多样本、多单元、多角度、多模态生物特征识别技术研究（可编辑）

多样本、多单元、多角度、多模态生物特征识别技术研究（可编辑） 多样本、多单元、多角度、多模态生物特征识别技术研 究 分类号 TP391.1 学号 07069014 UDC 密级 公 开 工学博士学位论丈 、、、 博士生姓名 李永 学科专业 计算机科学与技术 研究方向 模式识别 指导教师 殷建平 教授二O一一年九月 论文书脊 Research on Multi-sample, Multi-unit, Multi-view, Multi-modal Biometric Recognition Candidate:Yong Li Supervisor:Prof. Jianping Yin A dissertation Submitted in partial fulfillment of the requirements for the degree of Doctor of Engineering in Computer Science and Technology Graduate School of National University of Defense Technology Changsha,Hunan,//.na September,2011 博士 位论文 目 录 摘要 i Abstractiii 第一章 绪论 1 1.1 背景. 2 1.1.1 身份认证与 2 1.1.2面临 挑战. 3 1.1.3 基于 融合 身份5 1.2 现状. 6 1.2.1 现状6 1.2.2现状10 1.3 文 内容 财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容 及主要 创新. 16 1.3.1 内容 16 1.3.2 主要 创新. 18 1.4 论文结构20 第二章 基于多样本匹配分数的 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 选择和更新23 2.1 引言. 23 2.2 基于 板 过程. 24 2.3 板融合. 25 2.3.1 板融合25 2.3.2 实验结果 26 2.4 板选择. 27 2.4.1 一种 板选择 型27 2.4.2 板数量 讨论 27 2.4.3 基于匹配分数 板选择算法. 28 2.4.4 实验结果 29 2.5 板更新. 31 2.5.1 板更新31 2.5.2 两种 板更新策略32 2.5.3 实验结果 32 2.6 小结. 34 第 I 页博士 位论文 第三章 基于模拟数据的多单元指纹识别研究37 3.1 引言. 37 3.2指纹 系统 相似 型 38 3.3 一种 融合算法. 40 3.3.1 Square和 Square-Sum 规则40 3.3.2 实验结果 42 3.4与 比较 46 3.4.1 现状分析 46 3.4.2 实验结果 47 3.5 小结. 48 第四章 基于真实数据的多单元指纹识别研究51 4.1 相关工作51 4.1.1 指指纹 性能. 51 4.1.2 指指纹融合 53 4.1.3 不同手指之间相关性 53 4.2 真实十指指纹数据库 54 4.3 真实指纹. 55 4.3.1 指 性能分析55 4.3.2 指融合性能分析58 4.3.3 手指之间相关性分析. 61 4.4 基于改进 Sum规则 指纹融合算法 63 4.4.1 基于真实数据 融合规则比较 63 4.4.2 改进 Sum规则. 66 4.5 小结. 68 第五章 基于动态分数选择的多角度非接触指纹识别. 71 5.1 引言. 71 5.2非接触指纹采集系统 72 5.3 非接触指纹 73 5.4 基于动 分数选择 非接触指纹 算法 75 5.5 实验结果与分析77 5.5.1非接触指纹 比较. 78 5.5.2 与其它 融合算法比较78 5.5.3 不同数量 组合 非接触指纹 比较. 79 5.6 小结. 79 第 II 页博士 位论文 第六章 基于 FRR和 FAR融合的多模态识别81 6.1 引言. 81 6.2 一种融合 型 82 6.2.1 匹配分数 概率有序性 82 6.2.2 融合 型. 83 6.3 基于信任 算法84 6.3.1 理想转换函数及其性质 84 6.3.2 训练集匕 转换函数 计算. 85 6.3.3 测试集匕转换分数 计算86 6.3.4 计算举例 88 6.3.5 实验结果和分析 89 6.3.6 信任 算法小结 93 6.4 信任 函数算法和归一化算法 比较94 6.4.1 几种分数归一化算法. 94 6.4.2 实验结果 95 6.4.3 归一化算法小结 97 6.5 一种基于 SVM FRR和 FAR融合算法98 6.5.1 动机分析 98 6.5.2 匹配分数对应 FRR和 FAR值 计算 98 6.5.3 匹配分数对应 FRR和 FAR值计算举例99 6.5.4 一种基于 SVM FRR和 FAR融合算法. 100 6.5.5 实验结果. 101 6.6 小结105 第七章 总结与展望. 107 7.1 总结107 7.2 展望109 致谢..111 参考丈献.113 作者在学期间耶得的学术成果. 125 攻博期间参研的主要科研项目. 