人双眼的虹膜，包括双胞胎的虹膜特征都不会一样，相似概率为亿万分之一，所以虹膜识别最大的优点就是安全性高。在各项生物识别技术中，仅次于DNA。当然虹膜也有缺点：获取图像不是很方便，一般人眼和设备要保持在20cm-40cm，镜头可能产生图像畸变而使可靠性降低，用户交互效果并不很好。另外虹膜识别技术依赖光学设备，需要红外灯配合红外镜头才能取到用于身份识别的虹膜图像。不同种族人的虹膜颜色不同，比如亚洲人和非洲人的虹膜是黑色或者棕色。由于很难将图像获取设备的尺寸小型化，设备造价高，所以无法大范围推广。

5.4视网膜识别

有人认为视网膜技术识别的可靠性和准确率要高于虹膜识别，所以基于视网膜的身份识别技术也是非常可靠、值得信赖的。视网膜识别技术的优点相似于虹膜技术，比如无法伪造，不会磨损，更不会老化，也不受疾病影响。缺点是到目前为止还无法证明在使用视网膜技术对用户进行检测时，是否对用户的健康有影响还需进一步确实。

5.5掌静脉识别

用掌静脉进行身份认证时，获取的是手掌内部的静脉图像特征，而不是手掌表面的图像特征。因此，掌静脉识别不同于指纹识别，它不存在因为手掌表面的损伤、磨损、干燥或太湿等带来的识别障碍。另外，和人脸识别技术相比，掌静脉识别时摄像机应对不同光照环境、双胞胎和化妆等问题时人工智能算法更加容易自我学习和调整。但它也存在一些缺点：（1）手背静脉的永久性尚未得到证实。（2）存在无法成功注册登记的可能。（3）采集设备要求特殊，相关设计比其它生物特征获取设备复杂，价格高，难于推广。（4）由于优秀的人工智能算法不多，只有极少数厂商能应对海量掌静脉数据的瞬时比对。

5.6人耳识别

人耳识别有基于二维图像的人耳识别、基于3D的人耳识别和耳纹识别。人耳识别和常用的几种生理特征识别技术相比有以下几个优势：（1）人耳识别相比于虹膜识别方法其人耳图像的获取更加便捷。（2）和人脸识别方法比较，人耳获取的图像要小很多，相应颜色也比较一致，因此对数据的处理量更小，更方便。另外，人耳识别方法不像人脸识别会因脸部化妆、表情等变化而受到影响。（3）相比指纹识别接触式的获取方式，人耳图像非接触式的采集方法更容易让人接受。

5.7红外温谱图

由红外设备获取能够反映人身体各个部位热量值的图像称为温谱图。获取温谱图的方法和拍摄普通照片的方法类似，它的采集是非接触式的，非常隐蔽的，更不具侵犯性，所以它的可接受性是比较高的。然而人体的温谱值不是恒定不变的，它会受外界环境的变化而发生变化。

5.8基因识别

基因识别的特点简单点来说就是唯一性、强识别性和防伪。但是它最大的优点也是最让人担忧的，因为在制作“基因身份证”时可以测出这个人基因有哪些缺陷，有哪些疾病易感基因等，这些都涉及到个人隐私和伦理上的问题。所以基因识别的可接受性还有待商榷。目前基因识别是在特定实验室完成的，耗时较长，和其它生物特征识别技术比起来在便利性和及时性方面是处于劣势的。

6基于行为特征的生物特征识别技术

6.1签名识别

签名被认为是身份识别的最广泛的行为特征之一，是人类最常见的确认他们的身份的社会和法律认可的方式之一。相关的写作习惯是在儿童时期养成的，它们主要受视觉知觉、协调、灵巧、成长、写作系统、社会关系、写作频率、教育和民俗等几个参数的影响[1]。因此一个人的签名不是一生中都固定不变的，这为签名识别的准确率提高了难度。

6.2步态识别

步态识别在生物特征识别技术研究中算是起步较晚的，目前基于步态的身份识别还只是起步阶段。和人脸识别不同的是，步态识别不只是采集到人脸图像就行，它是要采集到步态图像的序列，因此它处理的数据量比人脸识别要大很多，应用到的算法也复杂许多。步态识别的采集装置只需要一个监控摄像头就行，简单、经济。它对采集的距离要求比人脸识别低，只要能看清走路的姿态就行，甚至可以背离摄像机，这是人脸识别所不能的；另外它也不需要像人脸识别那样具备较好的光照条件，因此使用起来较为方便。

6.3声音识别

声音识别与其他生物特征相比优势在于：（1）声音提取方便，可在不知不觉中完成，可接受性强。（2）获取声音的设备简单方便，比如麦克风，价格相对比较低廉。（3）和其它生物特征身份识别相比可以实现远程身份辨认，比如通过手机或麦克风可以实现网络远程登录。当然声音识别也有一些缺点：（1）声音在人不同的年龄或是身体状况、情绪等情况下获取会有所差别。（2）不同的采集设备或采用不同的信道对声音识别也会有影响。（3）环境噪音对识别有于扰。（4）混合说话情形下，人的声音特征不易提取。（5）同一个人的磁带录音也能欺骗语音识别系统。

7总结

在上述生物特征识别技术中，每种识别技术都各自有优缺点，在应用上难免会出现一些问题。所以，在一些安全等级要求较高的应用场景当中，往往会采用两种甚至多种生物特征识别技术进行验证[2]。随着物联网时代的到来，生物识别将拥有更为广阔的市场前景。

参考文献

[1]曾晓云.基于探测网格的离线签名认证方法[J].现代信息科技,2019,3(23):90-92.

