《中国人工智能学会通讯》——1.46 虹膜识别更安全
1.46 虹膜识别更安全
虹膜识别技术受追捧的另一个因素是:安全
因为人眼的虹膜在出生 6 个月后即发育成熟,之后就会保持终生不变,更不会出现如指纹磨损、面容变化导致设备拒识本人的情况,而且眼球剥离人体后虹膜会随瞳孔放大而失去活性,很难被伪造。相较于指纹 0.8%、人脸识别 2% 左右的误识率,虹膜识别误识率可低至百万分之一。下面是虹膜与市场现有其他生物特征的比较:
在国内,早期虹膜识别技术被广泛用于煤矿行业的考勤。西安中媒科技、北京中科虹霸是当时最大的两家虹膜识别设备提供商,前者的技术来源于西安交大,后者主要成员来自于中科院自动化所。它们都具备技术研发的基础,同时也做代理国外产品的生意,比如中媒科技就是 LG 在中国的最大代理商,后来中媒科技由于内部出现问题分支出两家公司:西安中虹智
能科技、西安凯虹电子科技,同样是做代理。
一位专注虹膜识别研究多年的业内人士告诉钛媒体,当时虹膜识别设备的均价大概是 10 W 一台,业绩好的公司每年能够有 800 W 人民币的流水。但问题也随之而来,趋于高额的利润,一些没有技术研发能力的公司纷纷代理 LG、Panasonic 的产品,然后包外壳,号称是拥有自主研发知识产权。这样一来,就导致虹膜考勤行业的整体利润大幅降低,形成了一种劣币驱除良币的现象。
有 意 思 的 是, 当 时 国 内 争 相 代 理 的 LG 和Panasonic 的产品也并非自主研发,而是购买了 Iridian的虹膜核心算法授权,Iridian 是最早的虹膜识别算法供应商,称得上是虹膜识别领域的技术开创者,曾先后两次被收购,目前属于法国赛峰 (SAFRAN) 集团,前文所说虹膜识别技术的开创者 JohnDaugman 就是Iridian 公司的股东之一。
虽然行业被搅乱,利润被压缩,但虹膜识别整个市场的需求却有增无减,于是一些企业开始在国内寻找具备成型产品的公司。直到 2009、2010 年的时候,国内虹膜产品市场形成了三个层面的划分:
- 真正拥有自主知识产权的技术研发和供应商,国内仅有 2 到 3 家;
- 生产厂商,从技术供应商那里购买算法授权,再经过自家的工业设计提高品牌溢价,凭借庞大的客户资源和销售渠道进行全球范围的分发,LG 和Panasonic 就属于这一类;
- 纯代理商,没有任何技术研发,全靠代理国外设计成型的产品,从中赚取差价。
当时,国内的虹膜识别技术提供商,主要来源于中科院自动化所和上海交通大学图像所,它们分别衍生了前文所提到的中科虹霸和聚虹光电两家公司,这两家公司在虹膜识别技术的研究时间都超过 10 年,业内人士称之为北中科、南聚虹。
从技术研发角度来看,中科虹霸和聚虹光电均属国内一线阵营,作为技术提供商,处于价值链的最上游,主要以算法授权为主,面向的是厂商和集成商,并不直接面对终端客户,所以行业外的人对此所知甚少。国内虹膜技术的研发方向是针对东亚人的黑色虹膜识别,黑色虹膜由于纹理少,表面色素多,光线原因导致不稳定性又强等因素,是被虹膜识别理论创立者 Daugman 公认的最难识别的,这也决定着黑色虹膜在可见光下是不能看到的,必须用到红外光识别。中国恰恰又是黑色虹膜最大样本市场。所以,这两家目
前在煤矿、电力、安全等领域都有落地的案例。

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
《中国人工智能学会通讯》——1.45 先做个普及,到底什么是虹膜识别
1.45 先做个普及,到底什么是虹膜识别 简单来说,人的眼睛结构由巩膜、虹膜、瞳孔三部分构成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分,是眼球中瞳孔周围的深色部分,其包含有很多相互交错的斑点、细丝、冠状、条纹等等细节特征。 而平时我们常见的近视眼、白内障、红眼病对虹膜也完全不会造成破坏,这些特征决定了虹膜特征以及身份识别的唯一性。 虹膜识别技术则是人体生物识别技术的一种,被广泛认为是 21 世纪最具有发展前途的生物认证技术,可用于未来的安防、国防、电子商务等多种领域的应用。基于虹膜扫描的身份识别理论最早始于 1930 年代,直到 1990 年代才开始商业化应用,虹膜识别算法程序的开发者是一位名叫JohnDaugman的美国数学家,他被业内称作是虹膜识别算法理论的开创者。 虽然虹膜识别这项技术并不稀奇,但大多数人对虹膜识别的第一印象仍然停留在好莱坞大片中,事实上虹膜识别已经渗透到我们的生活中,今年 5 月在日本运营商 NTTDoCoMo 举办的新机发布会上,富士通便推出了搭载虹膜识别技术的新款机型 ArrowsNXF-04G,这也是全球首款量产的具备虹膜识别技术的智能手机。 国内厂商...
- 下一篇
《计算机视觉:模型、学习和推理》一1.1 本书结构
1.1 本书结构 本书分为六部分,如图1-2所示。本书的第一部分涵盖概率方面的背景知识。全书中所有的模型都是用概率的术语表示,概率是计算机视觉应用中一门很有用的语言。具有扎实工程数学背景的读者或许对这部分知识比较熟悉,但仍需要浏览这些章节以确保掌握相关的符号。那些尚不具备该背景的读者应该仔细阅读这些章节。这些知识相对比较简单,但它们是本书其余部分的基础。在正式提到计算机视觉知识前被迫阅读三十多页的数学虽然令人沮丧,但请相信我,这些基础知识将为后续的学习提供坚实的基础。 图1-2 章节依赖关系。本书分为六部分。第一部分是概率综述,是所有后续章节的基础。第二部分涉及机器学习和推理,主要描述生成模型和判别模型。第三部分讨论图模型,主要是大的模型中变量之间概率依赖关系的可视化表示方式。第四部分介绍预处理方法。第五部分涉及几何与变换。第六部分提
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- SpringBoot2整合Thymeleaf,官方推荐html解决方案
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- Windows10,CentOS7,CentOS8安装Nodejs环境
- CentOS7编译安装Cmake3.16.3,解决mysql等软件编译问题
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- Hadoop3单机部署,实现最简伪集群
- CentOS8安装MyCat,轻松搞定数据库的读写分离、垂直分库、水平分库
- CentOS关闭SELinux安全模块