Welche Fusionsebenen sind Ihnen bekannt? 

Basierend den verfügbaren Informationen in einem bestimmten Modul können verschiedene Ebenen der Fusion definiert werden. Die beidenOberkategorien sind"pre-classification" oder Fusion vor dem Matching und"post-classification" oder Fusion nach dem Matching. Eine solche Klassifizierung ist notwendig, da die Menge der für die Fusion verfügbaren Informationen drastisch reduziert wird, nachdem der Matcher aufgerufen wurde. pre-classification: Fusion auf Sensorebene : Biometrische Rohdaten stellen die reichste Informationsquelle dar, auch wenn sie mit"Noise"belastet sind. Dieser Verschmelzungsgrad bezieht sich auf die Verwendung mehrerer Sensoren oder mehrererAufnahmen einer Biometrie mit einem einzigen Sensor und gilt nur für diese. Beispielsweise kann ein Fingerabdrucksensor zwei oder mehr Abdrücke desselben Fingerabdrucks erfassen und daraus einen zusammengesetzten Fingerabdruck erstellen. Dieser Vorgang wird als Mosaicing bezeichnet und kann auch in der Gesichtserkennung mit mehreren 2D-Bildern durchgeführt werden. Feature-Level-Fusion: Feature-Sets aus mehreren biometrischen Algorithmen werden durch die Anwendung von Feature-Normalisierungs-, Transformations- und Reduktionsschemata zu einem einzigen Feature-Set zusammengefasst. Es kann in homogene und heterogene Kategorien eingeteilt werden. Ein homogenes Merkmalsfusionsschema wird verwendet, wenn der gleiche Merkmalsextraktionsalgorithmus mit mehreren Proben desselben Merkmals verwendet wird und es für Multisensor- und Multisamplesysteme anwendbar ist. Eine heterogene Merkmalsfusion wird durchgeführt, wenn der Featuresatz aus verschiedenen Feature-Extracion-Algorithmen und verschiedenen biometrischen Merkmalen (oder Instanzen desselben Merkmals) stammt.
Der Hauptvorteil dieser Fusion ist die Erkennung von korrelierten Merkmalswerten, die durch verschiedene biometrische Algorithmen erzeugt werden, und die Identifizierung einer Reihe von Merkmalen, die die Erkennungsgenauigkeit verbessern können. Sie setzt die Verfügbarkeit einer großen Anzahl von Trainingsdaten voraus. post-classification: Score-Level-Fusion: Die von mehrerenMatchern generiertenScores werden zu einem neuen Score (Skalar) zusammengefasst. Fusion auf dieser Ebene ist der am häufigsten verwendete Ansatz, da der Zugriff und die Verarbeitung von Match-Scores sehr einfach ist. Fusionsmethoden auf dieser Ebene lassen sich in drei Kategorien einteilen: "likelihood-ratio-based", "transformation-based"und"classifier-schemes". Einige Score-Fusionstechniken können in mehrere Kategorien eingeteilt werden. Es kannproblematisch sein,Scores zu kombinieren, wenn sie nicht homogen sind (d.h. Unähnlichkeit vs. Ähnlichkeit). Fusion auf Rangebene: Wenn ein biometrisches System im Identifizierungsmodus arbeitet, kann die Ausgabe als eine Reihe von möglichen übereinstimmenden Identitäten in abnehmender Reihenfolge betrachtet werden. Das Ziel dieser Fusionsebene ist es, den Rang für jede Identität zu konsolidieren. Ränge bieten mehr Einblick in den Entscheidungsprozess als nur die Identität des besten "Matchs", aber sie geben weniger Informationen preis als der Match-Score. Da Rankings mehrerer biometrischer Systeme vergleichbar sind, ist keine Normalisierung erforderlich, was die Implementierung von Rank-Level-Fusionsverfahren einfacher macht als die Score-Level-Fusion. Es gibt drei verschiedene Ansätze für die Rank-Level-Fusion: die "highest-rank" Methode, die "borda count" Methodeund die"logistic regression" Methode. Entscheidungsebene oder abstrakte Fusion : Viele handelsübliche biometrische Matcher (COTS) bieten nurfinalenEntscheidung der Erkennung. Wenn solche COTS zum Aufbau eines multibiometrischen Systems verwendet werden, ist nur dieser Grad der Fusion möglich. In der Literatur vorgeschlagene Methoden für die Fusion auf Entscheidungsebene sind z.B. AND- und OR-Regeln, Mehrheitsentscheidungen und gewichtete Mehrheitsentscheidungen. Wenn AND verwendet wird, ist die Falschakzeptanzrate sehr niedrig, wenn OR verwendet wird, ist die Falschakzeptanzrate sehr hoch. Aufgrund dieser Extreme werden AND- und OR-Regeln nur selten verwendet. Die Mehrheitsentscheidung ist der am häufigsten verwendete Ansatz für die Fusion auf Entscheidungsebene. Es wird davon ausgegangen, dass alleMatcher gleich gute Ergebnisse produzieren. Einer der Vorteile ist, dass keine Trainingsdaten und keine a priori Kenntnisse erforderlich sind, um eine endgültige Entscheidung zu treffen.