用于传感器互操作性问题的指纹匹配系统的大规模研究

文摘

1.简介

指纹的使用是最古老，最流行的人员识别和身份验证方法。指纹匹配问题已被广泛研究，并且文献中对指纹匹配方法进行了重要的讨论。但是，大多数现有算法都设计用于特定类型的传感器，即用于注册和验证的传感器。新应用的快速增长和指纹传感器技术的进步引起了指纹传感器互操作性或跨传感器匹配问题，即与从不同传感器获得的个人指纹匹配的问题。

指纹感应技术基于多种操作原理，例如超声，光学和电容技术。在超声传感器中，图像基于从指尖反弹的声波的响应。在光学传感器中，手指放在透明的棱镜表面上，光从凹谷反射并在凸脊处吸收。山脊看起来很暗，山谷看起来很明亮。电容传感器由位于传感器下方的小电容板组成，空气作为电介质。电场强度是波谷与波谷之间距离的函数[ 1]。这些技术的基本原理呈现出它们自己的变形和不一致形式，从而引入了匹配器用于指纹匹配的描述性特征的变化，并使传感器的互操作性成为挑战。

一些研究已经进行，以显示探索改变指纹传感器的指纹匹配系统[冲击的重要性2，3，4 ]。Shimon等。[ 2 ]进行了一项实证研究，使用错误的不匹配率（FNMR），使用本地数据库（未公开）检查传感器互操作性对基于细节的匹配器VeriFinger的性能的影响。卢吉尼等。[ 3 ]和梅森等。[ 4 ]使用由四个具有相同分辨率的不同光学传感器捕获的相同本地数据库（不公开提供）进行了实证研究。这些研究在Shimon等人的意义上是有限的。[ 2]只集中于一个基于细节的匹配器（VeriFinger），而Lugini等人。[ 3 ]和梅森等。[ 4）采用了由四个具有相同技术类型的传感器捕获的可互操作的数据集，这些数据集不能推广到其他技术类型的传感器。此外，这些研究是在本地数据库上进行的；对于问题的新解决方案，很难重现在这些评估中获得的结果并比较新算法的性能。必须进行研究才能回答某些问题，其中一些问题包括：哪种类型的功能可以抵抗使用不同技术类型和捕获类型的传感器捕获的指纹中出现的不同结构和失真不一致？互操作性对增强算法性能有何影响？传感器的互操作性如何影响最新的指纹匹配方法的性能？这些问题促使我们分析使用不同传感器捕获的指纹的结构不一致，并提供对最新技术增强方法和匹配系统的比较分析，以使用公共数据库来了解指纹传感器互操作性问题的影响。由于本研究中使用的数据库可在公共领域使用，

进行这项研究以分析指纹的特性以及交叉传感器匹配对最新的指纹增强和匹配方法的影响。匹配方法包括Minutiae圆柱代码（MCC），Bozoroth3（NBIS软件）和商业SDK VeriFinger。实验使用公共数据库FingerPass进行。具体来说，我们的贡献如下：

• 对指纹结构的分析表明，用不同传感器捕获的指纹在小规模结构不一致（例如微纹理图案）和细脊细节（例如宽度和孔）中有所不同。脊的样式，脊的方向和细节是主要的结构组件，与传感器的技术类型和交互类型无关。

• 脊间间距的分析表明，连续脊之间的间距在使用不同传感器捕获的同一手指的印象之间有所不同，并且对跨传感器匹配具有重大影响。设计跨传感器匹配方法时必须解决此问题。

• 对两种最新的增强算法的分析表明，有必要为跨传感器匹配开发新的增强算法，该算法能够保留脊形并抑制小规模结构不一致，外来脊形和细节。

• 对三种最先进的匹配方法的分析表明，需要开发新的跨传感器匹配算法。通常，光学传感器之间的互操作性要比电容传感器更好。必须开发新的特征提取技术以进行跨传感器匹配，同时注意指纹的结构成分，这些指纹随传感器的技术类型和交互类型而变化或不变。

