⃝⃝可在www.sciencedirect.com在线ScienceDirectICT Express 5（2019）37www.elsevier.com/locate/icte特征比例对多生物特征系统杨文成，王松，郑广楼，克雷格·瓦利，伊迪丝·考恩大学理学院安全研究所，澳大利亚华盛顿州6027b拉筹伯大学工程与数学科学学院，VIC 3086，澳大利亚接收日期：2017年11月8日;接收日期：2018年1月8日;接受日期：2018年3月4日在线发售2018年摘要生物识别技术作为信息安全的一种工具，已经在各种应用中得到了应用。由于其在提高识别准确率和安全性方面的优势，神经级融合被广泛应用于多生物特征识别系统的设计中。然而，大多数现有的多生物特征系统，使用特征级融合分配每个生物特征的比例相等时，从多个来源组合的功能。例如，具有两个生物计量特性的多生物计量系统通常采用50本文研究了特征比例对多生物特征系统匹配性能的影响通过使用基于指纹和人脸的多生物特征系统，应用特征级融合，我们采用了一个随机投影为基础的变换和比例权重因子。通过调整这个权重因子，我们表明，分配不平等的比例，从不同的生物特征的功能产生不同的匹配性能。我们的实验结果表明，最佳的性能，实现不平等的特征比例，可以比常用的50-50的特征比例所获得的性能更好。因此，特征比例对多生物特征识别系统性能的影响在现有研究中被忽略，如何使特征比例分配更有利于多生物特征识别系统的性能，需要进一步研究c2018韩国通信与信息科学研究所（KICS）。Elsevier B.V.的出版服务。这是一个开放获取CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：指纹;人脸;特征比例;匹配;多生物特征识别系统1. 介绍多生物特征系统收集来自两个或更多个生物特征的生物特征测量，例如指纹，面部，虹膜和签名，因此比单生物特征系统具有更高的识别精度[1此外，多生物特征系统可以提供强大的反欺骗能力，因为很难同时欺骗多个生物特征[4]。在多生物特征系统的设计中，特征级融合是一种优选的技术[5]，因为融合的特征往往具有更强的区分能力，使得多生物特征*通讯作者。电子邮件地址：W. ecu.edu.au（W. Yang），Song. latrobe.edu.au（S. Wang），G. ecu.edu.au（G. Zheng），C. ecu.edu.au（C.Valli）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2018.03.001系统比它们的单一生物测定对应物表现得更好。然而，在特征水平上的多个生物特征源的融合是不平凡的。现有的基于特征级融合的多生物特征识别系统大多没有考虑特征比例对系统性能的影响。例如，直接使用从不同生物计量性状提取的特征数据的原始长度[5]或通用相等特征比例（例如，50%第二个特征[6这些特征级融合方法可能无法提供最佳的匹配性能，因为特征比例在使用特征级融合的多生物特征系统的匹配过程中起着至关重要的作用。在本文中，我们调查的影响不平等的特征部分分配匹配性能的基础上的案例研究的多生物特征系统。具体来说，我们用指纹2405-9595/c2018韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。−==≤≤联系我们××≤ ≤=-∈×≤≤=−==38W. Yang，S.Wang，G.Zheng等人/ICT Express 5（2019）37每个二进制串Vi，j的整数值在[0，Np1]的范围内。如果二进制字符串的整数值，例如，Vij，等于bp的元素的索引，则该元素的值0通过计算每个二进制串Vij的整数值，我们可以产生一个长度为Np的长二进制串。指纹特征提取和变换的整个过程如图所示。1.一、使用基于图像的技术提取面部特征向量，其类似于[10]。Gabor滤波器和线性判别分析（LDA）是图像处理和数据压缩中的强大工具，有助于从每个预处理的人脸图像生成长度为Nr的实值特征向量rc图像预处理过程包括两个Fig. 1. 以指纹图像中的三个细节点对为例，介绍了指纹特征提取和变换的过程。基于人脸的多生物特征识别系统，在特征层次上融合了两种特征的特征数据。通过利用一个基于随机投影的变换和一个比例权重因子，我们改变每个生物特征的特征向量在融合特征数据中的比例2. 基于指纹和人脸的多生物特征识别系统提出了一种基于指纹和人脸的可撤销多生物特征识别系统，并以此为平台，特征比例对系统匹配性能的影响。首先，分别从指纹图像和人脸图像中提取两个特征向量。它们随后被转换成相同的数据格式，二进制值特征向量。特别地，为了提取指纹特征向量，在我们的应用中使用了基于细节对的局部结构[9]给定提取的一组细节点M={mi}NM步骤，可靠的感兴趣区域（ROI）斩波和图像增强[10]。