基于人脸生物特征的身份鉴别技术发展趋势研究

摘要/Abstract

摘要： Biometrics technology has been developed rapidly in recent years, especially in the field of consumer electronics and access control, such as laptops, mobile phones and other areas of access control, financial banking and other fields. Biometric identification technology poses a huge threat to traditional identification techniques. This paper expounds the advantages of biometrics identification technology compared with traditional personal identification methods. Taking face recognition as an example to divide the development of face recognition into four stages. Besides, analyze and compare the characteristics and achievements of face recognition methods at different stages. Finally discusses the existing problems of biometrics identification and the future research trends.

关键词: 身份认证, 生物特征识别, 人脸识别, 发展阶段, 趋势

Abstract: 生物识别技术在近几年得到了迅猛发展，特别是在笔记本电脑、手机等消费电子领域及门禁管理、金融银行等各个领域得到广泛应用.生物特征识别技术对传统身份识别技术产生巨大威胁.阐述了基于生物的特征识别技术相对于传统生物特征识别方法所具有的优势，并以人脸识别技术为例将人脸识别的发展按其特征选取方式分为4个阶段，分析和比较了不同阶段人脸识别方法的特点及成果，并针对目前人脸识别技术发展现状详细提出几个问题，并探讨了已有的生物特征识别存在的问题和未来的研究趋势.

Key words: identity authentication, biometrics identification, face recognition, development stage, tendency

方淑仙. 基于人脸生物特征的身份鉴别技术发展趋势研究[J]. 信息安全研究, 2017, 3(6): 533-537.

参考文献

［1］崔宇巍. 运动目标检测与跟踪中有关问题的研究［D］. 西安: 西北大学, 2005［2］苏晨. 传统身份鉴别与生物识别技术的比较［J］. 中国防伪报道, 2007 (10): 2225［3］刘毅. 生物识别——打开人类识别自我的新纪元——生物识别技术的起源发展和前景［J］. 中国公共安全: 学术版, 2005 (5B): 3134［4］李欣. 人脸识别技术研究［D］. 哈尔滨: 哈尔滨工程大学, 2007［5］宋玮. 基于双源多特征的步态信息融合技术研究［D］. 天津: 天津大学, 2009［6］Thies J, Zollh, Fer M, et al. Demo of Face2Face: Realtime face capture and reenactment of RGB videos［C］  Proc of ACM SIGGRAPH 2016 Emerging Technologies. New York: ACM, 2016: 23872395［7］Xu Y, Price T, Frahm J, et al. Virtual U: DefeatingFace liveness detection by building virtual models from your public photos［C］ Proc of the 25th USENIX Security Symp. Berkeley, CA: USENIX Association, 2016: 494512［8］李金屏, 韩延彬, 杨清波, 等. 人脸识别新技术研究进展［J］. 计算机科学, 2004, 31(10A): 293295［9］Turk M A, Pentland A P. Face recognition using eigenfaces［C］ Proc of IEEE Computer Society Conf on Computer Vision and Pattern Recognition (CVPR91). Los Alamitos, CA: IEEE Computer Society, 1991: 586591［10］Blanz V, Vetter T. A morphable model for the synthesis of 3D faces［C］ Proc of Conf on Computer Graphics and Interactive Techniques. New York: ACM, 1999: 187194［11］山世光. 人脸识别理论与应用研究［J］. 信息技术快报, 2005, 3(10): 1220［12］Wu S, Kan M, He Z, et al. Funnelstructured cascade for multiview face detection with alignmentawareness［JOL］. Neurocomputing, 2016 ［20170606］. https:arxiv.orgpdf1609.07304.pdf［13］Martinez B, Valstar M F. Advances, challenges, and opportunities in automatic facial expression recognition［M］ Advances in Face Detection and Facial Image Analysis. Berlin: Springer, 2016: 63100［14］Shashua A, Riklinraviv T. The quotient image: Classbased rerendering and recognition with varying illuminations［J］. IEEE Trans on Pattern Analysis & Machine Intelligence, 2001, 23(2): 129139［15］Basri R, Jacobs D W. Lambertian reflectance and linear subspaces［J］. IEEE Trans on Pattern Analysis & Machine Intelligence, 2003, 2(2): 218233［16］孙志军, 薛磊, 许阳明, 等. 深度学习研究综述［J］. 计算机应用研究, 2012, 29(8): 28062810［17］Huang G B. Learning hierarchical representations for face verification with convolutional deep belief networks［C］ Proc of IEEE Conf on Computer Vision and Pattern Recognition. Los Alamitos, CA: IEEE Computer Society, 2012: 25182525［18］Lu C, Tang X. Surpassing humanlevel face verification performance on LFW with GaussianFace［OL］.［20170606］. https:arxiv.orgpdf1404.3840.pdf［19］Ouyang W, Zeng X, Wang X, et al. DeepIDNet: Deformable deep convolutional neural networks for object detection［J］. IEEE Trans on Pattern Analysis & Machine Intelligence, 2014, 46(5): 24032412［20］Taigman Y, Yang M, Ranzato M, et al. DeepFace: Closing the gap to humanlevel performance in face verification［C］ Proc of IEEE Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2014: 17011708［21］Schroff F, Kalenichenko D, Philbin J. FaceNet: A unified embedding for face recognition and clustering［COL］ Proc of CVPR. 2015: 815823 ［20170606］. http:www.cvfoundation.orgopenaccesscontent_cvpr_2015papersSchroff_FaceNet_A_Unified_2015_CVPR_paper.pdf［22］由清圳. 基于深度学习的视频人脸识别方法［D］. 哈尔滨: 哈尔滨工业大学, 2013［23］许勇刚. 复杂光照条件下人脸识别关键技术研究［D］. 成都: 电子科技大学, 2013［24］杜吉祥, 翟传敏, 叶永青. 使用稀疏约束非负矩阵分解算法的跨年龄人脸识别［J］. 智能系统学报, 2012, 7(3): 271277［25］王风华, 孟文杰. 一种基于特征级融合的多模态生物特征识别方法［J］. 科学技术与工程, 2012, 12(13): 31343138［26］陈倩. 多生物特征融合身份识别研究［D］. 杭州: 浙江大学, 2007

