Phase 1 (face feature extraction).

Phase 1 (face feature extraction). The Proteus algorithm applies Principal Component Analysis (PCA) to the face feature set to perform feature selection; Phase 2 (voice feature extraction). It extracts a set of MFCCs from each preprocessed audio frame and represents them in a matrix form where each row is used for each frame and each column for each MFCC index. And to reduce the dimensionality of the MFCC matrix, it uses the column means of the matrix as its voice feature vector; Phase 3 (fusion of face and voice features). Since the algorithm measures face and voice features using different units, it standardizes them individually through the z-score normalization method, as in score-level fusion. The algorithm then concatenates these normalized features to form one big feature vector. If there are N face features and M voice features, it will have a total of N + M features in the concatenated, or fused, set. The algorithm then uses LDA to perform feature selection from the fused feature set. This helps address the curse of the dimensionality problem by removing irrelevant features from the combined set; and Phase 4 (authentication). The algorithm uses Euclidean distance to determine the degree of similarity between the fused features sets from the training data and each test sample. If the distance value is less than or equal to a predetermined threshold, it accepts the test subject as a legitimate user. Otherwise, the subject is declared an impostor. Implementation We implemented our quality-based score-level and feature-level fusion approaches on a randomly selected Samsung Galaxy S5 phone. User friendliness and execution speed were our guiding principles. User interface. Our first priority when designing the interface was to ensure users could seamlessly capture face and voice biometrics simultaneously. We thus adopted a solution that asks users to record a short video of their faces while speaking a simple phrase. The prototype of our graphical user interface (GUI) (see Figure 3) gives users real-time feedback on the quality metrics of their face and voice, guiding them to capture the best-quality samples possible; for example, if the luminosity