如何以“一手之力” 证明你就是你？

传统算法主要依靠细节特征点比对，而指掌纹上除了传统特征点还有很多其他信息，例如纹线的曲率、疏密分布、宏观的走向、拓扑结构等等，以及大量的不能直接用规则描述、但是有区分度的信息，这些都可以被用来区分指掌纹。然而，这些信息分布在不同的尺度上，有的是在像素层级的，有的是指纹整体图像层级的，用人工规则编码的方式来提取这些特征是不现实的，需要有特殊的方法。

墨奇智能指掌纹系统采用人工智能技术来提取多尺度特征，在从像素到整体图像的每一个中间尺度上，都提取了标签、向量和图等不同的特征，使得信息量扩大了上万倍。同时，通过高效的压缩算法，多尺度特征的大小只是传统的数倍就实现了上万倍的信息量扩充。

特征的索引结构也是比对性能的决定性因素之一。系统对多尺度特征分配了不同的索引结构，例如，对于向量特征使用了多种量化索引的特征以支持近似和精确查询。索引在内存中使用列存储的数据结构。对于索引来说，特别是向量和部分的几何索引结构，列存储的性能要显著优越于行存储。索引的内存访问是向量优化的，也就意味着很多的指令可以以批次（Batch）的方式进行，节约了 I/O 和提高缓存效率。

适应多尺度特征的 AI 自学习框架，能够从搜索候选中不断自学习，且单张图片的训练信号大大增加，突破了 feedforward neural network 的瓶颈。

专门用于视觉搜索的异构多层分布式系统，针对多尺度特征进行了优化，同时提高了搜索准确性和速度。系统比对引擎由一组异构的比对服务器组成，支持CPU、GPU、NPU 等不同的计算单元。引擎将不同种类的特征分配到不同的计算单元上去，在保证准确率的情况下实现加速。在比对过程中，向量和大尺度被首先分配到 GPU/NPU 中去，利用其强大的并行计算能力，对特征进行初步的比对和过滤；对结果使用 CPU 进行几何特征的比对和精确匹配，以及对于多种算法的候选列表进行再排序以优化最终的结果。

秒级搜索数十亿图像的高性能搜索引擎，具备单机高性能 + 分布高容错比对，可以实现海量索引数据分段存储，机群自动扩展和数据自动恢复。同时，利用 NVM 减小了内存消耗，提高了数据密度。