为了将提取的实值特征向量rc转换为二进制特征向量bc，我们应用众所周知的基于随机投影的变换，生物哈希[11]。具体来说，我们计算随机生成的矩阵Mc的内积，其大小为Nc Nr和rc，即，YMcrc，其中Y[y1，y2，. . .，yi，. . .，y Nc] T，以及1我N c.对于每个yi，它通过以下规则计算：yi0，如果y i0和y i1，如果yi>0。这样，一个二进制形成长度为Nc的特征向量bc人脸特征提取和变换的整个过程如图所示。二、为了保护bp和bc的原有特色，我们采用到基于随机投影的特征变换，一种在可撤销生物识别中常用的模板保护方法[9]。具体地，分别生成大小为N1Np和N2Nc的两个随机矩阵M1和M2，其中N1Np和N2Nc.然后，将基于随机投影的变换应用于指纹特征向量bp至CpM1bp以及面部特征向量bc至CcM2bc。由于变换后的特征向量Cp和Cc的长度分别为N1和N2，因此不难看出，N1和N2决定了个体特征的量从指纹图像FI1p，对于任意两个细节点，例如，Mi分配给结果组合特征向量的分量。在细节点集M中，可以定义三个旋转和变换不变的特征，它们是（1）lij，mi和mj之间的边缘长度;（2）αi，细节点mi的方向与边缘之间的角度;（3）αj，细节点mj的方向与边缘之间的角度。为了减轻由弹性失真引起的用户内变化，这三个特征被进一步量化成三个短二进制串，并被级联成长度为Lv的新二进制串Vi，j。由于细节点集合M中的每两个细节点可以生成一个细节点，对，总共有C2 细节对把所有这些设CCPC c是长度为N的融合特征向量，其中有来自指纹图像的N1P N个元素， （一） P）来自面部图像的N个元素， 其中0P1是比例权重因子。我们可以通过改变P的值来简单地调整融合特征向量C中指纹和面部特征的比例。在生物特征匹配过程中，为了将查询与模板进行比较，我们计算来自模板图像对（指纹图像加面部图像）的特征向量CT和来自查询图像对的CQ的相似性得分，表示为：NmC2 二进制字符串，例如，，转换成一个二进制字符串，我们生成TQNmVi jLS（CT，CQ）=1−C−C（一）长度为Np=2V的零矢量bp，基于以下事实：CT图二. 人脸特征提取与变换过程。∥·∥·====-==-W. Yang，S. Wang，G. Zheng et al. / ICT Express 5（2019）37-4039图三. 在不同的特征比例权因子P下，系统在数据集CD_one上的匹配性能。哪里2代表2-范数。如果相似性得分S（）大于预定义阈值St，则认为模板和查询匹配。3. 实验结果与讨论我们使用多模态生物安全数据库[12]的数据库DS2和公共可用指纹数据库FVC2002 DB2 [13]评估了特征比例对多生物特征系统匹配性能的影响。数据库DS2包含从100个用户获得的六种不同生物特征的图像。其中，我们选择了指纹和面部特征。每个用户采集4个指纹图像和8个人脸图像，因此在我们的实验中总共使用了400个指纹数据库FVC 2002 DB2包括100个手指，每个手指有8个图像。在我们的实验中使用了每个手指的前四个图像。利用数据库DS2和FVC2002DB2，建立了CD 1和CD 2两个数据集CD 1：人脸和指纹图像都来自数据库DS2。数据集CD二：面部图像来自数据库DS2，指纹图像来自FVC 2002 DB2。在数据集CD 1和CD 2中，前四个人脸图像用于训练，剩余的四个人脸图像分别与四个指纹图像组合，以形成每个用户的四个图像对。第一个图像对被认为是模板和其他三个图像对作为查询。商业指纹识别软件Verifinger SDK[14]用于从指纹图像中提取细节点在实验中采用等误率（EER）、误拒绝率（FRR）和误接受率（FAR）等性能指标具体地，FRR是将来自同一用户的生物特征图像误认为来自不同用户的概率，而FAR是将来自同一用户的生物特征图像误认为来自不同用户的概率。见图4。在不同的特征比例权因子P下，系统在数据集CD_two上的匹配性能。来自不同用户的生物特征测量结果可能来自同一用户。EER是当FRR和FAR相等时的错误率。通过每次以10%的步长改变比例权重因子P从0%到100%来调整融合特征向量中的特征比例例如，当P被设置为0时，这意味着仅使用单个面部模态;当P被设置为10%时，这意味着融合特征向量C中只有10%的元素来自指纹图像，并且C中的其他90%的元素由面部图像贡献在不同的P设置下，通过EER测量的匹配性能示于图1A和1B中。3和4从图3中可以看出，多生物特征系统的性能随着P的增加是非线性的，并且系统达到最佳性能（EER 0。06%）时，80%，这比两个倍优于匹配性能（EER 0. 