查看原文
其他

1+1大于2?带你了解多模态的生物识别

大话小数 中国金融电脑+ 2022-12-13

验“金”室


生物特征是人体天生携带的信息,与传统的密码相比,具有唯一、防伪等特性。随着人工智能、大数据的兴起和智能交互设备的快速普及,生物识别技术在金融行业的应用迅速增多。采用生物识别技术的验证模式打破了金融业务受地点、服务时间等的限制,为金融服务与客户快速对接提供了方便,不仅帮助银行推广创新业务,也更加方便了用户的使用。


一、 人脸识别技术


1.技术简介

人脸识别是目前最常用、最主要的生物特征识别技术。通过摄像头采集含有人脸的图像或视频流,从中提取人脸五官特征、边缘特征点、脸部轮廓、特征分块等信息,并将其与已知人脸特征信息进行对比,从而识别出每个人的身份。学术界对人脸识别相关的研究已趋近成熟,特别是深度学习技术应用于人脸识别后,基于深度卷积神经网络的人脸识别系统的识别精度超过了人类肉眼识别脸的精度。


图1 人脸识别流程


2.人脸识别的优点

人脸识别的优点主要变现在以下几个方面:


  • 对设备要求低,用户使用方便。人脸与虹膜、指静脉不同,对采集设备没有过多限制,一个摄像头就足以采集到人脸信息。


  • “非接触式”服务,客户体验较好。人脸识别有自然性的优势,采集人脸时也不必接触到用户。


  • 并发性好,多人识别准确率高。人脸识别技术通过算法可以快速有效地实现多个个体的身份鉴定,且技术成熟,准确率高。


二、声纹识别技术


1.技术简介

声纹是一种能表征和标识说话人信息的声波频谱。每个人通过鼻腔、口舌、声道、胸肺发出的声音都是独一无二的。声纹识别就是通过采集声音波长、频率、强度、节奏等波纹特征与已知声音进行声波特征比对,确定二者是否出自同一声源,从而验证发声者身份。


图2 声纹识别在金融中的应用流程


2.声纹识别的优点

声纹识别的优点主要表现在以下几个方面:


  • 操作便捷,使用者接受程度高。通过说话即可完成声纹的采集,用户容易接受。


  • 获取语音的识别设备成本低。声纹采集也不需要特种设备,普通麦克风即可完成采集。


  • 降低隐私侵犯风险。在声纹采集的文本相关、半相关场景下都需要用户说出指定内容,不法分子窃取这类音频的难度大大增加。


三、生物识别技术的局限性


除了以上优势之外,生物识别自身也存在着一定的局限性。


1.活体攻击

人脸等隐私性不强的生物特征信息很容易被不法分子伪造、仿冒用于身份认证。常见的人脸活体攻击技术有照片、视频、面具等;常见的声纹活体攻击技术有录音回放、语音合成、AI变声技术等。


图3 面具攻击


2.算法错误识别

目前,任何一种生物识别技术都无法做到100%不出错。如人脸识别会受光线、年龄、妆容、拍摄姿态等影响,声纹识别会受外界噪音影响。出错类型有两类:一是“错误不匹配”,即合法用户未被正确识别;二是“错误匹配”,即非法用户被错误地认证通过。


3.安全问题

生物识别技术在运用过程中也存在安全问题,如生物特征信息存在被劫持、被篡改、被替换、重放攻击和泄露等风险。


四、多模态识别


那么,能不能让多项生物特征结合使用,取长补短呢?


生物多模态融合便是让多项生物特征相得益彰的方法。多模态融合方法通常分为四类:决策级融合、分数级融合、特征级融合、样本级融合。目前,工商银行采用决策级融合的方式,创新性地将“人脸+声纹识别”技术应用于信用卡反欺诈领域,首创行业风控新模式。下面为大家具体介绍这四种融合方式。


1.决策级融合

通过每个单一生物特征识别过程输出布尔值,利用混合算法“如、和、或”,或采用更多参数,如输入样本质量分数将结果进行融合。单个生物特征对比决策完成之后即进行决策级融合。决策级融合基于决策模组输出的匹配或非匹配二进制结果值。


图4 决策级融合


2.分数级融合

每个单一生物特征识别过程通常输出单一匹配分数。将多个生物特征识别分数融合成一个分数与系统接收阈值比较后决策即为分数级融合。


在分数级融合中,每个系统提供匹配分数,用于标识特征向量与生物特征,识别参考向量之间的相似度。此处的匹配分数可在后续环节进行组合来提高匹配性能。


理论上,不同生物特征识别过程可以有机结合以提高对比性能。任何数量的合理个性化生物特征识别过程都可采用一定方式将其比对分数进行组合,而且在这种方式下得到的匹配结果一般优于采用单个生物特征识别设备时所得到的结果,关键是要找到正确的方法将匹配分数有机结合,从而使比对性能最大化。


图5 分数级融合


3.特征级融合

每个单一生物特征识别过程输出一组特征,将多组生物特征融合为一个特征集或者特征向量。


特征级融合的方法有多种,最简单的一种是整合生物特征识别部分的特征向量(或者特征向量集,前提是向量集间不存在隐含的对应关系),然后将特征分类方法应用到组合特征向量。此方法多模态的特征不是独立的,在某些情况下,良好的特征级融合应该尽可能地挖掘依赖关系而不是仅仅使用分数级的组合。


图6 特征级融合


4.样本级融合

每个单一生物特征识别过程输出一组样本,将多组生物特征样本数据融合为一个样本。


图7 样本级融合


由于客观条件变化的不可估计性,单生物特征识别技术往往会遇到难以克服的困难,而且在安全性要求极高的应用领域,单生物特征识别的性能很难达到预期的效果。生物特征识别多模态融合的应用从技术角度上为生物特征识别安全和高效应用提供了一个较为前沿的实现方式。利用多种生物识别技术独特互补的优势实现多模态身份认证,可有效促进行业安全快速发展,乃大势所趋。


往期推荐


浅析流程编排的发展及应用


浅谈超分辨率技术


挑战TensorFlow和PyTorch,“后浪”OneFlow胜算几何?


浅析分布式存储高可用机制


为前端服务的Serverless研究



FCC30+

长按左边二维码

关注我们不迷路


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存