CN101233459B - 多模式生物测定分析 - Google Patents

Abstract

揭示了一种生物测定系统，它使用对用户进行多种生物测定所得到的读数。该生物测定系统包括第一和第二生物测定读出器、第一和第二生物测定匹配引擎以及处理器。第一生物测定读出器产生第一测得生物测定结果，该结果经第一生物测定匹配引擎处理后传递出第一数值，该第一数值用于表示第一测得生物测定结果匹配于第一存储生物测定读数的可能性。在上述第一数值之前，先收集了多个第一数值。第二生物测定读出器传递出第二测得生物测定结果以便由第二生物测定匹配引擎进行处理以产生第二数值，该第二数值用于表示第二测得生物测定结果匹配于第二存储生物测定读数的可能性。在上述第二数值之前，先收集了多个第二数值。第一和第二生物测定读出器测量不同的生物测定，或者第一和第二生物测定匹配引擎使用不同的算法。处理器根据多个第一数值使上述第一数值归一化，根据多个第二数值使上述第二数值归一化，并且利用归一化的第一和第二数值来判定该用户是否匹配于某个人。

Description

多模式生物测定分析

本申请要求2005年3月17日提交的序列号为60/663,310的美国临时申请的优先权并且是该临时申请的非临时版本，该临时申请被转让给本申请的受让人，并且明确地引用在此作为参考。

发明背景

本发明一般涉及生物测定识别和验证这一领域，尤其涉及多模式生物测定系统和方法。

生物测定匹配有准确度方面的问题。生物测定学被用于访问受控区域以及其它验证目的。有不同类型的生物测定读出器可测量用户的某一不同的唯一特征。有不同的算法可分析测得的特征并使其匹配。各类读出器和算法都有准确度方面的问题。

关于验证人的身份，常常先提到各种反恐措施。有各种生物测定面部扫描仪和进入点生物测定读出器可用于在恐怖分子完成其计划之前识别出这些希望进行恐怖活动的恐怖分子。生物测定系统作出的错误的肯定或否定可能会引起严重的问题。比如出现错误的肯定时，某人可能被标记为恐怖分子，事实上他不是。错误的否定则可能导致没能识别出恐怖分子。

发明内容

在一个实施方式中，本发明提供了一种生物测定系统，它使用对用户进行多次生物测定得到的读数。该生物测定系统包括第一和第二生物测定读出器、第一和第二生物测定匹配引擎以及处理器。第一生物测定读出器传递经第一生物测定匹配引擎处理过的第一测得生物测定结果以产生第一数值，该第一数值用于表示第一测得生物测定结果匹配于第一存储生物读数的可能性。在上述第一数值之前拍摄了多个第一数值。第二生物测定读出器传递第二测得生物测定结果以便由第二生物测定匹配引擎进行处理从而产生第二数值，该第二数值用于表示第二测得生物测定结果匹配于第二存储生物测定读数的可能性。在上述第二数值之前拍摄了多个第二数值。第一和第二生物测定读出器测量不同的生物测定，或者第一和第二生物测定匹配引擎使用不同的算法。处理器根据多个第一数值使上述第一数值归一化，根据多个第二数值使上述第二数值归一化，并且利用该归一化第一和第二数值来判定该用户是否匹配于某个人。

根据下文的详细描述，本发明可应用的其它领域将变得很明显。应该理解，表示各种实施方式的详细描述和具体示例仅用于说明而非有意限定本发明的范围。

附图说明

图1是生物测定系统的一实施方式的方框图。

图2是生物测定匹配引擎的一实施方式的方框图。

图3是生物测定客户机(client)的一实施方式的方框图。

图4是假的和真的受试者操作特征(ROC)曲线的分布图。

图5是生物测定匹配引擎登记过程的一实施方式的流程图。

图6A和6B是用于生物测定匹配过程的流程图的实施方式。

在附图中，相似的组件和/或特征可以具有相同的标号。此外，通过在标号后面加一个用于区分相似组件的字母，便可以区分各种类型相同的组件。如果在说明书中只使用了标号，则该描述可应用于具有相同标号的相似组件中的任一个，而不用管其字母后缀。

