如果在机场的安检系统没有旅客的人工比对系统，没有身份证、没有护照，仅仅凭借各种传感设备记录的信息来核对身份，乘客自如的登机，有没有这个可能？我想大多数人的第一个反应，这是不可能的，如果识别错了呢？如果这个人带着面具呢、如果这个人做了美容、如果这个人做了手术呢、如果这个人变老呢？想象一下，有太多的不可能。
但是，谭铁牛院士告诉我们
这不仅不是不可能，而且还是未来的趋势。
我们的身份信息包含着年龄、性别、民族等信息，年龄性别民族等信息我们称为人口学特征。谭院士的讲座就是告诉我们如何通过人脸识别、指纹识别、声纹识别、耳型识别以及虹膜识别甚至加上签名识别等生物识别来确定这个人的人口学特征。
在讲座引入阶段，谭院士介绍了生物识别的概念：生物识别也叫“生物特征识别”，即根据人自身的特征，比如你的指纹来识别人的身份。这些自身的特征，就叫做生物特征，有两大类：一类叫生理特征，另一类叫行为特征。生理特征是与生俱来的，比如你的指纹、你的虹膜；行为特征是后天习惯使然，比如：走路的样子，写字的笔迹。人体有很多可以用来进行身份验证的生物特征。
在本讲座中，谭院士讲述了6大生物特征类：面部、声音、步态、指纹、虹膜、笔迹，利用这6大生物特征来估计人的性别、年龄和种族这三大人口学身份，并讲述了其涉及的模型和方法。
生物识别的技术来进行人口学特征分析标志性事件开始于1988年通过声音识别性别，而随着信息采集技术的进步以及深度学习技术的发展，人口学特征分析准确度越来越高，针对每一种生物识别技术，谭院士都是从问题提出、问题过去及现在解决方案以及问题挑战三个角度来阐述问题。
首先他讲述的是生物特征获取技术，手机、网络、智能穿戴设备、检测设备等都可以获取到人体生物学信息。
然后讲述了应用最为成熟的指纹识别方法，传统的指纹表示方法有山脊数、不对称山脊数、山脊厚度、山谷厚度比（RTVTR）等特征提取方法，也有小波表示和纹理分析方法。而最为奇妙的是男女的指纹特征并不一致，所以指纹识别可以用于性别的分类。
而用于人口学特征分析的人脸识别技术最开始是几何学分析，用鼻嘴眼的距离等特征来做特征脸，这个方法仅仅能分析正面图像，而且忽略了纹理信息，随后是Holisic模型和流形学习在人脸识别中的应用提高了识别的正确率，目前流行的深度学习技术在人脸识别的成功应用更是极大提升了人口学特征提取的精确度。但是人脸识别的各种技术均依赖于获取脸部图像的质量。
谭院士提出了三个挑战，包括侧脸图像、低分辨率的图像、光照或者遮挡的图像对人脸识别的影响。这三个挑战，与及其学生给出了用深度学习或者对抗网络来生成正面图像、高分辨率图像以及其他的调整，效果都相当好。从而也可见，此次的讲座给出我们一个解决问题的框架：提出问题、问题的传统与现在的解决方案以及问题的挑战及解决的方法。
人脸识别对年龄的识别传统的方法有BIF + Adaboost + SVM等，这些方法可以实现跟人工识别相同的效果，而卷积神经网络的应用使得对年龄估计的正确度会超过人类。但是对于非标准化的数据集人口学的预测可能相互影响，比如年龄估计会受到民族的影响，也会受到性别的影响。
而对好像千篇一律的人的行走方式在识别方面却表现出惊人的准确性。应用于人口学预测的步态识别传统方法有基于点光源的方法、基于模型和基于表观的方法。
当然谭院士是虹膜识别方面的专家，虹膜识别的纹理特征分析在性别识别方面应用也较为成功，结合Gabor滤波、线性滤波以及尺度不变滤波等小波分析方法能较好的进行身份识别。
声音识别主要是提取声纹和声韵特征来分析性别、年龄。LPCC、MFCC和PLP系数在性别之间的辨识度较高，如果加上振幅、频率、能量等分析方法，声纹的识别度会更高。
手写体受到人们身体素质、年龄生活方式等因素的影响，从而根据手写体来分析人口学特征具有先天的优势。微观上的字体梯度、结构和凸凹性以及宏观上的字体的倾斜性、字符间距和灰度值都可以作为人口特征探索的特征。而由于电子签名的应用，书写速度、书写方向、倾斜度和曲率等因素的记录更可以加强手写体识别的辨识度。
总之，综合各种生物识别方法可以较好的识别出个人的性别、年龄、种族等人口学特征。下表是各种生物特征识别的方法和应用。
