序論：寫作是一種深度的自我表達。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內心深處的真相，好投稿為您帶來了七篇生物特征識別技術范文，愿它們成為您寫作過程中的靈感催化劑，助力您的創作。

篇(1)

關鍵詞：身份鑒別；人體生物特征；發展趨勢

1． 引言

信息化高速發展的一大特征是個人身份的數字化和隱性化，如何準確鑒定一個人的身份，保護信息安全是當今信息化時代必須解決得一個關鍵性社會問題。生物特征身份鑒別技術是身份鑒別領域的一個研究熱點。生物特征識別技術是指利用人體固有的生理特征或行為特征來進行個人身份鑒別認證的技術。生物特征識別技術包括采用人體固有的生理特征（如人臉、指紋、虹膜、靜脈、視網膜）進行的身份認證技術和利用后天形成的行為特征（如簽名、筆跡、聲音、步態）進行的身份認證技術。與傳統的身份鑒定手段相比，基于生物特征識別的身份鑒定技術具有如下優點：（1）不會遺忘或丟失；（2）防偽性能好，不易偽造或被盜；（3）“隨身攜帶”，隨時隨地可用。正是由于生物特征身份識別認證具有上述優點，基于生物特征的身份識別認證技術受到了各國的極大重視。

2.  生物特征識別技術的現狀及發展趨勢

目前，常用的生物特征識別技術所用的生物特征有基于生理特征的如視網膜、人臉、指紋、虹膜，也有基于行為特征的如筆跡、聲音等。下面就這些常見的生物特征識別技術的特點及其發展趨勢進行討論研究。

2.1．視網膜識別

人體的血管紋路也是具有獨特性的，人的視網膜表面血管得圖樣可以利用光學方法透過人眼晶體來測定。用于生物識別的血管分布在神經視網膜周圍，即視網膜四層細胞得最遠處。如果視網膜不被損傷，從三歲起就會終身不變，如同虹膜識別技術一樣，視網膜掃描可能具有最可靠，最值得信賴得生物識別技術，但它運用起來的難度較大。視網膜識別技術要求激光照射眼球的背面以獲得視網膜特征得唯一性。

視網膜技術的優點：視網膜是一種及其固定得生物特征，因為它是隱藏的，故而不易磨損，老化；非接觸性得；視網膜是不可見得，不會被偽造。缺點是：視網膜技術未經過任何測試，可能會給使用者帶來健康的損壞。

2.2.人臉識別

人臉識別作為一種基于生理特征的身份認證技術，與目前廣泛應用的以密碼、IC卡為媒

介的傳統身份認證技術相比，具有不易偽造、不易竊取、不會遺忘的特點；而人臉識別與指紋、虹膜、掌紋識別等生理特征識別技術相比，具有非侵犯性、采集方便等特點。因而人臉識別是一種非常自然、友好的生物特征識別認證技術。

人臉識別技術包括圖像或視頻中進行人臉檢測、從檢測出的人臉中定位眼睛位置、然后提取人臉特征、最后進行人臉比對等一系列相關的技術。

為了評測基于面部圖像的人臉識別算法的性能。美國ARPA和ARL于1993年至1996年建立了FERET數據庫，用于評測當時的人臉識別算法的性能。共舉行了三次測試FERET94、FERET95、FERET96。FERET測試的結果指出，光照、姿態和年齡變化會嚴重影響人臉識別的性能。

FERET的測試結果也表明了基于面部圖像的方法的缺點。人臉是一個三維非剛體，具有姿態、表情等變化，人臉圖像采集過程中易受到光照、背景、采集設備的影響。這些影響會

降低人臉識別的性能。

為了克服姿態變化對人臉識別性能的影響，也為了進一步提高人臉識別性能，20世紀90年代后期，一些研究者開始采用基于3D的人臉識別算法。這些算法有的本身就采用三維描述人臉，有的則用二維圖像建立三維模型，并利用三維模型生成各種光照、姿態下的合成圖像，利用這些合成圖像進行人臉識別。2000年后，人臉識別算法逐漸成熟，出現了商用的人臉識別系統。為了評測這些商用系統的性能，也作為FERET測試的延續，美國有關機構組織了FRVT2000、FRVT2002、FRVT2006測試。測試結果表明，人臉識別錯誤率在FRVT2006上下降了至少一個數量級，這種性能的提升在基于圖像的人臉識別算法和基于三維的人臉識別算法上都得到體現。此外，在可控環境下，虹膜、靜態人臉和三維人臉識別技術的性能是相當的。此外，FRVT2006還展現了不同光照條件下人臉識別性能的顯著提高，最后，FRVT2006表明人臉自動識別的性能優于人。值得一提的是，清華大學電子工程系作為國內唯一參加FRVT2006的評測的學術機構，其人臉自動識別性能優于人類。FRVT2006為人臉識別后續的研究指明了方向，人臉識別中光照、年齡變化依然對人臉識別性能有很大影響，二維人臉識別的性能不比三維人臉識別差。

人臉識別得優點：非接觸性的。缺點是：要是比較高級得攝像頭才也有效地撲捉面部圖像；使用者面部的位置與周圍得光環境都可能影響系統的精確性，而且面部識別容易受欺騙；

對于采集圖像的設備會比其他技術昂貴得多。

2.2. 指紋識別

指紋識別技術是指通過比較不同人指紋中的特征點不同來區分不同人的身份。指紋識別技術通常由三個部分組成：對指紋圖像進行預處理；提取特征值，并形成特征值模板；指紋特征值比對。指紋圖像預處理的目的是為了減少噪聲干擾的影響，以便有效提取指紋特征值。常用的預處理方法有圖像增強、圖像平滑、二值化、圖像細化等。

特征提取的目的就是從預處理后的指紋圖像中，提取出能夠表達該指紋圖像與眾不同的特征點的過程。最初特征提取是基于圖像的，從圖像整體中提取出特征進行比較，但該方法的精度和性能較低?，F在一般采用基于特征點的方法，從圖像中提取反應指紋特性的全局特征（如紋形、模式區、核心區、三角點、紋數等）和局部特征（如終結點、分叉點、分歧點、孤立點、環點等）。得到特征點后就可以對特征點進行編碼形成特征值模板。指紋特征值比對就是把當前獲得的指紋特征值與存儲的指紋特征值模板進行匹配，并給出相似度的過程。

    指紋識別的優點:技術相對成熟；成本較低。缺點是：具有侵犯性；指紋易磨損，手指太干或太濕不易提取圖像。

2.3. 虹膜識別

虹膜相對而言是一個較新的生物特征。1983年，Flom與Safir申請了虹膜識別專利保護，使得虹膜識別方面的研究很少。1993年，Daugman發表了關于虹膜自動識別算法的開創性工作，奠定了世界上首個商業虹膜自動識別系統的基礎。隨著Flom和Safir專利在2005年的失效和CASIA及ICE2005中虹膜數據集的提供，虹膜識別算法的研究越來越蓬勃。I CE2006首次對虹膜識別算法性能進行了測試。虹膜識別中需要解決如下兩個難點問題：一是虹膜圖像的獲取，二是實現高性能的虹膜識別算法。

3.  結論

本文討論了一些常用的生物特征識別技術的技術特點及發展趨勢。隨著各國對生物特征識別技術的越來越重視，生物特征識別技術必將獲得更快的發展。

參考文獻：

[1]張敏貴，潘泉，等.多生物特征識別[J].信息與控制,2002,31(6).