具体实施方式

下面的描述只提供了较佳的典型实施方式，并不意图限制本发明的范围、应用性或配置。更确切地说，下文关于较佳的典型实施方式的描述将使本领域技术人员能够实现较佳的典型实施方式。应该理解，在不背离所附权利要求书所阐明的精神和范围的情况下可以在元件的功能和排列方式等方面作出各种改变。

在一个实施方式中，用于多模式生物测定分析的方法允许以一种有意义的方式聚集来自两个或更多个生物测定读出器的测得的生物测定读数。每个生物测定读出器拍摄生物测定读数，并且根据专用比例产生用于表示匹配可能性的专用分数。专用生物测定算法所产生的分数本身都是唯一的且不是标准化的。来自一种生物测定算法的分数可能介于0-10,000这样的范围中，而来自另一种生物测定算法的分数可能介于50-100这样的范围中。尽管单一模式操作中的专用分数是有意义的，比如它们可用于确定某一分数是否意味着匹配，但是这些分数在某种意义上都是任意的。为了组合这些分数并根据本发明产生有意义的多模式结果，提供了用于使这些分数归一化或以其它方式组合这些分数的各种处理过程。

一种组合专用分数的方式通过使用正态分布将每个专用分数归一化到共同的标度。阈值也归一化到新的标度。来自各种算法的归一化分数通过平均或加权平均组合起来以实现复合分数。用于各种生物测定读出器/算法的专用阈值可以被归一化，并用平均或加权平均将它们组合起来以形成复合阈值。对照该复合分数，使用复合阈值来执行最终的验证。

按常规，专用阈值常用于生物测定读出器/算法组合的设置，使得该数字以上的专用分数将表示匹配(即真正的用户)而该数字以下的专用分数将表示不匹配(即非真正的用户)。例如，指纹读出器/算法可以将探测模板对照真正的模板进行比较以指出在从0到5000这一专用标度上特定扫描的专用分数是4000。如果专用阈值是4500，则生物测定读出器/算法组合将指出此人不匹配。如果专用阈值是4000，则相反。

统计分布可以基于参加测验人数中过去的验证结果，或者可以动态地使用新的读数来更新统计分布。在本实施方式中，随着更多的验证结果被收集，用于该统计分布的受试者操作特征(ROC)曲线可以动态地更新。当生物测定读出器或客户机、环境、用户的总数、用户的经验水平等全都改变时，ROC曲线也改变。本发明的一个实施方式收集了特定生物测定读出器和特定生物测定匹配算法所对应的所有分数，以便按ROC曲线的形式形成统计分布。对于特定的生物测定匹配算法而言，该ROC曲线可以来自单个生物测定读出器/算法组合、相同的生物测定读出器/算法的子集、或所有相同的生物测定读出器/算法。根据地理、位置、照明、用户的训练水平、组织、或其它人口统计学或情况便可以对新收集的读数进行精选，以控制特定ROC曲线中所使用的总人数。

一些实施方式还控制什么读数是ROC曲线统计分布分析的一部分。例如，在各种实施方式中，可以选择统计分布所处的周期。或者，可以给统计分布中所使用的读数的个数定一个上限，例如，只使用最近的5000个读数。另一个实施方式通过使用无限冲激响应(IIR)或有限冲激响应(FIR)滤波算法对这些读数进行加权，使得与旧的读数相比更优选新的读数。这些方法的组合也是可行的，以便于恰当地强调最佳读数。

通过使用本实施方式中演化的ROC曲线，根据该ROC曲线来确定归一化的新分数。例如，特定扫描所对应的专用分数4000可以基于该ROC曲线的统计分布而调整成归一化的分数80％。来自两个或更多个生物测定读出器/算法对的各个归一化的分数都先进行归一化，然后再对各个归一化的分数一起求平均从而获得一个复合生物测定分数。将复合阈值与该复合生物测定分数进行比较以便于确定是否存在匹配。例如，第一归一化分数可能是来自指纹读出器的89％，而第二归一化分数可能是来自面部扫描仪的67％。两者求平均得到的复合生物测定分数将是78％。如果复合阈值是70％，则将确定为匹配。在其它实施方式中，可以使用用于使这些分数归一化的其它算法。

