ไบโอเมตริกส์คือการวัดและการคำนวณร่างกายที่เกี่ยวข้องกับลักษณะและคุณสมบัติของมนุษย์ การตรวจสอบความถูกต้องด้วยไบโอเมตริกส์(หรือการตรวจสอบความถูกต้องที่สมจริง) ใช้ในวิทยาการคอมพิวเตอร์ในรูปแบบของการระบุตัวตนและการควบคุมการเข้าถึง นอกจากนี้ยังใช้เพื่อระบุตัวบุคคลในกลุ่มที่อยู่ภายใต้การเฝ้าระวัง^{[ 1 ]}

ตัวระบุไบโอเมตริกส์คือลักษณะเฉพาะที่วัดได้ซึ่งใช้ในการติดฉลากและอธิบายบุคคล ตัวระบุไบโอเมตริกส์มักถูกจัดประเภทเป็นลักษณะทางสรีรวิทยาซึ่งเกี่ยวข้องกับรูปร่างของร่างกาย ตัวอย่างเช่นลายนิ้ว มือ ^{[ 2 ]}เส้นเลือดในฝ่ามือการจดจำใบหน้าดีเอ็นเอลายพิมพ์ฝ่ามือรูปทรงมือการจดจำม่านตา เรตินากลิ่นเสียง และรูปทรงของหู ลักษณะทางพฤติกรรมเกี่ยวข้องกับรูปแบบพฤติกรรมของบุคคล รวมถึงแต่ไม่จำกัดเพียง การเคลื่อนไหว ของเมาส์ [ ^{3 ]}จังหวะการพิมพ์การเดิน ลายเซ็นเสียง และการ ^{สร้าง}โปรไฟล์พฤติกรรม นักวิจัยบางคนได้บัญญัติศัพท์ว่า " พฤติกรรมเมตริก ส์" (ไบโอเมตริกส์เชิงพฤติกรรม) เพื่ออธิบายไบโอเมตริกส์ประเภทหลัง^{[ 4 ] [ 5 ]}

วิธีการควบคุมการเข้าถึงแบบดั้งเดิม ได้แก่ระบบระบุตัวตนแบบใช้โทเค็นเช่น ใบขับขี่หรือหนังสือเดินทางและระบบระบุตัวตนแบบใช้ความรู้ เช่น รหัสผ่านหรือหมายเลขประจำตัวประชาชน เนื่องจากตัวระบุทางชีวภาพมีความเฉพาะตัวสำหรับแต่ละบุคคล จึงมีความน่าเชื่อถือมากกว่าในการตรวจสอบตัวตนเมื่อเทียบกับวิธีการใช้โทเค็นและความรู้ อย่างไรก็ตาม การรวบรวมตัวระบุทางชีวภาพก่อให้เกิดข้อกังวลด้านความเป็นส่วนตัว

ด้านต่างๆ ของสรีรวิทยา เคมี หรือพฤติกรรมของมนุษย์สามารถนำมาใช้ในการตรวจสอบความถูกต้องทางชีวเมตริกได้ การเลือกไบโอเมตริกเฉพาะสำหรับการใช้งานเฉพาะเจาะจงนั้นเกี่ยวข้องกับการถ่วงน้ำหนักปัจจัยหลายประการ Jain et al. (1999) ^{[ 6 ]}ได้ระบุปัจจัยดังกล่าวเจ็ดประการที่จะใช้ในการประเมินความเหมาะสมของลักษณะใดๆ สำหรับการใช้งานในการตรวจสอบความถูกต้องทางชีวเมตริก การตรวจสอบความถูกต้องทางชีวเมตริกนั้นขึ้นอยู่กับการจดจำทางชีวเมตริก ซึ่งเป็นวิธีการขั้นสูงในการจดจำลักษณะทางชีวภาพและพฤติกรรมของแต่ละบุคคล

• ความเป็นสากลหมายความว่า ทุกคนที่ใช้ระบบควรมีคุณสมบัตินั้น
• ความเป็นเอกลักษณ์หมายความว่าลักษณะนั้นควรแตกต่างจากแต่ละบุคคลในประชากรที่เกี่ยวข้องอย่างเพียงพอ เพื่อให้สามารถแยกแยะบุคคลเหล่านั้นออกจากกันได้
• ความคงทนเกี่ยวข้องกับลักษณะที่เปลี่ยนแปลงไปตามเวลา โดยเฉพาะอย่างยิ่ง ลักษณะที่มี ความคงทน สูงจะค่อนข้างคงที่เมื่อเวลาผ่านไปเมื่อเทียบกับอัลกอริธึม การจับคู่เฉพาะนั้น ๆ
• ความสามารถในการวัด (ความสามารถในการเก็บรวบรวม) เกี่ยวข้องกับความง่ายในการได้มาหรือการวัดคุณลักษณะ นอกจากนี้ ข้อมูลที่ได้มาควรอยู่ในรูปแบบที่เอื้อต่อการประมวลผลและการสกัดชุดคุณลักษณะที่เกี่ยวข้องในภายหลัง
• ประสิทธิภาพเกี่ยวข้องกับความถูกต้อง ความเร็ว และความทนทานของเทคโนโลยีที่ใช้ (ดู รายละเอียดเพิ่มเติมในส่วน ประสิทธิภาพ )
• การยอมรับนั้นเกี่ยวข้องกับว่าบุคคลในกลุ่มประชากรเป้าหมายยอมรับเทคโนโลยีได้ดีเพียงใด โดยพวกเขายินดีที่จะให้มีการบันทึกและประเมินคุณลักษณะทางชีวภาพของตนเอง
• การหลีกเลี่ยง หมายถึง ความง่ายในการเลียนแบบลักษณะเฉพาะโดยใช้สิ่งประดิษฐ์หรือสิ่งทดแทน

