CN101529470A - 图案识别方法、登记设备、验证设备以及程序 - Google Patents

Abstract

目的是提供可以改善其认证精度的图案识别设备等。图案识别方法执行：计算指示关于从多个活体样本获得的每个活体图案的图案形状的多于两种形状的值，计算该多于两种形状的值的分布的中心以及指示远离该中心的程度的值；通过利用指示远离该中心的程度的值，计算从登记对象或与登记数据相比较的比较对象获得的多于两种形状的值和该多于两种形状的值的分布的中心之间的距离；以及在该距离大于预定阈值的情况下丢弃该图案。

Description

图案识别方法、登记设备、验证设备以及程序

技术领域

本发明涉及图案识别方法、登记设备、验证设备以及程序，并且优选地应用于生物认证(biometrics authentication)。

背景技术

血管已成为生物认证的对象之一。通常将登记者(registrant)的血管图像作为登记数据登记在认证设备中。根据作为待验证的数据而输入的验证数据与登记数据的类似程度，该认证设备进行关于一个人是否是登记者的判定。

对于这种认证设备，存在多种办法来防止身份盗窃。例如，一种方法关注于如下的事实：输入的验证数据的坐标及其它因子不可能与先前输入的验证数据正好相同：当设备发现这些验证数据完全相同时，即使它们与登记数据相同，其也不认证(例如，见专利文档1)。该身份盗窃防止方法在登记者的血管图像数据被窃取时可很好地起作用。

顺便提及，存在如下的报告：如果采用诸如萝卜之类的块根作物(root crop)的图片，而不是手指的图片，那么由于萝卜内管(inside tube)(诸如脉管(vessel)、筛管(sieve tube)及纤维束(fascicle))看上去像活体的血管，因此认证设备可获得与血管的图案(在下文中，称为血管图案)相似的图案(在下文中，称为伪血管图案)：萝卜等的使用使得可以身份盗窃。

专利文档1：日本专利公开No.2002-259345

非专利文档1：Tsutomu Matsumoto，“Biometrics Authentication forFinancial Transaction”[在线]，2005年4月15日，the 9th study group of theFinancial Services Agency for the issues on forged cash card，(在2006年8月21日检索)，因特网<URL:http://www.fsa.go.jp/singi/singi_fccsg/gaiyou/f20050415-singi_fccsg/02.pdf>)。

在这种情况下，伪血管图案的坐标和其它因子不可能与登记者的血管图案的那些正好相同。因此即使应用上面的身份盗窃防止方法，也可能将任何人识别为登记者，使得可以身份盗窃并且降低了认证的准确性。

发明内容

鉴于上面的要点提出本发明，旨在提供可改善认证的准确性的图案识别方法、登记设备、验证设备及程序。

为了解决以上问题，本发明的图案识别方法包含如下步骤：为从多个活体样本获得的每个活体图案计算表示该图案的形状的两个或更多个形态值；计算该两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；通过使用表示远离该中心的延展度的值，计算从将要登记或将要与已登记的数据相比较的那些获得的图案的该两个或更多个形态值和该两个或更多个形态值的分布的中心之间的距离；以及如果该距离大于预定阈值，则去除该图案。

因此，该图案识别方法可辨别从将要登记或者将要与已登记的数据相比较的那些获得的图案存在于具有关于每个活体图案的多维(图案形态值)的分布中的什么位置，以及其是否存在于从该分布的中心延伸至边界(阈值)的范围内：存在于该范围的内部意味着其为活体图案。

因此，即使从将要登记或将要与已登记的数据相比较的那些获得的图案是伪图案，该图案识别方法也可增大其在将它们登记或比较之前消除类似于活体图案的伪图案的可能性。

此外，本发明的登记设备包含：存储部件，用于为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；计算部件，用于通过使用所述值，计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及登记部件，用于如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案登记在存储介质中。

因此，该登记设备可辨别从将要登记的那些获得的图案存在于具有关于每个活体图案的多维(图案形态值)的分布中的什么位置，以及其是否存在于从该分布的中心延伸至边界(阈值)的范围内：存在于该范围的内部意味着其为活体图案。

因此，即使从将要登记的那些获得的图案是伪图案，该登记设备也可增大其在将它们登记之前消除类似于活体图案的伪图案的可能性。

此外，本发明的验证设备包含：存储部件，用于为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；计算部件，用于计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及验证部件，用于如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案与登记在存储介质中的已登记数据相比较。