篇(3)

【关键词】生物识别技术 客户身份识别 作用与风险

所谓生物识别技术，就是通过计算机与各种传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。与传统的身份鉴定手段相比，生物特征是唯一的、稳定的、可以验证的，基于生物特征识别的身份鉴定技术更具有防伪性能好、不易伪造或被盗等优点。由此，其在互联网金融领域的应用也是大势所趋。

一、生物识别技术的研发应用情况

（一）生物识别技术主要种类

近年来，生物识别技术发展迅速，并在不同行业范围内得以应用。当前在互联网金融领域中，有所介入、涉及的生物识别技术主要有指纹识别、虹膜识别、面部识别、掌形识别、签名识别等。

（二）生物识别技术在互联网金融发展背景下的应用情况

目前，对于对安全防范控制有着极高要求的金融业，在金库的安全设施、保险柜、自动柜员机等方面已使用到了生物特征识别这种直观、准确、可靠的识别系统，并且，今后随着互联网技术的逐渐发展，对借助生物识别技术来解决金融业务方面的身份识别、确认或者支付的呼声越来越高，运用关注度将更多，银行也在积极探索和尝试这方面的运用。但是目前想要进行大规模推广和运用的并不多，更多的做为辅助手段。

二、以生物技术开展客户身份识别的优势与不足

指纹、虹膜、面部识别等生物特征识别技术与传统的身份鉴别技术相比，基于人体生物特征识别技术的安全性显然要高得多。但在实际应用中，生物识别技术也并非完美无缺，还不是很成熟，难以避免存在着一些漏洞。

（一）优势方面

一是生物识别技术认定的是人本身，由于每个人的生物特征具有与其他人不同的唯一性和在一定时期内不变的稳定性，不易伪造和假冒，所以利用生物识别技术进行身份认定，方便、安全、可靠；二是生物识别技术产品均借助于现代计算机技术实现，很容易配合电脑和安全、监控、管理系统整合，实现自动化管理；三是生物识别技术可有效避免传统短信验证手段潜在风险。随着手机木马，伪基站等黑客活动日渐增多，短信验证码被拦截的可能性大幅增加，而生物识别技术的身份认证具有不可替代性，能有效规范被网络攻击的风险；四是由于生物识别技术具有高服务附加值和高安全性的潜在优势，符合商业银行需要高效益、高性能的应用程序来助力其运行环境的目的，已成为非常吸引商业银行的一项新型应用技术，为风险防范又增加了一道坚固的壁垒。

（二）不足之处

任何技术都可能存在一定的针对性和局限性。同样，相对传统的身份识别，生物识别技术是有较大的优势，但其也存在着一定的缺陷。一是准确性方面的局限。比如说人手指受伤时，指纹这个生物特征在被识别过程中的准确性就可能受到影响。另外，非法用户制造有着相同指纹的橡胶手指冒认合法用户在技术上也是可能实现的；二是同传统身份识别认证方法一样，生物特征信息在传输过程中也有可能被截获或篡改，存储在数据库中的信息也可能会被修改，这些都会使得合法用户的身份认证受到影响，这也是今后生物识别技术所面临的主要问题之一；三是要求用户配合的程度高，如从指纹锁的实际应用情况来看要求用户配合的程度高，用户在指纹采集过程中需要直接接触指纹采集仪，容易产生被侵犯的感觉，导致用户对指纹识别技术的接受度降低，用户指纹难以采集；四是存在使用专用设备、价格昂贵等缺点，用较高的代价来保障安全。

三、应用中存在的困难与潜在的风险

就目前来看，虽然关注度高，但由于生物识别技术的尚不成熟，其在金融领域的运用暂时还难以大规模的推广使用，还面临着政策和宣传不到位等诸多因素的困扰，如何理性、务实的直面存在的问题困难，加强对该项技术的投入和监督，是金融业在未来一个时期内应重点解决的问题。

（一）困难

一是使用成本高。如通过掌静脉识别身份进行支付的方式比较安全可靠，但问题是这个设备的成本是比较高的，这就导致它更多的是在一定范围内使用，很难大规模推广使用，同样，指纹、虹膜等技术都面临类似的问题；二是使用范围受限。相对来说，人脸识别方面，利用摄像头扫描就相对容易，只需要配备一个手机就可以解决，可以大面积推广使用，但目前也不能保证这个技术就绝对安全，未来的使用可能更多的还是规定这种技术支持一定的业务范围。

（二）风险

生物识别技术具有使用便捷的优点，同时风险与之并存：生物特征的生物身份识别技术存在着一旦被盗用将无法吊销的风险，这也是目前导致仅依赖生物识别技术进行身份认证的措施还不适用于大范围的金融业务的原因所在。同时，互联网银行业务发展的技术障碍也未解决，无论人脸识别、指纹等多重生物识别技术有多成熟，只要是网络远程传输方式都能够被黑客截取复制，金融业务潜在风险。

四、相关建议

（一）加强互联网金融业务的监管

近年互联网金融业务如火如荼，但监管严重薄弱，传统金融监管部门并不十分了解信息网络安全的相关技术。因此，迫切需要设立相关信息安全部门的联席会议制度或者监管协调机制，对有关互联网金融的规则从源头介入，制定监管制度办法，避免监管部门事后被动的尴尬。

（二）加大宣传推广力度

当前生物识别技术还不够成熟，人们对其的心理接受程度，还有待从不熟悉该技术到熟悉这样的过程和时间。因此，金融业所须做的是加大对生物识别技术技术的研发以及加强宣传工作。

（三）建立个人生物特征信息中央数据库

有效的生物特征识别应用必须由强大的数据后台作保障，应建立一个大型个人生物特征信息数据库，能够采集和存储指纹扫描、虹膜扫描、掌纹和语音数据及其他生物识别符号，以更快、更好并且将更有效地提升部门间的数据共享和可操作性。

