Tutorial - 1
-
(a) 为什么e时代需要生物特征识别
我们在信息时代面临诸多问题，如病毒、黑客、计算机盗窃、越权存取等，它们无一不威胁着公司和个体。而通过生物特征识别可以有效地解决一些用户安全与身份安全的问题。
(b) 何谓生物特征识别
生物特征识别是指利用人体生物特征进行身份认证的一种技术。具体而言，就是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。
(c) 理解生物特征识别的类型并举例
生物特征识别的两种类型：基于生理特征的识别和基于行为特征的识别。第一种如脸型识别、虹膜识别、指纹识别等，而第二种如语音识别、签名识别、敲键盘识别、步态识别等。
(d) 给出定义
注册：获取用户生物特征信息，并加以评估、处理及存储为生物特征识别系统中的数据以便后续利用的过程；
（The process by which a user’s biometric data is initially acquired, assessed, processed and stored in the form of a template for ongoing use in a biometric system ）数据：一种对个体生物特征图像或生物特征指标的典型值的数学表示；（A mathematical representation of biometric data Skeletonized features of a detailed imageand typical valuesof biometric indicators of an individual. ）
匹配：以两个数据间的匹配度为标准判别其是否属于同一类别的过程；
(e) 对用于验证身份的生物特征有何要求
① 普遍性；② 唯一性； ③ 表现稳定； ④ 可收集性；⑤ 其他（准确性，处理速度，存储大小，系统运营费用，收集的便利性）
(f) identification和verification的区别
前者是一对多，后者是一对一。也就是说，前者需要在生物特征识别系统中搜索与当前用户一致的信息，而后者只需验证当前用户与其宣称的个人身份是否有一致性。
-
生物特征识别系统的组成及例子
传感器，特征提取器，分类器，判别器；
传感器，预处理器，特征提取器，特征向量生成器，匹配器，数据存储器，判别器；
例子略；
-
对比注册模式和验证模式
① 注册模式是通过传感器收集用户信息，再对该信息进行预处理，而后提取特征，生成特征向量并存储于系统数据库中以待之后作为样本利用。
② 验证模式前半部分与注册模式类同，也需要由传感器收集信息再处理为特征向量。而下一步则是将该临时特征向量与数据库中的对应特征向量进行匹配，根据门值做出判断。
-
给出定义
① FRR: false rejection rate 对的人进不来 $FRR=\frac{tatal\ false \ rejection} {total\ true\ attempts} $
② FAR: false acceptence rate 错的人进来 $FAR=\frac{tatal\ false \ acceptence} {total\ false\ attempts} $
③ EER: equal error rate 在灵敏度变化下FRR=FAR的那一点的概率值
④ Crossover: $\frac{1}{x}$ ( x=round($\frac{1}{EER}$) )
⑤ FTE：failure to enroll 无法注册的概率
⑥ ATV: ability to verify $ATV=(1-FTE)*(1-FRR)$
⑦ ROC: receiver operating characteristic （一个集合FRR和FAR的图像）
计算略
计算略
Tutorial - 2
-
(a)给出定义或解释
① pixel 像素，即基本原色素及其灰度的基本编码，是构成一张图像的基本单元
② image 图像- An image is an artifact that depicts visual perception, for example, a photo or a two-picture, that has a similar appearance to —usually a physical object person, thus providing a depiction of it.
