[快讯]生物特征识别冬令营2019开幕及第一日报告内容

本文由如下冬令营参与者完成

• 莫龙飞，新疆大学

• 王俊峰，新疆大学

• 胡海国，四川大学

IAPR/IEEE Winter School on Biometrics 2019于2019年1月13日在深圳紫荆山庄开幕，此次活动将由香港浸会大学计算机科学系、中科院自动化所和深圳大学计算机与软件学院联合主办；由平安科技，中科虹霸，银河水滴，中科智谷鼎力赞助。

本次冬令营将持续5天，面向青年学者、研究生和各企业相关从业者，邀请了15位生物特征识别领域的顶尖国际专家介绍科研进展和工业应用，并安排了手动实践，社交活动，海报展示等综合环节。报告内容包括人脸、虹膜、指纹、静脉、步态、签名等特征的识别，以及移动端生物特征识别、反欺诈、特征数据保护等。

图一：与会所有人员

冬令营的第一天，志愿者们井然有序，热情饱满。深圳温暖的天气，宽敞的会议室，与会人员的高度热情都为这次学术交流活动创造了良好的氛围，青年学子已迫不及待聆听这次高水平的知识分享课堂。

本日冬令营开幕式，由香港浸会大学计算机科学系Pong C Yuen教授主持，他代表主办方对自全国各地的教授，青年学者和同学表示了欢迎，并又逐次主持了各个讲座。

上午的第一堂课由谭铁牛院士讲授，题目为Biometric Identification of Human Individuals: Recent Advances andFuture Directions。人体包含指纹、虹膜、人脸、步态等多种特征，利用这些特征作为生物识别已经非常普遍。传统身份识别技术如身份证、密码等人们都存在许多固有缺陷例如容易丢失，遗忘，所以需要更快捷与先进的识别技术，谭院士首先为我们讲述了指纹、虹膜、人脸等多个生物特征识别的发展历史。我们得知传统的指纹由2D形式发展为现在的非接触式3D指纹识别；虹膜也作为现在人们进行身份识别的流行方式，此技术技术由原来的近距离逐步变为长距离，由专门虹膜采集设备发展到现在的移动终端，并且能在环境多变的条件下能保持性能的稳定；步态识别识别在远距离及低分辨率的图像上占有一定的优势，采取多视图的方法具有较好的效果；在人脸识别中，最近的研究主要在无约束的条件下，旋转、超分辨率、化妆、跨国域等人脸识别上，这些都是一些具有挑战性的问题，但在各位研究员的努力下，逐步取得进展。除此之外，还有很多的生物特征如眼印，掌纹、耳朵、手写签名等。总之，现在越来越流行小型的传感器获取特征信息，使用深度网络CNN和GAN等进行训练分类，并且识别速度加快、性能显著提高。但一些更具友好型、功能强大、使人类更安全的生物识别技术问题有待解决，所以，让我们一起努力吧！

图二：谭铁牛院士为大家作报告

第二场报告由来自英国的Josef Kittler 教授为我们带来，题为Fusion of Multimodal Biometrics。首先，Josef Kittler为我们介绍了不同生物特征的发展，其中包括指纹、虹膜、二维和三维人脸，语音识别等，这些不同的生物特征都有其独特性，我们可以分别使用这些特征进行验证人们的身份，但是通过融合，可以达到特征信息的充分利用，互补其特性，使识别性能大大提高。Josef Kittler 教授为我们讲述了几种不同的特征提取和训练方式：