การใช้ไบโอเมตริกอย่างเหมาะสมนั้นขึ้นอยู่กับการใช้งานเป็นอย่างมาก ไบโอเมตริกบางอย่างจะดีกว่าไบโอเมตริกอื่นๆ ขึ้นอยู่กับระดับความสะดวกและความปลอดภัยที่ต้องการ^{[ 7 ]}ไม่มีไบโอเมตริกใดที่จะตอบสนองความต้องการทั้งหมดของการใช้งานที่เป็นไปได้ทุกประเภท^{[ 6 ]}

แผนภาพบล็อกแสดงโหมดพื้นฐานสองโหมดของระบบไบโอเมตริก^{[ 8 ]}ประการแรก ใน โหมด การตรวจสอบ (หรือการรับรองความถูกต้อง) ระบบจะทำการเปรียบเทียบแบบหนึ่งต่อหนึ่งของไบโอเมตริกที่บันทึกไว้กับแม่แบบเฉพาะที่จัดเก็บไว้ในฐานข้อมูลไบโอเมตริก เพื่อตรวจสอบว่าบุคคลนั้นเป็นบุคคลที่พวกเขาอ้างว่าเป็นหรือไม่ ขั้นตอนในการตรวจสอบบุคคลมีสามขั้นตอน^{[ 9 ]}ในขั้นตอนแรก จะมีการสร้างแบบจำลองอ้างอิงสำหรับผู้ใช้ทั้งหมดและจัดเก็บไว้ในฐานข้อมูลแบบจำลอง^{[ 10 ]}ในขั้นตอนที่สอง จะมีการจับคู่ตัวอย่างบางส่วนกับแบบจำลองอ้างอิงเพื่อสร้างคะแนนของแท้และผู้แอบอ้าง และคำนวณเกณฑ์ ขั้นตอนที่สามคือขั้นตอนการทดสอบ กระบวนการนี้อาจใช้สมาร์ทการ์ดชื่อผู้ใช้ หรือหมายเลขประจำตัว (เช่นPIN ) เพื่อระบุว่าควรใช้แม่แบบใดในการเปรียบเทียบ^{[หมายเหตุ 1 ]}การรับรู้เชิงบวกเป็นการใช้งานทั่วไปของโหมดการตรวจสอบ "โดยมีเป้าหมายเพื่อป้องกันไม่ให้หลายคนใช้ตัวตนเดียวกัน" ^{[ 8 ]}

ประการที่สอง ในโหมดการระบุตัวตน ระบบจะทำการเปรียบเทียบแบบหนึ่งต่อหลายกับฐานข้อมูลไบโอเมตริกเพื่อพยายามสร้างตัวตนของบุคคลที่ไม่รู้จัก ระบบจะระบุตัวตนบุคคลได้สำเร็จหากการเปรียบเทียบตัวอย่างไบโอเมตริกกับแม่แบบในฐานข้อมูลอยู่ในเกณฑ์ที่กำหนดไว้ก่อนหน้านี้ โหมดการระบุตัวตนสามารถใช้ได้ทั้งสำหรับการรับรู้เชิงบวก (เพื่อให้ผู้ใช้ไม่ต้องให้ข้อมูลใดๆ เกี่ยวกับแม่แบบที่จะใช้) หรือสำหรับการรับรู้เชิงลบของบุคคล "ซึ่งระบบจะตรวจสอบว่าบุคคลนั้นเป็นคนที่เธอปฏิเสธ (โดยปริยายหรือโดยชัดแจ้ง) หรือไม่" ^{[ 8 ]}ฟังก์ชันหลังนี้สามารถทำได้ผ่านไบโอเมตริกเท่านั้น เนื่องจากวิธีการระบุตัวตนส่วนบุคคลอื่นๆ เช่นรหัสผ่าน PIN หรือกุญแจนั้นไม่มีประสิทธิภาพ

