Что в биометрии подразумевается под мультимодальность
Что в биометрии подразумевается под мультимодальность
ГОСТ Р 54411-2018/ISO/IEC TR 24722:2015
НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
Мультимодальные и другие мультибиометрические технологии
Information technology. Biometrics. Multimodal and other multibiometric fusion
Дата введения 2019-08-01
Предисловие
1 ПОДГОТОВЛЕН Некоммерческим партнерством «Русское общество содействия развитию биометрических технологий, систем и коммуникаций» (Некоммерческое партнерство «Русское биометрическое общество») и Федеральным государственным унитарным предприятием «Всероссийский научно-исследовательский институт стандартизации и сертификации в машиностроении» (ВНИИНМАШ) на основе собственного перевода на русский язык англоязычной версии стандарта, указанного в пункте 4, при консультативной поддержке Федерального государственного бюджетного образовательного учреждения высшего образования «Московский государственный технический университет имени Н.Э.Баумана (национальный исследовательский университет)» (МГТУ им.Н.Э.Баумана)
2 ВНЕСЕН Техническим комитетом по стандартизации ТК 098 «Биометрия и биомониторинг»
Дополнительные сноски в тексте стандарта, выделенные курсивом, приведены для пояснения текста оригинала
6 Некоторые элементы настоящего стандарта могут быть объектами патентных прав. Международная организация по стандартизации (ИСО) и Международная электротехническая комиссия (МЭК) не несут ответственности за установление подлинности каких-либо или всех таких патентных прав
Введение
Для реализации некоторых биометрических приложений требуется такой уровень технических характеристик, который трудно обеспечить с помощью одной биометрической характеристики. Такие приложения позволяют избегать использования нескольких приложений для проверки документов, удостоверяющих личность, обеспечения безопасности при авиаперелетах и удаленной идентификации. Кроме того, такие приложения необходимы для людей, которые по той или иной причине не могут предоставить качественные биометрические образцы некоторых биометрических характеристик.
Использование большого числа биометрических характеристик, получаемых в результате применения нескольких независимых датчиков, алгоритмов или модальностей, как правило, обеспечивает улучшение технических характеристик и снижение уровня риска. К данным характеристикам относятся также эксплуатационные характеристики в случае, когда доступны не все биометрические характеристики, так как обеспечивается возможность принятия решения о допуске/недопуске пользователя при наличии любого числа биометрических характеристик.
Среди различных форм мультибиометрических систем потенциал мультимодальных биометрических систем, каждая из которых использует независимое измерение, рассматривается в технической литературе с 1974 года [22], [45]. Усовершенствованные методы комбинирования измерений на уровне результатов сравнения приведены в [15] и [16]. На текущем уровне понимания комбинирование на уровне результатов сравнения, как правило, требует знания распределений как подлинных лиц, так и «самозванцев». Все эти измерения сильно зависят от приложения и обычно неизвестны в любой реальной биометрической системе.
Продолжаются исследования методов, не требующих предварительного знания о распределениях результатов сравнения, и объединений как на уровне изображений, так и на уровне биометрических признаков.
Учитывая состояние исследований в настоящее время в этих вопросах и сильную зависимость от приложения, а также, как правило, отсутствие сведений, необходимых для правильного объединения на уровне результатов сравнения, можно считать, что работа над мультибиометрическим объединением достигла высокого уровня.
В настоящем стандарте установлены требования к разработке стандартов на мультибиометрические системы, в частности на различные типы объединения.
1 Область применения
Настоящий стандарт распространяется на современные разработки в области мультимодальных и других мультибиометрических технологий.
Настоящий стандарт устанавливает требования к описанию общих понятий методов мультибиометрических объединений, включая мультихарактеристиковое, мультиэкземплярное, мультидатчиковое, мультиалгоритмическое объединения, мультипредъявление, логику на уровне принятия решения и логику на уровне результатов сравнения.
2 Термины и определения
В настоящем разделе приведены две категории терминов:
— термины, относящиеся к мультимодальной и мультибиометрической системам;
— термины, не относящиеся к мультимодальной и мультибиометрической системам, но необходимые для пояснения терминов первой категории, которые не определены в [5].
В настоящем стандарте применены термины по [5], а также следующие термины с соответствующими определениями:
2.1 источник биометрических данных (biometric data source): Канал информации (например, датчики, типы биометрических характеристик, алгоритмы или предъявления), который содержится в первоисточнике данных (например, собранные биометрические образцы, извлеченные биометрические признаки, результат сравнения, ранг или решение), обработанном алгоритмами объединения.