若不直接求平均，则可以根据特定生物测定读出器和生物测定匹配算法的准确度进行加权平均。例如，如果指纹读出器更准确，则其归一化分数将比来自面部扫描仪的归一化分数更着重地进行加权。在形成复合阈值公式时，归一化的阈值可以按相似的方式进行加权平均。

还有其它的实施方式使用了其它的算法来校正ROC曲线统计分布中的各种变化。例如，对照用于验证用户的其它生物测定扫描的ROC曲线，可以使各个生物测定读出器/算法对的各个ROC曲线归一化。例如，各个ROC曲线可以被归一化成具有相同的归一化阈值。

先参照图1，示出了生物测定系统100的一实施方式的方框图。该实施方式示出了四个不同的生物测定客户机113，用网络117将这四个客户机耦合到生物测定匹配引擎121。在本实施方式中，网络117是分组交换的，但在其它实施方式中可能直接将生物测定客户机113耦合到生物测定匹配引擎121。其它实施方式可以具有任何数目的生物测定客户端113和生物测定匹配引擎121。

各个生物测定客户机113都从用户那儿收集两个或更多个生物测定扫描。用户在与生物测定客户机113进行交互时可以一般地或特别地识别出他自己。当用户用条形码、RFID标签、登录等方式声称身份时，则该身份传入生物测定匹配引擎121。生物测定客户机113可以用于任何验证目的，例如用于接入点、计算机登录、销售点(POS)终端、安全或其它验证点。在各种实施方式中，生物测定客户机113支持来自下列的扫描生物测定：二维面部、三维面部、虹膜、视网膜、手指静脉、手掌静脉、单个指纹、LiveScan指纹、手掌平面的PalmScan、书写者手掌(writers palm)、手的表面形状(hand geometry)、牙齿记录、签名、语音、核DNA、线粒体DNA、键击、步态、气味、和/或可数字化的任何其它生物测定。一种实施方式支持多达93种不同的生物测定拍摄设备，这些设备可按各种不同的部署来使用。

生物测定匹配引擎121具有各种算法以处理来自生物测定客户机113的生物测定扫描。生物测定算法可以买得到并可以被嵌入生物测定匹配引擎121中。可以有单个算法用于各种已经拍摄到的扫描，或者可以有多个算法用于各种已经拍摄到的扫描。用于特定生物测定扫描仪硬件的不同算法针对相同的输入产生不同的分数。在一个实施方式中，在各种生物测定匹配引擎中支持65种算法。

一类生物测定扫描仪硬件和生物测定算法给定配对可以产生不同的结果。生物测定客户机113可以部署在不同区域中，这些不同区域具有可能影响读数的各种环境。例如，与弱照明情况相比，日光中的面部扫描仪可以产生不同的ROC曲线。在客户机/算法分组数据库104中，相似的客户机/算法对被分在一起。分组后的客户机/算法允许该组中所有成员都对相同的真的和假的ROC曲线贡献读数。这些分数允许确定在ROC曲线数据库108中所存储的那些真的和假的ROC曲线。

在本实施方式中，所有的用户都在登记处理过程中提供一些人口统计的信息。人口统计信息数据库119保存每个用户的信息。例如，地址、电话号码、身高、体重、性别、使用生物测定客户机113的经验水平等都可以存储在人口统计信息数据库119中。另外，可能影响生物测定扫描的信息也存储在人口统计信息数据库119中。例如，其指纹带有伤疤的用户可以将该伤疤状况存储到人口统计信息数据库119中。此外，关于生物测定客户机113的信息可以存储在人口统计信息数据库119中。

在登记期间，针对每个用户，收集生物测定扫描以及任何人口统计信息。本实施方式的验证模板数据库125存储了由生物测定匹配引擎121所产生的模板。给定的用户将具有一个或多个验证模板，用于可能遇到的各类生物测定。如果有合理的确定性判定用户的扫描是真的，则在正常操作期间可以将附加的探测模板添加到模板数据库125。