（四）生物识别技术与其他方式有机结合

篇(4)

关键词：生物特征；RFID；电子护照；安全性

随着生物特征识别技术和数字加密技术不断成熟和发展，生物特征电子护照应运而生。简单地说，生物特征电子护照是在传统护照中嵌入电子芯片，并在芯片中存储持照人基本资料和生物特征信息的新型旅行证件。

1 生物特征电子护照应用现状

在ICAO颁布标准之前，早在1998年马来西亚护照就已经使用了生物特征电子护照。截至2013年，亚太地区已经有中国、日本、印度、澳大利亚、韩国、新加坡、土耳其、伊朗、泰国、菲律宾、黎巴嫩、巴基斯坦、伊拉克、马来西亚、文莱、塔吉克斯坦、新西兰、中国香港、中国澳门、台湾地区等十多个国家使用了生物特征电子护照。欧洲地区，欧盟成员国为确保个人身份证明的可靠性达成一致共识，要求各国必须在2010年3月前启用包含指纹的生物特征电子护照。目前，欧洲绝大多数国家已经开始使用生物特征电子护照，其中有代表性的有德国、俄罗斯、奥地利等。在美洲，美国、加拿大、巴西、委内瑞拉等国也开始使用生物特征电子护照。在非洲，生物特征电子护照已在西部非洲和南非等地推广开来。

2 生物特征电子护照技术现状

生物特征电子护照之所以在不长的10年间，得到广泛的应用，与它使用的生物特征识别技术和电子加密技术不无关系。

生物特征识别技术（Biometric Identification Technology）是利用人体生物特征进行身份辨认的一种技术。生物特征是唯一可自动识别和验证人体的生理特性或行为方式，分为生理特征和行为特征，主要的生物特征有指纹、面相、虹膜、掌纹、步态、耳廓等。另外生物特征电子护照采用电子芯片作为其生物特征信息存储和数字加密的载体。它所使用的芯片比标准的RFID要复杂，同时读写距离也较一般的RFID芯片要短，以Infineon（英飞凌）公司的芯片为例，其读取距离仅限于10.5厘米之内。采用电子芯片的护照可进行数字加密，要侵入芯片必须知道它是如何加密和进行程序化的，这样便有效增加了外部破解的难度，提高了护照的安全强度。

随着应用的推广和科技的进步，生物特征电子护照也历经了技术的革新。2006年，国际民航组织推出了电子护照的第一版技术标准，选定面像作为必选的生物特征，指纹和虹膜作为可选的生物特征。2007年， 国际民航组织建立了公钥簿（Public Key Directory，简称PKD），公钥簿为各有关国家和地区电子护照的验证提供了便利的技术平台。标准颁布后，生物特征电子护照在世界各国普及开来，这一阶段的护照芯片中主要存储有持照人的身份和面像信息，同时被称为第一代电子（生物特征）护照。而近些年来，提高护照防伪特性的呼声日益高涨，仅有持照人的面像信息已不能满足防伪需要，各国开始考虑在电子护照中添加指纹等唯一性生物特征信息。目前，德国等部分欧盟国家开始颁发含有持照人指纹信息的生物特征电子护照，称之为第二代电子（生物特征）护照。

3 生物特征电子护照安全性分析

尽管使用生物特征技术和数字加密技术，生物特征电子护照相比传统护照拥有更高的防伪能力，但因为生物特征技术和电子芯片本身存在的技术缺陷和安全隐患，仍然导致生物特征电子护照在应用中仍然存在一些难以回避的问题。

3.1 生物特征识别技术的识别率影响生物特征电子护照的使用

不论是第一代还是第二代生物特征电子护照，它们都存储了持照人的面像信息作为生物识别的信息依据，但面像识别技术受客观因素的影响较大，当拍摄光源不足时，面部识别的错误率可达50%，即使在一切光源符合条件的情况下，其准确率也只能达到90%。同时为了提高面部识别率，一些国家规定旅客拍摄护照相时严禁露齿而笑，必须露出整个脸庞、表情端庄、嘴唇紧闭，严禁申请人对着镜头做鬼脸，其他一些规定还包括相片中人的眼睛要睁开及清楚可见，头发不能遮掩眼睛，佩戴眼镜者镜片不能反光，镜框亦不能遮眼睛等等，这些限制都会影响到生物特征电子护照的正常使用。另一方面，指纹识别技术相对成熟，其识别成功率高达99.6%。尽管如此，考虑到个人指纹的隐私特性，只有少数国家立法在第二代生物特征电子护照中使用指纹信息，其普及程度仍然相对较低，很难解决生物特征电子护照有可能存在识别率不高的问题。

3.2 现有生物特征技术在一定条件下可以进行伪造识别，对护照的安全构成了较大风险

根据媒体报道，一位日本数学家在曾多次对市场上使用的生物识别仪进行伪造识别。他用不干胶条粘贴使用过的玻璃杯，获得了玻璃杯上残留的指纹样品，接着再根据指纹样品制造假的手指；法国国防秘书处信息安全指挥中心专家菲利浦・沃尔夫也指出，通过合适的仪器收集某人眼部的图像特征，然后进行伪造，就可以通过虹膜识别仪的识别。因此伪造假的生物特征也给生物特征电子护照的安全性能敲响了警钟。

3.3 由于护照芯片厂家不统一导致护照的误读、读取信息不完整或读取失败

一项检测表明，一些读卡器无法检测出电子护照芯片的存在，许多设备能检测出芯片，但是无法读取资料，或者对预期能显示的信息内容含糊不清。造成这种测试结果的原因是尽管芯片及读卡器的供应商都依据ISO 14443 国际标准和统一的参数进行生产，但将众多厂家的技术统一在一起仍然是个复杂的问题，以致技术人员仍然需要为读取某些护照而调试读卡器。