2.2 биометрический процесс (biometric process): Автоматический процесс, использующий одну или более биометрических характеристик одного индивида для биометрической регистрации, верификации или идентификации.
2.3 биометрическое объединение (biometric fusion): Комбинация данных нескольких источников, то есть датчиков, типов биометрических характеристик, алгоритмов, экземпляров и предъявлений.
2.4 последовательная система (cascaded system): Система, использующая пороги принятия решения для биометрических образцов с целью определения того, требуются ли дополнительные биометрические образцы для принятия решения о допуске/недопуске.
2.5 многоуровневая система (layered system): Система, использующая отдельные результаты сравнения с целью определения порогов принятия решения при обработке биометрических данных.
2.6 мультиалгоритмический (multialgorithmic): Использующий несколько алгоритмов для обработки одного биометрического образца.
2.7 мультибиометрический (multibiometric): Использующий несколько биометрических технологий, которые могут быть комбинированы на уровне изображений, биометрических признаков, результатов сравнения и/или принятия решения.
2.8 мультибиометрический процесс (multibiometric process): Биометрический процесс (2.2), включающий в себя применение биометрического объединения (2.3).
2.9 мультибиометрия (multibiometrics): Автоматическое распознавание индивидов, основанное на их поведенческих и биологических характеристиках и включающее в себя применение биометрического объединения (2.3).
2.10 мультихарактеристиковый; мультитиповый (multi-characteristic-type, multi-type): Использующий данные от нескольких типов биометрических характеристик.
2.11 мультиэкземплярный (multiinstance): Использующий несколько биометрических экземпляров в рамках одного типа биометрической характеристики.
2.12 мультипредъявление (multipresentation): Использование нескольких предъявлений биометрических образцов одного экземпляра биометрической характеристики или единственного предъявления, являющегося результатом сбора нескольких биометрических образцов.
2.13 мультидатчиковый (multisensorial): Использующий несколько датчиков для сбора биометрических образцов одного биометрического экземпляра.
1 Для лица: датчики для получения изображений в инфракрасном и в видимом диапазонах длин волн, датчики для получения двухмерных и трехмерных изображений.
2 Для отпечатка пальца: оптические, электростатические и акустические датчики.
2.14 последовательное предъявление (sequential presentation): Предъявление биометрических образцов в виде отдельных событий для использования при биометрическом объединении.
2.15 одновременное предъявление (simultaneous presentation): Предъявление биометрических образцов в виде одного события для использования при биометрическом объединении.
3 Обзор мультимодальных и других мультибиометрических систем
3.1 Общие положения
Понятия «мультимодальный» и «мультибиометрический» указывают на применение более одного типа биометрической характеристики, одного датчика, одного экземпляра и/или алгоритма в той или иной комбинации для принятия определенного решения в отношении биометрической идентификации или верификации. Метод объединения нескольких биометрических образцов, результатов сравнения или решений о сравнении может быть элементарным или сложным с математической точки зрения. В настоящем стандарте под любым методом комбинирования подразумевается одна из форм объединения. Методы комбинирования рассмотрены в разделе 4.
Мультимодальная биометрия появилась в 70-х годах XX века. Комбинированные измерения стали рассматриваться как перспективные для биометрических систем. Считалось, что комбинация нескольких измерений повысит уровень безопасности путем уменьшения вероятности ложного допуска (ВЛД), а также уровень удобства пользователя путем уменьшения вероятности ложного недопуска (ВЛНД). Применение данных методов обеспечило успешное внедрение автоматизированной дактилоскопической информационной системы (АДИС), начатое в 1980-е годы. В АДИС ранее не использовались мультимодальные технологии, однако большинство методов объединения, приведенных в настоящем стандарте, успешно реализованы при использовании только отпечатков пальцев. Некоторые виды объединения, реализованные в АДИС, включают в себя:
— объединение изображений (биометрических образцов) для создания одного прокатанного изображения на основе серии плоских оттисков, полученных с помощью биометрического сканера в режиме реального времени;
— объединение биометрических шаблонов при использовании алгоритмов извлечения нескольких биометрических признаков из каждого изображения отпечатка пальца;
— мультиэкземплярное объединение при использовании отпечатков десяти пальцев;
— объединение мультипредъявлений при использовании прокатанных и оттисковых изображений отпечатков пальцев;
— объединение алгоритмов с целью повышения эффективности (уменьшения затрат, уменьшения количества вычислений, увеличения пропускной способности). В основном компараторы применяют как набор фильтров в порядке возрастания вычислительной сложности. Данные компараторы, как правило, реализуют объединение на уровне принятия решения и объединение на уровне результатов сравнения;
— объединение алгоритмов с целью повышения точности (уменьшения ВЛД и/или ВЛНД, снижения чувствительности к данным низкого качества). Компараторы применяют параллельно с объединением конечных результатов сравнения.
