吴玺宏 罗定生
信息时代的到来给人类社会带来了极大的变革，身份认证在信息时代也有了新的内涵。基于对传统身份认证缺陷的考虑，利用生物特征的身份认证由于利用了人体固有的生理和行为特征而展现出极大的优越性。本文对人体生物特征的三类典型代表：声纹、人脸、指纹从系统框架、方法概述、当前研究存在问题以及应用前景给出了较全面的综述。
传统的身份认证方法主要借助体外物来实现身份的鉴定，包括标识物品和标识信息，前者如证件、信用卡、驾照等，后者如用户名和密码等。一旦证明身份的标识物品和标识信息被盗或遗忘，其身份就容易被他人冒充或取代。基于生物特征的身份认证则利用了人体固有的生理和行为特征来进行个人身份的认证或鉴定，比如：指纹、声音，人脸、虹膜、笔迹、步态等。由于基于生物特征的身份认证主要是通过生物传感器、光学、声学、计算机科学和统计学原理等高科技手段的密切结合来实现的，因而它与传统的身份认证方法相比：（1） 更具安全性：生物特征基本不存在丢失、遗忘或被盗的问题；（2） 更具保密性：用于身份认证的生物特征技术很难被伪造；（3） 更具方便性：生物特征具有随身“携带”的特点以及随时随地可用的特点。
基于生物特征的身份认证技术在信息安全领域具有重要的地位，可广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务。伴随着其应用的发展,该领域的研究越来越深入，许多国家将其作为重大基础战略技术加以研究。“9·11”事件后，基于生物特征的身份认证技术更是受到美国、日本、欧洲各国的高度重视，愈加显示出它的价值，以美国为例，基于这项技术的产业规模已经达到数十亿美元。美国通过立法明确要求在国家安全领域采用这一技术。国际民用航空组织日前也要求其所属188个成员国和地区从2004年底开始将生物特征加入个人护照中。
一般而言，能够用来认证身份的生物特征应该具有以下特点：（1） 广泛性：每个人都应该具有这种特征；（2） 唯一性：每个人拥有的特征应该各不相同；（3） 稳定性：所选择的特征应该不随时间变化而发生变化；（4） 可采集性：所选择的特征应该便于获取。然而，在实际的应用中，并不是所有能够满足上述四个特点的生物特征就可以用来进行身份认证的。通常，还需考虑如下几个主要指标：性能指标，所选择的生物统计特征能够达到多高的识别率；效率指标，对于资源的要求，包括时间复杂度和空间复杂度两个方面；安全性指标，系统是否能够防止被攻击；可接受性及非侵犯性指标，用户是否愿意接受所选择的生物特征；同时还要考虑具体应用领域的特点等等。基于对这些指标的考虑，目前诸多应用中，在众多的生物特征中声音、指纹、人脸三种生物特征被广泛选择采用。
基于声纹的身份认证
人的语音，包含了语义信息和说话人信息，其中包含说话人信息的成份被称作“声纹”，利用声纹进行身份认证的方式被称为声纹识别(Voiceprint Recognition, VPR)或说话人识别(Speaker Recognition)。一般有两类，即说话人辨认(Speaker Identification)和说话人确认(Speaker Verification)。前者用以判断某段语音是若干人中的哪一个所说的，是“多选一”问题；而后者用以确认某段语音是否是指定的某个人所说的，是“一对一判别”问题。不同的任务和应用会使用不同的声纹识别技术，如缩小刑侦范围时可能需要辨认技术，而银行交易时则需要确认技术。基于声纹的身份认证又可分为与文本有关和与文本无关两种情形，前者是指在进行身份认证时，输入语音必须按指定文本内容进行发音并被用来构建系统模型；而后者在进行身份认证时，输入语音与训练时所采用的语音无关。
国际上开展基于声纹的身份认证研究已经有近40年的历史，研究单位包括大学、专门的研究机构以及大公司等，如：德克萨斯仪器公司、麻省理工学院、贝尔实验室等。国内开展相关研究较早的单位有北京大学、中科院声学所、清华大学、中科院自动化所等。一些基于声纹的身份认证系统产品也相继推出，如：ITT公司开发的SpeakerKey系列产品，Keyware公司开发的VoiceGuardian，Sensory公司开发的Voice Direct364及DSP芯片，T－NETIX公司开发的SpeakEZ产品等等。
