基于指纹和声纹融合的身份验证研究

《基于指纹和声纹融合的身份验证研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于指纹和声纹融合的身份验证研究王蕴红刘红毅谭铁牛模式识别国家重点实验室中国科学院自动化研究所背景•信息安全的要求•学科发展的趋势融合的优越性•可靠性•准确性基于指纹和声纹融合的身份验证系统(一）匹配值指纹验证系融是统合Bayes理论用户系Neyman-判决身份验统Pearson证结果准则准则不是声音验证系统匹配值基于Bayes和Neyman-Pearson融合的身份验证系统基于指纹和声纹融合的身份验证系统(二）匹配值指纹验证系统融加权是合Bayes理论系Neyman-Pearson判决身份验用户统准则证结果准则声音验证系统

2、加权匹配值不是基于加权的Bayes和Neyman-Pearson融合的身份验证系统•基于指纹的身份验证细节点匹配•基于声纹的身份验证高斯混合模型融合方法•Bayes融合P(H/s,...,s)=P(s,...,s/H)P(H)j=0,1j1n1njjP(s1,...,sn/H1)=P(H0)Λ(x)=λP(s1,...,sn/H0)P(H1)Λ(x)>λ?H:H10•基于Neyman-Pearson准则的决策融合J=P+λ(P−α)mfPm=FRRPf=FARλ=P(S/H)/P(S/H)T1T0P(s/H)1Λ(s)=>λ

3、?H:H10P(s/H)0∞α=P=P(s/H)ds=[P(Λ(s)/H)]dsf∫∫00Ωλ1•基于加权的Bayes理论和Neyman-Pearson准则的融合1−(FAR+FRR)iiw=i2−(FAR+FRR+FAR+FRR)iijj(i,j=1,2)实验结果考虑两个生物特征指纹与声纹,信度数据来自44个人的24个样本，其中每个人的前20个样本作为训练集,后4个作为测试集。训练集用来估计参数，在训练集中，我们采用了‘left_one_out’的方法来进行实验：每个人依次被标记为impostor,其他43个人被认为是cl

4、ient,每个人在自己的身份下进入，被标记为impostor的人试图在其他43个人的身份下进入，重复20次，这样就构成了44×43×20次认证。同时，为了比较Bayes和Neyman-Pearson方法，说明在测试先验概率与假设不相符情况下，Bayes方法的缺点，分别取了20个人的20个样本和10个人的20个样本来测试。融合后与融合前的比较基于Bayes理论的融合结果基于Neyman-Pearson准则和加权Neyman-Pearson准则的融合结果Bayes与Neyman-Pearson融合结果比较不同先验概率下基于加权的

5、Bayes和Neyman-Pearson融合方法的认证结果FAR(%)FRR(%)B_101.38892.5N-P_101.11112.5B_200.986841.25N-P_200.921051.25B_441.09671.1364N-P_441.00421.1364结论•在单个分类器性能接近的情况下，融合系统的认证率要大于任何一个单一信源的认证率•基于全局参数估计的Bayes融合的认证准确率小于基于局部参数估计的Bayes融合的认证准确率•基于加权的Bayes理论和Neyman-Pearson准则的融合系统的性能优于直接

6、利用Bayes理论和Neyman-Pearson准则的融合•在未能准确估计先验概率的情况下，利用Neyman-Pearson准则方法融合优于利用Bayes方法融合基于指纹和声纹融合的身份鉴别系统谢谢！