Методы объединения способствовали внедрению АДИС, так как обеспечили улучшение показателей точности и эффективности.
Основные различия между мультибиометрическими категориями приведены в таблице 1.
Мультимодальные биометрические системы
Все биометрические системы, которые мы обсуждали до сих пор, были унимодальными, которые используют единый источник информации для аутентификации. Как видно из названия, мультимодальные биометрические системы работают на прием информации от двух или более биометрических входов.
Мультимодальная биометрическая система увеличивает объем и разнообразие входной информации, которую система берет от пользователей для аутентификации.
Почему требуется мультимодальная биометрия?
Унимодальные системы сталкиваются с различными проблемами, такими как отсутствие секретности, неуниверсальность образцов, степень комфорта и свободы пользователя при работе с системой, подделка атак на хранимые данные и т. Д.
Некоторые из этих проблем можно решить с помощью мультимодальной биометрической системы.
Есть еще несколько причин для его требования, таких как —
Наличие нескольких признаков делает мультимодальную систему более надежной.
Мультимодальная биометрическая система повышает безопасность и секретность пользовательских данных.
Мультимодальная биометрическая система проводит стратегии слияния для объединения решений каждой подсистемы, а затем приходит к выводу. Это делает мультимодальную систему более точной.
Если какой-либо из идентификаторов не работает по известным или неизвестным причинам, система все еще может обеспечить безопасность, используя другой идентификатор.
Мультимодальные системы могут предоставлять информацию об «живости» вводимой пробы с использованием методов обнаружения живости. Это делает их способными обнаруживать и обрабатывать спуфинг.
Наличие нескольких признаков делает мультимодальную систему более надежной.
Мультимодальная биометрическая система повышает безопасность и секретность пользовательских данных.
Мультимодальная биометрическая система проводит стратегии слияния для объединения решений каждой подсистемы, а затем приходит к выводу. Это делает мультимодальную систему более точной.
Если какой-либо из идентификаторов не работает по известным или неизвестным причинам, система все еще может обеспечить безопасность, используя другой идентификатор.
Мультимодальные системы могут предоставлять информацию об «живости» вводимой пробы с использованием методов обнаружения живости. Это делает их способными обнаруживать и обрабатывать спуфинг.
Работа мультимодальной биометрической системы
Мультимодальная биометрическая система имеет все обычные модули, которые унимодальная система имеет —
Кроме того, он имеет метод объединения для интеграции информации из двух разных систем аутентификации. Слияние может быть сделано на любом из следующих уровней —
Мультимодальные биометрические системы, которые интегрируют или объединяют информацию на начальном этапе, считаются более эффективными, чем системы, которые интегрируют информацию на более поздних этапах. Очевидная причина этого состоит в том, что ранняя стадия содержит более точную информацию, чем оценки соответствия модулей сравнения.
Сценарии слияния в мультимодальной биометрической системе
В мультимодальной биометрической системе может быть множество признаков и компонентов. Они могут быть следующими —
Одна биометрическая характеристика, несколько датчиков.
Одиночная биометрическая характеристика, несколько классификаторов (скажем, сопоставление на основе мелочей и сопоставление на основе текстур).
Одна биометрическая черта, несколько единиц (скажем, несколько пальцев).
Множественные биометрические признаки человека (скажем, радужная оболочка, отпечаток пальца и т. Д.).
Одна биометрическая характеристика, несколько датчиков.
Одиночная биометрическая характеристика, несколько классификаторов (скажем, сопоставление на основе мелочей и сопоставление на основе текстур).
Одна биометрическая черта, несколько единиц (скажем, несколько пальцев).
Множественные биометрические признаки человека (скажем, радужная оболочка, отпечаток пальца и т. Д.).
Затем эти черты используются для подтверждения личности пользователя.
