この規格 プレビューページの目次
※一部、英文及び仏文を自動翻訳した日本語訳を使用しています。
3 用語、定義、記号および略語
このドキュメントの目的のために、ISO/IEC 2382-37 および以下に記載されている用語、定義、記号、および略語が適用されます。
ISO と IEC は、次のアドレスで標準化に使用する用語データベースを維持しています。
3.1
年
個人が生きてきた時間の長さ
3.2
エージング
時間の経過に伴う個人の特徴の自然な進行
注記 1:老化の影響は、年齢によって異なります。
3.3
カテゴリ人口統計変数
名目上または通常的に記述される人口統計学的特徴
例：
性別カテゴリは、「男性」、「女性」、または「その他」で構成されます。
3.4
検出エラーのトレードオフ
DET
識別しきい値が変化する場合のバイナリ分類システムの偽陽性エラーと偽陰性エラーの関係
3.5
微分性能
異なる人口統計グループ間のシステム変数またはシステム処理の違い
例：
比較スコア、機能レベルの融合、および/または画像レベルの融合の違い。
3.6
異なる結果
異なる人口統計グループ間のシステム結果の違い
例：
一致率の違い。
3.7
民族性
共通の起源、一連の習慣または伝統を持つグループに属している状態
Grade 1 to entry:科学的には、人種は、遺伝的祖先に関連する生物学的特徴を共有する人間のグループとして定義できます。実際には、人種は主に社会的構成要素です。つまり、生物学とは関係ありませんが、自己同一性と関係があります。民族性は、自己申告による「人種」の代理として頻繁に使用されます。このレポートの文脈では、「民族性」と「人種」は交換可能であると考えられており、どちらも特定の主題に報告または割り当てられた社会的アイデンティティを意味すると見なすことができます.これらの報告された値は、根底にある遺伝的特徴と相関する可能性がありますが、常にではありません.
3.8
取得の失敗
FTA
後続の比較のために、バイオメトリック キャプチャ プロセスの出力、関心のあるバイオメトリック特性のバイオメトリック サンプルを受け入れないこと
3.9
登録失敗
RTD
バイオメトリクス登録ポリシーに従って、適格なバイオメトリクス取得サブジェクトのバイオメトリクス登録データ レコードを作成および保存しない
3.10
他人受入率
遠い
誤って受け入れられた偽の生体認証請求を伴う取引の割合
3.11
誤一致率
FMR
誤った一致をもたらす、完了した生体非交配比較試験の割合
3.12
偽陰性微分
ある人口統計グループの被験者からの交配バイオメトリック サンプルが、別の人口統計グループと比較して一致しない傾向
3.13
偽不一致率
FNMR
偽の不一致をもたらす、完了したバイオメトリクス交配比較試験の割合
3.14
偽陽性の微分
ある人口統計グループからの交配されていない生体認証サンプルが別の人口統計グループと比較して誤って一致する傾向、またはこの影響が人口統計グループ全体で発生する傾向
3.15
本人拒否率
FRR
真の生体認証請求が誤って拒否された生体認証トランザクションの割合
3.16
性別
社会的、文化的、または行動的要因に基づく、男性、女性、または別のカテゴリーとしての分類
注記1:性別は一般に自己申告または自己提示によって決定され、時間の経過とともに変化する可能性があります。
注記 2:司法管轄区の認識に応じて、第三者による評価を性別が必要とする場合と必要としない場合があります。
3.17
表現型人口統計変数
その個体の遺伝子型と環境の相互作用から生じる個体の観察可能な人口学的特徴
例：
個人の肌の反射率。
3.18
セックス
DNA, 解剖学、生理学などの生物学的要因に関連する男性または女性の状態
参考文献
| [1] | Drozdowski P, Rathgeb C, Dantcheva A, Damer N, Busch C バイオメトリクスにおける人口学的バイアス: 新たな課題に関する調査。技術と社会に関する IEEE トランザクション。 2020 年 6 月、1, (2)、89-10 |
| [2] | Doddington D, Liggett W, Martin P, Reynolds D, SHEEP, GOATS, LAMBS, および WOLVES NIST 1998 Speaker Recognition Evaluation におけるスピーカー パフォーマンスの統計分析。中: 音声言語処理に関する第 5 回国際会議の議事録、1998 年。 |
| [3] | ISO/IEC 19795-1, 情報技術 — 生体認証性能試験および報告 — 1: 原則と枠組み |
| [4] | Galbally J, Haraksim R, Beslay L 指紋の品質: 人生の物語。:バイオメトリクス特別利益団体 (BIOSIG) の 2018 年国際会議。ダルムシュタット、ドイツ、IEEE, 2018 年。 |
| [5] | Arnold M, Busch C, Ihmor H 調査のパフォーマンスと指紋認識システムへの影響。中:第 6 回年次 IEEE SMC 情報保証ワークショップの議事録。ウエストポイント、ニューヨーク、米国、IEEE, 2005年。 |
| [6] | Grother P, Ngan M, Hanaoka K 顔認識ベンダー テスト (FRVT) 3: 人口学的効果。 Gaithersburg, MD: NIST, 2019.から入手可能: https://nvlpubs.nist.gov/nistpubs/ir/2019/NIST.IR.8280.pdf |
