陳曦 于明

摘要 為了控制生物識(shí)別系統(tǒng)中模板數(shù)量和降低錯(cuò)誤拒絕率，可以通過(guò)特征自更新的方式應(yīng)對(duì)類內(nèi)變化從而保持系統(tǒng)模板集合的有效性。本文提出基于模板價(jià)值評(píng)估的通用型生物模板自更新選擇方法和其加速版。該方法首先定義用于評(píng)估模板價(jià)值的“可表達(dá)性”和“唯一性”概念，通過(guò)匹配過(guò)程產(chǎn)生的信息評(píng)估和計(jì)算樣本的價(jià)值權(quán)重，然后利用記錄表保存并更新模板的價(jià)值得分，在1個(gè)更新輪次結(jié)束后，根據(jù)每個(gè)模板的價(jià)值得分生成新模板集合并去除離群點(diǎn)。加速版本的方法在相同的處理框架下可以滿足系統(tǒng)實(shí)時(shí)性的要求。在不同生物特征數(shù)據(jù)庫(kù)中進(jìn)行的實(shí)驗(yàn)結(jié)果表明，提出的方法可以顯著改善生物識(shí)別系統(tǒng)的錯(cuò)誤拒絕率和等錯(cuò)誤率指標(biāo)。

關(guān) 鍵 詞 生物識(shí)別;模板自更新;價(jià)值評(píng)估;類內(nèi)變化;模板選擇

中圖分類號(hào) TP301? ? ?文獻(xiàn)標(biāo)志碼 A

Self-update method of biometrics based on template

usefulness assessment

CHEN Xi， YU Ming

（School of Electronics and Information Engineering， Hebei University of Technology， Tianjin 300401， China）

Abstract Automated template self-update is a reliable method to reduce the number of templates and decrease the false rejection rate （FRR） in a biometric system to account for intra-class variations in biometric data. This paper proposed an effective biometric template update method and an accelerated version based on templates usefulness assessment. The proposed method first defined the representativity and uniqueness in assessing the template value， then stored and updated the value weights during identification procedure by the record table. Finally， the method selected new template set and removal outliers by this table after an update round. The accelerated version adopted the same framework that satisfied the real-time requirement. Several experiments on datasets from different biometric traits show that the proposed approaches can improve the performance of biometric systems according to the indicators as FRR and equal error rate （EER）.

Key words biometrics; templates self-update; usefulness assessment; intra-class variations; template selection

0 引言

與傳統(tǒng)的認(rèn)證方式相比，生物特征具有不易偽造、不會(huì)丟失等優(yōu)點(diǎn)。訪問(wèn)控制和法醫(yī)學(xué)驗(yàn)證是生物識(shí)別技術(shù)最初的應(yīng)用場(chǎng)景[1-2]。近年來(lái)由于硬件和識(shí)別算法的快速發(fā)展，安全、便利的生物識(shí)別系統(tǒng)已廣泛用于樓宇、海關(guān)、銀行和監(jiān)獄等高安全需求的場(chǎng)所。然而生物特征在不同的樣本間往往存在著差異，同一主體不同樣本之間的差異稱為類內(nèi)變化。特征類內(nèi)變化可以分為模板老化和短期變化兩大類。模板老化是一種與時(shí)間相關(guān)的永久性變化，主要由人體生理變化和傳感器老化或退化造成[3]。短期變化是由不同采集環(huán)境造成的不可預(yù)測(cè)的類內(nèi)變化。例如不同樣本間光照和姿態(tài)的差異，墨鏡、涂鴉等裝飾或污漬[4-6]。圖1給出了一些類內(nèi)變化的樣本實(shí)例。

