Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nhận diện sinh trắc học trong một hệ thống cảm hứng sinh học
Tóm tắt
Trong nghiên cứu này, chúng tôi đề xuất một bộ thí nghiệm nhận diện sinh trắc học trong các điều kiện tương tự như hệ thống vận hành thực tế. Điều này nghĩa là phải chuyển từ các điều kiện phòng thí nghiệm thông thường sang một tình huống thực tế hơn, nơi mà độ biến thiên giữa các mẫu huấn luyện và mẫu kiểm tra là rất lớn. Chúng tôi trình bày các thí nghiệm với nhận diện khuôn mặt, hình dạng bàn tay, và chữ ký, đào tạo một “bộ phân loại toàn cầu” có khả năng quyết định xem hai mẫu đầu vào có thuộc về cùng một người hay không. Trong quá trình kiểm tra, chúng tôi nhận diện các mẫu từ một cơ sở dữ liệu khác không được sử dụng trong quá trình đào tạo bộ phân loại. Đào tạo với cơ sở dữ liệu khuôn mặt ORL và kiểm tra với cơ sở dữ liệu AR cung cấp tỷ lệ lỗi 5,1% trong hoạt động xác minh, trong khi đào tạo và kiểm tra với cùng một cơ sở dữ liệu đạt được 2,5%. Đối với các cơ sở dữ liệu hình dạng bàn tay, chúng tôi thu được 4,33 và 0,16% cho các cơ sở dữ liệu kiểm tra và đào tạo khác nhau và giống nhau, tương ứng. Đối với nhận diện chữ ký, chúng tôi thu được 1,36 và 4,14% cho các cơ sở dữ liệu kiểm tra và đào tạo khác nhau và giống nhau, tương ứng. Hệ thống mà chúng tôi đề xuất có chi phí tính toán rất thấp để thêm/xóa một người dùng khỏi cơ sở dữ liệu, điều này là một điểm quan trọng cho một hệ thống sinh trắc học vận hành thực tế.
Từ khóa
#Nhận diện sinh trắc học #Phân loại toàn cầu #Huấn luyện mô hình #Cơ sở dữ liệu khuôn mặt #Cơ sở dữ liệu hình dạng bàn tay #Nhận diện chữ kýTài liệu tham khảo
Sacks O. An anthropologist on mars, seven paradoxical tales. New York: First Vintage Books Edition; 2006.
Faundez-Zanuy M, Fierrez-Aguilar J, Ortega-Garcia J, Gonzalez-Rodriguez J. Multimodal biometric databases: an overview. IEEE Aerosp Electron Syst Mag. 2006;21(9):29–37. doi:10.1109/MAES.2006.1703234.
Martin A, Doddington G, Kamm T, Ordowski M, Przybocki M. The DET curve in assessment of detection performance. In: European Speech Processing Conference Eurospeech; 1997, Vol. 4, p. 1895–8.
Bolle RM, Ratha NK, Pankanti S. Performance evaluation in 1:1 biometric engines. In: Li SZ et al., editors. Sinobiometrics. New York: Springer Verlag LNCS 3338; 2004. p. 27–46.
Samaria F, Harter A. Parameterization of a stochastic model for human face identification. 2nd ed. Sarasota, Florida: IEEE Workshop on Applications of Computer Vision; 1994.
Color FERET. Facial Image Database. Image Group, Information Access Division, ITL, National Institute of Standards and Technology; 2003.
Roure-Alcobé J, Faundez-Zanuy M. Face recognition with small and large size databases. Las Palmas de Gran Canaria: IEEE 39th International Carnahan Conference on Security Technology ICCST’2005; 2005. p. 153–6.
Jain AK, Bolle R, Pankanti S, editors. Biometrics, personal identification in networked society. Norwell: Kluwer Academic Publishers; 1999.
Jonathon Phillips P, Flynn PJ, Scruggs T, Bowyer KW, Chang J, Hoffman K, et al. Overview of the face recognition gran challenge. IEEE Conf Comput Vis Pattern Recognit. 2005;1:947–54.
Dutagaci H, Fouquier G, Yoruk E, Sankur B, Likforman-Sulem L, Darbon J. Hand recognition. In: Guide to biometric reference systems and performance evaluation. Springer-Verlag; 2009 Chapter 5, p. 89–124.
