生物識別技術及其在金融支付安全領域的應用

宋 丹 黃 旭

1(中國工商銀行博士后科研工作站 北京 100032)2(中國科學院大學博士后科研流動站 北京 100190)3(中國工商銀行城市金融研究所 北京 100032) (adanflytosky@163.com)

?

生物識別技術及其在金融支付安全領域的應用

宋 丹1,2黃 旭3

1(中國工商銀行博士后科研工作站 北京 100032)2(中國科學院大學博士后科研流動站 北京 100190)3(中國工商銀行城市金融研究所 北京 100032) (adanflytosky@163.com)

生物識別技術的發展、金融支付安全性的完善以及用戶支付體驗需求的提升共同催生了生物識別支付，這種新型的支付方式對生物識別技術的硬件和軟件都提出了較高的要求.在大數據、云計算和智能硬件發展的基礎上，生物特征的采集精度、處理速度以及存儲容量都得到大幅提升，硬件方面已不是限制生物識別技術發展的最主要瓶頸.當前，生物識別面臨的最大問題在于如何通過優化識別算法來提升生物支付的成功率和可靠性，并且尋找更有競爭力的生物識別支付場景,針對這2個問題，首先在論述生物特征識別技術及其流程的基礎上分析了生物識別技術目前存在的問題及業界的解決途徑；在此基礎上分析了生物識別技術在金融支付安全領域的應用場景.

生物特征; 支付安全; 特征提取; 模式識別; 多特征融合；空付

生物識別技術作為高新技術的代表以及信息安全領域應用的主力軍，一直得到政府、軍方、商界、學術界以及醫學界的廣泛應用[1].尤其是近年來隨著大數據、云計算、移動互聯技術的發展以及智能設備成本的降低，生物識別技術發展突飛猛進，市場規模也不斷擴大.

生物識別技術在金融行業的信息安全保障方面一直擁有廣泛的應用場景，尤其是2010年之后，移動支付已經融入了人們的生活，改變了人們的生活方式，僅2014年“雙11”當天，支付寶移動支付交易筆數就已達到1.97億筆；但同時，2014年全年發生了至少1 500次數據泄露，10億條個人信息被竊[2].面對移動支付的興起與密碼安全問題之間日益尖銳的矛盾，生物識別技術則成為繼密碼之后移動支付安全保障的最新選擇.

雖然生物識別技術在金融支付領域擁有廣泛的市場，但有數據統計，生物識別支付的平均準確率為96%，仍有4%的特征匹配失敗，在生物密碼匹配失敗時，仍需要數字密碼作為輔助手段.本文主要結合業界發展現狀對生物識別技術中特征匹配存在的問題及其研究現狀進行了分析，并闡述了生物識別技術在金融支付安全領域的應用.

1 生物識別技術理論綜述

1.1 生物識別技術及其工作流程

生物識別技術的官方定義如下：生物識別技術是通過計算機與光學、聲學、生物傳感器和生物統計學原理等高科技手段密切結合，利用人體固有的生理特性(如指紋、人臉、虹膜等)和行為特征(如筆跡、聲音等)來進行個人身份的鑒定.一般來說一個生物識別最小系統及其工作流程如圖1所示:

圖1 生物識別最小系統及其工作流程

通常情況下，一個生物識別的最小系統包含傳感器、存儲器和處理器3個部分，傳感器是用戶生物信息的采集機構；處理器負責信息預處理、特征提取、特征訓練、特征匹配和特征識別；存儲器負責特征提取和訓練結果的存放.生物識別工作過程包括用戶注冊和身份認證2個階段，其過程主要包含生物特征采集、預處理、特征提取及模式識別4個步驟.

1) 特征采集

特征采集是利用傳感器把人體固有的生理特征轉換為計算機可讀取的數字信息的過程.生物識別傳感器主要采用高精度的掃描儀、攝像機等光學設備，以及基于電容、電場技術的晶體傳感芯片、超聲波掃描、紅外線掃描等設備.

2) 預處理

預處理是將傳感器讀取的數字信息進行標準化，將原始數據處理成半結構化數據的過程.通常預處理方法主要包括信息壓縮、降噪和數據歸一化等.

3) 特征提取

特征提取是提取生物特征中最具代表性的部分，是將其轉換為結構化數據的過程.特征提取和表達是生物識別過程的重點和難點，例如虹膜、指紋、人臉等圖像在采集時極易出現光照不均、平面旋轉、局部遮擋和三維形變等情況，這給后續的特征匹配與模式識別帶來極大的障礙，可能導致識別失敗，不能進行身份認定.