1．基于声纹的身份认证系统框架
一个典型的基于声纹的身份认证系统框图如图1所示[1]。(注：参考文献[1]~[29]请见本刊网站。）
不论是说话人辨认技术还是说话人确认技术，都需要先对说话人的声纹进行建模，这就是所谓的“训练”或“学习”过程。
基于声纹的身份认证一般包括两个阶段：训练阶段和认证阶段。在训练阶段，根据输入的训练语音数据建立说话人的声纹模版库；在认证阶段，则根据身份声明的说话人的语音，通过某种距离测度进行认证判决。
2．方法概述
(1) 特征提取为了更有效地表征说话人的信息，研究者们已经提出了若干语音特征，但遗憾的是目前还未找到专门反映说话人信息的语音特征，在进行说话人识别时采用的特征还基本上是语音识别中所采用的特征，如线性预测系数(LPC)、倒谱系数、美标度倒谱(MFCC)、感知线性预测等。大多数研究者的研究结果表明，美标度倒谱特征在语音识别和说话人识别等典型的语音信号处理问题中具有良好的性能，因此，该特征成为目前最常用的语音特征。
(2) 声纹身份认证基本方法基于声纹的身份认证方法主要有以下几种：①动态时间规整[2]：动态时间规整是一种谱模式匹配方法，它可以解决语速变化问题。②长时平均法[3]：该方法对说话人身份的表征是通过将语音特征在长时间上进行平均来实现。但是这种方法缺乏对短时特征的描述。③矢量量化法[4]：矢量量化通过某种聚类规则对说话人的特征建立模型，该模型通常为一系列包含若干码字的码本，对每一个特定的说话人有一个码本。该方法对短时语音特征能够进行很好的描述。④人工神经网络[5]： 对说话人特征的提取还难以形成公认的规则，因此利用善于从大量数据中寻找规律的人工神经网络方法，也是一类可取且有效的方法。⑤隐含马尔可夫模型[6]：隐含马尔可夫模型能够有效地捕捉谱特征中的统计变化，同时也很好地描述了短时语音特征以及语音中的时间变化，因此具有很好的性能，成为一种被广泛采用的与文本有关的说话人识别方法。⑥高斯混和模型[7]：高斯混和模型可被认为是隐含马尔可夫模型的单一状态的特殊情形，对于与文本无关的身份认证，该方法能够达到很好的效果。
上述若干方法都或多或少地有各种衍生方法和改进方法，也存在将若干种方法的融合起来进行身份认证的情形，这些尝试都是以提高身份认证准确率为目的的，其中一些尝试取得了很好的效果，比如人工神经网络与隐含马尔可夫模型的结合方法等等。
3．当前基于声纹的身份认证研究中存在的问题
基于对前人研究的归纳，Furui在1997年指出，在基于声纹的身份认证中存在如下几大类问题[8]：①如何借鉴人类在在利用声纹进行身份 认证时所采用的机制，②如何处理语音的长时变化、短时变化以及语音声学特征的变异，③如何将基于声纹的身份认证技术与其它身份认证技术进行融合。
4．基于声纹身份认证的应用
基于声纹的身份认证几乎可以应用到人们日常生活的各个角落，而通过电话线进行身份认证是其独有的特色。基于声纹身份认证的主要应用领域如下：（1）信息领域：如在自动总机系统中；(2)银行、证券：鉴于密码的安全性不高，可用声纹识别技术对电话银行、远程证券交易等业务中的用户身份进行确认；(3)公安司法：对于各种电话勒索、绑架、电话人身攻击等案件，基于声纹的身份认证技术可以在一段录音中查找出嫌疑人或缩小侦察范围；同时，该技术还可以在法庭上提供身份确认的旁证；(4)军事和国防：基于声纹的身份认证技术可以察觉电话交谈过程中是否有关键说话人出现，继而对交谈的内容进行跟踪(战场环境监听)；在通过电话发出军事指令时，可以对发出命令的人的身份进行确认(敌我指战员鉴别)；(5)保安和证件防伪：如机密场所的门禁系统；(6)其它。
基于人脸的身份认证
基于人脸的身份认证就是利用计算机对给定的静止图像或者动态图像序列进行分析，从中提取出有效的识别信息，基于已有的人脸数据库来“辨认”或者“确认”一个或多个人身份的一项技术。
