移动智能终端指纹识别率和识别处理时延 测试方法
郭佳颖 解谦 陈诗洋
【摘 要】指纹识别技术现已被广泛应用于各种移动智能终端设备，终端指纹识别的性能不仅关系到用户体验，更与用户隐私和信息安全紧密相关。而当前针对移动智能终端指纹识别性能测试方面的研究尚处于起步阶段，可依据的理论不多。针对智能终端指纹识别技术，详细介绍了其各项性能指标，结合指标构建了相关指纹库的制定方案以及测试方法，并实验论证了其可行性。
【关键词】智能终端；指纹识别性能；指纹识别测试；指纹库
1 引言
指纹识别技术是生物特征身份识别技术中应用最为广泛的技术之一。具有现代意义的指纹识别技术发端于19世纪末Galton等人的研究[1]，随后开始应用并普及于刑事侦破领域。随后，指纹识别技术逐渐成熟并被应用到门禁、考勤系统等商用领域。近几年，随着电子信息和移动互联网的快速发展，指纹识别模块已经成为移动智能终端的标配，主要用于完成解锁、移动支付和文件夹加密等[2]。
1998年，德国西门子公司研制出了全球首款搭载指纹识别模块的原型机。2011年，第一部搭载指纹识别功能的智能手机MOTO Atrix 4G问世，但由于技术不成熟，其用户体验较差。2013年，苹果公司在iPhone 5s上加入了Touch ID指纹识别功能，采用按压式指纹解锁，大大提升了用户体验。从2015年开始，随着技术的成熟，大量搭载指纹识别功能的智能终端开始涌现[3]。目前，智能终端使用的主流指纹识别传感器是电容式传感器，也是唯一能够鉴别活体指纹的传感器。此外，当下比较流行的指纹识别传感器还有超声波传感器和光学传感器[4-6]。
智能终端上的指纹识别模块，其性能不仅关系到用户体验，更与用户隐私和信息安全紧密相关，因此针对指纹识别性能的测试十分必要。本文主要研究与用户隐私安全和使用体验直接相关的识别率和识别处理时延测试，给出了针对指纹识别性能指标的测试方法和指纹库构建方案，并通过实验验证了方案的可行性。
2 指纹识别技术原理
2.1 指纹识别流程
智能终端上的指纹识别流程包括指纹录入过程、指纹验证过程和指纹辨识过程[7]，如图1所示。指纹录入过程通过指纹传感器采集指纹图像，进行预处理后提取指纹特征值，保存为指纹模板。为确保用户隐私安全，录入的指纹模板不保存指纹图片，而是以数据格式保存至终端Trust Zone区域。指纹验证过程将所产生的样本特征与给定的用户模板特征进行比对，确定用户所声称的身份，验证过程中对指纹信息的处理在TEE安全环境下执行，以保证信息安全。指纹辨识过程将所产生的样本特征与数据库中所有的用户模板特征进行1：N比对，选出相符用户，识别用户真实身份。图1给出的指纹识别流程适用于所有智能终端，与其搭载的系统无关。
指纹识别算法是智能终端指纹识别系统中的重要组成部分，用于完成图1中对指纹样本的分割、特征提取和质量控制，及比对和决策过程。在决策过程中，指纹识别算法会预先设定合理的阈值（T），通过比较指纹样本与指纹模板匹配的相似度分数与该阈值的大小得到最终验证结果或辨识结果[7-8]。指纹识别算法的优劣直接决定了指纹识别系统的性能。
2.2 指纹识别性能指标
智能终端指纹识别性能的关键指标包括指纹识别率和识别处理时延。其中识别率包括从采集指纹样本到得出匹配结果整个过程中涉及到的概率，具体有：
FMR（False Match Rate，错误匹配率）：使用错误指纹测试样本与指纹模版进行逐一匹配实验，匹配成功的次数占总匹配次数的比例。
FNMR（False Non Match Rate，错误不匹配率）：使用正确指纹测试样本与指纹模版进行逐一匹配实验，匹配失败的次数占总匹配次数的比例。
FTA（Failure To Acquire Rate，采集失败率）：指纹采集过程中，系统未能成功获取到符合要求的样本数量占总录入样本数量的比例。
FAR（False Accept Rate，错误接受率）：在验证过程中，错误指纹测试样本被接受的次数占总验证次数的比例。
FRR（False Reject Rate，错误拒绝率）：在验证过程中，正确指纹测试样本被拒绝的次数占总验证次数的比例。
以上，错误指纹测试样本特指与指纹模版信息不同的指纹样本，正确指纹测试样本特指与指纹模版信息相同的指纹样本。需要注意的是，一次验证过程可以包含多次匹配实验，这与指纹识别系统设置相关，匹配实验的次数会对验证结果有所影响。本文中提到的指纹识别率测试均设置一次验证过程仅包含一次匹配实验，此时：