4) 模式識別

模式識別通常包括特征訓練、特征匹配和特征識別，是通過機器學習與數據挖掘手段構建分類器，對結構化的特征向量進行匹配和識別的過程.其中，特征訓練是通過機器學習方法對用戶注冊階段采集的生物特征數據集進行學習，生成生物特征分類器模型；特征匹配是將身份認證階段提取的生物特征與用戶注冊階段生成的生物特征數據庫模型進行匹配，并計算二者相似度；特征識別設置相似度閾值等識別準則，并對識別的結果進行接受或拒絕.

1.2 常見生物特征類型及其特點

從理論上來說，人的任何生理或者行為特征只要滿足普遍性、獨特性、唯一性、穩定性、可采集性等條件，都可以作為生物特征用于身份鑒定.所謂普遍性，指每個人都具有的特征；所謂唯一性，指任何2個人的該特征都是不相同的；所謂穩定性，指該特征不會隨時間等條件的變化而變化，至少在一段時間內是不變的；所謂可采集性，指該特征要便于采集和定量測量.

根據以上標準和要求，常見的生物特征主要包括指紋、人臉、虹膜、視網膜、掌形、聲音和DNA等.國際生物識別集團的研究報告《生物識別市場與產業報告2009—2014》將各類生物特征的市場份額統計如圖2所示.

圖2 生物識別最小系統及其工作流程

從圖2的對比可以看出，指紋、人臉和虹膜是目前生物識別技術中應用最為成功的3類特征.其中，指紋和人臉是目前商業應用中最為廣泛的2類生物特征，但仍有其弊端：人臉識別準確率偏低，而指紋在采集過程中涉及個人隱私和信息安全問題；虹膜識別的準確率僅次于DNA，但其采集設備成本高，可采集性差，而且人們對虹膜識別接受度不高，因此在商業應用中的普及程度不及人臉和指紋.

2 生物識別面臨的問題及其研究現狀

2.1 生物識別技術面臨的問題與挑戰

在高性能傳感器、處理器和存儲器極速更新換代的今天，生物特征的采集精度、處理速度以及存儲容量都得到大幅提高，這些外圍硬件曾經是生物識別技術的瓶頸，但這些問題目前已不能阻擋生物識別技術發展.目前，生物識別技術面臨的最主要問題是在如何提取穩定的特征并對其進行準確的匹配.

以人臉特征為例，同一人的人臉特征在注冊和認證2個階段可能會出現光照變化、姿態變化、形態變化和局部遮擋.這些特征變化會造成對同一生物特征提取的特征向量不一致，導致特征匹配失敗.

2.2 生物識別技術問題的解決途徑及研究現狀

注冊與認證階段的生物特征變化對于特征提取與匹配會造成很大的障礙.針對這個問題，很多來自機器視覺和模式識別領域的專家與學者進行了深入的研究，并提出了基于局部不變特征的生物識別技術和基于多特征融合的生物識別技術等方法.

2.2.1 基于局部不變特征的生物識別技術

局部不變特征是指局部特征的檢測或描述對圖像的各種變化(如幾何形變、光照變化、視角變化等)保持不變.其基本思想是提取圖像內容的本質屬性特征，這些特征與圖像內容的具體表現形式無關或具有自適應性.局部不變特征的數學形式表示如下：

G(f)=G(H(f))，

(1)

其中，f表示圖像函數，G(f)表示圖像f的局部鄰域的特征提取函數，H(f)表示對圖像f的各種變換.特征提取函數G(f)對變換H具有不變形時提取的特征稱為局部不變特征.

局部不變特征一般具有以下特性：

1) 不變性——同一生物特征在不同條件下提取的特征向量是相同的；

2) 獨特性——不同生物特征的局部不變特征應是易于區分的；

3) 局部性——提取特征時應選取最具代表性的特征點，以減小遮擋物體時的干擾；

4) 魯棒性——對于圖像噪聲、量化誤差有很好的適應性.

比較具有代表性的不變特征提取算法主要有以下幾種：

1) SIFT特征提取算法

尺度不變特征變換(scale-invariant feature transform, SIFT)是UBC大學的Lowe教授[3]于2004年發表于計算機視覺頂級期刊IJCV，其論文單篇被引次數達25 000余次.SIFT特征是基于物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關，對于光線、噪聲、微視角改變的容忍度也相當高.