| [7] | Gorodnichy DO, Chumakov MP, NEXUS スコア データセットを使用した虹彩認識パフォーマンスに対する老化、年齢、およびその他の要因の影響の分析。 IE バイオメトリクス。 2019 年 1 月、8, (1)、29-3 |
| [8] | Ortiz E, Bowyer KW CBSA 国境通過アプリケーションからの運用虹彩認識データセットの探索的分析。 In: IEE Computer Society Workshop on Biometrics. IEEE, 2018年。 |
| [9] | Beveridge JR, Givens GH, Phillips PJ, Draper BA 顔認識グランド チャレンジのアルゴリズム パフォーマンスに影響を与える要因。コンピュータビジョンと画像理解. 2016, 113(6), 750-762. |
| [10] | Klare BF, Burge MJ, Klontz JC, Vorder Bruegge RW, Jain AK 顔認識パフォーマンス: 人口統計情報の役割。情報フォレンジックとセキュリティに関する IEEE トランザクション。 2012, 7(6), 1789-1801. |
| [11] | Krishnapriya KS, Albiero V, Vangara K, King MC, Bowyer KW, 人種や肌の色によって異なる顔認識精度に関する問題。技術と社会に関する IEEE トランザクション。 2020 年 3 月 1 日 (1)、8-2 |
| [12] | Phillips PJ, Beveridge JR, Zhang H, Draper BA, Flynn PJ, Feng Z ら FG 2015 Video Person Recognition Evaluation に関するレポート。中:顔とジェスチャーの自動認識に関する第 11 回 IEEE 会議の議事録、2015 年。 |
| [13] | O'Toole AJ, Phillips PJ, An X, Dunlop J 自動顔認識性能の推定に対する人口統計学的影響。画像およびビジョン コンピューティング。 2012 年 3 月、30, (3)、169-17 |
| [14] | Grother P, Ngan M, Hanaoka K 進行中の顔認識ベンダー テスト (FRVT) 1: 検証。 Gaithersburg, MD: NIST, 2017. から入手可能: < https://www.nist.gov/system/files/documents/2018/02/09/frvt_report_2017-05-15.pdf > |
| [15] | Cook CM, Howard JJ, Sirotin YB, Tipton JL, Vemury AR, 顔認識における人口統計学的効果と画像取得への依存性: 11 の商用システムの評価。バイオメトリクス、行動、アイデンティティ サイエンスに関する IEEE トランザクション。 2019, 1(1), 32-41. |
| [16] | Howard J, Sirotin Y, Vemury A 顔認識アルゴリズムのパフォーマンスにおける詐欺師の分布と偽の一致率に対する広範かつ特定の人口統計学的均一性の影響。中: IEEE 10th International Conference on th Theory, Applications and Systems.カリフォルニア州ロサンゼルス: IEEE, 2019 年。 |
| [17] | Hicklin RA, Reedy CL, Implications of the IDENT/IAFIS Image Quality Study for Visa Fingerprint Processing . Mitretek Systems, 2002 年 10 月。 |
| [18] | Frick MD, Modi SK, Elliott SJ, Kukula EP, 指紋認識システムに対する性別の影響。中:情報技術とアプリケーションに関する第 5 回国際会議の議事録。ニューヨーク州ニューヨーク: コンピューティング機械協会、2012 年。 |
| [19] | O'Connor K, Elliott SJ, The Impact of Gender on Image Quality, Henry Classification and Performance on a Fingerprint Recognition System. In:第 7 回情報技術とアプリケーションに関する国際会議の議事録。ニューヨーク州ニューヨーク: コンピューティング機械協会、2015 年。 |
| [20] | Jain AK, Arora SS, Best-Rowden J, Cao K, Sudhish PS, Bhatnagar子供の予防接種と福祉のためのバイオメトリクス: 幼児および幼児の指紋認識の持続性。ミシガン州立大学、2015 年。< https://arxiv.org/ftp/arxiv/papers/1504/1504.04651.pdf > から入手可能 |
| [21] | Drozdowski P, Struck F, Rathgeb C, Busch C 近赤外線眼球画像における眼鏡の検出。: 2018 年国際生体認証会議 (ICB)ゴールド コースト、クイーンズランド州、オーストラリア、IEEE, 2018 年。 |