3.4 为保证生物特征电子护照的真实性完整性而设置的多种安全机制也存在漏洞

国外相关研究机构通过对生物特征电子护照的各种安全机制进行分析，发现建立在PKI、数字签名以及智能卡技术基础上的多种安全手段，并不是牢不可破的，可能会存在有安全漏洞。

4 如何增强电子护照安全性的几点建议

4.1 实施可选安全机制，特别是扩展访问控制

目前ICAO仅规定了被动认证是强制使用的安全手段，其他都是可选项，这对于真实实施的生物特征电子护照方案是相当不利的。主动认证、基本访问控制、扩展访问控制的加入，将较大幅度地增加护照的安全性，特别是为了保护生物特征数据不被随意读取和滥用，扩展访问控制应当成为必须增加的保护手段。

4.2 及时获取和更新证书

在电子护照的整个安全体系中，数字签名和PKI体系是其安全基石，而相应的各类证书的真实有效性关系到整个体系的安全性。目前的体系中，通过ICAO的公钥簿以及其他外交途径传递的各类证书，其安全性和实时性都有待改进和提升，应该研究其他更优方案。

篇(5)

摘 要:对人脸和指静脉在决策层的融合识别，给出一种新的组合图像质量评价方法，并采用一种改进的基于图像质量加权的D-S证据理论融合这两种生物特征。首先，组合图像质量评价法采用清晰度和对比度、相关系数的组合方法来评价生物特征图像质量；其次，应用改进的基于图像质量的匹配值增强方法和D-S证据理论，减少了极大值图像质量指标的影响，使图像质量加权与实际情况更趋一致。实验结果表明，与没有考虑图像质量因素相比，考虑了图像质量信息的D-S证据理论融合方法提高了识别效果。

关键词:人脸；指静脉；独立成分分析；主元分析；图像质量；D-S证据理论

中图分类号: TP391.413 文献标志码:A

Abstract: For the fusing recognition with face and finger-vein at decision level, a new quality score of image by combining three indexes was presented, and an improved fusion strategy based on D-S evident theory was adopted to fuse two biometric characteristics. At first, the quality score of image was computed by combining index of distinct, contrast and coefficient. Then an improved method based on image quality and D-S evident theory was adopted. This improved method reduced the impact of maximum of image quality score and made the weighted parameter with the actual situation more consistent. Compared with the result of D-S evident theory with no regard to image quality, the results reveal that the fusion method in this paper based on D-S evident theory taking account of image quality information improves the performance.

Key words: human face; finger-vein; Independent Component Analysis (ICA); Principal Component Analysis (PCA); image quality; D-S evident theory

0 引言

生物特征识别技术为身份识别和信息安全等领域提供了一条便捷、高效、安全的新途径。目前常见的生物特征识别技术有人脸、指纹、虹膜、指形、静脉、掌纹、步态以及签名等识别技术，其中指纹和人脸识别技术则是最成熟、应用最广泛的技术。

然而这些生物识别方式都有各自的缺点，尚无能取代所有其他生物特征识别的特征，尤其是一些生物特征可能被复制和伪造，影响其安全性。但若能采用融合理论，综合多个生物特征，从理论和实践上都表明能得到比单一生物特征更优的识别性能和通用性［1-3］。

图像质量对生物特征识别系统的识别性能影响很大,对信息完整、图像质量高的样本库所获得的识别率，可能因为图像质量下降而迅速降低。文献［4-10］都对基于图像质量的生物特征做了深入的研究，取得较大进展。其中，Nandakumar等以虹膜和指纹为融合对象，对每次需要匹配的单个待测样本和模板样本的图像质量做出评价，给出一种基于图像质量的似然率指标，对此进行融合得到了满意的识别结论［4］。文献［5］则给出一种新的基于贝叶斯网络的基于图像质量的多生物特征融合系统，将生物特征图像质量和匹配值看作同等地位的量，用贝叶斯网络融合识别。Richiardi等对基于图像质量的语音、人脸、指纹和签名的图像质量评价指标作了综述并分析了将图像质量信息应用到多生物特征融合识别的方法［8］。Fierrez-Aguilara等在文献中分别就指纹与签名、指纹与语音的基于图像质量的融合方法做了分析，主要思路是在每次计算匹配值时考虑图像质量指标，再用基于支持向量机的方法进行融合［10］。

本文结合人脸和手指静脉两种生物特征进行融合识别，以提高识别的精确性和系统的通用性。针对图像采集中易产生噪声干扰,受光照等因素影响而生成质量差的图像，尤其是手指静脉图像采集困难，实现了一种基于图像质量信息加权的D-S证据理论融合手指静脉和人脸特征量的多特征融合识别系统。

1 融合识别系统结构

选择指静脉和人脸进行融合识别出于如下的考虑：静脉识别技术因可实现活体检测,具有更好的精确度和稳定性；速度快、特征唯一，安全性好；且静脉识别以非接触的方式进行认证，也易于被人们接受，并减少因皮肤表面的皱纹及污垢的干扰。而人脸识别作为一种被动识别方式，易于被人接受，也是目前实用化程度较高的一种生物特征识别方法。选择人脸和指静脉进行多生物特征融合识别，可利用人脸识别中成熟的识别算法，并发挥的指静脉识别精度高、不易被伪造的优势，形成互补。

考虑图像质量因素的影响，一种新的基于图像质量的加权D-S证据理论融合系统的结构如图1所示。

由于尚无公开的多生物特征测试数据库，这里选择ORL人脸库［11］和指静脉库［12］组成多生物特征库，包含40个对象，每人10幅人脸和指静脉图像，人为组合组成测试数据库，如图2(a)~(d)所示是其中的4组样本，这种人为的指定并不影响对融合结果的实验效果。