SIFT特征提取主要包括尺度空間極值檢測、關鍵點定位、方向確定和關鍵點描述4個步驟，并最終對每一個特征點用128維特征向量進行描述.SIFT目前正逐漸從計算機視覺領域的理論研究轉向生物識別領域的實際應用.例如，于祥春(2015)、羅佳(2010)、張龍媛、陳瑩(2012)，盧官明、劉瑞珍(2015)，張雪峰、趙莉(2015)等人提出了基于SIFT特征提取算法的人臉識別方法[4-8]；王紅葉(2014)、宋春仙(2013)、陳英(2014)等人針對虹膜提取質量不高的情況提出了基于SIFT特征的虹膜識別方法[9-11]；張升斌、李吉成、陳小波(2013)提出了基于SIFT特征及改進Gabor濾波器的低質量指紋增強算法[12]；陶筱嬌(2014)、苑瑋琦、林森、吳微(2012)，瞿中、王正勇(2011)等人針對掌紋識別過程中的掌紋缺失問題進行了研究，提出了基于SIFT特征的掌紋識別方法[13-15].

2) HOG特征提取算法

方向梯度直方圖(histogram of oriented gradient, HOG)特征提取算法是法國INRIA的Dalal等人[16]在2005年CVPR會議上提出的，該算法是一種通過計算和統計圖像局部區域的梯度方向直方圖來構成特征的特征提取算法.其特點是能夠準確地描述局部形狀信息，而且可以抑制姿態變化和光照變化帶來的影響.

HOG特征提取算法包括圖像歸一化、利用一階微分計算圖像梯度、基于梯度幅值的方向權重投影和HOG特征向量歸一化4個步驟.其最早應用在行人監測和智能交通，后來逐漸有專家和學者將其應用在生物識別領域.慕春雷(2013)、郭金鑫、陳瑋(2013)、楊冰、王小華(2014)等人從復雜環境適應性和提高魯棒性的角度提出了HOG及其衍生算法在人臉識別系統中的應用[17-19]；李艷(2012)、周麗君(2014)針對生物識別中的感興趣區域提出了基于HOG的生物識別方法[20-21].

2.2.2 基于多特征融合的生物識別技術

針對生物特征在注冊和驗證時的姿態變化、光照變化、局部遮擋而造成生物識別失敗的情況，很多專家學者采用信息融合技術從多特征融合識別的角度對其進行了改進.信息融合是指對來自多個傳感器的數據進行多級別、多層次的處理，從而得到更加完備、更有意義的新信息，將多生物特征進行融合可以改進生物識別的準確性.

生物特征融合可分為以下3個層面[22]：

1) 數據層融合

數據層面的信息融合是將2種原始生物特征不經處理直接進行融合.同一類生物特征進行數據層的融合有助于提高特征質量，但不同類型的生物特征進行數據層面的融合意義不大.

2) 特征層融合

特征層面的信息融合是先分別將多種生物特征提取特征向量后，對特征向量進行串行或并行融合.

3) 決策層融合

決策層面的信息融合是將多種生物特征的識別結果進行融合.例如2種生物特征每種特征的誤識率都是10%，則理論上2種生物特性信息融合后的誤識率降為1%.

隨著多傳感器技術的發展，多特征融合生物識別的發展已具備條件.劉鐵根、李秀艷、王云新(2011)提出了基于SVM的多生物特征融合識別算法[23]；李雪妍(2008)、葛彥平(2012)提出了融合指紋與指靜脈特征的特征識別方法[24-25]；孔英會、陳佩瑤(2015)提出了一種融合人臉與步態特征的身份識別方法[26]；襲肖明、尹義龍(2013)提出了基于手指靜脈和手指輪廓的多特征生物識別方法[27].

3 生物識別技術在金融支付安全領域的應用

3.1 基于生物識別技術的身份認證

Goode Intelligence公司的一份題為《支付中的生物識別技術——為個人定制支付安全保障：2015至2020年市場與科技分析、策略及預測》指出，預計到2020年，生物識別技術將為總額超過5.6萬億美元的移動支付提供安全保障，以生物特征代替數字密碼是未來發展的一大趨勢.

一般情況下，基于生物信息加密的支付鏈通常包括用戶、商戶和金融機構3個部分，有時也包括中間機構(如生物識別運營商和可信第三方等)這4個部分承擔的功能如圖3所示：

圖3 基于生物信息加密的支付鏈

用戶在與商家的交易可分為線上和線下2種模式.在線下交易時，首先，商戶通過用戶刷銀行卡來獲取用戶的賬戶信息，并通過生物信息采集終端獲取用戶的生物特征；其次，商戶將賬戶信息和生物特征傳入金融機構，由金融機構完成生物識別、交易認證、賬戶管理和資金清算；最后，金融機構將交易信息反饋給用戶.由于不同銀行的生物識別標準不統一，有時還會存在第三方可信機構，替代銀行完成生物識別和交易認證.在線上交易時，用戶通過手機端完成支付信息輸入、生物識別和交易認證，認證后由金融機構完成賬戶管理和資金清算.

