今天是冬令营最后一天，在闭幕式后，同学们纷纷合影留念。相信在这五天中，同学们结下了友谊，在以后的学习和工作中会相互扶持和帮助。
第一场 生物特征识别中的融合和隐私
王家祺 博士生 北京交通大学
经历了四天丰富多彩的活动之后，Winter School的最后一天终于到来。说真的，还有点不舍得离开（吃吃喝喝的生活）。
今天首场Lecture是由美国密西根大学的Arun Ross给我们带来的《Fusion and Privacy in Biometrics》。Arun Ross有三部生物特征识别方向的著作《Introduction to Biometrics》、《HandBook of Mulitibiometrics》、《HandBook of Biometrcis》，对于刚刚踏入生物特征识别方向的我，打算接下来花时间拜读一下。
Prof.Ross首先给我们介绍了现今生物特征识别中的挑战，分别有遥感数据中的噪声，用户内部差异（同一用户由于拍摄光源、拍摄角度、带眼镜与否等带来的差异），独特性(标记生物特征的模板容量是有限制的，存在biometrics “zoo”现象),非普遍性(并不是所有用户都可以成功地表现出特征，比如有些人的指纹图像质量并不高)，欺诈攻击(通过仿制品和人工的方法来绕过系统，比如存万能指纹Materprint)。
其中在欺诈攻击中着重介绍了一下Ross自己与纽约大学博士Aditi Roy等提出的MasterPrint（万能指纹）。由于应用于移动终端的指纹传感器对尺寸有严格要求（例如手机），因此指纹传感器只能截获用户完整指纹的一部分，然后用于用户身份辨别。由于手机指纹传感器尺寸偏小，对于同一个用户的指纹，传感器每次只能记录整个手指的一部分，而这每一部分都是系统确认用户的重要参考。此外，按照纹路分布的不同，常见指纹可分为弧形纹（arch）、箕形纹（loop）、斗形纹（whorl）三类。据统计世界上60%至65%的人有着箕形指纹，30%至35%的人拥有斗形纹，5%的人拥有弧形指纹。因此利用上述手机传感器的漏洞和人类的常见指纹，无需对用户指纹信息进行采集，直接使用MasterPrint制作指纹模，就能实现指纹解锁。
接着，Ross给我们总结了生物特征识别中特征的属性并得出了结论——没有一种生物特征是完美的（最优的），大部分还是可以接受的。所以是时候停止关于那种模式分类技术是最好的争论了！因为这是要取决于我们具体的上下文环境和目标的。所以我们应该站在更高的角度来辩证的去看，要学会把这些特征方法融合在一起，并且根据具体情况来扬长避短因地制宜地去应用。于是这就引入了这场Lecture的第一个重点——生物特征信息融合(Biometric Fusion)。
生物特征融合把多种生物特征证据融合在一起，通过多特征会使得个体的验证更加稳固。多种生物特征信息被整合在一起可以提高匹配时的表现、提高了识别种群的规模并且很难被欺骗了。当然这里的信息融合来源可以很多，可以是指纹、人脸、虹膜这样的多模态融合也可以一个人的不同角度图片的融合。
我们知道在传统的单特征识别中，都有如下几个阶段：Raw Data、Feature vector、Match Score、Rank、Binary Decision。所以根据信息融合的时机不同，可分为如下的几个融合阶段：Data Level Fusion，Feature Level Fusion，Score Level Fusion，Rank-Level Fusion和Decision-level Fusion. Prof.Ross分别介绍了这五个阶段中信息融合的方法、实例以及最后的效果。
在介绍完信息融合之后，接着就是这次Lecture的第二个重点——Privacy。首先引用了三个名人的名言来解释隐私的重要。紧接着告诉我们，站在可视化立场上，相比于指纹和虹膜，人脸图片可以泄露更多的个人信息。一张人脸图片可以泄露：性别、年龄、种族、健康状况等等。
虽然虹膜相较人脸图片较难获取，但是一旦泄露，也可能丢失如下信息。
以下这个虹膜就被分析出这么多信息出来！
