35、生物识别应用中利用分数分布进行分数归一化

生物识别应用中利用分数分布进行分数归一化

1. 引言

生物识别系统通过比较生物特征样本得出匹配分数，以此判断样本是否来自同一主体，这一过程通常以验证或开放集识别任务的形式呈现。理想情况下，匹配分数和非匹配分数的分布应是可分离的，这样就能用一个固定阈值进行准确分类。然而在实际应用中，两者分布存在很大重叠。

为解决这一问题，人们开发了众多算法来提取更具鲁棒性和判别性的特征集，如改进的特征点检测和光照归一化可提升人脸识别性能。但这些算法并非总能达到预期效果，也无法解决导致匹配与非匹配分数分布重叠增加的固有差异。这些差异来源主要分为以下三类：
- 采集条件 ：数据采集时，姿势、光照等条件的不同会影响匹配分数。例如，若图库中的生物特征样本都是在最佳光照条件下拍摄的正面人脸图像，那么在相似条件下采集的测试样本，即使主体不在图库中，匹配分数也可能较高；而在不同条件下采集的测试样本，即便主体在图库中，匹配分数也可能较低。这就导致不同测试样本的匹配分数分布不同，难以用同一阈值进行分类。
- 多模态系统 ：单模态系统易受欺骗攻击且易误分类，多模态生物识别系统利用多源信息来应对这些挑战，这些信息源可以是不同的生物特征（如人脸、虹膜、指纹）或使用相同输入数据的不同处理流程。但不同模态产生的匹配分数分布是异质的，即使图库和测试样本主体相同，也会使信息融合变得困难。以人脸和虹膜特征为例，通过CASIA - Iris - Distance数据库获取的匹配分数，其箱线图显示两者分布不同，人脸匹配分数的中位数高于虹膜匹配分数。尽管两种生物特征的性能相近且使用相同图像提取特征，但融合信息并不容易。
- 主体差异