因此，该验证设备可辨别从将要比较的那些获得的图案存在于具有关于每个活体图案的多维(图案形态值)的分布中的什么位置，以及其是否存在于从该分布的中心延伸至边界(阈值)的范围内：存在于该范围的内部意味着其为活体图案。

因此，即使从将要比较的那些获得的图案是伪图案，该验证设备也可增大其在将它们比较之前消除类似于活体图案的伪图案的可能性。

此外，促使为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值的计算机执行如下处理的本发明的程序：第一处理，通过使用所述值，计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及第二处理，如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案登记在存储介质中(或者第二处理，如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案与登记在存储介质中的已登记数据相比较)。

因此，该程序可辨别从将要登记或者将要与已登记的数据相比较的那些获得的图案存在于具有关于每个活体图案的多维(图案形态值)的分布中的什么位置，以及其是否存在于从该分布的中心延伸至边界(阈值)的范围内：存在于该范围的内部意味着其为活体图案。

因此，即使从将要登记或将要与已登记的数据相比较的那些获得的图案是伪图案，该程序也可增大其在将它们登记或比较之前消除类似于活体图案的伪图案的可能性。

根据本发明，它们可辨别从将要登记或者将要与已登记的数据相比较的那些获得的图案存在于具有关于每个活体图案的多维(图案形态值)的分布中的什么位置，以及其是否存在于从该分布的中心延伸至边界(阈值)的范围内：存在于该范围的内部意味着其为活体图案。因此，通过假定其不是活体的图案，它们可增大其在将它们登记或比较之前消除伪图案的可能性。因而，可以实现能够改善认证的精度的登记设备、验证设备、提取方法以及程序。

附图说明

图1是图示根据本发明实施例的数据生成设备的配置的框图。

图2是图示控制部分的图像处理的功能框图。

图3是图示预处理过程之前和之后的图像的示意图。

图4是关于端点、发散点和孤立点的显现图案的描述的示意图。

图5是图示发散点与发散或端点之间的血管线的跟踪的示意图。

图6是关于血管像素的跟踪的描述的示意图。

图7是图示线上的点和变形点的显现图案的示意图。

图8是关于变形点的检测的描述的示意图。

图9是关于线段(segment)像素相对于原始血管像素的交叠率的判定的描述的示意图。

图10是图示移除处理的过程的流程图。

图11是图示移除之前和之后的变形点的示意图。

图12是图示线段血管线(三个发散点)的连接的示意图。

图13是图示线段血管线(四个发散点)的连接的示意图。

图14是图示从特征点提取处理获得的特征点的示意图。

图15是图示血管图案和伪血管图案的示意图。

图16是关于线段相对于穿过该线段的端点的水平轴的角度的计算的示意图。

图17是图示血管图案的角度分布的示意图。

图18是图示伪血管图案的角度分布的示意图。

图19是图示类似直线的线段的长度的示意图。

图20是图示区分指示器的分布的示意图。

图21是在σ-C平面上图示区分指示器的分布的示意图。

图22是图示数据生成处理的过程的流程图。

图23是图示根据本发明实施例的认证设备的配置的框图。

图24是图示区分处理(1)的过程的示意图。

图25是图示区分处理(2)的过程的示意图。

具体实施方式

参考附图详细描述本发明的实施例。

(1)根据本发明实施例的认证系统的总体配置

本实施例的认证系统包含数据生成设备和认证设备。该数据生成设备生成表示范围的数据(在下文中，称为血管图案范围数据)：基于该范围来进行关于该血管图案的判定。该数据生成设备将该数据记录在认证设备的内部存储器中。

认证设备配有根据血管图案范围数据进行关于如下的判定的功能：作为拍摄对象的图片的结果而获得的图像数据的图案是否是伪血管图案。

(2)数据生成设备的配置

图1示出数据生成设备的配置。数据生成设备1包含经由总线15连接着操作部分11、图像拾取部分12、闪存13以及与外部部分交换数据的接口(在下文中，称为外部接口)14的控制部分10。

控制部分10是微型计算机，该微型计算机包含CPU(中央处理单元)，其进行数据生成设备1的总体控制；ROM(只读存储器)，其存储各种程序以及设置信息；以及RAM(随机存取存储器)，其用作CPU的工作存储器。

当用户操作操作部分11时，将命令血管图案范围数据的生成的图像拾取命令COM1或命令COM2从操作部分11供给控制部分10。基于执行命令COM1和COM2，控制部分10进行关于应该启动哪种模式的判定。控制部分10通过使用对应于该判定的程序，适当地控制图像拾取部分12、闪存13以及外部接口14以图像拾取模式或数据生成模式运行。

