文摘

我们检查四个机器学习算法的效率几个生物识别技术的融合模式创建一个多通道生物识别技术保障体系。算法研究了高斯混合模型(gmm),人工神经网络(ann),模糊专家系统(承认)和支持向量机(svm)。生物识别技术的融合导致安全系统相比具有更高的识别率和更低的误报单峰生物安全系统。监督学习进行了使用大量的模式从一个知名基准生物识别数据库,并验证/测试发生模式从相同的数据库并不包括在训练数据集。算法的比较表明,生物识别技术融合系统优于原来的单峰系统以及其他融合方案的文献中找到。

1。介绍

身份验证有许多实际的应用程序,如访问控制和经济或其他事务。生物识别技术测量个体的独特的生理或行为特征来识别或验证他们的身份。常见的物理生物识别技术包括指纹、手或手掌几何学、视网膜、虹膜、面部特征。另一方面,行为特征包括签名,声音(这也有一个物理组件),击键模式,和步态。尽管一些技术比别人得到更多的接受,这是毋庸置疑的,整个访问控制和生物识别技术领域显示了巨大的潜力用于最终用户部分,如机场、体育场、国防设施,但也的行业和企业工作场所安全和隐私是必需的。

生物识别技术可以用于身份建立。一个新的测量相比,据称属于一个特定的实体是对存储的数据实体的关系。如果测量匹配,断言这个人是他们说他们是被认为是被验证。一些建筑访问计划以这种方式工作,与系统比较新措施对公司的员工数据库。也验证身份的人经常使用以宏大的前提或数据的访问。

因为认证发生瞬间,通常只有一次,身份欺诈是可能的。攻击者可以绕过生物识别技术的身份验证系统,不受干扰的继续。或被盗破碎生物系统提供了一个困难的问题。与密码或智能卡可以改变或再版,没有严重的医疗干预,指纹或虹膜是永远的。一旦攻击者已经成功建立了这些特征,最终用户必须完全排除在系统,提高巨大安全风险的可能性和/或重新实现成本。静态物理特性可以数字复制,例如,面对可以使用照片复制,使用录音声波纹,指纹使用各种锻造方法。除了静态生物识别技术能不能容忍在日常声音等生理变化或外观的变化。

单峰生物识别系统不得不面对各种各样的问题,如噪声数据,组内变化,受限制的自由度,non-universality,欺骗攻击,和不可接受的错误率。这些局限性可以通过部署多通道生物系统来解决1,2)集成多个来源的证据信息。实际上,系统整合两个或两个以上的生物识别技术的发展正在成为一种趋势。这样的系统,称为多通道生物识别系统,预计将更可靠,由于存在多个独立的证据(相当)。这些系统能够满足各种应用的严格的性能要求。他们解决nonuniversality的问题,因为多个特征确保足够的人口覆盖率。他们还阻止一个骗子欺骗,因为它将是难以同时恶搞多个真正用户的生物特征。此外,他们可以促进一个挑战响应类型的机制,要求用户提供一个随机的生物特征子集从而确保“活”的用户确实是在数据采集。

本文提出的开发和评价四个机器学习算法的融合相似的一些生物专家组成一个多通道生物识别系统,旨在提高显著识别精度和减少错误的接受和虚假拒绝利率。监督算法使用样本训练一个众所周知的生物识别数据库,然后使用相同的数据库样本验证不同于训练的。目的是比较发达也与现有的技术和算法找到最有效的一出四,为了使用它新颖的生物识别技术在项目的融合HUMABIO [3]。

2。监督融合算法

融合匹配分数水平是最常见的方法融合的多通道生物识别系统(2]。这一点主要是由于简单的可访问性和可用性的匹配分数在许多生物识别模块。融合算法的输入匹配分数级别(dis)的生物模块(图提供的相似性得分1)。有不同的方法合并匹配分数级别的分数。在这种方法中,输出大量的个体匹配算法构成多维向量的分量为例,如果分数从创建一个三维向量,步态和声音匹配模块是可用的。然后生成的多维向量分类使用分类算法如支持向量机(SVM)、模糊专家系统(菲斯),神经网络,等等,来解决两类分类问题的分类输出向量为“骗子”(授权用户)或“真正的”(授权用户,或客户)类。的方法的一个优点是,分数可能不均匀,如相似性和距离可能位于不同的间隔。因此,不需要预处理分类融合。