③ image resolution 图像分辨率，即每英寸图像内有多少个像素点，单位为PPI (Pixels Per Inch)
④gray-level image 灰度图，即把RGB统一用grey替换，再把白色和黑色之间按对数关系分为若干等级（256阶）。
(b) 给出解释并比较两种类型的直方图
① 图像直方图是用以量化曝光量的柱状图（二维坐标图），横轴表示亮度，纵轴表示处于该亮度范围的像素之相对数量。（0是黑1/255是白）
② 峰值就是灰度值聚集的部分，平滑处就是灰度值分布广而数量少的部分。
③ 区别黑底白字和白底黑字略。
(c) 理解点处理并比较增强手段
点处理的目标是为了实现二值分类，为此有三种基本方式来增强图像。可以理解为对图像每一个像素进行处理的函数，记为$output=T(input)$。
① 对比增强
线性：使灰度更为紧凑可提高对比度 _/$^- $；
幂函数：Power Law Function；
注：α<1:arrow_heading_up: 增强亮部，α>1则增强暗部
② 亮度增强——y=x函数平移
注：向上是增白，向下是暗化；
③ 均衡化——层次化
注：线性化概率
(d)为何要进行邻域处理？给出邻域处理的应用
处理邻近信息可以保持图像特征内在的一些联系；邻域操作可以去噪，增强边界以及放大。
-
理解
Power Law Function是一个对图像直方图进行对比度处理的幂函数（非线性函数）。对于参数γ，其值小于1时，图像亮部增强；其值大于1时，图像暗部增强。LUT即look-up table，将0~1(step=0.1)的对应值写出即可。
卷积计算略；
卷积计算略；
-
对比
① 高通滤波器是锐化图像，均匀取均值（0）
② 低通滤波器是平滑化图像，均匀取均值（1）
③ 边界增强过滤器
Soble 垂直/水平方向一正一负（0）
Shift and Difference 垂直/水平/对角取一个（0）
Laplacian 环绕均匀正负（0）
④0-和过滤器是增强边界，1-和过滤器是模糊化（边界增强）
理解——0和：差不多的区域抹0，有特殊边界的保持，因此边界增强。1和：全部抹在一起，模糊。
Tutorial - 3
-
(a)定义pattern并举例子
形式就是指一个客观存在事件或物品的表现形式，特别的，在生物特征识别中，可以用向量或矩阵来表示作为度量和观察量的形式。日常中的形式诸如云朵的形状，动物的斑纹，瓷器的花纹，波形图，乐谱，化学式，脚印等等。
(b)对模式识别举例
模式识别的例子诸如车牌识别，以车牌号作为特征；签名识别，以标准签名作为特征；人脸识别，以平均脸等作为特征。
(c)PR系统的组成
The design of aPR system essentially involves the following three aspects : 1) dataacquisition and preprocessing; 2) data representation; 3) decision making.
Sensor(CapturingData)Image & Signal Processing(Extracting Feature)PatternRecognition(Comparing the features)Decision Theory(Making the decision)
(d)定义
Classification: 分门别类，将输入数据分类至给定集合中；
Recognition： 分类的能力；
c: 把数据分为c种特定类型；
c+1: 在特定类型的基础上附加“无法确定”类型；
以上两者需要的类型数有区别是因为分类的均为有效数据，都适得其所，而辨别则是面向所有数据，有可能越界。
Description: Description is an alternative to classification where a structural description of the input pattern is desired. It is common to resort to linguistic or structural models in description.
Pattern Class: 模式的集合；
Preprocessing: 对原始数据转换为易计算、易提取特征且噪音小的数据的处理；
(e) What is correlation between two vectors, x and y? (Maximum when x and y point in the same direction). Please use this definition in the function $||x-m_k||$.How about orthogonal or uncorrelated between two vectors?
Maximum correlationand minimum error.
(f)何谓决策方程
决策方程指各类之间两两的分界集合，它可以有效地将所给数据归类。
-
课堂3D物品特征
边界，对称性，对称轴；
A minimum-error classifier based on $|| x - m_k ||$ is defined. How to get a linear discriminant function,$ g(x) = m_k^Tx - 0.5 || m_k ||^2$? Which difference between the following two classifiersusing the approaches mentioned above.
前者距离越小越好，后者函数和越大越好（在欧氏距离意义下是一样的）
-
计算略；
注意maximum correlation approach就是算$\frac{一样的}{所有的}$ ，minimum error approach是算1减去它；
Tutorial - 4
-
(a) **What is the scatter matrix? Understand what about eigenvector and eigenvalue as well as their functions? **
散布矩阵是用来估计多维正态分布协方差的统计量。PCA的目的就是把现有数据降维，找到一组能够极大程度保留特征信息的特征向量作为子空间的基表示出原数据。因此，计算协方差矩阵的特征向量和特征值便可以筛选出最具有代表性的特征向量组成理想的降维变换矩阵。
(b) 理解“特征脸“
特征脸“实际上就是一个对于训练数据构成的协方差矩阵之特征向量。
(c) 为何使用人工神经网络，人工神经网络和生物神经网络有何联系
① ANN对于特征和结构不明确的生物特征识别有良好的效果，它可以通过定义分层、分类树的方法来找到训练样本间的内在联系。
② 电信号（数据）——感受器；分类器——神经元；权值——突触；偏置——阈值；激活函数——细胞体；
(d) 解释如何给人工神经网络设置权值
通过后馈处理修改权值。具体而言，先有一个初始权值，通过处理元件得到一个输出，将输出与期望进行比较，若不达到期望的要求，则反复调整输入权值使输出向期望靠近，知道通过ANN得到的输出满足输出期望为止。
-
Consider the sentence: ‘The powerful computer could do many things for us.’ produced by using your sequence of ‘rewriting’ rules.