Emm…为了防止我们隐私泄露，我们当然可以用这种方法（杀马特发型）~
为了保护我们的隐私，我们可以用很多方法来反识别。比如可以分解面部图片，并且储存在两个不同的服务器上。被decompose后的图片不能独立推导回原图片。
紧接着Ross介绍了一个Visual Cryptography方法来分解图片。面部图片、指纹图片就可以用Visual Cryptography的方法分解成两个随机的图片
当然GEVCS这个方法也很不错！因为用这个方法拆分后，可以是两张非常自然的的图片了。
指纹图片也可以通过混合其他人的指纹来做到反认证。
最后ROSS向我们演示了一个有意思的保护隐私工具。可以修改原图片人的年龄，种族以及性别等属性。
Lecture后，同学们非常积极的向Ross教授提问，Ross教授也非常耐心地解答。通过Ross教授的这节课，我们收获了很多关于生物特征识别中融合和隐私处理方面的知识，也给未来科研提供了新的思路。
第二场 在蚂蚁金服中的生物特征识别应用
陈泽林 硕士生 中山大学
李亮博士把会议的主题带到了实际应用的层面上，深入浅出的讲授了人脸识别是如何真正应用到了互联网产业上，影响我们的生活，通俗的说就是“如何靠脸吃饭”。虽然在学术研究领域上人脸识别技术已经相当成熟，但是要应用的产业上还是困难重重的，其中包含了以下几个层面。
一、图像的质量方面：一般研究环境上的测试样本质量都比较不错，但实际应用上，由于移动设备的多样性，导致图片质量参差不齐。
二、防攻击系统：之前的lecture都已经很详细的说明了人脸的非活体攻击问题。目前活体检测技术还是一个未被完备解决的技术，所以如何防止非活体的人脸识别攻击成了一个大难题。
三、人脸检索问题：Liang Li说目前实际应用中只能解决人脸验证问题，还没很好的解决检索问题，因为检索问题上搜索空间是很大了，基本是百万级别的。这种情况下，人脸识别的可靠度会大大降低。
除了人脸识别上的应用，Liang Li还讲授了声纹识别和签名识别的应用。
第三场 虹膜识别
邓琪瑶 硕士生 中国科学院自动化所
在最后一场报告中，中国科学院自动化研究所的孙哲南教授为大家系统地介绍了虹膜识别。
首先，孙教授基于虹膜的本质特征解释了为什么虹膜可以用于生物特征识别。
基于以下三个特性，虹膜可应用于生物特征识别
与人脸、指纹等其他生物特征相比，虹膜具有其独特的优势。虹膜具有更多的信息量，比人脸和指纹高一个数量级，因此虹膜具有更高的精度，唯一性更好，更安全。
孙教授通过视频展示介绍了目前虹膜的广泛的应用领域， 比如门禁、边境安防、失踪人口追踪、下井矿工信息记录、银行取款等等。此外，虹膜还应用于印度全国的身份信息采集，将虹膜、人脸和指纹信息融合，降低了身份识别的错误率。
孙教授结合其课题组的研究系统地介绍了虹膜识别，虹膜识别技术可以划分为虹膜图像获取、虹膜图像预处理和虹膜图像特征提取和比对等三大步骤。根据虹膜本身的一些特质，虹膜图像获取目前一般采用近红外对虹膜进行成像。虹膜预处理包括虹膜检测、虹膜活体检测和虹膜质量评估三个阶段。此外，孙教授还介绍了课题组目前将深度学习用于虹膜的图像分割、身份验证、活体检测以及性别和种族分类等方面的工作，得到了更好的性能。孙教授还提出了了虹膜识别的将来技术路线，虹膜识别有七个发展阶段：近距离——主动成像——远距离——用户配合——用户非配合——相机主动抓拍——智能监控。
接下来孙教授介绍了他们课题组发布的虹膜识别的数据库——CASIA Iris Image Database V4.0，包括六个子集，不同间隔、光照、远距离、自动合成等条件下的图像。为虹膜研究者提供了平台和资源。
根据当前的虹膜识别发展，孙教授表示虹膜识别也有不少挑战：
采集高质量的虹膜图像
在遮挡、旋转等变化下的虹膜识别
在跨设备条件下的虹膜识别
移动终端的虹膜识别问题
多模态的虹膜识别问题
最后，孙教授对这次生物特征识别冬令营进行了总结，表示目前生物特征识别的发展前景非常好，将生物特征识别作为人工智能的一个切入点，为大家以后的科研和工作都是一个很好的铺垫。
一些花絮