ครั้งแรกที่บุคคลใช้ระบบไบโอเมตริกเรียกว่าการลงทะเบียนในระหว่างการลงทะเบียน ข้อมูลไบโอเมตริกของบุคคลจะถูกบันทึกและจัดเก็บ ในการใช้งานครั้งต่อๆ ไป ข้อมูลไบโอเมตริกจะถูกตรวจจับและเปรียบเทียบกับข้อมูลที่จัดเก็บไว้ในขณะลงทะเบียน โปรดทราบว่าการจัดเก็บและการเรียกใช้ข้อมูลในระบบดังกล่าวต้องมีความปลอดภัย หากต้องการให้ระบบไบโอเมตริกมีความแข็งแกร่ง ส่วนประกอบแรก (เซ็นเซอร์) คือส่วนเชื่อมต่อระหว่างโลกแห่งความเป็นจริงกับระบบ เซ็นเซอร์ต้องรวบรวมข้อมูลที่จำเป็นทั้งหมด ส่วนใหญ่จะเป็นระบบรับภาพ แต่สามารถเปลี่ยนแปลงได้ตามคุณลักษณะที่ต้องการ ส่วนประกอบที่สองทำการประมวลผลล่วงหน้าทั้งหมดที่จำเป็น เช่น การกำจัดสิ่งแปลกปลอมจากเซ็นเซอร์ การปรับปรุงคุณภาพของข้อมูล (เช่น การกำจัดสัญญาณรบกวนพื้นหลัง) การใช้การปรับค่ามาตรฐานฯลฯ ในส่วนประกอบที่สาม จะทำการสกัดคุณลักษณะที่จำเป็น ขั้นตอนนี้มีความสำคัญมาก เนื่องจากต้องสกัดคุณลักษณะที่ถูกต้องอย่างเหมาะสม เวกเตอร์ของตัวเลขหรือภาพที่มีคุณสมบัติเฉพาะจะถูกใช้เพื่อสร้างเทมเพลตเทมเพลตคือการสังเคราะห์คุณลักษณะที่เกี่ยวข้องซึ่งสกัดมาจากแหล่งข้อมูล องค์ประกอบของการวัดไบโอเมตริกที่ไม่ใช้ในอัลกอริทึมการเปรียบเทียบจะถูกทิ้งในเทมเพลตเพื่อลดขนาดไฟล์และเพื่อปกป้องตัวตนของผู้ลงทะเบียน^{[ 11 ]}อย่างไรก็ตาม ขึ้นอยู่กับขอบเขตของระบบไบโอเมตริก แหล่งที่มาของภาพไบโอเมตริกดั้งเดิมอาจถูกเก็บรักษาไว้ เช่น บัตร PIV ที่ใช้ในมาตรฐานการประมวลผลข้อมูลของรัฐบาลกลางสำหรับการตรวจสอบตัวตนส่วนบุคคล (PIV) ของพนักงานและผู้รับเหมาของรัฐบาลกลาง (FIPS 201) ^{[ 12 ]}

ในระหว่างขั้นตอนการลงทะเบียน เทมเพลตจะถูกจัดเก็บไว้ที่ใดที่หนึ่ง (บนการ์ดหรือภายในฐานข้อมูล หรือทั้งสองอย่าง) ในระหว่างขั้นตอนการจับคู่ เทมเพลตที่ได้รับจะถูกส่งไปยังตัวจับคู่ซึ่งจะเปรียบเทียบกับเทมเพลตที่มีอยู่อื่นๆ โดยประมาณระยะห่างระหว่างเทมเพลตเหล่านั้นโดยใช้อัลกอริทึมใดๆ (เช่นระยะทางแฮมมิง ) โปรแกรมจับคู่จะวิเคราะห์เทมเพลตด้วยข้อมูลป้อนเข้า จากนั้นจะส่งออกข้อมูลเพื่อการใช้งานหรือวัตถุประสงค์ที่กำหนด (เช่น การเข้าพื้นที่จำกัด) แม้ว่าจะมีความกังวลว่าการใช้ข้อมูลไบโอเมตริกอาจเผชิญกับการขยายขอบเขตภารกิจ^{[ 13 ] [ 14 ]} การเลือกไบโอเมตริกในการใช้งานจริงใดๆ ขึ้นอยู่กับการวัดลักษณะเฉพาะและความต้องการของผู้ใช้^{[ 9 ]}ในการเลือกไบโอเมตริกเฉพาะ ปัจจัยที่ต้องพิจารณา ได้แก่ ประสิทธิภาพ การยอมรับทางสังคม ความง่ายในการหลีกเลี่ยงและ/หรือการปลอมแปลง ความทนทาน การครอบคลุมประชากร ขนาดของอุปกรณ์ที่จำเป็น และ การป้องกัน การโจรกรรมข้อมูล ส่วนบุคคล การเลือกไบโอเมตริกขึ้นอยู่กับความต้องการของผู้ใช้และพิจารณาความพร้อมใช้งานของเซ็นเซอร์และอุปกรณ์ เวลาในการคำนวณและความน่าเชื่อถือ ต้นทุน ขนาดของเซ็นเซอร์ และการใช้พลังงาน