<artical> <adjective><noun><modal verb><verb><adjective><noun><preposition><pronoun>
-
为何能以BP算法作为学习方式?它的主要思想是什么？
① 后馈处理能够对于训练数据及时地调整隐藏层中的权值，在这种修改中，能够抓取到最重要的特征，且分层明朗，从而提高深度学习的精度。
② i. 前馈处理：运算得到输出结果；
ii. 训练过程（计算且后馈相关错误）：计算对应层次的错误程度；
iii.调整权重；修改偏差最大的位置的权重； -
用人工神经网络设计异或门
一个隐藏层，四个神经元，输入层两个神经元，输出层一个神经元。建议画图表示。
理解PCA
将原始数据按列组成一个$m*n$矩阵X；
将X的每一行（代表一个属性字段（feature））进行0均值化（减去均值）；
求出协方差矩阵C，$C=\frac{1}{m}XX^\mathsf{T}$
求出C的特征值及对应的特征向量；
将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
Y=PX即为降维到k维后的数据；
- $r_{λ}$ 问题，略；主要思想是尽可能选取特征值大的特征向量。
Tutorial - 5
-
(a)理解LDA相关内容
第一步，计算散布矩阵$S_w$和类内散布矩阵$S_b$；
第二步，计算$S_w^{-1}S_b$的特征值；
$S_w$和$S_b$的区别在于后者是前者在某一空间上的投影，信息缺失，但类别关系保留。
// LDA要分别计算类内协方差矩阵和类间协方差矩阵，并把类内协方差矩阵的转置和类间协方差矩阵的乘积作为LDA变换的矩阵。
类内协方差矩阵即把所有样本中各个样本根据自己所属的类计算出样本与总体的协方差矩阵的总和，这从宏观上描述了所有类和总体之间的离散冗余程度。同理可以的得出类间协方差矩阵中为分类内各个样本和所属类之间的协方差矩阵之和，它所刻画的是从总体来看类内各个样本与类之间（这里所刻画的类特性是由是类内各个样本的平均值矩阵构成）离散度。(b) 为何使用2dPCA?有何优势？
2dPCA可以保留图像邻域之间隐含的关系和内在结构，且缩小协方差矩阵的规模。因而识别准确率比较高，计算复杂度小一些（尽管特征的维度比较大，但其协方差矩阵非常小，适合计算特征值特征向量）。PCA直接用的协方差矩阵作为它的变换矩阵，而LDA使用类内协方差矩阵的转置和类间协方差矩阵的乘积作为LDA变换的矩阵。
(c) 比较PCA和LDA
PCA和LDA都是用于降维，但是侧重点不一样。PCA是无监督的方式，降维程度人为决定；而LDA是有监督的方式，它能够找到线性判别函数来对数据进行有效分类，它的降维程度是数据自身内在结构决定的。
(d) 为何利用频率分布图分析？时空分布图和频率分布图有何区别？
因为频率分布图保留了另一形式的图像信息，对提取特定的特征有一定作用。时空分布图和频率分布图的最大区别是横纵轴表示意义不一样，前者横轴为时间/空间，纵轴为数值（像素值）；而后者横轴为频率，纵轴为波峰值（像素值）//在二维情况下，频域是有傅立叶变换值及其频率变量定义的空间。在一些情况下，频域图像相对简化清晰有效，例如在处理正弦波图像时，频域就更加紧凑和有用。
(e) 理解两种频率变化
傅里叶变换和Gabor变换都是可逆的变换，将图像转移到另一度量上提取特征。前者关注图像的灰度频率分布这一整体情况，后者关注图像的边缘、纹理等。//傅立叶变换表明一切周期函数都能分解成三角级数，在频域图中画出相应的振幅及（因为是二维，就有）振动的方向（与原图像中的线段垂直）
-
比较三种模式识别方法
统计模式识别是在对象的特征明确这一情况下广为采用，它的基础是规定好的类或概率（密度）函数，应用如指纹识别、虹膜识别等，而句法模式识别是在对象的结构关系比较明晰的情况下使用，基础是定义好的模式层级结构，应用如文本分析等。神经网络模式识别则是上述特征与结构均不明确时，利用大量数据训练PR目标函数，应用如自然语言处理、人脸识别。
-
**There are two spaces, Measurement Space and Decision Space. Pattern classification is defined to map measurement features to one of the classes. Could you design a simple classifier to implement the given function? **
？
-
**Try to analysis the character “H” by statistical PR approach and structural PR approach. **
StatPR approach - the feature set: (intersections, -, |, holes) and x=[2,1,4,0]; SyntPR approach - primitives and relations: ).