[2]楊俊，景疆.淺談生物認證技術——指紋識別[J].計算機時代，2004,(3）.

[3]侯鴻川.面部溫譜圖身份識別技術探討[J].中國人民公安大學學報（自然科學版）,2005,（3）.

篇(2)

【關鍵詞】生理特征；行為特征；鑒定

隨著越來越多的電子設備不斷進入日常生活，傳統使用口令、密碼或身份證號等來辨識身份的方式已遠遠不能滿足人們對安全性和便利性的渴求。生物特征識別技術不再需要身份證號或密碼，也免去隨身攜帶智能卡之類物件的煩惱，它是根據人自身所擁有的東西，是人的個體特性，目前生物識別市場正處于快速增長當中。

1生物特征識別技術的歷史

最早采用生物特征來鑒定人的身份可追溯到古埃及人采用測量人的尺寸來鑒定身份。指紋識別起源于古代的中國，而在美國和西歐，指紋識別技術也使用了有一百多年。1986年從事掌紋識別的RecognitionSystem,Inc.成立。1987年Drs.Flom&Safir研究虹膜獲得專利。1990年從事簽字識別的PenOp，Inc.在英國成立。1994年Drs.Atick,Griffin成立了從事人臉識別的Vi?sionicsCorp。

2生物特征識別技術的發展

每種生物特征識別技術不一定適合所有場合。例如有些人的指紋是很難提取特征的，患白內障的人虹膜會發生變化等。在對安全級別要求較高的領域中，人們往往需要結合多種生物特征來實現高精度的系統識別，提高鑒別系統的精確度和可靠性是未來身份鑒別領域發展的必然趨勢。

3生物特征識別系統的內容

生物特征識別系統一般包括“生物特征采集子系統”“圖像預處理子系統”“生物特征提取子系統”“生物特征鑒定子系統”和“生物特征數據庫子系統”，以及系統識別的對象——人。在“生物特征數據庫子系統”中建立了生物特征與相關身份信息的對應關系，并保證數據存儲的安全性和可靠性?！吧锾卣麒b定子系統”通過模式識別方法，把待識別的生物特征與數據庫子系統中生物特征進行比對，按照事先確定的篩選條件（閾值）決策來確定是否匹配成功。

4生物特征識別技術的種類

生物特征包括生理特征和行為特征，生理特征有指紋、人臉、手形、虹膜、人體氣味和DNA等；行為特征有簽名、聲音、步態、擊打鍵盤的力度等。

5基于生理特征的生物識別技術

5.1指紋識別

指紋識別的優勢是該技術是較早被開發應用的，作為研發歷史最為長久的生物識別技術是比較成熟的。提取指紋設備小巧方便，相應的價格成本也比較低。其缺點是指紋的采集是接觸式的，人工操作比較耗時，可接受性較差，而且指紋也可以通過手術或者一些有創手段得以改變或者破壞，因此不是最穩定和可靠的身份識別手段。

5.2人臉識別

人臉識別與其它生物特征識別相比具有以下特點：（1）方便高效，在實際應用場景中，人臉識別可以同時進行多個人臉的分揀、判斷以及識別。（2）非接觸的，用戶不需要和設備直接接觸。（3）由于人臉臉部存在相似性，不同個體的區別不大，所有人臉的結構都相似。再加上現代妝容技術的發展，人臉識別還是有很大的識別難度。（4）人臉的易變性，人臉的外形其實并不穩定，可以通過臉部變化產生很多表情，而在不同的觀察角度，人臉的視覺圖像差別也較大。此外，人臉識別還受光照條件等多種因素的影響。

5.3虹膜識別

虹膜識別的優點有：虹膜本身具有穩定性和唯一性，基本不會隨著人年齡的增長而發生變化；另外同一個人雙眼的虹膜，包括雙胞胎的虹膜特征都不會一樣，相似概率為億萬分之一，所以虹膜識別最大的優點就是安全性高。在各項生物識別技術中，僅次于DNA。當然虹膜也有缺點：獲取圖像不是很方便，一般人眼和設備要保持在20cm-40cm，鏡頭可能產生圖像畸變而使可靠性降低，用戶交互效果并不很好。另外虹膜識別技術依賴光學設備，需要紅外燈配合紅外鏡頭才能取到用于身份識別的虹膜圖像。不同種族人的虹膜顏色不同，比如亞洲人和非洲人的虹膜是黑色或者棕色。由于很難將圖像獲取設備的尺寸小型化，設備造價高，所以無法大范圍推廣。

5.4視網膜識別

有人認為視網膜技術識別的可靠性和準確率要高于虹膜識別，所以基于視網膜的身份識別技術也是非?？煽?、值得信賴的。視網膜識別技術的優點相似于虹膜技術，比如無法偽造，不會磨損，更不會老化，也不受疾病影響。缺點是到目前為止還無法證明在使用視網膜技術對用戶進行檢測時，是否對用戶的健康有影響還需進一步確實。

5.5掌靜脈識別

用掌靜脈進行身份認證時，獲取的是手掌內部的靜脈圖像特征，而不是手掌表面的圖像特征。因此，掌靜脈識別不同于指紋識別，它不存在因為手掌表面的損傷、磨損、干燥或太濕等帶來的識別障礙。另外，和人臉識別技術相比，掌靜脈識別時攝像機應對不同光照環境、雙胞胎和化妝等問題時人工智能算法更加容易自我學習和調整。但它也存在一些缺點：（1）手背靜脈的永久性尚未得到證實。（2）存在無法成功注冊登記的可能。（3）采集設備要求特殊，相關設計比其它生物特征獲取設備復雜，價格高，難于推廣。（4）由于優秀的人工智能算法不多，只有極少數廠商能應對海量掌靜脈數據的瞬時比對。