(2-1)图像拾取模式

更具体地，如果该判定为应该启动图像拾取模式，那么控制部分10进入作为操作模式的图像拾取模式来控制图像拾取部分12。

在这种情况下，图像拾取部分12的驱动控制部分12a驱动和控制朝着数据生成设备1的预定位置发射近红外光束的一个或多个近红外光束源LS，以及例如作为CCD(Charge Coupled Device，电荷耦合设备)的图像拾取元件ID。

在近红外光束发射至置于预定位置的对象之后，图像拾取元件ID经由光学系统OP和孔径光阑DH从该对象接收近红外光束，将其转换为电信号，并且将该电信号作为图像信号S1传送至驱动控制部分12a。

如果对象是活体的手指，那么从近红外光束源LS发射的近红外光束进入手指，并且经手指内部反射和散射之后，作为血管表示光束从手指处显现以进入图像拾取元件ID：所述血管表示光束表示手指的血管。然后血管表示光束作为图像信号S1被传送至驱动控制部分12a。

驱动控制部分12a根据图像信号S1的像素值来调整光学系统OP的光学镜头的位置，以使得聚焦该对象。驱动部分控制12a还调整孔径光阑DH的光圈，以使得进入图像拾取元件ID的光量变得合适。在调整之后，将从图像拾取元件ID输出的图像信号S2提供至控制部分10。

控制部分10对图像信号S2执行预定的图像处理以从图像提取对象图案的特征，并且将提取的图像作为图像数据D1存储在闪存13中。

这样，控制部分10可执行图像拾取模式。

下面描述如何执行图像处理。如图2中所示，根据功能的视点，可以将图像处理分为预处理部分21和特征点提取部分22。下面给出预处理部分21和特征点提供部分22的详细描述。顺便地，为了便于说明，图像拾取部分12提供的图像信号S2是作为拍摄活体的手指的图片的结果而得到的那些图像信号。

(2-1-A)预处理

为了提取血管图案，预处理部分21对图像拾取部分12提供的图像信号S2顺序地执行A/D(模拟/数字)转换处理、诸如Sobel滤波之类的预定轮廓提取处理、诸如高斯滤波之类的预定平滑处理、二进制处理以及稀疏处理。

例如，假设将图3(A)中所示的图像(图像信号S2)输入至预处理部分21中：归功于预处理部分21的预处理，该图像被转换为图3(B)中所示的图像，同时图像的血管图像被加重。

预处理部分21将其图像示出已提取的血管图案的数据(在下文中称为图像数据)D21输出至特征点提取部分22。

在本实施例中，图像数据21的图像中包含的血管线(血管图案)经二进制处理转换为白色像素；其宽度(或厚度)作为稀疏处理的结果被表示为“1”。如果血管线宽为“1”，那么线宽是一个像素。

(2-1-B)特征点提取处理

特征点提取部分22从构成输入图像的血管图案的白色像素(在下文中称为血管像素)检测端点(end point)、发散点(diverging point)以及变形点(inflectionpoint)，并且参考端点和发散点来适当地移除变形点。

(B-1)端点和发散点的检测

在第一阶段的处理中，特征点提取部分22从血管线检测端点和发散点。

更具体地，特征点提取部分22从构成输入图像(图像数据D21)的像素之中以预定的次序辨别作为关注像素的血管像素，并且检查该关注像素周围的八个像素以计数血管像素的数目。

这里，图4示出血管线的端点、发散点和孤立点如何呈现的图像。在图4中，为了便于说明，阴影区域表示关注像素；黑色区域表示血管像素(白色像素)。从图4中显而易见，如果将血管线宽表示为一个像素，那么关注像素与血管像素的数目之间的相关性是自判定的；对于发散图案，其必须具有三个或四个发散点。

因此，如果在关注像素周围存在一个血管像素，那么特征点提取部分22将该关注像素检测为端点。另一方面，如果在关注像素周围存在三个或四个血管像素，那么特征点提取部分22将该关注像素检测为发散点。相反，如果在关注像素周围不存在血管像素，那么特征点检测部分22将该关注像素检测为孤立点。