in the video differs significantly from the average luminosity of images in the training database, the user may get a prompt saying, Suggestion: Increase lighting. In addition to being user friendly, the video also facilitates integration of other security features (such as liveness checking7 ) and correlation of lip movement with speech.8 To ensure fast authentication, the Proteus face- and voice-feature extraction algorithms are executed in parallel on different processor cores; the Galaxy S5 has four cores. Proteus also uses similar parallel programming techniques to help ensure the GUI’s responsiveness. Security of biometric data. The greatest risk from storing biometric data on a mobile device (Proteus stores data from multiple biometrics) is the possibility of attackers stealing and using it to impersonate a legitimate user. It is thus imperative that Proteus stores and processes the biometric data securely. The current implementation stores only MFCCs and PCA coefficients in the device persistent memory, not raw biometric data, from which deriving useful biometric data is nontrivial.16 Proteus can enhance security significantly by using cancelable biometric templates19 and encrypting, storing, and processing biometric data in Trusted Execution Environment tamper-proof hardware highly isolated from the rest of the device software and hardware; the Galaxy S5 uses this approach to protect fingerprint data.22 Storing and processing biometric data on the mobile device itself, rather than offloading these tasks to a remote server, eliminates the challenge of securely transmitting the biometric data and authentication decisions across potentially insecure networks. In addition, this approach alleviates consumers’ concern regarding the security, privacy, and misuse of their biometric data in transit to and on remote systems. Performance Evaluation We compared Proteus recognition accuracy to unimodal systems based on face and voice biometrics. We measured that accuracy using the standard equal error rate (EER) metric, or the value where the false acceptance rate (FAR) and the false rejection rate (FRR) are equal. Mechanisms enabling secure storage and processing of biometric data