近几年随着深度学习技术（deep learning）的发展和推广，在某些领域突破了传统算法的瓶颈，尤其是在计算机视觉方向，自从imagenet2012上AlexNet大杀四方后，短短几年时间，深度学习已经几乎占据了三个视觉顶会（ECCV，CVPR，ICCV）。一时间，无论在学术界和工业界，计算机视觉方向的如果没有应用深度学习技术会被人看老古董一样的眼光看待。做为机器学习的一个子方向的深度学习成了炙手可热的技术，各种开源框架如Tensorflow，Caffe，Mxnet等深度学习框架迅速诞生，并得到大量开发人员的亲睐。
另一方面，硬件计算能力的突破，云计算等技术的提升，深度学习直接推动了人工智能的发展。随着科学家创业的兴起，人工智能创业企业中计算机视觉方向的初创企业占一半以上，而大多数计算机视觉企业选择生物特征识别作为突破口，比如近两年火爆的人脸检测，人脸识别。生物特征识别学术界和工业界的差距逐渐变成了数据的差异。
开这个专栏本意是总结生物特征识别领域的技术，探讨方案落地的具体实现方法，生物特征识别一个很广阔的领域，并不单单是其中一项技术。当然也不会仅仅局限在深度学习或者某一项技术应用上，更多的是基于不同场景工程化和产品落地应用的角度选择算法的方案。
从不同的生物特征的接受度不同应用的场景也不会相同，当前人工智能的主要是场景应用的落地，譬如指纹需要用户配合应用在手机支付上，而人脸识别分为配合式和非配合式的，场景可能分别为远程开户和安防领域。
虽然目前市场上基本是单一技术落地的产品，多模生物特征识别场景有待挖掘。很看好多种生物特征识别的应用前景，这是开专栏的目的之一。
本专栏计划介绍一些生物特征识别相关技术方案，同时也可能包括物体检测及识别等部分内容，主要为以下几方面
1. 小面积指纹识别技术
2. 3D人脸检测与识别
3. 眼纹识别技术
4. 语音识别与声纹识别技术
5. 其他生物特征识别技术（心跳，唇语等）
............
主要探讨一些可商用的算法方案，主要集中在工程上的效率优化以及算法上的微创新，但多数是对现有的技术方案优化，结合了一些新的想法，完成实际场景商业化的应用落地的可行性分析，如有侵权，请联系作者修改！对于一些不侵权的实现方案，会考虑Github上开源，以供参考。希望可以多多交流。
同时也欢迎大家投稿！
---------------------------------------------------------------------------------------------
1/1/2018 更新：
经过思虑，本专栏将专注于终端上的生物识别技术的探讨，其他方向将考虑另开专栏分享，包括：
字符分隔与OCR
行人检测及行人重识别
人体姿态识别
步态识别
重要提示：
专栏主要在于分享算法应用及技术进展，为非商业赢利性质。如果其中内容有让您感觉侵犯了您的专利权或者其他您觉得合法的权利，请及时联系作者！！！