Sistem verifikasi biometrik menggunakan maklumat kelakuan dan fisiologi isyarat ujaran individu untuk pengesahan identiti. Bagi sistem penutur biometrik, prestasi sistem ini adalah tinggi dalam persekitaran bersih namun keutuhannya merosot apabila berada dalam persekitaran hingar. Sistem verifikasi cap jari merupakan salah satu teknologi biometrik yang tertua dan paling banyak digunakan untuk pengenalan identiti. Prestasi sistem bergantung kepada kualiti pengambilan gambar dan teknik ekstraksi ciri cap jari. Gambar yang berkualiti buruk dengan teknik pengekstrakan ciri cap jari yang salah dan akan menjatuhkan prestasi sistem. Penggunaan sistem multibiometrik menggunakan penutur biometrik dan cap jari merupakan salah satu penyelesaian untuk keterbatasan ini. Sebagai contoh, sistem multibiometrik boleh menggunakan ciri biometrik yang lain sekiranya seorang individu tidak dapat memberikan cap jari nya. Dalam sistem biometrik tunggal, sistem verifikasi penuturan menggunakan sistem Pekali Kepstrum Frequensi Mel (MFCC) untuk pengekstrakan ciri-ciri pada suara. Manakala untuk sistem verifikasi cap jari, proses pengekstrakan minutiae (MinutiaeExt) digunakan. Kedua-dua sistem menggunakan pengelas jenis Mesin Penyokong Vektor (SVM). Sistem multibiometrik menggunakan MFCC-MinutiaeExt-SVM yang merupakan gabungan daripade sistem verifikasi cap jari dan sistem verifikasi penutur dengan menggunakan pengelas SVM. Untuk sistem multibiometrik, keberkesanan sistem diuji dengan menggunakan empat jenis teknik gabungan iaitu gabungan aturan jumlah, gabungan aturan jumlah dengan pemberat, gabungan aturan produk dengan pemberat dan skema pemberat EER. . Kajian ini menunjukkan bahawa prestasi sistem cap jari menunjukkan peningkatan apabila digabung dengan sistem penutur. Dalam sistem skema pemberat EER, prestasi sistem gabungan aturan jumlah adalah lebih baik daripada prestasi sistem gabungan aturan produk. Peratusan Kadar Ralat Setanding (EER) untuk sistem yang menggunakan tiga data latihan adalah 4.0822 untuk sistem penutur tunggal, 36.1580 untuk sistem cap jari tunggal, 4.0728 untuk gabungan aturan produk dan 3.4159 untuk gabungan aturan jumlah.
_________________________________________________________________________________________
Biometric verification system uses behavioral and physiological information to authenticate an individual for identity claim. In speech verification system, the performance of the system is good in clean environment but the reliability drops when in noise condition. Fingerprint verification is one of the oldest, most reliable biometric technologies and widely used form of biometric identification. The performances of the system rely on the quality of the image capture and the feature extraction technique. Image with noise and bad feature extraction technique will drop the performance of the system. Implementation of multibiometric system using speech and fingerprint is one of the solutions to this limitation. For example, multibiometric system can use some other trait for the process of verification in case an individual is not able to provide his or her fingerprint. In the single biometric system, the speech verification system uses Mel Frequency Cepstral Coefficient (MFCC) for feature extraction. While for the fingerprint verification system, the fingerprint uses minutiae extraction (MinutiaeExt) approaches for feature extraction. Both the system uses Support Vector Machine (SVM) as classifier. The multibiometric system uses the MFCC- MinutiaeExt-SVM which is combination from the fingerprint and speech features extraction and being classified using SVM classifier. For the multibiometric system, the effectiveness of the system is tested using four types of fusion techniques i.e. sum-rule, weighted sum-rule, weighted product-rule and EER weighting scheme fusion systems. This study shows that the performances of fingerprint system shows an improvement when it is fused with speech system. The sum-rule fusion outperforms product-rule fusion in EER weighting scheme fusion. Equal Error Rate (EER) for this system at three training data is observed to be 4.0822 for speech only system, 36.1580 for fingerprint only system, 4.0728 for product-rule fusion and 3.4159 for sum-rule fusion.
Qualitative fusion using speech and fingerprint in multimodal biometric system_Azman Bin Aris_E3_2011_875004021_00003089577_NI