Biometrische Erkennung bezeichnet die automatische Erkennung von Personen auf Grundlage ihres Verhaltens oder ihrer biologischen Eigenschaften. Neben forensischen Anwendungen zielt diese Technologie darauf ab, die traditionellen, wissensbasierten und Angriffsanfälligen Identitätsnachweise zu ersetzen. Die Wahl eines biometrischen Merkmals ist neben anderen Faktoren vor allem ein Kompromiss zwischen Universalität, Akzeptanz und Dauerhaftigkeit. Darüber hinaus kann die Genauigkeitsobergrenze des gewählten Merkmals die Skalierbarkeit und Nutzbarkeit für einige Anwendungen einschränken. Die Nutzung mehrerer biometrischer Merkmale innerhalb eines einheitlichen Rahmens (Multi-Biometrie) zielt darauf ab, die Beschränkungen der Biometrie einzelner Merkmale anzugehen und somit eine breitere Implementierung der Technologie zu ermöglichen. Diese Arbeit präsentiert Fortschritte in der Multi-Biometrie, indem sie verschiedene Schritte des multi-biometrischen Workflows genauer untersucht.

Zunächst werden praxisorientierte Fragen in Bezug auf Imputation fehlender Daten und Vergleichswert-Normalisierung vor der Fusion diskutiert. Dies umfasst die Vorstellung einer neuartigen leistungsverankerten Vergleichswert-Normalisierungstechnik, die bestimmte leistungsbezogene Vergleichswerte in den zu fusionierenden biometrischen Quellen ausrichtet, was zu einer präziseren multi-biometrischen Entscheidungsfindung im Vergleich zu herkömmlichen Normalisierungsansätzen führt. Ebenfalls wird die Imputation fehlender Daten innerhalb der wertebasierenden multi-biometrischen Fusion durch die Analyse des Verhaltens verschiedener Ansätze in verschiedenen operativen Szenarien untersucht.

Innerhalb des multi-biometrischen Fusionsprozesses können verschiedene Informationsquellen unterschiedliche Zuverlässigkeitsgrade aufweisen. Dies wird in der Regel durch die Zuordnung von relativen Gewichten zu den zu fusionierenden Quellen in den Fusionsprozess erreicht. Diese Arbeit präsentiert eine Reihe von Gewichtungsansätzen zur Optimierung der Entscheidungsfindung des biometrischen Systems. Dabei werden Gewichte, die auch als Vertrauensindikator fungieren, zur Erfassung der Gesamtleistung der biometrischen Quelle vorgeschlagen und deren Überlegenheit gegenüber aktueller Gewichtungsansätze unter Beweis gestellt. Diese Arbeit führt ebenfalls einige Gewichte ein, die aus der Darstellung des Identifikationsleistung abgeleitet wurden. Die Auswirkungen dieser Gewichte werden sowohl im Verifikations- als auch im Identifikationsszenario analysiert.

Zur weiteren Optimierung des multi-biometrischen Prozesses können auch Informationen außer der Ähnlichkeit zweier biometrischer Aufnahmen berücksichtigt werden. Bisher wurden die Qualitätsmasse der biometrischen Aufnahmen erfolgreich integriert, wenn Rohdaten der Aufnahmen zur Verarbeitung zur Verfügung standen. In dieser Arbeit stehen ergänzende Informationen, die sich aus den Vergleichswerten ableiten lassen, im Fokus. Zunächst wird die relative Beziehung zwischen den verschiedenen biometrischen Vergleichen diskutiert und in den Fusionsprozess integriert, was zu einer erheblichen Reduzierung der Fehlerraten führt. Weiterhin wird die Kohärenz zwischen den Werten der multi-biometrischen Quellen im selben Vergleich definiert und in den Fusionsprozess integriert. Dies führt dazu, dass es zu einer weiteren Verringerung der Fehlerraten kommt, insbesondere bei der Verarbeitung verrauschter Daten.

Beim Einsatz großskalierter biometrischer Anwendungen werden diese mit enormen Kosten konfrontiert, die bei biometrischen Suchvorgängen und bei der doppelten Registrierungsprüfung entstehen. Die Datenindexierung kann die Suchdomäne einschränken, was zu schnelleren Suchvorgängen und verringerten Kosten führt. Dabei liefert die Multi-Biometrie umfangreichere Informationen, die die Suchleistung verbessern können. Diese Arbeit bietet eine optimierbare und konfigurierbare multi-biometrische Datenabruflösung, die die Robustheit Rang-basierter und die Leistungsfähigkeit Feature-basierter Lösungen kombiniert und verbessert.

Darüber hinaus werden in dieser Arbeit neue biometrische Lösungen vorgestellt, die die multi-biometrische Fusion ergänzen und nutzen. Die erste Lösung erfasst verhaltensbezogene und physikalische biometrische Merkmale, um kontinuierliche Authentisierung zu gewährleisten. Später wird die praktische Anwendung der Erkennung von Präsentationsangriffen diskutiert, indem das realistischere Szenario der datenbankübergreifenden Auswertung untersucht wird. Weiterhin werden Leistungsvergleiche auf dem neuesten Stand der Technik präsentiert. Zum Abschluss wird die Verwendung der multi-biometrischen Fusion zur Erzeugung von Gesichtstemplates aus Videos diskutiert. Gesichtsauswahl, Fusion auf Feature-Ebene und Fusionsverfahren auf Score-Ebene werden im Rahmen des Szenarios der Gesichtserkennung in Videos ausgewertet, um die Vorteile der multi-biometrischen Fusion hervorzuheben.