2 生物特征抽取

2.1 基于独立成分分析的指静脉特征抽取

静脉图像匹配方法包括结构匹配、模板匹配等，然后根据实验数据得到的阈值进行判断。

目前的静脉识别方法多集中在模板匹配或细节特征点匹配［13-15］、Gabor滤波和编码［16］等,例如Wan等提出基于细节点特征提取的指纹静脉提取方法，通过匹配汇合点和分叉点的方法实现手指静脉识别［14］。但较少利用静脉图像的全局信息或整体纹理信息进行分析的。这里借鉴独立成分分析在人脸、掌纹等生物特征识别中的应用［17-18］，采用基于独立成分分析的方法来抽取特征量，具体步骤如下。

1)归一化图像。

为了方便处理和简化计算，将大小为376×328的原始图像剪切成为150×150大小图像。将该矩阵的每个列向量提出来串接成为一个列向量。新的列向量表示一幅原始图像，所以待处理的n幅图像就组成n×2250的一个矩阵N。

2)对N做独立成分分析。

采用FastICA算法［19］，对N做去均值后，FastICA首先对数据做主元分析(Principal Component Analysis, PCA)，保留主要信息的基础上，压缩数据；然后进行独立成分提取，经过独立成分分析法抽取特征后所得指静脉基图像的部分示例如图3所示。

补充图3中每个子图的图名。

2.2 基于主元分析的人脸特征抽取主元分析法抽取人脸特征

人脸识别作为生物特征识别中研究最早也较成熟的方法之一，特征提取方法有基于代数的特征提取方法，如最基本的独立成分分析法、主元分析法和线性判别分析法等。Turk等首先提出基于主元分析的特征脸概念，并取得很好的识别效果［20］。其基本思路是将人脸图像数据用基于二阶统计矩的提取方法，映射到主元分量子空间。这里为了分析手指静脉图像和人脸进行融合对识别性能的影响，选用主元分析的方法提取人脸特征。

对ORL人脸库做基于主元分析法的特征提取，首先计算人脸库的人脸图像平均值，然后求取基于主元分析的特征脸，如图4所示为基于主元分析法特征抽取后的部分特征脸示例。

3 基于图像质量信息的人脸和手指静脉特征融合

生物特征的图像质量对识别性能有重要的影响，随着图像质量的下降，识别率将迅速降低，甚至会导致错误的识别结果。而人脸图像的采集容易受光照、采集角度的影响；手指静脉作为一种新兴的生物特征方法，其图像采集更易受可见光、被采集个体等因素的影响，较易产生清晰度差、对比度弱的图像。针对这个存在较差图像质量的情况，若能够在识别过程进行前，对样本的质量信息进行量化，并弱化质量差的信号的影响，将有可能提高系统的识别性能。下面先给出一种组合的图像质量评价方法。

3.1 图像质量评估

图像质量是图像的一个重要信息，对图像质量的评价量主要有主观评价和客观评价，主观评价由人们根据自己的视觉感受，根据视觉效果做出评判，受主观因素影响较大；客观评价以图像内容的数学表示，通过定义定量的数学质量指标，进而判断图像信息［21-23］。客观评价标准分无参考和有参考两大类。有参考的图像质量评价量根据待测图像和标准图像之间的差异性来判断，差异性越大，说明图像质量与标准图像相差越大，质量越差，常用的指标有峰值信噪比和均方误差等。但应用过程中，标准图像的较难选择或找不到合适的量。图像质量评价的主要问题是评价指标的通用性差，对某些图像，有些指标甚至背离了人类视觉感受。

常用的图像质量评价可根据结构信息相似量、图像中包含信息量多少、图像对比度、清晰度和图像边缘信息等角度进行分析。以下是几种主要客观图像质量评价度量指标。

1）无参考图像质量指标。

无参考图像质量指标有图像的均值、图像的方差、图像的熵、拉普拉斯和值等。图像的熵的定义为：

H=－∑L－1i=0p(i) ln p(i)（1）

其中p(i)是灰度i的分布概率。该指标表示图像包含平均信息量多少的度量。熵值越大说明图像包含信息量越多。

2）有参考图像质量指标。

有参考图像质量指标有均方根误差、峰值信噪比、相关系数、结构相似度等。皮尔松相关系数定义为：

Qp=corrcoeff(IA,I)（2）

其中：I为待测图像，IA训练样本平均值，Qp为图像质量的量度值。

3）亮度对比值。

人们观察图像时，对局部区域的绝对亮度不敏感，对局部区域与相邻区域的相对亮度变化敏感，根据这一特点将图像划分成N×N的不重叠的子图像，第(m,n)个块的亮度对比度值定义为其亮度的标准差［21］：

Ic(m,n)=1N×N ∑n×N+Nj=n×N+1 ∑m×N+Ni=m×N+1(I(i, j)－I(m,n))2（3）

4）图像清晰度指标［22-23］。

清晰度方法是利用相邻像素点的差异来度量图像清晰度。利用高斯拉普拉斯算子：

LOG(x,y)是L0G，还是数学上的对数书写形式Log?即中间的是零，还是字符“o”？请明确。=－1πδ41－x2+y22δ2exp－x2+y22δ2（4）

其中：σ为高斯函数的标准方差，其值较小时，锐化图像；反之则平滑图像。常用大小为5×5的高斯拉普拉斯算子。

利用待测图像与高斯拉普拉斯算子卷积后的水平像素灰度均值来定义图像清晰度［22］：

Q0(y)=∑yI(x,y)*LOG这个“LoG”中，中间的字母是“o”，还是零？请明确。(x,y)（5）

Qq=1N∑yQ0(y)（6）

其中N为图像高度。若图像清晰，对应的Qq值大；反之若图像模糊，则每个像素附近的灰度值变化很小，对应的图像高频量小，Qq值也小。

5）组合的图像质量评价法方法。

本文根据图像质量评价指标的特点，综合图像清晰度Qq、亮度对比度Ic和相关系数Qp的质量评价指标，定义整体质量评价量为：

Qs=W1Qq+W2Ic+W2Qp（7）

图5是一组图像质量由好到差的样本，除了个体因素的差异外，主要是图像采集装置性能、光照条件等都不可能完全一致，导致了存在一定量的较差图像质量样本。其中图（a）、（b）图纹理清晰，对比度好，图（c）对比度强，图（d）、（e）质量较弱。