FRR=FTA+FNMR×（1–FTA） （1）
FAR=FMR×（1–FTA） （2）
在对智能终端的实际测试中，通常比较关心的两个识别率測试指标为FRR和FAR，由于FTA对用户隐私安全和使用体验的影响可以忽略，通常认为FTA=0。此时：
FRR=FNMR （3）
FAR=FMR （4）
在验证过程中，指纹识别算法会将用于验证的指纹样本与指纹模板进行匹配并对其相似度打分，正确样本和错误样本的相似度分数分布图如图2所示，均呈正态分布。指纹识别算法预先设定阈值（T）作为判定标准，相似度大于T则表示匹配成功，否则表示匹配失败。从图2可以看出阈值对验证结果的影响，当T值设置较高时，被接受的错误样本减少，被拒绝的正确样本增多，即表示FAR降低，FRR升高，相应地会提高指纹识别的安全性，降低用户体验。相反地，当T值设置较低时，会降低指纹识别的安全性，但用户体验会得到提升。值得注意的是，图2中错误样本和正确样本的相似度分数的分布曲线在同一次测试中是固定的，与阈值的设定无关。目前业界相关的白皮书对智能终端指纹识别的性能参数均做了要求，业界常用的标准是：FAR不应大于1/50 000，FRR应不高于3%～10%，识别处理时延应低于1 s。
3 指纹识别率测试
3.1 指紋识别率测试方法
指纹识别率主要测试FRR和FAR两个指标，依据简单验证方法[9]，应先采集一定量的指纹注册样本用于注册指纹库，再对每个指纹采集一定量的测试样本用于测试指纹库。将测试指纹库中的指纹样本顺序打乱，依次与注册指纹库中的指纹信息进行匹配，记录匹配结果并统计得出FRR和FAR。测试可采用人工加自动化方式进行，即先通过人工采集方式获取指纹信息，再交由相关软件工具进行测试。下面给出识别率测试匹配次数的计算。
假设样本库的构建选取人数为N，每人用于采集样本的手指数为n，每根手指采集a个样本用于注册，采集b个样本用于验证，则：
（1）共有N×n×（a+b）个指纹样本，其中有N×n×b个样本用于验证；
（2）正确匹配次数共有N×n×b次；
（3）错误匹配次数共有N×n×（N×n-1）×b次。
其中，正确匹配指的是正确指纹样本与指纹模版的匹配，用于测试FRR；错误匹配指错误样本与指纹模版的匹配，用于测试FAR。在FAR为1/50 000的水平下，错误匹配过程中发生N×n×（N×n-1）×b/50 000=x次匹配成功即可以对指纹识别率进行评价。
3.2 指纹库构建方案
指纹识别率测试结果的准确性与指纹库的选择至关重要，需要选取与被测终端相关的传感器、相关场景、相关模板群体，而且指纹库的样本数量要足够大。
真实的指纹采集受到各种实际采集情况的约束，根据测试工作中的经验及行业规范，可以总结出其中对最终测试结果影响较大的条件。图3中所示的采集条件即为根据不同测试需求所需要考虑的选取角度。
图3 指纹库采集条件
指纹识别采集条件主要包括指纹类型、传感器类型及尺寸、环境条件、样本提供者和样本采集者约束条件、采集过程约束条件等。实际测试时，应根据实际情况合理对上述条件进行约束，以降低测试误差和系统误差。
指纹库样本数量的确定可依据3法则或30法则[7，10]。规定每人用于采集样本的手指数为6，每根手指采集36个样本用于注册，采集10个样本用于验证。通常情况下，会选取较为常用或具有代表性的手指作为样本选取对象，如拇指、食指和小拇指。拇指和食指是常用手指，小拇指能够在一定程度上代表细纹路的样本。
（1）3法则
依据3法则，若想在FAR为1/50 000的水平下对指纹识别率进行评价，在置信度为95%的条件下，至少需要3/FAR=15万个指纹样本量。由此可以推算出：
1）采集者N=21人；
2）共有5 976个指纹样本，其中1 260个样本用于验证；
3）用于测试FRR的正确匹配次数共有1 260次；
4）用于测试FAR的错误匹配次数共有15.75万次；
5）根据3法则的定义，在指纹匹配测试过程中，不允许发生错误匹配。
（2）30法则
依据30法则，若想在FAR为1/50 000的水平下对指纹识别率进行评价，需要至少发生30次错误，则在置信度为90%，误差为±30%的条件下，至少需要30/FAR=150万个指纹样本量。由此可以推算出：
1）采集者N=65人；