Проблемы проектирования с мультимодальными биометрическими системами
При проектировании мультимодальной биометрической системы необходимо учитывать ряд факторов.
Что в биометрии подразумевается под мультимодальность
ГОСТ Р 54411-2011/ISO/IEC/TR 24722:2007
НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
Мультимодальные и другие мультибиометрические технологии
Information technologiy. Biometrics. Multimodal and other multibiometric fusion
Дата введения 2013-07-01
Предисловие
1 ПОДГОТОВЛЕН Научно-исследовательским и испытательным центром биометрической техники Московского государственного технического университета имени Н.Э.Баумана (НИИЦ БТ МГТУ им.Н.Э.Баумана) на основе собственного перевода на русский язык англоязычной версии международного документа, указанного в пункте 4, при консультативной поддержке Ассоциации автоматической идентификации «ЮНИСКАН/ГС1 РУС»
2 ВНЕСЕН Техническим комитетом по стандартизации ТК 355 «Технологии автоматической идентификации и сбора данных и биометрия»
6 ПЕРЕИЗДАНИЕ. Ноябрь 2018 г.
7 Особое внимание следует обратить на то, что некоторые элементы настоящего стандарта могут быть объектами получения патентных прав. ИСО и МЭК не несут ответственности за установление подлинности таких патентных прав
Введение
Для реализации некоторых биометрических приложений требуется такой уровень технических характеристик, который трудно обеспечить с помощью одной биометрической характеристики. Такие приложения позволяют избегать использования нескольких приложений для проверки документов, удостоверяющих личность, а также для обеспечения безопасности при авиаперелетах. Кроме того, такие приложения необходимы для людей, которые по той или иной причине не могут предоставить качественные биометрические образцы некоторых биометрических модальностей.
Использование большого числа биометрических характеристик, получаемых в результате применения нескольких независимых датчиков, алгоритмов или модальностей, как правило, обеспечивает улучшение технических характеристик и снижение уровня риска. К данным характеристикам относятся также эксплуатационные характеристики в случае, когда доступны не все биометрические характеристики, так как обеспечивается возможность принятия решения о допуске/недопуске пользователя при наличии любого числа характеристик.
В настоящем стандарте установлены требования к разработке стандартов на мультибиометрические системы, в частности, на различные типы объединения.
1 Область применения
Настоящий стандарт распространяется на современные разработки в области мультимодальных и других мультибиометрических технологий. В стандарте также рассмотрены вопросы стандартизации мультибиометрических систем.
Настоящий стандарт устанавливает требования к описанию общих понятий методов мультибиометрических объединений, включая мультимодальное, мультиэкземплярное, мультидатчиковое, мультиалгоритмическое объединения, логику на уровне принятия решения и логику на уровне степеней схожести.
2 Терминология
Термины, приведенные в разделе 3, установлены с целью разделения понятий «мультибиометрический» и «мультимодальный», которые часто используют в литературе как синонимы. В таблице 1 приведен перечень модальностей, соответствующий Единой структуре форматов обмена биометрическими данными (ЕСФОБД) [30]. Различие между традиционной и нетрадиционной модальностями является субъективным и обусловлено уровнем развития той или иной биометрической технологии.
А.Б. Мурынин
Ведущий научный сотрудник ВЦ РАН
Д.В. Ковков
Сотрудник ВЦ РАН
В.В. Лобанцов
Сотрудник ВЦ РАН
К.А. Маковкин
Сотрудник ВЦ РАН
И.А. Матвеев
Сотрудник ВЦ РАН
Д.Д. Десятников
Сотрудник ВЦ РАН
В.Я. Чучупал
Сотрудник ВЦ РАН
В центре внимания статьи принципы создания мультимодальных биометрических систем, служащих для повышения надежности распознавания человека. Задача решается на примере сочетания двух биометрических характеристик человека, которые могут быть получены без контакта с регистрирующим сенсором, а именно изображений лица и записей голоса. Обработка этих данных ведется в режиме реального времени
Унимодальные или мультимодальные?
Способы распознавания по лицу и голосу имеют ощутимое преимущество: видеозахват и аудиозапись не требуют физического контакта пользователя с системой и тщательного позиционирования перед регистрирующим сенсором. Существенные недостатки известных унимодальных биометрических систем: увеличение сложности вычислений, падение качества распознавания при росте количества распознаваемых людей, относительно слабая защищенность против фальсификаций.
