試 想

如果在機場的安檢系統(tǒng)沒有旅客的人工比對系統(tǒng)，沒有身份證、沒有護照，僅僅憑借各種傳感設備記錄的信息來核對身份，乘客自如的登機，有沒有這個可能？我想大多數(shù)人的第一個反應，這是不可能的，如果識別錯了呢？如果這個人帶著面具呢、如果這個人做了美容、如果這個人做了手術呢、如果這個人變老呢？想象一下，有太多的不可能。

但是，譚鐵牛院士告訴我們

這不僅不是不可能，而且還是未來的趨勢。

我們的身份信息包含著年齡、性別、民族等信息，年齡性別民族等信息我們稱為人口學特征。譚院士的講座就是告訴我們?nèi)绾瓮ㄟ^人臉識別、指紋識別、聲紋識別、耳型識別以及虹膜識別甚至加上簽名識別等生物識別來確定這個人的人口學特征。

在講座引入階段，譚院士介紹了生物識別的概念：生物識別也叫“生物特征識別”，即根據(jù)人自身的特征，比如你的指紋來識別人的身份。這些自身的特征，就叫做生物特征，有兩大類：一類叫生理特征，另一類叫行為特征。生理特征是與生俱來的，比如你的指紋、你的虹膜；行為特征是后天習慣使然，比如：走路的樣子，寫字的筆跡。人體有很多可以用來進行身份驗證的生物特征。

在本講座中，譚院士講述了6大生物特征類：面部、聲音、步態(tài)、指紋、虹膜、筆跡，利用這6大生物特征來估計人的性別、年齡和種族這三大人口學身份，并講述了其涉及的模型和方法。

生物識別的技術來進行人口學特征分析標志性事件開始于1988年通過聲音識別性別，而隨著信息采集技術的進步以及深度學習技術的發(fā)展，人口學特征分析準確度越來越高，針對每一種生物識別技術，譚院士都是從問題提出、問題過去及現(xiàn)在解決方案以及問題挑戰(zhàn)三個角度來闡述問題。

首先他講述的是生物特征獲取技術，手機、網(wǎng)絡、智能穿戴設備、檢測設備等都可以獲取到人體生物學信息。

然后講述了應用最為成熟的指紋識別方法，傳統(tǒng)的指紋表示方法有山脊數(shù)、不對稱山脊數(shù)、山脊厚度、山谷厚度比（RTVTR）等特征提取方法，也有小波表示和紋理分析方法。而最為奇妙的是男女的指紋特征并不一致，所以指紋識別可以用于性別的分類。

而用于人口學特征分析的人臉識別技術最開始是幾何學分析，用鼻嘴眼的距離等特征來做特征臉，這個方法僅僅能分析正面圖像，而且忽略了紋理信息，隨后是Holisic模型和流形學習在人臉識別中的應用提高了識別的正確率，目前流行的深度學習技術在人臉識別的成功應用更是極大提升了人口學特征提取的精確度。但是人臉識別的各種技術均依賴于獲取臉部圖像的質(zhì)量。

譚院士提出了三個挑戰(zhàn)，包括側臉圖像、低分辨率的圖像、光照或者遮擋的圖像對人臉識別的影響。這三個挑戰(zhàn)，與及其學生給出了用深度學習或者對抗網(wǎng)絡來生成正面圖像、高分辨率圖像以及其他的調(diào)整，效果都相當好。從而也可見，此次的講座給出我們一個解決問題的框架：提出問題、問題的傳統(tǒng)與現(xiàn)在的解決方案以及問題的挑戰(zhàn)及解決的方法。

人臉識別對年齡的識別傳統(tǒng)的方法有BIF + Adaboost + SVM等，這些方法可以實現(xiàn)跟人工識別相同的效果，而卷積神經(jīng)網(wǎng)絡的應用使得對年齡估計的正確度會超過人類。但是對于非標準化的數(shù)據(jù)集人口學的預測可能相互影響，比如年齡估計會受到民族的影響，也會受到性別的影響。

而對好像千篇一律的人的行走方式在識別方面卻表現(xiàn)出驚人的準確性。應用于人口學預測的步態(tài)識別傳統(tǒng)方法有基于點光源的方法、基于模型和基于表觀的方法。譚院士展示了他和其學生合作的基于CNN的深度學習方法在身份識別中的應用視頻，該視頻可以在中央電視臺的機智過人欄目中查看。

當然譚院士是虹膜識別方面的專家，虹膜識別的紋理特征分析在性別識別方面應用也較為成功，結合Gabor濾波、線性濾波以及尺度不變?yōu)V波等小波分析方法能較好的進行身份識別。

聲音識別主要是提取聲紋和聲韻特征來分析性別、年齡。LPCC、MFCC和PLP系數(shù)在性別之間的辨識度較高，如果加上振幅、頻率、能量等分析方法，聲紋的識別度會更高。

手寫體受到人們身體素質(zhì)、年齡生活方式等因素的影響，從而根據(jù)手寫體來分析人口學特征具有先天的優(yōu)勢。微觀上的字體梯度、結構和凸凹性以及宏觀上的字體的傾斜性、字符間距和灰度值都可以作為人口特征探索的特征。而由于電子簽名的應用，書寫速度、書寫方向、傾斜度和曲率等因素的記錄更可以加強手寫體識別的辨識度。

總之，綜合各種生物識別方法可以較好的識別出個人的性別、年齡、種族等人口學特征。下表是各種生物特征識別的方法和應用。