人的面孔各异，世界上没有长得一模一样的两个人，即使是双胞胎，用人类学方法测量也可发现差异。因而，基于人脸的身份认证技术是一项具有潜力的身份认证技术。基于一系列评价指标如抗干扰性、精确度、代价、性能等，研究人员对6种主要的身份认证技术：人脸、声纹、指纹、手掌、虹膜、签名进行了综合比较，基于人脸的身份认证技术具有最高的得分[9]，见图2。
基于人脸的身份认证技术研究始于20世纪60年代末期。到了20世纪90年代后期以来，一些商业性的基于人脸的身份认证系统逐渐进入市场。作为一种非接触式的、容易隐蔽使用的识别技术，基于人脸的身份认证技术成为当今国际反恐和安全防范最重要的手段之一。
1.基于人脸的身份认证系统框架
一个典型的人脸识别系统框架如图3所示。
人脸图像数据的获取 图像数据可以是包含人脸图像的静态图像，也可以是动态视频序列，一般可以通过摄像机、照相机、扫描仪等输入设备获得。
图像或视频序列中人脸图像的检测、定位 首先在图像中检测到人脸，然后根据人脸比较稳定的特征如眼睛进行特征点定位。人脸检测在自动人脸识别中占有非常重要的地位，直接影响到识别分类的结果。复杂背景条件下实时的自动人脸检测是人脸识别领域非常重要的一个课题。
人脸图像的预处理为了更加有效地提取人脸特征，消减环境光照等变化对人脸识别结果的影响，需要对人脸图像做预处理，这些预处理过程一般包括图像的旋转、光线矫正、直方图均衡等过程。
人脸识别特征的提取 提取能够有效区别于其他人的识别特征，为下一步的识别做好准备。
人脸图像的匹配与分类—身份认证 得到人脸的特征模式之后，将模式送入设计好的分类器，最后得到分类的结果。
2.方法概述
（1）检测定位人脸检测可以被看作是一个两类的模式识别问题，一个图像区域被分类为人脸或者非人脸。常用的人脸检测方法大致有：
●基于知识的方法：这些基于规则的方法将人脸的结构知识进行编码。这些规则通常描述了人脸特征之间的关系。这些方法主要用来进行人脸定位。其代表方法如基于规则的多分辨率方法等。
●特征不变法：这些算法的目的在于找到一些不受姿式、视角、光照条件影响的结构特征，并用这些结构特征来定位人脸。其代表方法如：针对面部特征的边缘分组方法；针对纹理的人脸模式空间灰度级独立矩阵方法；针对肤色的高斯混合方法以及将肤色、人脸尺寸、人脸外形等多特征的融合方法等。
●模板匹配方法：几种标准的人脸模式被存储起来用于描述整体的人脸或者人脸的各个构成部分。通过计算输入图像和存储的模式之间的相关性来进行检测。这些方法用在人脸定位和人脸检测中。其代表方法如外形模板方法及可变外形模板方法等。
●基于外观的方法：与模板匹配不同的是，可以捕捉人脸外观具有代表性的可变性的模型(或模板)是从一组训练图像中学习来的。这些学到的模型被用于检测。其代表方法如：本征脸方法、基于分布方法、神经网络方法、支撑向量机、统计系综学习方法(其典型代表AdaBoost方法)、原始贝叶斯分类器、隐马尔可夫模型、信息论方法等。这类方法现基本成为人脸检测方法的主流方法。
（2）预处理人脸图像的预处理工作包括两部分内容：人脸图像的几何归一化和人脸图像的灰度归一化。
人脸图像的几何归一化是指根据人脸检测的结果将图像中的人脸变换到相同的位置和尺寸。一般是根据人脸图像上器官的位置如眼睛、嘴、鼻子等进行的，归一化后的图像可以完整的保留眼睛、鼻子和嘴的部分。
人脸图像的灰度归一化是指对分割、定位后的人脸图像灰度值进行调整，以尽可能地减小成像环境差异、光照方位、角度不同带来的负面影响。通常是通过光照补偿等方法实现的。
（3）人脸身份认证基本方法 基于人脸的身份认证涉及到诸多的技术和方法，这些方法大致可归类为两种模式：基于图像灰度分布的方法(appearance-based scheme)和基于模型的方法(model-based scheme)。
基于图像灰度分布分析的人脸身份认证主要思想是人脸图像被表示为一个向量，可看作是高维空间中的一个点，其核心问题是如何通过统计技术分析这些在高维空间中的表征人脸图像的矢量以及分析矢量空间本身。基于外观模式的人脸身份认证又包括线性分析方法和非线性分析方法两类。
