雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际计算机与通信工程创新研究杂志

菜单

在线刊号(2320-9801)印刷刊号(2320-9798)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

多模态生物特征识别融合技术综述

S.R.Soruba Sree1拉达博士2
  1. 印度哥印拜陀Krishnammal女子学院计算机科学系研究学者
  2. 印度哥印拜陀Krishnammal女子学院计算机科学系助理教授
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际计算机与通信工程创新研究杂志

国际计算机与通信工程创新研究杂志

摘要

生物计量学是测量和分析人体生物数据的科学和技术，从采集的数据中提取特征集，并将其与数据库中的模板集进行比较。基于单一信息源的生物识别系统被称为单峰生物识别系统。单模态系统的性能受到传感器数据噪声和非通用性的影响。单峰系统中出现的问题可以用多峰生物识别技术来解决。多模态生物识别可以通过两个或多个图像的融合来实现，其中所得到的融合图像将更加安全。本文讨论了在多模态生物识别中使用的各种融合技术。

关键字
融合，生物识别，多模态，单模态，准确性。

介绍
生物识别系统根据一个人的解剖和行为特征，如指纹、掌纹、静脉图案、面部和虹膜，自动确定或验证他的身份。一种基于生理和行为特征识别或验证个体或主体身份的方法是生物特征识别。多模式生物识别技术通过考虑其他高度特异性的生物特征来限制身份申请人的数量，从而提高准确性。多模态生物识别系统利用一种以上的生理或行为特征进行登记、验证和识别。将不同模式相结合的原因是为了提高识别率。多模式生物识别的目的是减少以下一种(或多种)情况
•错误接受率[FAR]。
•错误拒绝率[FRR]。
•未达到入学率[FTE]。
多模态生物识别系统从单个或多个传感器获取输入，测量两种或多种不同的生物特征。多模态生物识别的关键是各种生物识别模式的融合。一个通用的多模态生物识别系统有四个重要模块:
传感器水平:这种融合策略需要从多个传感器获取原始数据，这些数据可以进一步处理和集成，以生成新的数据，从中提取特征。只有从多个兼容传感器获得相同生物特征的多个线索，才能实现传感器级融合。
功能层:从多个信息源中提取特征集，并进一步连接成联合特征向量。这个新的高维特征向量代表一个个体。在特征级融合的情况下，为了只选择有用的特征，必须使用一些约简技术。
比赛比分等级:匹配分数是衡量输入生物特征向量和模板生物特征向量之间相似性的指标。根据特征向量与模板的相似度，各子系统计算出各自的匹配分值。最后将这些个人分数组合起来，得到总分，然后将总分传递给决策模块，然后执行识别。
等级水平:等级级融合一般用于人员的识别，而不是验证。因此，融合需要巩固与身份相关的多个等级，并确定一个有助于建立最终决定的新等级。
决策水平:在多生物特征系统中，当只有单个生物特征匹配器输出的决策可用时，融合就在这个级别上进行。在这里，为每个生物特征计算一个单独的认证决策，然后将其组合以产生最终投票。可以使用不同的策略将单个模态的不同决策组合为最终的身份验证决策。由于信息的可用性有限，与其他融合方案相比，该级别的融合被认为是刚性的。