Fabregas J, Faundez-Zanuy M. Biometric dispersion matcher. Pattern Recognit. 2008;41(11):3412–26.
Rubinstein YD, Hastie T. Discriminative vs informative learning, knowledge discovery and data mining. Menlo Park, CA: AAAI Press; 1997. p. 49–53.
Duda RO, Hart PE, Strork DG. Pattern classification. 2nd ed. New York: Wiley-Interscience; 2001.
Martinez AM. Recognizing imprecisely localized, partially occluded, and expression variant faces from a single sample per class. IEEE Trans Pattern Anal Mach Intell. 2002;24(6):748–63. doi:10.1109/TPAMI.2002.1008382.
Lyons M, Akamatsu S, Kamachi M, Gyoba J. Coding facial expressions with gabor wavelets. In: Third IEEE International Conference on Automatic Face and gesture; 1998.
Faundez-Zanuy M, Roure-Alcobe J, Espinosa-Duró V, Ortega JA. An efficient face verification method in a transformed domain. Pattern Recognit Lett. 2007;28(7):854–8. doi:10.1016/j.patrec.2006.12.005.
Faundez-Zanuy M, Fabregas J. On the relevance of facial expressions for biometric recognition. International COST 2102 Conference on Verbal and Nonverbal Features of Human-Human and Human-Machine Interaction. LNAI 5042, Springer; 2008. p. 34–45.
Faundez-Zanuy M. Data fusion in biometrics. IEEE Aerosp Electron Syst Mag. 2005;20(1):34–8. doi:10.1109/MAES.2005.1396793.
Bolle RM, Connell JH, Pankanti S, Ratha NK, Senior AW. Guide to biometrics. New York: Springer Verlag; 2004.
Fabregas J, Faundez-Zanuy M. Biometric face recognition with different training and testing databases. International COST 2102 Conference on Verbal and Nonverbal Features of Human-Human and Human-Machine Interaction. Springer LNAI 5042; 2008. p. 46–58.
Turk M, Pentland A. Eigenfaces for recognition. Int J Cogn Neurosci. 1991;3(1):71–86. doi:10.1162/jocn.1991.3.1.71.
Belhumeur PN, Hespanha JP, Kriegman DJ. Eigenfaces vs. Fisherface: recognition using class specific linear projection. IEEE Trans Pattern Anal Mach Intell. 1997;19:711–20. doi:10.1109/34.598228.
Yu H, Yang J. A direct LDA algorithm for high-dimensional data with applications to face recognition. Pattern Recognit. 2001;34(12):2067–70. doi:10.1016/S0031-3203(00)00162-X.
Chien JT, Wu CC. Discriminant waveletfaces and nearest feature classifiers for face recognition. IEEE Trans Pattern Anal Mach Intell. 2002;24:1644–9. doi:10.1109/TPAMI.2002.1114855.
Ferrer-Ballester MA, Marcos Faundez-Zanuy CM. Travieso-González, Joan Fabregas, JB. Alonso, Evaluation of supervised vs. nonsupervised databases for hand geometry identification. In: 40th International Carnahan Conference on Security Technology, IEEE Lexington; 2006, p. 180–185.
Faundez-Zanuy M, Elizondo DA, Ferrer-Ballester MA, Travieso-González CM. Authentication of Individuals using hand geometry biometrics: a neural network approach. Neural Process Lett. 2007;26:201–16. doi:10.1007/s11063-007-9052-y.
Ortega-Garcia J, Fierrez J, Simon D, Gonzalez J, Faundez-Zanuy M, Espinosa V, et al. MCYT baseline corpus: a multimodal biometric database. IEE Proc Vis Image Signal Process. 2003;150:395–401. doi:10.1049/ip-vis:20031078.
Yeung D, Chang H, Xiong Y, George S, Kashi R, Matsumoto T, et al. SVC2004: First international signature verification competition. Lecture Notes on Computer Science LNCS-3072. New York: Springer-Verlag; 2004. p. 16–22.
Faundez-Zanuy M. On-line signature recognition based on VQ-DTW. Pattern Recognit. 2007;40(3):981–92.
Vivaracho-Pascual C, Faundez-Zanuy M, Pascual JM. An efficient low cost approach for on-line signature recognition based on length normalization and fractional distances. Pattern Recognit. 2009;42(1):183–93.