must therefore be in place. Database. For our experiments, we created a CSUF-SG5 homegrown multimodal database of face and voice samples collected from University of California, Fullerton, students, employees, and individuals from outside the university using the Galaxy S5 (hence the name). To incorporate various types and levels of variations and distortions in the samples, we collected them in a variety of real-world settings. Given such a diverse database of multimodal biometrics is unavailable, we plan to make our own one publicly available. The database today includes video recordi

ผลลัพธ์ (ไทย) 1:

ระยะที่ 1 (หน้าคุณสมบัติสกัด) การวิเคราะห์ส่วนประกอบหลัก (PCA) กับอัลกอริทึม Proteus คุณลักษณะใบหน้าการตั้งค่าการเลือกคุณลักษณะ ระยะที่ 2 (สกัดคุณลักษณะเสียง) มันแยกชุดของ MFCCs จากแต่ละเฟรมเสียงประมวลผลล่วงหน้า และแสดงในรูปแบบเมทริกซ์ที่ใช้แต่ละแถวแต่ละเฟรมและแต่ละคอลัมน์สำหรับแต่ละดัชนี MFCC และการลดมิติของเมทริกซ์ MFCC ใช้หมายถึงคอลัมน์ของเมทริกซ์เป็นเวกเตอร์ของคุณลักษณะเสียง ระยะที่ 3 (ฟิวชั่นของใบหน้าและเสียง) ตั้งแต่การวัดคุณสมบัติใบหน้าและเสียงโดยใช้หน่วยต่าง ๆ มันกำหนดมาตรฐานสำหรับพวกเขามีเอกลักษณ์ผ่านวิธีฟื้นฟูคะแนน z ในฟิวชั่นระดับคะแนน อัลกอริทึมนั้น concatenates คุณสมบัติเหล่านี้มาตรฐานแบบหนึ่งลักษณะใหญ่เวกเตอร์ ถ้ามี N หน้าคุณสมบัติและคุณลักษณะของเสียง M จะมีจำนวน N + M คุณสมบัติในชุดต่อ หรือ หลอม อัลกอริทึมใช้ LDA การเลือกคุณลักษณะจากการตั้งค่าคุณลักษณะที่หลอมแล้ว ช่วยคำสาปของมิติปัญหา โดยการเอาคุณลักษณะที่เกี่ยวข้องจากชุดรวม และระยะที่ 4 (ตรวจสอบ) อัลกอริทึมใช้ระยะทางแบบยุคลิดเพื่อกำหนดระดับของความคล้ายคลึงระหว่างชุดคุณสมบัติหลอมจากข้อมูลฝึกอบรมและตัวอย่างการทดสอบแต่ละ ถ้าระยะทางค่าน้อยกว่า หรือเท่ากับเกณฑ์กำหนดไว้ล่วงหน้า จะยอมรับเรื่องการทดสอบเป็นผู้ใช้ที่ถูกต้องตามกฎหมาย มิฉะนั้น เรื่องจะประกาศผู้แอบอ้าง การใช้งานที่เราดำเนินการของเราตามคุณภาพ ระดับคะแนน และ ระดับคุณลักษณะฟิวชั่นวิธีบนโทรศัพท์ Samsung Galaxy S5 แบบสุ่ม ความเร็วมิตรและการดำเนินการของผู้ใช้เป็นหลักการของเรา อินเตอร์เฟซผู้ใช้ อันดับแรกของเราเมื่ออินเทอร์เฟซการออกแบบเพื่อ ให้ผู้ใช้สามารถร่วมจับชีวภาพใบหน้าและเสียงพร้อมกัน เราจึงนำการแก้ไขปัญหาที่ถามผู้ใช้สามารถบันทึกวิดีโอสั้นใบหน้าของตนเองขณะพูดวลีง่าย ๆ แบบของเราอินเทอร์เฟซผู้ใช้แบบกราฟิก (GUI) (ดูรูปที่ 3) ให้แก่ผู้ใช้คำติชมแบบเรียลไทม์ในการวัดคุณภาพของใบหน้าและเสียง