| [22] | Roig DO, Drozdowski P, Rathgeb C, Morales Gonzalez A, Garea-Llano E, Busch C. 可視波長での虹彩認識: メガネの影響と自動検出。中: 2018 第 14 回信号画像技術とインターネット ベースのシステムに関する国際会議 ( th )ラス パルマス デ グラン カナリア、スペイン、スペイン、IEEE, 2018 年。 |
| [23] | Dolgin E. 近視ブーム: 近視が蔓延しています。一部の科学者は、その理由を発見したと考えています。ネイチャーニュース特集。 2015, 519, 276-278.入手先：< http://80.246.8.22/images/articles/519276a.pdf > |
| [24] | クイン GW, グローサー P, マティー J, IREX IX 1: 虹彩認識アルゴリズムのパフォーマンス。 Gaithersburg, MD: NIST, 2018.から入手可能: < https://nvlpubs.nist.gov/nistpubs/ir/2018/NIST.IR.8207.pdf > |
3 Terms, definitions, symbols and abbreviated terms
For the purposes of this document, the terms, definitions, symbols and abbreviated terms given in ISO/IEC 2382-37 and the following apply.
ISO and IEC maintain terminological databases for use in standardization at the following addresses:
3.1
age
length of time an individual has lived
3.2
ageing
natural progression of an individual’s characteristics over time
Note 1 to entry: The impact of ageing will vary at different ages.
3.3
categorical demographic variable
demographic characteristic that is nominally or ordinally described
EXAMPLE:
Gender categories consist of “Male”, “Female”, or “Other”.
3.4
detection error trade-off
DET
relationship between false positive and false negative errors of a binary classification system as the discrimination threshold varies
3.5
differential performance
differences in system variables or system processing between different demographic groups
EXAMPLE:
Differences in comparison scores, feature-level fusion, and/or image-level fusion.
3.6
differential outcomes
difference in system results between different demographic groups
EXAMPLE:
Differences in match rate.
3.7
ethnicity
state of belonging to a group with a common origin, set of customs or traditions
Note 1 to entry: Scientifically, race can be defined as a group of humans that share biological features related to genetic ancestry. Practically, race is primarily a social construct, i.e. not related to biology but instead related to self-identity. Ethnicity is frequently used as a proxy for self-reported “race”. In the context of this report, “ethnicity” and “race” are considered interchangeable and can both be taken to mean a social identity that was reported or assigned to a particular subject. These reported values can, but do not always, correlate with underlying genetic features.