127 第 III 页博士 位论文 表目录 表 2.1 最 化匹配分数算法MMS 28 表 2.2 贪婪最 化匹配分数算法GMMS. 29 表4.1 DP指纹库左右手手指融合 EER和 GARFAR0.00159 表4.2 PB指纹库左右手手指融合 EER和 GARFAR0.00159 表 4.3 左右手之间及内部手指相关系数平均值. 63 表 4.4 左右手对应手指用户匹配分数 相关性. 63 表 4.5 左右手对应手指入侵者匹配分数 相关性 63 表 5.1 匹配分数聚类举例. 76 表 5.2 基于匹配分数 非接触指纹 融合算法 CDSS. 77 表 5.3 不同 组合 EER、AUC和 d_prime 78 表 5.4 五种融合算法 EER、AUC和 d_prime 79 表 6.1 训练集匕 B和 T计算实例. 88 k k 表 6.2 测试集匕转换分数计算实例 89 表 6.3 基于 XM2VTS-Benchmark数据中各个 一 系统 EER90 表 6.4 基于 XM2VTS-Benchmark 各种算法 EER90 表 6.5 基于 XM2VTS-Benchmark 各种算法 个 以匕组合 EER 90 表 6.6 基于 XM2VTS-Benchmark 各种算法性能排名得分 91 表 6.7 基于 NIST-BSSR1数据中各个 一 系统 EER. 91 表 6.8 基于 NIST-BSSR1数据 各种算法 EER91 表 6.9 基于 NIST-BSSR1 各种算法性能排名得分91 表6.10 7种归一化算法 EER值. 96 表6.11 基于 EER 归一化算法 性能得分96 表 6.12 基于 EER、AUC 和 GARFAR0.001性能得分总和. 97 表 6.13 训练集匕匹配分数对应 FRR 和 FAR 计算举例. 99 k k 表 6.14 测试集匕匹配分数对应 FRR 和 FAR计算举例 100 k k 表 6.15 不同类型融合算法 EER比较101 表 6.16 基于 EER排序 不同类型融合算法性能得分102 表 6.17 不同类型融合算法 GARFAR0.001. 102 表 6.18 基于 GARFAR0.001排序 不同类型融合算法性能得分102 表 6.19 基于 SVM 不同融合算法 EER103 表 6.20 基于 EER排序 不同 SVM融合算法性能得分103 表 6.21 基于 SVM 不同融合算法 GARFAR0.1%104 第 IV 页博士 位论文 表 6.22 基于 GARFAR0.1%排序 不同 SVM融合算法性能得分 104 第 V 页博士 位论文 图目录 图1.1 IBG对 2009年各种 市场份额 统计. 3 图1.2 IBG对 2009-7>2014年市场收入额 预测 3 图 1.3 基于数据来源 系统分类. 13 图 1.4 文结构图. 20 图 2.1 板系统注册流程 25 图 2.2 板系统认证流程 25 图 2.3 板融合中 5种融合规则 ROC曲线. 26 图2.4 K1N8时,MMS和 Random算法 ROC比较曲线 29 图2.5 4种算法在不同 K值N8时 EER%值29 图2.6 K2,3,4,5N8时,MMS、sMDIST和 Random算法 ROC曲线30 图2.7 K2,3,4,5N8时,MMS和 GMMS算法 ROC曲线 30 图 2.8 在线更新 1次后,4种算法 ROC曲线对比 32 图 2.9 在线更新 2次后,4种算法 ROC曲线对比 32 图 2.10 在线更新 3次后,4种算法 ROC曲线对比. 33 图2.11 在线更新 4次后,4种算法 ROC曲线对比33 图 2.12 基于 GMMS算法 在线 板更新策略 ROC曲线t1,2,3,4. 33 图 2.13 基于 MMS算法 在线 板更新策略 ROC曲线t1,2,3,4. 33 图 2.14 基于 sMDIST算法 在线 板更新策略 ROC曲线t1,2,3,433 图 2.15 基于 GMMS算法 在线和离线 板更新策略 ROC曲线 33 图 2.16 基于 MMS算法 在线和离线 板更新策略 ROC曲线 34 图 2.17 基于 sMDIST算法 在线和离线 板更新策略 ROC曲线. 34 图 3.1 两幅指纹图像匹配 一般过程38 图 3.2 应用 5种规则 手指指纹 系统 ROC曲线2个手指. 43 图 3.3 应用 5种规则 手指指纹 系统 ROC曲线3个手指. 43 图 3.4 应用 5种规则 手指指纹 系统 ROC曲线4个手指. 43 图 3.5 应用 5种规则 手指指纹 系统 ROC曲线5个手指. 43 图 3.6 应用 Sum、和 Sum-规则 手指系统 ROC曲线5个手指. 44 图 3.7 应用 Pro-规则 手指系统 ROC曲线5个手指. 44 图 3.8 应用 Sum、Square和 Pro-系统 ROC曲线5个手指. 45 图 3.9 应用 Sum、Square和 Square-Sum系统 ROC曲线5个手指45 图 3.10 手印系统不同算法 ROC曲线3个手印 . 47 图3.11 算法 手印系统 ROC曲线K为手印 数量47 第 VI 页博士 位论文 图3.12 Sum算法时 手指 系统 ROC曲线K为手指 数 48 图 3.13 手印和 手指指纹 系统 ROC曲线. 