下载文档原格式
六种生物识别技术详细比较及优缺点分析一、虹膜识别技术虹膜是一种在眼睛中瞳孔内的织物状各色环状物每一个虹膜都包含一个独一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构据称没有任何两个虹膜是一样的。
虹膜技术的优点1、便于用户使用2、可能会是最可信赖的生物识别技术3、无需物理的接触虹膜技术的缺点1、虹膜技术的缺点2、一个最为重要的缺点是它没有进行过任何的测试当前的虹膜识别系统只是用统计学原理进行小规模的试验而没有进行过现实世界的唯一性认证的试验3、很难将图像获取设备的尺寸小型化4、需要昂贵的摄像头聚焦一个这样的摄像头的最低价为7000美元5、镜头可能产生图像畸变而使可靠性降低6、黑眼睛极难读取7、需要较好光源。
二、视网膜识别技术视网膜也是一种用于生物识别的特征有人甚至认为视网膜是比虹膜更唯一的生物特征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的唯一性。
视网膜技术的优点1、视网膜是一种极其固定的生物特征不磨损、不老化、不受疾病影响2、使用者无需和设备直接接触3、是一个最难欺骗的系统因为视网膜不可见所以不会被伪造。
视网膜识别的缺点1、未经测试2、激光照射眼球的背面可能会影响使用者健康这需要进一步的研究3、对消费者而言视网膜技术没有吸引力4、很难进一步降低成本。
2、可能会是最可的生物识别技术3、无需物理的接触虹膜技术的缺点1、虹膜技术的缺点2、一个最为重要的缺点是它没有进行过任何的测试当前的虹膜识别系统只是用统计学原理进行小规模的试验而没有进行过现实世界的唯一性认证的试验3、很难将图像获取设备的尺寸小型化4、需要昂贵的摄像头聚焦一个这样的摄像头的最低价为7000美元5、镜头可能产生图像畸变而使可性降低6、黑眼睛极难读取7、需要较好光源。
三、面部识别面部识别技术通过对面部特征和它们之间的关系来进行识别识别技术基于这些唯一的特征时非常复杂需要人工智能和机器知识学习系统。
用于扑捉面部图像的两项技术为标准视频和热成像技术。
图解虹膜学前言虹膜分析学是观眼知健康的科学，它以形态学为基础，透过眼睛虹膜组织形态、颜色变化来观事、预测、分析和推断人体健康状况的一门形态学科。
虹膜分析学是自然科学，属于预防医学的范畴。
是现代人健康的预警器！虹膜是人体内脏器官功能的袖珍全息图，非常奇妙的将人体信息准确的投影在这个小小的球状信息盘上，它标示明确，徵兆显著，易于识别，是观察身体健康的商口。
其特点简便、直接、无创、无痛非侵入的独到技术，能及早发现威胁身体健康的潜在危机，利于人类降低发病的风险因素，防患于未然！我们编写《图解虹膜学》，意在尽快使虹膜学得到普及，为人类的健康保驾护航。
在编写本书的过程中，注重内容的科学性、先进性和实用性，重点突出虹膜学的理论知识及基础知识与其它学科的衔接。
本书的内容由浅入深、层次分明、知识广泛、图文并茂、形象生动等特色，便于学员了解、熟悉、易学、易懂、易掌握。
感谢各位同仁和诸位老师在本书编写的过程中给予鼎力的相助和大力支持，在此一并致谢。
本书的编写、插图及文字排列，不足之处在所难免，欢迎同行师友和广大读者不吝指正。
国际虹膜健康学会图解虹膜学（第二版）全体编委第一章：虹膜学的概念第一节：虹膜学知识导航所谓虹膜，是指眼睛里带有色彩的部位，就是我们通常说的黑眼球。
虹膜学是一门以形态学为基础，透过眼睛虹膜的变化来分析推断人体健康状况及窥视康复过程的学问。
虹膜学属于全息反射学，能透露身体器官功能的信息，见证人体整个生命历程的状况，可提示身体器官功能衰退的程度，毒素的沉积以及精神或其他因素引起的机体各种非健康现象。
虽然在虹膜上看不到器官组织本身，但虹膜上相应的区域便是相应的器官反射区，虹膜是人体器官功能的一个缩影。
眼睛中的虹膜，是一个非常敏感而特殊的器官，是眼睛中瞳孔外的一种织物状有色环状物组织，虹膜虽然是一层薄薄的膜状组织，但它的基质图样是非常独特的，人与人的虹膜是独一无二的。
所以西方医学鼻祖希波克拉底说过这样一段话「有什么样的眼睛，就有什么样的身体」。