然后，特征点提取部分22从检测到的端点、发散点和孤立点中将不构成血管线的孤立点移除。

这样，在第一阶段的处理中，特征点检测部分22从血管线检测端点和发散点。

(B-2)变形点的检测

然后，在第二阶段的处理中，特征点提取部分22基于端点和发散点检测变形点。

更具体地，例如，如图5中所示，特征点提取部分22将发散点DP1辨别为起始点，并且将在该起始点之后出现的其它特征点(端点EP1和EP2，以及发散点DP2)辨别为终点(terminal point)；然后，其跟踪从该起始点延伸至该终点的血管线的线段(在下文中称为线段血管线)。类似地，特征点提取部分22将发散点DP2辨别为起始点，并且将在该起始点之后出现的其它特征点(端点EP3和EP4)辨别为终点；然后，其跟踪线段血管线。

在图5的示例中，起始点是发散点DP1和DP2，但是端点也可以是起始点。顺便提及，从图5中显而易见，在发散点之前或之后(或其两侧)存在另一发散点(或多个发散点)之时，无论端点为起始点或终点，其只能是起始点或者终点之一。

图6图示跟踪的具体方法。在图6中，特征点检测部分22通过执行如下的处理来顺序地跟踪从起始点至终点的线段血管线的血管像素，所述处理为：从当前关注像素(阴影像素)周围的血管像素中排除先前的关注像素(填满水平线的像素)，并且从其之中选择下一关注像素直到当前关注像素周围的血管像素包含终点为止。

由于线段血管线的一系列血管像素表示从一个发散点或端点延伸至下一发散点或端点的血管线的线段，因此在其之间不存在发散点。这意味着关注像素必须是线上的点或者变形点之一。顺便提及，图7示出线上的点和变形点如何呈现的图像。在图7中，为了便于说明，如同图4，阴影区域表示关注像素；黑色区域表示血管像素(白色像素)。

例如，如图8中所示的那样，当在起始点和终点之间跟踪的处理期间(斜线类似栅格的图像中阴影的那些)，如果包含当前关注像素的线性的一系列先前关注像素以下一关注像素(或血管像素)结束，那么特征点提取部分22将当前关注像素检测为变形点(类似栅格图案中的阴影像素)。

在抵达终点之后，特征点提取部分22将从线段血管线的起始点延伸至终点的一系列特征点辨别为一个组。

这样，在第二阶段的处理中，特征点检测提取部分22通过使用作为参考点的端点和发散点，检测从一个发散点或端点延伸至下一发散点或端点的每个线段血管线的变形点。

(B-3)变形点的移除

然后，在第三阶段的处理中，特征点提取部分22将从线段血管线的起始点延伸至终点的一组特征点或一系列特征点辨别为一个处理单元(在下文中称为线段血管构成点行，segment blood vessel constituting points row)，并且从线段血管线中移除变形点。

将相同的移除处理应用于所有的线段血管构成点行；参考图9，下面给出关于被应用于一个线段血管构成点行的处理的详细描述。在图9中，方形区域表示构成原始血管线的像素(在下文中称为原始血管像素)；阴影区域表示原始血管像素的端点或发散点。

在线段血管构成点行上，存在从作为参考点所选择的特征点(在下文中称为参考点)GP_bs至移除候选点GP_cd(GP_cd1～GP_cd3)的原始血管像素；存在从参考点GP_bs延伸至移除候选点GP_cd的线段SG(SG₁～SG₃)。特征点提取部分22对与原始血管像素交叠的线段SG的像素(在下文中称为线段像素)的数目进行计数，并且逐渐将移除候选点GP_cd移向终点，直到交叠像素的数目与存在于参考点GP_bs和移除候选点GP_cd之间的像素的数目的比率变得小于预定阈值为止(称为交叠比率阈值)。

在图9中，线段SG₁的所有线段像素均与存在于参考点GP_bs和相应移除候选点GP_cd1之间的原始血管像素(两个像素)交叠，这意味着交叠比率为“2/2”。此外，线段SG₂的线段像素(七个像素)与存在于参考点GP_bs和相应移除候选点GP_cd2之间的原始血管像素(七个像素)中的四个交叠，这意味着交叠比率为“4/7”。此外，线段SG₃的线段像素(九个像素)与存在于参考点GP_bs和相应移除候选点GP_cd3之间的原始血管像素(九个像素)中的两个交叠，这意味着交叠比率为“2/9”。

如果线段SG₃的线段像素的交叠比率小于交叠比率阈值，那么特征点提取部分22将作为紧接在移除候选点(特征点)GP_cd3之前的移除候选点GP_cd2而选择的特征点与参考点GP_bs之间的特征点GP_cd1移除。因此，即使移除了特征点GP_cd1，从参考点GP_bs延伸至剩余特征点GP_cd2的线段SG₂实质上也可表示原始血管线。

