指紋傳感器工作原理及提高匹配性能的方法

　　1.3光學(xué)和電容傳感器的融合

　　So， Sc是分別由光學(xué)傳感器和電容傳感器采集的圖像運用匹配算法所獲得的匹配分數，s融合后的分數和S.So， Sc之間有如下關(guān)系

　　將S和設定的閾值相比較：if：S>threshold系統允許進(jìn)入，為真;否則，系統拒絕該用戶(hù)，當然，上述方法也可用于2只以上的，。

　　根據方程(2)研究了兩種類(lèi)型的匹配分數轉換執行融合規則，第一種類(lèi)型融合規則屬于所謂的固定融合規則，因為它們不需要參數估計，尤其研究了兩類(lèi)傳感器的匹配分數中值

　　第二種融合是所謂的訓練樣本規則，因為它們需要為了獲得理想的閾值分數而讓樣本經(jīng)過(guò)多次訓練，采用公式(4)訓練樣本

　　式中W0，W1，W2為權值向量，顯然，中值融合的效果要差于邏輯融合，邏輯融合的過(guò)程就是以中值為基礎，經(jīng)過(guò)多次迭代，總能找到一組合適的權值向量(W0，W1，W2)，使得閾值分數S接近于最佳值。

　　2實(shí)驗結果

　　隨機抽取20個(gè)人，每個(gè)人使用3個(gè)手指，分別為大拇指、食指、中指，使用光學(xué)和電容傳感器，每個(gè)手指按壓10次，每個(gè)人采集到的指紋數為6×10=60，共有指紋20×60=1200.對于每一個(gè)驗證算法兩類(lèi)集合的匹配分數。第一次匹配稱(chēng)為“真正匹配分數(真正用戶(hù)之間)G集合，第二次是”假匹配分數“(”假冒用戶(hù)之問(wèn)“)I集合。

　　隨機細分以上集為2個(gè)大小相同的集合：G=G1 U G2，I=I1 U I2，G1， G2和I1， I2分別是G和I的分離集合。訓練集合Tr={G1，I1}用于計算邏輯融合規則的權重，測試集合Tx={G2，I2}用于評價(jià)和比較算法性能。它包含以下幾個(gè)指標：

　　訓練樣本集合的等錯誤率(EER)，也就是當真正用戶(hù)被系統錯誤拒絕的百分比(FRR)等于假冒用戶(hù)被系統錯誤接受的百分比(FAR)。

　　電容傳感器性能明顯差于光學(xué)傳感器。其原因主要是電容傳感器采集圖像時(shí)的接觸面積遠遠小于光學(xué)傳感器。直接導致了其采集的圖像提取的細節點(diǎn)數目少，因此，提取的細節點(diǎn)不能彼此正確的匹配。

　　從等錯誤率計算的融合結果來(lái)看，性能也有很大的提高，邏輯融合減少EER從3.6%到2.9%.測試樣本的結果也表明融合提高了系統的魯棒性，實(shí)際上，在邏輯融合(表1第5行)以后，訓練樣本的性能(表1第2列)和測試樣本的性能偏差(表l第3列和第4列)大大減小了。

　　該實(shí)驗結果與Gian Luca實(shí)驗結果對比，發(fā)現得到的結果指標低于文獻[7]的指標，其中原因可能是本文使用的采集器性能比較差，以致獲得的指紋圖像質(zhì)量不夠理想而導致指標稍弱，另外，可能就是本文使用的算法獲得的匹配結果不夠理想。

　　3結論

　　本文提出了基于光學(xué)和電容傳感器多傳感器指紋驗證系統。實(shí)驗結果表明：驗證后的多傳感器系統性能優(yōu)于最好的單一傳感器陛能(光學(xué)傳感器)，而且，光學(xué)和電容傳感器匹配器兩者之間的互補性也表明了多傳感器融合的可能性，從理論上來(lái)說(shuō)系統本身也獲得了很低的驗證錯誤率。特征提取過(guò)程被分別應用到每一個(gè)采集設備采集到的圖片，應用一個(gè)簡(jiǎn)單的融合規則，提高系統的驗證性能。因此，融合不同類(lèi)型的傳感器提高系統性能方案簡(jiǎn)單易行。