生物特征识别技术是利用人的生理特征或行为特征，来进行个人身份的鉴定。常用的生理特征有脸像、指纹、虹膜等；常用的行为特征有步态、签名等。声纹兼具生理和行为的特点，介于两者之间。通过取像设备读取指纹图像，然后用计算机识别软件分析指纹的全局特征和指纹的局部特征，特征点如嵴、谷、终点、分叉点和分歧点等，从指纹中抽取特征值，可以非常可靠地通过指纹来确认一个人的身份。与传统的身份鉴定手段相比，基于生物特征识别的身份鉴定技术具有如下优点：（1）不会遗忘或丢失；（2）防伪性能好，不易伪造或被盗；（3）“随身携带”，随时随地可用。正是由于生物特征身份识别认证具有上述优点，基于生物特征的身份识别认证技术受到了各国的极大重视。

生物特征识别技术及其发展趋势

目前，常用的生物特征识别技术所用的生物特征有基于生理特征的如人脸、指纹、虹膜，也有基于行为特征的如笔迹、声音等。

人脸识别

人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形人脸识别、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流.首先判断其是否存在人脸,如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

最早的人脸识别系统建成于20世纪60年代，该系统以人脸特征点的间距、比率等参数作为特征，构建了一个半自动的人脸识别系统。此时的人脸识别研究多集中于研究如何提取特征点进行人脸识别，由于这些特征点难以准确定位、鲁棒性差，因而采用这些方法的人脸识别系统的性能都很低。

自20世纪80年代开始，人脸识别技术出现了基于面部图像的方法。与基于特征点的方法相比，基于面部图像的方法不是提取人脸特征器官这一高层特征，而是将人脸作为一个图像整体，从图像中提取反映人脸特性的特征如DCT变换特征、小波特征、Gabor特征等等。基于面部图像的方法由于利用了更多的底层信息，以及统计模式识别方法的引入，使得这类方法具有非常高的识别率和非常好的鲁棒性。

为了评测基于面部图像的人脸识别算法的性能。美国ARPA和ARL于1993年至1996年建立了FERET数据库，用于评测当时的人脸识别算法的性能。FERET测试的结果指出，光照、姿态和年龄变化会严重影响人脸识别的性能。

FERET的测试结果也表明了基于面部图像的方法的缺点。人脸是一个三维非刚体，具有姿态、表情等变化，人脸图像采集过程中易受到光照、背景、采集设备的影响。

为了克服姿态变化对人脸识别性能的影响，也为了进一步提高人脸识别性能，20世纪90年代后期，一些研究者开始采用基于3D的人脸识别算法。这些算法有的本身就采用三维描述人脸，有的则用二维图像建立三维模型，并利用三维模型生成各种光照、姿态下的合成图像，利用这些合成图像进行人脸识别。

2000年后，人脸识别算法逐渐成熟，出现了商用的人脸识别系统。为了评测这些商用系统的性能，也作为FERET测试的延续，美国有关机构组织了FRVT2000、FRVT2002、FRVT2006测试。测试结果表明，人脸识别错误率在FRVT2006上下降了至少一个数量级，这种性能的提升在基于图像的人脸识别算法和基于三维的人脸识别算法上都得到体现。此外，FRVT2006还展现了不同光照条件下人脸识别性能的显着提高，最后，FRVT2006表明人脸自动识别的性能优于人。

FRVT2006为人脸识别后续的研究指明了方向，人脸识别中光照、年龄变化依然对人脸识别性能有很大影响，二维人脸识别的性能不比三维人脸识别差。

指纹识别

指纹识别技术把一个人同他的指纹对应起来，通过比较他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。每个人（包括指纹在内）皮肤纹路在图案、断点和交叉点上各不相同，也就是说，是唯一的，并且终生不变。依靠这种唯一性和稳定性，我们才能创造指纹识别技术。每个人包括指纹在内的皮肤纹路在图案、断点和交叉点上各不相同，呈现唯一性且终生不变。据此，我们就可以把一个人同他的指纹对应起来，通过将他的指纹和预先保存的指纹数据进行比较，就可以验证它的真实身份，这就是指纹识别技术。指纹识别主要根据人体指纹的纹路、细节特征等信息对操作或被操作者进行身份鉴定，得益于现代电子集成制造技术和快速而可靠的算法研究，已经开始走入我们的日常生活，成为目前生物检测学中研究最深入，应用最广泛，发展最成熟的技术。

指纹图像预处理的目的是为了减少噪声干扰的影响，以便有效提取指纹特征值。常用的预处理方法有图像增强、图像平滑、二值化、图像细化等。

特征提取的目的就是从预处理后的指纹图像中，提取出能够表达该指纹图像与众不同的特征点的过程。最初特征提取是基于图像的，从图像整体中提取出特征进行比较，但该方法的精度和性能较低。现在一般采用基于特征点的方法，从图像中提取反应指纹特性的全局特征（如纹形、模式区、核心区、三角点、纹数等）和局部特征（如终结点、分叉点、分歧点、孤立点、环点等）。

指纹特征值比对就是把当前获得的指纹特征值与存储的指纹特征值模板进行匹配，并给出相似度的过程。

虹膜识别

虹膜识别是与眼睛有关的生物识别中对人产生较少干扰的技术。它使用相当普通的照相机元件，而且不需要用户与机器发生接触。另外，它有能力实现更高的模板匹配性能。因此，它吸引了各种人的注意。在所有生物识别技术中，虹膜识别是当前应用最为方便和精确的一种。IDC（国际数据集团）的统计表明：到2003年底为止，全球虹膜识别技术以及相关产品的市场容量将达到20亿美元的水平。中国生物认证中心的保守调查预测：在未来的5年中，仅在中国，虹膜识别的市场就高达40亿人民币。随着虹膜识别技术应用面的扩大，以及在电子商务领域中的应用，这个数字将扩大到以千亿计。

虹膜相对而言是一个较新的生物特征。1983年，Flom与Safir申请了虹膜识别专利保护，使得虹膜识别方面的研究很少。1993年，Daugman发表了关于虹膜自动识别算法的开创性工作，奠定了世界上首个商业虹膜自动识别系统的基础。

虹膜识别中需要解决如下两个难点问题：一是虹膜图像的获取，二是实现高性能的虹膜识别算法。

生物特征识别产品的发展趋势

生物特征识别产品逐步从单一PC处理，转变为分布式计算。用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，而用中心PC或服务器完成与业务相关的处理。阐述这种方式较之传统方式的优点由于前端采用嵌入式设备，因而自然提出了对数字信号处理器的要求。

生物特征识别技术对数字信号处理的挑战

为了获得更好的性能，研究者们从算法上、应用厂商从应用上对生物特征识别技术进行改进。这些算法根据不同生物特征的特点，采用新的数学模型，有效解决了现有算法的不足，使得生物特征识别技术性能上了一个新台阶。新的数学模型，较之以往的模型更为复杂，计算量更大。为了能够有效的在数字信号处理器上实现这些算法，要求数字信号处理器有更强的处理能力。

传统数字信号处理中核心算法之一就是傅立叶变换，该变换在通信、图像传输、雷达、声纳中都有很大的作用。但是，在相当长的时间里，由于傅立叶变换的计算量太大，即使采用计算机也很难对问题进行实时处理，所以并没有得到真正的运用。直到傅立叶变换的快速算法即快速傅立叶变换发现后，傅立叶变换的运算量大大缩短，从而使傅立叶变换在实际中得到了广泛的应用，也使得在数字信号处理器上实现傅立叶变换成为了可能。

尽管傅立叶变换对数学、物理产生了深远的影响，但对于大多数应用例如人脸识别而言是远远不够的。比如说人脸图像中，眼睛所含有的信息较其他部分对识别而言非常重要，需要找到一种方法，提取出眼睛这部分重要的信息，并尽量降低不重要的信息对识别的影响。这就需要对人脸图像进行局部分析。

为了提高性能，研究者将数字信号处理领域中新的复杂的变换如Gabor变换、小波变换引入人脸识别中，采用这些变换进行局部分析，提取出对人脸识别有用的特征，从而大大提高了人脸识别的性能。然而，Gabor变换和小波变换的计算量较之傅立叶变换而言非常大，为了在嵌入式设备上实现人脸识别系统，需要高主频、高性能的数字信号处理器来实现，这就对数字信号处理器的设计提出了一个很大的挑战。

从应用角度而言，为了良好的交互性，在实现人脸识别系统时，要求实时实现从视频采集到人脸识别全过程完成（或者至少在1~2秒钟内实现），否则，给人的感觉就不自然、不流畅。

ADI公司的Blackfin系列处理器是一类专为满足当今嵌入式音频、视频和通信应用的计算要求和功耗约束条件而设计的新型16～32位嵌入式处理器。Blackfin处理器基于由ADI和Intel公司联合开发的微信号架构（MSA），它将一个32位RISC型指令集和双16位乘法累加（MAC）信号处理功能与通用型微控制器所具有的易用性组合在了一起。

目前，Blackfin处理器在单内核产品中可提供高达756MHz的性能。Blackfin处理器系列中的新型对称多处理器成员在相同的频率条件下实现了性能的翻番。Blackfin处理器系列还提供了低至0.8V的业界领先功耗性能。

Blackfin处理器具有如下特点：

高性能处理器内核。Blackfin处理器架构基于一个10级RISCMCU/DSP流水线和一个专为实现最佳代码密度而设计的混合16/32位指令集架构，该架构很适合于全信号处理/分析能力。这种架构，使得人脸识别中的复杂的数字信号处理运算在Blackfin上很容易实现。

高带宽DMA能力。人脸识别中需要对图像块进行操作，这就涉及到内存数据存取。采用Blackfin的DMA控制器可以自动数据传输，所需的处理器内核开销极少。这样可以将宝贵的处理器的运算能力用于人脸识别的计算，减小数据存取对性能的影响。

视频指令。人脸识别中最常进行的操作就是对像素值进行处理，Blackfin处理器具有对8位数据以及许多像素处理算法所常用的字长的固有支持，大大提高了人脸识别的处理速度。

分层存储器。Blackfin具L1Cache和L2Cache两级Cache，由于Cache较之外部存储器具有更快的存取速度，因而，在人脸识别时，可以把运算密集的代码放在L1Cache或L2Cache中，这样可以有效提高处理速度。

上述Blackfin处理器特点表明，Blackfin系列处理器非常适合处理需要高性能运算能力和高数据吞吐量的生物特征识别技术。

结语

本文讨论了生物特征识别技术的发展趋势，结合人脸识别分析了生物特征识别技术需要高性能的数字信号处理器的原因，并简单介绍了Blackfin处理器的特点，指出正是由于Blackfin处理器的这些特点，使得该处理器非常适合作为嵌入式系统中的计算核心，以便将人脸识别等生物特征识别技术移植到嵌入式系统。