Evaluarea pe o scara larga a autentificarii biometrice multimodale folosind sisteme de ultima generatie

Evaluarea pe o scara larga a autentificarii biometrice multimodale folosind sisteme de ultima generatie

Abstract: Analizam performanta autentificarii biometrice multimodale folosind sisteme de biometrie faciala si amprentare de ultima generatie fara comanda speciala(COTS) pe o populatie de aproximativ 1000 de persoane. Majoritatea studiilor anterioare de biometrie multimodala au fost limitate la sisteme non-COTS de o precizie relativ scazuta si la populatii de cateva sute de utilizatori. Munca noastra este prima pentru a demonstra ca sistemele de biometrie faciala si amprentare pot obtine castiguri semnificative fie numai asupra biometriei, chiar si atunci cand se utilizeaza sisteme COTS foarte precise pe o scara relativ mare a populatiei. In plus fata de metodele multimodale bine-cunoscute de examinare, introducem noi metode de normalizare si fuziune care ulterior imbunatatesc precizia

1.Introducere

A fost recent raportat [1] la Congresul SUA faptul ca aproximativ 2% din populatie nu are o amprenta lizibila si, prin urmare, nu pot fi inscrisi intr-un sistem biometric de amprentare. Raportul recomanda un sistem ce foloseste dubla biometrie intr-o abordare stratificata pentru aplicatii la o scara larga, cum ar fi trecerea frontierei. Folosirea mai multor indicatori biometrici de identificare a persoanelor fizice, cunoscuta ca biometrie multimodala, a fost aratata pt a creste acuratetea [2] si acoperirea populatiei, in timpul scaderii vulnerabilitatii de falsificare.

Cheia biometriei multimodale este fuziunea diferitelor modalitati de date biometrice la originea caracteristica, scorul de potrivire, sau nivelurile de decizie [3]. Metodologia noastra se concentreaza asupra fuziunii la nivelul de potrivire. Aceasta abordare are avantajul utilizarii cat mai multor informatii posibile de la fiecare modalitate biometrica, iar in acelasi timp permitand integrarea sistemelor biometrice particulare COTS. Celor mai multi furnizori de sisteme biometrice nu le place sa dezvaluie valorile caracteristice calculate de sistemele lor. Retineti ca un pas de normalizare este necesar , in general, inainte de combinarea scorurilor originare din diferite ..

Majoritatea studiilor publicate examinand tehnicile de fuziune au fost limitate la populatii mici (cateva sute de persoane maxim), in timp ce folosesc sisteme biometrice non-comerciale de performanta scazuta (de exemplu, dezvoltate la nivel local). In aceasta lucrare, vom investiga castigurile de performanta executabile de sisteme biometrice multimodale COTS , folosind un numar relativ mare (aproximativ 1000) de persoane. Mai mult, noi propunem noi metode de normalizare si de fuziune care imbunatatesc performanta sistemelor multimodale. O versiune preliminara a acestei cercetari a aparut in [4].

2. Raportat la munca

O serie de studii care prezinta avantajele biometriei multimodale au aparut in literatura de specialitate. Brunelli si Falavigna [5] au utilizat tangente hiperbolice (tanh) pentru normalizare si medii ponderate geometrice pentru fuziunea biometriei faciale si vocale. De asemenea, ei au propus o schema ierarhica de asociere pentru un sistem multimodal de identificare. Kittler et al. [6] a experimentat cu mai multe tehnici de fuziune pentru biometria faciala si vocala, inclusiv suma, produs, regulile minimului, maximului si au gasit ca regula sumei a depasit altele. Kittler et al. [6] a observat faptul ca regula sumei nu este afectata in mod semnificativ de probabilitatea estimarii de erori, iar acest lucru explica aceasta superioritate. Ross si Jain [9] au combinat sistemele faciale, amprenta si geometria mainii, cu suma datelor biometrice, arborele de decizie si metode liniare de baza. Autorii spun ca regula sumei depaseste altele.

Trebuie remarcat ca numarul de esantioane pentru fiecare subiect in bazele de date folosite de catre cercetatori afecteaza complexitatea sistemelor adecvate de fuziune. Mai multe mostre pot permite utilizarea tehnicilor complexe, bazate pe cunoastere (de exemplu, perceptron).

3.Punctul de normalizare

In aceasta sectiune, vom prezenta trei bine-cunoscute metode de normalizare si o metoda noua, ceea ce noi numim adaptive de normalizare. Vom indica punctele de potrivire cu s de la setul S al tuturor punctelor, si punctajul normalizat correspondent cu n.

Minim-maxim Aceasta metoda indica punctele brute pt intervalul [0, 1] . Cantitatile max (S) si min (S) precizeaza punctele limita.