แนะนำการเก็บตัวอย่างคุณภาพดีที่สุด เช่น ถ้าความสว่างในวิดีโอแตกต่างอย่างมากจากความสว่างเฉลี่ยของรูปภาพในฐานข้อมูลการฝึกอบรม ผู้ใช้อาจได้รับพร้อมท์ว่า คำแนะนำ: เพิ่มแสงสว่างได้ นอกจากเป็นมิตรกับผู้ใช้ วิดีโอยังช่วยในการรวมคุณลักษณะความปลอดภัยอื่น ๆ (เช่น liveness checking7) และความสัมพันธ์ของการเคลื่อนไหวริมฝีปากกับ speech.8 การรับรองความถูกต้องรวดเร็ว Proteus อัลกอริทึมการสกัดคุณลักษณะใบหน้า และเสียงดำเนินการพร้อมกันบนแกนตัวประมวลผลที่แตกต่างกัน S5 กาแล็กซี่มีสี่แกน Proteus ยังใช้เทคนิคการเขียนโปรแกรมแบบขนานคล้ายกันเพื่อช่วยให้การตอบสนองของ GUI ความปลอดภัยของข้อมูลชีวภาพ ความเสี่ยงมากที่สุดจากการจัดเก็บข้อมูลชีวภาพ (ข้อมูลจากชีวภาพหลายร้าน Proteus) ถือเป็นไปได้ของการโจมตีขโมย และใช้มันเพื่อ impersonate ผู้ใช้ถูกต้องตามกฎหมาย ดังนั้นจึงเป็นความจำเป็นว่า Proteus เก็บ และประมวลผลข้อมูลทางชีวภาพอย่างปลอดภัย การดำเนินการปัจจุบันเก็บเพียง MFCCs และค่าสัมประสิทธิ์ PCA ในอุปกรณ์ปัจจุบันหน่วยความจำ ไม่ดิบข้อมูลชีวภาพ ที่บริษัทฯ ข้อมูลชีวภาพมีประโยชน์คือ nontrivial.16 Proteus สามารถเพิ่มความปลอดภัยอย่างมาก โดย ใช้ templates19 ทางชีวภาพซึ่งสามารถยกเลิก และการเข้ารหัสลับ จัดเก็บ ประมวลผลข้อมูลทางชีวภาพในฮาร์ดแวร์คตัวสภาพแวดล้อมการปฏิบัติการที่เชื่อถือได้สูงแยกจากส่วนเหลือของอุปกรณ์ซอฟต์แวร์และฮาร์ดแวร์ Galaxy S5 ใช้วิธีนี้เพื่อป้องกันลายนิ้วมือ data.22 จัดเก็บ และประมวลผลข้อมูลทางชีวภาพบนอุปกรณ์มือถือตัวเอง มากกว่านี้ทำเซิร์ฟเวอร์ระยะไกล ขจัดความท้าทายของการส่งข้อมูลชีวภาพและรับรองความถูกต้องในการตัดสินใจผ่านเครือข่ายอาจไม่ปลอดภัยอย่างปลอดภัย นอกจากนี้ วิธีการนี้ alleviates ปัญหาของผู้บริโภคเกี่ยวกับความปลอดภัย ส่วนบุคคล และการใช้ข้อมูลทางชีวภาพในการขนส่ง และ บนระบบระยะไกล การประเมินประสิทธิภาพการทำงานเราเทียบ Proteus การรู้ความแม่นยำระบบ unimodal ขึ้นบนใบหน้าและเสียงพูด เราวัดความถูกต้องที่ใช้วัดอัตรา (ตัว) ผิดพลาดเท่าที่มาตรฐาน หรือค่าอัตราการยอมรับผิด (มาก) และอัตราการปฏิเสธเท็จ (frr ได้) เท่ากัน กลไกการเปิดใช้งานการจัดเก็บที่ปลอดภัย และการประมวลผลข้อมูลทางชีวภาพดังนั้นต้องอยู่ในสถานที่ ฐานข้อมูล ทดลองของเรา เราสร้าง CSUF-SG5 ง่วนต่อเนื่องฐานข้อมูลตัวอย่างใบหน้าและเสียงที่รวบรวมจากมหาวิทยาลัยแคลิฟอร์เนีย ฟูลเลอร์ตัน นักศึกษา พนักงาน และบุคคลจากภายนอกมหาวิทยาลัยที่ใช้ Galaxy S5 (ดังนั้นชื่อ) การรวมชนิดและระดับของการเปลี่ยนแปลงและบิดเบือนในตัวอย่างต่าง ๆ ที่เราเก็บรวบรวมไว้ในการตั้งค่าจริงต่าง ๆ กำหนดเช่นความหลากหลายของชีวภาพต่อเนื่องไม่พร้อมใช้งาน เราต้องการให้สาธารณชนของเราเอง ฐานข้อมูลวันนี้มีวิดีโอ recordi