根据计算结果和主观评价赋予权值量W1,W2,W3分布为1，0.5,0.5。最后所得Qs如表1所示，所得结果和主观评价基本符合，能够反映图像清晰度和对比度，体现了人眼对图像质量的主观感受。

下面分析一种基于图像质量的加权D-S证据理论融合方法，来探讨考虑图像质量信息后对识别性能的影响。

3.2 基于图像质量加权的证据理论融合方法

由于待识别的对象个性差异及硬件因素，存在着图像噪声、图像质量差、所需生物特征信息缺损等不利因素，此外还有识别算法的内在缺陷，两个来自同一对象的生物特征可能得出不同的结果，这时常规的如加和、乘积、最大值法等融合策略的结果有可能比单生物特征识别还差。通过D-S证据理论对不确定信息的融合有望提高融合识别性能。

Vatsa等提出基于图像质量和Dezert-Smarandache理论的多个指纹特征融合识别方法［6］。首先对指纹图像的质量信息用基于冗余离散小波变换（Redundant Discrete Wavelet Transform, RDWT）方法求得度量值，然后对图像匹配值做基于图像质量评估度量值的增强，最后采用Dezert-Smarandache理论进行融合识别。

本文对Vatsa的对基于图像质量的图像匹配值增强方法作了改进，并对人脸和手指静脉图像进行基于图像质量D-S证据理论进行融合识别，具体方法如下。

先对图像采用式（7）方法计算图像质量的量化值：求出一组训练样本的平均值IA，然后计算每个待测样本的图像质量数Qs。

然后在D-S证据理论组合规则上，考虑图像质量因素的影响，将图像质量信息正则化，Vatsa采用Tanh方法，使得其范围在［0,1］。

在3.1节的图像质量评估分析中，本文采用组合的图像质量评估方法使其与主观评估相一致，但考虑到图像质量评估对不同光照、对比度和纹理等差别的反映情况不同，且通用性有限，其图像质量评估指标的最高值并不意味着该图像一定具有最强的可分性，本文对以上的图像质量信息正则化方法进行如下改进：

Qnorm=Qs－min(Qs)med(Qs)－min(Qs)（8）

该方法用中间值med(Qs)代替质量评估量化的最大值，减少图像质量最大值的影响，使正则化的结果更为恰当。

Vatsa采用的方法中对所有质量信息以阈值为0.5分作两种情况对特征匹配值进行基于图像质量的增强。根据本文采用的待融合生物特征，尤其是手指静脉图像，个别图像质量因光照和生物个体原因，难以根据该图像进行识别，根据这一情况，本文作如下改进，通过实验求得评估图像质量为差的阈值，该阈值以下的图像信息不参与融合识别。在图像质量分数值大于阈值时，可对特征匹配值进行基于图像质量的变换如式(9)所示：

Sqj=Qnormsj0.5, θ≤Qnorm≤0.5(1－Qnorm)sj0.5,0.5

下面采用D-S证据理论进行融合识别。Dempster于1967年提出D-S证据理论，之后Shafer用信任度函数和似然度函数扩展了该理论，成为处理不精确性的信息的数学方法，称做D-S证据理论［24-25］。该理论可看作对贝叶斯决策的推广，通过定义信任函数和似然函数把命题的不确定性问题转化成集合的不确定问题，解决因信息不完备或模糊性导致的不确定，只要求证据间相互独立。D-S证据理论已经成为不确定性决策的常用理论，可以用于决策分析或故障诊断等领域。

D-S证据理论作为表达和处理不确定性知识的数学工具，可有效处理单生物特征在识别系统中存在的冲突性和不确定性。利用人脸和手指静脉的基于D-S证据理论融合识别时，是由人脸和手指静脉两个识别子系统提供两个证据实现融合识别，其中首先需要确定每条证据的基本概率赋值函数。在此基础上，利用D-S证据理论的合成规则将相关证据生成一个新的证据，得到最后的可信度和判决结果。这里的证据信息来自两个识别子系统，保证了证据间相互独立。

定义U是完备的有限集合，用2U表示U所有子集和空集。

定义m(•)=2U［0,1］，称做基本概率赋值，0表示完全不信任，1表示完全信任。对每个分类器有确认a和拒绝－a(－a=U－a)两个结果，计算相应的分类识别率作为基本概率赋值［6］。假设对一个输入模式类别为j(j∈c)被分配到包括拒绝类的k(k∈c+1)类，则分类器输出［24］为k的预测率Pk是输入模式正确分类的个数和被分类到k所有模式总数的比率。该方法表明对匹配值Sqj对第j个对象分类到k，所有对象被正确分类的可能性是Pkj，没有正确分类的可能性是1－Pkj，对第j个对象的基本概率赋值计算如式(10)：