48 图4.1 DP指纹库 0067号用户 十指指纹图像. 54 图4.2 PB指纹库 0067号用户 十指指纹图像. 55 图4.3 DP指纹库左手手指 ROC曲线 56 图4.4 DP指纹库右手手指 ROC曲线 56 图4.5 PB指纹库左手手指 ROC曲线. 56 图4.6 PB指纹库右手手指 ROC曲线. 56 图4.7 DP指纹库各个手指以及左右手手指EER. 57 图4.8 PB指纹库各个手指以及左右手手指EER. 57 图4.9 DP指纹库各个手指以及左右手手指AUC 57 图4.10 PB指纹库各个手指以及左右手手指AUC. 57 图4.11 DP指纹库各个手指以及左右手手指GARFAR0.001. 58 图4.12 PB指纹库各个手指以及左右手手指GARFAR0.001. 58 图4.13 DP指纹库左右手对应手指融合 系统 ROC曲线. 59 图4.14 PB指纹库左右手对应手指融合 系统 ROC曲线59 图4.15 DP指纹库中融合左右食指 拇指 系统 ROC曲线 60 图4.16 PB指纹库中融合左右食指 拇指 系统 ROC曲线. 60 图4.17 DP指纹库中融合左手 个手指 系统 ROC曲线. 60 图4.18 DP指纹库中融合右手 个手指 系统 ROC曲线. 60 图4.19 PB指纹库中融合左手 个手指 系统 ROC曲线61 图4.20 PB指纹库中融合右手 个手指 系统 ROC曲线61 图4.21 DP图 a和 PB图 b指纹库中各个手指 用户分数 相关系数图. 62 图4.22 DP图 a和 PB图 b指纹库中各个手指 入侵者分数 相关系数图 62 图4.23 DP指纹库左右食指 融合 ROC曲线. 64 图4.24 PB指纹库左右食指 融合 ROC曲线64 图4.25 DP指纹库左右中指 融合 ROC曲线. 64 图4.26 PB指纹库左右中指 融合 ROC曲线64 图4.27 DP指纹库左右无名指融合 ROC曲线. 65 图4.28 PB指纹库左右无名指融合 ROC曲线65 图4.29 DP指纹库左右小拇指融合 ROC曲线. 65 图4.30 PB指纹库左右小拇指融合 ROC曲线65 图4.31 DP指纹库左右 拇指融合 ROC曲线. 65 图4.32 PB指纹库左右 拇指融合 ROC曲线65 第 VII 页博士 位论文 图4.33 DP指纹库左右食指融合 ROC曲线67 图4.34 PB指纹库左右食指融合 ROC曲线 67 图4.35 DP指纹库左右中指融合 ROC曲线67 图4.36 PB指纹库左右中指融合 ROC曲线 67 图4.37 DP指纹库左右无名指融合 ROC曲线. 67 图4.38 PB指纹库左右无名指融合 ROC曲线67 图4.39 DP指纹库左右小拇指融合 ROC曲线. 68 图4.40 PB指纹库左右小拇指融合 ROC曲线68 图4.41 DP指纹库左右 拇指融合 ROC曲线. 68 图4.42 PB指纹库左右 拇指融合 ROC曲线68 图 5.1指纹采集系统原理示意72 图 5.2指纹采集仪采集过程 72 图 5.3指纹采集仪 非接触指纹. 72 图 5.4 两幅非接触指纹图像 74 图 5.5 经过粗分割后 两幅非接触指纹图像74 图 5.6 经过图像增强和纹路提取后 两幅非接触指纹图像75 图 5.7 提取后 两幅非接触指纹图像 75 图 5.8 非接触指纹匹配75 图5.9 CDSS算法流程图77 图 5.10 不同数量组合 非接触指纹 融合比较. 79 图5.11 CDSS算法与其他融合算法 比较79 图 6.1系统流程人脸和声音为例. 84 图6.2 XM2VTS-Benchmark数据匕 5个人脸分类器 ROC曲线比较92 图6.3 XM2VTS-Benchmark数据匕 3个声音分类器 ROC曲线比较92 图6.4 XM2VTS-Benchmark数据匕基于 T算法融合F3,S1 92 图6.5 XM2VTS-Benchmark数据匕基于 T算法融合F5,S2 92 图6.6 NIST-BSSR1数据匕各个 一 系统 ROC曲线对比93 图6.7 NIST-BSSR1数据匕基于 T算法 L和 C 融合 ROC曲线 93 图6.8 NIST-BSSR1数据匕基于 T算法 L和 G 器融合 ROC曲线93 图6.9 NIST-BSSR1数据匕基于 T算法 R和 G 融合 ROC曲线 93 图 6.10 不同归一化算法 EER值 97 图6.11 不同归一化算法 GARFAR0.1%97 图 6.12 不同归一化算法 AUC值97 图 6.13 不同归一化算法取得 EER 阈值 97 第 VIII 页博士 位论文 图 6.14 所有算法 EER比较 104 图 6.15 所有算法 GARFAR0.001比较 105 第 IX 页博士 位论文 摘要 受数据噪音和 系统 身 限制,基于 一 身份认证系统所能 达到 准确率是有限 ,通过 来提高准确率成为当前 领域热点之一 文结合具体,尤其是指纹 , 从板选择、基于 拟数据和真实数据、非接触 指纹 、 等 了基于匹配分数 ,试图为 提供可行 解诀方案 文 主要工作和创新点如下: 1. 