实验数据分析和性能评价

通过基于数码相机的掌纹采集系统，我们建立了一个包含1 500样本的掌纹数据库，其中采集对象为150个志愿者，每个人一次性采集10个样本掌纹图像，没有采集周期间隔。志愿者大部分为高校的在读本科生，少部分为教师和研究生，性别分布上男性占89%，女性占11%，年龄分布上大部分为18～26周岁。在这个掌纹数据库中，我们对基于moiré特征的掌纹特征提取算法进行实验数据分析和性能评价。

在具体的实验过程中，所截取的ROI大小为256×256，局部阈值二值化所平均分成的图像块大小为11×11，即参数n=11。在掌纹数据库中，每个用户的第一幅掌纹图像选取为其模板图像，因此可以得到个类内匹配结果和1490×150 =223500个类间匹配结果。根据这些匹配结果可以得到类内和类间匹配结果分布图，如图3.4所示。

从类内和类间匹配结果分布图可以看出，moiré特征权值距离分布曲线分别有两个相距较远的峰值，一个峰值位于moiré特征距离为2.4处，对应于类内曲线分布，另一个峰值位于moiré特征距离为4.8处，对应于类间曲线分布。由图3.4可以看出，类内和类间分布曲线相交区域很小，且峰值分布的很开，充分说明我们提出的基于moiré特征的掌纹特征提取算法的识别性能很好，即可以有效地将不同用户的掌纹图像区分开。

通常采用以下两个参数来对生物特征识别系统的性能进行评价：错误拒绝率（FRR，False Rejection Rate）和错误接收率（FAR，False Accept Rate）。其中FRR是指系统在特征识别时将已注册的合法用户错误地识别（或验证）为非法用户的概率，而FAR是指系统在特征识别时将未注册的非法用户错误地识别（或验证）为合法用户的概率。FRR和FAR的具体定义如下：

图3.4　moiré特征提取算法的类内和类间匹配结果分布图

式中NFR为错误拒绝的个数（number of false reject），NGA为同类之间的匹配个数（number of genuine attempts），NFA为错误接受的个数（number of false accept），NIA为不同类之间的匹配个数（number of imposter attempts）

对于一个理想的生物特征识别系统来说，希望FRR和FAR尽量小，而实际应用中，FRR和FAR是相互制约的，不可能同时降低，拒识率FRR的减小总会导致误识率FAR的增加，反之，拒识率FRR的上升总会导致误识率FAR的下降。根据系统实际应用的需求，寻求两者之间的某种平衡。对于安全性要求高的系统，比如军事、安检等部门，应尽量降低误识率FAR；对于安全性要求不高的系统，比如很多的民用系统，易用性较重要，应尽量降低拒识率FRR。为了更好地反映FRR和FAR之间的关系，并将不同阈 值下的FRR和FAR绘制成曲线，即ROC（receiver operating characteristic）曲线，ROC曲线表现的是通过对匹配分数进行一系列不同阈值匹配判别而得到的一系列对应FRR和FAR，它是评价生物特征识别系统的重要标准。(https://www.xing528.com)

与类内和类间匹配结果分布图的统计工作类似，总共进行了个合法尝试和1490×150=223500个非法尝试。为了证明本节所述算法的优越性，我们还在相同数据库上测试了比较成熟实用的2D Gabor特征提取算法，并与本节的moiré特征提取算法进行了比对。考虑到算法比对的公平性，两种算法的预处理步骤都相同，即都对预处理之后得到的256×256的ROI图像分别进行相应的特征提取和匹配判别，最终得到的ROC曲线图如图3.5所示。

图3.5　2D Gabor和moiré特征提取算法的ROC曲线

从ROC曲线图可以清晰看出，相较于传统2D Gabor算法，本节所述的moiré特征提取算法的ROC曲线处于更低的FRR/FAR区域。2D Gabor算法在掌纹数据库中的EER大约为0.52%，而我们所提出的基于moiré特征算法的EER大约为0.4%。实验结果表明，对于类似指纹纹路的乳突纹结构而言，本节所述算法的识别性能比2D Gabor算法要好很多。

实时性也是评价一个生物特征识别系统的重要指标。本节所述算法的预处理、特征提取和匹配判别步骤的平均响应时间如表3.1所示。系统的总体响应时间仅为665 ms，可以满足生物特征识别系统的实时性需求。

表3.1　基于moiré特征的掌纹识别系统的平均响应时间