可以用来自验证尝试的结果来更新ROC曲线数据库108。ROC曲线存储在ROC曲线数据库108中。失败的验证记录在假的ROC中，而成功的验证则记录在真的ROC中。各个客户机/算法的分组将其自己的假的和真的ROC曲线存储到ROC曲线数据库108中。在归一化任何新的分数的过程中使用ROC曲线的统计分布。

参照图2，示出了生物测定匹配引擎121的一实施方式的方框图。本实施方式具有三个识别模块227、231、235，各个模块包括用于对照已验证的模板125对探测模板进行计分的算法。例如，本实施方式包括面部识别模块227、虹膜识别模块231以及血管识别模块235。一些实施方式可以具有两个或更多个用于特定生物测定的不同识别模块，它们使用相同或不同的算法。例如，可以有五个并行运作的虹膜识别模块227，它们使用相同的算法以增大分析虹膜的速度。在另一个示例中，有两个使用不同算法的面部识别模块227。当进行分数归一化和组合时，通过两种算法进行指纹扫描可以产生更精确的结果。

识别模块227、231、235通常作为软件开发套件(SDK)由第三方提供。将识别模块227、231、235集成到生物测定匹配引擎121中这一做法使用了算法接口229、233、237。任何编译、接口要求和归一化都由算法接口处理。算法接口229、233、237可以使用ROC曲线108，以允许为识别模块227、231、235所产生的每个结果提供归一化的分数。算法接口229、233、237可以使用任何数目的归一化算法，比如最小-最大、z-分数、正态分布几率、和/或双曲正切方法(即tanh)。

下面的示例示出了在识别模块227、231、235以及算法接口229、233、237之间的相互作用。面部算法接口229接收面部扫描，并且可能做一些处理以符合面部识别模块227的格式要求。面部算法接口229指出已验证的模板125的集合，应该对照模板识别模块227所产生的探测模板对该集合进行测试。模板识别模块227产生用于该集合中每个已验证的模板125的专用分数。这些专用分数经处理后产生了归一化的分数。一些实施方式在产生归一化的分数之前先剔除或修剪不太像真的ROC曲线的一部分的那些较低分数。该修剪操作可以在算法接口229、233、237或验证控制器239中实现。

通过特定验证所用的各个算法接口229、233、237，将归一化的分数提供给验证控制器239。验证控制器239收集所有这些归一化的分数以产生一复合分数，该复合分数用于可能被验证为用户的各种各样的人。各种识别模块可以具有随时间而变化的专用阈值。该专用阈值可以被归一化并被用于产生复合阈值。这些归一化分数在求平均或加权平均处理中组合起来以形成复合分数，并且对照复合阈值进行测试。处理器、存储器和程序代码可以被用于实现验证控制器239。

被验证为人或非人的那些用户被传递到面部算法接口229、233、237，使得用于各客户机/算法分组的真的和假的ROC曲线可以得到更新。被验证为用户的人将其分数添加到真的ROC曲线中，而与用户不匹配的那些人将其分数添加到假的ROC曲线中。

下面参照图3，示出了生物测定客户机113的实施方式的方框图。生物测定客户机113采用许多不同的配置，并且可以支持不同的生物测定扫描。在本实施方式中，有面部拍摄设备341、血管拍摄设备343以及虹膜拍摄设备345，这些设备对用户进行扫描以收集生物测定信息。面部拍摄设备341可以是摄像机或照相机。血管拍摄设备343可以是红外敏感照相机，它查看面部、手和/和臂上的血管。在一个实施方式中，对红外线敏感的单个摄像机被用于拍摄面部、血管和虹膜。

在一些实施方式中使用了任选的输入设备351。输入设备可以包括小键盘、卡式扫描仪、软菜单、语音接口、和/或其它输入机构。小键盘可用于输入密码或进行登录。卡式扫描仪可以读出条形码、磁条、RFID标签、光学卡读出器、和/或对用户所宣称的身份进行机器识别的任何其它机构。所声称的身份被用于缩减已验证的模板个数从而对照从用户处收集的探测模板进行测试。