2）共有17 940个指纹样本，其中3 900个样本用于验证；
3）用于测试FRR的正确匹配次数共有3 900次；
4）用于测试FAR的错误匹配次数共有151.71万次。
3.3 实验结果与分析
本文使用NIST Special Database 10指纹库和SourceAFIS指纹识别算法，模拟智能终端指纹解锁过程，以验证提出的测试方法和指纹库构建方案的可行性。
NIST Special Database 10指纹库共包括552人的指纹图像，每人均取了全部手指的指纹样本图片，共5 520张。样本库中包括弓型、斗型、左箕和右箕等四种常见类型的指纹图片，具体如图4所示。
SourceAFIS指纹识别算法可进行1：1或1：N辨识，能够与任何指纹读取工具配合使用。该算法的指纹图像处理时间为180 ms，调整阈值使得其错误接受率FAR=0.002%（即1/50 000）。接下来分别对指纹库构建方案及指纹识别率测试方法进行验证。
测试指纹库的构建采用无放回抽样方法，依据3法则分别建立指纹库A1、A2和A3。依据30法则分别建立指纹库B1、B2和B3。表1分别给出了指纹库构建时应选取的各指纹类型样本对应的人数及性别。按照3.1节中给出的测试方法和3.2节中计算出的匹配次数，分别利用上述指纹库测试SourceAFIS指纹识别算法的FAR和FRR。
表1 指纹库样本选取
类型 弓型 斗型 左箕/右箕
3法则指纹库 男4 女4 男4 女3 男3 女3
30法则指纹库 男11 女11 男11 女11 男11 女10
表2给出了FAR的测试结果。依据3法则和30法则构建的指纹库，均是根据FAR=1/50 000的水平确定样本数量，得出的FAR结果符合3法则或30法则。使用指纹库A1和A2测试，结果均未出现错误，满足3法则成立条件，FAR≤3/157 500≈0.002%，置信度为95%；而指纹库A3在测试中出现1次错误，此时3法则不成立。使用指纹库B1、B2和B3进行测试，得到的FAR依次为0.002 0%、0.001 9%、0.002 0%，依据30法则，各结果误差均为±30%，置信区间为90%。表3给出了FRR的测试结果。由于FRR的评测相较于FAR更简单，所需的指纹样本量也远远少于对FAR评测，因此FRR的测试通常直接使用相应的根据FAR水平构建的指纹库，测试结果本身与3法则或30法则无关。3法则指纹库测试FRR的均值为1.59%，30法则指纹库测试FAR的均值为1.63%，实验结果基本一致。
根据上述测试结果可得出，利用本文提出的3法则和30法则指纹库构建方案及测试方法对SourceAFIS指纹识别算法进行测试，得到的测试结果与算法自身的标称值基本相符，也验证了指纹库构建方案和测试方法的可行性。由此可得出结论：针对识别率测试，可依据3法则和30法则分别构建两个指纹库，且3法则构建的指纹库是30法则指纹库的子集，当在使用3法则指纹库测试的过程中出现意外错误而不再满足条件时，可扩大指纹库至30法则指纹库后继续进行测试。
4 指纹识别处理时延测试
指纹识别处理时延为用户从接触指纹识别盖板到识别完成的时间，通常可以通过测试终端屏幕解锁时延得到。解锁时延一般为测试从激活终端的指纹识别模组到完成解锁的时间。可采用高清摄像头结合图像分析处理软件的方法进行测试。由测试人员操作手机解锁，操作过程使用高速摄像头记录，将手机垂直置于高速摄像头下，捕捉手指和手机的接触瞬间，再利用镜片反射扑捉屏幕变化，最后分析测试结果，测试步骤如图5所示。
按照上述测试方法及操作步骤，对某款Android智能终端进行了指纹识别解锁时延测试，共计测试10次，表4给出了测试所得的处理时延结果。依据测试结果可计算得出平均解锁时延为698 ms，满足小于1 s的要求，由此也验证了该测试方法的可行性。
5 结束语
针对移动智能终端指纹识别性能的测试是比较繁琐复杂的，由于指纹识别率测试是概率性事件，还需要对测试结果的准确性作出评估。本文分别给出了指纹識别率和识别处理时延的测试方法，并针对识别率测试依据3法则和30法则给出了指纹样本库的构建方案。通过实验证明提出的测试方法和指纹库构建方案能够有效评估智能终端指纹识别的性能。
参考文献：
[1] Galton F. Fingerprint directories[M]. Macmillan and Company， 1895.