这里，如果交叠比率阈值太小，那么即使当线段SG₃与从参考点GP_bs延伸至移除候选点GP_cd3的一系列原始血管像素(线段血管线)不相似时，也可以移除特征点GP_cd1。如果交叠比率阈值太大，那么可能将特征点GP_cd1留下(leave)。

因此，在本实施例中，特征点提取部分22根据线段的长度改变交叠比率阈值。更具体地，假设参考点是GP_J(J＝1、2、......、M(M：整数))并且来自参考点的第α个移除候选点是GP_J+α。下面描述计算从参考点GP_J延伸至移除候选点GP_J+α的线段GP_J-GP_J+α相对于原始血管像素的交叠比率的情况：如果先前线段GP_J+(α-1)-GP_J+α(其交叠比率紧接在当前线段之前而计算出)的长度大于等于预定阈值(称为线段长度阈值)，那么设置第一交叠比率阈值；如果其小于线段长度阈值，那么设置比第一交叠比率阈值更大的第二交叠比率阈值。

这容许待移除的变形点的适当选择，以使得穿过线段血管线上的变形点的线类似于线段血管线。

更具体地，变形点的移除处理从线段血管构成点行的起始点开始；图34示出该处理的过程。这意味着特征点提取部分22选择线段血管构成点行的起始点作为参考点，并且从参考点选择第一特征点作为移除候选点(步骤SP1)。

然后，特征点提取部分22进行关于这是否是如下情况的判定(步骤SP32)，所述情况为：其在开始变形点的移除处理之后第一次计算交叠比率的情况，或者其进行关于先前线段GP_J+(α-1)-GP_J+α(其紧接在从当前参考点GP_J延伸至移除候选点GP_J+α的线段GP_J-GP_J+α之前出现)的长度是否小于线段长度阈值的判定的情况。

如果其为第一次在开始变形点的移除处理之后计算交叠比率的情况，或者先前线段GP_J+(α-1)-GP_J+α的长度小于线段长度阈值的情况，那么特征点提取部分22将第一交叠比率阈值设置为交叠比率阈值(步骤SP33)，计算从参考点GP_J延伸至移除候选点GP_J+α的当前线段GP_J-GP_J+α相对于原始血管像素的交叠比率(步骤SP34)，并且进行关于该交叠比率是否大于等于第一交叠比率阈值的判定(步骤SP35)。

然而，如果其为不是第一次在开始变形点的移除处理之后计算交叠比率的情况，或者先前线段GP_J+(α-1)-GP_J+α的长度大于等于线段长度阈值的情况，那么特征点提取部分22将第二交叠比率阈值设置为交叠比率阈值(步骤SP36)，计算从参考点GP_J延伸至移除候选点GP_J+α的当前线段GP_J-GP_J+α相对于原始血管像素的交叠比率(步骤SP34)，并且进行关于该交叠比率是否大于等于第二交叠比率阈值的判定(步骤SP35)。

这里，如果交叠比率大于等于交叠比率阈值，这意味着从参考点GP_J延伸至移除候选点GP_J+α的当前线段GP_J-GP_J+α与从参考点GP_J延伸至移除候选点GP_J+α的原始血管线相似或者相同。

在这种情况下，特征点提取部分22进行关于当前移除候选点GP_J+α是否是线段血管构成点行的终点的判定(步骤SP37)；如果其不是终点，那么在返回至上述处理(步骤SP32)之前，特征点提取部分22选择比当前移除候选点GP_J+α更接近于终点的下一特征点作为新的移除候选点GP_J+α(步骤SP38)。

然而，如果交叠比率小于等于交叠比率阈值，这意味着从参考点GP_J延伸至移除候选点GP_J+α的当前线段GP_J-GP_J+α与从参考点GP_J延伸至移除候选点GP_J+α的原始血管线完全不同。

在这种情况下，特征点提取部分22将作为紧接在当前一个之前的移除候选点GP_J+α而选择的特征点和当前参考点(特征点)GP_J之间的所有特征点移除(步骤SP39)。

然后，特征点提取部分22进行关于当前移除候选点GP_J+α是否是线段血管构成点行的终点的判定(步骤SP40)；如果其不是终点，那么在返回至上述处理(步骤SP32)之前，特征点提取部分22选择当前移除特征点GP_J+α作为参考点GP_J，并且选择比该参考点GP_J更接近于终点的下一特征点作为新的移除候选点GP_J+α(步骤SP41)。