本文的其余部分安排如下：第2节介绍了指纹传感器的互操作性问题和特征提取。第3节概述了指纹传感器互操作性问题的数据库。第4节概述了针对指纹传感器互操作性问题提出的方法，第5节提供了两种用于跨传感器匹配的指纹增强方法的分析。第6节讨论指纹缩放对交叉传感器匹配的影响，第7节介绍对交叉传感器匹配的三种匹配方法的分析。本文的结论和未来的研究方向进行了探索。第8节。

2.指纹传感器的互操作性问题和特征提取

指纹传感器的互操作性解决了指纹匹配系统补偿使用不同传感器获取的个人指纹变化的能力。由于在捕获传感器技术，交互类型，传感器分辨率和扫描区域方面存在差异，因此引入了指纹变化。根据技术类型，传感器可分为电容式，光学，温差，非接触式，超声波，压电式或多光谱[ 5]。每种类型都会产生自己的变形类型。在某些捕获系统中，路径长度会反射在指尖的宽度和长度上变化的光，这可能导致梯形失真或在获取的指纹内生成散焦区域。梯形失真是指当一部分比图像的其余部分宽时在图像中出现的差异。电容式传感器会受到噪声和网格伪影的影响，并且对汗水和其他污染物中的盐分敏感。因此，由于技术类型的差异，传感器会导致不同类型的失真。

纹理特征，诸如局部二进制模式（局部二值模式），直方图梯度方向（猪），和Gabor响应的[ 6，7，8，9，10 ]是用于指纹匹配系统是有用的描述符; 但是，由于传感器之间的差异，指纹的纹理会有所不同。图1显示同一只手指的一些指纹的放大视图，但使用不同的传感器捕获；相应的LBP图像显示在图2。LBP的功能彼此不同，显示出较大的类间差异；令人担忧的是，纹理描述符能够区分使用不同传感器捕获的指纹。该图说明，纹理不是跨传感器匹配的区分特征。这种变化使寻找指纹传感器互操作性的强大功能变得更加复杂。

 

可以在 图1 和 图2所有指纹视图的脊纹都相同。这些图案是指纹的最明显的结构特征，并形成用于鉴别的强大特征[ 11 ]。三个级别用于描述指纹[ 1 ] 中的隆起细节，即隆起样式的总体流程（级别1），细节点（级别2）和精细的隆起细节（例如孔和边缘轮廓）（级别3）。问题是这些功能对于指纹传感器的互操作性是否健壮。在使用不同传感器采集的指纹中，脊纹的整体流动保持相同，这表明其辨别力很强。细节点也保持不变，这些是识别的强大区分特征[ 12，13，14，15 ]。但是，传感器捕获区域是一个问题，因为具有较大捕获区域的传感器捕获的指纹将始终比具有较小捕获区域的传感器产生更多的细节，如图所示。图3。这引起了关于仅基于细节特征的指纹匹配系统的关注。由于较小的捕获区域而导致的细节丢失可能会影响辨别力。细脊细节，诸如宽度，边缘轮廓，和毛孔，是高度显着特征[ 16，17，18，19 ]。但是，从中可以看出图2，这些功能无法可靠地检测到。例如，毛孔不会出现在图2a，g，i并且在其他指纹中几乎不可见。此外，宽度和边缘轮廓在各个视图中都不同图2。因此，级别3的功能对于交叉匹配问题不是很可靠。

传感器互操作性对指纹识别的影响尚未得到广泛研究。探索此问题将有助于理解更换传感器的影响。为了开发跨传感器特征提取和匹配算法，需要检查通过不同传感器捕获的指纹及其特征。