基于最近鄰分類器的生物識(shí)別系統(tǒng)，依據(jù)輸入樣本與系統(tǒng)存儲(chǔ)模板集的相似度進(jìn)行身份辨識(shí)，若模板集中沒(méi)有包含足夠的類內(nèi)變化信息，會(huì)造成錯(cuò)誤地拒絕真實(shí)注冊(cè)人員的頻率提高，即增加錯(cuò)誤拒絕率（FRR），這會(huì)使系統(tǒng)的識(shí)別性能下降。擴(kuò)展模板集或用戶重新注冊(cè)似乎簡(jiǎn)單有效，但是考慮到系統(tǒng)存儲(chǔ)空間和處理速度，每個(gè)注冊(cè)者的模板數(shù)量不宜過(guò)大。而且在很多實(shí)際應(yīng)用中為了保證系統(tǒng)的安全，用戶注冊(cè)需要在特定部門或人員監(jiān)督下進(jìn)行。因此重新注冊(cè)對(duì)于很多系統(tǒng)來(lái)說(shuō)是一個(gè)復(fù)雜的過(guò)程。許多文獻(xiàn)已經(jīng)分析了類內(nèi)變化對(duì)生物識(shí)別系統(tǒng)的影響[7-9]，但是針對(duì)此問(wèn)題的解決方案的研究卻很少。特別是近年來(lái)，對(duì)這一課題的研究相當(dāng)有限，幾乎停滯不前。通過(guò)對(duì)系統(tǒng)模板集的定期更新使系統(tǒng)自適應(yīng)各種類內(nèi)變化可以有效解決這個(gè)問(wèn)題[10]。因此如何評(píng)估現(xiàn)有模板的價(jià)值，并從認(rèn)證樣本序列中選擇新模板是一項(xiàng)極具挑戰(zhàn)性而且至關(guān)重要的課題。

當(dāng)前生物特征自更新方案可以大致可分為模板融合和模板重選兩種。模板融合通常針對(duì)模板老化問(wèn)題，對(duì)模板的局部進(jìn)行完善。通過(guò)收集對(duì)改善識(shí)別效果有益的局部信息構(gòu)造一個(gè)完美模板[10-11]。然而對(duì)于此類方法，更新目標(biāo)和被更新目標(biāo)必須在穩(wěn)定的采集環(huán)境下精確地進(jìn)行點(diǎn)對(duì)點(diǎn)配準(zhǔn)。一些指紋識(shí)別、虹膜識(shí)別等基于關(guān)鍵點(diǎn)配準(zhǔn)的生物識(shí)別系統(tǒng)采用了這種框架。然而它們并不適合于大多數(shù)非接觸式系統(tǒng)，例如人臉識(shí)別系統(tǒng)。模板重選方法一般應(yīng)用模板自動(dòng)選擇方案，從輸入樣本中選擇價(jià)值較高的新模板替代當(dāng)前系統(tǒng)中的模板。例如，經(jīng)典的DENT算法[12]應(yīng)用分層聚類，各聚類中心被認(rèn)為是各種類內(nèi)變化的代表。為了保證系統(tǒng)模板集不被污染，MDIST[12]選擇了具有最大類內(nèi)相似性的子集作為模板集。隨后為了提高它們性能，研究者又提出MDIST*[13]、FCM[14]、GMMS[15]等聚類方法。此外研究者還提出基于匹配相似度[16-17]、信息熵評(píng)估[18]、蟻群優(yōu)化[19]和最小圖分割[20]等方法。然而以上方法都是為特定的生物特征而設(shè)計(jì)，并在某一種生物特征數(shù)據(jù)庫(kù)中進(jìn)行測(cè)試，并非通用型框架。還有一類方法是多模態(tài)生物特征協(xié)同更新[21]。研究者發(fā)現(xiàn)系統(tǒng)中應(yīng)用多種生物特征識(shí)別可以將高置信度的特征識(shí)別結(jié)果輔助其他生物特征識(shí)別和更新。雖然這種策略總體上優(yōu)于自更新方案，但其僅僅適用于多模態(tài)系統(tǒng)。

基于以上討論，本文提出一種基于模板價(jià)值評(píng)估的生物特征更新方法，即最大化滲透率方法（Maximize Penetration， MP）。在批處理模式下，MP使用一種稱為記錄表的存儲(chǔ)結(jié)構(gòu)保存辨識(shí)過(guò)程中產(chǎn)生的信息，并以此評(píng)估當(dāng)前模板價(jià)值用于指導(dǎo)模板集合更新。MP算法流程圖如圖2所示，系統(tǒng)提取特征生物特征后，將特征與系統(tǒng)數(shù)據(jù)庫(kù)中存儲(chǔ)的模板M和候選模板Mc匹配，記錄表保存從中產(chǎn)生的各種匹配信息。根據(jù)本文定義的模板價(jià)值評(píng)估方式，對(duì)記錄表中的價(jià)值權(quán)重進(jìn)行更新，并根據(jù)其做出最終模板更新決策。針對(duì)不同時(shí)間耗費(fèi)需求的系統(tǒng)，本文還提出了MP算法的加速版A-MP，在同樣的框架下雖然A-MP在精度上比MP略遜一籌，但處理速度顯著提升，可以滿足系統(tǒng)對(duì)模板自更新模塊的實(shí)時(shí)性要求。