线性分析方法主要有：
（1）主成份分析方法(PCA－Principal Component Analysis)：通过正交变换得到从高维图像空间到低维子空间的变换矩阵[10]，该变换是一种最优正交变换。这些正交基又被称作“特征脸”[11][12]，这种方法被称作基于特征脸的方法。该方法是一种简单、快速、实用的基于代数特征的人脸识别方法，保留了人脸部件之间的拓扑关系，也保留了各器官部件的信息，得到广泛的应用。但它对光照、视角的变化影响比较大，因此对预处理、归一化的要求比较高。
（2）独立成份分析方法(ICA－Independent Component Analysis)[13]：该方法与主成份分析方法非常类似，唯一不同的是各成份的分布不服从高斯分布。
（3）线性判别分析方法(LDA，Linear Discriminant Analysis)[14][15]：该方法是模式识别领域里非常有效的降维手段之一，其基本思想是：充分利用训练样本集的类别信息，定义了类内扩散矩阵和类间扩散矩阵，策略就是使类内扩散矩阵尽量小，类间扩散矩阵尽量大，以此达到降维、分类的目的。近年来，衍生出许多改进的或扩展的LDA算法，如多类问题LDA方法、 Foley-Sammon最佳鉴别矢量集以及UODV算法等。
线性分析方法在将高维矢量映射为低维矢量时，其变换矩阵是线性的。然而，人脸图像实际上非常复杂，很难用线性模型对其进行完全的刻画和表示，因此，相应的非线性方法得到了很好的研究。常见的非线性方法有：基于核的主成份分析方法(KPCA－Kernel PCA)[16]，其主要思想是基于某选定的核函数，构造从输入空间到特征空间的一个非线性映射。此外，典型的非线性方法还有：ISOMAP[17]，LLE[18]等。
基于模型的人脸身份认证技术与基于外观的人脸身份认证技术不同，其主要目标是致力于构建能够表征人脸变化特性的模型，在设计模型时，人脸的先验知识被高度利用。主要代表方法有：基于特征的弹性模板匹配方法 (Feature-based Elastic Bunch Graph Matching)[19]、二维可变人脸模型(2D morphable face model)[20]以及三维可变人脸模型(3D morphable face model)[21]等。
3．当前基于人脸身份认证研究中存在的问题
基于人脸的身份认证研究经历了几十年的研究，研究者也提出了诸多经典算法用以提高系统的性能，然而，它仍然是一个存在诸多挑战的课题。主要存在问题可以归结如下：（1）姿态：人脸的图像会随着相机和人脸的相对姿式的不同而改变(正面，45度，侧面，俯视)。（2）结构成份的有或无：一些脸部特征比如胡子和眼镜不会在所有的人脸中出现，而且这些构成部分本身在尺寸外形颜色上也具有很大的不确定性。（3）面部表情：人脸的外观常常受到其表情的直接影响。（4）遮蔽：人脸有可能部分的被其它物体所遮蔽。在一张多人的图像中，一些脸可能部分的被其它的脸所遮蔽。（5）图像旋转：人脸图像会随着相机光轴的旋转而不同。（6）成像条件：拍摄照片的时候，光线(谱段，光源分布和光强)和相机特性(传感器性能，镜头)都会影响一张脸的外观。
其中姿态变化 (包括姿势、表情、遮挡物等)和不同光照条件是基于人脸身份认证技术的两大主要挑战问题。近年来该领域的诸多研究致力于解决这些问题。比如：在解决光照影响的研究中，主要形成了三类方法：不变特征法、光照变化建模和人脸图像归一化方法。总而言之，尽管基于人脸身份认证技术取得了长足的进展，其性能仍然不够令人满意[22]。
4．基于人脸身份认证的应用
