[论文解读] A Comprehensive Overview of Biometric Fusion

Maneet Singh, Richa Singh+1 more|arXiv (Cornell University)|Feb 8, 2019

Biometric Identification and Security参考文献 139被引用 4

一句话总结

本文全面综述了生物特征融合技术，回答了在多种生物特征模态及辅助信息源中应融合什么、何时融合以及如何融合的核心问题。文章回顾了提升多生物特征系统识别准确率、安全性和隐私保护的融合技术，涵盖软生物特征、上下文数据、持续认证、欺骗检测以及多生物特征密码系统等，同时指出了实际部署中的关键研究挑战。

ABSTRACT

The performance of a biometric system that relies on a single biometric modality (e.g., fingerprints only) is often stymied by various factors such as poor data quality or limited scalability. Multibiometric systems utilize the principle of fusion to combine information from multiple sources in order to improve recognition accuracy whilst addressing some of the limitations of single-biometric systems. The past two decades have witnessed the development of a large number of biometric fusion schemes. This paper presents an overview of biometric fusion with specific focus on three questions: what to fuse, when to fuse, and how to fuse. A comprehensive review of techniques incorporating ancillary information in the biometric recognition pipeline is also presented. In this regard, the following topics are discussed: (i) incorporating data quality in the biometric recognition pipeline; (ii) combining soft biometric attributes with primary biometric identifiers; (iii) utilizing contextual information to improve biometric recognition accuracy; and (iv) performing continuous authentication using ancillary information. In addition, the use of information fusion principles for presentation attack detection and multibiometric cryptosystems is also discussed. Finally, some of the research challenges in biometric fusion are enumerated. The purpose of this article is to provide readers a comprehensive overview of the role of information fusion in biometrics.

研究动机与目标

• 系统性地概述生物特征融合，回答三个基本问题：应融合什么、何时融合以及如何融合。
• 探讨将辅助信息（如数据质量、软生物特征属性、上下文元数据和行为模式）整合到生物特征识别流程中，以提升系统性能。
• 考察信息融合在通过呈现攻击检测和多生物特征密码系统提升安全性方面的作用。
• 识别并讨论在可扩展性、传感器配置、小型设备部署以及对环境和行为变化的鲁棒性方面的关键研究挑战。
• 为在不同领域中实现实际应用的实用、用户友好且可扩展的多生物特征系统的发展提供指导。

提出的方法

• 将生物特征融合划分为三个维度：融合内容（模态、算法、数据源）、融合时机（特征级、匹配得分级、决策级融合）以及融合方法（统计、概率、基于神经网络或基于规则的融合方法）。
• 回顾将数据质量度量整合到融合流程中的技术，以提升可靠性并减少误匹配。
• 分析将软生物特征（如身高、性别、着装）与主要生物特征标识符融合，以在低质量或非受控环境中提升识别性能。
• 研究利用上下文信息（如时间、位置、设备使用模式）优化生物特征决策，支持持续认证。
• 综述利用智能手机和可穿戴设备中的异构传感器数据（如惯性传感器、GPS、音频）实现持续认证的方法。
• 讨论基于融合的多生物特征密码系统，通过安全存储生物特征模板以保护隐私，以及利用多传感器模态融合检测欺骗攻击的信息融合技术。

实验结果

研究问题

• RQ1 在多生物特征系统中，应组合哪些最优信息源以最大化识别准确率和鲁棒性？
• RQ2 在生物特征识别流程的哪个阶段（特征级、得分级或决策级）应用融合可实现最佳性能？
• RQ3 如何有效整合辅助信息（如图像质量、软生物特征和上下文数据）到融合框架中以提升系统可靠性？
• RQ4 在通过呈现攻击检测和隐私保护型生物特征密码系统增强安全性方面，最有效的融合策略是什么？
• RQ5 在扩展多生物特征系统以适应大规模异构人群时，保持性能、可用性和隐私性的关键挑战是什么？

主要发现

• 与单模态系统相比，多种生物特征模态的融合显著提升了识别准确率，尤其在图像质量差或存在遮挡等挑战性条件下。
• 将数据质量度量整合到融合流程中可减少错误率并提高系统可靠性，通过过滤低置信度输入实现。
• 将软生物特征属性与主要生物特征结合，可提升在主要生物特征数据退化或不可用的非受控环境中的性能。
• 时间、位置和设备使用模式等上下文信息可被有效利用以优化决策，实现用户负担更轻的持续认证。
• 基于融合的多生物特征密码系统通过确保原始生物特征模板永不以明文形式存储，提供了强有力的隐私保障。
• 融合多个传感器信号（如可见光与红外摄像头）的呈现攻击检测系统，相比单传感器方法，对欺骗攻击表现出更高的鲁棒性。