[论文解读] An Evaluation of Score Level Fusion Approaches for Fingerprint and Finger-vein Biometrics

Kamer Vishi, Vasileios Mavroeidis|arXiv (Cornell University)|May 27, 2018

Biometric Identification and Security参考文献 7被引用 28

一句话总结

本文评估了结合指纹与指静脉生物识别的评分级融合技术，采用三种归一化方法（最小-最大、z分数、双曲正切）和四种融合规则（最小值、最大值、简单求和、用户加权）。双曲正切归一化与简单求和融合的组合实现了99.98%的最高性能提升率，将等错误率降低至0.0001%，显著优于单模态系统。

ABSTRACT

Biometric systems have to address many requirements, such as large population coverage, demographic diversity, varied deployment environment, as well as practical aspects like performance and spoofing attacks. Traditional unimodal biometric systems do not fully meet the aforementioned requirements making them vulnerable and susceptible to different types of attacks. In response to that, modern biometric systems combine multiple biometric modalities at different fusion levels. The fused score is decisive to classify an unknown user as a genuine or impostor. In this paper, we evaluate combinations of score normalization and fusion techniques using two modalities (fingerprint and finger-vein) with the goal of identifying which one achieves better improvement rate over traditional unimodal biometric systems. The individual scores obtained from finger-veins and fingerprints are combined at score level using three score normalization techniques (min-max, z-score, hyperbolic tangent) and four score fusion approaches (minimum score, maximum score, simple sum, user weighting). The experimental results proved that the combination of hyperbolic tangent score normalization technique with the simple sum fusion approach achieve the best improvement rate of 99.98%.

研究动机与目标

• 为解决单模态生物识别系统存在的局限性，如易受伪造攻击及在不同条件下性能下降的问题。
• 评估结合指纹与指静脉生物识别的评分级融合技术，以提升系统准确率与鲁棒性。
• 识别多模态生物识别系统中评分归一化与融合方法的最佳组合。
• 通过利用互补的生物特征提升身份管理的安全性与可靠性。
• 为多模态融合相较于单模态系统的性能增益提供实证依据。

提出的方法

• 通过四种融合规则（最小值、最大值、简单求和、用户加权）将指纹与指静脉模态的个体匹配得分进行融合，实现评分级融合。
• 采用三种评分归一化技术：最小-最大、z分数和双曲正切（TanH），以将不同模态的得分映射到统一量纲。
• 将融合后的得分与阈值进行比较，由决策模块判定用户为真实用户或伪造者。
• 实验设置中，每种模态使用两个数据集（指纹：FP_DS1、FP_DS2；指静脉：FV_DS1、FV_DS2），以评估在数据差异下的鲁棒性。
• 性能通过等错误率（EER）衡量，性能提升率计算为相对于最优单模态结果的EER降低百分比。
• 融合过程在四个不同的融合场景中进行评估，每个场景结合了不同的数据集与融合配置。

实验结果

研究问题

• RQ1 在多模态指纹与指静脉生物识别系统中，哪种评分归一化与融合技术的组合能实现最高的性能提升？
• RQ2 归一化方法的选择（最小-最大、z分数、双曲正切）如何影响融合生物识别系统的鲁棒性与准确性？
• RQ3 与单模态系统相比，融合指纹与指静脉得分能带来多大程度的性能增益？
• RQ4 评分分布中的异常值如何影响不同归一化技术的性能？
• RQ5 评分级融合能否显著降低多模态生物识别认证中的等错误率（EER）？

主要发现

• 双曲正切（TanH）归一化与简单求和（SS）融合在最佳性能场景中实现了最低的等错误率（EER）0.00010%。
• 该融合方法相较于最优单模态系统（指静脉EER为0.71%）实现了99.98%的性能提升率。
• 最小-最大与z分数归一化技术对异常值敏感，在高方差数据中可靠性降低。
• 双曲正切归一化表现出更优的鲁棒性与效率，尤其在处理极端得分值时表现突出。
• 简单求和融合规则在所有场景中均优于最小值与最大值规则，尤其是在与TanH归一化结合时表现更佳。
• 即使在某一模态EER较高时（如FV_DS2中指静脉EER为7.35%），与指纹融合后，采用TanH与最大值融合可将EER降低至0.0038%。