生物识别技术与安全浅析

◆胡 彬

（天津理工大学聋人工学院 天津 300384）

生物识别技术与安全浅析

◆胡 彬

（天津理工大学聋人工学院 天津 300384）

本文首先简单介绍了生物识别技术、物联网中的应用，然后详细介绍了手势识别系统架构、系统问题分析、生物识别的攻击分析等生物特征认证系统，最后对生物特征的身份识别做了总结。

手势识别；身份识别 ；生物特征；人工智能

0 引言

随着物联网技术与人工智能、大数据等技术的发展，越来越多的网络设备融入我们的日常生活，网络及智能操作系统被嵌入到智能家居、公共基础设施、交通工具、工业设备当中，在未来的万物互联时代，解决智能设备的接入认证问题，仅采用传统的安全解决方案必然有局限性，引入最新的生物识别技术可以一定程度提升认证流程中的安全性，如虹膜识别、指纹识别、声纹识别已经在工业界广泛使用，然而生物识别系统也不是绝对的安全，本文对多种生物识别进行了分析。

1 生物特征在物联网中的应用

传感器作为物联网核心，被嵌入到生活当中的各种设备，尤其是智能家居如路由、冰箱、门禁系统，可穿戴智能设备等。

1.1 生物识别技术介绍

每个人都有唯一的可测量的或识别生理特性或行为方式，即为生物特征，通过一些化学或物理原理观测生物特征，并将特征转化为计算机可运算的数字信号即为生物特征传感器的主要工作，目前已有多种生物识别用于商业，以下介绍比较热点的识别技术：

（1）脸相识别

基于摄像头传感器对输入的视频流或图像，判定存在人脸后，提取人脸各个面部器官的位置信息，及根据各个器官的特征提取人的身份特征从而识别人的身份。主要技术包含人脸检测、人脸跟踪、人脸对比，人脸检测又包含肤色模型法、特征子脸法、人连规则法等，人脸对比包括特征向量法、面纹模板法等。一般识别人脸需要三个步骤，首先建立人脸档案、存储面纹编码，然后获取当前识别人的面纹，最终根据面纹进行比对获得结果。

（2）手掌几何学识别

文献[1]通过光学元件获得手的图像后对手的掌型建模，通过肌电传感器可以获得上肢前臂处肌肉组织收缩而产生的电位变化，电位显示成波形图从而表示出不同的手掌形态，通过测量人的手指及手掌的物理特征或根据三维成像，提取人的手型特征及不同人对同一含义手势的手型习惯特征如手指的长度、宽度、厚度、指尖离掌心距离等即可根据手掌几何特征识别人的身份，该技术较为成熟使用比较方便，但掌型不具有稳定性，因此不适合在安防系统中使用。

（3）声纹识别

虽然人的发音器官构成相同，但语言是人体中枢与发音器的物理过程，每个人的器官如齿、舌、鼻、喉等都存在形态及尺寸的差异，因此两人间差异很大，而对每个人而言年轻发育至老年声纹基本不变。声纹识别过程主要包含特征提取和模式识别两个过程，特征提取包含多个层面如词法、声学、方言、韵律等特征。模式识别过程主要包含几种算法如模板匹配、聚类、神经网络、隐马尔可夫等等模型，还可分为文本相关和文本无关的声纹识别模型，文本相关相对识别准确率较高。

1.2 物联网中的应用

在物联网时代我们要解决的安全问题，不仅是传统的电脑、手机、网络设备安全，还要保护你家中老人、儿童，开车时候的安全，陌生人侵入住宅等安全问题。这些安全问题需要依托人工智能技术，提取人的生物特征，如虹膜、指纹、表情、血压、呼吸等等，再依靠大数据和建模进行分析，比如可通过提取进入屋内人的特征和时间进行判断是否为小偷；提取车内驾驶人的血压、瞳孔、体内酒精含量等判定人是否酒驾，是否疲劳驾驶；提取老人、儿童的运动状态，血糖含量等预测是否有摔倒或导致身体受损的意外活动。