然而，如果特征点提取部分22的判定是当前移除候选点GP_J+α为线段血管构成点行的终点(步骤SP37(Y)或步骤SP40(Y))，那么在结束变形点的移除处理之前，特征点提取部分22将当前移除候选点(特征点)GP_J+α和当前参考点(特征点)GP_J之间的所有特征点移除(步骤SP42)。

那样，特征点提取部分22执行变形点的移除处理。顺便提及，图11示出在移除处理之前和之后的那些变形点。在图11的情况下，用于移除处理的线段长度阈值是5[mm]；第一交叠比率阈值是0.5(50[％])；第二交叠比率阈值是0.7(70[％])。此外，在图11中，方形区域表示原始血管像素；圆形区域表示构成线段的像素；阴影区域表示原始血管像素的端点或变形点。

从图11中显而易见，上面的移除处理已适当地移除了变形点；因此，穿过线段血管线上的变形点的线与线段血管线相似。

(B-4)端点的移除

然后，在第四阶段的处理中，特征点提取部分22在从血管线上的发散点延伸的三个或四个线段血管线之中选择如果其被组合则类似于直线的两个线段血管线，并且将其连接为一个线段血管线，由此将曾作为该两个线段血管线的端点的起始点或终点移除。顺便提及，如上面参考图4所述那样，如果血管(血管线)的宽度为一个像素，那么从发散点延伸的线段血管线的数目肯定为三个或四个。

更具体地，例如，如图12(A)中所示，假设三个线段血管线PBL_A、PBL_B和PBL_C从发散点GP(GP_A1、GP_B1和GP_C1)延伸。特征点提取部分22计算每对线段血管线PBL_A、PBL_B和PBL_C的交叉角θ_A-B、θ_A-C和θ_B-C的余弦(cos(θ_A-B)、cos(θ_A-C)和cos(θ_B-C))。

这里，如果最小的余弦cos(θ_A-B)小于预定的阈值(在下文中称为余弦阈值)，那么这意味着线段血管线的交叉角接近180度。在这种情况下，特征点提取部分22辨别与余弦cos(θ_A-B)对应的该对线段血管线的线段血管构成点行GP_A1、GP_A2、......、GP_A-END和GP_B1、GP_B2、......、GP_B-END；辨别这些线段血管构成点行的两端；将还没有彼此交叠的点GP_A-END和GP_B-END看作为起始点和端点；并且将该起始点和端点之间的特征点辨别为一个组。

结果，组合了该对线段血管线PBL_A和PBL_B。例如，如图12(B)中所示，已组合的线段血管线PBL_AB的线段血管构成点行GP_AB-first、......、GP_AB10、GP_AB11、GP_AB12、......、GP_AB-end的数目是小于未组合的该对线段血管线的线段血管构成点行的数目的一个。这是由于曾作为线段血管线的线段血管构成点行的起始点的两个发散点GP_A1和GP_B2被一个中间点GP_AB11替换。顺便提及，组合该对线段血管线PBL_A和PBL_B并不改变血管线的形状或者线段血管线PBL_AB。

然而，如果最小的余弦cos(θ_A-B)大于该余弦阈值，那么特征点提取部分22不辨别任何组。如果还留有其它发散点，那么特征点提取部分22将下一发散点辨别为处理目标；如果没有，那么特征点提取结束该处理。

另一方面，例如，如图13(A)中所示，假设存在从发散点GP(GP_A1、GP_B1、GP_C1和GP_D1)延伸的四个线段血管线PBL_A、PBL_B、PBL_C和PBL_D。特征点提取部分22计算每对线段血管线PBL_A、PBL_B、PBL_C和PBL_D的交叉角θ_A-B、θ_A-C、θ_A-D、θ_B-C、θ_B-D和θ_C-D的余弦(cos(θ_A-B)、cos(θ_A-C)、cos(θ_A-D)、cos(θ_B-C)、cos(θ_B-D)、cos(θ_C-D))。

这里，如果最小的余弦cos(θ_B-D)小于第二余弦阈值，那么这意味着线段血管线的交叉角接近180度。在这种情况下，特征点提取提取部分22辨别与余弦cos(θ_B-D)对应的该对线段血管线的线段血管构成点行GP_B1、GP_B2、......、GP_B-END和GP_D1、GP_D2、......、GP_D-END；辨别这些线段血管构成点行的两端；将还没有彼此交叠的点GP_B-END和GP_D-END看作为起始点和端点；并且将该起始点和端点之间的特征点辨别为一个组。

