13、生物识别与生物检测中的机器学习应用

生物识别与生物检测中的机器学习应用

1. 多专家检测器实验设置

在多专家检测器的研究中，实验和分析是在配备8GB GPU和64位操作系统的系统上，使用Python 3.6和TensorFlow框架完成的。以下是LivDet 2015数据集的详细信息：
| 扫描仪 | 型号 | 分辨率(dpi) | 真实样本 | 伪造样本 |
| — | — | — | — | — |
| Biometrika | HiScan Pro | 1000 | 2000 | 2500 |
| Cross - match L Scan | Guardian | 200 | 3010 | 2921 |
| Green Bit | DactyScan26 | 500 | 2000 | 2500 |
| Digital Persona | U.are.U 5160 | 500 | 2000 | 2502 |
| 总计 | - | - | 9010 | 10423 |

通过严格的实验对设计的专家模型进行评估和分析，后续会详细讨论相关结果。

2. 多专家检测器实验结果

对指纹和面部专家模型在数据集上进行了评估，并将结果与其他先进方法进行了比较，如下表所示：
| 专家 | 我们的结果(FAR %) | 其他技术FAR % |
| — | — | — |
| 专家一 | 4.1 | - |
| 专家二 | 8.9 | 12 |

在决策级融合后评估最终决策时，准确率接近100%。但如果有训练时未见过的伪造样本通过，准确率会降至80%以下，这意味着系统可能会被未知伪造样本