English
Combine crossing matching scores with conventional matching scores for bimodal biometrics and face and palmprint recognition experiments
文件大小：
690k
资源说明：Combine crossing matching scores with conventional matching scores for bimodal biometrics and face and palmprint recognition experiments
本文介绍了一种多模态生物特征识别领域中的新技术，即结合交叉匹配分数与传统匹配分数用于生物特征的双模态识别实验，主要研究对象为面部和掌纹识别。具体来说，作者首次定义了两种生物特征之间的交叉匹配分数，并将其与传统的匹配分数结合，用于个人身份认证。
在生物识别领域，研究人员发现多模态生物识别系统相较于单模态系统在认证准确性上有显著提升。这一现象的背后原因在于多模态生物识别能更充分地利用不同生物特征的互补优势，从而增强识别的准确性和鲁棒性。本研究的方法适用于两种相似生物特征的双模态生物识别系统，例如，结合可见光和红外人脸图像的系统，以及在两个频段捕捉到的掌纹图像系统。
文章提到的方法首先单独运行于第一种和第二种生物特征。对于每种生物特征，算法会计算测试样本与每个训练样本之间的匹配分数。生成的第一和第二种匹配分数分别被称为第一和第二匹配分数。接着，该方法计算第二种生物特征测试样本与第一种生物特征训练样本之间的匹配分数，也就是交叉匹配分数。使用一种加权融合方案将第一、第二和交叉匹配分数结合起来进行个人认证。
具体地，研究中涉及到的生物识别技术和模式识别技术包括以下内容：
1. 生物识别（Biometrics）技术：是指通过分析人体生物特征（如面部、掌纹、指纹、声音等）来进行个人身份识别的一种技术。近年来，生物识别技术逐渐成为安全认证的主流方式，广泛应用于门禁控制、身份验证等安全领域。
2. 模式识别（Pattern Recognition）：这是计算机科学的一个分支，涉及了计算机如何识别数据中的模式与规律。在生物识别系统中，模式识别算法被用来提取和比较生物特征中的关键信息。
3. 匹配分数融合（Matching Score Level Fusion）：在双模态生物特征识别系统中，第一种和第二种生物特征的匹配分数需要通过某种融合方法结合起来，以提高整体的识别准确性。加权融合方案就是其中的一种方式，它通过给予不同的匹配分数不同的权重，然后相加得到一个总的匹配分数，用于身份认证。
文章中所指的加权融合方案是将三种匹配分数——第一、第二以及交叉匹配分数——通过特定的权重进行合并。这种融合可以是简单的线性加权，也可以是更复杂的决策级融合方法，如基于规则的融合、贝叶斯决策融合等。加权系数的确定通常需要依赖大量样本的统计分析，以确保最终的融合分数能够在验证阶段达到最高准确率。
此外，文章中还提到了可见光和红外人脸图像的生物识别系统，以及在不同频段下拍摄的掌纹图像系统。这些系统的共同点是它们使用了同一生物特征的不同表现形式（如可见光和红外人脸图像均属于人脸特征的不同采集方式）。由于生物特征在不同频段或不同光照条件下表现各异，通过结合这些不同的特征表现，可以进一步提升生物识别系统的鲁棒性和准确性。
该研究展示了如何将传统单一生物特征的匹配分数和基于两种生物特征交叉的匹配分数相结合，以提高多模态生物识别系统的效能。这种新的融合技术不仅能够提升单模态系统的性能，还能够有效利用双模态生物特征之间的互补性，从而在实际应用中提供更为可靠的认证结果。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