ผลลัพธ์ (ไทย) 2:

ขั้นตอนที่ 1 (ใบหน้าสกัดคุณลักษณะ) อัลกอริทึม Proteus ใช้วิเคราะห์องค์ประกอบหลัก (PCA) คุณลักษณะใบหน้าที่กำหนดให้ดำเนินการเลือกคุณลักษณะ; ขั้นตอนที่ 2 (เสียงสกัดคุณลักษณะ) เป็นสารสกัดจากชุดของ MFCCs จากแต่ละเฟรมเสียง preprocessed และแสดงให้เห็นถึงพวกเขาในรูปแบบเมทริกซ์ที่แต่ละแถวจะใช้สำหรับแต่ละเฟรมและแต่ละคอลัมน์แต่ละดัชนี MFCC และเพื่อลดมิติของเมทริกซ์ MFCC ก็ใช้คอลัมน์หมายความว่าของเมทริกซ์เป็นพาหะคุณลักษณะเสียงของตน ขั้นตอนที่ 3 (ฟิวชั่นของรูปหน้าและเสียงองค์ประกอบ) ตั้งแต่ขั้นตอนวิธีการมาตรการใบหน้าและเสียงมีใช้หน่วยที่แตกต่างกันก็มาตรฐานพวกเขาทีผ่าน Z-คะแนนวิธีการฟื้นฟูในขณะที่ฟิวชั่นระดับคะแนน อัลกอริทึมแล้วเชื่อมคุณลักษณะปกติเหล่านี้ในรูปแบบเวกเตอร์หนึ่งในคุณสมบัติใหญ่ หากมี n คุณสมบัติใบหน้าและคุณสมบัติเสียง M ก็จะมีทั้งหมด N + M คุณสมบัติในการตัดแบ่งหรือผสมชุด อัลกอริทึมแล้วใช้ LDA เพื่อดำเนินการเลือกคุณลักษณะจากชุดคุณลักษณะที่หลอมละลาย นี้จะช่วยให้อยู่สาปแช่งของปัญหามิติโดยการเอาคุณลักษณะที่ไม่เกี่ยวข้องจากชุดรวม; และระยะที่ 4 (การตรวจสอบ) อัลกอริทึมที่ใช้ระยะทางยุคลิดเพื่อกำหนดระดับของความคล้ายคลึงกันระหว่างหลอมคุณลักษณะชุดจากข้อมูลการฝึกอบรมและตัวอย่างการทดสอบแต่ละ ถ้าค่าระยะทางที่น้อยกว่าหรือเท่ากับเกณฑ์ที่กำหนดไว้ก็ยอมรับเรื่องการทดสอบเป็นผู้ใช้ที่ถูกต้องตามกฎหมาย มิฉะนั้นอาจมีการประกาศนักต้มตุ๋น การดำเนินงานที่เราดำเนินการตามคุณภาพคะแนนระดับและคุณลักษณะที่ระดับวิธีการฟิวชั่นของเราในการสุ่มเลือกมือถือซัมซุงกาแล็กซี่ S5 มิตรต่อผู้ใช้และความเร็วในการทำงานเป็นหลักการของเรา หน้าจอผู้ใช้. อันดับแรกของเราเมื่อมีการออกแบบอินเตอร์เฟซที่เป็นเพื่อให้แน่ใจว่าผู้ใช้งานได้อย่างลงตัวสามารถจับภาพใบหน้าและเสียงชีวภาพพร้อมกัน เราจึงนำมาใช้ในการแก้ปัญหาที่ขอให้ผู้ใช้สามารถบันทึกวิดีโอสั้น ๆ ของใบหน้าของพวกเขาในขณะที่พูดเป็นวลีที่เรียบง่าย ต้นแบบของอินเตอร์เฟซผู้ใช้แบบกราฟิกของเรา (GUI) (ดูรูปที่ 3) ให้ความคิดเห็นผู้ใช้เวลาจริงในตัวชี้วัดคุณภาพของใบหน้าและเสียงของพวกเขานำทางพวกเขาในการจับภาพตัวอย่างที่มีคุณภาพที่ดีที่สุด; ตัวอย่างเช่นถ้าส่องสว่างในวิดีโอที่แตกต่างอย่างมีนัยสำคัญจากการส่องสว่างเฉลี่ยของภาพในฐานข้อมูลการฝึกอบรมผู้ใช้อาจได้รับพรอมต์คำพูด, คำแนะนำ: เพิ่มแสงสว่าง นอกจากจะเป็นมิตรกับผู้ใช้วิดีโอนอกจากนี้ยังอำนวยความสะดวกในการรวมกลุ่มของคุณสมบัติอื่น