生物識別技術(shù)與安全淺析

◆胡 彬

（天津理工大學聾人工學院 天津 300384）

生物識別技術(shù)與安全淺析

◆胡 彬

（天津理工大學聾人工學院 天津 300384）

本文首先簡單介紹了生物識別技術(shù)、物聯(lián)網(wǎng)中的應用，然后詳細介紹了手勢識別系統(tǒng)架構(gòu)、系統(tǒng)問題分析、生物識別的攻擊分析等生物特征認證系統(tǒng)，最后對生物特征的身份識別做了總結(jié)。

手勢識別；身份識別 ；生物特征；人工智能

0 引言

隨著物聯(lián)網(wǎng)技術(shù)與人工智能、大數(shù)據(jù)等技術(shù)的發(fā)展，越來越多的網(wǎng)絡(luò)設(shè)備融入我們的日常生活，網(wǎng)絡(luò)及智能操作系統(tǒng)被嵌入到智能家居、公共基礎(chǔ)設(shè)施、交通工具、工業(yè)設(shè)備當中，在未來的萬物互聯(lián)時代，解決智能設(shè)備的接入認證問題，僅采用傳統(tǒng)的安全解決方案必然有局限性，引入最新的生物識別技術(shù)可以一定程度提升認證流程中的安全性，如虹膜識別、指紋識別、聲紋識別已經(jīng)在工業(yè)界廣泛使用，然而生物識別系統(tǒng)也不是絕對的安全，本文對多種生物識別進行了分析。

1 生物特征在物聯(lián)網(wǎng)中的應用

傳感器作為物聯(lián)網(wǎng)核心，被嵌入到生活當中的各種設(shè)備，尤其是智能家居如路由、冰箱、門禁系統(tǒng)，可穿戴智能設(shè)備等。

1.1 生物識別技術(shù)介紹

每個人都有唯一的可測量的或識別生理特性或行為方式，即為生物特征，通過一些化學或物理原理觀測生物特征，并將特征轉(zhuǎn)化為計算機可運算的數(shù)字信號即為生物特征傳感器的主要工作，目前已有多種生物識別用于商業(yè)，以下介紹比較熱點的識別技術(shù)：

（1）臉相識別

基于攝像頭傳感器對輸入的視頻流或圖像，判定存在人臉后，提取人臉各個面部器官的位置信息，及根據(jù)各個器官的特征提取人的身份特征從而識別人的身份。主要技術(shù)包含人臉檢測、人臉跟蹤、人臉對比，人臉檢測又包含膚色模型法、特征子臉法、人連規(guī)則法等，人臉對比包括特征向量法、面紋模板法等。一般識別人臉需要三個步驟，首先建立人臉檔案、存儲面紋編碼，然后獲取當前識別人的面紋，最終根據(jù)面紋進行比對獲得結(jié)果。

（2）手掌幾何學識別

文獻[1]通過光學元件獲得手的圖像后對手的掌型建模，通過肌電傳感器可以獲得上肢前臂處肌肉組織收縮而產(chǎn)生的電位變化，電位顯示成波形圖從而表示出不同的手掌形態(tài)，通過測量人的手指及手掌的物理特征或根據(jù)三維成像，提取人的手型特征及不同人對同一含義手勢的手型習慣特征如手指的長度、寬度、厚度、指尖離掌心距離等即可根據(jù)手掌幾何特征識別人的身份，該技術(shù)較為成熟使用比較方便，但掌型不具有穩(wěn)定性，因此不適合在安防系統(tǒng)中使用。

（3）聲紋識別

雖然人的發(fā)音器官構(gòu)成相同，但語言是人體中樞與發(fā)音器的物理過程，每個人的器官如齒、舌、鼻、喉等都存在形態(tài)及尺寸的差異，因此兩人間差異很大，而對每個人而言年輕發(fā)育至老年聲紋基本不變。聲紋識別過程主要包含特征提取和模式識別兩個過程，特征提取包含多個層面如詞法、聲學、方言、韻律等特征。模式識別過程主要包含幾種算法如模板匹配、聚類、神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫等等模型，還可分為文本相關(guān)和文本無關(guān)的聲紋識別模型，文本相關(guān)相對識別準確率較高。

1.2 物聯(lián)網(wǎng)中的應用

在物聯(lián)網(wǎng)時代我們要解決的安全問題，不僅是傳統(tǒng)的電腦、手機、網(wǎng)絡(luò)設(shè)備安全，還要保護你家中老人、兒童，開車時候的安全，陌生人侵入住宅等安全問題。這些安全問題需要依托人工智能技術(shù)，提取人的生物特征，如虹膜、指紋、表情、血壓、呼吸等等，再依靠大數(shù)據(jù)和建模進行分析，比如可通過提取進入屋內(nèi)人的特征和時間進行判斷是否為小偷；提取車內(nèi)駕駛?cè)说难獕骸⑼住Ⅲw內(nèi)酒精含量等判定人是否酒駕，是否疲勞駕駛；提取老人、兒童的運動狀態(tài)，血糖含量等預測是否有摔倒或?qū)е律眢w受損的意外活動。

2 生物特征認證系統(tǒng)分析

2.1 手勢識別系統(tǒng)架構(gòu)

為了研究生物識別系統(tǒng)的安全問題，本文對基于紅外傳感器的手勢認證系統(tǒng)進行分析，文獻[2]手勢識別的過程：

（1）首先通過紅外傳感器、肌電傳感器等收集手勢的原始數(shù)據(jù)如圖1，不同的傳感器數(shù)據(jù)處理方式有區(qū)別，如leap傳感器獲得的是三維坐標及時間軸的信息，肌電傳感器獲得的是電位波形圖及時間數(shù)據(jù)。

