多模式生物特征认证解决方案的工作原理

有一个 Nvidia Docker 可以简化系统的部署，而服务提供商（例如 AWS）可以提供不间断的通信通道、神经网络的计算能力以及用于扩展系统的便捷接口。

测试 #1：面部识别

用户使用相机创建存储在设备上的照片印记。 此生物特征印记使用 OpenCV 库进行转换和标准化。

使用照片识别人脸，并突出显示 OpenCV 检测到的所有 64 个地标。 生物识别验证标志包括从鼻梁到眼睛的距离和其他面部特征。

这些地标和人脸的剪切图像被传输到深度神经网络，该网络使用 TensorFlow 库进行训练。

神经网络处理完成后形成eDNA特征向量。特征向量收集特定人的生物特征。向量的长度通常为 2048 位，但实际向量长度取决于 DNN 架构。

在验证过程中，会发布 eDNA 并与之前形成的锚记录进行比较。逆向工程是不可能的，因为无法访问向量。生物识别系统将定期更新此锚记录以匹配个人不断变化的外观。

测试 #2：语音验证

用户通过麦克风提供语音样本，然后由 Librosa 库处理。该库读取音频，对其进行转换和转换，然后将生物识别信息传输到神经网络 (DNN)。

形成了一个 eDNA 特征向量（2048 位），它考虑了诸如音色、语调、节奏、音高等生物特征，以及神经网络被训练来响应的其他特征。