14%）下的共同参数设置P50%，这是采用大多数现有的多生物特征系统涉及两个生物特征。同样，从图4中我们可以看到，最佳性能也不会发生在设置P50%的情况下。我们的实验表明，就多生物特征识别系统的性能而言，在融合的特征数据中考虑等量的每个生物特征特征可能不是最好的选择。在[7，8]中也应用了特征级融合策略具体地说，在[7]中，人脸、指纹和虹膜特征在特征级融合，然后由两个著名的生物计量密码系统保护，即模糊保险库和模糊承诺。据报道，在[7]，1%，安全级别为在虚拟多模态数据库上使用模糊保险库或模糊承诺的53位。在[8]中，由点集表示的人脸和指纹特征被连接起来。[ 8 ]中报告的最佳性能是FRR 1。95%，当1。02%。我们注意到[7，8]中使用的数据库与我们论文中使用的数据库不同，因此很难在同一基础上将这两种方法与所提出的方法进行此外，[7]40瓦。Yang，S.Wang，G.Zheng等人/ICT Express 5（2019）37也没有[8]考虑特征比例对系统匹配性能的影响4. 结论在本文中，我们研究了系统性能的影响，通过使用多生物特征系统，采用特征级融合的特征比例。通过在不同的特征比例设置下进行实验，我们发现，在融合特征向量中以相等的比例分配每个生物特征并不一定会产生多生物特征系统的最佳匹配性能。虽然这一发现与现有多生物特征系统的常见做法相矛盾，但这是一个合理的结果，因为从不同生物特征中提取的特征可能不具有相同水平的鲁棒性和区分特性。因此，分配不相等的特征比例可能会产生更好的匹配性能的多生物特征系统。我们的研究表明，在设计多生物特征识别系统时，考虑特征比例的影响是很重要的与现有的具有特征级融合的多生物特征系统通常实现的不同，需要一种更明智的特征分配方法。确认本文得到澳大利亚国防科技G1003250）。利益冲突作者声明，本文中不存在利益冲突引用[1] J.C. Yang，D.S.帕克河，巴西-地刘晓波，“局部脊线补偿法有效增强低质量指纹”，北京大学出版社. 快递5（2008）1002-1009。[2] M. 瓦察河辛格A.Noore，M.M.Houck，K.傅立叶，鲁棒性生物特征图像水印算法，北京，高等教育出版社。3（2006）23-28。[3] Y. WK，T. ABJ，来自在线签名的可替换和安全散列密钥，IEICEElectron.Expr。3（2006）410-416。[4] A.罗斯河Govindarajan，生物识别系统中的特征级融合，在：生物识别联盟会议论文集，2004年，p. 二、[5] A. 卢米尼湖Nanni，生物特征匹配 器组合概述，Inf. Fusion 33（2017）71-85。[6] W.杨杰，胡杰，S. Wang，C.陈，多模态生物识别系统中特征的相互依赖性，电子快报。51（2015）234-235。[7] A. Nagar，K. Nandakumar，A.K.基于特征级融合的多生物特征密码系统，IEEE Trans.Inf.Forensics Secur。7（2012）255-268。[8] A. Rattani，D.R.基斯库湾比塞戈湾Tistarelli，特征级融合人脸和指纹生物识别，在：生物识别：理论，应用和系统，2007年。BTAS 2007年。第一届IEEE国际会议，2007年，第1[9] S. Wang ， J.Hu ， Alignment-free cancellable fingerprint templatedesign ： adenselyinfinite-to-one mapping （ DITOM ） approach ，Pattern Recognit. 45（2012）4129-4137。[10] SV N Pave Pagesi 'c，用于鲁棒人脸识别的完整gabor-fisher分类器，EURASIP J. Adv. Signal Process。2010年（2010年）[11] AT B Jin，D.N.C. Ling，中国山核桃A. Goh，Biohashing：双因素身份验证，具有指纹数据和标记化随机数，模式识别。37（2004）2245-2255。[12] S. Prabhakar ， S. Pankanti ， A.K. Jain ， Biometric recognition ：security andprivacy concerns，IEEE Secur. Privacy 1（2003）33-42.[13] 2002年指纹验证比赛，可在：http：//bias. CS河联合国教科文组织。2002年，[14] S.D. K VeriFinger，神经技术2010。可用：VeriFinger，S.D.K.神经技术，http：//www. 我不知道。com/verifinger. HTML.
我的内容管理
展开