结果，组合了该对线段血管线PBL_B和PBL_D。例如，如图13(B)中所示，已组合的线段血管线PBL_BD的线段血管构成点行GP_BD-first、......、GP_BD10、GP_BD11、GP_BD12、......、GP_BD-end的数目是小于未组合的该对线段血管线的线段血管构成点行的数目的一个。这是由于曾经作为线段血管线的线段血管构成点行的起始点的两个发散点GP_B1和GP_D2被一个中间点GP_BD11替换。顺便提及，组合一对线段血管线PBL_B和PBL_D并不改变血管线的形状或者线段血管线PBL_BD。

在具有四个发散点的这种情况下，即使组合了该对线段血管线PBL_B和PBL_D之后，也留有未组合的线段血管线PBL_A和PBL_C；如果剩余的该对线段血管线PBL_A和PBL_C的交叉角θ_A-C的余弦值cos(θ_A-C)小于余弦阈值，例如，如图13(c)中所示，那么特征点提取部分22以与其对于线段血管线PBL_B和PBL_D的线段血管构成点行所进行的相同的方式，将线段血管线PBL_A和PBL_C的线段血管构成点行变换为线段血管构成点行GP_AC-first、......、GP_AC10、GP_AC11、GP_AC12、......、GP_{AC_end}；并且移除曾为原始线段血管构成点行的端点的起始点GP_A1和GP_C1之一。

然而，如果最小的余弦cos(θ_A-B)大于该余弦阈值，那么特征点提取部分22不辨别任何组。如果还留有其它发散点，那么特征点提取部分22将下一发散点辨别为处理目标；如果没有，那么特征点提取结束该处理。

顺便提及，在图12和13中，交叠点具有相同的位置(或坐标)信息。但是由于每一个均属于不同的组，因此为了便于说明将其区分。

这样，在第四阶段的处理中，特征点提取部分22辨别从血管线上的发散点延伸的血管线；辨别交叉角的余弦小于第二余弦阈值的该对血管线；并且将线段血管线的线段血管构成点行组合为一个线段血管构成点行，由此将曾作为该对线段血管构成点行的端点的起始点或者终点之一移除。

如上所述，特征点提取部分22检测端点、发散点和变形点(第一和第二阶段)；并且通过基于端点和发散点的每个组，逐组(行线段血管线)地从这些点之中提取血管线的特征点，以使得穿过特征点的线与血管线及直线两者均类似(第三和第四阶段)。

例如，如果将图3(B)中所示的图像(图像数据D21)输入至特征点提取部分22，那么如图14中所示，特征点提取部分22的特征点提取处理从该图像提取特征点，以使得穿过特征点的线与血管线及直线两者均类似。

特征点提取部分22将已提取的特征点的图像的数据(图像数据D1)存储在闪存13中。

(2-2)数据生成模式

另一方面，如果控制部分10的判定是应该开始数据生成模式，那么控制部分10进入作为操作模式的数据生成模式，并且进行关于在闪存13中是否存储着多个图像数据集D1i(i＝1、2、......、n)的判定。

如果在闪存13中存在多个图像数据集D1i，那么控制部分10通过使用这些图像数据集D22i开始数据生成处理。

下面在数据生成处理的详细描述之前，描述用于血管图案和伪血管图案的区分指示器。在下面的示例中，伪血管图案是作为拍摄橡皮糖(一种由凝胶、糖以及稠麦芽糖浆制造的、类似橡胶的有弹性的点心)或萝卜的图片的结果而得到的。

(2-2-A)用于血管图案及伪血管图案的区分指示器

图15示出从活体的手指得到的血管图案以及从橡皮糖和萝卜得到的伪血管图案。如图15中所示，血管图案(图15(A))和伪血管图案(图15(B))总体看上去像是相同的图案。

这里，如图16中所示，关注点聚焦于连接特征点的线段与穿过该线段的端点的水平轴的角θ。然后，以表示为频度的线段的长度(构成该线段的像素的数目)来表示图像的水平方向相对于连接图案的特征点的线段的角的分布。对于血管图案(图17)，在90度及其周围观察到密集度(concentration)；对于从橡皮糖得到的伪血管图案(图18(A))以及从萝卜得到的伪血管图案(图18(B))，其在0度和180度之间延展(spread)，显示缺少规律性。这是由于血管图案不延展但具有某种方向性(沿着手指的长度)。

