GB/T 48203-2026 信息技术 使用统计模型的生物特征识别性能估计方法

ICS3524015

CCSL.70.

中华人民共和国国家标准

GB/T48203—2026/ISO/IEC51522024

:

信息技术使用统计模型的生物特征

识别性能估计方法

Informationtechnology—Biometricperformanceestimation

methodologiesusingstatisticalmodels

ISO/IEC51522024IDT

(:,)

2026-09-28发布2027-04-01实施

国家市场监督管理总局发布

国家标准化管理委员会

GB/T48203—2026/ISO/IEC51522024

:

目次

前言

…………………………Ⅲ

引言

…………………………Ⅳ

范围

1………………………1

规范性引用文件

2…………………………1

术语和定义

3………………1

符号和缩略语

4……………2

符合性

5……………………2

估计细节

6…………………2

基于极值理论的生物特征识别性能估计

6.1…………2

估计方法设计

6.2………………………3

广义极值分布

6.3………………………3

广义帕累托分布

6.4……………………5

模型拟合度评价

6.5……………………6

和的选择

6.6rGEVGP…………………7

性能度量项

7………………7

保存记录

8…………………8

报告估计结果

9……………8

报告一对一比对性能

9.1………………8

报告估计结果

9.2………………………8

报告形式

9.3……………9

附录资料性极值理论

A()………………10

基本前提

A.1…………………………10

广义极值分布

A.2……………………11

广义帕累托分布

A.3…………………12

附录资料性证实方法有效性的多种模态数据集示例

B()……………14

概述

B.1…………………14

数据集和测试方案

B.2…………………14

应用示例

B.3……………14

参考文献

……………………20

Ⅰ

GB/T48203—2026/ISO/IEC51522024

:

前言

本文件按照标准化工作导则第部分标准化文件的结构和起草规则的规定

GB/T1.1—2020《1:》

起草

。

本文件等同采用信息技术使用统计模型的生物特征识别性能估计方法

ISO/IEC5152:2024《》。

请注意本文件的某些内容可能涉及专利本文件的发布机构不承担识别专利的责任

。。

本文件由全国信息技术标准化技术委员会提出并归口

(SAC/TC28)。

本文件起草单位山西三友和智慧信息技术股份有限公司江苏赛西科技发展有限公司中国电子

:、、

技术标准化研究院联想中天科技有限公司北京万里红科技有限公司马上消费金融股份有限公司

、、、、

北京眼神智能科技有限公司北京中科虹霸科技有限公司上海点与面智能科技有限公司中国科学院

、、、

自动化研究所北京建筑大学西安凯虹电子科技有限公司太原工业学院广电运通集团股份有限公

、、、、

司广东九联科技股份有限公司厦门市美亚柏科信息安全研究所有限公司上海电力大学深圳职业技

、、、、

术大学盛视科技股份有限公司熵基科技股份有限公司中国科学院自动化研究所国家工业信息安全

、、、、

发展研究中心厦门熵基科技有限公司山西医科大学国家市场监督管理总局缺陷产品召回技术中心

、、、、

新大陆数字技术股份有限公司同方威视技术股份有限公司上海市计量测试技术研究院有限公司

、、、

罗克佳华科技集团股份有限公司北京经济管理职业学院重庆文理学院北京科技大学北京巴塔科技

、、、、

有限公司北京海鑫智圣技术有限公司广东中科臻恒信息技术有限公司中国移动紫金江苏创新研

、、、()

究院有限公司深圳枭龙云科技有限公司广州理工学院苏州思源科安信息技术有限公司厦门瑞为信

、、、、

息技术股份有限公司国投智能信息科技股份有限公司深圳市乔安科技有限公司广州油菜花信息科

、、、

技有限公司中国电子技术标准化研究院华东分院

、。

本文件主要起草人潘晓光耿力苏立伟席雅芬王云龙刘倩颖宁静钟陈杨占金李云峰

:、、、、、、、、、、

张永李伟韩乐邱显超沈文忠田启川胥建民赵志诚张玮赵海鹏阙锦龙邵洁李星光程永喜

、、、、、、、、、、、、、、

韩朝怡赖时伍林晓清王云龙朱倩倩何钰鸿李泽琴张成宇蔡春水陈志强孙荣荣李玮

、、、、、、、、、、、、

付丽琴马新强王曲周淑娟樊思佳赵鹏米清亮王贤良胡鹏杨敬锋彭涛谭又中许其推

、、、、、、、、、、、、、

张智宏卢磊王铁雁赵肖彬雷虹李娜张晓燕袁告

、、、、、、、。

Ⅲ

GB/T48203—2026/ISO/IEC51522024

:

