关于生物特征质量评估算法评价的若干考量
计算机视觉与模式识别
2023-11-01 v4
摘要
质量评估算法可用于估计生物特征样本对于生物特征识别的效用。“错误率对丢弃特征曲线”（EDC）图，以及其中曲线的“部分曲线下面积”（pAUC）值，通常被研究人员用来评估此类质量评估算法的预测性能。EDC 曲线依赖于一种错误类型（如“错误不匹配率”（FNMR））、一个质量评估算法、一个生物特征识别系统、一组每个对应一个生物特征样本对的比较，以及一个对应起始错误的比较分数阈值。为计算 EDC 曲线，基于关联样本的最低质量分数逐步丢弃比较，并对剩余比较计算错误率。此外，必须选择一个丢弃比例上限或范围来计算 pAUC 值，其随后可用于质量评估算法的定量排序。本文讨论并分析了此类质量评估算法评价的诸多细节，包括 EDC 的一般性质、基于硬下限错误和软上限错误的 pAUC 值可解释性改进、使用相对排序而非离散排序、逐步与线性曲线插值，以及将质量分数归一化到 [0, 100] 整数范围。我们还分析了基于 pAUC 值的质量评估算法定量排序在不同 pAUC 丢弃比例上限和起始错误下的稳定性，结论是应优先采用更高的 pAUC 丢弃比例上限。分析同时使用合成数据以及真实人脸图像和指纹数据进行，侧重于关于 EDC 评价的与模态无关的通用结论。文中也讨论了多种 EDC 替代方案。
引用
@article{arxiv.2303.13294,
title = {Considerations on the Evaluation of Biometric Quality Assessment Algorithms},
author = {Torsten Schlett and Christian Rathgeb and Juan Tapia and Christoph Busch},
journal= {arXiv preprint arXiv:2303.13294},
year = {2023}
}