虹膜识别技术发展研究摘要：生物识别技术是一种根据人的身体特征来进行身份识别的技术，作为生物识别中的虹膜识别是集数学、光学、电子学、生理学和计算机科学于一体的多学科交叉技术，虹膜识别在普遍性、独特性、稳定性、可采集性、防骗性以及防伪性等方面具有高可靠度，虹膜作为身份标志，具有较为明显的优势。
本文从专利角度出发，对虹膜识别领域的专利申请状况进行梳理和分析。
关键词：虹膜；防伪；可靠；专利一、虹膜识别的调度研究背景1987年, 眼科专家Aran Safir和Leonard Florm首次提出了利用虹膜图像进行自动身份识别的概念，但是他们并没有开发出实际的应用系统。
人们在出生前的随机生长过程造成了各自虹膜组织结构的细微差别，虹膜表面有许多条纹、沟和小坑，是虹膜含有的极其丰富的纹理信息和结构信息，发育生物学家通过大量观察发现，当虹膜发育完全以后，它在人的一生中是稳定不变的，因而具有稳定性，真正的自动虹膜识别系统则是在20世纪末才出现。
1991年在美国洛斯阿拉莫斯国家实验室内，Johnson实现了文献记载得最早的自动虹膜识别应用系统。
1993年，John Daugman率先研制出基于Gabor变换的虹膜识别算法，利用Gabor滤波器对虹膜纹理进行一种简单的粗量化和编码，实现了一个高性能、实用的虹膜识别系统，使虹膜识别技术有了突破性进展。
1994年Richard Wildes研制出基于图像注册技术的虹膜认证系统，通过拉普拉斯金字塔将虹膜区域图像分解为四个水平，根据图像的相关性进行匹配度计算，该方法主要用来认证。
1997年Boles等人提出了基于小波变换过零检测的虹膜识别算法，克服了以往系统受漂移、旋转和比例缩放带来的局限，而且对亮度和噪声不敏感，取得了较好的结果。
Lim等人用二维小波变换实现了虹膜的编码，减少了特征维数，提高了分类识别效果，提出了采用87位表示的虹膜特征，获得了较高的识别率[1]。
目前，虹膜识别技术已广泛应用于监狱、机场、边境、银行，也被用来控制自动取款机的账户进入，同时也应用于网络身份认证系统，将虹膜的特征信息设为个人的网络ID，给网络信息安全带来了新的革命[2]。
人脸识别行业分析2019-05-06人脸识别与其它生物识别技术相比，优势在于非接触性、非侵扰性、硬件基础完善、可拓展性。
本文主要跟大家分析一下人脸识别这个行业，enjoy~一、人脸识别概况生物识别，是指依靠人体的身体特征来进行身份验证的识别技术，目前较为主流的识别技术有：人脸识别、指纹识别、虹膜识别、语音识别等四类。
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。
通常采用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸。
人脸识别系统主要包括四个组成部分，分别为人脸图像采集及检测、人脸识别预处理、人脸图像特征提取以及匹配与识别。
人脸识别与其它生物识别技术相比，优势在于非接触性、非侵扰性、硬件基础完善、可拓展性。
指纹识别唯一性比较强，采集成本较低，但是指纹可由指纹贴、指纹膜等复制，且接触性、侵扰性较强，人脸识别与其相比接触性和侵扰性较低；虹膜识别最精准，但是采集成本非常高，识别效率较低，接触性、侵扰性也较强，人脸识别与其相比，采集成本低、识别效率高；语音识别采集成本低，但语音具有可变性，人脸识别与其相比，识别效率高。
人脸识别技术原理简单来讲主要是三大步骤：一是建立一个包含大批量人脸图像的数据库；二是通过各种方式来获得当前要进行识别的目标人脸图像；三是将目标人脸图像与数据库中既有的人脸图像进行比对和筛选。
根据人脸识别技术原理具体实施起来的技术流程则主要包含以下四个部分，即人脸图像的采集与预处理、人脸检测、人脸特征提取、人脸识别和活体鉴别。
需要考虑图像大小，图像分辨率，光照环境，模糊程度，遮挡程度，采集角度。
人脸图像的采集有两种途径，分别是：人脸图像的批量导入和人脸图像的实时采集。
前者是指将采集好的人脸图像批量导入至人脸识别系统，系统会自动完成个人脸图像的采集工作；后者是指调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集工作。
人脸图像的预处理是指对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等处理来使得该人脸图像符合人脸图像特征提取的标准要求。