[1]	赵娟娟刘昌华. WebSocket子协议的设计与实现[J]. 信息安全研究, 2021, 7(1): 64-68.
[2]	王新文. 基于区块链的数字证书系统在电子政务外网中的应用探究[J]. 信息安全研究, 2021, 7(1): 81-85.
[3]	李俊柴海新. 生物特征识别隐私保护研究[J]. 信息安全研究, 2020, 6(7): 589-601.
[4]	张慧王钰成舸向银杉郑方. 基于“声纹＋”的无监督可信身份认证[J]. 信息安全研究, 2020, 6(7): 615-621.
[5]	王滨刘贤刚陈学明李琳. 物联网智能联网设备口令保护技术研究[J]. 信息安全研究, 2020, 6(7): 652-656.
[6]	王柏华孙长杰李照川王伟兵. 远程办公中基于区块链技术的身份认证方法[J]. 信息安全研究, 2020, 6(4): 317-326.
[7]	邱悦文魏谢文. 基于文献计量的国内区块链研究现状分析[J]. 信息安全研究, 2020, 6(12): 1074-1081.
[8]	袁俊. 论人脸识别技术的应用风险及法律规制路径[J]. 信息安全研究, 2020, 6(12): 1118-1126.
[9]	王斯梁冯暄蔡友保陈翼. 零信任安全模型解析及应用研究[J]. 信息安全研究, 2020, 6(11): 0-0.
[10]	邓辉. 个人信息保护行政监管的经验与启示[J]. 信息安全研究, 2020, 6(1): 79-84.
[11]	刘艺崔越谢金兴. 对未来国际科技发展的分析与预测[J]. 信息安全研究, 2019, 5(7): 592-598.
[12]	齐锋陈庄蔡定雯于溯. 一种基于USB Key的双私钥安全因子身份认证方案[J]. 信息安全研究, 2019, 5(6): 500-506.
[13]	蔡友保冯暄陈翼王斯梁. 一种安全增强型云计算身份认证方案[J]. 信息安全研究, 2019, 5(3): 253-256.
[14]	梁嘉骏. 基于深度学习的人脸安全认证：现状与挑战[J]. 信息安全研究, 2019, 5(11): 1008-1012.
[15]	张丕翠杨建武施水才. 网络空间的舆情态势感知[J]. 信息安全研究, 2019, 5(11): 1013-1019.