3.指纹传感器互操作性问题的数据集

数据库在评估指纹匹配系统的性能中起关键作用；但是，针对指纹互操作性问题的基准数据库很少。这样的数据库包括MCYT [ 20 ]，GUC100 [ 21 ]，ATVS-FFp [ 22 ]，FingerPass [ 23 ]和MOLF [ 24]]数据库。这些数据库在传感器技术，分辨率，图像大小，捕获方法和使用的指纹数量方面有所不同。MCYT数据库仅包含两个具有相同采集分辨率和捕获方法的不同传感器。ATVS-FFp数据库使用三个不同的传感器来获取其图像。但是，使用的指纹总数是所有列出的数据库中最低的。使用三种不同的传感器以相同的传感器技术类型和捕获方法来获取MOLF数据库数据。使用六种不同的扫描仪和具有相同分辨率和捕获方法的多种传感器技术类型捕获了来自GUC100数据库的指纹。GUC100是一个半公开数据库，要求研究人员要么在Gjøvik大学学院（挪威）的场所进行测试，要么以编译后的形式提交算法，由Gjøvik的研究人员运行。FingerPass数据库包括具有两种技术类型和两种交互类型的传感器，两者在分辨率和图像大小方面都不同。为了解决指纹传感器互操作性所涉及的挑战，重要的是使用一个数据库，该数据库在使用的传感器数量及其特性方面有很多变化。没有可用的数据库包含来自不同技术和交互类型的各种传感器的指纹。需要开发代表各种技术类型和交互类型的新数据库。

在可用的公共领域数据库中，FingerPass是唯一包含最大种类的，具有不同变化的跨设备指纹的大型数据库，这使其成为指纹识别系统的具有挑战性的数据库。 表格1提供了FingerPass数据库的摘要。它由使用不同传感器类型和交互类型捕获的九个数据集组成。

4.最新方法概述

文献中大多数现有方法都是为特定技术类型设计的。因此，当通道指纹和探针指纹都来自不同的传感器时，它们的性能会下降。最近的工作显示了各种指纹传感器设备对指纹系统的匹配错误率（EER）的影响。Jain和Ross [ 25 ]通过收集具有光学和电容式传感器的160个人的指纹研究了传感器的互操作性问题。他们研究了一些匹配系统的性能，以匹配使用不同传感器获得的指纹，发现其性能明显下降。当从光学传感器收集的指纹与电容传感器的指纹相匹配时，设备间的EER增加到23.13％。Modi等。[[2 ]研究了指纹传感器互操作性对基于细节的匹配器的性能（以错误的不匹配率表示）的影响。他们制定了一个统计分析框架，以检查细节量，指纹质量以及本机和可互操作数据集的性能之间的相似性。卢吉尼等。[ 3 ]从统计学的角度分析了传感器的互操作性问题，以测量用于注册和验证的传感器不同时匹配分数的变化。这项研究是在一个私人数据库上进行的，该数据库除了使用基于墨水的指纹的扫描版本外，还使用四个不同的光学传感器进行了收集。梅森等。[ 4]使用与[ 3 ] 相同的数据集研究了互操作性对不同匹配器的影响。这些研究表明，指纹传感器的互操作性对现有自动指纹识别系统的匹配性能有重大影响。当使用不同的传感器进行注册和查询时，性能会大大下降。

很少有研究集中在最小化传感器互操作性的影响上。为了解决光学传感器之间互操作性差的影响，Marasco等人（2002年）提出。[ 26 ]提出了一种利用各种类型的功能和分类器的方法，该方法是针对跨设备和设备内匹配而开发的。所采用的功能基于图像质量，基于指纹强度的特征和细节量。实验是在私有数据库上进行的。结果表明，这种方法从错误的不匹配率方面改善了跨设备匹配。据观察，仅基于强度的特征随用于捕获指纹的传感器的类型而变化。在[ 5]，提出了一种非线性校准方法，以解决使用薄板样条（TPS）模型的传感器互操作性问题。该技术产生了定义两个传感器之间空间关系的平均变形模型。这种方法不是完全自动化的。参数取决于手动选择的控制点。

一些工作已经研究了规模对跨传感器匹配的影响，并进行了一些改进。任等人。[ 27 ]提出了一种基于平均岭间距离的方案，以计算生成要匹配的两个指纹的放大视图所需的比例。实验是在FVC2002（不是跨传感器数据库）上进行的。Zang等。[ 28 ]提出了一种估计两个指纹之间最佳比例的方法。在这种方法中，首先使用山脊距离图粗略地计算全局比例，然后在所有可匹配的细节对中确定局部精细比例的直方图。使用FingerPass数据库中的四个数据集评估了该方法。在[ 29]，通过引入比例信息修改了Minutia圆柱代码。这些研究表明，合并规模信息可以增强跨设备指纹匹配的性能。