ระบบไบโอเมตริกแบบมัลติโมดอลใช้เซ็นเซอร์หรือไบโอเมตริกหลายตัวเพื่อเอาชนะข้อจำกัดของระบบไบโอเมตริกแบบยูนิโมดอล^{[ 15 ]}ตัวอย่างเช่น ระบบการจดจำม่านตาอาจมีปัญหาเนื่องจากม่านตาเสื่อมสภาพตามวัย^{[ 16 ]}และการจดจำลายนิ้วมือแบบอิเล็กทรอนิกส์อาจแย่ลงเนื่องจากลายนิ้วมือสึกหรอหรือถูกตัด ในขณะที่ระบบไบโอเมตริกแบบยูนิโมดอลมีข้อจำกัดในเรื่องความสมบูรณ์ของตัวระบุ แต่ก็ไม่น่าเป็นไปได้ที่ระบบยูนิโมดอลหลายระบบจะประสบปัญหาข้อจำกัดที่เหมือนกัน ระบบไบโอเมตริกแบบมัลติโมดอลสามารถรับชุดข้อมูลจากเครื่องหมายเดียวกัน (เช่น ภาพม่านตาหลายภาพ หรือการสแกนนิ้วเดียวกัน) หรือข้อมูลจากไบโอเมตริกที่แตกต่างกัน (ต้องใช้การสแกนลายนิ้วมือ และการใช้การจดจำเสียงรหัสผ่านที่พูด) ^{[ 17 ] [ 18 ]}

ระบบไบโอเมตริกแบบมัลติโมดอลสามารถผสานระบบแบบโมโนโมดอลเหล่านี้ได้แบบเรียงลำดับ พร้อมกัน ผสมผสานกัน หรือแบบอนุกรม ซึ่งหมายถึงโหมดการผสานรวมแบบลำดับ แบบขนาน แบบลำดับชั้น และแบบอนุกรม ตามลำดับ การผสานรวมข้อมูลไบโอเมตริกสามารถเกิดขึ้นได้ในขั้นตอนต่างๆ ของระบบการจดจำ ในกรณีของการผสานรวมระดับคุณลักษณะ ข้อมูลเองหรือคุณลักษณะที่สกัดจากไบโอเมตริกหลายรายการจะถูกผสานรวม การผสานรวมระดับคะแนนการจับคู่จะรวมคะแนนที่สร้างขึ้นโดยตัวจำแนก หลายตัว ที่เกี่ยวข้องกับโมดอลที่แตกต่างกัน สุดท้าย ในกรณีของการผสานรวมระดับการตัดสินใจ ผลลัพธ์สุดท้ายของตัวจำแนกหลายตัวจะถูกรวมเข้าด้วยกันผ่านเทคนิคต่างๆ เช่นการลงคะแนนเสียงข้างมากเชื่อกันว่าการผสานรวมระดับคุณลักษณะมีประสิทธิภาพมากกว่าระดับการผสานรวมอื่นๆ เนื่องจากชุดคุณลักษณะมีข้อมูลที่สมบูรณ์ยิ่งขึ้นเกี่ยวกับข้อมูลไบโอเมตริกขาเข้ามากกว่าคะแนนการจับคู่หรือการตัดสินใจเอาต์พุตของตัวจำแนก ดังนั้น การผสานรวมในระดับคุณลักษณะจึงคาดว่าจะให้ผลลัพธ์การจดจำที่ดีกว่า^{[ 15 ]}

การโจมตีแบบปลอมแปลงประกอบด้วยการส่งคุณลักษณะไบโอเมตริกปลอมไปยังระบบไบโอเมตริก และถือเป็นภัยคุกคามสำคัญที่สามารถลดทอนความปลอดภัยของระบบได้ โดยทั่วไปเชื่อกันว่าระบบไบโอเมตริกแบบหลายโมดอลมีความทนทานต่อการโจมตีแบบปลอมแปลงมากกว่า แต่การศึกษาล่าสุด^{[ 19 ]}แสดงให้เห็นว่าระบบเหล่านี้สามารถหลบเลี่ยงได้โดยการปลอมแปลงคุณลักษณะไบโอเมตริกเพียงอย่างเดียว

