平均每个指纹都有几个独一无二可测量的特征点，每个特征点都有大约七个特征，我们的十个手指产生最少4900个独立可测量的特征。
现今指纹图像采集的技术主要为射频指纹识别技术。射频传感器技术是通过传感器本身发射出微量射频信号，穿透手指的表皮层去控测里层的纹路，来获得最佳的指纹图像。因此对干手指，汗手指，脏手指等困难手指通过可高达99%，防伪指纹能力强，指纹敏感器的识别原理只对人的真皮皮肤有反应，从根本上杜绝了人造指纹的问题。
这个最近火在移动支付方面的生物识别技术，因其防伪性高、生物特征唯一、核心芯片不断缩小等方面，已广泛用于平板、手机甚至手表等移动端，并将会在未来主流生物识别市场占有一席之地。将手指放在手机屏幕上，随手一划就能确认支付，将安全度与便捷性完美结合。但是，它还有一个强大的对手，人脸识别。
人脸识别，阿里腾讯认准的生物识别方式
作为未来主流生物识别方式之一，人脸识别最大的优点是对硬件几乎没要求，即使几百元的手机摄像头也可以满足，剩下的只是软件问题。未来的结果就是，你在结账时，对着收银台的摄像头左看看右看看，支付就这样完成了。这种认证方式在未来移动支付时代具有高便捷性，加上硬件要求极低，足以让阿里腾讯看好它的未来。
自动人脸识别的经典流程分为三个步骤：人脸检测、面部特征点定位、特征提取与分类器设计。在深度学习出现以前，人脸识别方法一般分为高维人工特征提取和降维两个步骤。2014年之后，主要技术路线为深度学习。
Google发表于CVPR2015的工作FaceNet采用了22层的深层卷积网络和海量的人脸数据(800万人的2亿张图像)以及常用于图像检索任务的Triplet Loss损失函数。值得一提的是，人脸类别数达到800万类，FaceNet在LFW数据集上十折平均精度达到99.63%，这也是迄今为止正式发表的论文中的最好结果，几乎宣告了LFW上从2008年到2015年长达8年之久的性能竞赛的结束。
尽管如此，一模一样的技术，拿到真实环境下得到的准确率可能只有75%……也许会有些人觉得这是很可笑的，请不要笑，这是科研圈里朋友的普遍做法，不是没有苦衷的。
虽然目前的人脸识别技术上不完美，受环境等影响很大，但全球领先的中国face++公司已经可以做到先识别你是不是一个人了(照片肯定是不行的，即使你捂住半边脸，依然可以识别你是一个人。)
“人脸识别技术比人的识别能力要强，而且强不少”，北京旷视科技(face++)市场与经营部总经理谢忆楠说，“比如一个银行柜员对人脸识别的精度可能达到万分之一误识率，通过率可以超过90%;而我们最好的成绩是十万分之一的误识率，通过率可以超过97%-98%。”
目前评价科研中算法的优劣的唯一方法就是找一个数据集，然后大家一起对比，随着数据集中数据数量越大，其结果也越精准，于是阿里通过各种方式来收集人脸信息，比如支付宝中的未来蚁来，有一个游戏叫遇见名画中的自己，规则是你放入带有你人脸的照片，然后搜索跟你照片特别相似名画，以此来收集人脸信息。笔者还做了测试，结果如下：
至少图像识别的结果还是比较不错的。
(生物识别还包括视网膜识别、颅骨识别、静脉识别、手型掌纹识别等等，这些生物识别方式有些对硬件要求相对较高，有些唯一性相对较低，在此不予讨论。)