ГОСТ Р 54411—2018
15
параторами. Вследствие этого интеграция данных на уровне результатов сравнения является наиболее
распространенным подходом в мультимодальных биометрических системах. В таблице 5 приведены
основные принципы нескольких методов объединения и соответствующие данные, характеризующие
эффективность сравнения.
Примечание — Это справедливо только в том случае, если ранг и/или результат сравнения доступны
для всех биометрических контрольных шаблонов, присутствующих в наборе возможных совпадений, предостав-
ленных каждым алгоритмом.
ii
12N12N
В случае биометрической верификации применяют два метода объединения на уровне результа-
тов сравнения. Один заключается в трактовке объединения как задачи классификации, второй — как
задачи комбинации [32], [35]. При классификационном методе вектор биометрических признаков соз-
дается с помощью выходных результатов сравнения, полученных с отдельных компараторов. Затем
вектор биометрических признаков относят к одному из двух классов: «допуск» (подлинное лицо) или
«недопуск» («самозванец»). Классификатор, используемый в этих целях (например, дерево принятия
решений, нейронная сеть, метод опорных векторов, метод k-ближайших соседей, ансамбль решающих
деревьев и так далее), позволяет определить разделяющую поверхность, независимо от способа соз-
дания вектора биометрических признаков [6], [64], [65]. Вследствие этого выходные результаты срав-
нения разных типов биометрических характеристик могут быть неоднородными (степень различия или
схожести, разные области числовых значений и так далее), и до их предоставления классификатору
обработка не требуется. При комбинационном методе отдельные результаты сравнения объединяют
для создания единого скалярного результата сравнения, который впоследствии применяют для приня-
тия окончательного решения [38]. Для обеспечения объединения результатов сравнения разных типов
биометрических характеристик результаты сравнения еще до объединения, в случае необходимости,
могут быть переведены в общую область. Это действие называется нормализацией результатов срав-
нения (см. 4.3.2 и [27]).
При классификационном методе применяют схему модуля объединения для поиска оптималь-
ного классификатора для разделения пользователей на два класса: подлинных лиц и «самозванцев».
Для этого классификатор определяет две области принятия решения в пространстве вектора биоме-
трических признаков: первую — для класса подлинных лиц и вторую — для класса «самозванцев».
Данные области отделены друг от друга разделяющей поверхностью, форма которой должна быть
оптимизирована в процессе разработки схемы модуля объединения. Разделяющая поверхность мо-
жет иметь разную форму в зависимости от сложности и характера распределения двух классов. Она
может быть простой (например, линия в линейных дискриминантных функциях) или более сложной
(например, как в многослойных нейронных сетях и методах опорных векторов). Разделяющие по-
верхности могут быть определены статистическими методами, например методом отношения прав-
доподобия Неймана — Пирсона. Независимо от выбранного метода основная цель заключается в
нахождении разделяющих поверхностей, улучшающих процесс классификации для соответствующих
приложений.
Комбинационные методы представляют собой простые и эффективные методы биометрического
объединения в том случае, если результаты сравнения однородны или могут быть нормализированы.
Именно из-за простоты и эффективности комбинационные методы являются одними из наиболее ча-
сто применяемых методов в мультибиометрических системах. Теоретическая структура комбинационных
классификаторов Киттлера [38] описывает наиболее распространенные методы: произведение, сумму,
максимум, минимум, усреднение. Каждый из этих методов использует простые или основанные на прави-
лах арифметические действия для комбинирования результаты сравнения нескольких источников. Дан-
ные методы позволяют присваивать вес результату(ам) сравнения [1]. При наличии большого количества
информации о распределении результатов сравнения применяют байесовские статистические вычисле-
нияприкомбинированиирезультатовсравненияразличныхкомпараторовсогласно [3]. Вданныхметодах
учитывается оценочная точность отдельных классификаторов в процессе объединения. В общем случае
процесс объединения считают выполненным по Байесу, если имеется достаточно данных для обучения.
P(S|G) и P(S|I) обозначают плотности вероятности распределения результата сравнения S (соответству-
ющего i-й модальности), исходя из предположений «подлинное лицо» и «самозванец» соответственно.
Простой классификатор Байеса (ПКБ) принимает решение о совпадении/несовпадении, основываясь на
апостериорных плотностях вероятностей P(G|S , S , …, S ) и P(I|S , S , …, S ). При недостатке данных
для обучения (результаты сравнения подлинного лица и «самозванца» совпадают) правильно оценить
плотностьсовместногораспределения, включающуювсебянесколькотиповхарактеристик, невозможно.