从以上讨论可以明显看出，很少有研究调查指纹传感器的互操作性问题，它们在解决该问题上的贡献微不足道。因此，这仍然是一个挑战。诸如指纹纹理变化和使用不同传感器时出现的指纹变形等主要问题尚未得到适当解决。

5.指纹增强方法

指纹增强方法在特征提取之前通过增强脊结构来提高图像质量起着重要作用[ 30 ]。解决跨传感器匹配问题时，增强方法的作用变得至关重要，因为使用不同传感器捕获的指纹包括不同类型的噪声和微纹理图案。为了评估现有指纹增强方法在指纹传感器互操作性问题上的潜力，我们分析了两种最新方法的影响：（i）HONG，Hong等人使用的方法。[ 31 ]，其中通过应用调整到局部脊的方向的一组Gabor滤波器来增强指纹，以及（ii）CHIK，由Chikkerur等人采用的方法。[ 32]，其中使用短时傅立叶变换（STFT）进行指纹增强。在CHIK中，首先将指纹划分为小的重叠窗口，然后将STFT应用于每个窗口。脊频率，脊取向和块能量是根据傅立叶频谱估算的。然后应用上下文过滤来增强指纹。

图4显示了使用三个不同传感器及其增强版本捕获的三个指纹的放大视图。HONG处理的增强指纹的平滑脊比CHIK处理的平滑。但是，仔细观察发现，这两种增强方法都无法保留指纹的原始脊纹图案，并且无法产生多余的细节点和脊纹。结果，这两种方法不能被认为是鲁棒的，以解决传感器互操作性所涉及的挑战。

 

图4

（a）用三个不同的传感器捕获的同一根手指的指纹，（b）使用Hong等人的方法增强了相应的指纹。（c）使用Chikkerur等人增强的相应指纹。方法。

作为概念证明，我们使用VeriFinger和MCC算法进行了三个实验（详细说明请参见7.1节），以测试增强效果。表2显示了实验结果。增强后的EER较低，并且HONG优于CHIK。尽管增强后效果更好，但改善并不显着，这很可能是由于两种增强方法都不能精确地保留山脊图案和细节，而无论使用哪种传感器并形成判别式都不会改变交叉传感器匹配时的内容。由于不同的传感器由于其技术和捕获类型而导致不同类型的噪声和纹理微结构，因此这些方法在这种变化下无法产生一致的结果。

6.指纹缩放及其对跨传感器匹配的影响

指纹由相连的脊组成。所述脊间距离是一个重要的指纹特征[ 1，33 ]，但它是相对于指纹传感器的互操作性[问题12，13，14，15 ]。它被测量为两个相邻脊之间的平均距离[ 34 ]。图5显示来自FingerPass数据库[ 35 ]的四个指纹，这些指纹是使用四个不同的传感器从同一对象获取的；旁边给出了相应的稀疏指纹以进行比较。稀疏指纹中连续脊之间的间距在不同传感器捕获的印痕之间有所不同；即比例尺不同，这会导致真正的指纹匹配失败。在从同一传感器获取指纹的常规匹配方案中，很少出现此问题。

图6显示了FingerPass数据库的每个数据集的岭间间距的箱形图。与其他数据集相比，ATC和FPC包含的指纹具有较短的岭间距离。

已经表明，指纹的规模对跨传感器匹配有影响[ 28 ]。为了探索缩放的效果，我们使用VeriFinger和MCC算法进行了三个实验。我们首先计算要比较的两个指纹的平均脊间距离，并计算所需的探针指纹比例，作为比较的指纹的脊间距离的商。表3显示这些实验的结果；缩放后，EER大大降低，这表明了缩放的重要性。尽管一些研究建议在指纹匹配系统中增加缩放步骤，但是时间复杂度仍然是现有基于缩放方法的问题，并且需要提取对缩放变化具有鲁棒性的特征。