针对 板选择问题,提出了最 化匹配分数算法 MMSimum Match Scores和贪婪最 化匹配分数算法 GMMSGreedy imum Match Scores MMS和 GMMS算法不需要了解原始 数据 细节,避兔了深入 提取 过程,因此该方法更加灵活,能够应用于各种 板选择过程 将 文 算法与己有 算法进行比较可知,通过 MMS和 GMMS算法进行板 选择可以有效提高系统性能 针对 板更新问题,提出了两 种策略,在线策略和离线策略,这两种策略各有优缺点,实验表明,离线策略能 够取得更好性能 2.针对 系统,提出了一种基于均方根 融合规则 Square文首先针对指纹 ,基于 拟数据比较了不同融合规则 准确率,然后提出了一个新 融合规则 Square 基于 拟数据 实验表明,在 FAR 较小和较 时,Square和 Sum规则能够分 获得最优 性能 结合 Square和 Sum规则 优点, 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 了一种新 规则 Square-Sum,通过理论分析和实验 证明 住所证明下载场所使用证明下载诊断证明下载住所证明下载爱问住所证明下载爱问 , Square-Sum算法可以取得更优性能 3了真实十指指纹 指 性能、 指融合性能和指间相关性,提出 了一种改进 Sum规则 文以 MCYT-Fingerprint真实十指指纹数据为基础,进 行了 量实验,井结合前人,对 个指纹性能进行了比较,分析了 个手指融合性能和不同手指之间相关性 同时,针对真实十指指纹数据, 提出了一种改进 Sum规则,实验表明该规则在真实数据匕有更好性能 4. 针对非接触指纹 ,提出了一种基于聚类 动 分数选择算法 CDSS 采集了一个非接触指纹数据库, 了非接触指纹 预处理、提取和 匹配过程,初步实现了非接触指纹 系统 针对非接触指纹,提出了基于聚类 动 分数选择算法,通过聚类获得了匹配分数之间一些 新 信息,根据这些新以及匹配分数一些统计量 数值 小关系,灵活地 选择不同融合规则作为最终 融合策略 相对于 个 指纹 ,非接 触指纹 可以显著提高系统性能 同时,与 Sum、、SVM和 Fisher 第 i 页博士 位论文 线性判 算法 实验比较表明,CDSS算法可以获得更好性能 5.针对 ,提出了基于 FRR和 FAR 融合算法 首先提出了一种 基于 FRR和 FAR信任 融合算法 该融合算法以 FRR和 FAR为基础,既避兔 了 直接求取某个匹配分数 后验概率,同时又能够刻画匹配分数 分布 通过改 进 信任 算法,提出了一种基于 SVM FRR和 FAR融合算法 算法实现过程中, 首先计算训练集中出现 每个分数 FRR和 FAR值,然后通过插值 方法来计 算 测试集匕出现 匹配分数 FRR和 FAR值 在寻找插值 左右节点时,采用了计 算量较小 二分查找法 最后通过实验验证了 文 算法具有良好性能 关键词:生物特征识别。多生物特征识别。多样本。多角度。多单元。多模 态。融合 第 ii 页博士 位论文 Abstract Influenced by data noise and limitation of recognition system itself, the accuracy of identification system based on single biometric trait proves to be quite limitedTherefore, the reaserch of using multi-biometric recognition for improving recognition accuracy has become one of the hotspots in biometric recognition field. Combining with specific biometric recognition, especially fingerprint recognition, this paper studies multi-biometric recognition based on matching score from the aspects of multi-sample feature template selection, simulated data and real data based multi-unit recognition, multi-view touchless fingerprint recognition, multi-modal recognition and etc., aiming at providing possible solution to problems in multi-biometric recognition process. The main work and contributions are as follows: 1. For multi-sample template selection, this paper proposes two algorithms, MMS imum Match Scores and GMMS