在本实施方式中包括了任选的显示器349。该显示器349可以是带有指令的屏幕，或者可以简单如状态灯。在扫描用户的生物测定的过程中，显示器349提供反馈以帮助用户。本实施方式使用了多行LCD作为显示器349。

生物测定客户机113的各项操作是通过客户机控制器347进行调节的。在本实施方式中，处理器、存储器和程序代码用于实现客户机控制器347。客户机控制器347通过网络117与生物测定匹配引擎进行通信。生物测定客户机113的一些实施方式可能能够获得环境读数，以允许挑选最相似的ROC。例如，可以监控照明或温度，并将它们报道给生物测定匹配引擎121，生物测定匹配引擎121可以相应地调节客户机/算法分组。

本实施方式现场收集生物测定结果，但其它实施方式可以使用先前收集的生物测定结果。例如，可能有很大的生物测定数据库，在它们被收集之后很久才被处理。

参照图4，示出了假的和真的ROC曲线404、408的分布图400。假的ROC曲线404拍摄所有扫描中被认为不是真的的那些专用分数以更新先前的读数。相似的是，真的ROC曲线408拍摄所有被认为是真的的那些专用分数以更新先前的读数。在本实施方式中，来自识别模块227、231、235的专用分数介于0-1000的范围中。

本实施方式示出了在假的和真的ROC曲线404、408之间有一重叠范围即590到660，在该重叠范围中，并不清楚专用分数是否对应于用户和人之间的匹配。对于此区域，可以使用复合验证确定过程以确定恰当的分类，即应该给出一给定分数。任何专用分数都可以被归一化到ROC曲线中，以便于获得归一化的分数，在本实施方式中这种归一化分数是百分点，但是在其它实施方式中可以使用任何计分标度。

对于新的部署，针对各组客户机/算法104，产生种子(seed)ROC曲线404、408。已知的好的数据集是通过客户机/算法组合来运行的，以便于产生种子ROC曲线404、408。在一些情况下，收集数据集中的生物测定所用的各种条件都是已知的，使得它们可以匹配，以便于挑选最佳的生物测定结果来产生种子ROC曲线404、408。例如，对于生物测定客户机的低光亮部署而言，数据集中在低光亮情况下所拍摄的那些都可以得到使用。在另一个示例中，可能注意到，用户总人数中相似的眼睛颜色基于生物测定客户机的地理位置，从而形成相似眼睛颜色的数据集的公式，以便于产生种子ROC曲线404、408。随着新的分数不断添加到针对该组中的各种条件定制曲线404、408中，ROC曲线404、408将随时间而演化。一些实施方式可能针对每种客户机/算法组合而具有单独一组ROC曲线404、408。

参照图5，示出了生物测定匹配引擎登记过程500的一实施方式的流程图。所描绘的该过程的一部分始于方框504，在方框504中验证用户。通常，这是人工手动实现的，即，通过使得管理员确信用户就是实际声称的他或她。接下来，在方框508中，拍摄各种生物测定。这可能需要在不同的环境条件下使用不同的生物测定客户机配置。例如，可能有两种变体的面部拍摄设备341，并且可以针对各种不同的变体来收集已验证的模板。在方框508的末端，用户可能遇到的所有客户机/算法变体具有至少一个在方框512中已创建和存储的验证模板125。在方框516中，收集可能影响客户端/算法对的关于用户的任何人口统计信息，并将该信息存储到人口统计信息数据库119中。

参照图6A，示出了用于生物测定匹配过程600a的流程图的一实施方式。该实施方式基于生物测定客户机113的输入设备351所作出的读数，了解到用户所声称的身份。所描绘的该过程的一部分始于方框604，在方框604中，根据人口统计学和环境条件形成假的和真的种子ROC曲线404、408的公式。这可能包括通过客户机/算法对来处理未使用的相似人口统计学生物测定结果以产生ROC曲线404、408。一旦配置好，用户就可以与一个或多个生物测定客户机113进行交互作用以执行各种验证。在方框608中启动验证。

