ГОСТ Р 54411—2018
метод заключается в использовании двух или более экземпляров одного типа биометрической ха-
рактеристики, например отпечатка левого указательного пальца и отпечатка правого указательного
пальца. В данном примере единственный биометрический сканер, позволяющий получить цифровое
изображение отпечатка пальца, используют последовательно дважды. Второй — мультихарактери-
стиковый метод заключается в использовании нескольких типов биометрических характеристик, со-
бранных с одного или более датчиков, например последовательное получение изображений руки и
лица. Третий — мультидатчиковый метод заключается в использовании двух или более отдельных дат-
чиков для сбора одной(их) биометрической(их) характеристики(к) субъекта, но не одновременно. Во
избежание путаницы с мультихарактеристиковым методом, когда возможен сбор биометрического(их)
признака(ов) с двух или более отдельных датчиков, мультидатчиковый метод называют «унихаракте-
ристиковый метод». Примерами для распознавания лица являются датчики для получения изобра-
жений в инфракрасном и в видимом диапазонах длин волн, датчики для получения двухмерных и
трехмерных изображений; датчики для получения отпечатка пальца: оптические, электростатические и
акустические.
3.3 Взаимосвязь данных
В мультимодальных биометрических системах объединяемые данные могут быть взаимосвязаны
на нескольких уровнях [56]:
- взаимосвязь между типами биометрических характеристик: данная взаимосвязь имеет отноше-
ние к биометрическим образцам, которые физически связаны, например речь и движение губ пользо-
вателя;
- взаимосвязь, возникающая вследствие идентичности биометрических образцов: случай в
мультиалгоритмических системах, когда один и тот же биометрический образец (например, изобра-
жение отпечатка пальца) или подмножества биометрического образца (например, голос, когда весь
биометрический образец может быть использован одним алгоритмом и часть биометрического образ-
ца — другим) используются разными алгоритмами извлечения биометрических признаков и алгорит-
мов сравнения (например, сопоставление на основе контрольных точек и сопоставление на основе
текстуры);
- взаимосвязь значений биометрических признаков: подмножество значений биометрических при-
знаков, представляющих собой векторы биометрических признаков разных типов биометрических ха-
рактеристик, могут быть взаимосвязаны, например площадь ладони пользователя (геометрия кисти
руки) может быть связана с шириной лица;
- взаимосвязь экземпляров, возникающая при общей технике эксплуатации (например, использо-
вание одного и того же биометрического сканера, один и тот же уровень подготовки оператора);
- взаимосвязь экземпляров, возникающая вследствие особенностей субъекта (например, цветные
контактные линзы на обоих глазах).
Для определения уровня взаимосвязи необходимо проверить результаты сравнения (или реше-
ние о допуске/недопуске), имеющие отношение к компараторам, используемым в схеме объединения.
В [56] указано, что объединение взаимно независимых классификаторов приводит к значительному
улучшению эффективности сравнения.
Для двух достаточно точных классификаторов, включенных в схему объединения, выходные дан-
ные, полученные на основе входных данных от одного и того же субъекта, могут быть взаимосвязаны.
Поэтому целесообразно рассматривать взаимосвязь ошибок классификаторов согласно [20].
Корреляцию
r
n
C
вычисляют по формуле
C
CCC
n
×
N
f
n
C
N
−
N
t
−
N
f
+
nN
f
r=
,
C
где n — число тестируемых классификаторов;
N — общее число входных данных;
N
f
— число входных данных, ошибочно классифицируемых всеми классификаторами при исполь-
C
зовании порога С;
N
t
— число входных данных, правильно классифицируемых всеми классификаторами при исполь-
зовании порога С.
6
Примечание — Формулу используют для вычисления корреляции ошибок на уровне принятия
решения.