Punctul Z: Aceasta metoda transforma punctajele la o distributie de medie 0 si deviatii standard de 1. Operatorii si indica media aritmetica si operatorii standard de deviatie, respectiv:

Tanh(TH): Aceasta metoda este printre asa-numitele tehnici statistice robuste [10]. Arata punctele brute pt intervalul (0, 1):

Adaptive(AD)

Adaptarea noastra de normalizare este formulata ca ,unde indica functia de mapare care este aplicata pe scorurile normalizate MM, . Am considerat urmatoarele trei optiuni pentru a functia . Aceste functii utilizeaza doi parametric, c(centru) si w(latime), care pot fi prevazuti de furnizori, sau estimati de un sistem integrator. In aceasta activitate, estimam acesti parametri.

Two-Quadrics(QQ Aceasta functie este compusa din doua segmente patratice care modifica concavitatea pt c (fig. 1a):

(a) (b)

Fig. 1. Mapping functions for QQ and QLQ adaptive normalizations

Pentru comparatie, functia de identitate, este, de asemenea, aratata in liniile din Fig. 1.

Logistica(LG): Aici, se prezinta sub forma unei functie logistice. Forma generala de curba este similara cu cu cea afisata pentru functia QQ in Fig. 1a. Ea este formulata astfel:

unde constantele A si B sunt calculate si .Aici, este egala cu constanta , pt care este selectata o valoare mica (0,01 in acest studiu).

Quadric-Line-Quadric (QLQ): Zona de suprapunere, cu centrul si latimea , este lasata neschimbata in timp ce alte regiuni sunt mapate cu doua segmente de functii patratice (fig. 1b):

4. Biometrice de fuziune

Am experimentat cu cinci metode diferite de fuziune, si anume suma, scor min, scor max. Primele trei sunt bine-cunoscute metode de fuziune; ultimele doua sunt noi si acestea iau in considerare performanta in contributiile lor. Cantitatea reprezinta scorul normalizat pentru matcher (, unde este numarul de matchers) aplicate utilizatorului i (,unde I este numarul de persoane din baza de date). Punctul topit pentru utilizatorul i este marcat .

Simple-Sum (SS):

Min-Score (MIS):

Max-Score (MAS):

Matcher Weighting (MW): Ponderile sunt atribuite individual, bazate pe Equal Error Rates (EER's). m este indicat cu , . Apoi, greutatea asociata cu m este calculata astfel :

Notati ca , , iar greutatile sunt invers proportionale cu erorile corespunzatoare. Ponderile pentru matchers exacte sunt mai mari decat pentru cele mai putin precise. Punctul de topire MW pentru i este calculat ca

User Weighting (UW):. In aceasta metoda,punctual de topire UW pentru i este calculat ca

5. Rezultate experimentale

Am folosit baza de date de imagini FERET [15] pentru potrivirea faciala. Baza de date de amprente digitale pe care am folosit-o este particulara, si nu va putem dezvalui mai multe detalii; imaginile amprentelor digitale au fost obtinute cu un live-scan, 500 dpi senzor, si caracteristicile lor (de exemplu, dimensiunea) sunt similare cu cele ale amprentelor digitale din baze de date publice. Am avut doua amprente digitale pentru fiecare dintre cele 972 persoane fizice, si am folosit doua imagini frontale ale fetei de la 972 de persoane fizice din baza de date FERET. Presupunand ca biometria faciala si de amprentare digitala este statistic independenta pentru o persoana, fiind o practica larg acceptata si rezonabila de cercetare a datelor biometrice multimodale, am asociat un individ din baza de date ale imginilor fetei cu unul din baza de date de amprente digitale pentru a crea un subiect virtual. Continuand in mod constantin aceasta moda, am ajuns la baza noastra de date constituita din 972 de subiecti, fiecare avand doua imagini ale fetei si doua amprente digitale. O imagine a fetei si o amprenta pentru fiecare subiect sunt etichetate drept tinta, restul fetei si a amprentelor sunt etichetate ca indoiala. Pentru determinarea parametrilor de normalizare si de fuziune, am folosit intreaga baza de date. Nevoia de subiecte virtuale apare deoarece nu exista baza de date multimodala reala (unde mai multe calitati biometrice sunt masurate pe acelasi individ) de marimi comparabile disponibile in domeniul public.

Scorurile de potrivire au fost generate de la patru sisteme biometrice COTS - trei sisteme de amprente digitale si un sistem facial. Pentru fiecare din aceste patru sisteme, toate imaginile problematice au fost potrivite fata de imaginile tinta, rezultand 972 de scoruri autentice (in cazul in care imaginile sunt de la acelasi subiect) si 943.812 (972x971) de scoruri neclare. Operatiunile de normalizare si de fuziune se efectueaza folosind matrici generate asemanatoare pentru a se ajunge punctele finale.