Типы смешивания технологий
Выделяют три типа смешивания технологий, перечислим их в порядке роста эффективности:
Третий тип считается наиболее перспективным в условиях роста качества биометрических сенсоров, находится на стадии разработки и патентования первых автоматизированных методов. Будущее практическое смешивание общих характеристик разных модальностей позволит не только повысить конечную точность биометрии, но и предоставит принцип. возможность устранять помехи и восстанавливать потери в информации (например воспроизводить речь по движению губ). При смешивании на уровне бинарных решений повышения эфф. мультимодальной биометрии может и не произойти. Казалось бы, объединение различных технологий улучшает точность работы мультимодальной системы, но принцип «чем больше информации, тем лучше» не для случаев, когда совершенная технология объединяется со слабой. Объединение может быть выгодным, если выбранная стратегия принятия решения не выходит за рамки следующих ограничений:
Комплекс для устойчивого распознавания человека
Требования к системе
Приступая к разработке комплекса алгоритмов, мы выдвинули следующие требования к прототипу системы:
Общий сценарий работы системы таков: после запуска и инициализации она переходит в рабочий режим (идентификации), реализующий вычислительно простой цикл, который при некотором условии активирует процедуры сканирования (захвата) видео- и аудиоданных человека и последующего их распознавания. В зависимости от настроек системы условием начала захвата может быть обнаружение одного или нескольких признаков:
Если нет жесткой необходимости в соблюдении условия отсутствия физического контакта пользователя и системы, возможно подключение клавиатуры и запуск сканирования по нажатию клавиши. Систему можно дополнить «классическим» ПИН-кодом (персональным идентификационным номером), введенным с клавиатуры, и перейти от задачи связанной идентификации к простой верификации.
В цикле регистрации использовались вычислительно сложные, но более надежные и устойчивые методы поиска лица на изображении и детектирования речи. Полученные результаты далее применялись для выделения черт лица, речевых компонент и построения шаблонов по этой биометрической информации. Сочетание нескольких «быстрых» методов для обнаружения присутствия человека с «медленными», но надежными методами обработки захваченных данных давало системе значительную гибкость.
В случае успешной регистрации обоих типов биометрии выполнялась двухступенчатая процедура идентификации, описанная выше. В режиме идентификации человек, подходящий к месту контроля, должен произвести следующие действия:
Здесь и далее термином «ПИН» называется последовательность из пяти цифр. Она уникальна в рамках собранной базы для каждого человека, что позволяет производить распознавание не только по характеристикам голоса, но и по содержанию произнесенной фразы. Применяемые алгоритмы Алгоритмы, применяемые в системе, можно разделить по подсистемам обработки и распознавания аудио- и видеоданных и принятия совместного решения.
Распознавание речи в системе реализовывалось на базе небольшого конечного словаря команд (цифры, вспомогательные слова на русском и английском языках). Оно производилось в том числе и при помощи СММ (скрытые марковские модели) и трехмерных самоорганизующихся карт для кепстральных коэффициентов (MFCC). Распознавание голоса осуществлялось посредством оценки его уникальных характеристик во время произнесения ПИН и сравнения их с характеристиками голоса эталона с учетом произносимого ПИН.
Распознавание лица производилось в том числе и на основе разложения изображений лица и его черт в подпространствах главных компонент. В системе были использованы основные усовершенствования данного подхода, включая дискриминантный анализ Фишера и сканирование локальных окрестностей.
Подсистема интегрированного принятия решения
Тестовая база данных
Особенности работы прототипа системы
При создании тестовой БД и последующем тестировании алгоритмов мы стремились учесть некоторые особенности работы прототипа системы:
Процедура сбора БД
Для учета указанных особенностей работы системы мы соответствующим образом построили процедуру сбора экспериментальных данных:
Обучающая и тестовая БД
БД В БД представлены люди различного пола, возраста, места рождения, образования и социального [A2] статуса в количестве не менее 1 600 человек, имеющих свыше 3000 визитов и свыше 15000 сессий. С целью обучения и последующего тестирования алгоритмов распознавания, БД была разбита на две непересекающиеся выборки: обучающую (не менее 1000 сессий и 300 субъектов) и тестовую (не менее 14000 сессий и 1300 субъектов).
