平均每個指紋都有幾個獨一無二可測量的特征點，每個特征點都有大約七個特征，我們的十個手指產(chǎn)生最少4900個獨立可測量的特征。
現(xiàn)今指紋圖像采集的技術(shù)主要為射頻指紋識別技術(shù)。射頻傳感器技術(shù)是通過傳感器本身發(fā)射出微量射頻信號，穿透手指的表皮層去控測里層的紋路，來獲得最佳的指紋圖像。因此對干手指，汗手指，臟手指等困難手指通過可高達99%，防偽指紋能力強，指紋敏感器的識別原理只對人的真皮皮膚有反應(yīng)，從根本上杜絕了人造指紋的問題。
這個最近火在移動支付方面的生物識別技術(shù)，因其防偽性高、生物特征唯一、核心芯片不斷縮小等方面，已廣泛用于平板、手機甚至手表等移動端，并將會在未來主流生物識別市場占有一席之地。將手指放在手機屏幕上，隨手一劃就能確認(rèn)支付，將安全度與便捷性完美結(jié)合。但是，它還有一個強大的對手，人臉識別。
人臉識別，阿里騰訊認(rèn)準(zhǔn)的生物識別方式
作為未來主流生物識別方式之一，人臉識別最大的優(yōu)點是對硬件幾乎沒要求，即使幾百元的手機攝像頭也可以滿足，剩下的只是軟件問題。未來的結(jié)果就是，你在結(jié)賬時，對著收銀臺的攝像頭左看看右看看，支付就這樣完成了。這種認(rèn)證方式在未來移動支付時代具有高便捷性，加上硬件要求極低，足以讓阿里騰訊看好它的未來。
自動人臉識別的經(jīng)典流程分為三個步驟：人臉檢測、面部特征點定位、特征提取與分類器設(shè)計。在深度學(xué)習(xí)出現(xiàn)以前，人臉識別方法一般分為高維人工特征提取和降維兩個步驟。2014年之后，主要技術(shù)路線為深度學(xué)習(xí)。
Google發(fā)表于CVPR2015的工作FaceNet采用了22層的深層卷積網(wǎng)絡(luò)和海量的人臉數(shù)據(jù)(800萬人的2億張圖像)以及常用于圖像檢索任務(wù)的Triplet Loss損失函數(shù)。值得一提的是，人臉類別數(shù)達到800萬類，F(xiàn)aceNet在LFW數(shù)據(jù)集上十折平均精度達到99.63%，這也是迄今為止正式發(fā)表的論文中的最好結(jié)果，幾乎宣告了LFW上從2008年到2015年長達8年之久的性能競賽的結(jié)束。
盡管如此，一模一樣的技術(shù)，拿到真實環(huán)境下得到的準(zhǔn)確率可能只有75%……也許會有些人覺得這是很可笑的，請不要笑，這是科研圈里朋友的普遍做法，不是沒有苦衷的。
雖然目前的人臉識別技術(shù)上不完美，受環(huán)境等影響很大，但全球領(lǐng)先的中國face++公司已經(jīng)可以做到先識別你是不是一個人了(照片肯定是不行的，即使你捂住半邊臉，依然可以識別你是一個人。)
“人臉識別技術(shù)比人的識別能力要強，而且強不少”，北京曠視科技(face++)市場與經(jīng)營部總經(jīng)理謝憶楠說，“比如一個銀行柜員對人臉識別的精度可能達到萬分之一誤識率，通過率可以超過90%;而我們最好的成績是十萬分之一的誤識率，通過率可以超過97%-98%。”
目前評價科研中算法的優(yōu)劣的唯一方法就是找一個數(shù)據(jù)集，然后大家一起對比，隨著數(shù)據(jù)集中數(shù)據(jù)數(shù)量越大，其結(jié)果也越精準(zhǔn)，于是阿里通過各種方式來收集人臉信息，比如支付寶中的未來蟻來，有一個游戲叫遇見名畫中的自己，規(guī)則是你放入帶有你人臉的照片，然后搜索跟你照片特別相似名畫，以此來收集人臉信息。筆者還做了測試，結(jié)果如下：
至少圖像識別的結(jié)果還是比較不錯的。
(生物識別還包括視網(wǎng)膜識別、顱骨識別、靜脈識別、手型掌紋識別等等，這些生物識別方式有些對硬件要求相對較高，有些唯一性相對較低，在此不予討論。)