“Mail+”的生态战略，为何关键在生物识别

　　大众对生物识别技术的深化程度和应用关注度早已成为热点。然而，任何一种单一生物识别技术在图像采集及识别原理中都有其自身的局限性，我们认为生物识别技术未来发展的三大主要趋势是：多模态、防伪、非接触。6月23日，阿里巴巴宣布，将推出业界首个“刷脸”登录邮箱，并推出“+Mail”、“Mail+”的生态战略，计划以邮箱SaaS服务为切口布局企业级服务市场。所谓的“刷脸”，即生物识别。

　　业内人士表示，2015年全球人脸识别技术市场产值为2.3亿美元，而在2019年该领域将增长至4.5亿美元，年复合增长率达17.97%，亚太地区将贡献主要力量，2019年将实现全球占比近60%。就国内市场，我国人脸识别市场规模在2010年至2015年平均复合增长率为15.9%，同一时期我国市场规模约占全球市场规模的10%，相比较于我国的人口规模（占全球约20%）与城市规模占比，我国人脸识别市场规模占比明显偏低，而随着整个行业技术奇点临近，我国人脸识别市场将迎来爆发前夕。

　　生物识别是一个技术壁垒较高的行业，需要长时间的研发投入和技术积累。现在的许多APP都支持指纹解锁功能，甚至市面上的千元手机都支持指纹识别，除此之外，还有支付宝和翼支付的“刷脸支付”，GoolgeGlass刮起的生物识别可穿戴设备风潮等等，大众对它的深化程度和应用关注度早已成为热点。然而，任何一种单一生物识别技术在图像采集及识别原理中都有其自身的局限性，我们认为生物识别技术未来发展的三大主要趋势是：多模态、防伪、非接触。

　　指纹识别技术

　　指纹识别是使用频率最高的生物特征识别技术之一。早在唐宋期间，指纹已经用于文书契约和司法审判中。现代的指纹识别技术经历了多年的积累，已经非常成熟，广泛应用在司法、公安和门禁领域。所谓指纹，是指人体指尖表面的纹路。在指纹中，凸起的纹线为脊线，脊线与脊线之间的部分为谷线。根据脊线和谷线的结构，可以得到一些细节点。指纹识别主要就是利用这些细节点特征实现的。

　　指纹识别主要包括指纹增强、特征提取和指纹匹配三个过程。

　　1、指纹增强：在指纹采集过程中，由于各种原因，采集到的指纹图像不可避免的引入了一些噪声，如果直接用于指纹识别，往往难以达到较好的效果。我们可以通过一定的图像增强技术，改善指纹图像质量。这里会用到的技术有图像分割、直方图均衡化、滤波增强、二值化、细化等。

　　2、特征提取：前面提到，细节点特征是最常用的指纹特征。细节点特征的提取，就是在指纹图像中找到脊线终点和脊线分叉两个特征。经过了指纹增强的步骤，如果指纹图像能较好地分割，细节点很容易提取。但实际上有一些噪声很难处理，这样在增强后就会产生一些虚假特征。一般地，启发式算法可以删除虚假特征。特征提取后，我们得到了多组脊终点或分叉类型、位置坐标及方向信息等。

　　3、指纹匹配：指纹匹配算法有很多种，包括点模式匹配、脊模式匹配、基于图像的匹配和基于图形的匹配等。细节点匹配可以看做是点模式匹配的问题。点模式匹配就是将提取的细节点集与数据库中的细节点集进行匹配，如果通过一些旋转、尺度变换和平移变换，点集间是匹配的，那个两幅指纹图像就是匹配的。

　　指纹识别与安防领域的结合主要体现在考勤和门禁等应用。指纹考勤机是最常见的指纹识别产品之一。常见的指纹考勤机厂商有中控科技、科密、安威士等。由于指纹识别算法比较成熟，业务应用和用户体验对于这类产品显得尤为重要。