ระบบหนึ่งที่เสนอคือระบบการเข้ารหัสไบโอเมตริกแบบหลายโมดอลที่เกี่ยวข้องกับใบหน้า ลายนิ้วมือ และเส้นเลือดฝ่ามือ โดย Prasanalakshmi ^{[ 20 ]}การบูร ณา การระบบการเข้ารหัสนี้รวมไบโอเมตริกเข้ากับการเข้ารหัสโดยเส้นเลือดฝ่ามือทำหน้าที่เป็นกุญแจเข้ารหัส ซึ่งให้ความปลอดภัยในระดับสูง เนื่องจากเส้นเลือดฝ่ามือมีเอกลักษณ์เฉพาะตัวและยากต่อการปลอมแปลงลายนิ้วมือเกี่ยวข้องกับการสกัดจุดละเอียด (จุดสิ้นสุดและจุดแยก) และเทคนิคการจับคู่ ขั้นตอนต่างๆ ได้แก่ การปรับปรุงภาพ การแปลงเป็นภาพขาวดำ การสกัด ROIและการลดขนาดจุดละเอียด ระบบใบหน้าใช้เมทริกซ์กระจายตามคลาสเพื่อคำนวณคุณลักษณะสำหรับการจดจำ และเส้นเลือดฝ่ามือทำหน้าที่เป็นกุญแจเข้ารหัสที่ไม่สามารถถอดรหัสได้ทำให้มั่นใจได้ว่ามีเพียงผู้ใช้ที่ถูกต้องเท่านั้นที่สามารถเข้าถึงระบบได้ แนวคิดไบโอเมตริกที่สามารถยกเลิกได้ช่วยให้สามารถเปลี่ยนแปลงลักษณะไบโอเมตริกเล็กน้อยเพื่อให้มั่นใจในความเป็นส่วนตัวและหลีกเลี่ยงการโจรกรรม หากถูกบุกรุก สามารถออกข้อมูลไบโอเมตริกรูปแบบใหม่ได้ แม่แบบลายนิ้วมือสำหรับการเข้ารหัสจะถูกเข้ารหัสโดยใช้กุญแจเส้นเลือดฝ่ามือผ่านการดำเนินการXORลายนิ้วมือที่เข้ารหัสนี้ถูกซ่อนอยู่ภายในภาพใบหน้าโดยใช้เทคนิคการซ่อนข้อมูล (steganographic techniques) การลงทะเบียนและการตรวจสอบข้อมูลไบโอเมตริก (ลายนิ้วมือ เส้นเลือดฝ่ามือ ใบหน้า) จะถูกบันทึก เข้ารหัส และฝังลงในภาพใบหน้า ระบบจะดึงข้อมูลไบโอเมตริกออกมาและเปรียบเทียบกับค่าที่จัดเก็บไว้เพื่อตรวจสอบ ระบบได้รับการทดสอบกับฐานข้อมูลลายนิ้วมือ โดยได้ผลลัพธ์ความแม่นยำในการตรวจสอบ 75% ที่อัตราความผิดพลาด 25% และใช้เวลาประมวลผลประมาณ 50 วินาทีสำหรับการลงทะเบียน และ 22 วินาทีสำหรับการตรวจสอบ ความปลอดภัยสูงเนื่องจากการเข้ารหัสเส้นเลือดฝ่ามือ มีประสิทธิภาพในการป้องกันการปลอมแปลงไบโอเมตริก และวิธีการแบบหลายโหมดช่วยให้มั่นใจได้ถึงความน่าเชื่อถือหากไบโอเมตริกใดไบโอเมตริกหนึ่งล้มเหลว มีศักยภาพในการบูรณาการกับสมาร์ทการ์ดหรือระบบบนการ์ด เพื่อเพิ่มความปลอดภัยในระบบระบุตัวตนส่วนบุคคล

ความสามารถในการจำแนกของเทคโนโลยีไบโอเมตริกทั้งหมดขึ้นอยู่กับปริมาณเอนโทรปีที่สามารถเข้ารหัสและใช้ในการจับคู่ได้^{[ 21 ]} ต่อไปนี้ใช้เป็นตัวชี้วัดประสิทธิภาพสำหรับระบบไบโอเมตริก: ^{[ 22 ]}