ๆ การรักษาความปลอดภัย (เช่น checking7 คงอยู่) และความสัมพันธ์ของการเคลื่อนไหวริมฝีปากกับ speech.8 เพื่อให้แน่ใจว่าการตรวจสอบอย่างรวดเร็วและ Proteus ใบหน้าและเสียงคุณลักษณะขั้นตอนวิธีการสกัดจะดำเนินการในแบบคู่ขนาน บนแกนประมวลผลที่แตกต่างกัน กาแล็กซี่ S5 มีสี่แกน Proteus ยังใช้เทคนิคการเขียนโปรแกรมแบบขนานที่คล้ายกันเพื่อช่วยให้มั่นใจการตอบสนองของ GUI การรักษาความปลอดภัยของข้อมูลไบโอเมตริกซ์ ความเสี่ยงมากที่สุดจากการจัดเก็บข้อมูลไบโอเมตริกซ์บนโทรศัพท์มือถือ (Proteus เก็บข้อมูลจากชีวภาพหลาย) ความเป็นไปได้ของการโจมตีขโมยและใช้มันในการปลอมตัวเป็นผู้ใช้ที่ถูกต้องตามกฎหมาย ดังนั้นจึงเป็นความจำเป็นที่ร้านค้า Proteus และประมวลผลข้อมูลไบโอเมตริกซ์อย่างปลอดภัย ปัจจุบันการดำเนินงานร้านค้าเพียง MFCCs และค่าสัมประสิทธิ์ PCA ในหน่วยความจำถาวรอุ​​ปกรณ์ที่ไม่ biometric ข้อมูลดิบจากการที่สืบมา biometric ข้อมูลที่เป็นประโยชน์ nontrivial.16 Proteus สามารถเพิ่มความปลอดภัยอย่างมีนัยสำคัญโดยใช้ templates19 ไบโอเมตริกซ์บอกเลิกและการเข้ารหัสจัดเก็บและประมวลผลข้อมูลไบโอเมตริกซ์ใน Trusted Execution สภาพแวดล้อมของฮาร์ดแวร์ tamper-proof แยกสูงจากส่วนที่เหลือของซอฟต์แวร์อุปกรณ์และฮาร์ดแวร์; กาแล็กซี่ S5 ใช้วิธีการนี​​้เพื่อปกป้อง data.22 ลายนิ้วมือการจัดเก็บและประมวลผลข้อมูลไบโอเมตริกซ์บนโทรศัพท์มือถือของตัวเองมากกว่าการถ่ายงานเหล่านี้ไปยังเซิร์ฟเวอร์ระยะไกลช่วยลดความท้าทายของการส่งปลอดภัยข้อมูลไบโอเมตริกซ์และการตัดสินใจการตรวจสอบผ่านเครือข่ายที่อาจไม่ปลอดภัย นอกจากนี้วิธีนี้ช่วยลดความกังวลของผู้บริโภคเกี่ยวกับการรักษาความปลอดภัยข้อมูลส่วนบุคคลและการใช้ผิดประเภทของข้อมูลไบโอเมตริกซ์ของพวกเขาในการขนส่งและบนระบบระยะไกล การประเมินผลการรับรู้เราเมื่อเทียบกับความถูกต้อง Proteus กับระบบ unimodal ขึ้นอยู่กับใบหน้าและเสียงชีวภาพ เราวัดความถูกต้องที่ใช้อัตราความผิดพลาดมาตรฐานเท่ากับ (EER) ตัวชี้วัดหรือค่าที่ยอมรับผิดอัตรา (ไกล) และอัตราการปฏิเสธที่ผิดพลาด (FRR) มีค่าเท่ากัน กลไกการเปิดใช้งานการเก็บรักษาความปลอดภัยและการประมวลผลของข้อมูลไบโอเมตริกซ์จึงต้องอยู่ในสถานที่ ฐานข้อมูล. สำหรับการทดลองของเราเราสร้าง CSUF-SG5 ฐานข้อมูลต่อเนื่องพื้นบ้านของใบหน้าและเสียงตัวอย่างที่เก็บรวบรวมจากมหาวิทยาลัยแห่งแคลิฟอร์เนียฟุลเลอร์, นักเรียน, พนักงานและบุคคลจากภายนอกมหาวิทยาลัยโดยใช้ Galaxy S5 (เพราะฉะนั้นชื่อ) ที่จะรวมหลายประเภทและระดับของการเปลี่ยนแปลงและการบิดเบือนในตัวอย่างที่เราเก็บมันไว้ในความหลากหลายของการตั้งค่าที่แท้จริงของโลก ป.ร. ให้ไว้เช่นฐานข้อมูลความหลากหลายทางชีวภาพต่อเนื่องไม่สามารถใช้งานเราวางแผนที่จะทำให้คนของเราเองที่เปิดเผยต่อสาธารณชน ฐานข้อมูลในวันนี้รวมถึง recordi วิดีโอ