目前主要有三种图像预处理手段，即灰度调整、图像滤波、图像尺寸归一化。
其中灰度调整是对地点、设备、光照等造成的图像质量差异进行处理，图像滤波是对噪声造成的图像质量差异进行降噪处理，图像尺寸归一化是针对图像像素大小不同进行尺寸处理。
2. 人脸检测在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的。
人脸检测是指判断是否存在人脸及定位出人脸的位置、大小与姿态。
目前的人脸检测方法可分为三类，分别是基于肤色模型的检测、基于边缘特征的检测、基于统计理论方法的检测。
基于肤色模型的检测是利用人脸的肤色特征建立肤色模型从而进行检测，其优点是人脸的检测速度较高，对遮挡和光照有一定的鲁棒性，不足是和其他方法不太兼容，且不易处理复杂背景和多人物同框；基于边缘特征的检测则是利用图像的边缘特征进行人脸检测，优点是计算量相对较小，可实现实时检测，与其它特征方法可融合，缺点是在复杂背景下误检率比较高；基于统计理论方法的检测则是通过对人脸特征值的循环迭代来检测人脸，其计算速度快，应用广泛，但是误检率较高。
3. 特征提取人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。
人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模的过程。
主要方法有基于知识的表征方法（主要包括基于几何特征法和模板匹配法）和基于代数特征或统计学习的表征方法。
基于知识的提取方法是根据人脸五官结构特征等先验知识来进行提取，其特点是识别方法比较简单、容易理解，检测速度较快，但是没有形成统一的特征提取标准，对动态人脸图像的鲁棒性较差；基于代数特征的提取方法是基于统计学习的特征提取方法，特点是特征易抽取，识别精度较高，应用广泛，但是需要与相应的数据库进行统计训练。
4. 匹配与识别这一精确筛选的过程分为两类：一是一对一的筛选，即对人脸身份进行确认的过程；二是一对多的筛选，即根据人脸相似程度进行匹配比对的过程。
此外人脸识别包含活体鉴别环节，即区别识别的特征信号是否来自于真正的生物体。
关键技术指标：检测率、误检率、漏检率、速度。
识别中的精确率、召回率、错误接受率-认假率-误识率、错误拒绝率-拒真率-拒识率二、行业概况2.1 行业逻辑2.1.1 人脸识别技术日趋成熟、准确率高2018 年 11 月 16 日，美国国家标准与技术研究院（NIST）公布了全球权威人脸识别比赛（FRVT）最新报告，从前十名企业在千分之一的误报率下的识别准确率来看，其平均能达到 99.69%，在千万分之一误报下的识别准确率超过99%。
意味着机器几乎可以做到在1000万人的规模下准确识别每一个人，而人脑记忆并辨别 100 个人的身份都很有可能犯错，相比于去年同期，全球人脸识别性能提升了80%，且中国企业占据榜单前五位，居世界领先水平，为人脸识别的技术落地提供技术面支撑。
从研究学者分布来看，中国占据世界第三的位置，人才储备居优势地位。
2018 年， AMiner 基于发表于国际期刊会议的学术论文，对人脸识别领域全 TOP1000 的学者进行计算分析。
从全球范围来看，美国人脸识别研究学者聚集最多的国家，在人脸识别领域的研究占有绝对的优势；英国紧随其后，位列第二；中国位列全球第三，占有一席之地。
可以看出，中国的追赶势头不容忽视。
从公开专利数量来看， 2007-2017年，我国人脸识别专利公开数量总体呈上升趋势，为人脸识别商业化应用打下基础。
从每年新增数量来看， 2007 年新增专利尚不足百例，至 2015 年迎来了爆发，全年新增专利已达到 1398 例，至 2017 年，我国人脸识别专利公开数量 2698 项，达到近年来最大值；截至 2018年7月，专利公开数量为2163 项，技术实力的显著增强也为国内商业化产品的迅速普及打下了坚实的基础。
2.1.2 政策推动长期以来，国家高度重视人脸识别产业落地的发展，出台多项政策助推产业发展。
2015 年以来，国家密集出台了《关于银行业金融机构远程开立人民币账户的指导意见（征求意见稿）》，给人脸识别普及打开；其后，《安全防范视频监控人脸识别系统技术要求》、《信息安全技术网络人脸识别认证系统安全技术要求》等法律法规，为人脸识别在金融、安防、医疗等领域的普及打下了坚实的基础，扫清了政策障碍。