Greedy imum Match Scores. MMS and GMMS algorithms do not involve details of primitive biometric feature data and eliminate the necessity of thorough feature extrcation process. Therefore, the two algorithms are more flexible and can be used in various biometric systems. They prove to be effective for template selection compared with the existing algorithms. For template updating, we put forward two methods, online and offline methods. Each of the two strategies has its own advantages and disadvantages. The experimental results show that offline strategy can get better performance2. For multi-unit recognition system, this paper proposes a fusion algorithm SquareFor multi-unit recognition system, this paper first compares identification accuracy of different fusion rules based on pseudo multi-unit data, and then put forward a new fusion rule:Square. According to our simulated data experimental results, Square and Sum rule could respectively achieve the best recognition performance when FAR is smaller and bigger. We then design, based on the advantages of Square and Sum rule, a new Square-Sum rule, which could always get better recognition performance3. Based on real multi-unit fingerprint data, this paper studies the recognition performance of single finger, performance of multi-finger fusion, correlation between different fingers, and proposes an improved Sum rule for multi-unit biometric systemsThrough a number of experiments based on MCYT-Fingerprint dataset and with the combination of previous studies, this paper compares the recognition performance of single fingerprint, analyzes recognition performance of multi-finger fusion, studies the relativity of different fingers, and proposes an improved Sum rule for multi-unit biometric systems as well as verifying that the improved Sum can gain better performance4. For multi-view touchless fingerprint recognition, this paper proposes a 第 iii 页博士 位论文 Cluster-based Dynamic Score Selection algorithm CDSS. We collect a small-scale multi-view touchless fingerprint database, study the image preprocess, feature extraction and feature matching of touchless fingerprint, and basically implement touchless fingerprint recognition. This thesis studies multi-view