深圳市深港产学研数码科技有限公司

生物识别产品

　　面像识别就是对于输入的照片图像或者视频流，首先判断其中是否存在面像，如果存在面像，则进一步的给出每个面像的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个面像中所蕴含的身份特征，并将其与已知面像库中的面像进行对比，从而识别每个面像的身份。　　

精度	精度相当于最好的指纹识别
成本	纯软件低成本
被动性	无须用户主动参与
速度快	采集只需50-300毫秒，比对只需0.5-1秒
高用户接受度	不侵犯人，简单无需用手
任何人均可辨识	保存每一个记录的时间日期和照片
唯一经常应用的生物识别技术	应用包括监视和监控
用已经存在的数据库	能用已经存在的照片，不需要重新登记
人可以临时代替	人就能熟练的辨识面部照片，因此如果系统故障时人就可以临时代替系统工作

　　“局部特征分析”（Local Feature Analysis, LFA）算法，是一种基于特征表示的面像识别技术，源于类似搭建积木的局部统计的原理。LFA 基于所有的面像(包括各种复杂的式样)都可以从由很多不能再简化的结构单元子集综合而成。这些单元使用复杂的统计技术而形成，它们代表了整个面像，通常跨越多个像素（在局部区域内）并代表了普遍的面部形状，但并不是通常意义上的面部特征。实际上，面部结构单元比面像的部位要多得多。然而，要综合形成一张精确逼真的面像，只需要整个可用集合中很少的单元子集(12～40特征单元)。要确定身份不仅仅取决于特性单元，还决定于它们的几何结构(比如它们的相关位置)。通过这种方式，LFA将个人的特性对应成一种复杂的数字表达方式，可以进行对比和识别。 “面纹"编码方式是根据脸部的本质特征和形状来工作的，它可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使它可以从百万人中精确地辨认出一个人。

　　STA（Surface Texture Analysis 皮肤纹理分析），是有别于传统的生物测定学的方法，它不依赖于照片上的点或预先确定的可辨别的特征：而是分析皮肤区域纹理的唯一性：就是“肤纹” （Skinprint）；匹配比对用的是随机的或然说的方法；STA显示如果这些皮肤块依次作匹配，两种皮肤表面是一样的。
　　STA皮肤对照片质量的要求：最好的分辨率是两眼间最少有90个象素，120个象素更好；照片的压缩率不能太高，以防失真，在关键区域不超过10：1的压缩率。　　　　　　　　　　　　　　　　　　　　　　　　采用这两种算法的面像识别软件，具有速度快，误认低，无需学习等优点，具有最广泛的商业应用。它利用面像各器官及特征部位的方位、比例、对应几何关系等数据形成识别参数，与数据库中所有面像识别参数比较、判断、确认，从而实现人的身份判别。并且，只需要一次捕捉，一张照片，就能同时进行LFA和STA的算法识别。

　　★　面像检测是指在动态的场景与复杂的背景中判断是否存在面像并分离出面像
　　　　面像检测分为参考模板、面像规则、样本学习、肤色模型与特征子脸等方法。参考模板方法　　首先设计一个或数个标准面像模板，然后计算测试样本与标准模板之间的匹配程度，通过阀值来　　判断是否存在面像；面像具有一定的结构分布特征，面像规则即提取这些特征生成相应的规则以　　判断是否测试样本包含面像；样本学习则采用模式识别中人工神经网络方法，通过对面像样本集　　和非面像样本集的学习产生分类器；肤色模型依据面像肤色在色彩空间中分布相对集中的规律来　　进行检测；特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之　　间的距离判断是否存在面像。上述方法在实际系统中也可综合采用。
　　★　面像跟踪指对被检测到的面像进行动态目标跟踪
　　　　面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟踪也　　不失为一种简单有效的手段。　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　★　面像识别则是对被检测到的面像进行身份确认或在面像库中进行目标搜索
　　　　面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此，面像的　　描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方法，特征向　　量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等属性，然后计算　　出它们的几何特征量，这些特征量形成一描述该面像的特征向量；面纹模板法则在库中存储若干　　标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所有模板采用归一化相关量　　度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结合的方法。

　　错误接受率（False Accept Rate FAR）、错误拒绝率（False Reject Rate FRR）、相等错误率（Equal Error Rate EER）
　　其测试结果与所运行的分析数据库（源）有密切关系。错误接受率（FAR）表示在某一指定的阀值（Threshold）下一个非注册者被识别系统错误地接受的几率（Error Rate），如图阀值为70%时，识别系统错误地接受一个非注册者的几率约为1%。错误拒绝率（FRR）表示一个已注册的用户被识别系统拒绝的几率，如图阀值为80%时，识别系统拒绝一个已注册的用户的几率为1%。从下图可以看出，FAR和FRR是两个互斥的参数，在识别系统不同的应用中，阀值较低时，FAR较高而FRR较低，这种系统对用户是友好的，但是对于身份验证的系统而言安全性较差，或对于身份鉴定的系统而言则输出结果较多；阀值较高时，FAR较低而FRR较高，安全性较好，但对用户不友好，用户容易被系统拒绝。通常我们不是单独采用FAR或FRR作为衡量识别系统的指标，而是使用二者相等时的值,几下图中FAR曲线与FRR曲线相交点--相等错误率（EER）作为衡量识别系统的指标。
　　左图给出了本系统用于FERET数据库（该数据库由美国军事研究实验室提供）时所获得的FAR和FRR的大小。本系统的识别精确度达到国际产品的最先进水平。