• อัตราการจับคู่ผิดพลาด (FMR หรือเรียกอีกอย่างว่า FAR = อัตราการยอมรับผิดพลาด): ความน่าจะเป็นที่ระบบจับคู่รูปแบบอินพุตกับแม่แบบที่ไม่ตรงกันในฐานข้อมูลอย่างไม่ถูกต้อง โดยวัดเปอร์เซ็นต์ของอินพุตที่ไม่ถูกต้องซึ่งถูกยอมรับอย่างไม่ถูกต้อง ในกรณีของมาตราส่วนความคล้ายคลึงกัน หากบุคคลนั้นเป็นผู้ปลอมแปลงในความเป็นจริง แต่คะแนนการจับคู่สูงกว่าเกณฑ์ ระบบจะถือว่าเขาเป็นของจริง ซึ่งจะทำให้ FMR เพิ่มขึ้น ซึ่งขึ้นอยู่กับค่าเกณฑ์ด้วย^{[ 9 ]}
• อัตราการจับคู่ผิดพลาด (FNMR หรือเรียกอีกอย่างว่า FRR = False Reject Rate): ความน่าจะเป็นที่ระบบไม่สามารถตรวจจับการจับคู่ระหว่างรูปแบบอินพุตกับแม่แบบที่ตรงกันในฐานข้อมูลได้ โดยจะวัดเปอร์เซ็นต์ของอินพุตที่ถูกต้องซึ่งถูกปฏิเสธอย่างไม่ถูกต้อง
• ลักษณะการทำงานของตัวรับหรือลักษณะการทำงานเชิงสัมพัทธ์ (ROC): กราฟ ROC เป็นการแสดงภาพเชิงตรรกะของการแลกเปลี่ยนระหว่าง FMR และ FNMR โดยทั่วไปแล้ว อัลกอริทึมการจับคู่จะตัดสินใจโดยอิงจากเกณฑ์ที่กำหนดว่าอินพุตต้องใกล้เคียงกับแม่แบบมากแค่ไหนจึงจะถือว่าเป็นการจับคู่ หากลดเกณฑ์ลง จะมีการจับคู่ที่ไม่ตรงกันน้อยลง แต่จะมีการยอมรับที่ผิดพลาดมากขึ้น ในทางกลับกัน เกณฑ์ที่สูงขึ้นจะลด FMR แต่จะเพิ่ม FNMR รูปแบบที่นิยมใช้คือการแลกเปลี่ยนข้อผิดพลาดในการตรวจจับ (DET)ซึ่งได้มาจากการใช้มาตราส่วนการเบี่ยงเบนปกติบนแกนทั้งสอง กราฟเชิงเส้นนี้แสดงให้เห็นถึงความแตกต่างสำหรับประสิทธิภาพที่สูงขึ้น (ข้อผิดพลาดที่น้อยลง)
• อัตราความผิดพลาดเท่ากันหรืออัตราความผิดพลาดแบบครอสโอเวอร์ (EER หรือ CER): อัตราที่ความผิดพลาดในการยอมรับและความผิดพลาดในการปฏิเสธมีค่าเท่ากัน ค่า EER สามารถหาได้ง่ายจากเส้นโค้ง ROC EER เป็นวิธีที่รวดเร็วในการเปรียบเทียบความแม่นยำของอุปกรณ์ที่มีเส้นโค้ง ROC ต่างกัน โดยทั่วไปแล้ว อุปกรณ์ที่มีค่า EER ต่ำที่สุดจะมีความแม่นยำที่สุด
• อัตราการลงทะเบียนไม่สำเร็จ (FTE หรือ FER): อัตราที่ความพยายามสร้างเทมเพลตจากข้อมูลที่ป้อนเข้าไปไม่สำเร็จ สาเหตุที่พบบ่อยที่สุดคือข้อมูลที่ป้อนเข้าไปมีคุณภาพต่ำ
• อัตราการตรวจจับล้มเหลว (FTC): ในระบบอัตโนมัติ ความน่าจะเป็นที่ระบบจะไม่สามารถตรวจจับข้อมูลไบโอเมตริกได้เมื่อป้อนข้อมูลอย่างถูกต้อง
• ความจุของเทมเพลต : จำนวนชุดข้อมูลสูงสุดที่สามารถจัดเก็บในระบบได้

การจัดทำแคตตาล็อกลายนิ้วมือในยุคแรกเริ่มย้อนกลับไปในปี 1885 เมื่อJuan Vucetichเริ่มรวบรวมลายนิ้วมือของอาชญากรในอาร์เจนตินา^{[ 23 ]} Josh Ellenbogen และ Nitzan Lebovic โต้แย้งว่าไบโอเมตริกส์มีต้นกำเนิดมาจากระบบการระบุตัวตนของกิจกรรมทางอาชญากรรมที่พัฒนาโดยAlphonse Bertillon (1853–1914) และทฤษฎีลายนิ้วมือและสรีรวิทยาของFrancis Galton ^{[ 24 ]}นักประวัติศาสตร์Keith Breckenridgeตั้งข้อสังเกตว่าการเดินทางของ Galton ในแอฟริกาใต้ได้ตอกย้ำอคติทางเชื้อชาติในยุคแรกของเขาและเป็นแรงบันดาลใจให้เขามุ่งมั่นในการจำแนกความแตกต่างของมนุษย์อย่างเป็นวิทยาศาสตร์ในภายหลัง^{[ 25 ]}ตามที่ Lebovic กล่าว งานของ Galton "นำไปสู่การประยุกต์ใช้แบบจำลองทางคณิตศาสตร์กับลายนิ้วมือ โหราศาสตร์ และลักษณะใบหน้า" ซึ่งเป็นส่วนหนึ่งของ "การระบุตัวตนที่แน่นอน" และ "กุญแจสำคัญทั้งในการรวมและการยกเว้น" ประชากร^{[ 26 ]}ด้วยเหตุนี้ “ระบบไบโอเมตริกจึงเป็นอาวุธทางการเมืองที่สำคัญที่สุดในยุคของเรา” และเป็นรูปแบบหนึ่งของ “การควบคุมแบบอ่อน” ^{[ 27 ]}นักทฤษฎีDavid Lyonแสดงให้เห็นว่าในช่วงสองทศวรรษที่ผ่านมา ระบบไบโอเมตริกได้แทรกซึมเข้าสู่ตลาดพลเรือน และทำให้เส้นแบ่งระหว่างรูปแบบการควบคุมของรัฐบาลและการควบคุมของบริษัทเอกชนนั้นเลือนลางลง^{[ 28 ]} Kelly A. Gates ระบุว่าเหตุการณ์ 9/11เป็นจุดเปลี่ยนสำหรับภาษาทางวัฒนธรรมในปัจจุบันของเรา: “ในภาษาของการศึกษาทางวัฒนธรรม ผลที่ตามมาของเหตุการณ์ 9/11 เป็นช่วงเวลาแห่งการแสดงออก ที่ซึ่งวัตถุหรือเหตุการณ์ที่ไม่มีความเชื่อมโยงกันโดยจำเป็นมารวมกัน และมีการสร้างวาทกรรมรูปแบบใหม่ขึ้น: การจดจำใบหน้าอัตโนมัติในฐานะเทคโนโลยีความมั่นคงภายในประเทศ ” ^{[ 29 ]}