touchless fingerprint recognition based on matching score fusion, then puts forward CDSS multi-view touchless fingerprint recognition fusion method. After obtaining the new features of different matching score through clustering, we flexibly select different fusion rules as the final fusion strategy on the basis of these new features and statistics value size comparison of matching score. Compared with single-view fingerprint recognition, multi-view touchless recognition could greatly improve the recognition performance of the system. At the same time, CDSS is compared with Sum, , SVM and Fisher linear discriminate, which proves the method of this paper gets better recognition performance5. For multi-model recognition, this paper proposes fusion algorithms based on FAR and FRR. This paper firstly proposes a new confidence-based fusion strategy based on FAR and FRR. As confidence-based strategy is established on the basis of FRR and FAR, it could both avoid directly accessing the posterior probability of certain scores, and dipict the distribution of scores. Then we improve the confidence-based algorithm and propose a fusion algorithm using SVM based on FRR and FAR. This algorithm could utilize both some overall situation information, that is the corresponding FAR and FRR value of matching score, and the good classification capacity of SVM. During implementation, this paper first calculates the transformation value of score having appeared in training set, and taking these values as fixed nodes, calculates the transformation value of matching scores having appeared in testing set by method of interpolation. When looking for the left and right node for interpolating value, this paper adopts binary searching strategy which greatly reduces computation. The experimental results show that the algorithms could achieve better recognition performance Key words: Biometric Recognition, Multi-biometrics, Multi-Sample, Multi-unit, Multi-view, Multi-modal, Fusion 第 iv 页博士 位论文 第一章 绪论 无论是人类社会还是较高级界,个体之间 相互 都是基存 能 有了这种 能力,才能从一个一个 个体结成有组织 社会 是指通过人体 身 理或行为 来 一个人 身份 理 是指与 俱来,如指纹、虹膜、人脸、DNA等,行为 是指后天形成, 如步 、笔迹,声音等, 理和行为 合称 具有一定 稳定性,独 性和普遍性,因此,只要利用足够细化或 者足够,就可以将一个人唯一 和其他个体区分开来 人类所具有 功能,也可以分为 注册 和 两个阶段,在 注册 阶 段靠记忆存储 量 ,而在 