-
用频率变换实现一个图像处理和模式识别方面的应用
锐化（提取边界）；模糊化（提取主颜色信息）；
-
从二维傅里叶变换中我们可以得到什么结果
从2dFT可以获知各个特定方向的频率分布，低通模糊，高通锐化，提取线特征；
Tutorial - 6
-
(a) 理解指纹识别的注册和验证阶段
注册：将个人指纹信息录入系统。录入的过程包括传感器采集、特征提取、储存等；
验证：采集指纹，提取特征并与系统内样本比对；
(b) 预处理阶段需要做什么
预处理阶段应提高图像质量（降噪等），并处理成便于特征提取的形式（增强边缘等），二值化，单像素化（变细）；
(c)比较油墨指纹和在线指纹及各种在线扫描指纹方式
油墨指纹一般是用于犯罪侦破，签订合同等情形，为生物特征识别系统提供的是图像信息（且一般质量不好）；而在线指纹是通过传感器收集指纹信息而得的。传感器有多种，如CCD传感器（光学传感器，通过打灯于指纹上并获取反射光速而成像），VLSI传感器（通过密集的传感器收集手指凹凸纹路信息集合而得指纹信息）等。
在线扫描指纹技术也有多种——光学技术：用黑白灰区分手指凸起和凹陷部分，图像分辨率高，便宜，防静电，玻璃面持久，但对占地面积大，易伪造；芯片技术：以芯片作为按压平面，分辨率挺高，尺寸小，成本低，但持久性不好，容易被损坏，暂时未知对恶劣情况的表现；超声波技术：发出超声波并侦测最短获取回音时间从而计算手指的凹凸信息以及边界信息，图像质量高，不怕手指脏，但机器体型大。
(d) 理解“特征”的含义
特征就是指在一个群体中具有普遍性但随个体变化有所差异的量。比如指纹可视为人的特征，语言可作为一个族群的特征等。
模式区（Pattern Area）模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。有的指纹识别算法只使用模式区的数据。 Aetex 的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。
核心点（Core Point）核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。
三角点（Delta）三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数和跟踪的开始之处。
式样线（Type Lines）式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路，式样线通常很短就中断了，但它的外侧线开始连续延伸。
纹数（Ridge Count）指模式区内指纹纹路的数量。在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。
弓形：无中心点和三角点（一般情况，有特例）
箕形：分成左箕和右箕，一个中心点和一个三角点
斗形：圆圈，一般是一个中心点和两个三角点，有可能是两个中心点(e) **How many strategies can be used for fingerprintmatching? Please compare their difference. ** P54 Lecture7
匹配方式 ① 细节点匹配 ② 直接匹配 /*① 基于图像：最优化图像关系再匹配，将相关度系数作为给分标准； ② 基于指纹脊：边界部分匹配； ③ 基于特征点：位置匹配；*/
匹配策略 ① $S=\frac{100M_{PQ}M_{PQ}}{M_PM_Q}$ total
② $S_B=\frac{{100M_{PQ}}^2}{M_{PB}M_{QB}}$ bounding box
-
如何确定奇点？
奇点即方向图临近色块变化最多的点。二者都是给方向编码后提取得到的。需要注意的是，中心点和三角点的区别在于，前者周围的方向有重复，后者基本没有重复。
辨别six major classes of overall fingerprint patterns
香港同学说是弓 凸弓 左箕 右箕 斗 双斗........
