Handbook of Fingerprint Recognition 笔记01

Handbook of Fingerprint Recognition: Introduction

1.5 System Errors

理想的生物特征的关键在于，当一个样本被呈现给生物特征系统时，它将提供正确的决定。在实践中，生物识别系统是一个模式识别系统，它不可避免地会做出一些错误的决定。让我们首先试着理解为什么生物识别系统会出错，然后讨论各种类型的错误。我们还鼓励读者参考ISO/IEC 19795-2(2007)和ISO/IEC 19795的其他部分，以获得生物识别系统错误的综合处理。

1.5.1 Reasons behind system errors

有三个主要原因可以解释生物识别系统的错误(见Jain et al. (2004b)):

• 信息限制:由于生物特征识别器的固有信号容量(如个性信息)，生物特征样本中不变的、独特的信息内容可能会受到固有的限制。例如，手部几何形状的特征信息比指纹的特征信息要少。因此，即使在理想条件下，手部几何测量也能比指纹识别出更少的身份。信息的限制也可能是由于用户控制不良的生物特征表示(用户界面问题)或不一致的信号采集。
  不同的获得测量的生物特征识别器限制了跨模式的不同样本的不变性。例如，当被登记的指纹和样本指纹之间的重叠很少时(例如，左手和右手手指)，就会出现信息限制。在这种情况下，即使是一个完美的匹配者也不能提供一个正确的决定。信息限制的一个极端例子是，当一个人不具备或不能呈现识别系统所需的特定生物特征时(例如，失去手和手指的截肢者)。
• 表示限制:理想的表示方案应设计为保留感测值中所有的不变性和歧视性信息。实际的特征提取模块，通常基于生物特征信号的简单模型，未能捕捉到现实生物特征信号中的丰富信息，导致包含错误特征和排除真实特征。因此，一部分合法的模式空间不能被生物识别系统处理，从而导致错误。
• 不变性限制:最后，给出一个表示方案，理想匹配器的设计应该完美地建模同一个类(用户)的不同模式之间的不变性关系，即使是在不同的表示条件下成像。同样，在实践中(例如，由于没有足够数量的训练样本，收集条件中不受控制或意外的方差)，匹配器可能不能正确地建模不变性关系，从而导致匹配器错误。

挑战在于能够从不一致条件下获得的少数样本中获得生物特征标识符的现实和不变的表示，然后，正式估计来自样本的信号中的歧视性信息。这在注册用户数量巨大(例如数百万)的大规模身份识别系统中尤其困难。

1.5.2 Capture module errors

在一个完全自动化的生物识别系统中，生物识别数据是在没有人类监督和协助的情况下捕获的。这种生物识别系统通常使用实时扫描设备，当生物识别特征出现在视野中时，自动检测它的存在。例如，实时扫描指纹扫描仪可以在低功耗模式下等待，手指检测算法持续轮询手指的接近/存在。当手指检测算法检测到手指时，扫描仪可以切换到手指捕获模式，自动捕获质量良好的指纹图像。自动生物识别捕获系统可以产生两种类型的错误:检测失败(FTD)和捕获失败(FTC)。

当手指确实接近指纹扫描器，但扫描器未能检测到它的存在时，错误就发生了。当系统知道有一个手指存在，但未能捕获样本，就会发生捕获失败错误。这两种故障的发生率通常是成反比的。当捕获的图像质量很差(例如，如果扫描仪表面很脏)或者捕获模块使用不当(例如，只显示指尖而不是手指的中央垫)时，这些故障就会发生
在滑动扫描器上，扫描仪或手指会以显著的速度和倾斜移动)。

1.5.3 Feature extraction errors

捕获后的生物特征样本送到特征提取模块进行处理。如果捕获的图像质量较差，特征提取算法可能无法提取出可用的特征集。这个错误被称为处理失败(FTP)。由于捕获模块和特征提取模块对所有过程(登记、验证和识别)都是通用的，所以这里提到的三种类型的错误(FTD、FTC和FTP)经常被组合成一个称为获取失败(FTA)的单一度量。高FTA率将影响生物识别系统的吞吐量，并增加用户的挫败感。降低FTA的一种方法是增加捕获和特征提取模块的灵敏度。但是这会给后面的模块增加额外的负担(比如匹配)。

