通过利用人体自身的生物特征方式进行比对识别，存在哪些局限性

生物识别技术的官方定义如下：生物识别技术是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性(如指纹、脸相、虹膜等)和行为特征(如笔迹、声音、步态等)来进行个人身份的鉴定。2009年识别产业收入为34.22亿元，而2014年达到了93.68亿元。

一个生物识别的Z小系统一般包含了传感器、存储器和处理器三个部分，其操作流程包括用户注册和用户认证两个步骤。首先需要用户在身份认证前注册自己的生物特征信息，以此作为后续用户身份认证的依据；在用户进行身份认证时，将认证时采集的生物特征信息与注册时采集的生物特征信息进行匹配。用户注册与身份认证的过程主要包含了生物特征采集、预处理、特征提取及模式识别四个步骤。

(1)特征采集

特征采集是利用传感器把人体固有的生理特征转换为计算机可读取的数字信息的过程。生物识别传感器主要采用高精度的扫描仪、摄像机等光学设备，以及基于电容、电场技术的晶体传感芯片、超声波扫描、红外线扫描等设备。生物识别传感器的类型极为丰富，不同的生理特征采集所用的传感器有所不同，即便是同一特征所采用的传感器也会不同。

(2)预处理

预处理是将传感器读取的数字信息进行标准化，将原始数据处理成半结构化数据的过程。预处理通常方法主要包括信息压缩、降噪和数据归一化等。

(3)特征提取

特征提取是提取生物特征中Z具代表性的部分，并将其转换为结构化数据的过程。特征提取和表达是生物识别过程的ZD和难点，例如虹膜、指纹、人脸等图像在采集时极易出现光照不均、平面旋转、局部遮挡和三维形变等情况，这给后续的特征匹配与模式识别带来了极大的障碍，可能导致识别失败，不能进行身份认定。因此在处理器速度提升的基础上，出现了更加复杂的图像局部不变特征提取算法，这些算法专门用于提升生物特征在采集时由于光照强度变化、平面旋转、局部被遮挡和三维形变时的匹配能力。

(4)模式识别

模式识别通常包括特征训练、特征匹配和特征识别，是通过机器学习与数据挖掘手段构建分类器，对结构化的特征向量进行匹配和识别的过程。其中，特征训练是通过机器学习方法对用户注册阶段采集的生物特征数据集进行学习，生成生物特征分类器模型；特征匹配是将身份认证阶段提取的生物特征与用户注册阶段生成的生物特征数据库模型进行匹配，并计算二者相似度；特征识别设置相似度阈值等识别准则，并对识别的结果进行接受或拒绝。

从理论上来说，人的任何生理或者行为特征，只要满足普遍性、独特性、唯yi性、稳定性、可采集性等条件，都可以作为生物特征用于身份鉴定。所谓普遍性，指每个人都具有具备的特征；所谓唯yi性，指任何两个人的该特征都是不相同的；所谓稳定性，指该特征不会随时间等条件的变化而变化，至少在一段时间内是不变的；所谓可采集性，指该特征要便于采集和定量测量。

从图表对比可以看出，指纹、人脸和虹膜是目前生物识别技术中应用Z为成功的三类特征。其中，指纹和人脸是目前商业应用中Z为广泛的两类生物特征，但仍有其弊端：人脸识别准确率偏低，而指纹在采集过程中涉及个人隐私和信息安全问题；虹膜识别的准确率仅次于DNA，但其采集设备成本高，可采集性差，而且人们对虹膜识别接受度不高，因此在商业应用中的普及程度不及人脸和指纹。