ผลลัพธ์ (ไทย) 3:

ระยะที่ 1 ( การสกัดคุณลักษณะใบหน้า ) ใช้ขั้นตอนวิธีที่มีการวิเคราะห์องค์ประกอบหลัก ( PCA ) หน้าชุดคุณลักษณะที่แสดงการเลือกคุณลักษณะ ; ระยะที่ 2 ( เสียงคุณลักษณะการสกัด ) เป็นสารสกัดจากชุดของ mfccs จากแต่ละ preprocessed เสียงกรอบและแสดงพวกเขาในรูปแบบเมทริกซ์ซึ่งแต่ละแถวจะใช้สำหรับแต่ละเฟรม และแต่ละคอลัมน์สำหรับแต่ละค่าดัชนี และเพื่อลด dimensionality ของค่าเมทริกซ์จะใช้คอลัมน์หมายถึงเมทริกซ์เป็นคุณลักษณะของเสียงเวกเตอร์ ; ระยะที่ 3 ( การรวมตัวของใบหน้าและเสียงคุณสมบัติ ) เนื่องจากมาตรการของใบหน้าและเสียงคุณสมบัติโดยใช้หน่วยที่แตกต่างกัน มันสร้างมาตรฐานพวกเขาเป็นรายบุคคลผ่านคะแนนบรรทัดฐานวิธี เช่นฟิวชั่นระดับคะแนน วิธีเหล่านี้แล้ว concatenates มาตรฐานคุณสมบัติรูปแบบเวกเตอร์คุณลักษณะหนึ่งใหญ่ ถ้ามี n คุณสมบัติใบหน้าและคุณลักษณะเสียง มันจะมีทั้งหมด n + M คุณสมบัติในการตัดแบ่ง หรือผสมชุด ขั้นตอนวิธีใช้ lda แสดงการเลือกคุณลักษณะจากผสมคุณลักษณะชุด นี้ช่วยแก้ไขคำสาปของ dimensionality ปัญหาโดยเอาคุณสมบัติที่ไม่เกี่ยวข้องจากชุดรวม และระยะที่ 4 ( น่าเชื่อถือ ) ขั้นตอนวิธีใช้ระยะทางแบบยุคลิดเพื่อตรวจสอบระดับของความคล้ายคลึงกันระหว่างผสมคุณสมบัติจากชุดฝึกอบรมข้อมูลและทดสอบแต่ละตัวอย่าง ถ้าค่าระยะทางน้อยกว่าหรือเท่ากับเกณฑ์ที่กำหนดไว้ ก็รับการทดสอบที่เป็นผู้ใช้ที่ถูกต้องตามกฎหมาย มิฉะนั้น อาจมีการประกาศตัวปลอม งานเราใช้คุณภาพของเราตามระดับคะแนนและคุณลักษณะระดับแนวฟิวชั่นในการสุ่มเลือก Samsung Galaxy S5 โทรศัพท์ มิตรต่อผู้ใช้และการดำเนินการความเร็วเป็นหลักการของเรา ส่วนติดต่อผู้ใช้ ของเราอันดับแรกเมื่อการออกแบบอินเตอร์เฟซที่เป็นเพื่อให้แน่ใจว่าผู้ใช้จะสามารถจับภาพใบหน้าและเสียง Biometrics พร้อมกัน เราจึงนำวิธีการแก้ปัญหาที่ขอให้ผู้ใช้สามารถบันทึกวิดีโอสั้น ๆของใบหน้าของพวกเขาในขณะที่พูดประโยคง่ายๆ ต้นแบบของอินเตอร์เฟซผู้ใช้แบบกราฟิก ( GUI ) ของเรา ( ดูรูปที่ 3 ) จะช่วยให้ผู้ใช้ข้อมูลเรียลไทม์บนคุณภาพของตัวชี้วัดของใบหน้าและเสียง แนะนำให้จับคุณภาพที่ดีที่สุด ตัวอย่างที่เป็นไปได้ ตัวอย่างเช่น ถ้าความสว่างในวิดีโอที่แตกต่างอย่างมากจากการเฉลี่ยความสว่างของภาพในการฝึกอบรมฐานข้อมูล ผู้ใช้อาจ ได้รับแจ้งว่าควรเพิ่มแสงสว่าง นอกจากจะเป็นผู้ใช้ที่เป็นมิตร , วิดีโอยังอำนวยความสะดวกในการบูรณาการคุณลักษณะด้านความปลอดภัยอื่น ๆ ( เช่น liveness checking7 ) และความสัมพันธ์ของริมฝีปากเคลื่อนไหวด้วยการพูด . 