ระบบไบโอเมตริกแบบปรับตัวได้มีเป้าหมายเพื่ออัปเดตเทมเพลตหรือโมเดลโดยอัตโนมัติให้เข้ากับการเปลี่ยนแปลงภายในคลาสของข้อมูลการดำเนินงาน^{[ 30 ]}ข้อดีสองประการของระบบเหล่านี้คือการแก้ปัญหาข้อมูลการฝึกอบรมที่จำกัดและการติดตามการเปลี่ยนแปลงตามเวลาของข้อมูลอินพุตผ่านการปรับตัว เมื่อเร็วๆ นี้ ไบโอเมตริกแบบปรับตัวได้ได้รับความสนใจอย่างมากจากชุมชนวิจัย คาดว่าทิศทางการวิจัยนี้จะได้รับแรงผลักดันมากขึ้นเนื่องจากข้อดีที่สำคัญ ประการแรก ด้วยระบบไบโอเมตริกแบบปรับตัวได้ ไม่จำเป็นต้องรวบรวมตัวอย่างไบโอเมตริกจำนวนมากในระหว่างกระบวนการลงทะเบียนอีกต่อไป ประการที่สอง ไม่จำเป็นต้องลงทะเบียนใหม่หรือฝึกอบรมระบบใหม่ตั้งแต่ต้นเพื่อรับมือกับสภาพแวดล้อมที่เปลี่ยนแปลงไป ความสะดวกสบายนี้สามารถลดต้นทุนในการบำรุงรักษาระบบไบโอเมตริกได้อย่างมาก แม้จะมีข้อดีเหล่านี้ แต่ก็ยังมีปัญหาที่ยังไม่ได้รับการแก้ไขหลายประการที่เกี่ยวข้องกับระบบเหล่านี้ เช่น ข้อผิดพลาดในการจำแนกประเภท (การยอมรับที่ผิดพลาด) โดยระบบไบโอเมตริก ทำให้เกิดการปรับตัวโดยใช้ตัวอย่างปลอม อย่างไรก็ตาม ความพยายามในการวิจัยอย่างต่อเนื่องมุ่งเน้นไปที่การแก้ไขปัญหาที่ยังไม่ได้รับการแก้ไขที่เกี่ยวข้องกับสาขาไบโอเมตริกแบบปรับตัวได้ ข้อมูลเพิ่มเติมเกี่ยวกับระบบไบโอเมตริกแบบปรับตัวได้ สามารถดูได้จากบทวิจารณ์เชิงวิเคราะห์โดย Rattani และคณะ

ในปัจจุบัน เทคโนโลยีไบโอเมตริกส์ที่ใช้สัญญาณ จากสมอง ( คลื่นไฟฟ้าสมอง ) และหัวใจ ( คลื่นไฟฟ้าหัวใจ ) ได้เกิดขึ้น ^{[ 31 ] [ 32 ] [ 33 ]} ตัวอย่างเช่นการจดจำเส้นเลือดในนิ้วมือโดยใช้เทคนิคการจดจำรูปแบบ โดยอิงจากภาพของรูปแบบหลอดเลือดของมนุษย์ ข้อดีของเทคโนโลยีใหม่นี้คือ มีความทนทานต่อการฉ้อโกงมากกว่าไบโอเมตริกส์แบบดั้งเดิม เช่น ลายนิ้วมือ อย่างไรก็ตาม เทคโนโลยีดังกล่าวโดยทั่วไปมีความยุ่งยากกว่า และยังมีปัญหา เช่น ความแม่นยำต่ำ และความสามารถในการทำซ้ำได้ไม่ดีเมื่อเวลาผ่านไป

ในด้านความสะดวกในการพกพาของผลิตภัณฑ์ไบโอเมตริกซ์ ผู้ผลิตจำนวนมากขึ้นเรื่อยๆ หันมาใช้ระบบตรวจสอบความถูกต้องทางไบโอเมตริกซ์ (BAS) ที่มีขนาดเล็กลงอย่างมาก ซึ่งส่งผลให้ประหยัดต้นทุนได้อย่างมาก โดยเฉพาะอย่างยิ่งสำหรับการใช้งานในวงกว้าง