在方框612中，用户通过身份证扫描来声称其身份。本实施方式并行地收集并处理多个生物测定扫描，但是方框616、620、624也可以按顺序地实现或者部分并行进行。在方框616a和616b中，生物测定客户机113拍摄生物测定扫描，并且相关识别模块227、231、235创建探测模板。本实施方式在现场处理过程中收集生物测定结果，但是其它实施方式可以处理先前存储的未使用的生物测定结果。在本实施方式中，在处理过程600中有两种生物测定结果，但其它实施方式可以在验证过程中使用任何数目的生物测定结果。在方框620a和620b中，识别模块231为该用户对照已验证的模板来检查探测模板以产生专用分数。

在方框624a和624b中，这些专用分数由算法接口229、233、237进行处理以产生归一化的分数。这包括参照本过程600a所涉及的那些客户机/算法组的真的ROC曲线408。例如，方框628通过使用求平均的函数将这些归一化的分数组合成一个复合分数。在方框632中，使用复合阈值来确定该复合分数是在复合阈值之上还是在复合阈值之下。如果在其之上，则在方框640中该用户得到验证和授权。对于那些在其之下的情况，则没有授权。在方框644中，针对每个客户机/算法对，更新真的和假的ROC曲线。

参照图6B，示出了用于生物测定匹配过程600b的流程图的另一个实施方式。该实施方式进行一种通用的验证，其中用户不需要声称其身份。过程600b开始处的方框604、608、616a和616b以及方框632、636、640和644很大程度上像图6A的实施方式那样进行操作。下面的讨论主要针对不同之处。

在方框622a和622b中，对于那些可能匹配的人，对照验证模板125检查所收集到的探测模板。各个可能的人根据每种可能的客户机/算法都将通过相关识别模块227、231、235产生专用分数。方框626a和626b修剪那些不太像真的专用分数。例如，对于图4的统计分布，将排除590以下的那些分数不作进一步分析，除非没有任何匹配，在这种情况下，可以降低剪枝阈值(pruningthreshold)。剪枝阈值以上的那些专用分数被归一化。

一些实施方式可以传递那些在剪枝阈值以上的人，使得在特定客户机/算法对的情况下所有其一项生物测定结果在剪枝阈值以上的人可以被进一步考虑。例如，特定用户可以给出虹膜扫描和指纹扫描，但是指纹扫描可能收集得不太理想。尽管指纹分数低于剪枝阈值，但指纹的低分与某一高分可能仍然产生一足够高的复合分数。针对那些其任何专用分数高于其相应剪枝阈值的人群，产生出归一化的分数。

在方框630中，产生可能的真的复合分数。所有可能的人都将产生一个复合分数。在方框632中，测试所有那些复合分数以将用户验证成某个人。当有不止一个人通过时，最佳的那个可以被匹配，或者可能出现差错状况。很可能是这样，若有两个都通过该阈值测试则有两个相同的人，并且可以相应地校正该数据库。在其它情况下，用户与一个或多个人匹配是所需的全部，因为预测在给定至少一个匹配时用户就被授权。

所揭示的各种实施方式的许多变化和修改也是可以使用。例如，许多上述实施方式都预期本发明将用于验证目的。其它实施方式可以出于任何目的对各种各样的人进行匹配。例如，系统可能试着使用户匹配于观察列表上的某个人，或者试着找出一个人具有两个身份这样的双重记录。一些上述实施方式在产生复合分数时使用两种生物测定扫描，但应该理解，在各种实施方式中产生复合分数时还可以将三种、四种、五种、六种、七种、或任何数目的生物测定扫描组合起来。

上文给出了具体的细节以便对本发明作透彻的理解。然而，应该理解，各种实施方式还可以在没有这些特定细节的情况下进行实践。例如，电路可以按方框图示出，以免以不必要的细节来混淆各实施方式。在其它情况下，公知的电路、处理过程、算法、结构以及技术可以显示成不具有不必要的细节，以便避免混淆各实施方式。