1 模板價(jià)值評(píng)估

自適應(yīng)系統(tǒng)在更新輪次R的周期內(nèi)從認(rèn)證樣本序列中篩選候選模板，并在當(dāng)前模板和候選模板中根據(jù)模板價(jià)值評(píng)估選擇新的模板集合。更新輪次用于控制模板自更新的頻率，R等于1個(gè)更新周期內(nèi)認(rèn)證樣本的數(shù)量。模板價(jià)值可以從“可表達(dá)性”和“唯一性”兩個(gè)方面來(lái)評(píng)估。模板的可表達(dá)性表示其認(rèn)證類內(nèi)變化的能力，若模板可以成功辨識(shí)的樣本越多，它的可表達(dá)性能力越強(qiáng)。模板唯一性與模板可表達(dá)性恰恰相反，它表示可以成功辨識(shí)某樣本的模板數(shù)量，數(shù)量越少，表示對(duì)于該樣本及其模板唯一性越強(qiáng)。本文使用可表達(dá)性進(jìn)行模板的價(jià)值評(píng)估，然后使用唯一性更新模板價(jià)值權(quán)重。

生物識(shí)別系統(tǒng)一般采用1個(gè)固定的認(rèn)證閾值[ts]對(duì)輸入樣本進(jìn)行身份鑒別?；谀０鍍r(jià)值評(píng)估的生物特征自更新方法MP使用記錄表[TR]作為存儲(chǔ)空間保存以[ts]為認(rèn)證閾值的系統(tǒng)中，模板價(jià)值的評(píng)估結(jié)果和權(quán)重。[TR]是1個(gè)大小為[R×T]的二維表單，其中[T=N+K]，N是候選模板空間[Mc]大小，K為模板集M的大小。當(dāng)對(duì)樣本s進(jìn)行辨識(shí)，[TR（s，m）]通過(guò)式（1）評(píng)估每個(gè)模板的價(jià)值，并通過(guò)式（2）進(jìn)行模板價(jià)值權(quán)重w的計(jì)算。

[TR（s，m）=True，? ? ?if? match（s，m）>ts，F(xiàn)alse，? ? ?otherwise。] （1）

[c=j=1K+N[match（（Λ）j，s）>ts]，w=1/c。] （2）

式中：c為常數(shù);[Λ]為當(dāng)前模板和候選模板的并集，即[Λ=M?Mc]。[·]操作符計(jì)算符合括號(hào)內(nèi)邏輯表達(dá)的模板數(shù)量。顯然[w≤1]，[w]越大表示該模板的唯一性越強(qiáng)。記錄表[TR]根據(jù)1個(gè)更新輪次中每個(gè)樣本的認(rèn)證結(jié)果，使用式（3）對(duì)[Λ]中的每個(gè)模板進(jìn)行價(jià)值評(píng)估和權(quán)重更新，最終通過(guò)式（4）獲得1個(gè)更新輪次內(nèi)模板[m*]的價(jià)值總和v。

[TR（*）=TR（*）+w]， （3）

[v=j=1K+NTR（m*，mj） 。] （4）

記錄表[TR]的示例如圖3所示，列索引[m1]～[mT]表示[Λ]中的[T]個(gè)樣本，行索引[s1]～[sR]表示1個(gè)更新輪次內(nèi)[R]個(gè)認(rèn)證樣本。[TR（s，m）]表示對(duì)應(yīng)模板和樣本間產(chǎn)生的價(jià)值權(quán)重，v是根據(jù)列相加得到最終模板價(jià)值總和。[TR]是整個(gè)MP算法的核心，它不僅用于生成新模板集，也會(huì)指導(dǎo)候選模板的篩選和離群點(diǎn)去除。

