本文討論了生物特征識別技術的發展趨勢，結合人臉識別分析了生物特征識別技術需要高性能的數字信號處理器的原因。

　　并簡單介紹了Blackfin處理器的特點，指出正是由于Blackfin處理器的這些特點，使得該處理器非常適合作為嵌入式系統中的計算核心，以便將人臉識別等生物特征識別技術移植到嵌入式系統。

引言

　　生物特征識別技術是指利用人體固有的生理特征或行為特征來進行個人身份鑒別認證的技術。生物特征識別技術包括采用人體固有的生理特征(如人臉、指紋、虹膜、靜脈)進行的身份認證技術和利用后天形成的行為特征(如簽名、筆跡、聲音、步態)進行的身份認證技術。與傳統的身份鑒定手段相比，基于生物特征識別的身份鑒定技術具有如下優點：(1)不會遺忘或丟失；(2)防偽性能好，不易偽造或被盜；(3)“隨身攜帶”，隨時隨地可用。正是由于生物特征身份識別認證具有上述優點，基于生物特征的身份識別認證技術受到了各國的極大重視。

生物特征識別技術及其發展趨勢

　　目前，常用的生物特征識別技術所用的生物特征有基于生理特征的如人臉、指紋、虹膜，也有基于行為特征的如筆跡、聲音等。下面就這些常見的生物特征識別技術的特點及其發展趨勢作一簡單介紹。

人臉識別

　　人臉識別作為一種基于生理特征的身份認證技術，與目前廣泛應用的以密碼、IC卡為媒介的傳統身份認證技術相比，具有不易偽造、不易竊取、不會遺忘的特點；而人臉識別與指紋、虹膜、掌紋識別等生理特征識別技術相比，具有非侵犯性、采集方便等特點。因而人臉識別是一種非常自然、友好的生物特征識別認證技術。

　　人臉識別技術包括圖像或視頻中進行人臉檢測、從檢測出的人臉中定位眼睛位置、然后提取人臉特征、進行人臉比對等一系列相關的技術。

　　早的人臉識別系統建成于20世紀60年代，該系統以人臉特征點的間距、比率等參數作為特征，構建了一個半自動的人臉識別系統。此時的人臉識別研究多集中于研究如何提取特征點進行人臉識別，如人臉特征器官(眼角、嘴角、鼻孔)的相對位置、大小、形狀、面積及彼此間的幾何關系等。由于這些特征點難以準確定位、魯棒性差，因而采用這些方法的人臉識別系統的性能都很低。

　　自20世紀80年代開始，人臉識別技術出現了基于面部圖像的方法。與基于特征點的方法相比，基于面部圖像的方法不是提取人臉特征器官這一高層特征，而是將人臉作為一個圖像整體，從圖像中提取反映人臉特性的特征如DCT變換特征、小波特征、Gabor特征等等。基于面部圖像的方法由于利用了更多的底層信息，以及統計模式識別方法的引入，使得這類方法具有非常高的識別率和非常好的魯棒性。由于基于面部圖像的人臉識別算法具有很高性能，目前已經出現了不少推廣人臉識別技術的廠商，如國內的北京海鑫科金高科技股份有限公司、國外的L1ID等。

　　為了評測基于面部圖像的人臉識別算法的性能。美國ARPA和ARL于1993年至1996年建立了FERET數據庫，用于評測當時的人臉識別算法的性能。共舉行了三次測試FERET94、FERET95、FERET96。FERET測試的結果指出，光照、姿態和年齡變化會嚴重影響人臉識別的性能。

　　FERET的測試結果也表明了基于面部圖像的方法的缺點。人臉是一個三維非剛體，具有姿態、表情等變化，人臉圖像采集過程中易受到光照、背景、采集設備的影響。這些影響會降低人臉識別的性能。

　　為了克服姿態變化對人臉識別性能的影響，也為了進一步提高人臉識別性能，20世紀90年代后期，一些研究者開始采用基于3D的人臉識別算法。這些算法有的本身就采用三維描述人臉，有的則用二維圖像建立三維模型，并利用三維模型生成各種光照、姿態下的合成圖像，利用這些合成圖像進行人臉識別。

　　2000年后，人臉識別算法逐漸成熟，出現了商用的人臉識別系統。為了評測這些商用系統的性能，也作為FERET測試的延續，美國有關機構組織了FRVT2000、FRVT2002、FRVT2006測試。測試結果表明，人臉識別錯誤率在FRVT2006上下降了至少一個數量級，這種性能的提升在基于圖像的人臉識別算法和基于三維的人臉識別算法上都得到體現。此外，在可控環境下，虹膜、靜態人臉和三維人臉識別技術的性能是相當的。此外，FRVT2006還展現了不同光照條件下人臉識別性能的顯著提高，，FRVT2006表明人臉自動識別的性能優于人。值得一提的是，清華大學電子工程系作為國內參加FRVT2006的評測的學術機構，其人臉自動識別性能優于人類。