3.8
failure-to-acquire
FTA
failure-to-accept for subsequent comparison the output of a biometric capture process, a biometric sample of the biometric characteristic of interest
3.9
failure-to-enrol
FTE
failure-to-create and store a biometric enrolment data record for an eligible biometric capture subject in accordance with a biometric enrolment policy
3.10
false accept rate
FAR
proportion of transactions with false biometric claims erroneously accepted
3.11
false match rate
FMR
proportion of the completed biometric non-mated comparison trials that result in a false match
3.12
false negative differential
tendency for mated biometric samples from subjects in one demographic group not to match relative to another demographic group
3.13
false non-match rate
FNMR
proportion of the completed biometric mated comparison trials that result in a false non-match
3.14
false positive differential
tendency for non-mated biometric samples from one demographic group to falsely match relative to another demographic group or a tendency for this effect to occur across demographic groups
3.15
false reject rate
FRR
proportion of biometric transactions with true biometric claims erroneously rejected
3.16
gender
classification as male, female or another category based on social, cultural, or behavioural factors
Note 1 to entry: Gender is generally determined through self-declaration or self-presentation and can change over time.
Note 2 to entry: Depending on jurisdiction recognition, it is possible that gender will or will not require assessment by a third party.
3.17
phenotypic demographic variable
observable demographic characteristic of an individual resulting from the interaction of that individual’s genotype and the environment
EXAMPLE:
An individual’s skin reflectance.
3.18
sex
state of being male or female as it relates to biological factors such as DNA, anatomy and physiology
Bibliography
| [1] | Drozdowski P., Rathgeb C., Dantcheva A., Damer N., Busch C., Demographic bias in biometrics: A survey on an emerging challenge. IEEE Transactions on Technology and Society. June 2020, 1(2), 89-103. |
| [2] | Doddington D., Liggett W., Martin P., Reynolds D., SHEEP, GOATS, LAMBS and WOLVES A Statistical Analysis of Speaker Performance in the NIST 1998 Speaker Recognition Evaluation. In: Proceedings of the 5th International Conference on Spoken Language Processing, 1998. |
| [3] | ISO/IEC 19795-1, Information technology — Biometric performance testing and reporting — 1: Principles and framework |
| [4] | Galbally J., Haraksim R., Beslay L., Fingerprint Quality: A Lifetime Story. In: 2018 International Conference of the Biometrics Special Interest Group (BIOSIG). Darmstadt, Germany, IEEE, 2018. |
| [5] | Arnold M., Busch C., Ihmor H., Investigating performance and impacts on fingerprint recognition systems. In: Proceedings from the Sixth Annual IEEE SMC Information Assurance Workshop. West Point, New York, USA, IEEE, 2005. |
| [6] | Grother P., Ngan M., Hanaoka K., Face Recognition Vendor Test (FRVT) 3: Demographic Effects. Gaithersburg, MD: NIST, 2019. Available from: https://nvlpubs.nist.gov/nistpubs/ir/2019/NIST.IR.8280.pdf |
| [7] | Gorodnichy D.O., Chumakov M.P., Analysis of the effect of ageing, age, and other factors on iris recognition performance using NEXUS scores dataset. IET Biometrics. January 2019, 8(1), 29-39. |
| [8] | Ortiz E., Bowyer K.W., Exploratory analysis of an operational iris recognition dataset from a CBSA border crossing application. In: IEE Computer Society Workshop on Biometrics. IEEE, 2018. |
| [9] | Beveridge J.R., Givens G.H., Phillips P.J., Draper B.A., Factors that influence algorithm performance in the Face Recognition Grand Challenge. Computer Vision and Image Understanding. 2016, 113(6), 750-762. |
