如果你从没有将你的钥匙锁在屋子里，这会不新奇吗？如果一位法律执行官从来没有关注不能复制或改变的伪造ID时，这也不会是新奇的吧？

那些是生物识别后面的假定。生物识别是把人类唯一的生物特征－始终不会变化的特征－转化为数学表示，这个数学表示也是唯一的，可存储的和可验证的。在过去的几十年里，机器视觉一直是生物识别的主要组成部分。近来，涉及到生物识别技术的机器视觉在所有国家随着安全需求而增长，这正好处在市民对其他的安全措施感到不满的时期。

但这并不表示在生物识别领域里不需要机器视觉，逐步提升的恐怖主义和暴力、公众防御、安全措施等这些公共安全问题，实际上都在促进机器视觉的应用，把机器视觉作为能使得设备（facilities）和地理边境安全与个人隐私侵入无关联的主要的细微传感技术。

Putting Vision In Its Place 把视觉放在她应有的位置

跟其它的监视和安全系统一样，越来越多的生物识别系统使用机器视觉技术来帮助完成快速的，简便的自动采集、验证和识别过程。对于生物识别来说，不论是在初始的采集期间，还是在随后的识别期间，机器视觉已经在前后或获取生物关键特征找到一个安全位置。

这篇文章将讲述主要的生物识别关键技术，机器视觉是怎样完成采集，在生物识别中促使机器视觉技术规范的技术需求，以及这里面的原因。

最好的生物识别关键都是基于每个人身体上唯一的永恒不变的物理特征，包括指纹、面部特征、眼里的虹膜，手形和声音。它们每个都有自己的优缺点。指纹和掌纹会退化，还受到干燥皮肤的影响，以及人为的伤害等；在法律执行机构的数据库中，指纹比其它生物特征多，但是，法律执行机构是生物识别系统的主要客户。面部特征是相对固定的特征，它与体重或头发长度无关，但是权威机构刚开始建立面部识别数据库，而数据库只是通过离线地存储图像来完成，跟所有生物识别关键点一样。虹膜的颜色特征是极其精确的，而且在出生后到不同方式死亡中基本保持不变的特征，但是自由社会反对入侵个人权利安全措施，就是需要你停下来，然后将你的面部置于显微镜下来验证或识别。手掌的纹络特征也必须克服公众对入侵个人权利生物识别方式的反感，它也需要人停下来去触摸一个安全设备。声音验证不够精确，没有使用图像处理技术，通常和一个次要的更安全的生物识别结合应用。

在这些生物识别系统中，指纹是最盛行的一种方式，因为可以以非数字化格式用几十年。面部识别是使用第二多的，接着是手形和虹膜。

A Smart Resolution  智能分辨率

不论是指纹，面部，手形，还是虹膜，生物识别技术遵守相同的统一模式。在生物识别系统终端上的一个相机在采集中采集人的高分辨率图像，可以是主动获取，也可以是被动采集，后面的监视相机从这些图像中提取出面部或虹膜生物特征。通过算法分析图像特征，来需要关键细节，然后结果模式被转化成一个可被存储的数学值，存储这些数学值比存储原始图像需要的空间小得多，这就称为采集。在验证和识别过程中，过程自动反复，获取的图像被分析，并与数据库中存储的值进行比较，来达到验证个体的目的。

斯坦福的L-1验证方案的Joseph Atick博士多次在生物识别会议上提出，技术、标准和实践日趋成熟，生物识别行业要能够针对不同类型的生物识别系统提供专用的图像处理需求。

Atick解释说：“生物识别将从CMOS相机的分辨率，还有更廉价、更快的相机中获益，还有高清相机的出现。自动增益控制也是重要的，但是我们正在寻求一个闭环自动增益控制电路，它能专门针对面孔建立增益，而不仅仅是通过背景。”

Atick继续阐述到：“智能相机也是生物识别行业所需求的。比如，我们不仅仅需要将数字帧作为输出，还需要相机能够输出面孔。我们比较喜欢板载的图像处理，特别是针对面孔和眼睛在移动时寻找它们。例如，图像处理能够去除眼睫毛，能确保图像质量。我们一直使用Texas Instrument的达芬奇(DaVinci)图像处理卡来开发这些类型的应用。”

Texas Instruments视觉销售经理Brooke Williams说：“达芬奇是专门为处理视觉和图像处理应用而设计的。生物识别，像探路和盲点监测的自动驾驶系统，还有机器视觉智能相机这些应用都是受益于达芬奇技术，达芬奇提供针对视觉和图像处理而进行优化的一流的硅、软件和硬件工具和支持，这使得用户降低成本，设计不同的方案。随着相机中更多地处理被采用，这将会减少对高带宽I/O和网络的需求。

Cognitec系统的资深销售和市场总裁Juergen Pampus说：“我们喜欢由诸如Prosilica 公司提供的gigabit相机。我们需要高带宽，这不仅是图像的分辨率，而且我们不能通过压缩图像来引起任何缺陷。我们需求未压缩图像，如果在10~20fps速率下就是一幅3 百万像素图像，这需要带宽来处理和转移。这些相机也能被方便集成到网络中起到帮助作用，但是它仍是我们今天需求的带宽问题。”

L-1的Atick补充说：“Deinterlaced的图像也是关键的，处于同样的原因，在间隔场里运动物体会产生假象。”

如果空间分辨率很小，那么任何虚像或扭曲对生物识别的成功都是关键的。通过Micro Utility Ltd的CEO Uzi Moshe，一个生物识别集成者，在Jerusalem城市的一个飞行员面部识别项目中，用标准的640x480像素监视相机，在采集和识别的成功率只有15%。政府机构告诉Moshe如果他能够达到40%,他们将会购买很多。通过在采集中换成320万像素相机，在边缘交错时针对生物特征获取时使用2 megapixel相机，成功率剧增到超过90%。用户很满意。