2 候選模板篩選和新模板生成

為了最大化新模板的價(jià)值并降低模板污染的風(fēng)險(xiǎn)，模板自更新方案往往采用1個(gè)更嚴(yán)格的閾值篩選候選模板，但是這種策略會(huì)造成M中的模板相似度過(guò)高，不能保存充足的類內(nèi)變化。因此本文使用更新閾值[tt]用于篩選候選模板，[tt]是1個(gè)比認(rèn)證閾值[ts]更嚴(yán)格的閾值。若樣本[s]與[Λ]中某些模板相似度更高，表示[s]的唯一性有限，那么它處理類內(nèi)變化的能力有限，而且可以被當(dāng)前模板取代，因此不適合作為新模板的候選。否則將[s]選作候選模板，并根據(jù)式（6）替換掉[Mc]中價(jià)值權(quán)重最低的模板[m′]。

[m′=arg mint∈Tc v（Mc）， v（s）=v（m′），s=m′。] （5）

值得說(shuō)明的是，有兩類樣本只用于更新MP算法中的模板價(jià)值權(quán)重[w]而不會(huì)被選為候選模板。第1類是不滿足更新閾值的樣本，前文已表。第2類是樣本未通過(guò)當(dāng)前模板集的認(rèn)證，但是通過(guò)了候選模板集的認(rèn)證。這表示雖然其認(rèn)證失敗，卻可能包含有益于評(píng)估Mc中模板的信息。

1個(gè)更新輪次內(nèi)可被成功辨識(shí)的樣本數(shù)量如式（5）表示。為了降低FRR，模板更新的目的是使新模板集M*可以將成功認(rèn)證樣本的數(shù)量[Ψ（M）]最大化，如式（6）所示。記錄表[TR]記錄的價(jià)值總和v可以通過(guò)邏輯或運(yùn)算方便的得到表中更新位置，然后計(jì)算出每個(gè)樣本的價(jià)值權(quán)重，因此模板自更新問(wèn)題最終被轉(zhuǎn)化為從[Λ]中選擇權(quán)重[v]最高的子集[M*]的過(guò)程，如式（7）所示。

[Ψ（M）=i=1K{s|match（mi，s）>ts}。] （6）

[M*=arg maxM?ΛΨ（M）。] （7）

由于要平衡錯(cuò)誤識(shí)別率（FAR）和FRR，因此候選模板空間可能包含了離群點(diǎn)。如果離群點(diǎn)最終被選為模板，會(huì)造成模板污染的隱患，并最終嚴(yán)重危害系統(tǒng)安全。因此MP方法設(shè)置價(jià)值權(quán)重閾值[tv]，并根據(jù)式（8）進(jìn)行離群點(diǎn)消除。[Λ]去除離群點(diǎn)后記為[Λ*]。包括離群點(diǎn)去除過(guò)程的MP算法新模板生成將在[Λ*]中選擇。

[Λ*=i=1Tv（mi）mi?Λ>tv]。 （8）

至此新模板生成方法已經(jīng)很直觀：去除離群點(diǎn)后的模板空間[Λ*]包含[Λ*=T′]個(gè)模板，[Λ*]中選擇K個(gè)樣本子集的方式有[CKT′]個(gè)，新模板集[M*]將選為[CKT′]組合中價(jià)值權(quán)重最高者。

3 MP方法的加速

MP方法的時(shí)間復(fù)雜度為[O（nK）]，其中K是模板集的大小。若系統(tǒng)計(jì)算能力有限或?qū)δ０甯路椒ǖ膶?shí)時(shí)性要求較高，那么MP可能不能滿足系統(tǒng)需求。因此文章提出1種MP加速方法A-MP。A-MP以順序模式執(zhí)行，設(shè)置更新周期R = 1，A-MP會(huì)在每次樣本辨識(shí)后對(duì)[Λ]進(jìn)行更新。A-MP與MP框架一致，當(dāng)s被選為候選模板后，直接將Mc中價(jià)值權(quán)重極小的模板替換為s并將其價(jià)值權(quán)重賦值為被替換者，如式（5）所示。接著，根據(jù)TR比較Mc中權(quán)重最大模板和M中權(quán)重最小模板，若候選模板中存在不可替代權(quán)重超過(guò)正選模板，進(jìn)行兩者交換。A-MP規(guī)定每個(gè)認(rèn)證輪次至多交換一對(duì)模板。在這種情況下，A-MP的時(shí)間復(fù)雜度僅為[O（n）]，可以滿足系統(tǒng)對(duì)實(shí)時(shí)性的要求。