[2] 田捷，杨鑫. 生物特征识别理论与应用[M]. 北京： 清华大学出版社， 2009.
[3] 邱士星. 基于Android手机的指纹识别技术研究[D]. 西安： 西安电子科技大学， 2014.
[4] 王曙光. 指纹识别技术综述[J]. 信息安全研究， 2016（4）： 343-355.
[5] Memon S A. Novel active sweat pores based liveness detection techniques for fingerprint biometrics[D]. London： Brunel University， 2012.
[6] Kang H， Lee B， Kim H， et al. A Study on Performance Evaluation of Fingerprint Sensors[C]//Audio-And Video-Based Biometrie Person Authentication， International Conference， 2003： 574-583.
[7] ISO. IEC 19795-1： Information technology-Biometric performance testing and reporting-Part 1： Principles and framework[S]. 2006.
[8] 车荣禄. 指纹图像的特征提取与匹配算法研究[D]. 秦皇岛： 燕山大学， 2014.
[9] ISO. IEC 19795-2： Information technology-Biometric performance testing and reporting-Part 2： Testing methodologies for technology and scenario evaluation[S]. 2007.
[10] 丁增喜，王旭，祁卫炜. 指纹测试样本采集系统关键技术研究[J]. 警察技术， 2015（5）： 14-16.
【摘 要】指纹识别技术现已被广泛应用于各种移动智能终端设备，终端指纹识别的性能不仅关系到用户体验，更与用户隐私和信息安全紧密相关。而当前针对移动智能终端指纹识别性能测试方面的研究尚处于起步阶段，可依据的理论不多。针对智能终端指纹识别技术，详细介绍了其各项性能指标，结合指标构建了相关指纹库的制定方案以及测试方法，并实验论证了其可行性。
【关键词】智能终端；指纹识别性能；指纹识别测试；指纹库
1 引言
指纹识别技术是生物特征身份识别技术中应用最为广泛的技术之一。具有现代意义的指纹识别技术发端于19世纪末Galton等人的研究[1]，随后开始应用并普及于刑事侦破领域。随后，指纹识别技术逐渐成熟并被应用到门禁、考勤系统等商用领域。近几年，随着电子信息和移动互联网的快速发展，指纹识别模块已经成为移动智能终端的标配，主要用于完成解锁、移动支付和文件夹加密等[2]。
1998年，德国西门子公司研制出了全球首款搭载指纹识别模块的原型机。2011年，第一部搭载指纹识别功能的智能手机MOTO Atrix 4G问世，但由于技术不成熟，其用户体验较差。2013年，苹果公司在iPhone 5s上加入了Touch ID指纹识别功能，采用按压式指纹解锁，大大提升了用户体验。从2015年开始，随着技术的成熟，大量搭载指纹识别功能的智能终端开始涌现[3]。目前，智能终端使用的主流指纹识别传感器是电容式传感器，也是唯一能够鉴别活体指纹的传感器。此外，当下比较流行的指纹识别传感器还有超声波传感器和光学传感器[4-6]。
智能终端上的指纹识别模块，其性能不仅关系到用户体验，更与用户隐私和信息安全紧密相关，因此针对指纹识别性能的测试十分必要。本文主要研究与用户隐私安全和使用体验直接相关的识别率和识别处理时延测试，给出了针对指纹识别性能指标的测试方法和指纹库构建方案，并通过实验验证了方案的可行性。
2 指纹识别技术原理
2.1 指纹识别流程