在监督学习中,学习算法提供一组训练的模式(或输入)与相关的标签(或输出)。通常,模式的形式属性向量,一旦属性向量,可以应用机器学习方法,从简单的布尔操作符,贝叶斯分类和更复杂的方法。融合算法的性能依赖于系统的调优。调优通常由一组hyper-parameters可以手动设置(例如类型的内核在支持向量机中,遗传算法(GA)的染色体数量,等等),另一组被设置在培训阶段。培训使用的算法可以估计(学习)客户端和骗子空间和对融合系统的性能是至关重要的。

在这项研究中四个状态的艺术融合技术是利用,即支持向量机、模糊专家系统,高斯混合模型和人工神经网络。这些技术遵循不同的哲学融合的单峰生物输入为了产生一个总体估计的人是否是一个客户或一个骗子。

2.1。支持向量机

一个典型的支持向量机实现了(4]。径向基核函数是用于将输入数据映射到一个高维空间,它们是线性可分的5]。内核径向基(RBF)被选为处理可能的输入向量之间的非线性及其对应的类。它还有hyperparameters比多项式内核从而使训练更容易。

内核的选择后,随后的过程包括识别最好的一对和,最好的一对交叉验证的准确性。遵循指导方针中发现(6),训练集划分成相等大小的子集,子集之一是验证数据集使用的分类器训练剩下的子集。过程顺序重复,直到所有子集验证数据集。的选择和是通过网格搜索,也就是说,在指数增长的序列和(7]。惩罚参数的两个类(“真正的”、“骗子”)是通过完整的枚举试验。

最后训练SVM模型被用于最优,一对为了检查测试数据集上的分类器的性能是由“未知”的模式,没有用于支持向量机的训练。

2.2。模糊专家系统

一个啧啧菲斯(8)开发中描述(9]。菲斯的前提空间由三个输入()。每个前提输入被三个分段梯形隶属函数描述以下方程: 的参数和定位”的“脚”届“梯形”“前提输入和参数和定位“肩膀”。

这分割导致三维模糊规则(图27的创建2)。

的发射强度的规则,代表的程度特定前提是兴奋的输入向量,是由

前提的输入选择通过广泛的实验从可用的生物专家(如表所示1)。每个模糊规则产生一个输出是一个线性函数单峰分类器的分数表所示1以包含所有可用的信息从单峰生物专家: 倪是单峰分类器的数量。

的菲斯估计客户的真实性是一个合成(加权平均)27个模糊规则输出:

这个估计比较阈值如果是高于菲斯分类模式真正的交易,而如果是降低分类是骗子。

的参数模糊规则的线性输出函数(3)、梯形隶属度函数的参数(1)定义的模糊规则前提的位置空间的分割(或换句话说前提输入通过隶属度函数的形状和定位),并决定阈值是由一个真正的优化编码(9)遗传算法(10]。

GA适应度函数的选择,以减少错误接受骗子和最大化正确认证率通过GA的演变: correct_out在哪积累的距离模糊的输出决定阈值的正确的身份验证(真实的或骗子),error_out累积距离阈值的模糊输出错误的认证培训模式,和false_normal错误地接受了骗子的人的数量。

这样最低误接受事件的解决方案具有较高的健身价值。相同的代表解决方案(染色体),产生更大的距离阈值的输出在正确的认证(更健壮的解决方案)和较小的距离阈值的错误认证(因此驾驶错误的解决方案对阈值和整流)。

2.3。高斯混合模型

贝叶斯分类和决策是基于概率论和的原则选择最可能的或最低的风险(预期成本)选项。高斯分布通常是很好的近似为一个类模型的形状选择合适的特征空间。高斯分布是一个假设,一个基本的类模型确实是一个模型类。然而,如果多通道的实际模型,这个模型不能连贯地捕获底层分布。高斯混合模型(GMM)的混合几个高斯分布,因此可以代表不同的子类内部类(11]。概率密度函数被定义为高斯函数的加权和: 在哪里组件的重量吗,和

参数列表定义了一个特定的高斯混合概率密度函数。高斯混合参数估计为一个类可以被认为是无监督学习的情况下,样品是由单个组件生成的混合分布,没有知识的示例生成的组件。

GMM开发,由四个混合组件。组件的重量估计在广泛的实验。

2.4。人工神经网络

第四个算法是一个三层前馈神经网络(NN) [12]。层由输入神经元,隐藏的神经元,和一个输出神经元的地方等于单峰生物专家的数量(从表1,),通过试验等于十。神经元是完全应用于每个神经元互联和偏见。传递函数是选择乙状结肠,以解决非线性的输入数据集。对于权重的训练,典型的反向传播方法。最优数量的训练是启发式的迭代和训练参数。500年之后实现收敛迭代。