A-MP方法中候選模板篩選雖然與MP一致，但對(duì)于MP，[Λ*]在新模板選取的機(jī)會(huì)平等，而A-MP將新入選的候選模板可信度置為最低，從[Λ]中選擇新模板集。這可以一定程度防止模板污染，但其極短的更新輪次可能在更新過(guò)程中存在多次反復(fù)交換的過(guò)程，即模板震蕩，這是A-MP算法的劣勢(shì)。

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)在掌紋、掌靜脈和人臉3個(gè)不同生物特征的數(shù)據(jù)庫(kù)進(jìn)行，以FAR和EER作為評(píng)估指標(biāo)。掌紋數(shù)據(jù)庫(kù)（DB1）和掌靜脈數(shù)據(jù)庫(kù)（DB2）是本課題組采集的樣本，包含60掌，每掌約900～1 200個(gè)樣本。人臉數(shù)據(jù)庫(kù)（DB3）使用了CMU Multi-PIE公開(kāi)人臉數(shù)據(jù)庫(kù)[23]。圖4中給出了DB1和DB2類內(nèi)匹配得分與樣本時(shí)間間隔之間的關(guān)系，從結(jié)果可以看出掌紋和掌靜脈數(shù)據(jù)庫(kù)樣本沒(méi)有觀測(cè)到明顯的得分與時(shí)間間隔的關(guān)系，這是因?yàn)檎萍y和掌靜脈對(duì)模板老化具有較強(qiáng)的抵御力，而之前的研究[18]已經(jīng)證明，人臉數(shù)據(jù)會(huì)隨著時(shí)間的推移展現(xiàn)出顯著的模板退化特性。因此實(shí)驗(yàn)數(shù)據(jù)庫(kù)既包括具有相對(duì)平緩類內(nèi)變化的掌紋和掌靜脈樣本，也包括具有相對(duì)劇烈類內(nèi)變化的人臉樣本，實(shí)驗(yàn)選取的測(cè)試數(shù)據(jù)庫(kù)可以有效評(píng)估所提出方法對(duì)不同類型生物識(shí)別系統(tǒng)的效果。

實(shí)驗(yàn)參數(shù)的選擇為：MP方法更新輪次R = 45，A-MP中R = 1;價(jià)值權(quán)重閾值[tv]= 3;人臉認(rèn)證閾值為[ts]= 0.74，掌紋和掌靜脈認(rèn)證閾值為0.77;更新閾值為[tt=1.2ts]。實(shí)驗(yàn)將模板隨機(jī)選取作為基準(zhǔn)方法用于對(duì)比本文方法在個(gè)性能指標(biāo)上的表現(xiàn)。為了保持實(shí)驗(yàn)結(jié)果的一致性，下面的各種測(cè)試中隨機(jī)方案的結(jié)果均是10次實(shí)驗(yàn)得到的平均值。

在DB1，DB2和DB3中，MP與A-MP在不同認(rèn)證閾值和不同模板集大小下FRR的結(jié)果如圖5所示?？梢钥吹剿岢龅姆椒ǎ绕涫荕P相對(duì)于模板隨機(jī)選取的方法有顯著優(yōu)越性，曲線之間有清晰的間隔。而A-MP在認(rèn)證閾值較為寬松的時(shí)候，因出現(xiàn)模板震蕩造成模板集不穩(wěn)定，造成效果比基準(zhǔn)方法略差。