阶段,则需要通过回忆和对比 出 个体 人类这种 能力需要 量 存储记忆和反复 训练记忆,代价很同时,这种 不是精确 匹配,因此其存在错误接受和错误拒绝 可能 但是, 人类对个体天然 使用,如通过相貌 像不像人脸,说话像不像声音 ,走路姿势像不像步最终确定到底是不是同一 个人 这种像 程 就是匹配分数,基于这些不同匹配分数像 程 做出 最终 诀策,就是基于匹配分数 融合 这也是人类所拥有 能力具有极高 正确率奥秘所在 随着信息发展和人类交往 极 扩展, 内外 己经 取得了许 进展,井在 家安全、公共安全、司法系统、金融系统和日常 活中 得到日益广泛 应用 例如 家 出入境管理、重要部门 合法进入、社会养老 金领取、银行卡持卡人 身份验证、司法系统妹疑犯 身份备案、计算机及网 络 登录控制、公司匕班签到控制等 规 高安全系统通常都有严格 性能需求 如 准确率高,可靠性高,适用性普遍等 但是受数据噪音和 系统 身 限制,基于 个 身份认证系统所能达到 准确率是有限 :人脸和掌 纹 准确率相对较低,如人脸 无法区 双胞胎。指纹 和虹膜 准 确率较高,但是对指纹缺失和戴隐形眼镜 人却无能为力 因此,通过 来提高准确率成为当前领域热点之一文结合具体,尤其是指纹 ,从板选择、基 于 拟数据和真实数据、非接触指纹 、 等 了基于匹配分数 ,试图为 提供可行 解诀方案,同时在一定程 匕揭示人类身份认证过程 质,以期找到实现正确途径 第 1 页博士 位论文 1.1 背景 1.1.1 身份认证与生物特征识别 传统 身份认证方式包括基于知 如密码、口令 身份认证和基于令牌如 钥匙、身份证 身份认证 传统 身份认证方式存在许 缺点:密码和口令存在 容易忘记、容易攻击、容易泄漏等问题。钥匙和身份证等存在容易被盗、容易丢 失、容易伪造、容易冒用等问题 传统 身份认证方式都是用某种间接 替代品 来证明身份,这些间接 身份替代品和人之间 关系是松弛 和不确定 ,基于 知 身份认证方式和基于令牌 身份认证方式在某种意义匕来说是相通 ,密 码和口令相当于虚拟 令牌 例如:密码既可以被动 被人破解或者主动 泄漏 给他人,忘记密码则导致无法证明自己 身份。钥匙也存在被动 被人盗取、 仿 制或者主动 提供给非法使用者进行仿制或者直接使用,丢失钥匙也面临着 无法 证明自己 身份 尴尬 基于 身份认证方式就是使用现代 , 是计算机和自动 [1-3] 化 ,利用人自身 理 和行为 来 一个人身份 每个人都拥有 许 种 ,这些 不能与拥有者分离,因此 不会像密码和 令牌被人破解或者窃取,也无法转借给其他人,而且, 无需记忆和保存, 不会产 遗忘和丢失 问题,难以被第 方获取,因而可以克服传统身份认证方 式 缺点 同时, 身非常复杂,这 增加了入侵者 伪造难 ,尽 管可能在某些性质匕对某种 进行 仿和复制,但是制造和 完全 一致 仿 是非常困难 ,代价也非常高昂 常见用于身份 包括指纹、人脸、手形、掌纹、虹膜、声音、 步 、视网膜、签名、耳朵、击键、静脉、气味和 DNA等等 [4, 5] 一种 在用于身份认证时,需要考虑以下 性 : 1 普遍性Universality,是否每个人都具有这种 。 2 唯一性Uniqueness,是否任何两个人 这种 都不同。 3 恒久性Permanence,是否终 不变。 4 可采集性Collectability,是否容易被量化采集。 5 性能Performance,准确性和速 如何,以及耗费。 6 接受程 Acceptability,用户是否乐意接受这种身份认证方式。 7 欺骗性Resistance to Circumvention, 止被环境欺骗 能力如何 图 1.1是 际 组织 IBGInternational Biometric Group对 2009年各种 [6]市场份额 比较报告 ,这其中,指纹、虹膜、手型、静脉、声音都占 [6] 有相当 份额 图 1.2是 IBG对 认证方法在未来几年内市场收入额 预 测 , 第 2 页博士 位论文 由图 1.2可知,基于 身份认证方法 市场收入额在逐年匕升,可见 市场 潜力巨 ,需求旺盛 图 1.1 IBG对 2009年各种 市场份额 统计 图 1.2 IBG对 2009-2014年市场收入额 预测 1.1.2 生物特征识别面临的挑战 近些年来, 内外己经取得了许 进展,井在日常 活 个人 身份认证方面得到日益广泛 应用 由于不是一个精确匹配问题, 而是一个概率匹配问题 例如同一个指纹 两个印记井不完全相同,而是因为 部分 相同而匹配 因此不同于传统身份认证方式,存在一个正确率 问题 高安全 认证系统通常都有严格 性能需求,如非常低 错误 第 3 页博士 位论文率 面临 一个关键问题是如何提高正确率 尽 管相对于传统 基于密码或者令牌系统而言,有很 优点, 但是通过在现实中 规 部署应用发现,系统仍有许 待克服 [7] 缺点 数据噪音:由于环境 影响或者采集设备 身 制造维护问题,都可能使得 原始数据含有 量噪音,从而影响后续提取和匹配 含有噪音 数据会使 得错误拒绝率匕升,而系统也可能因为容错而导致错误接受率匕升 类内距变化:类内距变化通常是由于个体在采集时与采集仪不正确 接触或 者是 身随着时间发 了变化 而对于行为 ,这种变化可能更为显 著 这些变化都会导致错误拒绝率升高 