在基于生物識別的支付信息加密領域，支付寶正在研發六大生物識別技術：人臉、指紋、聲紋、掌紋、筆跡和鍵盤敲擊；而民生銀行近期也推出了手機銀行指紋支付服務，成為國內率先試水生物識別支付應用的商業銀行.民生銀行相關人士表示，生物識別技術可有效避免傳統短信驗證手段潛在風險.

3.2 基于生物識別技術的金融支付

生物識別技術在金融支付安全領域目前主要用于支付加密和身份認證，類似于一道支付密碼.但是隨著互聯網金融和移動支付的發展，生物識別技術在金融支付領域正逐漸從“密碼”向“賬戶”過渡.生物識別支付與傳統支付最大的區別在于生物識別支付省去了銀行卡、手機、現金等硬件環境，直接通過生物特征與賬戶進行關聯.在支付時直接掃描生物特征，與云端注冊的生物特征進行匹配，確認身份后完成支付.

互聯網金融公司一直是生物識別支付的先行者與推動者.早在2013年，芬蘭創業公司Uniqu就曾經推出全球首個“刷臉”支付系統.整個交易過程在5 s之內就能完成.2014年1月，美國支付公司PulseWallet展示了采用富士通掌紋識別技術的無卡POS終端機，這項生物識別技術錯誤識別率僅為0.000 08%，錯誤拒絕率僅為0.01%，該公司表示，注冊用戶不需要隨身攜帶其銀行卡，只要通過掌紋識別就能夠完成支付.

2014年，生物識別支付領域掀起了一次新的高潮，支付寶宣布建立了“空付”系統.空付采用了Alipay X Lab的2項創新技術——增強支付現實技術(augmented pay reality, APR)與信息回溯保障系統(information recall secure, IRS)：APR技術能夠建立網絡與現實世界的連接，通過對被拍攝對象的立體檢測和特征分析，精確識別現實世界的人或物.它可以定位到像素級的極小特征，對特征進行3D組合定位和精準識別；IRS系統根據APR技術解析后的信息，去追溯匹配在云端加密儲存的個人支付賬戶，從而完成支付.空付不僅能夠識別人臉等生物特征，而且理論上將生物識別拓展至“萬物”識別領域，任何足夠獨特的物體都可作為空付支付時的授權對象.雖然支付寶“空付”目前仍處于實驗室內測階段，但仍對生物識別支付產生了巨大的影響.

目前，生物識別支付與生物識別支付加密相比還有很長的路要走，而一旦生物支付方式走入成熟，也就直接越過了繁瑣的線下現金和POS交易模式，而是從生物智能的角度省略了線下的交易環節，通過人臉等生物特征直接掛鉤銀行卡號和虛擬賬號，并順利實現支付，這就等于是很大程度上沖擊了線下收單市場和傳統的現金交易，提高了支付的無硬件化水平以及支付的流程性效率.

4 結 論

本文主要論述了生物識別技術及其在金融支付安全領域的應用和挑戰.主要研究成果如下：首先，本文敘述了生物識別概念及其工作流程，在此基礎上總結了生物識別目前面臨的問題及其研究現狀與解決途徑；其次，總結了生物識別技術在金融支付領域的身份認證和支付方面的應用.

[1]王建高. 人臉識別技術的優勢及其在金融行業的應用[J]. 中國安防, 2014 (11): 68-71

[2]比特網. 2014年超過10億條數據記錄被泄露[EB/OL]. [2015-03-03]. http://sec.chinabyte.com/203/13277203.shtml

[3]Lowe D G. Distinctive image features from scale-Invariant keypoints[J]. Proceedings of the International Journal of Computer Vision, 2004, 60(2): 91-110