人脸自动识别技术在商业领域及安全领域都有着广泛的应用。主要包括：（1）证件识别：如居民身份证、驾驶执照、护照等，将证件上的照片与持证人核对，这方面的应用已经开展了起来。（2）银行等安全部门的身份验证：无须密码，直接把交易人与银行里的人脸数据库核对，依此来确定人的身份，这方面应用的安全性要求较高，应用还不广泛。（3）海关、机场等部门的监控系统：计算机实时处理由监控设备传回的视频序列，将其中的人脸图像与数据库中的恐怖分子或罪犯图像比对，及时发现恐怖、犯罪分子。随着近两年恐怖主义事件的频频发生，这方面的应用在美国的机场、海关已经发挥了一定的作用。（4）公安刑事侦察：将嫌疑犯与公安人脸数据库中的罪犯、通缉犯等核对，对案件的侦破有一定的辅助作用，分布式公安人脸数据库人脸识别系统将有非常好的应用前景。（5）新一代的人机交互界面：使机器与人的交互更自然，直接。（6）人脸识别还有很多应用，如现在比较热门的基于内容的图像与视频数据库检索分类、公司或小区的自动门卫系统、远程电视会议、远程教育等，随着人脸识别研究的进一步深入，它的应用领域会越来越大。
基于指纹的身份认证
基于指纹的身份认证技术是20世纪60年代兴起的、利用计算机来进行自动指纹识别的一种方法。作为生物特征身份认证技术的一种，它具有其它特征识别所不可比拟的优点：（1）指纹具有唯一性：每个人的指纹基本上是独一无二的，两人之间就算他们是双胞胎也不可能存在着相同的指纹。在60亿人中不会找到一对特征完全相同的指纹。（2）指纹具有稳定性：每个人的指纹是相当固定的，很难发生变化。（3）指纹具有携带方便性：它是每个人天生具有的，所以获取指纹样本较方便。 一个人的十指指纹皆不相同，这样，可以方便地利用多个指纹构成多重口令，提高系统的安全性。所以，自动指纹识别是一种更为理想的身份确认技术。
1．基于指纹身份认证的基本过程
与其它身份认证方法类似，基于指纹身份认证过程也是一类典型的模式识别过程，它包括两个部分：登记过程和认证过程。
2．方法概述
(1) 指纹图像预处理—纹增强在指纹认证过程中，尽管任一手指均可用于指纹登记，但通常采用拇指、食指或中指来登记，这是因为拇指纹路较清晰，而食指和中指比较灵活的缘故。同时，登记的指纹最好是纹路清晰、特征点明显、没有破损或疤痕。
在实际的自动指纹身份认证系统中，总是出现指纹图像质量偏低的情形，因而，指纹图像增强的研究成为指纹特征提取过程的一个关键所在。为了提高质量偏低指纹图像的处理效果和效率，研究者们提出了多种指纹增强算法，如Willis等人提出的指纹增强算法 [23]，Lin Hong等人提出将Gabor滤波器用于指纹图像增强[24]等等。
(2) 特征提取根据指纹的总体形状和细节，指纹的特征分为两类：总体特征和局部特征(细节特征)。其中总体特征包括：基本纹路图案(环型、拱型、螺旋型)、核心点、三角点、式样线、纹数等；局部特征指的是指纹上的节点。通常有6种类型的指纹节点：脊断点、分歧点、分叉点、孤立点、短纹、环形点。除了类型特性以外，节点还有如下三种特性：方向、曲率、位置。
根据需求的不同，还可以把人的指纹特征分为永久特征和非永久特征。其中永久特征在人的一生中永远不会改变，如基本纹路图案、核心点、三角点、脊断点、分叉点、纹数、纹路曲率等；而非永久特征主要是在后天环境下形成的，如孤立点、短纹、疤痕以及由疤痕而造成的断点等等。
两枚指纹经常具有相同的总体特征，但它们的局部特征却不可能完全相同。因此，一般而言，基于指纹的身份认证系统大多是根据细节点的数目、类型和位置等信息来实现身份的认证。这使得准确可靠的检测细节特征对于基于指纹的身份认证具有非常重要的意义。近年来，许多研究者对此展开了较深入的研究，如：Srinivasan等人提出了一种通过检测纹线方向直方图的检测方法[25]；Bazen等人提出一种用纹线方向变化梯度的检测方法[26]等。
(3) 匹配及识别指纹识别系统的核心步骤是指纹匹配，基本包括如下几类：细节点匹配、脊线匹配以及指纹特征向量匹配等。一般来说，指纹匹配首先是进行指纹的校准，然后进行匹配点对的计算。指纹识别的研究在近几年里也取得很大的进展，提出了许多较好的方法，如目前最常用的FBI方法：它利用脊线末梢与脊线分支点来进行指纹鉴定和点模式匹配。此外，Hrechak等人提出了通过结构匹配的指纹识别方法[27]；Isenor等人提出用图匹配的方法来进行指纹匹配[28]；Miklos等人提出的三角匹配算法[29]等等。