　　FRVT2006為人臉識別后續的研究指明了方向，人臉識別中光照、年齡變化依然對人臉識別性能有很大影響，二維人臉識別的性能不比三維人臉識別差。

生物特征識別技術對數字信號處理的挑戰

　　為了獲得更好的性能，研究者們從算法上、應用廠商從應用上對生物特征識別技術進行改進。這些算法根據不同生物特征的特點，采用新的數學模型，有效解決了現有算法的不足，使得生物特征識別技術性能上了一個新臺階。新的數學模型，較之以往的模型更為復雜，計算量更大。為了能夠有效的在數字信號處理器上實現這些算法，要求數字信號處理器有更強的處理能力。我們下面結合人臉識別具體說生物特征識別技術對數字信號處理的挑戰。

　　傳統數字信號處理中核心算法之一就是傅立葉變換，該變換在通信、圖像傳輸、雷達、聲納中都有很大的作用。但是，在相當長的時間里，由于傅立葉變換的計算量太大，即使采用計算機也很難對問題進行實時處理，所以并沒有得到真正的運用。直到傅立葉變換的快速算法即快速傅立葉變換發現后，傅立葉變換的運算量大大縮短，從而使傅立葉變換在實際中得到了廣泛的應用，也使得在數字信號處理器上實現傅立葉變換成為了可能。

　　盡管傅立葉變換對數學、物理產生了深遠的影響，但對于大多數應用例如人臉識別而言是遠遠不夠的。比如說人臉圖像中，眼睛所含有的信息較其他部分對識別而言非常重要，需要找到一種方法，提取出眼睛這部分重要的信息，并盡量降低不重要的信息對識別的影響。這就需要對人臉圖像進行局部分析。然而，傅立葉變換無法進行局部分析，使得傅里葉變換在人臉識別中的應用很有限。

　　為了提高性能，研究者將數字信號處理領域中新的復雜的變換如Gabor變換、小波變換引入人臉識別中，采用這些變換進行局部分析，提取出對人臉識別有用的特征，從而大大提高了人臉識別的性能。然而，Gabor變換和小波變換的計算量較之傅立葉變換而言非常大，為了在嵌入式設備上實現人臉識別系統，需要高主頻、高性能的數字信號處理器來實現，這就對數字信號處理器的設計提出了一個很大的挑戰。

　　從應用角度而言，為了良好的交互性，在實現人臉識別系統時，要求實時實現從視頻采集到人臉識別全過程完成(或者至少在1~2秒鐘內實現)，否則，給人的感覺就不自然、不流暢。因而，從良好的交互性角度而言，在嵌入式設備上實現人臉識別系統需要高性能的數字處理器。

　　ADI公司的Blackfin系列處理器是一類專為滿足當今嵌入式音頻、視頻和通信應用的計算要求和功耗約束條件而設計的新型 16～32 位嵌入式處理器。Blackfin 處理器基于由 ADI 和 Intel 公司聯合開發的微信號架構(MSA)，它將一個 32 位 RISC 型指令集和雙 16 位乘法累加(MAC)信號處理功能與通用型微控制器所具有的易用性組合在了一起。 這種處理特征的組合使得 Blackfin 處理器能夠在信號處理和控制處理應用中均發揮上佳的作用—在許多場合中免除了增設單獨的異類處理器的需要。該能力極大地簡化了 硬件和軟件設計實現任務。

　　目前，Blackfin 處理器在單內核產品中可提供高達 756MHz 的性能。Blackfin 處理器系列中的新型對稱多處理器成員在相同的頻率條件下實現了性能的翻番。Blackfin 處理器系列還提供了低至 0.8V 的業界功耗性能。對于滿足當今及未來的信號處理應用(包括寬帶無線、具有音頻/視頻功能的因特網工具和移動通信)而言，這種高性能與低功耗的組合是必不可少的。

Blackfin處理器具有如下特點：

　　高性能處理器內核。Blackfin 處理器架構基于一個 10 級 RISC MCU/DSP 流水線和一個專為實現代碼密度而設計的混合 16/32 位指令集架構，該架構很適合于全信號處理/分析能力。這種架構，使得人臉識別中的復雜的數字信號處理運算在Blackfin上很容易實現。

　　高帶寬DMA能力。人臉識別中需要對圖像塊進行操作，這就涉及到內存數據存取。采用Blackfin的DMA控制器可以自動數據傳輸，所需的處理器內核開銷極少。這樣可以將寶貴的處理器的運算能力用于人臉識別的計算，減小數據存取對性能的影響。

　　視頻指令。人臉識別中常進行的操作就是對像素值進行處理，Blackfin處理器具有對8位數據以及許多像素處理算法所常用的字長的固有支持，大大提高了人臉識別的處理速度。　

　　分層存儲器。Blackfin具L1 Cache和L2 Cache兩級Cache，由于Cache較之外部存儲器具有更快的存取速度，因而，在人臉識別時，可以把運算密集的代碼放在L1 Cache或L2 Cache中，這樣可以有效提高處理速度。

　　上述Blackfin處理器特點表明，Blackfin系列處理器非常適合處理需要高性能運算能力和高數據吞吐量的生物特征識別技術。

　　目前，Hisign已經將人臉識別的算法移植到ADI的Blackfin上，性能正在優化中。請繼續關注。

結語

　　本文討論了生物特征識別技術的發展趨勢，結合人臉識別分析了生物特征識別技術需要高性能的數字信號處理器的原因，并簡單介紹了Blackfin處理器的特點，指出正是由于Blackfin處理器的這些特點，使得該處理器非常適合作為嵌入式系統中的計算核心，以便將人臉識別等生物特征識別技術移植到嵌入式系統。