7.最先进的匹配方法的性能分析

在本节中，我们将对用于跨传感器匹配的最新指纹匹配方法进行详细的性能分析。首先，给出了方法的概述，然后描述了评估协议。

7.3。EER分析与讨论

表4， 表5 和 表6分别显示了VeriFinger，MCC和Bozoroth3产生的EER值。VeriFinger的结果在表4，这表明除AEC和FPC分别为12.83％和5.20％之外，所有本机EER都比可互操作的EER小得多。对于大多数交叉传感器匹配情况，交叉EER很高。如果探头传感器和模板传感器（FXO，V3O和AEO）均为光学类型，则在交叉传感器匹配的情况下，除了URO（也是光学传感器）之外，交叉EER很小。无论URO是否用作探针或模板，交叉EER都很高，超过20％。当探头和模板传感器均为电容类型（ATC，SWC，AEC，FPC和TCC）时，交叉EER较高。当光学传感器用作探针，电容传感器用作模板时（反之亦然），除了TCC以外，交叉EER都很高，这导致EER很小，无论它们是用作探针还是模板，除了URO。在少数交叉传感器情况下，例如FXO和V3O，FXO和TCC，V3O和TCC以及V3O和AEO（其中一个可以充当探针，而另一个充当模板），交叉EER小于1，而在大多数其他情况下，则比1高得多。这表明VeriFinger通常无法解决跨传感器匹配问题。

表4

VeriFinger系统产生的EER（％）。

（Template/Probe）	FXO	V3O	URO	AEO	ATC	SWC	AEC	FPC	TCC
FXO	0.08	0.54	2.53	2.14	26.92	3.28	7.40	36.54	0.50
V3O	0.54	0.14	20.54	0.86	11.79	1.85	7.24	25.66	0.33
URO	2.52	20.49	0.01	20.62	41.47	19.75	27.81	43.30	17.44
AEO	2.14	0.86	20.65	0.04	12.08	1.16	10.63	28.98	1.85
ATC	26.89	11.79	41.47	12.09	0.67	15.56	30.32	14.14	19.06
SWC	3.27	1.85	19.77	1.16	15.57	0.45	12.83	31.01	3.28
AEC	7.39	7.25	27.82	10.62	30.33	12.81	12.87	38.07	8.04
FPC	36.56	25.66	43.35	28.99	14.13	30.99	38.03	5.20	30.62
TCC	0.50	0.33	17.45	1.86	19.06	3.28	8.03	30.66	0.17

表5

MCC系统产生的EER（％）。

（Template/Probe）	FXO	V3O	URO	AEO	ATC	SWC	AEC	FPC	TCC
FXO	0.38	2.53	7.15	4.69	37.16	6.29	31.80	43.98	4.88
V3O	2.53	0.90	23.53	2.85	28.49	4.51	28.88	39.67	2.60
URO	7.15	23.53	0.31	26.98	43.19	26.92	43.98	46.44	28.47
AEO	4.69	2.85	26.98	0.92	31.59	4.97	34.71	41.25	6.81
ATC	37.16	28.48	43.19	31.59	9.48	32.51	47.69	33.48	37.83
SWC	6.28	4.51	26.92	4.96	32.50	3.07	36.88	41.45	11.11
AEC	31.80	28.88	43.98	34.71	47.70	36.88	43.18	47.53	32.05
FPC	43.98	39.67	46.44	41.25	33.48	41.45	47.53	25.37	41.89
TCC	4.88	2.60	28.47	6.81	37.83	11.11	32.05	41.89	2.50

表6

通过Bozoroth3方法产生的EER（％）。

（Template/Probe）	FXO	V3O	URO	AEO	ATC	SWC	AEC	FPC	TCC
FXO	38.51	47.98	49.72	49.03	49.64	49.00	48.68	50.44	49.33
V3O	47.97	2.65	34.16	38.03	49.44	11.37	47.01	50.03	33.50
URO	49.72	34.14	0.58	38.85	49.42	35.66	45.70	49.99	7.83
AEO	49.02	38.06	38.84	41.33	50.18	39.70	47.53	50.71	35.56
ATC	49.60	49.43	49.43	50.17	12.43	49.98	48.69	50.16	49.06
SWC	48.97	11.38	35.68	39.69	49.97	5.51	47.18	50.92	32.90
AEC	48.67	47.02	45.69	47.52	48.70	47.21	36.54	48.54	45.29
FPC	50.45	50.05	49.96	50.71	50.24	50.91	48.56	40.95	49.68
TCC	49.32	33.55	7.88	35.56	49.04	32.92	45.31	49.71	4.95