5.6人耳識別

人耳識別有基于二維圖像的人耳識別、基于3D的人耳識別和耳紋識別。人耳識別和常用的幾種生理特征識別技術相比有以下幾個優勢：（1）人耳識別相比于虹膜識別方法其人耳圖像的獲取更加便捷。（2）和人臉識別方法比較，人耳獲取的圖像要小很多，相應顏色也比較一致，因此對數據的處理量更小，更方便。另外，人耳識別方法不像人臉識別會因臉部化妝、表情等變化而受到影響。（3）相比指紋識別接觸式的獲取方式，人耳圖像非接觸式的采集方法更容易讓人接受。

5.7紅外溫譜圖

由紅外設備獲取能夠反映人身體各個部位熱量值的圖像稱為溫譜圖。獲取溫譜圖的方法和拍攝普通照片的方法類似，它的采集是非接觸式的，非常隱蔽的，更不具侵犯性，所以它的可接受性是比較高的。然而人體的溫譜值不是恒定不變的，它會受外界環境的變化而發生變化。

5.8基因識別

基因識別的特點簡單點來說就是唯一性、強識別性和防偽。但是它最大的優點也是最讓人擔憂的，因為在制作“基因身份證”時可以測出這個人基因有哪些缺陷，有哪些疾病易感基因等，這些都涉及到個人隱私和倫理上的問題。所以基因識別的可接受性還有待商榷。目前基因識別是在特定實驗室完成的，耗時較長，和其它生物特征識別技術比起來在便利性和及時性方面是處于劣勢的。

6基于行為特征的生物特征識別技術

6.1簽名識別

簽名被認為是身份識別的最廣泛的行為特征之一，是人類最常見的確認他們的身份的社會和法律認可的方式之一。相關的寫作習慣是在兒童時期養成的，它們主要受視覺知覺、協調、靈巧、成長、寫作系統、社會關系、寫作頻率、教育和民俗等幾個參數的影響[1]。因此一個人的簽名不是一生中都固定不變的，這為簽名識別的準確率提高了難度。

6.2步態識別

步態識別在生物特征識別技術研究中算是起步較晚的，目前基于步態的身份識別還只是起步階段。和人臉識別不同的是，步態識別不只是采集到人臉圖像就行，它是要采集到步態圖像的序列，因此它處理的數據量比人臉識別要大很多，應用到的算法也復雜許多。步態識別的采集裝置只需要一個監控攝像頭就行，簡單、經濟。它對采集的距離要求比人臉識別低，只要能看清走路的姿態就行，甚至可以背離攝像機，這是人臉識別所不能的；另外它也不需要像人臉識別那樣具備較好的光照條件，因此使用起來較為方便。

6.3聲音識別

聲音識別與其他生物特征相比優勢在于：（1）聲音提取方便，可在不知不覺中完成，可接受性強。（2）獲取聲音的設備簡單方便，比如麥克風，價格相對比較低廉。（3）和其它生物特征身份識別相比可以實現遠程身份辨認，比如通過手機或麥克風可以實現網絡遠程登錄。當然聲音識別也有一些缺點：（1）聲音在人不同的年齡或是身體狀況、情緒等情況下獲取會有所差別。（2）不同的采集設備或采用不同的信道對聲音識別也會有影響。（3）環境噪音對識別有于擾。（4）混合說話情形下，人的聲音特征不易提取。（5）同一個人的磁帶錄音也能欺騙語音識別系統。

7總結

在上述生物特征識別技術中，每種識別技術都各自有優缺點，在應用上難免會出現一些問題。所以，在一些安全等級要求較高的應用場景當中，往往會采用兩種甚至多種生物特征識別技術進行驗證[2]。隨著物聯網時代的到來，生物識別將擁有更為廣闊的市場前景。

參考文獻

[1]曾曉云.基于探測網格的離線簽名認證方法[J].現代信息科技,2019,3(23):90-92.

篇(3)

【關鍵詞】生物識別技術 客戶身份識別 作用與風險

所謂生物識別技術，就是通過計算機與各種傳感器和生物統計學原理等高科技手段密切結合，利用人體固有的生理特性和行為特征，來進行個人身份的鑒定。與傳統的身份鑒定手段相比，生物特征是唯一的、穩定的、可以驗證的，基于生物特征識別的身份鑒定技術更具有防偽性能好、不易偽造或被盜等優點。由此，其在互聯網金融領域的應用也是大勢所趨。

一、生物識別技術的研發應用情況

（一）生物識別技術主要種類

近年來，生物識別技術發展迅速，并在不同行業范圍內得以應用。當前在互聯網金融領域中，有所介入、涉及的生物識別技術主要有指紋識別、虹膜識別、面部識別、掌形識別、簽名識別等。

（二）生物識別技術在互聯網金融發展背景下的應用情況

目前，對于對安全防范控制有著極高要求的金融業，在金庫的安全設施、保險柜、自動柜員機等方面已使用到了生物特征識別這種直觀、準確、可靠的識別系統，并且，今后隨著互聯網技術的逐漸發展，對借助生物識別技術來解決金融業務方面的身份識別、確認或者支付的呼聲越來越高，運用關注度將更多，銀行也在積極探索和嘗試這方面的運用。但是目前想要進行大規模推廣和運用的并不多，更多的做為輔助手段。

二、以生物技術開展客戶身份識別的優勢與不足

指紋、虹膜、面部識別等生物特征識別技術與傳統的身份鑒別技術相比，基于人體生物特征識別技術的安全性顯然要高得多。但在實際應用中，生物識別技術也并非完美無缺，還不是很成熟，難以避免存在著一些漏洞。

（一）優勢方面

一是生物識別技術認定的是人本身，由于每個人的生物特征具有與其他人不同的唯一性和在一定時期內不變的穩定性，不易偽造和假冒，所以利用生物識別技術進行身份認定，方便、安全、可靠；二是生物識別技術產品均借助于現代計算機技術實現，很容易配合電腦和安全、監控、管理系統整合，實現自動化管理；三是生物識別技術可有效避免傳統短信驗證手段潛在風險。隨著手機木馬，偽基站等黑客活動日漸增多，短信驗證碼被攔截的可能性大幅增加，而生物識別技術的身份認證具有不可替代性，能有效規范被網絡攻擊的風險；四是由于生物識別技術具有高服務附加值和高安全性的潛在優勢，符合商業銀行需要高效益、高性能的應用程序來助力其運行環境的目的，已成為非常吸引商業銀行的一項新型應用技術，為風險防范又增加了一道堅固的壁壘。