8 ให้ตรวจสอบได้อย่างรวดเร็ว , ที่มีใบหน้าและเสียงขั้นตอนวิธีการสกัดคุณลักษณะจะดำเนินการคู่ขนานบนแกนประมวลผลที่แตกต่างกัน ; Galaxy S5 มีสแกน โปรติอุสยังใช้เทคนิคการเขียนโปรแกรมที่คล้ายกันขนานเพื่อช่วยให้แน่ใจว่า การตอบสนองของ GUI การรักษาความปลอดภัยของข้อมูลชีวภาพ ความเสี่ยงมากที่สุดจากการจัดเก็บข้อมูลไบโอเมตริกบนโทรศัพท์มือถือ ( ที่มีร้านค้าข้อมูลจากหลายชีวภาพ ) มีความเป็นไปได้ของแฮกเกอร์ขโมยและใช้มันเพื่อปลอมตัวเป็นผู้ใช้ที่ถูกต้องตามกฎหมาย มันจึงจำเป็นที่ที่มีร้านค้าและกระบวนการตรวจสอบทางชีวภาพข้อมูลอย่างปลอดภัย ร้านค้าที่ใช้ในปัจจุบันเท่านั้น mfccs ค่าสัมประสิทธิ์ PCA ในอุปกรณ์หน่วยความจำแบบถาวร ไม่ใช่วัตถุดิบชีวภาพข้อมูล ซึ่งใช้ข้อมูลไบโอเมตริกมีประโยชน์คือ nontrivial.16 ที่มีสามารถเพิ่มความปลอดภัยอย่างมาก โดยการใช้ cancelable Biometric templates19 การเข้ารหัสและจัดเก็บและการประมวลผลข้อมูลไบโอเมตริกในสภาพแวดล้อมที่เชื่อถือได้ ตามหลักฐานการงัดแงะอุปกรณ์ ขอแยกจากส่วนที่เหลือของอุปกรณ์และซอฟต์แวร์ ฮาร์ดแวร์ กาแล็กซี่ S5 ใช้วิธีการนี้เพื่อป้องกันลายนิ้วมือ data.22 การจัดเก็บและการประมวลผลข้อมูลไบโอเมตริกบนอุปกรณ์มือถือตัวเอง แทนที่จะถ่ายงานเหล่านี้ไปยังเซิร์ฟเวอร์ระยะไกล , ขจัดความปลอดภัยการส่งข้อมูลไบโอเมตริก และการตัดสินใจการตรวจสอบข้ามอาจใน การรักษาความปลอดภัยเครือข่าย นอกจากนี้ วิธีการนี้ช่วยกังวลของผู้บริโภคเกี่ยวกับความปลอดภัย ความเป็นส่วนตัว และการใช้ข้อมูลไบโอเมตริกในการขนส่งและบนระบบระยะไกล เราเปรียบเทียบการประเมินผลการปฏิบัติงานที่มีความถูกต้องในการรู้จำของระบบ unimodal ตามใบหน้าและเสียง Biometrics . เราวัดความถูกต้องโดยใช้มาตรฐานอัตราความผิดพลาดเท่ากับ ( EER ) เมตริกตัน หรือมูลค่าที่เป็นเท็จ ยอมรับอัตรา ( ไกล ) และเท็จปฏิเสธอัตรา ( frr ) เท่ากัน กลไกที่ทำให้การจัดเก็บและการประมวลผลของข้อมูลไบโอเมตริกจึงต้องอยู่ในสถานที่ ฐานข้อมูล สำหรับการทดลองของเรา เราสร้าง csuf-sg5 พื้นบ้านหลายฐานข้อมูลของใบหน้าและเสียงตัวอย่างที่เก็บ จากมหาวิทยาลัยแคลิฟอร์เนีย ฟูลเลอร์ตัน นักเรียน พนักงาน และบุคคลจากภายนอกมหาวิทยาลัย ใช้ Galaxy S5 ( ดังนั้นชื่อ ) รวมหลากหลายชนิดและระดับของการเปลี่ยนแปลงและการบิดเบือนในตัวอย่างที่เราเก็บพวกเขาในความหลากหลายของการตั้งค่าที่แท้จริงของโลก ให้เช่นฐานข้อมูลที่หลากหลายของแบบชีวภาพไม่ว่าง เราวางแผนที่จะทำของเราเองหนึ่งที่เปิดเผยต่อสาธารณชน ฐานข้อมูลนี้รวมถึงวิดีโอสันทนาการ