MCC系统结果显示在 表5，这表明光学传感器的固有EER比电容传感器的EER小得多。对于大多数交叉传感器匹配情况，交叉EER很高。如果探针传感器和模板传感器（FXO，V3O和AEO）均为光学类型，则在交叉传感器匹配的情况下，除了URO（也是光学传感器）之外，交叉EER相对较小。不管是否使用URO作为探针或模板，交叉EER都很高，超过23％。当探头和模板传感器均为电容类型（ATC，SWC，AEC，FPC和TCC）时，交叉EER很高。当光学传感器用作探针，电容传感器用作模板时（反之亦然），除了TCC以外，交叉EER都很高，这导致相对较小的EER，无论它们是用作探针还是用作模板以外的模板URO。在几乎所有交叉传感器匹配的情况下，交叉EER都高得多。这表明，一般而言，MCC对于跨传感器匹配问题的执行效率最低。

Bozoroth3方法的EER结果显示在 表6，这表明所有本机EER（URO除外）和所有可互操作的EER都很高。这种方法不仅在跨传感器匹配方面表现不佳，而且在从同一传感器捕获探针和模板指纹的自然匹配方面也表现不佳。

从上面的结果和讨论中，我们可以看到，尽管VeriFinger的性能优于MCC和Bozoroth3方法，但对于跨传感器匹配，其结果也很差。为了进一步比较，表7总结了交叉匹配和常规匹配的三种方法的中位数和平均EER；请注意，当列出的数据集用作图库集而其余数据集用作探针集时，将计算均值和中值交叉EER。该表还宣布VeriFinger为赢家，但请注意，它无法产生良好的跨传感器匹配结果；最小中值交叉EER为2.9（当FXO用作画廊集时），最小平均交叉EER为8.6（当V3O用作画廊集时）。

表7

被测系统产生的本机EER，中值和平均跨设备EER值。

（Template/Probe）	VeriFinger			MCC			Bozoroth3
	Native EER	Median cross-EER	Mean cross-EER	Native EER	Median cross-EER	Mean cross-EER	Native EER	Median cross-EER	Mean cross-EER
FXO	0.08	2.9	9.98	0.38	6.72	17.31	38.51	49.18	49.23
V3O	0.14	4.55	8.6	0.9	14.02	16.63	2.65	42.52	38.94
URO	0.01	20.55	24.17	0.31	27.72	30.83	0.58	42.28	38.91
AEO	0.04	6.39	9.79	0.92	16.89	19.23	41.33	43.62	43.7
ATC	0.67	17.31	21.41	9.48	35.32	36.49	12.43	49.51	49.56
SWC	0.45	8.05	11.09	3.07	19.02	20.58	5.51	43.44	39.59
AEC	12.87	11.72	17.79	43.18	35.79	37.94	36.54	47.36	47.33
FPC	5.2	30.8	31.04	25.37	41.67	41.96	40.95	50.15	50.07
TCC	0.17	5.66	10.15	2.5	19.79	20.71	4.95	40.44	37.91

表7表示VeriFinger在ATC，FPC和URO数据集上具有很高的中值和平均交叉EER。使用电容扫描传感器收集ATC，而使用电容压力传感器获得FPC。这是两个图像分辨率最低的数据库。URO是通过压力相互作用型的光学传感器收集的。相反，在V3O和FXO上获得最低的中位数和平均可互操作EER，这是使用光学压力传感器捕获的。尽管指纹的分辨率会影响VeriFinger的性能，但即使是高分辨率的指纹，其匹配结果也不是很好。FXO，V3O，URO和AEO也包含高分辨率指纹。

对于MCC，最低交叉EER中位数和平均交叉EER分别为6.72％和16.63％，远高于VeriFinger的中值。交叉EER最高的是FPC，AEC和ATC数据集，这些数据是使用电容传感器收集的。相反，通过V3O和FXO获得的最低平均可互操作EER是使用光学压力传感器捕获的。