（二）不足之處

任何技術都可能存在一定的針對性和局限性。同樣，相對傳統的身份識別，生物識別技術是有較大的優勢，但其也存在著一定的缺陷。一是準確性方面的局限。比如說人手指受傷時，指紋這個生物特征在被識別過程中的準確性就可能受到影響。另外，非法用戶制造有著相同指紋的橡膠手指冒認合法用戶在技術上也是可能實現的；二是同傳統身份識別認證方法一樣，生物特征信息在傳輸過程中也有可能被截獲或篡改，存儲在數據庫中的信息也可能會被修改，這些都會使得合法用戶的身份認證受到影響，這也是今后生物識別技術所面臨的主要問題之一；三是要求用戶配合的程度高，如從指紋鎖的實際應用情況來看要求用戶配合的程度高，用戶在指紋采集過程中需要直接接觸指紋采集儀，容易產生被侵犯的感覺，導致用戶對指紋識別技術的接受度降低，用戶指紋難以采集；四是存在使用專用設備、價格昂貴等缺點，用較高的代價來保障安全。

三、應用中存在的困難與潛在的風險

就目前來看，雖然關注度高，但由于生物識別技術的尚不成熟，其在金融領域的運用暫時還難以大規模的推廣使用，還面臨著政策和宣傳不到位等諸多因素的困擾，如何理性、務實的直面存在的問題困難，加強對該項技術的投入和監督，是金融業在未來一個時期內應重點解決的問題。

（一）困難

一是使用成本高。如通過掌靜脈識別身份進行支付的方式比較安全可靠，但問題是這個設備的成本是比較高的，這就導致它更多的是在一定范圍內使用，很難大規模推廣使用，同樣，指紋、虹膜等技術都面臨類似的問題；二是使用范圍受限。相對來說，人臉識別方面，利用攝像頭掃描就相對容易，只需要配備一個手機就可以解決，可以大面積推廣使用，但目前也不能保證這個技術就絕對安全，未來的使用可能更多的還是規定這種技術支持一定的業務范圍。

（二）風險

生物識別技術具有使用便捷的優點，同時風險與之并存：生物特征的生物身份識別技術存在著一旦被盜用將無法吊銷的風險，這也是目前導致僅依賴生物識別技術進行身份認證的措施還不適用于大范圍的金融業務的原因所在。同時，互聯網銀行業務發展的技術障礙也未解決，無論人臉識別、指紋等多重生物識別技術有多成熟，只要是網絡遠程傳輸方式都能夠被黑客截取復制，金融業務潛在風險。

四、相關建議

（一）加強互聯網金融業務的監管

近年互聯網金融業務如火如荼，但監管嚴重薄弱，傳統金融監管部門并不十分了解信息網絡安全的相關技術。因此，迫切需要設立相關信息安全部門的聯席會議制度或者監管協調機制，對有關互聯網金融的規則從源頭介入，制定監管制度辦法，避免監管部門事后被動的尷尬。

（二）加大宣傳推廣力度

當前生物識別技術還不夠成熟，人們對其的心理接受程度，還有待從不熟悉該技術到熟悉這樣的過程和時間。因此，金融業所須做的是加大對生物識別技術技術的研發以及加強宣傳工作。

（三）建立個人生物特征信息中央數據庫

有效的生物特征識別應用必須由強大的數據后臺作保障，應建立一個大型個人生物特征信息數據庫，能夠采集和存儲指紋掃描、虹膜掃描、掌紋和語音數據及其他生物識別符號，以更快、更好并且將更有效地提升部門間的數據共享和可操作性。

（四）生物識別技術與其他方式有機結合

篇(4)

關鍵詞：生物特征；RFID；電子護照；安全性

隨著生物特征識別技術和數字加密技術不斷成熟和發展，生物特征電子護照應運而生。簡單地說，生物特征電子護照是在傳統護照中嵌入電子芯片，并在芯片中存儲持照人基本資料和生物特征信息的新型旅行證件。

1 生物特征電子護照應用現狀

在ICAO頒布標準之前，早在1998年馬來西亞護照就已經使用了生物特征電子護照。截至2013年，亞太地區已經有中國、日本、印度、澳大利亞、韓國、新加坡、土耳其、伊朗、泰國、菲律賓、黎巴嫩、巴基斯坦、伊拉克、馬來西亞、文萊、塔吉克斯坦、新西蘭、中國香港、中國澳門、臺灣地區等十多個國家使用了生物特征電子護照。歐洲地區，歐盟成員國為確保個人身份證明的可靠性達成一致共識，要求各國必須在2010年3月前啟用包含指紋的生物特征電子護照。目前，歐洲絕大多數國家已經開始使用生物特征電子護照，其中有代表性的有德國、俄羅斯、奧地利等。在美洲，美國、加拿大、巴西、委內瑞拉等國也開始使用生物特征電子護照。在非洲，生物特征電子護照已在西部非洲和南非等地推廣開來。

2 生物特征電子護照技術現狀

生物特征電子護照之所以在不長的10年間，得到廣泛的應用，與它使用的生物特征識別技術和電子加密技術不無關系。

生物特征識別技術（Biometric Identification Technology）是利用人體生物特征進行身份辨認的一種技術。生物特征是唯一可自動識別和驗證人體的生理特性或行為方式，分為生理特征和行為特征，主要的生物特征有指紋、面相、虹膜、掌紋、步態、耳廓等。另外生物特征電子護照采用電子芯片作為其生物特征信息存儲和數字加密的載體。它所使用的芯片比標準的RFID要復雜，同時讀寫距離也較一般的RFID芯片要短，以Infineon（英飛凌）公司的芯片為例，其讀取距離僅限于10.5厘米之內。采用電子芯片的護照可進行數字加密，要侵入芯片必須知道它是如何加密和進行程序化的，這樣便有效增加了外部破解的難度，提高了護照的安全強度。

隨著應用的推廣和科技的進步，生物特征電子護照也歷經了技術的革新。2006年，國際民航組織推出了電子護照的第一版技術標準，選定面像作為必選的生物特征，指紋和虹膜作為可選的生物特征。2007年， 國際民航組織建立了公鑰簿（Public Key Directory，簡稱PKD），公鑰簿為各有關國家和地區電子護照的驗證提供了便利的技術平臺。標準頒布后，生物特征電子護照在世界各國普及開來，這一階段的護照芯片中主要存儲有持照人的身份和面像信息，同時被稱為第一代電子（生物特征）護照。而近些年來，提高護照防偽特性的呼聲日益高漲，僅有持照人的面像信息已不能滿足防偽需要，各國開始考慮在電子護照中添加指紋等唯一性生物特征信息。目前，德國等部分歐盟國家開始頒發含有持照人指紋信息的生物特征電子護照，稱之為第二代電子（生物特征）護照。