图三：常见融合方式一览

针对图像可以采用：（1）DCT+GMM （2）PCA+MLP （3）LAD+MSE

针对语音可以采用：（1）MFCC+GMM（2）PLP+HMM

接下来Josef Kittler 教授重点为我们介绍了几种融合方式，其中包括信号、特征、评分和多级决策融合，它们都具有很大的差异性，当使用不同的融合对象以及方法，我们采取不同的融合架构。在融合之前我们需要解决模式识别的一些基础问题如：分类数、生物识别特性、特征维度的大小。Josef Kittler 教授还为我们介绍了生物测定学的基本原理。在分数水平融合时，我们需要解决的关键问题是分数标准化以及生物特征质量对决策过程的影响。在多模态生物特征融合的过程中，可以采用视觉外观和口头外观描述的软生物特征对人重新识别，以下列举了在CNN框架下的一些实验结果，通过多模态生物识别技术，可以使识别性能提高，在环境复杂的情况下也具有良好的效果。

图三：效果一览

图四：JosefKittler 教授作报告

第三场报告由Ajay Kumar教授为我们讲述，题目为Contactless Fingerprint Identification:Recent Advances andChallenges。经过几十年的研究，指纹识别技术已经成为一种可靠的人类身份检验方法。Ajay Kumar教授首先为我们讲述了指纹识别的发展趋势，指纹识别从原来的二维空间转换为现在非接触式的三维指纹识别。

最初的研究者使用灰度特征进行指纹匹配，虽然二维指纹识别商用已经普遍使用，但在采集指纹上也有一定的局限性：如传感器上存在指纹残留，图像上产生一些噪声。我们需要一些更为先进的指纹采集设备，那么获得非接触的三维指纹成为一个很好的突破口，通过非接触式的指纹采集设备得到指纹信息，便可以对指纹进行细节特征提取。这种新兴的非接触指纹技术使得图像信息无变形，对于使用者来说卫生便捷。

接着Ajay Kumar教授又给我们讲述了接触式和非接触式指纹识别的差异和优势。非接触的三维指纹采集很重要，它可以生成多视图指纹，包括顶端视图和两边视图，其中手指摆放角度和距离起到关键作用，在多视图情况下可以对指纹进行分割，常用的分割方法为狄洛尼三角剖分，也可采用四面体匹配方式，分层的四面体细节匹配效果最佳，在分割的图像中也可提取局部特征。但是目前还未有这样一个带有标签和细节信息的标准数据集，以及如何使用神经网络训练三维指纹样本，在大样本情况下使得非接触指纹识别更精确，这都是一些待决的问题。

图五：Ajay Kumar教授与Pong C Yuen教授

第四场报告由Norman Poh博士为我们做讲述，题目为：Biometricsperformance and its optimal calibration。生物特征识别的性能以及其最佳校准是研究者关注的话题，首先Norman Poh教授阐述了性能度量的因素，它包括以下几个方面：（1）可变性和重复性（2）生物识别分数理论（3）攻击下的性能（4）性能报告。在比较一个系统与另一个系统的得性能优劣时，可以通过特定的质量因素来解决。 Norman Poh博士为我们讲述了一种基于生物特征统计方法分支，如Doddington’s zoo,一个系统的优劣，不仅仅取决于特征数量，使用不同的决策条件会产生不同的答案。Norman Poh教授为我们展示了一套统计工具，包括：（1）在有限样本下测量系统的准确性（2）采用置信区间，并使用特定的统计工具“生物计量计分理论”（3）采用等错误率校准、用户特征评分校准、基于质量的评分校准等多种评分校准方法对系统进行最优性能校准。这些方法都为下一步的多模态融合算法打下基础。

图六：Norman Poh博士作报告

在每场汇报当中，同学们积极聆听，认真思索，会后积极提问，与具有先进知识和理论经验的教授进行交流。除此之外，在主办方提供的coffee break，也成为了，相关领域的学者，同学之间友好交流，探讨的最佳场合，整场活动充满着知识碰撞的花火。

所有教授的汇报文件可以在以下链接获得：

https://www.comp.hkbu.edu.hk/wsb19/programme.php

最后，再次感谢各位教授的认真分享，各位志愿者们的友好付出，预祝活动圆满成功。

图七：同学现场提问

图八：coffee break，大家热情交流

关注本号，了解更多后续内容