为了寻求待识别图像相对于模板图像的最佳平移参数和旋转角度，研究者将曲线拟合技术引入指纹匹配过程中，通过对纹线拟合度的分析来进行指纹识别。此外，由于噪声干扰和特征点提取方法不完备等不利因素的影响，特征匹配需要解决由此引起的一系列问题，如特征数目不等、几何畸变以及伪细节点的出现等等。针对这些问题，研究者们分别提出利用Delaunay三角形化进行特征点空间剖分的特征匹配方法，多模板细节点融合方法等等。
在对当前指纹识别的现状及趋势进行深入分析的基础上，研究者们提出了基于细节点匹配，综合多种匹配方法的指纹识别思想。这一思想被认为是提高指纹识别系统可靠性的一种非常有效的途径。
3．基于指纹身份认证的应用
基于指纹的身份认证技术历史悠久，发展成熟，其应用领域也非常广泛，主要包括：（1）刑事侦破：这是指纹身份认证技术最早的应用领域。（2）门禁系统：指纹身份认证技术和产品较多应用于门禁系统。（3）金融证券：由于金融业务涉及资金以及客户的经济机密，为保证资金安全，保护银行客户及银行自身的利益，在业务管理和经营过程中，利用指纹身份认证技术越发显现出其必要性。（4）户籍管理：可以为加强政府行政准确度和行政管理力度提供可靠的质量保证。（5）员工考勤：员工考勤的公正、合理、科学、有效逐步成为企业或公司面临的现实课题，这首要强调的是身份认证的准确性。（6）其它如计算机及网络，社会保险，移动通信等等领域。
发展趋势
基于生物特征的身份认证技术经历了几十年的研究和探索，基本形成由利用单一的生物特征到综合多种生物特征来进行身份认证的发展趋势。
由于各种生物特征的识别方式都有其一定的适用范围和要求，单一的生物特征识别系统在实际应用中显现出各自的局限性，如有些人的指纹无法提取特征，患白内障的人虹膜会发生变化等等，统计显示迄今为止，还没有一个单生物特征能达到完美无错的要求。目前，生物特征识别领域出现了一种新的方向，即多种生物特征识别技术结合使用。如德国知名的法兰富尔协会研发了一种多重模板识别系统，DCS AG公司采用这一专利开发了身份识别系统BiolD。BiolD利用目前日渐普及的数字摄像头，将一个人的面貌、声音以及嘴唇运动三种生物特征相结合，在一秒钟内快速完成识别。由于在识别过程中同时采用了动态、静态这两种特征，当其中的一种生物特征变动时，多重模板识别系统还能依据其它两项生物特征进行识别。将数据融合方法用于身份鉴别，结合多种生理和行为特征进行身份鉴别具有低错误拒绝率、特征变化的适应性强、安全可靠性高等优点，从而进一步精化了识别率。提高鉴别系统的精度和可靠性，成为身份鉴别领域发展的趋势。
虽然目前中国生物识别研究的总体水平与国际先进水平尚存在一定差距，但研究步伐大体上跟国际同步，并在虹膜、指纹、声纹、人脸、掌纹、笔迹识别等领域颇具特色，达到世界先进和领先水平。为了推动国内生物认证技术的发展，不久前，作为国内生物认证技术研究单位之一的中科院自动化研究所，以模式识别国家重点实验室为核心，成立了国内第一个生物特征识别技术的专业认证与测评机构——“生物特征认证与测评中心”，结束了国内生物认证领域没有评测机构的历史。
在以计算机技术和生物技术为主流科技的知识经济崛起时代，身份认证有了来自生物体自身的密匙，横跨这两大科技领域的生物特征识别技术正愈益显示出其旺盛的生命力和远大前景。
吴玺宏 男，副教授，1967年出生。1995年于北京大学电子学系获博士学位。现任北京大学言语听觉研究中心常务副主任、北京大学信息科学技术学院智能科学系副主任、北京大学视觉与听觉信息处理国家重点实验室副主任、中国听力康复专业委员会副主任委员等职。主要研究方向为计算机听觉、语音信号处理、模式识别及其在声纹识别、人脸识别等领域的应用。
罗定生男，讲师，1975年出生。2003年于北京大学信息科学技术学院获博士学位。主要研究方向为机器学习与统计模式识别，语言信息处理，听觉信息处理及其在声纹识别、人脸识别等领域的应用。