3 生物特征電子護照安全性分析

盡管使用生物特征技術和數字加密技術，生物特征電子護照相比傳統護照擁有更高的防偽能力，但因為生物特征技術和電子芯片本身存在的技術缺陷和安全隱患，仍然導致生物特征電子護照在應用中仍然存在一些難以回避的問題。

3.1 生物特征識別技術的識別率影響生物特征電子護照的使用

不論是第一代還是第二代生物特征電子護照，它們都存儲了持照人的面像信息作為生物識別的信息依據，但面像識別技術受客觀因素的影響較大，當拍攝光源不足時，面部識別的錯誤率可達50%，即使在一切光源符合條件的情況下，其準確率也只能達到90%。同時為了提高面部識別率，一些國家規定旅客拍攝護照相時嚴禁露齒而笑，必須露出整個臉龐、表情端莊、嘴唇緊閉，嚴禁申請人對著鏡頭做鬼臉，其他一些規定還包括相片中人的眼睛要睜開及清楚可見，頭發不能遮掩眼睛，佩戴眼鏡者鏡片不能反光，鏡框亦不能遮眼睛等等，這些限制都會影響到生物特征電子護照的正常使用。另一方面，指紋識別技術相對成熟，其識別成功率高達99.6%。盡管如此，考慮到個人指紋的隱私特性，只有少數國家立法在第二代生物特征電子護照中使用指紋信息，其普及程度仍然相對較低，很難解決生物特征電子護照有可能存在識別率不高的問題。

3.2 現有生物特征技術在一定條件下可以進行偽造識別，對護照的安全構成了較大風險

根據媒體報道，一位日本數學家在曾多次對市場上使用的生物識別儀進行偽造識別。他用不干膠條粘貼使用過的玻璃杯，獲得了玻璃杯上殘留的指紋樣品，接著再根據指紋樣品制造假的手指；法國國防秘書處信息安全指揮中心專家菲利浦?沃爾夫也指出，通過合適的儀器收集某人眼部的圖像特征，然后進行偽造，就可以通過虹膜識別儀的識別。因此偽造假的生物特征也給生物特征電子護照的安全性能敲響了警鐘。

3.3 由于護照芯片廠家不統一導致護照的誤讀、讀取信息不完整或讀取失敗

一項檢測表明，一些讀卡器無法檢測出電子護照芯片的存在，許多設備能檢測出芯片，但是無法讀取資料，或者對預期能顯示的信息內容含糊不清。造成這種測試結果的原因是盡管芯片及讀卡器的供應商都依據ISO 14443 國際標準和統一的參數進行生產，但將眾多廠家的技術統一在一起仍然是個復雜的問題，以致技術人員仍然需要為讀取某些護照而調試讀卡器。

3.4 為保證生物特征電子護照的真實性完整性而設置的多種安全機制也存在漏洞

國外相關研究機構通過對生物特征電子護照的各種安全機制進行分析，發現建立在PKI、數字簽名以及智能卡技術基礎上的多種安全手段，并不是牢不可破的，可能會存在有安全漏洞。

4 如何增強電子護照安全性的幾點建議

4.1 實施可選安全機制，特別是擴展訪問控制

目前ICAO僅規定了被動認證是強制使用的安全手段，其他都是可選項，這對于真實實施的生物特征電子護照方案是相當不利的。主動認證、基本訪問控制、擴展訪問控制的加入，將較大幅度地增加護照的安全性，特別是為了保護生物特征數據不被隨意讀取和濫用，擴展訪問控制應當成為必須增加的保護手段。

4.2 及時獲取和更新證書

在電子護照的整個安全體系中，數字簽名和PKI體系是其安全基石，而相應的各類證書的真實有效性關系到整個體系的安全性。目前的體系中，通過ICAO的公鑰簿以及其他外交途徑傳遞的各類證書，其安全性和實時性都有待改進和提升，應該研究其他更優方案。

篇(5)

摘 要:對人臉和指靜脈在決策層的融合識別，給出一種新的組合圖像質量評價方法，并采用一種改進的基于圖像質量加權的D-S證據理論融合這兩種生物特征。首先，組合圖像質量評價法采用清晰度和對比度、相關系數的組合方法來評價生物特征圖像質量；其次，應用改進的基于圖像質量的匹配值增強方法和D-S證據理論，減少了極大值圖像質量指標的影響，使圖像質量加權與實際情況更趨一致。實驗結果表明，與沒有考慮圖像質量因素相比，考慮了圖像質量信息的D-S證據理論融合方法提高了識別效果。

關鍵詞:人臉；指靜脈；獨立成分分析；主元分析；圖像質量；D-S證據理論

中圖分類號: TP391.413 文獻標志碼: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

生物特征識別技術為身份識別和信息安全等領域提供了一條便捷、高效、安全的新途徑。目前常見的生物特征識別技術有人臉、指紋、虹膜、指形、靜脈、掌紋、步態以及簽名等識別技術，其中指紋和人臉識別技術則是最成熟、應用最廣泛的技術。

然而這些生物識別方式都有各自的缺點，尚無能取代所有其他生物特征識別的特征，尤其是一些生物特征可能被復制和偽造，影響其安全性。但若能采用融合理論，綜合多個生物特征，從理論和實踐上都表明能得到比單一生物特征更優的識別性能和通用性［1-3］。

圖像質量對生物特征識別系統的識別性能影響很大,對信息完整、圖像質量高的樣本庫所獲得的識別率，可能因為圖像質量下降而迅速降低。文獻［4-10］都對基于圖像質量的生物特征做了深入的研究，取得較大進展。其中，Nandakumar等以虹膜和指紋為融合對象，對每次需要匹配的單個待測樣本和模板樣本的圖像質量做出評價，給出一種基于圖像質量的似然率指標，對此進行融合得到了滿意的識別結論［4］。文獻［5］則給出一種新的基于貝葉斯網絡的基于圖像質量的多生物特征融合系統，將生物特征圖像質量和匹配值看作同等地位的量，用貝葉斯網絡融合識別。Richiardi等對基于圖像質量的語音、人臉、指紋和簽名的圖像質量評價指標作了綜述并分析了將圖像質量信息應用到多生物特征融合識別的方法［8］。Fierrez-Aguilara等在文獻中分別就指紋與簽名、指紋與語音的基于圖像質量的融合方法做了分析，主要思路是在每次計算匹配值時考慮圖像質量指標，再用基于支持向量機的方法進行融合［10］。

本文結合人臉和手指靜脈兩種生物特征進行融合識別，以提高識別的精確性和系統的通用性。針對圖像采集中易產生噪聲干擾,受光照等因素影響而生成質量差的圖像，尤其是手指靜脈圖像采集困難，實現了一種基于圖像質量信息加權的D-S證據理論融合手指靜脈和人臉特征量的多特征融合識別系統。

