资源描述：
《基于far和frr融合的多模态生物特征识别-自动化学报》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、第37卷第4期自动化学报Vol.37,No.42011年4月ACTAAUTOMATICASINICAApril,2011基于FAR和FRR融合的多模态生物特征识别李永1殷建平1祝恩1李宽1摘要通过多生物特征识别融合可以显著地改善系统的识别性能,在多生物特征识别中,匹配分数级融合最常用.现有的匹配分数级融合策略包括基于归一化的融合、基于密度的融合和基于分类器的融合.本文分析了这三种融合策略的优缺点,结合分数归一化和基于密度方法的优点,提出了一种新的基于信任度的融合策略.其中,信任度是以错误拒绝率和错
2、误接受率为基础,既避免了直接求取某个匹配分数的后验概率,又能够刻画匹配分数的分布.将本文方法与几种有代表性的方法进行实验比较,结果表明,这种新融合模式可以有效地改进多生物特征识别系统的性能.关键词生物特征识别,多生物特征识别,分数级融合,多模态,错误拒绝率,错误接受率DOI10.3724/SP.J.1004.2011.00408MultibiometricFusionBasedonFARandFRR1111LIYongYINJian-PingZHUEnLIKuanAbstractMultibiom
3、etricsystemsareexpectedtobemoreaccurateduetothepresenceofmultipleevidences.Scorelevelfusionisthemostcommonlyusedapproachinmultibiometrics.Thereareusuallythreekindsoftechniquesofscorefusion:transformation-based,classi¯er-basedanddensity-based.Thispaper
4、¯rstlyanalyzestheadvantagesanddisadvantagesofthethreetypesofalgorithms.Thenanovelcon¯dence-basedfusiontechniqueisproposedwhichcombinestheadvantagesoftransformation-basedanddensity-basedfusionstrategies.Thecon¯denceisbasedonthefalserejectrate(FRR)andfa
5、lseacceptrate(FAR)whichcancultivatethedistributionofthematchscoreswhileavoidingcomputingtheposteriorprobability.Thecomparisonbetweenthenewalgorithmandtheexistingrepresentativealgorithmsisconductedinexperiments.Theexperimentalresultsshowthatthenewfusio
6、nschemeisrobustfordi®erentmultibiometricsystems.KeywordsBiometrics,multibiometrics,scorelevelfusion,multi-modal,falserejectrate(FRR),falseacceptrate(FAR)生物特征识别是指通过生理或行为特征来确认入侵者.分数级融合方法可以分为三类:基于归一个人身份的过程.高安全的认证系统通常都有严一化的融合、基于密度的融合和基于分类器的融格的性能需求,如较低的错误接
7、受率(Falseaccept合[2].rate,FAR)和错误拒绝率(Falserejectrate,FRR).基于归一化的融合首先将匹配分数归一化,然单一生物特征所含信息有限,同时受数据采集噪音后使用固定融合规则得到一个新的分数,从而做的影响,无法满足某些系统对高正确率的需求[1].通出最终的决策.基于归一化的融合有两个因素需过多生物特征识别融合来提高识别的正确率是目前要考虑:1)归一化函数;2)融合规则.常用的归一研究的热点之一.化函数有Min-Max、z-score、Tanh和Sigmoid
8、[2].根据融合的信息层次,多生物特征识别系统可Kittler等[3]提出了分类器融合的一般性理论框架,以分为传感器级融合、特征级融合、分数级融合和并在此框架下推导出5种基本的固定融合规则:决策级融合[2].分数级融合是目前研究最多的融Sum、Product、Max、Min和Median.文献[3¡5]合方式,因为匹配分数既屏蔽了各种生物特征数据对Product规则与Sum规则进行了比较研究:在单底层的多样性和识别过程的复杂性,又保存了个体个分类器性能比较准确,且在各分类器之间数据