Для обучения классификатора использовалась БД, состоящая из 700 сессий синхронных записей голоса и изображений лица, принадлежащих 300 субъектам. Для выделения свойств распознавания по характеристикам голоса каждый из зарегистрированных субъектов произносил не только свой ПИН, но и один или несколько чужих, а алгоритм распознавания голоса при сравнении разных людей оценивал сходство «чужих» ПИН-фраз. Создание обучающей БД производилось так, что для каждого тестового субъекта существовало несколько других, произносивших его ПИН.
Были проведены предобработка БД и последующее тестирование отдельных модулей распознавания лица, голоса и речи, и интегрированной системы.
Предобработка БД изображений лиц
Тестирование алгоритмов распознавания лица включало следующие основные этапы работы с БД изображений лиц:
Основной операцией предобработки данных было проведение полуавтоматической разметки лиц на видеопоследовательностях изображений для создания качественных эталонов. Размечаемыми чертами являлись положения центров зрачков глаз и рта с субпиксельной точностью. Под термином полуавтоматическая разметка понимается участие оператора в проведении разметки на одном из начальных кадров, просмотр и исправление результатов автоматической разметки на остальных кадрах. Обуч. и настройка алгоритмов заключалась в построении пространства главных компонент для областей лица и глаз в разных ракурсах на обучающей выборке.
Тестирование модулей распознавания лица
При тестировании алгоритмов распознавания лица на тестовой БД выполнялись следующие операции:
Результаты тестирования интегрированного решающего правила
Чтобы провести тестирование идентификации с учетом двух существующих типов сравнений (сравнения шаблонов одного человека и разных людей) были выделены сессии не менее 700 разных субъектов, содержавшие произнесение чужого ПИН друг для друга. Распознавание речи производилось с учетом информации о сценарии записи, исходя из которой выделялся звуковой фрагмент, соответствующий одному из произнесений ПИН. Полученная гипотеза передавалась на распознаватели голоса и лица. Результат формировался в виде точки двумерного пространства решений. Пространство решений было разделено прямой на базе оптимального линейного разделения классов, соответствующих положительной идентификации человека и отказу в идентификации.
Оптимальность разделения понимается в смысле минимизации доли ошибок первого рода. Наилучшим главным правилом при FAR = 0,003 оказалось линейное разделение (FRR = 0,054), фактически столь же хорошим был квадрант (FRR = 0,061). Значительно худший результат давало объединение порогов (FRR = 0,1 37), он иллюстрирует приведенный выше тезис о том, что объединение бинарных решений менее эффективно, чем построение решающего правила на основании известных мер сходства.
Объединенное решение, сформированное на базе оптимального линейного разделения плоскости решений для обучающего множества, показало существенное сокращение уровня ошибок, которое можно видеть на рис. 2. В табл. 1 даны точности распознавания различных комбинаций биометрических методов при заданном значении FAR. Полученные результаты пишут об эфф. предложенного метода «связанной» идентификации. Применение этого метода к совокупности всех использованных признаков, а именно лица, голоса и речи, позволило уменьшить вероятность ошибок первого рода примерно в 3 раза по сравнению со случаями унимодального распознавания только по лицу или по голосу. Следует отметить, что эффективность «связанной» идентификации по лицу и речи (без использования голоса) сопоставима с эффективностью верификации по лицу. Сравнение точности интегрированной системы с другими биометрическими технологиями, которые продемонстрировали хорошие результаты в тесте CESG Test 2001, приведено в табл. 2. Представленные данные пишут о том, что метод «связанной» идентификации сопоставим по эфф. с современными подходами на базе других биометрических технологий. Имея в виду указанные выше функциональные преимущества, а именно отсутствие физического контакта с системой, уменьшение проблем при масштабировании, можно говорить о перспективности применения предложенного подхода.
Предложенный нами метод «связанной» идентификации показал достаточно высокую надежность при работе с базой биометрических данных не менее полутора тысяч человек. Использование этого метода позволило снизить примерно в три раза уровень ошибок первого рода при фиксированном уровне ошибок второго рода.
В качестве базовых алгоритмов распознавания по каждому отдельному признаку (лицу, голосу, речи) нами были взяты популярные алгоритмы, которые уже использовались ранее как авторами данной работы, так и другими исследователями. Известно, что надежность алгоритмов идентификации снижается при увеличении количества зарегистрированных пользователей. Как показано в данной аналитической статье, предложенный метод является эффективным средством для решения этой проблемы.Проведенные исследования позволили оценивать возможности мультимодальной биометрической системы и показать, что она можетдостичь достаточно высокой точности автоматического распознавания личности.