1.5.4 Template creation module errors

模板创建模块在注册过程中使用从样本中提取的一个(或多个)特征集并生成模板也可能失败。同样，这通常发生在特征集中没有足够的鉴别信息时(例如，指纹区域太小)，或者当指纹图像的质量很差，因此特征集非常嘈杂。由于模板创建模块只在注册过程中使用，并且是注册过程中最关键的部分，因此模板创建模块的失败称为注册失败(FTE)。在下面讨论的FTE速率和匹配模块的错误率之间有一个权衡。如果注册失败被禁用，则可以从质量较差的指纹创建模板，但这些嘈杂的模板将导致更高的匹配错误。

1.5.5 Matching module errors

指纹匹配模块的结果通常是一个匹配分数(不失一般性，位于区间[0,1])，该分数量化了识别特征集和注册模板之间的相似性。分数越接近1，系统就越确定识别特征集来自与注册模板相同的手指。决策模块采用阈值t对决策进行调节;对于特征集和模板生成分数大于或等于t的对，推断为匹配对(即属于同一根手指)，对于特征集和模板生成分数低于t的对，推断为非匹配对(即属于不同的手指)。

当匹配模块处于一对一比较模式时(它将一个手指的特征集与一个手指的模板进行比较)，它根据比较分数是否超过阈值分别给出匹配或不匹配判定。匹配模块,在一对一的比较模式,可以提交两种类型的错误:(i)把特性集和模板从两个不同的手指从同一手指(称为虚假匹配),和(2)把特性集和模板相同的手指从两个不同的手指(称为不匹配的情况)。

了解假匹配和假不匹配错误以及更常用的假接受和假拒绝错误之间的区别是很重要的。错误匹配和不匹配的情况是在一对一的比较模式匹配模块的错误在错误的接受和虚假拒绝与验证相关的错误率和识别过程,事实上其确切意义依赖于类型的身份要求由用户。例如,在应用程序与积极主张的身份(例如,访问控制系统)的错误匹配匹配模块导致错误的接受一个骗子到系统,从匹配模块而不匹配错误的情况导致虚假拒绝系统中一个真正的用户。另一方面，在身份声明为否定的应用中(例如，防止用户使用假身份获取福利)，匹配模块的假匹配会导致拒绝真实请求，而匹配模块的假不匹配会导致接受冒名顶替者请求。此外，除了匹配/不匹配的决定外，申请还可以使用其他标准进行接受/拒绝。“假匹配/假不匹配”的概念并不依赖于应用程序，因此，原则上比“假接受/假拒绝”更合适。然而，错误接受率(和错误接受率，缩写为FAR)和错误拒绝率(和错误拒绝率，缩写为FRR)的使用更流行，特别是在商业部门。在本书的其余部分，我们将尽量避免使用错误接受和错误拒绝，它们分别是错误匹配和错误不匹配的同义词。

当生物识别系统工作在识别模式下时，匹配模块工作在一对多比较模式下。在最简单的形式中，对N个模板的一对多比较可以看作是一系列的N个一对一的比较。如果只对登记数据库中存在的受试者进行识别，则该识别称为封闭识别。封闭集标识总是返回一个非空的候选列表。虽然闭集识别已被研究者广泛研究，但在实际应用中却很少。在开放集识别中，一些识别尝试是由未登记的受试者进行的。在本书的其余部分，当我们提到识别时，我们将只关注开放集场景。如果给匹配模块一个手指a的特征集和一组模板(至少包含一个手指a的模板)，并且匹配模块生成一个空的候选列表，则该错误称为假负识别错误。如果给匹配模块一个来自手指a的特征集和一组不包括来自手指a的任何模板的模板集，并且匹配模块返回一个非空的候选列表，这个错误被称为假阳性识别错误。