-
分别指出指纹的整体特征和局部特征
整体特征：
模式区域，奇点（中心点与三角点），特征线，边界数目，三个重要手指脊类型；pattern area,core point,type lines,delta,ridge count,basic ridge patterns(loop,arch,whirl) ;
局部特征：
终结点（Ending） -- 一条纹路在此终结。
分叉点（Bifurcation） -- 一条纹路在此分开成为两条或更多的纹路。
分歧点（Ridge Divergence） -- 两条平行的纹路在此分开。
孤立点（Dot or Island） -- 一条特别短的纹路，以至于成为一点 。
环点（Enclosure） -- 一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点 。
短纹（Short Ridge） -- 一端较短但不至于成为一点的纹路。 -
略；
① $S=\frac{100M_{PQ}M_{PQ}}{M_PM_Q}$ total
② $S_B=\frac{{100M_{PQ}}^2}{M_{PB}M_{QB}}$ bounding box
Tutorial - 7
-
(a)理解脸部识别系统
面部识别系统分为两个类型，一是验证身份，二是身份匹配。基本流程都是先通过摄像技术获取面部图像信息，再调整图像（侦测脸部并切割，格式正规化，接着对图像进行进一步的特征提取（方法有PCA特征降维编码，基于眼睛鼻子嘴的几何特征提取，深度面部特征提取如眼宽度，下巴，颊骨等，抗扭曲模型，神经网络归类，脸表面构建）然后匹配身份，得到分数作出判断。
(b)指出脸部特征识别的问题
① 相机角度/姿势——基于多图像的方法/光照——利用光照锥/位置/移动等图像信息的缺陷；
② 年龄/化妆/佩饰/遮盖；
③ 表情——弹性图匹配；
④ 尺寸要求/分辨率要求/高精度要求；
解决方案是建立匹配模型，考察可能发生的仪容变化；
(c) 脸部识别步骤
三步骤：脸部侦测，脸部正规化（调整各种因素如光照，角度等）和脸部匹配（特征提取和面部识别）；
(d) 比较脸部侦测的方法
统计：子空间方法+神经网络方法；
基于知识：灰度分布图分析+轮廓规划+色彩信息+运动信息+对称信息；
对比略；
- Subspace method：基于PCA（K-L变换）
- NN method：基于ANN，分成面部类和非面部类的分类问题。往往与其他方法相结合，缺点是many kinds of non-face images which are not collected. Slow -lots of specimens or input nodes
- Distribution ruler of gray-value-based： skin pattern recognition
- Contour ruler：通过脸部轮廓寻找脸，轮廓是脸的一个重要特征（snake technique）
- Color information： 脸部颜色往往与周围环境颜色不同，且不同脸间的颜色是相似的（同种人）
- Movement information：人的移动和背景产生差别
- Symmetry information： 人的脸是基本对称的
(e)脸部特征识别的优缺点
优点：硬件便宜，软件简便；不需要用户配合；可执行数据范围广；
缺点：防伪能力不高，唯一性也不高，长相相似的人（如双胞胎）难以区分，采集环境和生理特征的变化会降低匹配度，在注册和识别上有潜在的滥用。 -
对比特征脸算法和特征脸识别算法
特征脸算法是指在大量脸部数据训练下得到特征矩阵实现脸部特征降维提取，而特征脸识别算法则是基于特征脸算法对图像进行处理评价相近程度，主要判断是不是脸。
略；（查表知7；观测图像知9；）
-
定义几何特征并回答具体问题
脸部特征通常利用眼睛、鼻子、嘴巴、下巴的形状和大小，以及双眼双耳双眉的距离等等。
Lecture - 8
-
(a) 比较视网膜特征识别和虹膜特征识别
视网膜特征识别技术是基于视网膜的血管信息（纹路，粗细）与视神经盘相关信息以及病变信息来提取特征进行鉴别；而虹膜特征识别技术是基于人眼虹膜的。视网膜特征识别被认为是当今准确性最高的生物特征识别技术，然而其高昂的设备费用和用户不友好的图像获取方式（强光照射人眼）以及难以处理的统计问题（定位难，眼睛小，光路扭曲）使其并没有得到广泛的应用。虹膜特征识别也有非常高的准确性与唯一性，但对深色虹膜的提取度不够且用户接受度不高。它的设备不方便，受光照影响，可能被伪造。
(b)理解视网膜生物特征识别系统，并区分那俩
视网膜生物特征识别系统：获取图像信息（强光照射获得光学图像）→预处理（定位视神经盘→提取血管粗细和方向信息）→模式匹配；identify多中找一，authenticate验证。
(c)给出一个Verification的例子
门禁系统需要刷卡加虹膜扫描——LG Iris Access:tm:2200；
(d) 理解虹膜识别系统
（1）用相机拍照进行图像获取。
（2）通过预处理提高图像质量。
（3）定位虹膜位置。
（4）将虹膜图像标准化。
（5）gabor filter进行处理分析
