生物特征识别是 AI 最早的商业化应用之一,也是隐私争议最持久的领域之一。它的历史恰好记录了攻与防的往复循环:每一次识别能力的提升,都会催生新的伪造手段,而每一次伪造的出现,都会推动识别侧引入新的活体检测与对抗训练。

一、1990-2000 年代:指纹与虹膜的工程化
1990 年代的生物识别核心是指纹与虹膜,其算法主要是几何特征匹配:纹线的分叉与端点、虹膜的纹理统计。这一时期的产品定位是门禁与考勤,市场由硬件厂商主导,算法被视为标准的附加入门条件。同期也出现了第一波语音与面纹识别尝试,但受限于样本质量与光照变化,实用性远不如指纹。一个被长期忽视的问题是「活体」问题:当时多数系统只验证特征匹配,不验证来源是活人还是伪造品。1990 年代的指纹算法依赖纹线的分叉与端点等局部特征匹配,抗噪能力有限。
同期虹膜识别基于虹膜纹理统计,被认为是最难伪造的生物特征,因此早期多用于高安全场景。这一时期也出现了第一波说话人识别尝试,基于声纹谱特征,但对噪声与情绪变化的鲁棒性不足。活体检测在此时几乎不存在,系统普遍只验证特征匹配,不验证来源。
二、2000-2012:统计特征与工程化落地
2000 年代中后期,生物特征算法开始采用统计与子空间方法,把高维特征投影到判别子空间。2009 年后深度学习进入这个领域,在受限场景下优于传统方法,但真正大规模落地要晚得多。同期硬件成本下降推动了在门禁、考勤与消费电子上的部署,手机指纹与面容解锁是规模最大的应用。这一时期的数据治理问题开始暴露:生物特征不可更换,一旦泄露无法补发。2009 年后深度学习进入生物特征领域,在受控场景下明显优于传统方法,但真正规模化落地滞后多年。
2010 年前后消费电子的生物解锁是规模最大的应用,推动了传感器与算法的一体化设计。同期人脸识别在安防与门禁场景快速部署,也埋下了隐私争议与监管收紧的伏笔。数据治理问题开始突出:生物特征不可更换,泄露后无法补发,采集必要性成为监管焦点。
三、2013-2020:深度伪造与检测对抗
2017 年前后出现的换脸工具首次让大众意识到,生物特征识别面临的是完全不同性质的攻击。同期活体检测成为研究热点:从眨眼检测到红外瞳孔反射、多角度挑战式响应,目标是证明被测对象是活的。2018 年后,检测深度伪造本身成为独立的对抗问题,检测器与生成器之间形成军备竞赛。一个被广泛共识的结论是纯视觉检测不可靠,于是活体检测转向多模态:结合热成像、深度传感与行为特征。2017 年前后的换脸工具让公众第一次意识到生物识别面临的是性质不同的攻击。
同期活体检测研究转向多模态:用红外瞳孔反射、深度传感与热成像共同判断来源。2019 年后,检测深度伪造本身成为独立研究方向,检测器与生成器形成持续的军备竞赛。被广泛共识的是纯视觉检测不可靠,必须依赖独立的物理传感通道。
四、2021-2025:活体检测标准化与监管收紧
2021 年后,国际标准组织陆续发布活体检测相关标准,把「呈现攻击」纳入生物识别系统的合规测试范围。同期面部与声纹数据的保护进入立法视野,欧盟与美国多个州通过了限制采集与使用的专项法规。2023 至 2025 年间,一个新的挑战是注入攻击:攻击者不是伪造生物特征,而是用数字注入直接欺骗系统的传感器输入通道。整个领域的走向是把安全性从算法层转移到系统层:传感器本身的可信度、密钥管理与端侧处理成为重点。
2021 年后,国际标准组织把呈现攻击检测纳入生物识别系统的合规测试范围。2023 年后出现新的攻击形态:注入攻击直接欺骗传感器输入通道,而非伪造生物特征本身。整个领域的走向是把安全重心从算法层转移到系统层:传感器可信度、密钥管理与端侧处理成为重点。
资料来源
- ISO/IEC 30107-3 生物识别呈现攻击检测标准
- ISO/IEC 19795 生物识别性能评测标准
- Goodfellow et al., DeepFakes 换脸技术原始论文, 2017
- 各国关于生物识别数据采集与使用的公开立法文本