在評(píng)估完本文方法對(duì)降低FRR的有效性后，我們測(cè)試了各對(duì)比方法將假樣本更新為模板的概率。在生物識(shí)別領(lǐng)域這被稱為異常引入概率[6]。模板中存在假樣本會(huì)導(dǎo)致錯(cuò)誤識(shí)別率（FAR）的增加，這從根本上損害了對(duì)生物識(shí)別系統(tǒng)的安全性。由于FAR和FRR之間存在此消彼長(zhǎng)的關(guān)系，因此表1詳細(xì)列出了在3個(gè)不同數(shù)據(jù)庫(kù)中FRR和異常引入概率的測(cè)試結(jié)果。基準(zhǔn)方法由于沒(méi)有模板更新過(guò)程，因此此項(xiàng)數(shù)據(jù)為空。

圖6給出了最終各個(gè)方法EER的對(duì)比結(jié)果，EER作為生物識(shí)別系統(tǒng)中廣泛用于評(píng)估系統(tǒng)安全性的指標(biāo)，可以有效對(duì)比各個(gè)方法對(duì)改善生物識(shí)別系統(tǒng)性能。從DB1和DB2中的結(jié)果可以看出隨著模板數(shù)量的增加，所有對(duì)比方法對(duì)EER的改善有下降趨勢(shì)。然而DB3中的結(jié)果截然相反，這是因?yàn)槿绻０鍞?shù)量K比較小，具有豐富類內(nèi)變化的數(shù)據(jù)在模板集M中無(wú)法充分保存，因此模板更新方法僅能有限地提高模板的價(jià)值。然而對(duì)于DB1和DB2，若模板數(shù)量較多，對(duì)于類內(nèi)變化較少的數(shù)據(jù)隨機(jī)選取可以保存比較完備的類內(nèi)變化，因此提高K反而降低了模板更新方法在選擇更好價(jià)值評(píng)估模板上的作用。

對(duì)于面向指紋識(shí)別系統(tǒng)的DENT、MDIST和FCM，實(shí)驗(yàn)結(jié)果顯示樣本無(wú)法精確配準(zhǔn)、時(shí)效果較差，GMMS、MDIST*對(duì)于類內(nèi)變化較小的DB1和DB2效果較好，但是對(duì)于類內(nèi)變化比較豐富的DB3效果較差。FSFDP[22]在3個(gè)數(shù)據(jù)庫(kù)中均取得了良好的結(jié)果并在K較大時(shí)的DB1和DB3數(shù)據(jù)庫(kù)中優(yōu)于MP方法的加速版本A-MP，但FSFDP的算法復(fù)雜度達(dá)到[O（n?。。通過(guò)以上分析和實(shí)驗(yàn)結(jié)果可以得到一個(gè)事實(shí)：MP從改善生物識(shí)別系統(tǒng)性能的角度考慮具有很大優(yōu)勢(shì)。而且，綜合算法復(fù)雜度和識(shí)別效果，在大多數(shù)情況下A-MP也相當(dāng)具有競(jìng)爭(zhēng)力。

5 結(jié)語(yǔ)

本文提出基于模板價(jià)值評(píng)估的生物特征自更新方法MP作為解決生物識(shí)別系統(tǒng)中解決特征類內(nèi)變化的方案，并提出了MP的加速版本A-MP。MP和A-MP算法利用系統(tǒng)認(rèn)證時(shí)產(chǎn)生的匹配信息對(duì)模板價(jià)值評(píng)估，并根據(jù)量化后的模板價(jià)值進(jìn)行模板自更新。在掌紋、掌靜脈和人臉3個(gè)數(shù)據(jù)庫(kù)中進(jìn)行的對(duì)比實(shí)驗(yàn)和分析證明了方法的有效性。作為通用型生物特征更新方案，本文方法可以顯著降低系統(tǒng)的等錯(cuò)誤率。

參考文獻(xiàn)：

[1]? ? DOUGLAS M，BAILEY K，LEENEY M，et al. An overview of steganography techniques applied to the protection of biometric data[J]. Multimedia Tools and Applications，2018，77（13）：17333-17373.

[2]? ? HOFBAUER，HEINZ，TOMEOREYES I，et al. Isolating iris template ageing in a semi-controlled environment[C]//2016 International Conference of the Biometrics Special Interest Group （BIOSIG），September 21-23，2016. Darmstadt，Germany. IEEE，2016（260）：1-5.

[3]? ? LANITIS A. A survey of the effects of aging on biometric identity verification[J]. International Journal of Biometrics，2010，2（1）：34-52.

