自动指纹识别系统的设计
自动指纹识别系统是生物特征识别系统中的一个典型范例，本节我们以指纹识别系统为例，在广义范图讨论生物特征识别系统的模型、功能设计以及性能分析等问题。
系统模型
在实际应用中，一个基于生物特征的自动身份鉴定系统可以分为如下几个相对独立的子功能系统:
1.登录(Enrollment)
在登录系统中，个体的生物特征(Biometrics)首先经相应设备读入、测量，成为数字化的样本(Sample)，进而经特征提取算法抽取出特征信息(Feature)，根据需要，系统将特征信息保存在数据库或智能卡等介质中，存贮起来的特征信息被称为模板(Template)。通常，还需要为这个新登记的生物特征信恩分配或指派一个标识符(Identifier)，这个标志符号通常与数据库中个人信息相关，比如用户姓名，ID，权限等。
2.认证(Verification)
认证是通过把一个从现场采集到的生物特征(Current sample)与一个已经登记并存储在数据库或智能卡中的生物特征(Template)进行一对一的比对(one-to-one matching)来确认身份的过程。用户首先裕要提供一个标识符比如姓名、ID,然后系统根据这个标识符在数据库中取得与之相关联的生物特征模饭或者直接与用户所持有的卡中存储的生物特征模板进行比较。如果比对通过，则认证成功。认证回答了这样一个问题:“他是他自称的这个人吗？”。这也是在面向民用的应用系统中使用祠较多的模式。
3.辨识(Identification)
辨识则是把现场采集到的生物特征同样本数据库中的生物特征逐一对比，从中找出与现场生物特征相匹配的特征信息。由子用户没有事先提供用于衰示身份的标识符，所以必须执行“一对多匹配(one-to-.any matching)”。辨识其实是回答了这样一个问题:“他是谁？”。拼识主要应用公共安全领城。比如，可以通过将一个不明身份的人的指纹与数据库中有犯罪记录的人的指纹比对，来确定此人是否曾有过犯罪记录。
值得注愈的是，由于登录、认证和辨识三者的目的和功能上的区别，在算法和系统设计上也各具技术特点。登录包含数据采集、数据传愉和特征提取与存储；认证和辨识都必须其有特征提取和摸式匹配的功能。在登录系统中，由于横板长期存储，在后续匹配中经常被访问，所以对生物特征质盈的耍求比较高；另外，由于登录可以离线完成，所以对特征提取算法速度的要求相对较宽，而在认证和济识系统中，特征提取必须实时完成，所以对速度要求更高.在辨识系统中.由于牵涉到大数据盈的比对工作，刊没要使用分类技术来加快查询的速度，认证系统对比对算法的速度要求不如辨识系统高，但更强调准确性和易用性。
自动指纹识别系统的性能评估
理想的基于生物特征的身份鉴别系统应满足;所有人IIA有这一生物特征，并且不同人的生物特征是可以区分的;生物特征的采集不随采集的条件而不同;系统能够区分冒充者(impostor)。
对身份鉴别系统进行评估，实际上就是判断其符合上述理想系统的程度。
FAR和FRR
由于生物特征信息本身的复杂性，生物识别系统很难对识别任务给出绝对的结果：是或者不是。一般而言，给出的识别结果都带有一个置信度水平。从理论土讲，被识别的对象有两种状态：真实者和冒充者。从生物识别系统的可能给出的识别结果看，也有两种结果：通过和拒绝。这样，总共可能会出现四种情况：
1.真实者的身份得到确认:；
2真实者被系统错误地拒绝；
3.冒充者被系统发现；
4.9充者被系统错误地接受。
生物识别系统的准确率可以通过两个指标来描述：误识率(FAR)和误拒率(FRR)。误识率指的是一个冒充者被系统错误地接受的可能性，而误拒率指的是一个真实者被系统错误地拒绝的可能性。
对于理想的系统来说，这两个错误率都应该是零。但实际中，这两个指标是相关的，而且是一对相互制约的指标。要求低的误识率必然导致高的误拒率，反之亦然。这就使得在应用系统的设计中，要权衡易用性和安全性。系统往往需要在两个错误率之间取一个折衷。用ROC曲线(Receiver Operating Curve)能够很好地反映两个错误率之间的关系，曲线上的点表示在某个给定的匹配阂值下得到的错误拒绝率和错误接受率。在确定阂值时，应根据其体应用进行考虑。在刑事应用中，需要把可能的嫌疑人都找出来，应尽量减小错误拒绝率，所以错误接受率非常大：而对于高度保密应用来说，错误接受造成的损失非常大，因此要求错误接受率很低。
尽管生物识别系统也存在着可靠性问题，但其安全性也比相同可靠性级别的“用户ID+密码”方案的安全性高得多。例如采用匹位数字密码的系统，不安全概率为0.01%。与采用误识率为0.01者可以在一段时间内试用所有可能的密码，因此四位密码并不安全，但是他绝对不可能在短时间内找到一万个人都去为他把手指试一遍。正因为如此，对于一般的应用，1%的误识率就可以接受。
自动指纹识别系统的性能评价标准
如前所述，生物识别系统可分为两类工作模式，即认证(Verification)模式和辨识(工dentificetion)模式，对工作在不同模式的系统应该有不同的性能标准。在辨识摸式下时，系统的输出通常是输入的若干个可能的拥有者。系统性能的主要指标是真正的用户在结果中的概率以及匹配一个特征所需的平均时间。在认证模式下，错误拒绝率FRR(虚警)和错误接受率FAR(漏报)分别是身份鉴别系统的两个重要的统计性能指标。等错误率点是指两个错误率相等的点，此时的错误率被称为EER，有时候它也可以作为指纹身份鉴别系统的性能标准。一般而言，生物识别系统都使用误识率作为第一性能指标，误识率为0意味着不具有合法身份的人根本无法通过系统检查。
除了识别的准确率以外，生物识别系统的另一个重要性能指标是识别速度。对于工作在认证模式下的系统，由于比对是一对一的，所以识别速度主要由特征提取和特征匹配算法的计算复杂度来确定；而对于工作在辨识模式下的系统，识别速度和系统硬件性能、样本数据库规模、算法复杂度等都关.为了能对各种生物识别系统的性能做出科学、准确、统一的评价，一般而言。应该建立一个容量足够大、样本具有充分代表性的系统数据库，同时应该设计严格、科学的测试方案，对同类系统进行性能测试和评价。
自动指纹识别系统的研究内容
从技术角度看，对自动指纹识别的研究大致包括指纹采集、指纹分类、指纹匹配、指纹压缩等内容。指纹采集主要牵涉到电子、光学、半导体等技术，对于指纹采集设备的研发主要是国外一些高新技术公司。现代电子集成制造技术使得我们可以制造相当小的低价指纹图象读取设备，AuthTeC InC.推出了低于10美元的晶体指纹传感芯片。同时飞速发展的个人计算机运算速度提供了在微机甚至嵌入式系统上可以进行两个指纹的比对运算的可能。尽管大多数生产指纹采集设备的公司往往也同时研究指纹处理和识别算法，但是出于商业利益考虑。大部分公司的核心算法都秘而不宣。学术界有关指纹识别的研究主要集中在图像处理、信号分析以及模式识别等相关领域，对指纹分类、指纹增强、特征提取、指纹匹配、指纹压缩的算法研究以及系统设计和应用方面的研究非常活跃。