1 融合識別系統結構

選擇指靜脈和人臉進行融合識別出于如下的考慮：靜脈識別技術因可實現活體檢測,具有更好的精確度和穩定性；速度快、特征唯一，安全性好；且靜脈識別以非接觸的方式進行認證，也易于被人們接受，并減少因皮膚表面的皺紋及污垢的干擾。而人臉識別作為一種被動識別方式，易于被人接受，也是目前實用化程度較高的一種生物特征識別方法。選擇人臉和指靜脈進行多生物特征融合識別，可利用人臉識別中成熟的識別算法，并發揮的指靜脈識別精度高、不易被偽造的優勢，形成互補。

考慮圖像質量因素的影響，一種新的基于圖像質量的加權D-S證據理論融合系統的結構如圖1所示。

由于尚無公開的多生物特征測試數據庫，這里選擇ORL人臉庫［11］和指靜脈庫［12］組成多生物特征庫，包含40個對象，每人10幅人臉和指靜脈圖像，人為組合組成測試數據庫，如圖2(a)~(d)所示是其中的4組樣本，這種人為的指定并不影響對融合結果的實驗效果。

2 生物特征抽取

2.1 基于獨立成分分析的指靜脈特征抽取

靜脈圖像匹配方法包括結構匹配、模板匹配等，然后根據實驗數據得到的閾值進行判斷。

目前的靜脈識別方法多集中在模板匹配或細節特征點匹配［13-15］、Gabor濾波和編碼［16］等,例如Wan等提出基于細節點特征提取的指紋靜脈提取方法，通過匹配匯合點和分叉點的方法實現手指靜脈識別［14］。但較少利用靜脈圖像的全局信息或整體紋理信息進行分析的。這里借鑒獨立成分分析在人臉、掌紋等生物特征識別中的應用［17-18］，采用基于獨立成分分析的方法來抽取特征量，具體步驟如下。

1)歸一化圖像。

為了方便處理和簡化計算，將大小為376×328的原始圖像剪切成為150×150大小圖像。將該矩陣的每個列向量提出來串接成為一個列向量。新的列向量表示一幅原始圖像，所以待處理的n幅圖像就組成n×2250的一個矩陣N。

2)對N做獨立成分分析。

采用FastICA算法［19］，對N做去均值后，FastICA首先對數據做主元分析(Principal Component Analysis, PCA)，保留主要信息的基礎上，壓縮數據；然后進行獨立成分提取，經過獨立成分分析法抽取特征后所得指靜脈基圖像的部分示例如圖3所示。

補充圖3中每個子圖的圖名。

2.2 基于主元分析的人臉特征抽取主元分析法抽取人臉特征

人臉識別作為生物特征識別中研究最早也較成熟的方法之一，特征提取方法有基于代數的特征提取方法，如最基本的獨立成分分析法、主元分析法和線性判別分析法等。Turk等首先提出基于主元分析的特征臉概念，并取得很好的識別效果［20］。其基本思路是將人臉圖像數據用基于二階統計矩的提取方法，映射到主元分量子空間。這里為了分析手指靜脈圖像和人臉進行融合對識別性能的影響，選用主元分析的方法提取人臉特征。

對ORL人臉庫做基于主元分析法的特征提取，首先計算人臉庫的人臉圖像平均值，然后求取基于主元分析的特征臉，如圖4所示為基于主元分析法特征抽取后的部分特征臉示例。

3 基于圖像質量信息的人臉和手指靜脈特征融合

生物特征的圖像質量對識別性能有重要的影響，隨著圖像質量的下降，識別率將迅速降低，甚至會導致錯誤的識別結果。而人臉圖像的采集容易受光照、采集角度的影響；手指靜脈作為一種新興的生物特征方法，其圖像采集更易受可見光、被采集個體等因素的影響，較易產生清晰度差、對比度弱的圖像。針對這個存在較差圖像質量的情況，若能夠在識別過程進行前，對樣本的質量信息進行量化，并弱化質量差的信號的影響，將有可能提高系統的識別性能。下面先給出一種組合的圖像質量評價方法。

3.1 圖像質量評估

圖像質量是圖像的一個重要信息，對圖像質量的評價量主要有主觀評價和客觀評價，主觀評價由人們根據自己的視覺感受，根據視覺效果做出評判，受主觀因素影響較大；客觀評價以圖像內容的數學表示，通過定義定量的數學質量指標，進而判斷圖像信息［21-23］。客觀評價標準分無參考和有參考兩大類。有參考的圖像質量評價量根據待測圖像和標準圖像之間的差異性來判斷，差異性越大，說明圖像質量與標準圖像相差越大，質量越差，常用的指標有峰值信噪比和均方誤差等。但應用過程中，標準圖像的較難選擇或找不到合適的量。圖像質量評價的主要問題是評價指標的通用性差，對某些圖像，有些指標甚至背離了人類視覺感受。

常用的圖像質量評價可根據結構信息相似量、圖像中包含信息量多少、圖像對比度、清晰度和圖像邊緣信息等角度進行分析。以下是幾種主要客觀圖像質量評價度量指標。

1）無參考圖像質量指標。

無參考圖像質量指標有圖像的均值、圖像的方差、圖像的熵、拉普拉斯和值等。圖像的熵的定義為：

H=－∑L－1i=0p(i) ln p(i)（1）

其中p(i)是灰度i的分布概率。該指標表示圖像包含平均信息量多少的度量。熵值越大說明圖像包含信息量越多。

2）有參考圖像質量指標。

有參考圖像質量指標有均方根誤差、峰值信噪比、相關系數、結構相似度等。皮爾松相關系數定義為：

Qp=corrcoeff(IA,I)（2）

其中：I為待測圖像，IA訓練樣本平均值，Qp為圖像質量的量度值。

3）亮度對比值。

人們觀察圖像時，對局部區域的絕對亮度不敏感，對局部區域與相鄰區域的相對亮度變化敏感，根據這一特點將圖像劃分成N×N的不重疊的子圖像，第(m,n)個塊的亮度對比度值定義為其亮度的標準差［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）圖像清晰度指標［22-23］。

