摘要： 本文讨论了生物特征识别技术的发展趋势，结合人脸识别分析了生物特征识别技术需要高性能的数字信号处理器的原因，并简单介绍了Blackfin处理器的特点，指出正是由于Blackfin处理器的这些特点，使得该处理器非常适合作为嵌入式系统中的计算核心，以便将人脸识别等生物特征识别技术移植到嵌入式系统。

关键词： 生物识别；微控制器；Blackfin；MSA

引言

　　生物特征识别技术是指利用人体固有的生理特征或行为特征来进行个人身份鉴别认证的技术。生物特征识别技术包括采用人体固有的生理特征(如人脸、指纹、虹膜、静脉)进行的身份认证技术和利用后天形成的行为特征(如签名、笔迹、声音、步态)进行的身份认证技术。与传统的身份鉴定手段相比，基于生物特征识别的身份鉴定技术具有如下优点：(1)不会遗忘或丢失；(2)防伪性能好，不易伪造或被盗；(3)“随身携带”，随时随地可用。正是由于生物特征身份识别认证具有上述优点，基于生物特征的身份识别认证技术受到了各国的极大重视。
　　
生物特征识别技术及其发展趋势

　　目前，常用的生物特征识别技术所用的生物特征有基于生理特征的如人脸、指纹、虹膜，也有基于行为特征的如笔迹、声音等。下面就这些常见的生物特征识别技术的特点及其发展趋势作一简单介绍。
　　
人脸识别

　　人脸识别作为一种基于生理特征的身份认证技术，与目前广泛应用的以密码、IC卡为媒介的传统身份认证技术相比，具有不易伪造、不易窃取、不会遗忘的特点；而人脸识别与指纹、虹膜、掌纹识别等生理特征识别技术相比，具有非侵犯性、采集方便等特点。因而人脸识别是一种非常自然、友好的生物特征识别认证技术。

　　人脸识别技术包括图像或视频中进行人脸检测、从检测出的人脸中定位眼睛位置、然后提取人脸特征、最后进行人脸比对等一系列相关的技术。

　　最早的人脸识别系统建成于20世纪60年代，该系统以人脸特征点的间距、比率等参数作为特征，构建了一个半自动的人脸识别系统。此时的人脸识别研究多集中于研究如何提取特征点进行人脸识别，如人脸特征器官(眼角、嘴角、鼻孔)的相对位置、大小、形状、面积及彼此间的几何关系等。由于这些特征点难以准确定位、鲁棒性差，因而采用这些方法的人脸识别系统的性能都很低。

　　自20世纪80年代开始，人脸识别技术出现了基于面部图像的方法。与基于特征点的方法相比，基于面部图像的方法不是提取人脸特征器官这一高层特征，而是将人脸作为一个图像整体，从图像中提取反映人脸特性的特征如DCT变换特征、小波特征、Gabor特征等等。基于面部图像的方法由于利用了更多的底层信息，以及统计模式识别方法的引入，使得这类方法具有非常高的识别率和非常好的鲁棒性。由于基于面部图像的人脸识别算法具有很高性能，目前已经出现了不少推广人脸识别技术的厂商，如国内的北京海鑫科金高科技股份有限公司、国外的L1ID等。

　　为了评测基于面部图像的人脸识别算法的性能。美国ARPA和ARL于1993年至1996年建立了FERET数据库，用于评测当时的人脸识别算法的性能。共举行了三次测试FERET94、FERET95、FERET96。FERET测试的结果指出，光照、姿态和年龄变化会严重影响人脸识别的性能。

　　FERET的测试结果也表明了基于面部图像的方法的缺点。人脸是一个三维非刚体，具有姿态、表情等变化，人脸图像采集过程中易受到光照、背景、采集设备的影响。这些影响会降低人脸识别的性能。

　　为了克服姿态变化对人脸识别性能的影响，也为了进一步提高人脸识别性能，20世纪90年代后期，一些研究者开始采用基于3D的人脸识别算法。这些算法有的本身就采用三维描述人脸，有的则用二维图像建立三维模型，并利用三维模型生成各种光照、姿态下的合成图像，利用这些合成图像进行人脸识别。