（6）得到512-bytes iris code的虹膜的模式特征的描述。
（7）进行模式匹配
(e) 何谓纹理特征？为何我们能在虹膜特征识别中利用纹理特征？
纹理特征指虹膜小梁的形态，它以辐射状分布于瞳孔外侧，具有鲜明的特征。虹膜的纹理特征因人而异，且具有稳定性，易于获取。
纹理特征表示的是物体表面上表现出来的条纹图案。因为虹膜上具有征包括条纹、收缩沟、凹陷、胶原纤维、细丝、隐窝等纹理特征，通过对虹膜纹理的分析可以在实践中实现较精确的特征识别。
记住：Daugman的方式是把虹膜分为8个部分，生成512个byte。如果用两个bit表示颜色信息，生成512个byte，因而总共有$512*(8\div2)=2048$个feature。
理解HD
$Hamming\ Distance=\frac{sum\ of\ bits\ different}{sum\ of\ bits}$
任意虹膜编码的HD匹配程度符合二项分布，以0.38作为门值，因此对于0.5的HD是不匹配的，0.2是匹配的。
Lecture 9 shows the corresponding Fourier transforms of iris images with different quality. Please give the property of Fourier transform of good quality iris images. (Even distribution)
文字没找到，图像在9-25，特征是均匀分布。**In Daugman’s approach iris is regarded as a circular pattern. In fact we can also take the iris as other pattern. Please try to design the corresponding scheme. **
在课件中介绍的是矩形的标准化，即逆时针将环形虹膜展开为固定尺寸的矩形块图像，再用iriscode模板来进行匹配和鉴定。
Lecture - 9
- (a)区别声音特征识别和语音识别，文本依赖鉴别和文本独立鉴别
声音特征识别是基于个体发音的特殊性来鉴别个体身份，而后者是将语音的声波信息转化为文本信息的过程；文本依赖是指利用某些语言发音的独特性来鉴别，文本独立是指发音无关乎内容，只注重声音的其他特性如波形等。
(b)给出在线签名比笔迹签名准确性高的原因
在线签名还可以获取许多个体信息，比如时间（蕴含速度，加速度）、压力、笔和签字面板的角度等。
(c)声音特征识别和签名特征识别的优缺点各为什么
声音特征识别数据的收集不受限制，用户友好，成本低廉且广泛使用，依赖位置。但极易被外在环境干扰，声音质量不可靠，也会受到人自身的影响。
签名特征识别用户接受度高，防伪性好，且用户可以更改自己的签名。但不一致的签名导致FRR增加，现有应用程序少，有的人无法生成稳定签名，专业的伪造者也很有可能伪造签名。
(d)在线签名的全局特征和局部特征各指什么
全局：签名速度，签名边界；（易于提取和计算，缺乏可辨识能力）
局部：沿着签名轨迹的一些特定采样点，x y相对于签名轨迹上第一个点的偏移量，两个点之间的坐标差，两点之间的曲率差。
- **Features used by voice identification include cadence, frequency, pitch & tone of an individual’s voice. In Lecture 10, the models for two speakers saying the same vowel are given. Please try to define a minimum feature set to divide the two models. **
频率，峰值；
-
**Directional frontier (DF) in Lecture 10 is a directional grouping of the contour pixels. There is an example of DF curve characterization. Please give the corresponding feature set. **
结束点，经过点，中间点，spline point，最佳适配线，角度，点的数量。
-
**写下签名，并找到以下特征：Upper/lower envelop, vertical /horizontal projection, geometric and topological features. **
//上下包络线；每一个垂直或者水平线上黑色像素点的个数；几何特征表示的就是在签名里的块或者说是环；拓扑特征：结束点、拐点、交汇点等。
Tutorial - 10
-
(a)什么是multi-biometrics
对多种生物模式识别方式的综合利用，依据对象的不同方面的特征来验证其身份。
(b)我们可以采取什么样子的融合方式？请解释Lecture11的三种融合模式
传感器融合（一般不可行），特征提取融合（一般不可行），匹配分融合（普遍方法），决策融合（最无用）；
串行模式：output of one biometrics is narrowed down before using next biometric；
并行模式：速度比较快；
继承模式：将分类器以树形结构联合；
(c)区别biometric uni-modal和biometric multi-modal(单模态和多模态)
单模态只利用生物某一方面的特征，而多模态则基于生物多方面的特征。
(d)预处理阶段有两种分割方式，一是tangent points of finge hole和circle based segmentation approach，请区分且理解。
① 切线法：二值图，找到手指洞，计算两个洞的切线，得到原点（中点）；
② ？
(e)有多少种掌纹特征提取方式？掌纹特征识别方试有何优缺点？
Gabor Filter,Adjusted Gabor Filter(复数),zeroDC(?),palmcode；
优点：高准确性，实时性，唯一性；
弱点：比较新，需要时间去发展；
-
给出每一种融合方式的结构
略；好烦啊；
-
理解融合方程的数学定义
Feature Vectors from Palmprint/Face:$\frac{f_{palm}}{f_{face}}$
Normalized feature vectors: $[f_{face}’ f_{palm}’]$
Concatenated/Combined feature vector $x_q =[f_{palm}'f_{face}’] $
Similarity Score using $x_q$, $\eta_{match} =||x_q-x_c||$
Decision Threshold,$\eta_{match}>\eta_{threshold}$
Matching level
Sum Rule
Max Rule
Product Rule
Weight Sum Rule - (FAR+FRR)
-
解释Directional Templates的作用原因
0和增强，权值大增强多；
略
略 （用两个bit表示特征？）
略 HD问题；
Lecture - 11
-
(a) 为何使用3D生物特征识别？
为了获得更多的信息；且3D信息比较稳定（扭曲易恢复），安全性高，抗噪；
(b) 解释四种3D图像模型并给出各自最适合的应用
-
Single view imaging with line structured light;
平面投射
-
Single view imaging with modulated structured light;
条纹投射
-
Single view imaging with by using time-of-lflight;
3D光学相机-基于反射时间获取；
-
Multi-view imaging;
多摄像头
-
-
说明耳侧角度具有实用性的原因，please show deep infomation in a given 3D palmprint image.
数据显示随时间变化小，且因人而异，难以伪造；
?
-
Two different 3D features, Mean Curvature (H) and Guass Curvature (K), are extracted in 3D palmprint recognition (Lecture 12). Please explain the 9 different combinations of H and K as Surface Type (ST).
Lecture12-34 ?
用一种融合方式将3D掌纹识别系统的2D和3D特征结合。
-
Please understand 3D skeleton feature in 3D fingerprint and how to match each other.
Tutorial - 12
-
(a)为何要使用多光谱生物特征识别？
更多的信息——波长越大，能量越高，穿透力越强，可以得到更多的细节；低质量的图像可以被覆盖（修饰）；
(b)超光谱和多光谱有何区别？
主要区别在于它们的光波范围和采样密集程度不同。超光谱范围小但选取光波比较密集，而多光谱的范围大，选取的是最有统计意义的光波，相应的也就比较稀松。
(c)分别列举可见光和红外光下的生物图像特征
看见光下的生物图像正如人眼所见；而红外光下的生物图像能够捕捉到肉眼不可见的图像如黑夜里的发热体情况，皮下血管分布信息等；
-
解释应用于血管识别的transmission, side transmittion, reflection；
透射：上面打光，下面接收；
边缘透射：两侧打光，下面接收；
反射：下面打光，下面接收；
-
和掌纹识别相比，基于多光谱的掌背识别更侧重哪一个特征？
血管信息（粗细，纹理）；
-
解释应用多种光频的生物特征识别系统表现尚佳的原因
大概就是信息比较多使得特征更为显著？
-
在手指识别中，如何提取手指的指关节线信息？
横着截取图像$IM(i,j)\ (0\le i,j\le 511)$的一条线，得到PR图，其中$PR(i)=\sum_{j=0}^{511}IM(i,j)$ ，图像最低点对应的坐标即为关节线所在位置。
