指紋傳感器工作原理及提高匹配性能的方法

　　1.3光學和電容傳感器的融合

　　So， Sc是分別由光學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之間有如下關系

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

　　根據方程(2)研究了兩種類型的匹配分數轉換執行融合規則，第一種類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過多次訓練，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，邏輯融合的過程就是以中值為基礎，經過多次迭代，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實驗結果

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

　　隨機細分以上集為2個大小相同的集合：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}用于評價和比較算法性能。它包含以下幾個指標：

　　訓練樣本集合的等錯誤率(EER)，也就是當真正用戶被系統錯誤拒絕的百分比(FRR)等于假冒用戶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傳感器。其原因主要是電容傳感器采集圖像時的接觸面積遠遠小于光學傳感器。直接導致了其采集的圖像提取的細節點數目少，因此，提取的細節點不能彼此正確的匹配。

　　從等錯誤率計算的融合結果來看，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。

　　該實驗結果與Gian Luca實驗結果對比，發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和電容傳感器多傳感器指紋驗證系統。實驗結果表明：驗證后的多傳感器系統性能優于最好的單一傳感器陛能(光學傳感器)，而且，光學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，從理論上來說系統本身也獲得了很低的驗證錯誤率。特征提取過程被分別應用到每一個采集設備采集到的圖片，應用一個簡單的融合規則，提高系統的驗證性能。因此，融合不同類型的傳感器提高系統性能方案簡單易行。