引言

在生物特征验证系统的性能度量项评估中为了准确评价系统的评价人员需要准备数量足

,FMR,

够大的非配对比对尝试的数据集以便观察到足够数量的误匹配事件对于高精度系统而言计算

,。,

所需的比对尝试次数往往非常庞大因受时间成本和实用性的影响创建足够数量且具有代表

FMR。、,

性的误匹配事件的样本数据集面临极大挑战随着生物特征识别技术应用的深化对算法或系统性能

。,

的要求越来越高非常有必要在样本数量有限的条件下对系统的性能度量项进行科学的评估

,。

在生物特征识别领域中基于统计学的规则中定义界定的相关度量项被广

,“3”(ISO/IEC19795-1)

泛应用于评价样本集中未观测到误匹配事件的情况并没有给出当测试的误匹配事件超过零时对预期

,

的准确度和置信水平的说明只有当观测到的误匹配数量达到个及以上时规则才适用即在

。30,“30”,

的置信水平下观测误差率与真实误差率的偏差在的范围内

90%,±30%。

本文件提供了一种测量生物特征验证系统性能的方法该方法基于统计学中的极值理论该方法

,。

适用于在样本集相对较小的条件下对的估计是对以经验为依据的准确度测量方法的一种替代

FMR,

方案

。

本文件介绍了两种已被广泛应用于土木工程气象学水文学和金融工程等各行各业中估计相对较

、、

小样本数的的统计方法这两种方法都是估计罕见极端事件如极大的风速或海啸高度发生概

FMR。()

率的极为可靠的技术也同样适用于在生物特征识别中较为罕见的误匹配事件支持在不具备足够大的

,,

非配对样本集的情况下对误匹配事件出现的概率估计估计的以累积分布函数及其置信

。FMR(CDF)

区间的形式表示

。

Ⅳ

GB/T48203—2026/ISO/IEC51522024

:

信息技术使用统计模型的生物特征

识别性能估计方法

1范围

本文件提供了基于小规模生物特征样本集估计的统计方法

FMR。

本文件旨在

:

提供一种基于极值统计模型外推方法的生物特征识别性能估计方法

———;

提供估计生物特征验证系统的统计方法

———FMR;

应用于包括生成似然相异度得分或相似度得分算法的系统

———;

注除非另有说明本文件中的得分均指相似度得分

:,。

规定数据记录和结果报告的方法

———;

引入估计生物特征识别性能的度量项

———。

本文件不包括

:

一对多实现的错误接受辨识率的估计

———;

验证事务中的错误接受率的估计

———。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款其中注日期的引用文

。,

件仅该日期对应的版本适用于本文件不注日期的引用文件其最新版本包括所有的修改单适用于

,;,()

本文件

。

信息技术词汇第部分生物特征识别

ISO/IEC2382-3737:(Informationtechnology—Vo-

cabulary—Part37:Biometrics)

注信息技术词汇第部分生物特征识别

:GB/T5271.37—202137:(ISO/IEC2382-37:2017,MOD)

信息技术生物特征识别性能测试和报告第部分原则与框架

ISO/IEC19795-1:20211:(In-

formationtechnology—Biometricperformancetestingandreporting—Part1:Principlesandframe-

work)

注信息技术生物特征识别性能测试和报告第部分原则与框架

:GB/T29268.1—20121:(ISO/IEC19795-1:

2006,IDT)

3术语和定义

界定的以及下列术语和定义适用于本文件

ISO/IEC2382-37。

和维护的用于标准化的术语数据库网址如下

ISOIEC:

在线浏览平台

———ISO:/obp;

电工百科

———IEC:/。

1