ГОСТ Р 54411—2011/ISO/IEC/TR 24722:2007
2
мия. Вследствие этого интеграция данных на уровне степеней схожести является наиболее распростра
ненным подходом в системах мультимодальной биометрии. В таблице 6 приведены основные принципы
нескольких методов объединения исоответствующиеданные, характеризующие эффективность сопос
тавления.
В случае верификации применяют два метода объединения на уровне степеней схожести. Один
заключается в трактовке объединения как задачи классификации, второй — как задачи комбинации [36].
[39]. При классификационном методе вектор признаков создается с помощью выходных степеней схо
жести. полученных с отдельных устройств сопоставления. Затем вектор признаков относят к одному из
двух классов: «допуск» (подлинный пользователь) или «недопуск» («самозванец»). Классификатор, ис
пользуемый в этих целях (например, дерево принятия решений, нейронная сеть, метод опорных векто
ров. метод k-ближайших соседей, ансамбль решающих деревьев и т. д.). позволяет определить
разделяющую поверхность, независимо от способа создания вектора признаков [6], [65]. [66]. Всле
дствие этого выходныестепени схожести разных модальностей могут быть неоднородными (показатель
различий или близости, разные области числовых значений ит. д.). идо их предоставления классифика
тору обработка не требуется. При комбинационном методе отдельные степени схожести объединяются
для создания единой скалярной степени схожести, которая впоследствии применяется для принятия
окончательного решения [42].Для обеспечения комбинирования степеней схожести разных модальнос
тей степени схожести еще до комбинирования в случае необходимости могут быть переведены в общую
область. Это действие называется нормализацией степеней схожести (см. пункт 5.3.2 настоящего стан
дарта и [27]).
При классификационном методе применяется схема модуля объединениядля поиска оптимально
го классификатора для разделения пользователей на два класса: подлинных пользователей и «самоз
ванцев». Для этого классификатор определяет две области принятия решения в пространстве вектора
признаков: первую — для класса подлинных пользователей и вторую — для класса «самозванцев».
Данныеобласти отделены друготдруга разделяющей поверхностью, форма которой должна бытьопти
мизирована в процессе разработки схемы модуля объединения. Разделяющая поверхность может
иметь разную форму в зависимости от сложности и характера распределения двух классов. Она может
быть простой (например, линия в линейныхдискриминантныхфункциях) или более сложной (например,
как в многоместных нейронных сетях и методах опорных векторов). Разделяющие поверхности могут
быть определены статистическими методами, например методом отношения правдоподобия Нейма
на-Пирсона. Независимо от выбранного методаосновная цельзаключается в нахождении разделяющих
поверхностей, улучшающих процесс классификации для соответствующих приложений.
Комбинационные методы представляют собой простые иэффективные методы биометрического
объединения в том случае, если степени схожести однородны или могут быть нормализированы.
Именно из-за простоты и эффективности комбинационные методы являются одними из наиболее час то
применяемых методов в мультибиометрических системах. Теоретическая структура комбинацион ных
классификаторов Киттлера [42] описывает наиболее распространенные методы: произведение, сумму,
максимум, минимум, усреднение. Каждый из этих методов использует простые или основанные на
правилах арифметические действия для комбинирования степеней схожести нескольких источни ков.
Данные методы позволяют присваивать вес степени (степеням) схожести [1]. При наличии боль шого
количества информации о распределении степеней схожести применяют байесовские
статистические вычисления при комбинировании степеней схожести различных биометрических
устройств сопоставления согласно [3]. В данных методах учитывается оценочная точность отдельных
классификаторов в процессе объединения. В общем случае процесс объединения считают выполнен
ным по Байесу, если имеетсядостаточно данныхдля обучения. P,(S|G) и P,(S|I) обозначают плотности
вероятности распределения степени схожести S (соответствующего /-й модальности), исходя из пред
положений подлинный пользователь и «самозванец» соответственно. Простой классификатор Байеса
(ПКБ) принимает решение о совпадении/несовпадении. основываясь на апостериорных плотностях
вероятностей P(G|Si, S ......S«) и P(l|Si, S2
......
Sw). При недостатке данных для обучения (степени схо
жести подлинного пользователя и «самозванца» совпадают) правильнооценить плотность совместно го
распределения, включающую в себя несколько модальностей, невозможно. Таким образом,
апостериорная вероятность может быть оценена по произведению отдельных плотностей вероятнос
2
ти, то есть P(G|Si, S
......
S.v) = f ] р (S,IQ и P(1|S,, S2.......SN) = f j p (S.1i).
15