智能终端上的指纹识别流程包括指纹录入过程、指纹验证过程和指纹辨识过程[7]，如图1所示。指纹录入过程通过指纹传感器采集指纹图像，进行预处理后提取指纹特征值，保存为指纹模板。为确保用户隐私安全，录入的指纹模板不保存指纹图片，而是以数据格式保存至终端Trust Zone区域。指纹验证过程将所产生的样本特征与给定的用户模板特征进行比对，确定用户所声称的身份，验证过程中对指纹信息的处理在TEE安全环境下执行，以保证信息安全。指纹辨识过程将所产生的样本特征与数据库中所有的用户模板特征进行1：N比对，选出相符用户，识别用户真实身份。图1给出的指纹识别流程适用于所有智能终端，与其搭载的系统无关。
指纹识别算法是智能终端指纹识别系统中的重要组成部分，用于完成图1中对指纹样本的分割、特征提取和质量控制，及比对和决策过程。在决策过程中，指纹识别算法会预先设定合理的阈值（T），通过比较指纹样本与指纹模板匹配的相似度分数与该阈值的大小得到最终验证结果或辨识结果[7-8]。指纹识别算法的优劣直接决定了指纹识别系统的性能。
2.2 指纹识别性能指标
智能终端指纹识别性能的关键指标包括指纹识别率和识别处理时延。其中识别率包括从采集指纹样本到得出匹配结果整个过程中涉及到的概率，具体有：
FMR（False Match Rate，错误匹配率）：使用错误指纹测试样本与指纹模版进行逐一匹配实验，匹配成功的次数占总匹配次数的比例。
FNMR（False Non Match Rate，错误不匹配率）：使用正确指纹测试样本与指纹模版进行逐一匹配实验，匹配失败的次数占总匹配次数的比例。
FTA（Failure To Acquire Rate，采集失败率）：指纹采集过程中，系统未能成功获取到符合要求的样本数量占总录入样本数量的比例。
FAR（False Accept Rate，错误接受率）：在验证过程中，错误指纹测试样本被接受的次数占总验证次数的比例。
FRR（False Reject Rate，错误拒绝率）：在验证过程中，正确指纹测试样本被拒绝的次数占总验证次数的比例。
以上，错误指纹测试样本特指与指纹模版信息不同的指纹样本，正确指纹测试样本特指与指纹模版信息相同的指纹样本。需要注意的是，一次验证过程可以包含多次匹配实验，这与指纹识别系统设置相关，匹配实验的次数会对验证结果有所影响。本文中提到的指纹识别率测试均设置一次验证过程仅包含一次匹配实验，此时：
FRR=FTA+FNMR×（1–FTA） （1）
FAR=FMR×（1–FTA） （2）
在对智能终端的实际测试中，通常比较关心的两个识别率測试指标为FRR和FAR，由于FTA对用户隐私安全和使用体验的影响可以忽略，通常认为FTA=0。此时：
FRR=FNMR （3）
FAR=FMR （4）
在验证过程中，指纹识别算法会将用于验证的指纹样本与指纹模板进行匹配并对其相似度打分，正确样本和错误样本的相似度分数分布图如图2所示，均呈正态分布。指纹识别算法预先设定阈值（T）作为判定标准，相似度大于T则表示匹配成功，否则表示匹配失败。从图2可以看出阈值对验证结果的影响，当T值设置较高时，被接受的错误样本减少，被拒绝的正确样本增多，即表示FAR降低，FRR升高，相应地会提高指纹识别的安全性，降低用户体验。相反地，当T值设置较低时，会降低指纹识别的安全性，但用户体验会得到提升。值得注意的是，图2中错误样本和正确样本的相似度分数的分布曲线在同一次测试中是固定的，与阈值的设定无关。目前业界相关的白皮书对智能终端指纹识别的性能参数均做了要求，业界常用的标准是：FAR不应大于1/50 000，FRR应不高于3%～10%，识别处理时延应低于1 s。
3 指纹识别率测试
3.1 指紋识别率测试方法
指纹识别率主要测试FRR和FAR两个指标，依据简单验证方法[9]，应先采集一定量的指纹注册样本用于注册指纹库，再对每个指纹采集一定量的测试样本用于测试指纹库。将测试指纹库中的指纹样本顺序打乱，依次与注册指纹库中的指纹信息进行匹配，记录匹配结果并统计得出FRR和FAR。测试可采用人工加自动化方式进行，即先通过人工采集方式获取指纹信息，再交由相关软件工具进行测试。下面给出识别率测试匹配次数的计算。
假设样本库的构建选取人数为N，每人用于采集样本的手指数为n，每根手指采集a个样本用于注册，采集b个样本用于验证，则：
（1）共有N×n×（a+b）个指纹样本，其中有N×n×b个样本用于验证；
（2）正确匹配次数共有N×n×b次；
（3）错误匹配次数共有N×n×（N×n-1）×b次。