[4]? ? XIE Y，HU F，YIN Y. Facial expression recognition using intra-class variation reduced features and manifold regularisation dictionary pair learning[J]. IET Computer Vision，2017，12（4）：458-465.

[5]? ? ELHOSENY M，ELKHATEB A，SAHLOL A，et al. Multimodal biometric personal identification and verification[M]//Advances in Soft Computing and Machine Learning in Image Processing. Cham：Springer International Publishing，2017：249-276.

[6]? ? CHEN X，YU M，YUE F，et al. A generic template update framework：the solution for intra-class variations in biometric systems[J]. IEEE Access，2019，7：145082-145094.

[7]? ? KIRCHGASSER S，UHL A. Template ageing in non-minutiae fingerprint recognition[C]//2017 5th International Workshop on Biometrics and Forensics （IWBF），April 4-5，2017. Coventry，United Kingdom. IEEE，2017：1-6.

[8]? ? TOLOSANA R，VERA-RODRIGUEZ R，F(xiàn)IERREZ J，et al. Reducing the template ageing effect in on-line signature biometrics[J]. IET Biometrics，2019，8（6）：422-430.

[9]? ? DEWAN M，GRANGER E，MARCIALIS G L，et al. Adaptive appearance model tracking for still-to-video face recognition[J]. Pattern Recognition，2016，49：129-151.

[10]? QIN H，WANG P. A template generation and improvement approach for finger-vein recognition[J]. Information，2019，10（4）：145-152

[11]? LUMINI A，NANNI L. A clustering method for automatic biometric template selection[J]. Pattern Recognition，2006，39（3）：495-497. .

[12]? 羅月童，趙蘭英，賈偉，等. 基于線特征韋伯局部描述子的掌紋識(shí)別[J]. 中國(guó)圖象圖形學(xué)報(bào)，2016，21（2）：235-244.

[13]? PISANI P H，GIOT R，DE CARVALHO A C，et al. Enhanced template update：Application to keystroke dynamics[J]. Computers & Security，2016，60：134-153.

[14]? MHENNI A，CHERRIER E，ROSENBERGER C，et al. User dependent template update for keystroke dynamics recognition[C]//2018 International Conference on Cyberworlds （CW），October 3-5，2018. Singapore. IEEE，2018：324-330.

[15]? DE MARSICO M，NAPPI M，RICCIO D，et al. Entropy-based template analysis in face biometric identification systems[J]. Signal，Image and Video Processing，2013，7（3）：493-505.

[16]? JIANG Q，WEI F S，F(xiàn)U S，et al. Robust extended chaotic maps-based three-factor authentication scheme preserving biometric template privacy[J]. Nonlinear Dynamics，2016，83（4）：2085-2101.

[17]? RATTANI A，MARCIALIS G L，ROLI F. Biometric template update using the graph mincut algorithm：a case study in face verification[C]//2008 Biometrics Symposium，September 23-25，2008. Tampa，F(xiàn)L. IEEE，2008：23-28.

[18]? ROY A，MEMON N，ROSS A. MasterPrint：exploring the vulnerability of partial fingerprint-based authentication systems[J]. IEEE Transactions on Information Forensics and Security，2017，12（9）：2013-2025.

[19]? LOURENCO A，CARREIRAS C，SILVA H，et al. ECG biometrics：A template selection approach[C]//IEEE International Symposium on Medical Measurements and Applications （MeMeA），IEEE，2014：1-6.

[20]? YUE F，CHEN X. Template selection and update for biometric recognition systems with nearest neighbor classifier[C]//Chinese Control Conference，IEEE，2019：7797-7803.

[21]? CHEN X，YU M，YUE F，et al. A scheme of template selection and updating for palmprint authentication systems[M]//Biometric Recognition. Cham：Springer International Publishing，2017：250-258.

[22]? RODRIGUEZ A，LAIO A. Clustering by fast search and find of density peaks[J]. Science，2014，344（6191）：1492-1496.

[23]? CARNEGIE MELLON UNIVERSITY. CMU Multi-PIE face database[DB/OL]. [2019-05-05] http：//www. cs. cmu. edu/afs/cs/project/PIE/MultiPie/Multi-Pie/Home. htm

[責(zé)任編輯? ? 田? ? 豐]