Moshe解释到：“在采集时采用达到5至6 百万像素相机时，成功率会更高，但当你在为最后的项目寻求650个工作站时，成本就成为一个问题。”

Fingerprints: A Rolling Problem  指纹：一个起伏不定的问题

几年前，便宜的电容传感器对于采集指纹数字图像被认为是最好的方案。不幸地是，这些传感器对损伤太敏感，而且在采集常见损伤皮肤图像时还很困难。

Atick说：“当今的指纹生物识别系统经常想去能够同时采集跟随手的几何形状的指纹和掌纹。对于整只手，每英寸1000个点的分辨率，采集的图像能接近2000万像素.由于这些高分辨率需求，用户会偏爱于CMOS图像采集。相机需要达到30fps的成像速度，因为法律执行机构需要每一个指纹。这意味着必须通过传感器来采集指纹。而手掌和手仅需要10fps的速度，当在选择显示感兴趣区域最好的图像时，指纹需要较高的速度以至于系统有多个图像可选。”

尽管代表全球最大的生物特征数据库(FBI指纹数据库乘以发达国家个数)，但是指纹被视为入侵个人权利的生物识别。当今，在任何可能的时候指纹都用于备份的生物识别，用于支持作为主要验证的面部识别方法。

Face to Face  面对面

在首次脸红的时候，对于面部识别的空间需求将看似更为不严格。Cognitec的 Pampus说：“在面部识别中我们使用的最小标准方法是两眼之间的50个像素。但是变得越来越有挑战性，还取决于面部距离相机多远。你可以用一个标准的CCTV相机来做，但是这不太可能足够接近工作的物体。”

面部识别也引入3D.较早的系统使用激光扫描器来创建一定距离的人脸图，但是这些系统价值高达数万美金，这对于政府机构配置多个系统花费太高。使用红外(IR)LED灯的较新系统在人脸上划分网格，而且通过硅结构的CMOS相机成像。Atick称这种方法在手臂长度上采集面部的3D图像，但是新相机增加了在760纳米光谱范围对光源的优化，这也极大地改进这些系统的操作。更强的IR LED灯将增加拍摄距离和系统的可用性。公司正在研发脉冲调制的IR资源，它能在没有对IR敏感视网膜带来风险下提供更强的光。

Look Into My Eyes  透过我的眼睛

NIR(Near infrared)感应相机也能帮助基于虹膜的生物识别系统。在一个薄水层里覆盖眼睛，这使得表面更加reflective，但是虹膜模式实际上位于眼睛表面下的十亿分之一公尺(nanometers).针对NIR优化的相机将极大提高虹膜生物特征提取，因为IR辐射渗入组织几个毫米。

但是，大像素microbolometer，或其它便宜的IR相机不可选。不仅仅因为非CMOS IR图像采集的成本，更因为分辨率和速度的损失。

通过Atick，虹膜生物识别需要200像素，这仅仅只有约1cm的宽度。眼睛也会常移动，甚至当我们认为它是静止的时候。这些“精神”上的移动允许大脑去处理信息，但是用高分辨率成像却很困难。当你试图设计一个不需要对象将他们的眼睛置于显微镜对象上的系统时，这个问题变得更加突出。在Afghanistan的美国旅行团正使用手持的虹膜生物识别系统去检查insurgents，但是将系统移动到更远的距离将需要一些独特的高质量、高分辨率图像采集的结合，在比手臂长度更远的距离，利用NIR敏感性和运动过滤来提供高分辨率虹膜图像。最后，尽管远焦镜头能缩放来提供200像素的虹膜图像，但是他们只能用一个小的景深，这使得来自监视和类似数据源的虹膜生物识别图像的被动获取变得复杂。L-1可工作在自适应光圈方案，对于虹膜生物识别系统来书，这将纠正波阵面错误和拓宽景深。

通过Atick，当考虑到市场应用时，虹膜识别在市场需求上会极大增加，因为它的高精确性和被动采集能力。

在当今的安全意识世界里，生物识别提供便利的和情感的答复(affective answer)，对于机器视觉相机、图像处理器、光学和光源来说这是个很好的机会。

Atick提出：“We need to be in the sweet spot of machine vision，这也是一个挑战，因为我们处在许多技术的边缘(cutting edge)，cutting edge从来就不是sweet spot。有时，我们必须等待这些技术的开发来赶上我们的需求。我能说的是我一直对机器视觉公司的回复印象深刻，特别是Automated Imaging Association提出的那些公司。我相信不久他们会满足我们的需求。
     编者言：生物识别系统能从大存储量的数据库中验证一个人，或基于一个位于便携式存储设备上的一个码来识别一个人，比如智能卡或护照。

这段时间一直都很忙，忙的没有时间来看文章，因此很久没有更新^_^。这篇文章讲述了生物识别的几种关键方式，特别是机器视觉在生物识别中起到的作用，以及机器视觉在生物识别中的地位越来越重要，也逐步依赖于机器视觉技术的发展。We need to be in the sweet spot of machine vision这句话写的很美，像是在赞扬机器视觉，但面对客户这样的赞美，感到机器视觉的责任会越来越大，怎样来更好的满足客户的需求，如何让机器视觉技术更好地帮助客户解决实际问题，还需要继续去努力，走到客户中去，了解需求，努力创新，敢于实践，我想这样机器视觉的技术会不断得到更多领域的认可，Machine Vision will gets more and more nods!

真希望机器视觉技术在地震救援或预测方面能有所帮助，发挥出力所能及的作用，在此向灾区的受难人民祈福，向人民子弟兵致敬～！