其中，正确匹配指的是正确指纹样本与指纹模版的匹配，用于测试FRR；错误匹配指错误样本与指纹模版的匹配，用于测试FAR。在FAR为1/50 000的水平下，错误匹配过程中发生N×n×（N×n-1）×b/50 000=x次匹配成功即可以对指纹识别率进行评价。
3.2 指纹库构建方案
指纹识别率测试结果的准确性与指纹库的选择至关重要，需要选取与被测终端相关的传感器、相关场景、相关模板群体，而且指纹库的样本数量要足够大。
真实的指纹采集受到各种实际采集情况的约束，根据测试工作中的经验及行业规范，可以总结出其中对最终测试结果影响较大的条件。图3中所示的采集条件即为根据不同测试需求所需要考虑的选取角度。
图3 指纹库采集条件
指纹识别采集条件主要包括指纹类型、传感器类型及尺寸、环境条件、样本提供者和样本采集者约束条件、采集过程约束条件等。实际测试时，应根据实际情况合理对上述条件进行约束，以降低测试误差和系统误差。
指纹库样本数量的确定可依据3法则或30法则[7，10]。规定每人用于采集样本的手指数为6，每根手指采集36个样本用于注册，采集10个样本用于验证。通常情况下，会选取较为常用或具有代表性的手指作为样本选取对象，如拇指、食指和小拇指。拇指和食指是常用手指，小拇指能够在一定程度上代表细纹路的样本。
（1）3法则
依据3法则，若想在FAR为1/50 000的水平下对指纹识别率进行评价，在置信度为95%的条件下，至少需要3/FAR=15万个指纹样本量。由此可以推算出：
1）采集者N=21人；
2）共有5 976个指纹样本，其中1 260个样本用于验证；
3）用于测试FRR的正确匹配次数共有1 260次；
4）用于测试FAR的错误匹配次数共有15.75万次；
5）根据3法则的定义，在指纹匹配测试过程中，不允许发生错误匹配。
（2）30法则
依据30法则，若想在FAR为1/50 000的水平下对指纹识别率进行评价，需要至少发生30次错误，则在置信度为90%，误差为±30%的条件下，至少需要30/FAR=150万个指纹样本量。由此可以推算出：
1）采集者N=65人；
2）共有17 940个指纹样本，其中3 900个样本用于验证；
3）用于测试FRR的正确匹配次数共有3 900次；
4）用于测试FAR的错误匹配次数共有151.71万次。
3.3 实验结果与分析
本文使用NIST Special Database 10指纹库和SourceAFIS指纹识别算法，模拟智能终端指纹解锁过程，以验证提出的测试方法和指纹库构建方案的可行性。
NIST Special Database 10指纹库共包括552人的指纹图像，每人均取了全部手指的指纹样本图片，共5 520张。样本库中包括弓型、斗型、左箕和右箕等四种常见类型的指纹图片，具体如图4所示。
SourceAFIS指纹识别算法可进行1：1或1：N辨识，能够与任何指纹读取工具配合使用。该算法的指纹图像处理时间为180 ms，调整阈值使得其错误接受率FAR=0.002%（即1/50 000）。接下来分别对指纹库构建方案及指纹识别率测试方法进行验证。
测试指纹库的构建采用无放回抽样方法，依据3法则分别建立指纹库A1、A2和A3。依据30法则分别建立指纹库B1、B2和B3。表1分别给出了指纹库构建时应选取的各指纹类型样本对应的人数及性别。按照3.1节中给出的测试方法和3.2节中计算出的匹配次数，分别利用上述指纹库测试SourceAFIS指纹识别算法的FAR和FRR。
表1 指纹库样本选取
类型 弓型 斗型 左箕/右箕
3法则指纹库 男4 女4 男4 女3 男3 女3
30法则指纹库 男11 女11 男11 女11 男11 女10
表2给出了FAR的测试结果。依据3法则和30法则构建的指纹库，均是根据FAR=1/50 000的水平确定样本数量，得出的FAR结果符合3法则或30法则。使用指纹库A1和A2测试，结果均未出现错误，满足3法则成立条件，FAR≤3/157 500≈0.002%，置信度为95%；而指纹库A3在测试中出现1次错误，此时3法则不成立。使用指纹库B1、B2和B3进行测试，得到的FAR依次为0.002 0%、0.001 9%、0.002 0%，依据30法则，各结果误差均为±30%，置信区间为90%。表3给出了FRR的测试结果。由于FRR的评测相较于FAR更简单，所需的指纹样本量也远远少于对FAR评测，因此FRR的测试通常直接使用相应的根据FAR水平构建的指纹库，测试结果本身与3法则或30法则无关。3法则指纹库测试FRR的均值为1.59%，30法则指纹库测试FAR的均值为1.63%，实验结果基本一致。
