掌纹识别与人脸识别的关系可以用移动操作系统领域iOS系统和安卓系统的关系来类比。掌纹识别技术因其封闭性，会获得更好的安全性和使用体验；人脸识别得益于框架开源，将拥有更多创新应用和更大的应用规模。

近期美国专利与商标局公布了亚马逊最新专利申请，一种非接触式扫描系统，可通过扫描手掌特征(包括掌纹和静脉)来识用户身份。

目前，亚马逊公司已获得了“非接触式扫描系统”的专利，并将其手掌识别技术代号确定为Orville。

同时，该系统已经在美国whole foods商超、Amazon Go便利店进行测试，在进入商店时顾客需要扫描手掌，结束购物时在配备扫描仪的收银机上再次扫描手掌来结账。亚马逊在其试运行的便利店打出了“No Line, Just Walk Out”(无需排队结账)标语。

　　手掌识别实现无感支付

“ Amazon Go”是由Amazon经营的美国便利店连锁店。在试运营该系统的Amazon Go便利店中，开始购物时顾客需要扫描手部以登记信息。随后在购物的过程中店内机器视觉系统会自动分辨顾客选择的货品类型和数量。

当需要结束购物时，顾客只需将想要购买的物品携带至掌纹扫描设备，并且在扫描仪附近挥手即可完成支付。在挥手扫描的同时，交易数据将被链接到顾客的银行信息，整个支付过程可以在一秒之内完成。

其中，亚马逊手掌特征扫描系统包括了红外光源、控制器和摄像机三部分。

扫描仪首先获取一组经过红外偏振的原始图像，专注于手掌外部特征，如线条、褶皱;再次获取第二组偏振图像时，则专注于手掌结构和内部特征，如静脉、骨骼、软组织等。

原始图像经过初始处理，会提供包含手部的一组图像。这些图像均照度充足、正确合焦，并会以特定朝向、特定姿势显示手掌，并标示出是左手还是右手。

这组经过筛选和校正的图像集合中的图像将被划分为更小的子图像。例如，描绘外部特征的图像可以被分成15*15像素的子图像或“补丁”。之后便可以使用神经网络确定特征向量，并利用神经网络识别子图像中的特征。

经过足够的训练，神经网络便可以接受子图像作为输入，产生特征向量——对应原图像中的一个或多个手掌特征。

　　优势

在亚马逊的报告中，使用掌纹识别的独特优势体现在其识别速度。目前，人脸识别、指纹识别等技术加持下的移动支付耗时处在秒级水平，而亚马逊的掌纹识别技术则可以在仅仅300毫秒的时间内验证个人身份并完成支付。

同时，相比于传统手部生物识别技术——指纹识别，掌纹识别不需要使用者将手放在扫描设备上，只需挥手扫描，无需接触。

对于识别正确率而言，掌纹识别对比现在流行的人脸识别也具有相当大的优势。根据报道，这项技术的故障率在0.0001%左右，亚马逊正在努力将这一故障率提高至0.000001%。

另外，现在流行的指纹识别、人脸识别等生物识别技术，都出现过安全性问题。例如指纹识别可以被指纹膜成功欺骗，未辅以强大活体检测功能的人脸识别系统也可以被3D打印面具欺骗的情况。

因此，生物识别技术在应用时都需要配合活体检测或者叠加使用。而掌纹识别在初始阶段即是双重验证——第一次获取外部特征，第二次获取内部组织特征，在安全性上相对于其他生物识别技术有所提高。

　　暂时无法替代卡证系统

亚马逊的专利申请指出，该系统准确，快速地识别用户将提供的有效的信息，可以通过多种方式加以使用。例如，可以基于用户身份来控制对材料处理设施(设施)，办公室(办公)，运输设备、医院、学校、酒店或其他场景的访问权，而这些场景下目前多使用证卡系统。

但是，参照目前AmazonGo便利店中的情况而言，可以看出这样的生物信息采集和比对方式受其自身特点的限制，系统难以小型化。对于亚马逊描述的潜在使用场景：办公室、运输设备、医院、学校来说，掌纹扫描设备依然需要被嵌入闸机等设备，因此整体设备的体积决定了其更适用于类似商超的出入口——出入口统一，并且出入行为不频繁，而不适用于办公室、教室、酒店房间、医院科室等小型化，需频繁出入的场景。

同时，参照生物识别技术中的指静脉技术而言，掌纹中的静脉、软组织等结构也有可能随着年龄和生理状态的改变而发生变化，作为生物识别的特征而言其永久性和唯一性也仍需长期应用后的证实。

　　掌纹识别与人脸识别互不冲突

首先，在掌纹识别之前，亚马逊并非没有尝试过开发生物识别技术。2016 年底，这家软件巨头发布了其人脸识别软件Rekognition，并依附于亚马逊最大业务——AWS 云服务业务对外输出该技术，且当时公司就表示，俄勒冈州华盛顿县警方已经试点该技术指认嫌疑人。

而目前的掌纹识别技术，诞生之初就被用以服务其零售业务，提升顾客体验，其目的更类似于亚马逊曾经大获成功的“一键下单”功能——缩减购物流程，提升消费体验。因此，两种技术的出发点并不相同，相互独立，不存在替代或革新的意图。

其次，就人脸识别技术而言，其应用在国外颇具争议，被认为具有侵犯性。同时，其对于有色人种的人脸识别正确率会大幅降低，因此无法展开大规模应用，旧金山的城市监管会就曾禁止这一技术的使用。

但在国内而言，不存在类似的政策和技术问题，因此人脸识别得以获得大规模的应用。在人脸识别大规模顺利应用的情况下，移动支付和安全防范领域并没有引入新型生物识别技术的动机。

最后，亚马逊目前已经获得了该技术的专利，而这项掌纹识别技术专利的目的是简化商超零售购物流程，其后续的发展有可能类似亚马逊过去的同性质的过程专利“一键下单”软件专利的情况——任何想在网上卖东西的人，都被禁止添加“一键下单”选项，除非他们愿意向亚马逊支付专利费。

这种局面将直接导致该技术的私有化。而当前人脸识别获得大规模应用的一个重要原因是深度学习技术底层框架的开源，因而可以根据需求进行二次开发，这也使得人脸识别大规模应用后仍在继续发展，不断延伸和衍生。

所以，掌纹识别与人脸识别的关系可以用移动操作系统领域iOS系统和安卓系统的关系来类比。掌纹识别技术因其封闭性，会获得更好的安全性和使用体验;人脸识别得益于框架开源，将拥有更多创新应用和更大的应用规模。

虽然两者发展模式不尽相同，不存在直接冲突，但两者同属生物识别技术，因而存在竞争关系，而两者间的竞争，也将促进生物识别技术的进一步发展。