识别模态与精度指标
生物特征认证的模态种类繁多,从物理到行为,各有适用场景和安全限制:
指纹识别:最成熟、最廉价的生物模态。技术路线分三类——光学指纹(光线照射玻璃采集图像,易被指纹胶膜欺骗)、电容式指纹(半导体传感器测量指纹脊线与谷底的电容差异,可检测活体组织的导电性,目前移动设备主流)、超声波指纹(如高通 Qualcomm 3D Sonic Sensor,超声波穿透玻璃/金属表面,生成 3D 指纹深度图,防假指纹能力强)。商用电容传感器 FAR 通常在 1/10,000 至 1/50,000。2013 年 Chaos Computer Club(CCC)用乳胶指纹印章成功骗过 Touch ID(第一代无活体检测),推动了后续活体检测的升级。
面部识别:2D 摄像头方案基于可见光图像(无深度信息),安全性低——已被照片、视频重放、3D 打印面具反复绕过。3D 结构光方案(Apple Face ID,基于 PrimeSense 技术的微型化投影仪)和 ToF(飞行时间)方案投射红外点阵或计算光线飞行时间构建高精度深度图,配合活体检测(眼动追踪、表情识别、红外反光分析)显著提升抗欺骗能力。Face ID 的 1/1,000,000 FAR(Apple 宣称)建立在本地神经网络引擎(Neural Engine)每日对用户面部变化持续学习(如胡须、眼镜、化妆)的自适应匹配之上。
虹膜识别:红外光照射眼球采集虹膜纹理(约 240 个独特点位,指纹仅约 30-40),FAR 可达 1/10^6,被认为是当前精度最高的商用非侵入生物模态。Samsung Galaxy Note 7(2016)和 S8/S9 的虹膜识别在红外照明下实现暗光可用,但 2018 年 CCC 用红外照片+隐形眼镜组合成功绕过。虹膜识别面临长睫毛、眼镜反光、隐形眼镜和美瞳等实用挑战。
声纹识别:利用发声器官(声带、口腔、鼻腔)的独特共振特性。主要用于电话银行和智能语音助手(Siri/Alexa/Google Assistant)。但声纹易受环境噪声、感冒、情绪变化影响,且 AI 语音合成(Deepfake Audio)和声码器欺骗攻击(Replay Attack)构成不断提升的威胁——2023 年 Vice 记者仅用 5 秒 AI 合成语音成功通过银行的声纹认证。