Biometric verification is generally considered a one-to-one matching task. In contrast, in this paper, we argue that the one-to-many competitive matching via sparse representation-based classification (SRC) can bring enhanced verification security and accuracy. SRC-based verification introduces non-target subjects to construct dynamic dictionary together with the client claimed and encodes the submitted feature. Owing to the sparsity constraint, a client can only be accepted when it defeats almost all non-target classes and wins a convincing sparsity-based matching score. This will make the verification more secure than those using one-to-one matching. However, intense competition may also lead to extremely inferior genuine scores when data degeneration occurs. Motivated by the latent benefits and concerns, we study SRC-based verification using two sparsity-based matching measures, three biometric modalities (i.e., face, palmprint, and ear) and their multimodal combinations based on both handcrafted and deep learning features. We finally approach a comprehensive study of SRC-based verification, including its methodology, characteristics, merits, challenges and the directions to resolve. Extensive experimental results demonstrate the superiority of SRC-based verification, especially when using multimodal fusion and advanced deep learning features. The concerns about its efficiency in large-scale user applications can be readily solved using a simple dictionary shrinkage strategy based on cluster analysis and random selection of non-target subjects.

生物特征验证通常被认为是一对一的匹配任务。相比之下，在本文中，我们认为通过基于稀疏表示的分类（SRC）进行的一对多竞争匹配可以提高验证的安全性和准确性。基于 SRC 的验证引入非目标主题与客户声称一起构建动态字典，并对提交的特征进行编码。由于稀疏性约束，客户端只有在它击败几乎所有非目标类并赢得令人信服的基于稀疏性的匹配分数时才能被接受。这将使验证比使用一对一匹配的验证更安全。但是，当数据退化时，激烈的竞争也可能导致真实分数极低。受到潜在利益和担忧的激励，我们使用两种基于稀疏性的匹配措施、三种生物特征模态（即面部、掌纹和耳朵）及其基于手工和深度学习特征的多模态组合来研究基于 SRC 的验证。我们最终对基于 SRC 的验证进行了全面研究，包括其方法、特征、优点、挑战和解决方向。大量的实验结果证明了基于 SRC 的验证的优越性，尤其是在使用多模态融合和高级深度学习特征时。使用基于聚类分析和随机选择非目标主题的简单字典收缩策略可以轻松解决对其在大规模用户应用程序中的效率的担忧。和ear）及其基于手工和深度学习特征的多模式组合。我们最终对基于 SRC 的验证进行了全面研究，包括其方法、特征、优点、挑战和解决方向。大量的实验结果证明了基于 SRC 的验证的优越性，尤其是在使用多模态融合和高级深度学习特征时。使用基于聚类分析和随机选择非目标主题的简单字典收缩策略可以轻松解决对其在大规模用户应用程序中的效率的担忧。和ear）及其基于手工和深度学习特征的多模式组合。我们最终对基于 SRC 的验证进行了全面研究，包括其方法、特征、优点、挑战和解决方向。大量的实验结果证明了基于 SRC 的验证的优越性，尤其是在使用多模态融合和高级深度学习特征时。使用基于聚类分析和随机选择非目标主题的简单字典收缩策略可以轻松解决对其在大规模用户应用程序中的效率的担忧。挑战和解决方向。大量的实验结果证明了基于 SRC 的验证的优越性，尤其是在使用多模态融合和高级深度学习特征时。使用基于聚类分析和随机选择非目标主题的简单字典收缩策略可以轻松解决对其在大规模用户应用程序中的效率的担忧。挑战和解决方向。大量的实验结果证明了基于 SRC 的验证的优越性，尤其是在使用多模态融合和高级深度学习特征时。使用基于聚类分析和随机选择非目标主题的简单字典收缩策略可以轻松解决对其在大规模用户应用程序中的效率的担忧。