2 生物特征认证系统分析

2.1 手势识别系统架构

为了研究生物识别系统的安全问题，本文对基于红外传感器的手势认证系统进行分析，文献[2]手势识别的过程：

（1）首先通过红外传感器、肌电传感器等收集手势的原始数据如图1，不同的传感器数据处理方式有区别，如leap传感器获得的是三维坐标及时间轴的信息，肌电传感器获得的是电位波形图及时间数据。

（2）连续手势数据的分段处理对于手势识别是相当困难的，有学者采用收集动作起始状态的特征并设定阈值，或者不进行分段直接对连续数据进行处理。

（3）特征提取，对于分段后的手势进行特征提取用于识别人的身份，主要分为手势含义相关和手势含义无关两种方式。手势含义相关的准确率较高，只要提取手势的习惯特征，如指尖距离、手指的分离区间、手与小臂的角度等；手势含义无关的身份识别准确率较低，主要提取手本身的特征，如手、手指的尺寸、手的纹理、小臂与手的距离等。

图1 数据展示图

（4）模型训练，利用收集好的数据对模型进行训练，主流的手势识别算法有hmm[3]、dnn-hmm[4]、dtw、svm等。

（5）利用训练后的模型，可以识别连续的手势序列或单独的手势动作，模型的准确率与训练数据的质量及特征提取的方式有极大的关系。不同生物特征识别算法及特征区别很大，但整体流程基本相同。

2.2 系统问题分析

生物特征传感器有些需要让被采集者处于适当的距离或位置才可捕捉到较准确的生物特征，存在被干扰和误判的可能性；并且未引入活体检测技术，目前已有黑客通过伪造指纹、面部特征而欺骗生物识别认证系统，而这些欺骗手段多为物理手段，因此继续提升活体检测手段如瞳孔的扩张反应、手势的变化、语音的变化等动态特征提升准确率；从原始图像提取有效信息是虹膜识别、手势识别、人脸识别的一个难点，当干扰信息过多可导致识别失效；生物特征识别还处于发展中，目前没形成统一标准，因此它的准确率很难评估，容易出现把不同人的特征识别为一类，或者把同一人的特征识别为不同类；除了提高识别本身的精确度，系统的安全也多存在问题，如数据的存储透明、传输过程未加密、大数据样本泄露用户隐私、系统 0day漏洞等均会对识别系统增加风险。

2.3 生物识别的攻击分析

尽管生物特征很难伪造，还是有黑客成功通过技术手段破解部分识别技术。日本科学家通过在眼睛上安装红外灯，可有效组织面部识别程序对于面部特征的抓取，由于人眼可识别 380至780波长的光，而摄像头可以识别200至1100波长的光，通过增加近红外波长的光噪，可在不影响人的实现的同时使摄像头无法判定人脸的存在；通过化妆或者带面具等物理方式会对面部识别造成极大影响。

语音识别和声纹识别应用较广泛，随着语音合成技术的发展黑客恶意的收录用户声音样本，通过合成后的声音重复使用也可达到破解声纹识别的效果。指纹早已被破解，用户接触过得物体，甚至根据照片，都可以提取出可用于认证的指纹，通过3d打印技术打印出手套或者指纹可用于伪造用户信息。

目前最流行的虹膜识别也存在风险，通过google搜索到大量的图片，通过人工智能技术和图像处理技术可用于提取出虹膜的形状；手势识别等更方式更容易破解，通过提取人的行为特征，既可用于识别又可用于伪造手势、动作等生物特征。

3 结语

基于生物特征的身份识别已有多个分支用于商用如虹膜、指纹、声纹、人脸等识别技术，而这些特征也存在被伪造和干扰的风险，随着人工智能技术的发展，黑客也会利用技术从互联网上大量的数据中提取用户的生物特征并用来窃取用户的更多隐私。本文分析了手势识别系统的验证流程及多种生物识别技术的问题及被攻击方式，为后续展开手势身份识别的工作做基础，未来需着力解决连续动作分割、手势特征优化、手势动作防伪造三方面的工作。

[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．