[4]于祥春. 一種基于SIFT的特征提取在人臉識別算法中的應用[D]. 長春: 吉林大學, 2015

[5]羅佳. 基于SIFT的人臉識別研究[D]. 湘潭: 湘潭大學, 2010

[6]張龍媛, 陳瑩. 貝葉斯模型下基于SIFT特征的人臉識別[J].計算機工程, 2012, 38(12): 125-128

[7]盧官明, 劉瑞珍. 基于圓形鄰域SIFT特征描述子的3D人臉識別[J]. 南京郵電大學學報: 自然科學版, 2015, 35(3): 12-17

[8]張雪峰, 趙莉. 視覺單詞優化仿射尺度不變特征變換的視頻人臉識別[J]. 計算機應用與軟件, 2015, 32(7): 223-227

[9]王紅葉. 基于尺度不變特征變換的虹膜識別方法[D]. 長春: 吉林大學, 2014

[10]宋春仙. 非理想情況下的虹膜識別算法研究[D]. 宜昌: 三峽大學, 2013

[11]陳英. 虹膜定位和識別算法的研究[D]. 長春: 吉林大學, 2014

[12]張升斌, 李吉成, 陳小波. 基于SIFT特征及改進Gabor濾波器的低質量指紋增強算法[J]. 重慶理工大學學報: 自然科學, 2013, 27(2): 79-83

[13]陶筱嬌. 基于局部描述符的掌紋識別算法研究[D]. 臨汾: 山西師范大學, 2014

[14]苑瑋琦, 林森, 吳微. 基于放射尺度不變特征變換的掌紋識別[J]. 儀器儀表學報, 2012, 33(7): 1594-1600

[15]瞿中, 正勇. 掌紋識別中尺度不變特征變換改進算法[J]. 計算機工程, 2011, 37(17): 169-171

[16]Dalal N, Triggs D. Histograms of oriented gradients for human detection[C] //Proc of IEEE Int Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2005: 886-893

[17]慕春雷. 基于HOG的人臉識別系統研究[D]. 成都: 電子科技大學, 2013

[18]郭金鑫, 陳瑋. 基于HOG多特征融合與隨機森林的人臉識別[J]. 計算機科學, 2013, 40(10): 279-283

[19]楊冰, 王小華. 基于HOG金字塔人臉識別方法[J]. 浙江大學學報, 2014, 48(9): 1564-1571

[20]李艷. 一種基于感興趣區域的虹膜定位算法研究[D]. 蘭州: 蘭州大學, 2012

[21]周麗君. 基于矢量場卷積的虹膜定位算法研究[D]. 蘭州: 蘭州大學, 2014

[22]謝振楠. 多傳感器信息融合技術研究[D]. 廣州: 廣東工業大學, 2013

[23]劉鐵根, 李秀艷, 王云新. 基于SVM的多生物特征識別算法[J]. 納米技術與精密工程, 2011, 9(1): 44-47

[24]李雪妍. 融合指紋和指靜脈的多模態生物識別技術的研究[D]. 長春: 吉林大學, 2008

[25]葛彥平. 基于匹配融合的指紋與指靜脈雙模態生物識別技術的研究[D]. 南京: 南京郵電大學, 2012

[26]孔英會, 陳佩瑤. 基于視頻的人臉與步態自適應融合身份識別[J]. 電視技術, 2015, 39(5): 137-142

[27]襲肖明, 尹義龍, 楊公平. 基于手指靜脈與手指輪廓的個性化融合方法[J]. 計算機研究與發展, 2013, 50(9): 1914-1923

宋 丹

博士，主要研究方向為大數據及銀行應用.

adanflytosky@163.com

黃 旭

碩士，高級經濟師，主要研究方向為商業銀行戰略管理、互聯網金融.

huangxu@icbc.com.cn

Biometric Technology and Its Application in Financial Payment Security

Song Dan1,2and Huang Xu3

1(DepartmentofPostdoctoralWorkstation,IndustrialandCommercialBankofChina,Beijing100032)2(DepartmentofPostdoctoralResearchStation,UniversityofChineseAcademyofScience,Beijing100190)3(ResearchInstituteofUrbanFinance,IndustrialandCommercialBankofChina,Beijing100032)

The development of biometric technology, the improvement of financial payment security and the promotion of user’s payment experience have led to the development of biometric payment. This new model of payment has put forward higher requirements on the hardware and software of biometric technology. On the basis of the development of big data, cloud computing and intelligent hardware, the acquisition accuracy, processing speed and storage capacity of biological characteristics have been greatly improved, and the hardware is not the most important bottleneck in the development of biometric technology. At present, the biggest problem is how to improve the success rate and reliability of the biological payment through the optimal identification algorithm, and to find a more competitive biological recognition payment scenarios. In this paper, we first analyze the current problems and solutions of biometric identification technology and its process, based on the analysis of the application of biometric identification technology in the field of financial security.

biometric; payment security; feature extraction; pattern recognition; multi-feature fusion; KongFu

2015-12-25

TP309