4.3.2 特征识别技术
1.指纹识别技术
指纹是最早应用于身份识别的生物特征，由于其具有终身不变性、唯一性和方便性，是目前应用最广泛、接受程度较高的生物特征识别认证技术。不同的纹型且有规律的排列，就是我们常说的指纹线。指纹细节特征点就是纹线的终点、起点、交叉点。终点或起点又称为端点，是指纹线两头末点；交叉点是指两条纹线相交汇集为一条纹线的交叉点。指纹识别认证技术通过分析和校对指纹的全局特征和指纹局部特征（例如，交叉点、端点和中心点），从而判断用户身份的真实性。
指纹特征识别认证技术的过程主要包括采集指纹图像、指纹图像预处理、指纹特征提取、指纹数据储存、指纹特征值的比对与匹配等[139]。指纹在经过传感器系统采集后，转化成数字信息并存储在设备中。经过细化后，需要提取细节点特征用于指纹匹配。指纹细节点主要包括交叉点、端点或中心点。
基于结构特征的指纹匹配和基于点模式的细节特征指纹匹配是最常用的指纹匹配方式。匹配算法可分为校正和匹配两个过程。校正过程主要是将发生平移、旋转、磨损等形变的指纹图像进行纠正，从而提高指纹图像匹配率；匹配过程则是通过预先设定的匹配分数来判断两枚指纹是否属于同一用户的同一枚手指。
指纹特征识别技术具有较高的识别率，采集简单，设备成本较低。目前，在市场上也得到了广泛的应用，例如内置指纹识别装置的笔记本计算机、平板电脑、手机等。指纹识别的准确度主要依赖指纹图像的采集质量，然而，由于采集指纹环境的恶劣、指纹表面的污垢、指纹磨损等因素造成采集出来的指纹图像的清晰度大大降低，从而导致提高错误拒绝率。除此之外，接触式的传感器会遗留用户的指纹图像信息，这样一来导致存在非法用户盗用的可能性，进而降低用户指纹的安全性。
2.人脸识别
（1）基于几何特征的人脸识别认证算法
基于几何特征的人脸识别认证算法主要是根据人脸部器官的位置特征进行识别，这些几何特征主要包括眼睛、鼻孔、嘴巴、下巴之间的距离、面积和角度等几何关系[140]。基于几何特征的人脸识别方法识别速度快，由于仅仅涉及人脸的全局特征，未考虑到人脸的局部信息，其识别的精确性受人脸面部表情、姿态、光照、角度等影响较为严重，因此该算法不满足人脸识别准确性的需求。
（2）基于模板匹配的人脸识别方法
基于模板匹配的人脸识别方法是根据模板中人脸图像灰度与待识别人脸图像灰度之间的相关性判别的，两种比较常用的方法是基于隐马尔可夫模型（Hidden Markov Model，HMM）[141]的方法和基于弹性束匹配（Elastic Bunch Graph Matching，EBGM）[142]的方法。这种方法对人脸表情和姿态等的变化具有一定的鲁棒性，识别率较高，但是算法的实现较为复杂，且识别速度较慢。
（3）基于机器学习的人脸识别方法
基于机器学习的人脸识别方法是用计算机模拟人的学习能力，将机器学习应用到人脸识别中，克服传统的人脸识别方法中需要认为定义模板和特征的缺陷。常用的基于机器学习的人脸识别方法有基于神经网络的方法[143]和基于支持向量机的方法[144]。在人脸识别过程中，容易受光照变化、人脸姿态、表情等因素影响，相比指纹、虹膜等生物特征，更容易受到干扰。然而人脸识别具有其特有的优势，它不需要待识别主体主动配合，实用性好。