mj(k)=Pkj•sqj（10）

利用D-S证据组合规则，对多个证据的组合为：假定A,B用来计算焦元C新的信任函数，D-S证据组合规则：

m(C)=∑A∩B=Cm(A)m(B)1－∑A∩B=m(A)m(B)（11）

这里有两种生物特征对应两个分类器， j=1,2，在获得基本概率赋值后，利用基于证据理论的组合规则求：

mfinal=m1m2（12）

最后用阈值法进行判决。

判决结果=接受, mfinal≥t拒绝,其他 （13）

4 融合实验结果分析

本文选择ORL库和指纹静脉图像组合形成融合特征库。多生物特征库中每个对象每种特征的前5个样本进行训练，其余的样本进行测试。在进行同类测试和异类测试时候，计算欧几里得距离作为匹配值。采用基于图像质量因素的加权D-S证据理论融合，首先求取一组待融合的人脸和手指静脉图像的图像质量度量，根据第3章的方法将图像质量的信息增加到融合过程中。再采用D-S证据理论融合，对基本概率赋值进行组合，得到最后的融合结果。为评价和分析考虑图像质量信息的效果，与不考虑图像质量信息时的D-S证据理论融合作对比分析。将错误接受率（False Acceptance Rate, FAR）和错误拒绝率（False Rejection Rate, FRR）在同一坐标中表示的结果如图6所示，是对基于图像质量加权D-S证据理论融合和常规D-S证据理论融合的结果比较。

结果表明基于图像质量加权的D-S证据理论能降低识别结果的不确定性，提高识别性能，得到更好的识别效果。

已有较多研究工作［6-10］充分利用图像质量信息来提高识别系统的性能，这些文献中基于图像质量的融合识别不仅比单生物特征优越，也明显优于基本的Sum、加权和、最大或最小、乘积等融合策略，现将这些已有的考虑图像质量信息的融合方法加以比较，其中EER（Equal Error Rate）即等错误率，如表2所示。

5 结语

D-S证据理论定义信任函数和似然函数分析处理随机性或模糊性产生的不确定性，可避免先验概率和条件概率的求取。鉴于生物特征识别系统中图像质量对识别性能的重要影响，以及多生物特征（尤其是诸如手指静脉和人脸不相关的特征）融合识别可提升系统识别性能，本文结合融合理论利用多源信息的冗余性和互补性来克服信息的不精确性和不完整性，并考虑图像质量信息进行基于D-S证据理论的多特征融合识别分析。结果表明该方法可有效地处理不确定性和不精确性的信息，基于图像质量加权的D-S证据理论的多特征融合识别有效提高了系统的识别性能。

参考文献:

[1]

ROSS A, JAIN A K, QIAN J Z. Information fusion in biometries ［J］. Pattern Recognition Letters, 2003, 24(13): 2115-2125.

[2]

HONG L, JAIN A, PANKANTI S. Can multibiometrics improve performance? ［C］// Proceedings of 1999 IEEE Workshop on Automatic Identification Advanced Technologies. Piscataway: IEEE, 1999: 59-64.

[3]

JAIN A K, PANKANTI S, PRABHAKAR S, et al. Biometrics: A grand challenge ［C］// Proceedings of the 17th International Conference on Pattern Recognition. Washington, DC: IEEE Computer Society, 2004: 935-942.

[4]

NANDAKUMAR K, CHEN Y, Jain A K, et al. Quality-based score level fusion in multibiometric systems ［C］// Proceedings of the 18th International Conference on Pattern Recognition. Washington, DC: IEEE Computer Society, 2006, (4): 473-476.

[5]

MAURER D E, BAKER J P. Fusing multimodal biometrics with quality estimates via a Bayesian belief network ［J］. Pattern Recognition, 2008, 41(3): 821-832.

[6]

VATSA M, SINGH R, NOORE A, et al. Quality-augmented fusion of level-2 and level-3 fingerprint information using DSM theory ［J］. International Journal of Approximate Reasoning, 2009, 50(1): 51-61.

[7]

FIERREZ-AGUILAR J, CHEN Y, ORTEGA-GARCIA J, et al. Incorporating image quality in multi-algorithm fingerprint verification ［C］// Proceedings of the International Conference on Biometrics. Berlin: Springer-Verlag, 2006: 213-220.

[8]

RICHIARDI J, KRYSZCZUK K, DRYGAJLO A. Quality measures in unimodal and multimodal biometric verification ［C］// Proceedings of the 15th European Conference on Signal Processing. Poznan, Poland: EURASIP, 2007: 301-310.

[9]

SINGH R, VATSA M, NOORE A, et al. DS theory classifier fusion with update rule to minimize training time ［J］. IEICE Electronics Express, 2006, 3(20): 429-435.

[10]

FIERREZ-AGUILAR J, ORTEGA-GARCIA J, GONZALEZ-RO-DRIGUEZ J, et al. Discriminative multimodal biometric authentication based on quality measures ［J］. Pattern Recognition, 2005, 38 (5): 777-779.

[11]

AT&T Laboratories Cambridge. The ORL database of faces ［EB/OL］. ［2011-03-25］. .

[12]

余成波，秦华锋.手指静脉识别技术［M］.北京：清华大学出版社，2009.

[13]

MIURA N, NAGASAKA A, MIYATAKE T. Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification ［J］. Machine Vision and Applications, 2004, 15(4): 194-203.

[14]

WAN LINGYU, LEEDHAM G, CHO D S-Y, et al. Minutiae feature analysis for infrared hand vein pattern biometrics ［J］. Pattern Recognition, 2008, 41(3): 920-929.

[15]

WAN LINGYU, LEEDHAM G. A thermal hand vein pattern verification system ［C］// Proceedings of the Third International Conference on Advances in Pattern Recognition and Image Analysis. Berlin: Springer-Verlag, 2005: 58-65.

[16]

YANG JINFENG, SHI YIHUA, YANG JINLI. Personal identification based on finger-vein features ［J］. Computers in Human Behavior, 2011, 27(5): 1565-1570.