对于Bozoroth3，最低的中位数交叉EER和平均交叉EER在V3O上分别为42.52％，在TCC上为37.91％，这些值远高于VeriFinger和MCC。交叉EER最高的是FXO，ATC和FPC数据集；ATC和FPC数据集是从电容传感器收集的，而FXO数据集是从光学压力传感器收集的。总体而言，此方法的交叉EER远高于VeriFinger和MCC。这三种方法在ATC和FPC上产生更高的交叉EER，这很可能是由于指纹的分辨率。

为了进一步了解这三种交叉传感器匹配方法的性能，我们选择了一个光学传感器（V3O）和一个电容传感器（ATC），并绘制了检测误差折衷（DET）曲线。 图7 和 图8显示了将ATC和V3O用作图库并将其余数据集用于探针时，三种方法在跨设备匹配情况下的DET曲线。这些曲线进一步验证了VeriFinger在跨传感器匹配方面优于MCC和Bozoroth3，但其性能也很低。

7.4。传感器技术和交互类型的性能分析

此外，我们根据传感器的技术类型检查了这三种方法的跨传感器匹配性能。在这种情况下，数据集可以分为两类：光学的和电容的。共有四种交叉传感器匹配方案：（i）光学与光学，其中探头和通道均由光学传感器捕获，但类型不同；（ii）电容与电容，其中探头和通道均为（iii）光学与电容式传感器，但使用不同类型的电容式传感器捕获，其中探头由光学传感器捕获，通道由电容式传感器捕获，并且（iv）方案（iii）的相反。光学组包含通过AEO的FXO，而电容组包含通过TCC的ATC。图9显示了四种情况下三种方法的平均交叉EER。对于每种情况，均考虑了所有对应的交叉匹配情况，计算出平均交叉EER，如表2， 表3 和 表4 对于每种方法。 图9表示对于光学方案与光学方案，获得最低的交叉EER，而电容方案与电容方案的平均交叉EER最高。尽管每组的最佳性能都是由VeriFinger获得的，但它也导致较高的平均交叉EER。

为了检查传感器交互类型对跨传感器匹配的影响，将数据集分为两类：按下和清除。共有四种交叉传感器匹配方案：（i）扫动与扫动，其中使用扫动交互类型的不同传感器同时捕获探针和通道集；（ii）压机与压力机，同时捕获探针和通道集（iii）扫视与压力机，其中探头组由扫动交互型传感器捕获，画廊组由新闻交互型传感器捕获，以及（iv）与方案（iii）相反。扫描组包含AEO，ATC和SWC，而新闻组包含所有其他数据集。图10显示每种情况下三种方法的平均交叉EER。结果表明，对于扫描与扫描场景，使用VeriFinger获得的最低平均交叉EER。其他三个类别的平均交叉EER相同。就这些方法的比较性能而言，在这里可以观察到与技术类型相似的趋势。在这三种方法中，VeriFinger的平均交叉EER最低，但其性能也远非最佳。

为了检验技术类型以及传感器的交互类型对跨传感器匹配性能的影响，以下三种方法的平均交叉EER如下所示： 图11适用于不同的跨传感器匹配方案。数据集分为四组：光学印刷机（FXO，V3O和URO），光学扫描（AEO），电容扫描（ATC和SWC）和电容印刷机（AEC，FPC和TCC）。应该注意的是，在光扫描类别中只有一个数据集（AEO）。如图所示，共有16种跨传感器匹配方案，例如光学印刷机与光学印刷机，光学扫描与光学扫描以及光学印刷机与光学扫描。图11。对于每种情况，平均交叉EER均由表4， 表5 和 表6 考虑到相应的情况，例如，通过考虑所有交叉传感器匹配的情况（其中不同的光学传感器用于探针和通道）来计算光学印刷机与光学印刷机的平均交叉EER。

图11表明在所有方案中（不包括光学扫描和光学扫描），这三种方法的最低平均交叉EER分别适用于光学印刷机和光学印刷机。在三种方法中，VeriFinger的平均交叉EER最低。请注意，光扫描与光扫描是本机匹配方案，因为此方案只有一个数据集。对于所有其他情况，平均交叉EER很高。尽管在三种方法中，VeriFinger的平均交叉ERR最低（5.27％）（对于光学印刷机还是光学印刷机），但这个结果远非最佳。