　　未来的指纹识别产品发展方向将集中在采集技术和应用模式创新。目前采集技术主要有4种类型：超声波扫描、光学成像、温差感应式识别及半导体硅感技术。超声波技术利用皮肤与空气对于声波阻抗的差异，可区分脊线和谷线的位置，能达到很高的精度，但因成本高，且无法进行活体指纹识别，应用较少。光学成像利用光学传感器采集指纹图像，使用方便，价格便宜，使用最广泛。但光学成像设备也无法进行活体识别，这就产生了一些漏洞，如使用硅胶指模或断指等进行身份认证。温差感应式识别技术是基于温感原理实现的，通过感应手指与芯片映像区域间的温度差产生电信号。但由于热传导效应，时间一长，手指与芯片的温度就趋于一致了。半导体硅感技术即电容式技术，利用手指纹路与传感器之间的电容差，得到指纹图像。由于传感器发出的电子信号可直达真皮层，能获取更多可靠数据，提高识别准确率。随着传感器成本的不断下降，相信基于半导体硅感技术的指纹识别产品将应用的更为广泛。

　　人脸识别技术

　　人脸由于其易采集的特性，受到很多行业客户的关注，特别是公安、海关、商场等。人类每天都在进行人脸识别，因此也最能接受这种身份认证方式。人脸识别的研究始于上世纪中期，经历了数十年的努力，现在已经可以应用在我们的实际生活中，为我们提供各种便利。

　　人脸识别主要分为人脸检测（facedetection）、特征提取（featureextraction）和人脸识别（facerecognition）三个过程。

　　人脸检测：人脸检测是指从输入图像中检测并提取人脸图像，通常采用haar特征和Adaboost算法训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器，则被判别为人脸图像。

　　特征提取：特征提取是指通过一些数字来表征人脸信息，这些数字就是我们要提取的特征。常见的人脸特征分为两类，一类是几何特征，另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系，如距离、面积和角度等。由于算法利用了一些直观的特征，计算量小。不过，由于其所需的特征点不能精确选择，限制了它的应用范围。另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。

　　表征特征利用人脸图像的灰度信息，通过一些算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将图像分成若干区域，在每个区域的像素3x3邻域中用中心值作阈值化，将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调灰度变化保持不变。每个区域通过这样的运算得到一组直方图，然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。

　　人脸识别：这里提到的人脸识别是狭义的人脸识别，即将待识别人脸所提取的特征与数据库中人脸的特征进行对比，根据相似度判别分类。而人脸识别又可以分为两个大类：一类是确认，这是人脸图像与数据库中已存的该人图像比对的过程，回答你是不是你的问题；另一类是辨认，这是人脸图像与数据库中已存的所有图像匹配的过程，回答你是谁的问题。显然，人脸辨认要比人脸确认困难，因为辨认需要进行海量数据的匹配。常用的分类器有最近邻分类器、支持向量机等。

　　与指纹应用方式类似，人脸识别技术目前比较成熟的也是考勤机。因为在考勤系统中，用户是主动配合的，可以在特定的环境下获取符合要求的人脸。这就为人脸识别提供了良好的输入源，往往可以得到满意的结果。但是在一些公共场所安装的视频监控探头，由于光线、角度问题，得到的人脸图像很难比对成功。这也是未来人脸识别技术发展必须要解决的难题之一。

　　现在已有一些机构、高校在进行人脸识别新领域、新技术的研究。如远距离人脸识别技术，3D人脸识别技术等。远距离人脸识别系统面临两个主要困难。一是如何从远距离获取人脸图像。其次，在得到的数据并不理想的情况下如何识别身份。从某种意义上来看，远距离人脸识别并不是一个特定的关键技术或基础研究问题。它可看成是一个应用和系统设计问题。通常有两类解决方法用于获取人脸图片。一种是高清的固定式摄像机，另一种是使用PTZ控制系统多摄像机系统。后者更适合于一般情况，不过其结构更为复杂，造价也更贵。后者需要考虑如何协调多台摄像机的同步操作。一般地，系统由低分辨率广角摄像机和高分辨率长焦摄像机组成。前者用于检测和追踪目标，后者用于人脸图像采集和识别。目前远距离人脸识别技术还处于实验室阶段，未来如果能够解决上述问题，对人员布控这样的应用有着重要意义。

　　3D人脸识别能够很好地克服2D人脸识别遇到的姿态、光照、表情等问题。主要原因是2D图像无法很好地表示深度信息。通常，3D人脸识别方法使用3D扫描技术获取3D人脸，然后建立3D人脸模型并用于识别。不过，3D人脸识别技术的缺点也是很明显的。首先它需要额外的3D采集设备或双目立体视觉技术，其次，建模过程需要的计算量较大。相信随着未来芯片技术的发展，当计算能力不再受到制约，采集设备成本大幅下降的时候，3D人脸识别将会成为热门技术之一。