50、生物特征模板更新与多丁顿动物园关系的实验分析

生物特征模板更新与多丁顿动物园关系的实验分析

1. 引言

在生物识别领域，模板代表性问题近来备受关注。生物识别系统在线运行时，输入的生物特征数据常存在显著的类内差异，这是由多种因素导致的，如人与传感器的交互、环境条件、时间变化（短期的如指纹表面的疤痕，长期的如面部衰老）以及其他临时变化（如面部表情变化或指纹旋转）。这些差异使得最初在受控环境下采集的注册模板失去代表性，进而导致系统性能下降。

为解决这一问题，人们引入了模板更新程序。这些程序基于一些学习方法，如监督学习和半监督学习，旨在使注册模板适应输入生物特征数据的类内差异。其中，监督学习方法需要人类专家干预更新，耗时且效率低下；而半监督学习方法是自动化系统，通过结合初始标记（模板）和未标记的输入生物特征数据，使分类器适应类内差异，在在线操作中无需人工监督。自我更新是基于半监督学习的自训练概念，将被识别为高度可信的输入数据迭代添加到相应客户的模板库中。

不过，自我更新程序存在冒名者入侵或“蠕变”错误的问题，会产生反作用。研究表明，“蠕变”错误的存在不仅与系统的基本误识率（FAR）或阈值参数的错误估计有关，还与用户群体特征有关。根据“多丁顿动物园”的概念，某些容易被“模仿”的客户（“羔羊”）和容易与其他客户混淆的客户（“狼”），更容易出现冒名者入侵的情况。本文旨在深入研究不同类型的客户（如羔羊、山羊、狼和绵羊）在应用自我更新程序时是否会产生不同的更新效果，从而建议针对不同客户群体调整模板更新方法。

2. 模板自我更新与多丁顿动物园

“在线”模板自我更新算法的目的是通过修改模板来捕捉输入数据的时间和临时类内差异，提高对新的未见过数据的泛化性能。一般的“在线”自我更新方法包括两个步骤：