[17]

BARTLETT M S, MOVELLAN J R, SEJNOWSKI T J. Face recognition by independent component analysis ［J］. IEEE Transactions on Neural Network, 2002, 13(6): 1450-1464.

[18]

DENIZ O, CASTRILLON M, HERNANDEZ M, et al. Face recognition using independent component analysis and support vector machines ［J］. Pattern Recognition Letters, 2003, 24(13): 2153-2157.

[19]

HURRI J. FastICA ［EB/OL］. ［2011-04-19］. cis.hut.fi/projects/ica/fastica.

[20]

TURK M, PENTLAND A. Eigenfaces for recognition ［J］. Journal of Cognitive Neuroscience, 1991, 3(1): 71-86.

[21]

李奇,冯华君,徐之海,等.数字图象清晰度评价函数研究［J］.光子学报,2002,31(6):736-738.

[22]

王鸿南,钟文,汪静,等.图像清晰度评价方法研究［J］.中国图象图形学报,2004,9(7):828-892.

[23]

WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: From error visibility to structural similarity ［J］. IEEE Transactions on Image Processing, 2004, 13(4): 600-612.

[24]

PARIKH C R, PONT M J, JONES N B. Application of Dempster-Shafer theory in condition monitoring systems: A case study ［J］. Pattern Recognition Letters, 2001, 22 (6/7): 777-785.

[25]

DEZERT J. Foundations for a new theory of a plausible and paradoxical reasoning ［J］. Information and Security Journal, 2002, 12(1): 13-57.

收稿日期:2011-06-15;修回日期:2011-08-08。

篇(6)

【关键词】手指静脉识别 门禁系y 设计

1 前言

手指静脉识别技术是一种新的生物特征识别技术，依据人类手指中流动的血液可吸收特定波长光线的原理，得到手指静脉的清晰图像。利用这一固有的科学特征，将实现对获取的影像进行分析、处理，从而得到手指静脉的生物特征，再将得到的手指静脉特征信息与注册样本的手指静脉特征进行提取比对，从而确认身份的真实性。由于必须是具有一定血压的活体才能采集到血管结构特征，真正的活体生物特征；静脉血管人人具有，适应范围广，据研究结果表明，只有0.01%的人识别率偏低，几乎人人可用。

两者的有机结合，势必会有效提高银行金融系统的安全方法等级，给人员安全管理带来很大的便利性。

2 系统概述

联网型门禁系统是最典型、功能强大的门禁管理系统，系统由专用以太网门禁控制器、指静脉仪、电锁、门磁、红外、烟感、出门按纽、网络转换器、联动报警系统、管理软件、计算机及配套设备组成，还可实现声音提示、监控联动等功能。

智能门禁管理系统将指静脉识别与电控锁有机地结合起来，进而由指静脉替代钥匙，配合上位机管理软件，联动监控系统，实行智能化管理，有效地解决了传统门锁的多种不足，其拓展功能――人力资源的管理更是给人们带来意想不到的方便。

3 系统工作流程

通道AB门双门互锁门禁点位于现金营业厅工作场所进出通道，两扇门的中间是一个通道，要求双门互锁联动。A门外（受保护区域外）安装一台HJ-300A指静脉终端，A门内安装出门按钮，B门内安装一台HJ-300A指静脉终端，B门外安装出门按钮。打开A门进入通道，必须把A门关好，才能打开B门通行，如果此时A门没关闭好，便无法打开B门，防止犯罪分子尾随等，为区域内安全提供了更高一级的保障。门禁控制器可通过TCP/IP局域网或RS485网络与管理工作站联网。

在各分行设置加钞间门禁点，中心网点可对各分行加钞间门禁点进行监控、远程开门、禁止开门等操作，以及开门权限的设置等。可实现本地“N+1确认（按指静脉、刷卡或密码随意组合）开门”、本地确认中心软件远程开门、本地红外等探测器联动报警、DVR联动控制、语音提示、遭遇胁迫时开门同时报警等等功能。

系统提供专门为银行门禁设计的CHD802D1CP银行加钞间门禁控制器，该控制器可实现多人权限开门功能，即需要多个按指静脉及密码且均为合法才能开门，该开门方式更适于银行高安全区域的管理方式，开门时必须有多名员工或多名员工以及一名高级管理人员同时在场，防止了银行内部个别人员利用职务之便进行犯罪行为。

门外安装指静脉识别仪（读卡器）、门上安装电控锁、门内安装出门按钮，门内门外均在门的上方合适位置安装扬声器，控制器与语音驱动板、电源等设备则放置于一专用铁盒内安装于门内墙上或隐蔽处。

4 系统手指静脉识别终端参数表

作为银行门禁系统中的重要组成部分，我们设计的手指静脉识别终端的参数如表1所示。

5 结论

本设计方案很好的融合了最新的生物特征识别技术与金融安防系统，有效的提高了安全防范级别，为诸如金库、监狱等重要机构提供了参考依据。

参考文献

[1]KONO M，UEKI H，UMEMURA S I.A flew method for the identification of individuals by using of vein pattern matching of a finger[C]Fifteenth Symposium on Pattern Measurement，2014：9-12.

[2]管风旭.王科俊.基于自动调光功能的手指静脉图像采集系统[J].电子技术应用，2013，36（10）：120-123

篇(7)

1、指纹识别原理：比较不同指纹的细节特征点.

2、指纹识别是将识别对象的指纹进行分类比对从而进行判别。指纹识别技术作为生物体特征识别技术之一在新世纪逐渐成熟，进入了人类的生产生活领域。

3、指纹，英文名称为fingerprint，两枚指纹经常会具有相同的总体特征，但它们的细节特征，却不可能完全相同。指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或转折。这些断点、分叉点和转折点就称为特征点。

（来源：文章屋网 ）