将S和设定的阈值相比较：if：S>threshold系统允许进入，为真;否则，系统拒绝该用户，当然，上述方法也可用于2只以上的,。
根据方程(2)研究了两种类型的匹配分数转换执行融合规则，第一种类型融合规则属于所谓的固定融合规则，因为它们不需要参数估计，尤其研究了两类传感器的匹配分数中值
第二种融合是所谓的训练样本规则，因为它们需要为了获得理想的阈值分数而让样本经过多次训练，采用公式(4)训练样本
式中W0，W1，W2为权值向量，显然，中值融合的效果要差于逻辑融合，逻辑融合的过程就是以中值为基础，经过多次迭代，总能找到一组合适的权值向量(W0，W1，W2)，使得阈值分数S接近于最佳值。
2实验结果
随机抽取20个人，每个人使用3个手指，分别为大拇指、食指、中指，使用光学和电容传感器，每个手指按压10次，每个人采集到的指纹数为6×10=60，共有指纹20×60=1200。对于每一个验证算法两类集合的匹配分数。第一次匹配称为“真正匹配分数(真正用户之间)G集合，第二次是“假匹配分数”(“假冒用户之问”)I集合。
随机细分以上集为2个大小相同的集合：G=G1UG2，I=I1UI2，G1,G2和I1,I2分别是G和I的分离集合。训练集合Tr={G1，I1}用于计算逻辑融合规则的权重，测试集合Tx={G2，I2}用于评价和比较算法性能。它包含以下几个指标：
训练样本集合的等错误率(EER)，也就是当真正用户被系统错误拒绝的百分比(FRR)等于假冒用户被系统错误接受的百分比(FAR)。
表1总结了计算训练样本的EER与测试样本的FAR和FRR的结果。
表1单一传感器和多传感器融合计算结果的指标EER。FAR，FRR
从表1可知，电容传感器性能明显差于光学传感器。其原因主要是电容传感器采集图像时的接触面积远远小于光学传感器。直接导致了其采集的图像提取的细节点数目少，因此，提取的细节点不能彼此正确的匹配。
从等错误率计算的融合结果来看，性能也有很大的提高，逻辑融合减少EER从3.6%到2.9%。测试样本的结果也表明融合提高了系统的鲁棒性，实际上，在逻辑融合(表1第5行)以后，训练样本的性能(表1第2列)和测试样本的性能偏差(表l第3列和第4列)大大减小了。
该实验结果与GianLuca实验结果对比，发现得到的结果指标低于文献[7]的指标，其中原因可能是本文使用的采集器性能比较差，以致获得的指纹图像质量不够理想而导致指标稍弱，另外，可能就是本文使用的算法获得的匹配结果不够理想。
3结论
本文提出了基于光学和电容传感器多传感器指纹验证系统。实验结果表明：验证后的多传感器系统性能优于最好的单一传感器陛能(光学传感器)，而且，光学和电容传感器匹配器两者之间的互补性也表明了多传感器融合的可能性，从理论上来说系统本身也获得了很低的验证错误率。特征提取过程被分别应用到每一个采集设备采集到的图片，应用一个简单的融合规则，提高系统的验证性能。因此，融合不同类型的传感器提高系统性能方案简单易行。