ประเทศที่ใช้ไบโอเมตริกได้แก่ออสเตรเลียบราซิลบัลแกเรียแคนาดาไซปรัสกรีซจีนแกมเบียเยอรมนีอินเดียอิรักไอร์แลนด์อิสราเอลอิตาลีมาเลเซียเนเธอร์แลนด์นิวซีแลนด์ไนจีเรียนอร์เวย์ปากีสถานโปแลนด์แอฟริกาใต้ซาอุดีอาระเบียแทนซาเนียตุรกี [ 84 ]ยูเครนสหรัฐอาหรับเอมิเรตส์^{สหราช}อาณาจักรสหรัฐอเมริกาและเวเนซุเอลา​​​​^​​​​​​​​​​​

ในกลุ่มประเทศที่มีรายได้ต่ำถึงปานกลาง มีประชาชนประมาณ 1.2  พันล้านคนได้รับบัตรประจำตัวผ่านโปรแกรมการระบุตัวตนด้วยไบโอเมตริกแล้ว^{[ 85 ]}

นอกจากนี้ ยังมีหลายประเทศที่นำระบบไบโอเมตริกมาใช้ในการลงทะเบียนผู้มีสิทธิเลือกตั้งและวัตถุประสงค์ทางการเลือกตั้งอื่นๆ ที่คล้ายคลึงกัน ตามฐานข้อมูล ICT ในการเลือกตั้งของInternational IDEA ^{[ 86 ]}บางประเทศที่ใช้การลงทะเบียนผู้มีสิทธิเลือกตั้งด้วยระบบไบโอเมตริก (BVR) (ปี 2017) ได้แก่อาร์เมเนียแองโกลาบังกลาเทศภูฏานโบลิเวียบราซิลบูร์กินาฟาโซกัมพูชาแคเมรูนชาดโคลอมเบียโคมอรอส คองโก ( สาธารณรัฐประชาธิปไตย)คอสตาริกาไอวอรี่โคสต์สาธารณรัฐโดมินิกันฟิจิแกมเบียกานากัวเตมาลาอินเดียอิรักเคนยาเลโซโทไลบีเรียมาลาวีมาลีมอริเตเนียเม็กซิโกโมร็อกโกโมซัมบิกนามิเบียเนปาลนิการากัวไนจีเรียปานามาเปรูฟิลิปปินส์เซเนกัลเซียร์ราลีโอเนหมู่เกาะโซโลมอนโซมาลิแลนด์สวาซิแลนด์แทนซาเนียและยูกันดาอุรุกวัยเวเนซุเอลาเยเมนแซมเบียและซิมบับเว​​​ ^{[ 87 ] [ 88 ]}

• คำศัพท์ด้านไบโอเมตริกส์ – คำศัพท์เฉพาะทางด้านไบโอเมตริกส์ที่รวบรวมข้อมูลจากคณะอนุกรรมการด้านไบโอเมตริกส์ของสภาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (NSTC) จัดพิมพ์โดย Fulcrum Biometrics, LLC, กรกฎาคม 2556
• สถาบันไบโอเมตริกส์ - พจนานุกรมอธิบายศัพท์ไบโอเมตริกส์ พจนานุกรมศัพท์ไบโอเมตริกส์ พร้อมคำจำกัดความโดยละเอียด เพื่อเสริมแหล่งข้อมูลที่มีอยู่เดิม เผยแพร่ พฤษภาคม 2566
• Delac, K., Grgic, M. (2004). การสำรวจวิธีการจดจำไบโอเมตริกซ์
• "ลายนิ้วมือใช้จ่ายค่าอาหารกลางวันในโรงเรียน" (2001). สืบค้นเมื่อ 2 มีนาคม 2008.
• "เยอรมนีจะเริ่มใช้หนังสือเดินทางไบโอเมตริกซ์ตั้งแต่เดือนพฤศจิกายน พ.ศ. 2548" (2548). ข่าวสารรัฐบาลอิเล็กทรอนิกส์. สืบค้นเมื่อ 11 มิถุนายน 2549.
• Oezcan, V. (2003). "เยอรมนีกำลังพิจารณาทางเลือกการลงทะเบียนไบโอเมตริกสำหรับผู้ขอวีซ่า" มหาวิทยาลัยฮุมโบลด์ เบอร์ลิน สืบค้นเมื่อ 11 มิถุนายน 2549
• Ulrich Hottelet: แชมป์ผู้ปิดทองหลังพระ – ระบบไบโอเมตริกส์ระหว่างยุคเฟื่องฟูและการควบคุมจากภาครัฐ , German Times , มกราคม 2550
• Dunstone, T. และ Yager, N., 2008. ระบบไบโอเมตริกและการวิเคราะห์ข้อมูล. ฉบับพิมพ์ครั้งที่ 1. นิวยอร์ก: Springer.