| [10] | Klare B.F., Burge M.J.,, Klontz J.C., Vorder Bruegge R.W., Jain A.K., Face Recognition Performance: Role of Demographic Information. IEEE Transactions on Information Forensics and Security. 2012, 7(6), 1789-1801. |
| [11] | Krishnapriya K.S, Albiero V., Vangara K., King M.C., Bowyer K.W., Issues related to face recognition accuracy varying based on race and skin tone. IEEE Transactions on Technology and Society. March 2020, 1(1), 8-20. |
| [12] | Phillips P.J., Beveridge J.R., Zhang H., Draper B.A., Flynn P.J., Feng Z. et al., Report on the FG 2015 Video Person Recognition Evaluation. In: Proceedings of the Eleventh IEEE Conference on Automatic Face and Gesture Recognition, 2015. |
| [13] | O’Toole A. J., Phillips P.J., An X., Dunlop J., Demographic effects on estimates of automatic face recognition performance. Image and Vision Computing. March 2012, 30(3), 169-176. |
| [14] | Grother P., Ngan M., Hanaoka K., Ongoing Face Recognition Vendor Test (FRVT) 1: Verification. Gaithersburg, MD: NIST, 2017. Available from: < https://www.nist.gov/system/files/documents/2018/02/09/frvt_report_2017-05-15.pdf > |
| [15] | Cook C.M., Howard J.J., Sirotin Y.B., Tipton J.L.,, Vemury A. R., Demographic Effects in Facial Recognition and Their Dependence on Image Acquisition: An Evaluation of Eleven Commercial Systems. IEEE Transactions on Biometrics, Behavior, and Identity Science. 2019, 1(1), 32-41. |
| [16] | Howard J., Sirotin Y., Vemury A., The Effect of Broad and Specific Demographic Homogeneity on the Imposter Distributions and False Match Rates in Face Recognition Algorithm Performance. In: IEEE 10th Intl Conference on Biometric Theory, Applications and Systems. Los Angeles, CA: IEEE, 2019. |
| [17] | Hicklin R.A., Reedy C.L., Implications of the IDENT/IAFIS Image Quality Study for Visa Fingerprint Processing. Mitretek Systems, October 2002. |
| [18] | Frick M.D., Modi S.K., Elliott S.J., Kukula E.P., Impact of Gender on Fingerprint Recognition Systems. In: Proceedings of the Fifth International Conference on Information Technology and Applications. New York, NY: Association for Computing Machinery, 2012. |
| [19] | O’Connor K., Elliott S.J., The Impact of Gender on Image Quality, Henry Classification and Performance on a Fingerprint Recognition System. In: Proceedings of the Seventh International Conference on Information Technology and Applications. New York, NY: Association for Computing Machinery, 2015. |
| [20] | Jain A.K., Arora S.S., Best-Rowden J., Cao K., Sudhish P.S., Bhatnagar A., Biometrics for Child Vaccination and Welfare: Persistence of Fingerprint Recognition for Infants and Toddlers. Michigan State University, 2015. Available from: < https://arxiv.org/ftp/arxiv/papers/1504/1504.04651.pdf > |
| [21] | Drozdowski P., Struck F., Rathgeb C., Busch C., Detection of Glasses in Near-Infrared Ocular Images. In: 2018 International Conference on Biometrics (ICB). Gold Coast, QLD, Australia, IEEE, 2018. |
| [22] | Roig D.O., Drozdowski P., Rathgeb C., Morales Gonzalez A., Garea-Llano E., Busch C., Iris Recognition in Visible Wavelength: Impact and Automated Detection of Glasses. In: 2018 14th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS). Las Palmas de Gran Canaria, Spain, Spain, IEEE, 2018. |
| [23] | Dolgin E., The myopia boom: Short-sightedness is reaching epidemic proportions. Some scientists think they have found a reason why. Nature News Feature. 2015, 519, 276-278. Available from:< http://80.246.8.22/images/articles/519276a.pdf > |
| [24] | Quinn G.W., Grother P., Matey J., IREX IX One: Performance of Iris Recognition Algorithms. Gaithersburg, MD: NIST, 2018. Available from: < https://nvlpubs.nist.gov/nistpubs/ir/2018/NIST.IR.8207.pdf > |