背景研究
这种融合可以通过两种不同的方式实现。第一种是匹配前的融合，第二种是匹配后的融合。综述了多模态生物识别系统的研究进展。在匹配分数、等级、特征和决策层次上的融合已经在文献中得到了广泛的研究。
•Muhammed Razzak等[3]结合了面部和手指静脉，其中执行多级评分融合，以增加认证系统的鲁棒性。对面部和手指静脉融合结果进行客户特定线性判别分析(CSLDA)的评分级融合。采用加权模糊融合的方法对面部和手指静脉进行评分。该系统有效地降低了FAR 0.05, FRR 0.23，准确度为95%。
•Mohammed soltane等[4]提出了一种人脸和语音信息相结合的人类识别方法，以改善单一生物特征认证的问题。高斯混合模态(GMM)是文本无关说话人识别的主要工具，提出了利用期望最大化(EM)和figuiereto - jain算法训练高斯混合模态(GMM)进行分数级数据融合的方法。将提取的人脸和音频进行融合，识别率达到96%。人脸语音生物特征FAR降低到0.087,FRR为0.67，准确率为96%。
•Dhanashree vaidhya等[5]进行了两种模式的实验:掌纹和掌脉，其中基于熵技术使用特征级融合。系统性能为99%，FAR为0.02929%，FRR为1.00%，准确度为99%。
•Rattani et. al[6]将人脸和指纹结合起来，其中进行特征级融合，单独提高人脸和指纹模式的性能，分别提高5.05%和0.82%。特征级融合优于分数级融合0.67%。系统的FRR为1.98%，FAR为3.18%，系统精度为98%。
•Bhagat等[7]提出了一种将手掌静脉和面部生物特征相结合的多模态生物特征，其中进行特征级融合。该系统的总体准确度大于95%，FAR为0.5%，FRR为1.0%，准确度为98.3%。
•菲菲et. al[8]结合了指纹和手指静脉，在其中执行分数等级融合。融合前指纹识别率为95.3%，手指静脉识别率为93.72%，融合后识别率为98.74%，FAR为1.2%，FRR为0.75%。
Krishneswari等[9]结合了指纹和掌纹，其中特征级融合使用基于小波的图像融合技术与min-min近似。利用信息增益(IG)提取特征。平均验证准确率为98.34%，FAR为1.02%，FRR为0.9%，准确率为98%。
•Nazmeen等[10]结合了人脸和耳朵图像，其中图像被传递到质量模块，以减少错误拒收率。将耳朵生物特征与人脸生物特征相融合，可以提高识别效果。融合在决策级别上完成，识别率达到96%，在FAR为0%和FRR为4%的情况下，准确率有所提高。
•Nageshkumar et. al[11]将掌纹和人脸图像结合，其中使用了分数级融合，结果对该领域的研究非常鼓舞和促进。系统的总体准确率在97%以上，FAR为2.4%，FRR为0.8%
•Krzyszof等[12]结合了人脸和语音，其中执行决策级融合。系统性能FAR为3.0%，FRR为1.1%，准确率为87%。
•Mohamad et. al[13]通过融合指纹和虹膜进行多模态生物识别，其中使用了决策级融合。采用模糊逻辑方法进行融合，具有较好的融合性能和98%的正确率，其中FAR为2%，FRR为2%，准确率为98%。
•Lin Hong等[14]将掌纹和人脸图像结合，执行决策级融合。系统中制定的决策融合，通过融合提取的人脸特征和指纹特征来提高性能，识别率达到92%，FAR为1%，FRR为1.8%。
•Gayatri Bokade等[15]提出了一个面部和掌纹特征的特征级融合系统，使用一个简单的融合算法。由于特征集包含有关捕获的生物特征证据的相关且更丰富的信息，与其他融合方法相比，特征级融合有望提供更准确的结果。仅使用手掌图像的GAR为81.48%。人脸图像的GAR值为88.88%。融合结果表明，系统显著提高95%，FAR为0.5%，FRR为1.2%。
•Mitul Dhameliya等[16]在特征级融合上结合了两种生物识别掌纹和指纹，开发了一种多模式生物识别系统。特征提取采用Gabor滤波。平均识别率为87%，FAR为0.2%，FRR为1.1%。
•Jegadeesan et. al[17]结合了指纹和虹膜的融合，其中使用特征级融合，并对图像进行预处理。系统性能91%，FAR为10%，FRR为5.3%。

结果与结论
本文研究了各种图像融合技术，并从评分、决策和特征融合三个方面对其性能进行了评价。在为特定应用选择融合特性时，表1是有帮助的。对于融合多幅图像，特征融合技术[5,6,7,9,15,16,17]与评分技术[3,4,8,11]和决策技术[10,12,13,14]相比，是更好的选择。以上三种技术的准确性总结在图1中。对于所提出的工作，特征融合技术为融合多幅图像提供了更好的解决方案。图像的变换和消除过程可以借助失真算法来完成。因此，将特征融合技术与失真算法相结合，为多模态生物特征识别中多幅图像的融合提供了更高的准确性和安全性。

表格一览
表的图标
表1

数字一览
图1
图1

参考文献























全球科技峰会