此外，注意到，各实施方式可以被描述成一种处理过程，该处理过程被描绘成流程图、数据流程图、结构图、或方框图。尽管流程图将各项操作描述成顺序处理，但许多操作也可以并行或同时执行。另外，各项操作的顺序也可以重新安排。一种处理过程在其所有操作都完成时就终止了，但是还可以具有图中未包括的附加步骤。一种处理过程可以对应于一种方法、函数、过程、子例程、子程序等。当一种处理过程对应于一种函数时，其终止对应于该函数返回到调用函数或主函数的时候。

此外，如本文所述，术语“存储介质”可以表示一种或多种用于存储数据的设备，其中包括只读存储器(ROM)、随机存取存储器(RAM)、磁RAM、磁芯存储器、磁盘存储介质、光学存储介质、闪存设备、和/或用于存储信息的其它机器可读介质。术语“机器可读介质”包括但不限于便携式或固定式存储设备、光学存储设备、无线信道、和/或各种能够存储、包含或承载指令和/或数据的其它介质。

此外，各种实施方式可以通过硬件、软件、脚本语言、固件、中间件、微代码、硬件描述语言、和/或它们的组合来实现。当以软件、固件、中间件、脚本语言、和/或微代码来实现时，用于执行必要任务的程序代码或代码段可以被存储在像存储介质这样的机器可读介质中。代码段或机器可读指令可以代表一种过程、函数、子程序、程序、例程、子例程、模块、软件包、脚本、类、或指令、数据结构和/或程序语句的任何组合。通过传递和/或接收信息、数据、变元、参数、和/或存储器内容，代码段便可以耦合到另一个代码段或硬件电路。通过任何合适的装置，可以传递、转发、或传输信息、变元、参数、数据等，其中包括存储器共享、消息传送、令牌传送、网络传输等。

上述各种技术的实现可以采用各种方式。例如，这些技术可以以硬件、软件或它们的组合来实现。对于硬件实现而言，处理单元可以在下列之中实现：一种或多种专用集成电路(ASIC)，数字信号处理器(DSP)，数字信号处理器件(DSPD)，可编程逻辑器件(PLD)，现场可编程门阵列(FPGA)，处理器，控制器，微控制器，微处理器，其它设计用于执行上述功能的电子单元，以及它们的组合。

对于软件实现而言，本文所描述的技术、处理过程以及功能可以用执行上述各项功能的模块(例如，过程、函数等)来实现。软件代码可以存储在存储器单元中并由处理器进行执行。存储器单元可以实现在处理器内或处理器外，在这种情况下存储器单元可以通过使用各种已知技术可通信地耦合到处理器。

尽管上文已结合具体的装置和方法描述了本发明的原理，但是应该清楚地理解这些描述仅是示例，并不限制本发明的范围。

Claims (15)

1.一种使用对用户进行多种生物测定所得到的读数的生物测定系统，包括：

第一生物测定读出器，用于传递第一测得生物测定结果；

第一生物测定匹配引擎，其中：

第一生物测定匹配引擎处理所述第一测得生物测定结果以产生第一数值，

所述第一数值用于表示所述第一测得生物测定结果匹配于第一存储生物测定读数的可能性，和

在所述第一数值之前先收集多个第一数值；

至少基于所述多个第一数值选择第一阈值；

第二生物测定读出器，用于传递第二测得生物测定结果；

第二生物测定匹配引擎，其中：

第二生物测定匹配引擎处理所述第二测得生物测定结果以产生第二数值，

所述第二数值用于表示所述第二测得生物测定结果匹配于第二存储生物测定读数的可能性，

在所述第二数值之前先收集多个第二数值，

至少基于所述多个第二数值选择第二阈值；和

下列中的至少一种：

所述第一和第二生物测定读出器测量不同的生物测定，或

所述第一和第二生物测定匹配引擎使用不同的算法；以及处理器，它进行下列操作：

根据多个第一数值使所述第一数值归一化，

根据多个第二数值使所述第二数值归一化，

归一化所述第一阈值和所述第二阈值，

组合述第一阈值和所述第二阈值以找出组合后的阈值，和

通过使用所述组合后的阈值来判定所述用户是否匹配于某个人。

2.如权利要求1所述的使用对用户进行多种生物测定所得到的读数的生物测定系统，其特征在于，第一生物测定匹配引擎算法随着第一数值被添加到所述多个第一数值中而进行更新。