Performanta diferitelor permutari (de normalizare, fuziune) sunt prezentate prin intermediul valorilor EER, numarului de respingeri false de subiecti, si curbelor ROC (Receiver Operating Characteristics ). Dintre cele trei metode adaptive de normalizare (QQ, LG si QLQ) propuse anterior, metoda QLQ a dat cele mai bune rezultate in experimentele noastre, deci este selectata ca metoda adaptiva de normalizare reprezentanta. Am efectuat toate permutarile posibile (normalizare, fuziune) de metode pe baza noastra de date de 972 de subiecti. Tabelul 1 arata valorile EER pentru aceste permutari. Cele mai bune, si anume cel mai mici, valori EER in coloanele individuale sunt indicate cu caractere bold; cele mai bune valori EER in randurile individuale sunt marcate cu o steluta (*).

Table 1. EER values for (normalization, fusion) permutations (%).

Dupa cum se vede in tabelul 1, toate metodele de fuziune, cu exceptia MIS, conduc la o performanta mai buna decat oricare dintre cele individuale. In general, metodele de normalizare MM si QLQ depasesc alte metode de normalizare; SS, MW si metodele de fuziune UW depasesc alte metode de fuziune.

Mai mult, am analizat performanta sistemului in ceea ce priveste numarul de subiecti falsi respinsi: La valori de 1% si 0,1% FAR (False Accept Rate), am luat in considerare numarul de respingeri false pentru matchers individuale si QLQ / SS (si anume, scoruri sunt normalizate cu metoda QLQ, care sunt combinate folosind metoda fuziunii SS) si sistemele multimodale. Asa cum se arata in Tabelul 2, numarul de respingeri false este considerabil mai mic pentru sistemul multimodal in comparatie cu toate celelalte unimodale.

Table 2. Number of false rejects with matchers operating at 1% and 0.1% FAR.

5.1.        Normalizarea

Fig. 3 arata efectul fiecarei metode de normalizare pe performanta sistemului pentru diferite (dar fixe) metode de fuziune. Curbele ROC pentru cele trei amprente digitale si sisteme faciale sunt, de asemenea, indicate pentru comparatie. Pentru fuziunea MW (fig. 3d), ponderile calculate in conformitate cu Eq. (7), sunt: 0,2, 0,22, 0,37 si 0,21, pentru cele trei amprente digitale, si ,respectiv, sistemul facial. Pentru fuziunea UW (fig. 3e), mediile ponderilor pentru aceste patru sisteme biometrice individuale, calculate de la Eq. (11), sunt 0,14, 0,64, 0,17 si, respectiv, 0,05.

Din Fig. 3 si Tabelul 1, vedem ca metodele de normalizare QLQ si MM au condus la cea mai buna performanta, cu exceptia metodei de fuziune MIS. Intre aceste doua metode de normalizare, QLQ este mai buna decat MM pentru metodele de fuziune MAS si UW; si despre MM la fel ca si pentru celelalte.

Fig. 3. Efecte ale metodelor de normalizare asupra performantei sistemelor pentru diferite metode de fuziune: (a) fuziune SS, (b) fuziune MIS, (c) fuziune MAS, (d) fuziune MW, (e) fuziune UW

5.2.      Fuziunea

Fig. 4 arata efectul fiecarei metode de fuziune asupra performantei sistemelor pentru diferite (dar fixe) metode de normalizare. Din Fig.4 si Tabelul 1, observam ca metodele de fuziune SS, MAS si MW au in general performante mai bune decat celelalte doua (MIS si UW). Dar, pentru FAR in intervalul [0,01%, 10%], fuziunea UW este mai buna decat celelalte. Un motiv ca performanta fuziunii UW trece de 0,01% FAR poate fi faptul ca erorile de estimare devin dominante.

Fig. 4. Efecte ale metodelor de fuziune asupra performantei sistemelor pentru diferite metode de normalizare: (a) normalizare MM, (b) normalizare ZS, (c) normalizare TH, (d) normalizare QLQ.

6.     Concluzii

Am analizat performanta autentificarii biometrice multimodale folosind sisteme de biometrie faciala si amprentare de ultima generatie fara comanda speciala(COTS) pe o populatie de aproximativ 1000 de personae care este in mod considerabil mai mare decat in studiile precedente. Am introdus noi metode de normalizare si de fuziune a realiza scorul de potrivire la nivel multimodal de fuziune a datelor biometrice. Munca noastra arata ca sistemele biometrice faciale si de amprentare COTS pot atinge o performanta mai buna decat sistemele unimodale COTS.