3所示。基准数据库

发达融合方案进行公开XM2VTS面部和语音数据库(13,14]。XM2VTS数据库包含从295例面部和语音数据,记录四个交易日期间每隔一个月。它包括相似性得分从五个脸专家和三个演讲专家。协议包括两套:发展(培训)和评估(验证)组。开发集,用于培训,包含从三个多通道记录分数为每个200客户端用户和八个交易从每个25骗子。评价集,用于测试系统,包含来自两个多通道记录分数(相同)的200个客户端用户和八个交易为每个70(新)骗子。评价集是不同的的骗子骗子的发展。因此,开发集包含600(200×3)客户机事务和40000(25×200×8)骗子交易而评价集包含400(200×2)客户机事务和112000(70×200×8)骗子事务。

两个指标计算:错误接受率(远)和错误拒绝率(FRR)定义为

一半总错误率(ht)也报道定义为

平等的错误率(曾经)计算的FRR =远;在实践中,FRR和远不是连续函数和一个交叉点可能不存在。在这种情况下,间隔(无论何时罗,无论何时嗨应报告)。同时,另一个有用的工具的性能评估生物系统的运行特性曲线(ROC),这是由策划与FRR。

曾经的单峰专家XM2VTS数据库表所示1。

图3显示了两个脸和声音象征FAR-FRR图单峰的生物识别技术专家XM2VTS数据库。它可以看到从阈值范围的专家评分,描述一个人是骗子或真正的显著差异。然而,这并不构成问题的融合算法。

4所示。测试结果

4.1。比较结果

表2总结的结果研究了多通道融合的机器学习算法。更具体地说,XM2VTS模式的分类使用SVM进行,GMM,菲斯,和神经网络融合方案。此外,一些简单的组合规则(或)也被测试。第一个结论我们可以达到的结果见表,所有的融合方案执行比表现最好的单峰(即专家。,expert 6 with EER 1.09%) and the classification absolute improvement using the SVM fusion method is 0.84% (SVM HTER = 0.25%, ~77% relative improvement over unimodal expert 6 classification error). This corroborates the statement that the effective combination of information coming from different experts can improve significantly the performance of a biometric system. Moreover, this table also confirms the superiority of the SVM fusion scheme over the other machine learning techniques. More specifically, the FAR and FRR using the SVM fusion classifier on the XM2VTS database are 0.0% and 0.5%, respectively. The superior performance of the SVM fusion classifier over the second best FES, which is 0.2%, is mainly attributed to the more efficient modelling of the feature space. Moreover, the SVM fusion expert performs very satisfactory when the number of the feature vectors (comprised of the matching scores in this case) is relatively large, as in the case of the XM2VTS database, where there are 8 unimodal experts.

4.2。比较先进的方法

还进行了一个实验研究比较发达XM2VTS数据库方案与最先进的融合方法。相同的单峰专家和相同的协议了,所以任何性能或降低只能归结到融合算法。下表说明了ht价值观各种融合方案,在报道15]。

第一个结论从表3是公布的业绩不如相比前一节中给出的结果。具体来说,最好的结果,ht而言,最好的结果是0.31%,而本文提出的算法是0.25%。此外,它可以看出的精度达到15]因为SVM分类低于身份验证准确性由支持向量机融合的实现方案。这可能是由于部分的不同的实现算法。比较结果验证了支持向量机的优越性方案并指出其适当性应用场景内检查HUMABIO [16,17]。

5。结论

四个机器学习算法开发的融合几种生物识别方法以检测最有效的使用在项目HUMABIO。算法在高斯混合模型,人工神经网络,模糊专家系统,支持向量机。算法是训练和测试使用一个著名的生物数据库包含的样本的脸和五个脸和三个演讲的演讲和相似性分数生物专家。融合结果进行了比较与现有的融合技术,也对对方,表明本文提出的融合方案产生更好的生物识别精度与传统的方法。从四个算法,最有效的一个证明是支持向量机械一个提供显著的性能增强在单峰生物识别技术,比传统的多通道生物识别技术相结合,而且在SoA。

确认

这部分工作是支持电子商务合同fp6 - 026990 HUMABIO [3,16]。i . g . Damousis本文研究报告发生时,与信息学和远程信息处理研究所研究和技术中心的海勒斯塞萨洛尼基,希腊(电子邮件:(电子邮件保护))。s . Argyropoulos本文研究报告发生时,与信息学和远程信息处理研究所研究和技术中心的海勒斯塞萨洛尼基,希腊(电子邮件:(电子邮件保护))。