根据上述测试结果可得出，利用本文提出的3法则和30法则指纹库构建方案及测试方法对SourceAFIS指纹识别算法进行测试，得到的测试结果与算法自身的标称值基本相符，也验证了指纹库构建方案和测试方法的可行性。由此可得出结论：针对识别率测试，可依据3法则和30法则分别构建两个指纹库，且3法则构建的指纹库是30法则指纹库的子集，当在使用3法则指纹库测试的过程中出现意外错误而不再满足条件时，可扩大指纹库至30法则指纹库后继续进行测试。
4 指纹识别处理时延测试
指纹识别处理时延为用户从接触指纹识别盖板到识别完成的时间，通常可以通过测试终端屏幕解锁时延得到。解锁时延一般为测试从激活终端的指纹识别模组到完成解锁的时间。可采用高清摄像头结合图像分析处理软件的方法进行测试。由测试人员操作手机解锁，操作过程使用高速摄像头记录，将手机垂直置于高速摄像头下，捕捉手指和手机的接触瞬间，再利用镜片反射扑捉屏幕变化，最后分析测试结果，测试步骤如图5所示。
按照上述测试方法及操作步骤，对某款Android智能终端进行了指纹识别解锁时延测试，共计测试10次，表4给出了测试所得的处理时延结果。依据测试结果可计算得出平均解锁时延为698 ms，满足小于1 s的要求，由此也验证了该测试方法的可行性。
5 结束语
针对移动智能终端指纹识别性能的测试是比较繁琐复杂的，由于指纹识别率测试是概率性事件，还需要对测试结果的准确性作出评估。本文分别给出了指纹識别率和识别处理时延的测试方法，并针对识别率测试依据3法则和30法则给出了指纹样本库的构建方案。通过实验证明提出的测试方法和指纹库构建方案能够有效评估智能终端指纹识别的性能。
参考文献：
[1] Galton F. Fingerprint directories[M]. Macmillan and Company， 1895.
[2] 田捷，杨鑫. 生物特征识别理论与应用[M]. 北京： 清华大学出版社， 2009.
[3] 邱士星. 基于Android手机的指纹识别技术研究[D]. 西安： 西安电子科技大学， 2014.
[4] 王曙光. 指纹识别技术综述[J]. 信息安全研究， 2016（4）： 343-355.
[5] Memon S A. Novel active sweat pores based liveness detection techniques for fingerprint biometrics[D]. London： Brunel University， 2012.
[6] Kang H， Lee B， Kim H， et al. A Study on Performance Evaluation of Fingerprint Sensors[C]//Audio-And Video-Based Biometrie Person Authentication， International Conference， 2003： 574-583.
[7] ISO. IEC 19795-1： Information technology-Biometric performance testing and reporting-Part 1： Principles and framework[S]. 2006.
[8] 车荣禄. 指纹图像的特征提取与匹配算法研究[D]. 秦皇岛： 燕山大学， 2014.
[9] ISO. IEC 19795-2： Information technology-Biometric performance testing and reporting-Part 2： Testing methodologies for technology and scenario evaluation[S]. 2007.
[10] 丁增喜，王旭，祁卫炜. 指纹测试样本采集系统关键技术研究[J]. 警察技术， 2015（5）： 14-16.