3.如权利要求1所述的使用对用户进行多种生物测定所得到的读数的生物测定系统，其特征在于，所述第一生物测定读出器从存储中检索所述第一测得生物测定结果。

4.一种随时间而增大生物测定匹配的准确度的方法，所述方法包括：

收集多个第一生物测定结果；

将第一测得生物测定结果与所述多个第一生物测定结果匹配起来以产生第一结果，其中：

所述第一结果用于表示所述第一测得生物测定结果匹配于所述多个第一生物测定结果中的至少一个的可能性，和

所述第一测得生物测定结果是与第二测得生物测定结果类型不同的生物测定；

收集多个第二生物测定结果；

将第二测得生物测定结果与所述多个第二生物测定结果匹配起来以产生第二结果，其中：

第一列表匹配步骤使用与第二列表匹配步骤不同的算法，和，

所述第二结果用于表示所述第二测得生物测定结果匹配于所述多个第二生物测定结果中的至少一个的可能性，

在归一化处理过程中将所述第一和第二结果组合起来；

通过使用所述归一化处理过程中的结果将用户匹配于某个人。

5.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，其特征在于，所述第一和第二测得生物测定结果均从用户处收集而来。

6.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，其特征在于，所述多个第一生物测定结果是从多个生物测定读出器处收集来的。

7.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，还包括将第二测得生物测定结果添加到所述多个第二生物测定结果的步骤，由此所述第二列表匹配步骤的生物测定匹配算法随收集而改善。

8.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，还包括在验证步骤之后将所述第一结果添加到所述多个第一生物测定结果中的步骤。

9.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，其特征在于，所述收集步骤包括潜在地收集先前拍摄并存储的多个第一生物测定结果的步骤。

10.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，还包括在验证步骤之后将所述第二结果添加到所述多个第二生物测定结果中的步骤。

11.如权利要求4所述的随时间而增大生物测定匹配的准确度的方法，还包括用所述第一测得生物测定结果来重新校准第一列表匹配步骤的性能的步骤。

12.一种使用对用户进行多种生物测定所得到的读数来验证该用户的生物测定系统，所述生物测定系统包括：

第一生物测定读出器，用于产生来自用户的第一测得生物测定结果；

第一生物测定匹配引擎，其中：

第一生物测定匹配引擎处理所述第一测得生物测定结果以产生第一数值，和

所述第一数值用于表示所述第一测得生物测定结果匹配于第一存储生物测定读数的可能性；

第二生物测定读出器，用于产生来自用户的第二测得生物测定结果；

第二生物测定匹配引擎，其中：

第二生物测定匹配引擎处理所述第二测得生物测定结果以产生第二数值，

所述第二数值用于表示所述第二测得生物测定结果匹配于第二存储生物测定读数的可能性，和

下列中的至少一种：

所述第一和第二生物测定读出器测量不同的生物测定，或

所述第一和第二生物测定匹配引擎使用不同的算法；以及

处理器，它进行下列操作：

调节所述第一和第二数值以使用共同的标度，和

通过使用调节后的使用共同标度的第一和第二数值来判定所述用户是否是真正的用户。

13.如权利要求12所述的使用对用户进行多种生物测定所得到的读数来验证该用户的生物测定系统，其特征在于，至少部分基于用所述第一生物测定读出器和所述第一生物测定匹配引擎收集的多个第一数值来选择第一阈值。

14.如权利要求12所述的使用对用户进行多种生物测定所得到的读数来验证该用户的生物测定系统，其特征在于，当随时间收集到新的第一和第二数值时，所述生物测定系统重新校准。

15.如权利要求12所述的使用对用户进行多种生物测定所得到的读数来验证该用户的生物测定系统，其特征在于，通过从先前存储第一测得生物测定结果的数据存储中检索所述第一测得生物测定结果，所述第一生物测定读出器产生了所述第一测得生物测定结果。

Images