清晰度方法是利用相鄰像素點的差異來度量圖像清晰度。利用高斯拉普拉斯算子：

LOG(x,y)是L0G，還是數學上的對數書寫形式Log?即中間的是零，還是字符“o”？請明確。=－1πδ41－x2+y22δ2exp－x2+y22δ2（4）

其中：σ為高斯函數的標準方差，其值較小時，銳化圖像；反之則平滑圖像。常用大小為5×5的高斯拉普拉斯算子。

利用待測圖像與高斯拉普拉斯算子卷積后的水平像素灰度均值來定義圖像清晰度［22］：

Q0(y)=∑yI(x,y)*LOG這個“LoG”中，中間的字母是“o”，還是零？請明確。(x,y)（5）

Qq=1N∑yQ0(y)（6）

其中N為圖像高度。若圖像清晰，對應的Qq值大；反之若圖像模糊，則每個像素附近的灰度值變化很小，對應的圖像高頻量小，Qq值也小。

5）組合的圖像質量評價法方法。

本文根據圖像質量評價指標的特點，綜合圖像清晰度Qq、亮度對比度Ic和相關系數Qp的質量評價指標，定義整體質量評價量為：

Qs=W1Qq+W2Ic+W2Qp（7）

圖5是一組圖像質量由好到差的樣本，除了個體因素的差異外，主要是圖像采集裝置性能、光照條件等都不可能完全一致，導致了存在一定量的較差圖像質量樣本。其中圖（a）、（b）圖紋理清晰，對比度好，圖（c）對比度強，圖（d）、（e）質量較弱。

根據計算結果和主觀評價賦予權值量W1,W2,W3分布為1，0.5,0.5。最后所得Qs如表1所示，所得結果和主觀評價基本符合，能夠反映圖像清晰度和對比度，體現了人眼對圖像質量的主觀感受。

下面分析一種基于圖像質量的加權D-S證據理論融合方法，來探討考慮圖像質量信息后對識別性能的影響。

3.2 基于圖像質量加權的證據理論融合方法

由于待識別的對象個性差異及硬件因素，存在著圖像噪聲、圖像質量差、所需生物特征信息缺損等不利因素，此外還有識別算法的內在缺陷，兩個來自同一對象的生物特征可能得出不同的結果，這時常規的如加和、乘積、最大值法等融合策略的結果有可能比單生物特征識別還差。通過D-S證據理論對不確定信息的融合有望提高融合識別性能。

Vatsa等提出基于圖像質量和Dezert-Smarandache理論的多個指紋特征融合識別方法［6］。首先對指紋圖像的質量信息用基于冗余離散小波變換（Redundant Discrete Wavelet Transform, RDWT）方法求得度量值，然后對圖像匹配值做基于圖像質量評估度量值的增強，最后采用Dezert-Smarandache理論進行融合識別。

本文對Vatsa的對基于圖像質量的圖像匹配值增強方法作了改進，并對人臉和手指靜脈圖像進行基于圖像質量D-S證據理論進行融合識別，具體方法如下。

先對圖像采用式（7）方法計算圖像質量的量化值：求出一組訓練樣本的平均值IA，然后計算每個待測樣本的圖像質量數Qs。

然后在D-S證據理論組合規則上，考慮圖像質量因素的影響，將圖像質量信息正則化，Vatsa采用Tanh方法，使得其范圍在［0,1］。

在3.1節的圖像質量評估分析中，本文采用組合的圖像質量評估方法使其與主觀評估相一致，但考慮到圖像質量評估對不同光照、對比度和紋理等差別的反映情況不同，且通用性有限，其圖像質量評估指標的最高值并不意味著該圖像一定具有最強的可分性，本文對以上的圖像質量信息正則化方法進行如下改進：

Qnorm=Qs－min(Qs)med(Qs)－min(Qs)（8）

該方法用中間值med(Qs)代替質量評估量化的最大值，減少圖像質量最大值的影響，使正則化的結果更為恰當。

Vatsa采用的方法中對所有質量信息以閾值為0.5分作兩種情況對特征匹配值進行基于圖像質量的增強。根據本文采用的待融合生物特征，尤其是手指靜脈圖像，個別圖像質量因光照和生物個體原因，難以根據該圖像進行識別，根據這一情況，本文作如下改進，通過實驗求得評估圖像質量為差的閾值，該閾值以下的圖像信息不參與融合識別。在圖像質量分數值大于閾值時，可對特征匹配值進行基于圖像質量的變換如式(9)所示：

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

下面采用D-S證據理論進行融合識別。Dempster于1967年提出D-S證據理論，之后Shafer用信任度函數和似然度函數擴展了該理論，成為處理不精確性的信息的數學方法，稱做D-S證據理論［24-25］。該理論可看作對貝葉斯決策的推廣，通過定義信任函數和似然函數把命題的不確定性問題轉化成集合的不確定問題，解決因信息不完備或模糊性導致的不確定，只要求證據間相互獨立。D-S證據理論已經成為不確定性決策的常用理論，可以用于決策分析或故障診斷等領域。

D-S證據理論作為表達和處理不確定性知識的數學工具，可有效處理單生物特征在識別系統中存在的沖突性和不確定性。利用人臉和手指靜脈的基于D-S證據理論融合識別時，是由人臉和手指靜脈兩個識別子系統提供兩個證據實現融合識別，其中首先需要確定每條證據的基本概率賦值函數。在此基礎上，利用D-S證據理論的合成規則將相關證據生成一個新的證據，得到最后的可信度和判決結果。這里的證據信息來自兩個識別子系統，保證了證據間相互獨立。

定義U是完備的有限集合，用2U表示U所有子集和空集。

定義m(•)=2U［0,1］，稱做基本概率賦值，0表示完全不信任，1表示完全信任。對每個分類器有確認a和拒絕－a(－a=U－a)兩個結果，計算相應的分類識別率作為基本概率賦值［6］。假設對一個輸入模式類別為j(j∈c)被分配到包括拒絕類的k(k∈c+1)類，則分類器輸出［24］為k的預測率Pk是輸入模式正確分類的個數和被分類到k所有模式總數的比率。該方法表明對匹配值Sqj對第j個對象分類到k，所有對象被正確分類的可能性是Pkj，沒有正確分類的可能性是1－Pkj，對第j個對象的基本概率賦值計算如式(10)：

mj(k)=Pkj•sqj（10）

利用D-S證據組合規則，對多個證據的組合為：假定A,B用來計算焦元C新的信任函數，D-S證據組合規則：

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

這里有兩種生物特征對應兩個分類器， j=1,2，在獲得基本概率賦值后，利用基于證據理論的組合規則求：

mfinal=m1m2（12）

最后用閾值法進行判決。

判決結果=接受, mfinal≥t拒絕,其他 （13）

4 融合實驗結果分析

本文選擇ORL庫和指紋靜脈圖像組合形成融合特征庫。多生物特征庫中每個對象每種特征的前5個樣本進行訓練，其余的樣本進行測試。在進行同類測試和異類測試時候，計算歐幾里得距離作為匹配值。采用基于圖像質量因素的加權D-S證據理論融合，首先求取一組待融合的人臉和手指靜脈圖像的圖像質量度量，根據第3章的方法將圖像質量的信息增加到融合過程中。再采用D-S證據理論融合，對基本概率賦值進行組合，得到最后的融合結果。為評價和分析考慮圖像質量信息的效果，與不考慮圖像質量信息時的D-S證據理論融合作對比分析。將錯誤接受率（False Acceptance Rate, FAR）和錯誤拒絕率（False Rejection Rate, FRR）在同一坐標中表示的結果如圖6所示，是對基于圖像質量加權D-S證據理論融合和常規D-S證據理論融合的結果比較。