检查了三种最新方法的性能，包括常规匹配，跨传感器匹配和跨传感器匹配，同时查看技术类型，交互类型以及结合交互类型的技术类型。该分析表明，尽管与MCC和Bozoroth3相比，VeriFinger提供了更好的跨传感器匹配结果，但其性能也不是跨传感器匹配的最佳选择。得出的结论是，有必要为跨传感器匹配问题开发新的算法。

8.结论与未来工作

我们对指纹传感器的互操作性问题进行了大规模分析。我们提供有关指纹传感器互操作性问题的实际问题的见解。在使用不同传感器捕获的指纹中，会出现低级的结构不一致和失真。此处显示，增强算法对跨传感器匹配具有重大影响。我们还分析了公共多传感器数据库上三种最新方法的交叉匹配性能。

由于传感器之间在捕获技术，交互类型，传感器分辨率和扫描区域方面的差异，在使用不同传感器捕获的指纹中引入了几种变体。这些变化表现为指纹纹理和细小的隆脊细节（如宽度，孔和隆脊间距）不一致，从而难以提取由不同传感器捕获的指纹的歧视性描述。但是，脊纹和细节点在不同的传感器之间是不变的，并且形成了用于跨传感器匹配的指纹的区分性描述。面临的挑战是增强隆起图案和细节，同时抑制小范围的不一致性（例如微纹理图案）和精细的隆起细节（例如宽度和孔）。为了评估现有增强方法应对这一挑战的潜力，我们分析了两种最先进的增强算法的性能。我们发现，尽管增强方法可以克服此问题并提高交叉匹配性能，但为常规匹配而设计的现有方法对于交叉传感器匹配而言仍然不够鲁棒。因此，需要设计可互操作的增强算法，该算法可保留脊模式并抑制不一致的小细节。

对三种最新方法的性能分析表明，当使用同一传感器进行注册和验证时，本地EER通常非常低，特别是对于VeriFinger。当使用不同的传感器进行注册和验证时，即使对于性能最佳的VeriFinger方法，性能也会大大降低。这凸显了跨设备匹配的研究挑战。事实证明，VeriFinger是三种匹配方法中最好的一种。它产生的EER值低于MCC和Bozoroth3。VeriFinger还将Minutiae以及其他一些属性（如山脊数量）一起使用，这突显了将Minutiae与其他功能融合可以对减少互操作性问题产生积极影响。

基于传感器技术类型的交叉传感器匹配分析表明，光学传感器的平均交叉EER相对较低。相比之下，对于所有三种匹配方法，电容式传感器产生的平均交叉EER最差。因此，交叉传感器匹配的最佳选择是使用光学传感器进行注册和验证。

基于传感器的技术类型和交互类型的交叉传感器匹配分析显示，对于三种方法，具有压力交互类型的光学传感器的平均交叉EER最低。相比之下，具有压力相互作用类型的电容式传感器产生的平均交叉EER最差。此外，电容扫描与电容压制（反之亦然）导致较高的平均交叉EER。因此，无论是压力传感器还是压力传感器，光学压力传感器之间的互操作性都比电容传感器更好。

除了传感器的技术类型和交互类型之外，指纹的大小和分辨率还会对错误率产生重要影响。必须研究不同变换模型（例如缩放比例和分辨率补偿模型）对跨传感器匹配的影响。还应检查传感器的技术类型和交互类型对图像质量的影响。

大多数系统仅使用指纹的单一印象来提取特征。但是，应该研究使用指纹的多次印记来捕获更多特征的效果，以获得更好的结果。

我们对指纹传感器互操作性问题的研究表明，使用不同技术类型和交互类型的传感器捕获的指纹涉及不同类型的变形和小范围的不一致性，例如微纹理图案和孔。此外，指纹的大小和分辨率不同。在用不同的传感器捕获的指纹中，主要结构不变，包括隆起图案，隆起方向和细节。有鉴于此，未来的研究应该开发出用于跨传感器匹配的指纹增强算法，该算法可以增强脊纹和细节，并抑制诸如微纹理图案之类的不一致性。用不同传感器捕获的指纹的大小和分辨率各不相同。

参考文献