（2）連續(xù)手勢數(shù)據(jù)的分段處理對于手勢識別是相當困難的，有學者采用收集動作起始狀態(tài)的特征并設(shè)定閾值，或者不進行分段直接對連續(xù)數(shù)據(jù)進行處理。

（3）特征提取，對于分段后的手勢進行特征提取用于識別人的身份，主要分為手勢含義相關(guān)和手勢含義無關(guān)兩種方式。手勢含義相關(guān)的準確率較高，只要提取手勢的習慣特征，如指尖距離、手指的分離區(qū)間、手與小臂的角度等；手勢含義無關(guān)的身份識別準確率較低，主要提取手本身的特征，如手、手指的尺寸、手的紋理、小臂與手的距離等。

圖1 數(shù)據(jù)展示圖

（4）模型訓練，利用收集好的數(shù)據(jù)對模型進行訓練，主流的手勢識別算法有hmm[3]、dnn-hmm[4]、dtw、svm等。

（5）利用訓練后的模型，可以識別連續(xù)的手勢序列或單獨的手勢動作，模型的準確率與訓練數(shù)據(jù)的質(zhì)量及特征提取的方式有極大的關(guān)系。不同生物特征識別算法及特征區(qū)別很大，但整體流程基本相同。

2.2 系統(tǒng)問題分析

生物特征傳感器有些需要讓被采集者處于適當?shù)木嚯x或位置才可捕捉到較準確的生物特征，存在被干擾和誤判的可能性；并且未引入活體檢測技術(shù)，目前已有黑客通過偽造指紋、面部特征而欺騙生物識別認證系統(tǒng)，而這些欺騙手段多為物理手段，因此繼續(xù)提升活體檢測手段如瞳孔的擴張反應、手勢的變化、語音的變化等動態(tài)特征提升準確率；從原始圖像提取有效信息是虹膜識別、手勢識別、人臉識別的一個難點，當干擾信息過多可導致識別失效；生物特征識別還處于發(fā)展中，目前沒形成統(tǒng)一標準，因此它的準確率很難評估，容易出現(xiàn)把不同人的特征識別為一類，或者把同一人的特征識別為不同類；除了提高識別本身的精確度，系統(tǒng)的安全也多存在問題，如數(shù)據(jù)的存儲透明、傳輸過程未加密、大數(shù)據(jù)樣本泄露用戶隱私、系統(tǒng) 0day漏洞等均會對識別系統(tǒng)增加風險。

2.3 生物識別的攻擊分析

盡管生物特征很難偽造，還是有黑客成功通過技術(shù)手段破解部分識別技術(shù)。日本科學家通過在眼睛上安裝紅外燈，可有效組織面部識別程序?qū)τ诿娌刻卣鞯淖ト。捎谌搜劭勺R別 380至780波長的光，而攝像頭可以識別200至1100波長的光，通過增加近紅外波長的光噪，可在不影響人的實現(xiàn)的同時使攝像頭無法判定人臉的存在；通過化妝或者帶面具等物理方式會對面部識別造成極大影響。

語音識別和聲紋識別應用較廣泛，隨著語音合成技術(shù)的發(fā)展黑客惡意的收錄用戶聲音樣本，通過合成后的聲音重復使用也可達到破解聲紋識別的效果。指紋早已被破解，用戶接觸過得物體，甚至根據(jù)照片，都可以提取出可用于認證的指紋，通過3d打印技術(shù)打印出手套或者指紋可用于偽造用戶信息。

目前最流行的虹膜識別也存在風險，通過google搜索到大量的圖片，通過人工智能技術(shù)和圖像處理技術(shù)可用于提取出虹膜的形狀；手勢識別等更方式更容易破解，通過提取人的行為特征，既可用于識別又可用于偽造手勢、動作等生物特征。

3 結(jié)語

基于生物特征的身份識別已有多個分支用于商用如虹膜、指紋、聲紋、人臉等識別技術(shù)，而這些特征也存在被偽造和干擾的風險，隨著人工智能技術(shù)的發(fā)展，黑客也會利用技術(shù)從互聯(lián)網(wǎng)上大量的數(shù)據(jù)中提取用戶的生物特征并用來竊取用戶的更多隱私。本文分析了手勢識別系統(tǒng)的驗證流程及多種生物識別技術(shù)的問題及被攻擊方式，為后續(xù)展開手勢身份識別的工作做基礎(chǔ)，未來需著力解決連續(xù)動作分割、手勢特征優(yōu)化、手勢動作防偽造三方面的工作。

[1]Vamsikrishna K M，Dogra D P， Desarkar M S． Computer Vision Assisted Palm Rehabilitation With Supervised Learning．[J]．IEEE transactions on bio-medical engine- ering，2015．

[2]Fok K Y，Ganganath N，Cheng C T，et al． A Real-Time ASL Recognition System Using Leap Motion Sensors[C]// International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery，2015．

[3]Carmona J M，Climent J．A Performance Evaluation of HMM and DTW for Gesture Recognition[M]//Progress in Pattern Recognition，Image Analysis，Computer Vision， and Applications，2012．

[4]Zhang L，Wu X，Luo D．Human activity recognition with HMM-DNN model[C]// IEEE， International Conference on Cognitive Informatics & Cognitive Computing．IEEE， 2015．