結果表明基于圖像質量加權的D-S證據理論能降低識別結果的不確定性，提高識別性能，得到更好的識別效果。

已有較多研究工作［6-10］充分利用圖像質量信息來提高識別系統的性能，這些文獻中基于圖像質量的融合識別不僅比單生物特征優越，也明顯優于基本的Sum、加權和、最大或最小、乘積等融合策略，現將這些已有的考慮圖像質量信息的融合方法加以比較，其中EER（Equal Error Rate）即等錯誤率，如表2所示。

5 結語

D-S證據理論定義信任函數和似然函數分析處理隨機性或模糊性產生的不確定性，可避免先驗概率和條件概率的求取。鑒于生物特征識別系統中圖像質量對識別性能的重要影響，以及多生物特征（尤其是諸如手指靜脈和人臉不相關的特征）融合識別可提升系統識別性能，本文結合融合理論利用多源信息的冗余性和互補性來克服信息的不精確性和不完整性，并考慮圖像質量信息進行基于D-S證據理論的多特征融合識別分析。結果表明該方法可有效地處理不確定性和不精確性的信息，基于圖像質量加權的D-S證據理論的多特征融合識別有效提高了系統的識別性能。

參考文獻:

[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，秦華鋒.手指靜脈識別技術［M］.北京：清華大學出版社，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,馮華君,徐之海,等.數字圖象清晰度評價函數研究［J］.光子學報,2002,31(6):736-738.

[22]

王鴻南,鐘文,汪靜,等.圖像清晰度評價方法研究［J］.中國圖象圖形學報,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)

【關鍵詞】手指靜脈識別 門禁系y 設計

1 前言

手指靜脈識別技術是一種新的生物特征識別技術，依據人類手指中流動的血液可吸收特定波長光線的原理，得到手指靜脈的清晰圖像。利用這一固有的科學特征，將實現對獲取的影像進行分析、處理，從而得到手指靜脈的生物特征，再將得到的手指靜脈特征信息與注冊樣本的手指靜脈特征進行提取比對，從而確認身份的真實性。由于必須是具有一定血壓的活體才能采集到血管結構特征，真正的活體生物特征；靜脈血管人人具有，適應范圍廣，據研究結果表明，只有0.01%的人識別率偏低，幾乎人人可用。

兩者的有機結合，勢必會有效提高銀行金融系統的安全方法等級，給人員安全管理帶來很大的便利性。

2 系統概述

聯網型門禁系統是最典型、功能強大的門禁管理系統，系統由專用以太網門禁控制器、指靜脈儀、電鎖、門磁、紅外、煙感、出門按紐、網絡轉換器、聯動報警系統、管理軟件、計算機及配套設備組成，還可實現聲音提示、監控聯動等功能。

智能門禁管理系統將指靜脈識別與電控鎖有機地結合起來，進而由指靜脈替代鑰匙，配合上位機管理軟件，聯動監控系統，實行智能化管理，有效地解決了傳統門鎖的多種不足，其拓展功能――人力資源的管理更是給人們帶來意想不到的方便。

3 系統工作流程

通道AB門雙門互鎖門禁點位于現金營業廳工作場所進出通道，兩扇門的中間是一個通道，要求雙門互鎖聯動。A門外（受保護區域外）安裝一臺HJ-300A指靜脈終端，A門內安裝出門按鈕，B門內安裝一臺HJ-300A指靜脈終端，B門外安裝出門按鈕。打開A門進入通道，必須把A門關好，才能打開B門通行，如果此時A門沒關閉好，便無法打開B門，防止犯罪分子尾隨等，為區域內安全提供了更高一級的保障。門禁控制器可通過TCP/IP局域網或RS485網絡與管理工作站聯網。

在各分行設置加鈔間門禁點，中心網點可對各分行加鈔間門禁點進行監控、遠程開門、禁止開門等操作，以及開門權限的設置等?？蓪崿F本地“N+1確認（按指靜脈、刷卡或密碼隨意組合）開門”、本地確認中心軟件遠程開門、本地紅外等探測器聯動報警、DVR聯動控制、語音提示、遭遇脅迫時開門同時報警等等功能。

系統提供專門為銀行門禁設計的CHD802D1CP銀行加鈔間門禁控制器，該控制器可實現多人權限開門功能，即需要多個按指靜脈及密碼且均為合法才能開門，該開門方式更適于銀行高安全區域的管理方式，開門時必須有多名員工或多名員工以及一名高級管理人員同時在場，防止了銀行內部個別人員利用職務之便進行犯罪行為。

門外安裝指靜脈識別儀（讀卡器）、門上安裝電控鎖、門內安裝出門按鈕，門內門外均在門的上方合適位置安裝揚聲器，控制器與語音驅動板、電源等設備則放置于一專用鐵盒內安裝于門內墻上或隱蔽處。

4 系統手指靜脈識別終端參數表

作為銀行門禁系統中的重要組成部分，我們設計的手指靜脈識別終端的參數如表1所示。

5 結論

本設計方案很好的融合了最新的生物特征識別技術與金融安防系統，有效的提高了安全防范級別，為諸如金庫、監獄等重要機構提供了參考依據。

參考文獻

[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]管風旭.王科俊.基于自動調光功能的手指靜脈圖像采集系統[J].電子技術應用，2013，36（10）：120-123

篇(7)

1、指紋識別原理：比較不同指紋的細節特征點.

2、指紋識別是將識別對象的指紋進行分類比對從而進行判別。指紋識別技術作為生物體特征識別技術之一在新世紀逐漸成熟，進入了人類的生產生活領域。

3、指紋，英文名稱為fingerprint，兩枚指紋經常會具有相同的總體特征，但它們的細節特征，卻不可能完全相同。指紋紋路并不是連續的、平滑筆直的，而是經常出現中斷、分叉或轉折。這些斷點、分叉點和轉折點就稱為特征點。

（來源：文章屋網 ）