同时， 2017 年人工智能首次写入国家政府报告，作为人工智能的重要细分领域，国家对人脸识别相关的政策支持力度在不断的加大。
2017 年 12 月发布的《促进新一代人工智能产业发展三年行动计划（2018-2020年）》则具体规划“到 2020 年，复杂动态场景下人脸识别有效检出率超过 97%，正确识别率超过90%”。
另外，工地场景上，住房和城乡建设部、人力资-源社会保障部印发《建筑工人实名制管理办法(试行)》明确提出：建筑企业应配备实现建筑工人实名制管理所必须的硬件设施设备，施工现场原则上实施封闭式管理，设立进出场门禁系统，采用人脸、指纹、虹膜等生物识别技术进行电子打卡；不具备封闭式管理条件的工程项目，应采用移动定位、电子围栏等技术实施考勤管理。
相关电子考勤和图像、影像等电子档案保存期限不少于2年。
2.1.3 资金推动根据 CB Insights 在 2018 年发布的《Top AI Trends To Watch In 2018》显示，：中国在人工智能初创公司的资金支持方面已超过美国，位列世界第一，其投入的资金主要专注于人脸识别核心技术。
2017 年，全球AI 创业公司获得资金支持 152 亿美元，其中 48％流向中国， 38％流向美国，中国在人工智能初创公司的资金支持方面已超过美国，而中国在人工智能上投入的资金主要专注于人脸识别核心技术，仅在 2017 年就突破十亿美元大关，达到 16.40 亿美元。
此外，政府对人脸识别初创公司的资金支持已达亿级以上。
仅在 2017 年，就有广州市政府和有国务院国资委背景的中国国有资本风险投资基金对云从科技、旷视科技投入亿级以上资金。
人脸识别是AI领域融资最多的方向。
2.2 行业规模与结构2017 年，全球视觉人工智能市场规模约为 70 亿美元，同比增长12.36%，而中国视觉人工智能市场规模达到 41 亿元，同比增长 259.6%，远高于全球市场的增速。
随着视觉人工智能技术的逐渐成熟及应用领域的逐步扩大，预计到 2020 年中国视觉人工智能市场规模将进一步扩大，达到 755.5 亿元。
视觉人工智能是中国人工智能市场上最大的组成部分。
根据中国信通院数据，2017 年中国人工智能市场中视觉人工智能的占比超过 37%。
在视觉人工智能领域，安防影像分析是最大的应用场景，2017 年占比约67.9%。
其他主要应用包括广告、互联网、云服务、手机等。
2.3 行业场景与应用最近三年，视觉人工智能技术不仅带来了生产效率的提升，而且还催生了众多新产业、新商业模式与新应用场景，推动了多行业产业链的重构。
随着视觉人工智能技术的不断发展，市场规模的不断扩大及行业应用解决方案的建立和完善，视觉人工智能行业的应用场景将进一步渗透，助力各应用行业解决痛点，实现行业转型和升级，需求前景广阔。
最近几年机器视觉行业实现快速发展的背景是： 2015 年基于深度学习的计算机视觉算法在ImageNet 数据库上的识别准确率首次超过人类，同年 Google 在开源自己的深度学习算法。
这些带动中美两国的科学家把计算机视觉算法运用到安防、金融、互联网、物流、零售、医疗、制造业等不同垂直行业。
但在实际的运用当中，由于数据可得性，算法成熟度，服务的容错率等因素的影响，落地的速度开始出现分化。
?移动互联网-安防领跑，零售-物流跟进，医疗-无人驾驶发展较慢。
2.3.1 智能安防安防领域是人脸识别技术最成熟的落地领域，也是 AI 视觉公司普遍首先切入的细分领域。
安防领域的特性在于：公共安全的刚需应用，可极大提高效率；市场预算分级、高度碎片化，且政府订单为主，可有效贡献收入；深度赛道，不断面临新问题与新需求，问题难度跨度大（简单需求如车牌识别、困难需求如动态识别与犯罪预防等）。
作为公共安全的刚需应用，安防领域计算机视觉未来将继续向多模态融合、万路以上广联网发展。
2.3.2 移动互联网计算机视觉在移动互联网上的应用目前主要包括：互联网直播行业的主播美颜；鉴黄、广告推荐等视频分析；智能手机里的 AI 美颜和人脸解锁。
一方面，移动互联网行业数据较为丰富，数据可得性较高；另一方面，由于应用多为“锦上添花”型的娱乐、广告应用，容错率较高，技术难度相应下降。
