TU Darmstadt / ULB / TUbiblio

Application-driven Advances in Multi-biometric Fusion

Damer, Naser (2018)
Application-driven Advances in Multi-biometric Fusion.
Technische Universität Darmstadt
Dissertation, Erstveröffentlichung

Kurzbeschreibung (Abstract)

Biometric recognition is the automated recognition of individuals based on their behavioral or biological characteristics. Beside forensic applications, this technology aims at replacing the outdated and attack prone, physical and knowledge-based, proofs of identity. Choosing one biometric characteristic is a tradeoff between universality, acceptability, and permanence, among other factors. Moreover, the accuracy cap of the chosen characteristic may limit the scalability and usability for some applications. The use of multiple biometric sources within a unified frame, i.e. multi-biometrics, aspires to tackle the limitations of single source biometrics and thus enables a wider implementation of the technology. This work aims at presenting application-driven advances in multi-biometrics by addressing different elements of the multi-biometric system work-flow.

At first, practical oriented pre-fusion issues regarding missing data imputation and score normalization are discussed. This includes presenting a novel performance anchored score normalization technique that aligns certain performance-related score values in the fused biometric sources leading to more accurate multi-biometric decisions when compared to conventional normalization approaches. Missing data imputation within score-level multi-biometric fusion is also addressed by analyzing the behavior of different approaches under different operational scenarios.

Within the multi-biometric fusion process, different information sources can have different degrees of reliability. This is usually influenced in the fusion process by assigning relative weights to the fused sources. This work presents a number of weighting approaches aiming at optimizing the decision made by the multi-biometric system. First, weights that try to capture the overall performance of the biometric source, as well as an indication of its confidence, are proposed and proved to outperform the state-of-the-art weighting approaches. The work also introduces a set of weights derived from the identification performance representation, the cumulative match characteristics. The effect of these weights is analyzed under the verification and identification scenarios.

To further optimize the multi-biometric process, information besides the similarity between two biometric captures can be considered. Previously, the quality measures of biometric captures were successfully integrated, which requires accessing and processing raw captures. In this work, supplementary information that can be reasoned from the comparison scores are in focus. First, the relative relation between different biometric comparisons is discussed and integrated in the fusion process resulting in a large reduction in the error rates. Secondly, the coherence between scores of multi-biometric sources in the same comparison is defined and integrated into the fusion process leading to a reduction in the error rates, especially when processing noisy data.

Large-scale biometric deployments are faced by the huge computational costs of running biometric searches and duplicate enrollment checks. Data indexing can limit the search domain leading to faster searches. Multi-biometrics provides richer information that can enhance the retrieval performance. This work provides an optimizable and configurable multi-biometric data retrieval solution that combines and enhances the robustness of rank-level solutions and the performance of feature-level solutions.

Furthermore, this work presents biometric solutions that complement and utilize multi-biometric fusion. The first solution captures behavioral and physical biometric characteristics to assure a continuous user authentication. Later, the practical use of presentation attack detection is discussed by investigating the more realistic scenario of cross-database evaluation and presenting a state-of-the-art performance comparison. Finally, the use of multi-biometric fusion to create face references from videos is addressed. Face selection, feature-level fusion, and score-level fusion approaches are evaluated under the scenario of face recognition in videos.

Typ des Eintrags: Dissertation
Erschienen: 2018
Autor(en): Damer, Naser
Art des Eintrags: Erstveröffentlichung
Titel: Application-driven Advances in Multi-biometric Fusion
Sprache: Englisch
Referenten: Kuijper, Prof. Dr. Arjan ; Fellner, Prof. Dr. Dieter W. ; Ramachandra, Prof. Dr. Raghavendra
Publikationsjahr: 2018
Ort: Darmstadt
Datum der mündlichen Prüfung: 5 März 2018
URL / URN: http://tuprints.ulb.tu-darmstadt.de/7324
Kurzbeschreibung (Abstract):

Biometric recognition is the automated recognition of individuals based on their behavioral or biological characteristics. Beside forensic applications, this technology aims at replacing the outdated and attack prone, physical and knowledge-based, proofs of identity. Choosing one biometric characteristic is a tradeoff between universality, acceptability, and permanence, among other factors. Moreover, the accuracy cap of the chosen characteristic may limit the scalability and usability for some applications. The use of multiple biometric sources within a unified frame, i.e. multi-biometrics, aspires to tackle the limitations of single source biometrics and thus enables a wider implementation of the technology. This work aims at presenting application-driven advances in multi-biometrics by addressing different elements of the multi-biometric system work-flow.

At first, practical oriented pre-fusion issues regarding missing data imputation and score normalization are discussed. This includes presenting a novel performance anchored score normalization technique that aligns certain performance-related score values in the fused biometric sources leading to more accurate multi-biometric decisions when compared to conventional normalization approaches. Missing data imputation within score-level multi-biometric fusion is also addressed by analyzing the behavior of different approaches under different operational scenarios.

Within the multi-biometric fusion process, different information sources can have different degrees of reliability. This is usually influenced in the fusion process by assigning relative weights to the fused sources. This work presents a number of weighting approaches aiming at optimizing the decision made by the multi-biometric system. First, weights that try to capture the overall performance of the biometric source, as well as an indication of its confidence, are proposed and proved to outperform the state-of-the-art weighting approaches. The work also introduces a set of weights derived from the identification performance representation, the cumulative match characteristics. The effect of these weights is analyzed under the verification and identification scenarios.

To further optimize the multi-biometric process, information besides the similarity between two biometric captures can be considered. Previously, the quality measures of biometric captures were successfully integrated, which requires accessing and processing raw captures. In this work, supplementary information that can be reasoned from the comparison scores are in focus. First, the relative relation between different biometric comparisons is discussed and integrated in the fusion process resulting in a large reduction in the error rates. Secondly, the coherence between scores of multi-biometric sources in the same comparison is defined and integrated into the fusion process leading to a reduction in the error rates, especially when processing noisy data.

Large-scale biometric deployments are faced by the huge computational costs of running biometric searches and duplicate enrollment checks. Data indexing can limit the search domain leading to faster searches. Multi-biometrics provides richer information that can enhance the retrieval performance. This work provides an optimizable and configurable multi-biometric data retrieval solution that combines and enhances the robustness of rank-level solutions and the performance of feature-level solutions.

Furthermore, this work presents biometric solutions that complement and utilize multi-biometric fusion. The first solution captures behavioral and physical biometric characteristics to assure a continuous user authentication. Later, the practical use of presentation attack detection is discussed by investigating the more realistic scenario of cross-database evaluation and presenting a state-of-the-art performance comparison. Finally, the use of multi-biometric fusion to create face references from videos is addressed. Face selection, feature-level fusion, and score-level fusion approaches are evaluated under the scenario of face recognition in videos.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

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.

Deutsch
URN: urn:nbn:de:tuda-tuprints-73248
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Fachbereich(e)/-gebiet(e): 20 Fachbereich Informatik > Graphisch-Interaktive Systeme
20 Fachbereich Informatik > Mathematisches und angewandtes Visual Computing
20 Fachbereich Informatik
Hinterlegungsdatum: 22 Apr 2018 19:55
Letzte Änderung: 22 Apr 2018 19:55
PPN:
Referenten: Kuijper, Prof. Dr. Arjan ; Fellner, Prof. Dr. Dieter W. ; Ramachandra, Prof. Dr. Raghavendra
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 5 März 2018
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen