从目前研究现状来看，单一生物特征受各种各样因素的限制，很难满足个人身份鉴别的需要，将多种生物特征混合增加匹配的特征量成为生物特征识别领域中的一个研究热点。Ross等人于2006年出版了第一本多模态生物特征识别方面的专著。
信息融合技术用于多生物特征融合识别有以下五种常见形式。
（1）多种生物识别方式之间的融合。
（2）同种生物识别方式中不同传感器之间的融合。
（3）同种生物识别方式中不同目标实体之间的融合。
（4）同种生物识别技术中相同实体多个采样的融合。
（5）同种生物识别技术中相同实体单个采样的多种表示方法及多种识别方法的融合。
多生物特征融合识别主要优点在于三个方面。
1）准确率高
已经证明利用多个生物特征融合可以提高整个身份识别系统的准确性和鲁棒性，每个生物特征的识别准确率各不相同，多生物特征融合可以取长补短，从某种程度上提高整个系统的准确率。
2）普适性好(www.xing528.com)
每种生物特征识别方式都有其应用的局限性，利用多个生物特征显然可以拓宽生物特征识别系统的应用人群范围，提高系统的普适性。
3）防伪性强
伪造多个生物特征显然比伪造单一的生物特征更为困难。
除了融合不同的生物特征（inter-modality biometrics fusion），例如人脸和掌纹特征融合，对同一种生物信息的不同特征进行融合（intra-modality biometrics fusion）也被证明是一种非常有效的手段，例如融合人脸的局部特征和全局特征，融合指纹的细节点特征和图像相关特征。现在的生物特征融合比较热门的方向包括融合2D/3D人脸特征、手形/掌纹特征、人脸/指纹特征和人脸掌纹特征融合等。
多模态生物特征识别技术和信息融合技术密切相关，可以将许多信息融合的技术融入多模态生物特征识别技术中去。
根据信息融合层次的不同，可以把分类器融合方法分为传感器数据层融合、特征层融合、决策层融合和意见层融合。根据融合的体系结构可分为并联融合、级联融合和树形融合。已有的比较常用的融合策略有加权平均、神经网络、Bayes融合、基于N-P准则的决策融合、基于线性判别式的融合方法等。
为了实现掌纹和手掌静脉特征融合，主要对基于传感器数据层的融合、基于特征层的融合和基于决策层的融合进行相关的研究和探索。
基于传感器数据层的融合是指把从传感器中传出的未经过加工的样本图像信息直接融合在一起，它大致可以分为空域和频域两种融合方式。对于基于空域的处理方法，可以简单地将经过预处理后的掌纹和掌脉的样本图像物理拼接在一起，也就是说，将预处理后相同位置的掌纹图像和掌脉图像进行旋转平移等操作后进行像素的加权和得到另外一幅融合后的样本图像，对融合后的样本图像进行特征提取和匹配分类等后续工作。而对于基于频域的处理方法，首先将预处理之后的掌纹图像和掌脉图像转换到频域中去，观察两者在频域的联系，将可分性强的掌脉频段和掌纹频段保留，而去除可分性差的频段，通过某种权值参数组合形成一个新的频域图像，然后在此基础上进行提取特征和识别分类的后续工作。
基于特征层的融合是指把不同传感器中传出来的数据描述融合在一起，或者是从相同传感器中使用不同的特征提取技术融合数据。基于特征层的融合一般效率比较高，难度也相对比较大，考虑到相同位置所采集的掌纹图像和掌脉图像在纹理特征等信息方面具有极大相似性和内在联系，在特征提取之后建立候选特征集合，在保证不同生物特征识别方式之间的兼容性的前提下，通过特征选择来利用掌纹特征和掌脉特征的关联性和互补性，挑选出最合适、最有效的特征集合，提高多生物特征识别系统的鲁棒性。
基于决策层的融合是将不同的识别系统看做各个相互独立的单元，每一个单元都做出一个鉴定结果，然后用一个汇总程序综合各个鉴别结果进行权值求和和决策，得出最终的识别结果。基于决策层的融合难度较低，算法也比较成熟。得到各个模块的匹配分数后，综合现有的组合规则，如基于乘积、和、最小/最大、中值等的规则，对匹配分数进行规则计算，从而得到最终的决策。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
