Molti degli attuali sistemi di riconoscimento biometrico richiedono l'utilizzo di un ridotto set di template di riferimento per ogni utente/identità da verificare, al fine di ridurre la richiesta di memoria e di risorse di calcolo del sistema, durante il processo di verifica e identificazione dell'utente.
Tuttavia, sia i template di riferimento che la combinazione delle misure di similarità (matching scores) tra di essi, sono spesso ottenuti attraverso metodi euristici.
All'interno di questo scenario, stiamo sviluppando un approccio più sistematico al problema, chiamato super-sparse biometric recognition, capace di superare le prestazioni dei metodi allo stato dell'arte, sia in termini di accuratezza del riconoscimento, sia per quanto riguarda il numero dei template di riferimento richiesti, addestrando congiuntamente una combinazione ottimale delle misure di similarità e il corrispondente sottoinsieme dei template di riferimento.
Per ogni dato utente, questo approccio consiste nell'addestrare una Support Vector Machine (SVM) utilizzando l'algoritmo di matching come funzione kernel. Questo permette di determinare automaticamente un set di template di riferimento, che chiameremo support biometrics, corrispondente ai support vectors della SVM. Questo fattore riduce drasticamente il numero dei template, senza comportare un peggioramento della precisione nel processo di riconoscimento, ottimizzando un set di biometrie virtuali, ottenute modificando opportunamente le biometriche iniziali (ovvero i support vectors originali).
|
 Fig. 1. Un esempio concettuale di super-sparse biometric recognition. Date le biometrie (in questo caso immagini di volti) in uno spazio virtuale, i punti rossi e blu rappresentano rispettivamente i template genuini e impostori per un dato utente. Nel riquadro a sinistra, la linea nera rappresenta la funzione di decisione della SVM addestrata sui dati disponibili, ottenendo 12 support vectors (support faces), contraddistinti da un contorno nero. Nel riquadro a destra, viene riportata la soluzione ottenuta applicando il nostro metodo di riduzione. Nonostante le due soluzioni rappresentate siano del tutto simili, quella di destra richiede quattro soli template virtuali (support faces), riducendo così di tre volte la complessità (il numero di confronti/matching) richiesta per la verifica dell'identità dell'utente.
|
L'utilizzo di un ridotto set di biometrie di supporto rende facilmente interpretabile la soluzione ottenuta applicando il nostro metodo.
|
 Fig. 2. Un esempio di volti virtuali, per un dato utente, ottenuti applicando l'approccio super-sparse. Da sinistra, il primo volto virtuale rappresenta l'utente stesso, mentre i tre rimanenti rappresentano una combinazione dei template impostori. Queste ultime immagini, equivalentemente ai sistemi di verifica biometrica basati su coorti, migliorano le prestazioni del sistema nel processo di verifica dell'identità dell'utente.
|
Abbiamo implementato un sistema di riconoscimento super-sparse per il riconoscimento di volti (si rimanda alla pubblicazione “Sparse Support Faces”), e stiamo ora lavorando con lo stesso approccio su sistemi di riconoscimento di impronte digitali.