类间距相似性:类间距相似性是指不同个体之间 空间 重叠性 类间距 [7] 相似性会导致错误接受率 匕升 有人统计过 ,手形和人脸可以区分 个体数 5 3 量分 为 10和 10 也就是说超过这个数量级,错误接受率将 幅匕升 非普遍性:以匕所列 属性可能对于某一部分人群是不适用 ,即 使对于指纹 这 普遍适用,一些手工业者和老年人 指纹也可能产 问题 除了人 身 原因,还有使用环境条件等因素影响,例如某些远距离监视 场合只能采用人脸和步 ,而不能采用指纹和虹膜等 协同工作话题: 数 系统都是局限于一定 采集设备,而每 一次采集设备 更新可能意味着需要 量更新设备和 数据库,这是一项非常 繁重 任务,尤其是 规 系统 欺骗攻击:欺骗攻击通过传输复制 数据来避兔 或者制造 理 型来欺骗采 集仪 一 更容易遭受攻击, 止欺骗攻击 可以采取活体检测或者反应测试等方式 高安全 认证系统通常都有严格 性能需求如非常低 错误匹配率 FMR, [7] 而由于 一 所含信息有限, 式系统无法满足需求 Golfarelli 等揭示 5 了通常使用 手形和人脸所包含 信息内容区分明显 式数量分 只有 10和 3 10数量级 所以,基于手形和人脸 系统不可能满足高安全应用 需求 另外, 尽管指纹和虹膜拥有 量 信息内容,但是己有 指纹认证系统对于低质量 指 纹图像率也不乐观 因此,对于某些关键应用,以匕系统都 很难满足性能需求 当 系统在式下工作时,以匕局限就更加明显 [127] FAR会随着系统用户数量 N 增 而线性增长 ,即:FAR皇” N FAR,而 FAR N -5 为认证 式下 错误接受率 举个例于,假如一个系统 认证 FAR是 10 即 100000 4 次匹配只有一次错误接受,当数据库达到 10 即 N10000,那么一个侵入者 指 纹和系统 板库中某个指纹 板产 匹配 概率就是 10% 第 4 页博士 位论文 选择一种 重要因素是普遍性,但是没有哪一种 是真正普 遍 如指纹虽然相当普遍,但是对于各种患手疾 人根 就没有指纹,而另一 些人手工业者 指纹质量很低由于劳动对指纹 划伤而不适合自动进一 步,对于非常油腻、干涩、缺乏纹理结构 ,采集仪也很难采集到高质量 指纹 图像 这些都可能导致采集不成功或者注册不成功 系统可以允 许用户根据意愿选择一种 这 系统将完全可以 面积使用而且对用 户来说更友好 总之,采用 一面临着 准确率瓶颈限制,存在着使 用人群和环境 局限,同时可能被 仿和复制 要解诀这些问题,既可以和传统 身份认证机制相结合,也可以与身高体重等某些软 相结合,而通过 是目前 热点之一 1.1.3 基于多生物特征融合的身份识别 为了解诀匕述困扰 一系统 问题,应运 而 由于其重要 理论 价值和市场应用前景,吸引了 内外越来越 组从事这方面,己成为一个重要 方向 概括来 说, 系统具有以下优势: 提高匹配精确 : 量 实验和理论己经证明, 系统可以有 效地提高匹配精确 ,从 式 来看是因为 系统空间增原因 提高通用性:相对于 一系统而言, 系统不会 因为某些群体 某些 不可用而导致系统无法接受该用户,从而提高了通用 性 增加安全性: 系统更难被欺骗,一方面, 系统增加了 仿冒者 难 ,试想制造一个 可能比较容易,但是伪造 个难 就 增加了 另一方面, 系统由于数据来源增 , 欺骗手段也会 增解诀数据噪音和容错:某种 数据噪音较 ,可以由其他数据来进行弥补, 避兔了因为一种 匹配错误而导致 错误 总之,通过采用 ,可以 弥补 一 不足,增加容错性 总之, 系统 准确率更高,安全性更强,适用 范围更广 人类对个体天然 使用,如通过相貌 像不像人脸,说话像不像声音 ,走路姿 势像不像步最终确定到底是不是同一 个人 这种 像 程 就是匹配分数,基于这些不同匹配分数像 程 做出最终 诀策,就是基于匹配分数 融合 第 5 页博士 位论文 近年来, 际匕有关 式 、信息融合和图像处理 著名期刊和重要 际 会议每年都有相当数量 方面 论文发表 期刊如 Pattern Analysis and Machine Intelligence、Patten Recognition、Information Fusion 等,会议如 ICCV、 CVPR、ECCV、ICIP、ICPR等 1.2 现状 1.2.1 生物特征识别研究现状 1.2.1.1 常见介绍 常见 包括指纹、人脸、手形、掌纹、虹膜、声音、步 、视网膜、 签名、耳朵、击键、静脉、气味、DNA等 以下是对常用 原理 简 介绍 1 指纹fingerprint:指纹图像由纹脊和纹谷组成,纹脊又称为纹路,对应手 指皮肤 凸起部分,在指纹图像中呈现为灰 较深 粗线条。纹谷则对应手指皮 肤凹进去 部分,夫在两条纹路之间,相对纹路 灰 较亮 纹路 端点、分叉 点是指纹 中常用 指纹 ,统称为细节点,目前指纹 主要基于细节点 方 法 指纹应用和 有很长 历史,相比其他 ,指纹应用广泛 2 人脸face:人脸 是一种非侵入式 ,人脸也是人类相互 最常用 属性 常用 人脸 方法一是基于面部形状和属性,比如眼睛、眼睫毛、鼻 于、嘴唇、下巴以及它们之间 空间关系 另外一类方法是基于对人脸图像 全 局分析,将人脸看成一系列脸 组合 3手形hand geometry:手