此外，存在如下的趋势：与直线相似的血管图案的线段(图19(A))比从橡皮糖得到的伪血管图案(图19(B))以及从萝卜得到的伪血管图案(图19(C))更长。因此，被上面的特征点提取处理辨别为组的线段(线段血管线)的数目小于伪血管线图案的数目。

因此，血管图案及伪血管图案的区分指示器可以是：第一，角的分布的延展；第二，在90度点以及其周围的角度分布的强度(intensity)；以及第三，被辨别为组的线段的数目。

例如，可以由分布方差(或标准方差)表示角的分布的延展。这意味着如果由l_K(K＝1、2、......、N(N：整数))表示连接特征点(从图案提取的用于表示特征的那些)的线段，由θ_K表示图像的水平方向相对于该线段的角，并且由L_K表示该线段的长度，那么由于线段的长度L_K被加权，因此线段l_K的角θ_K的平均分布可表示如下：

$\stackrel{\&OverBar;}{\mathrm{\&theta;}}=\frac{\underset{\mathrm{\&theta;}=0}{\overset{179}{\mathrm{\&Sigma;}}}{S}_{\mathrm{\&theta;}}\mathrm{\&theta;}}{\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_K}=\frac{\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_K{\mathrm{\&theta;}}_K}{\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_K}......\left(1\right)$

而方差可以表示如下：

${\mathrm{\&sigma;}}^2=\frac{\underset{\mathrm{\&theta;}=0}{\overset{179}{\mathrm{\&Sigma;}}}{S}_{\mathrm{\&theta;}}{({\mathrm{\&theta;}}_K-\stackrel{\&OverBar;}{\mathrm{\&theta;}})}^2}{\left(\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_K\right)-1}=\frac{\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_K{({\mathrm{\&theta;}}_K-\stackrel{\&OverBar;}{\mathrm{\&theta;}})}^2}{\left(\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_K\right)-1}......\left(2\right)$

此外，可以由90度点周围的预定角度范围内存在的分布的大小与总分布的大小的比率来表示该分布的强度。这意味着如果角度范围是“下限(度)＜θ＜上限(度)”并且分布的大小是S，那么分布的强度可表示如下：

此外，被辨别为组的线段的数目是以上特征点提取处理之后分配的组的数目，即，在特征点提取部分22的变形点检测处理之后的剩余组的数目，其中所述的变形点检测处理是指：辨别通过变形点从起始点延伸至终点的特征点的行(线段血管构成点行)以及将这些组(线段血管构成点行)组合为一个组以使得其类似于直线。

这里，图20示出通过使用三种区分指示器，在血管图案和从橡皮糖得到的伪血管图案之间区分的结果。在图20中，淡绘图点是从橡皮糖的伪血管图案得到的点；样本数目为635。同时，深绘图点是从血管图案(其是从作为五次拍摄手指的图片的结果而生成的五个血管图案中选择的)得到的点：所选择的血管图案具有距淡绘图点的分布中心最远的Mahanobis距离，并且样本的数目为127。

此外，在图20中，“Rf_G”表示边界(在下文中称为伪血管边界)，并且伪血管图案基于该边界而定。具体地，其Mahanobis距离距淡绘图点的分布中心2.5。另一方面，“Rf_F”表示边界(在下文中称为血管边界)，并且血管图案基于该边界而定。具体地，其Mahanobis距离距深绘图点的分布中心2.1。顺便提及，绘图点“·”存在于伪血管边界Rf_G或血管边界Rf_F的内部，而绘图点“*”并不存在于伪血管边界Rf_G或血管边界Rf_F的内部。

从图20显而易见，可以从伪血管图案中充分地区分血管图案；如图21中所示，只要涉及图20的三维分布的δ-C平面，就可以从伪血管图案中完全地区分血管图案。顺便提及，在图20和21中，由标准方差表示角分布的延展。

(2-2-B)数据生成处理的详细描述

下面给出数据生成处理的详细描述。根据图22中所示的流程图执行该数据生成处理。

即，控制部分10从闪存13中读取图像数据集D1i的多个样本，并且为该图像数据集D1i的每个血管图案计算三个区分指示器(即，角分布的方差、角分布的强度以及被辨别为组的线段的数目)(步骤SP1～SP5的循环)

此外，在每个样本的血管图案的区分指示器的计算之后(步骤SP5：是)，控制部分10将分别以列和行表示的每个样本的血管图案和血管图案的区分指示器代入矩阵：

$R_f=\left[\begin{array}{ccc}{\mathrm{\&sigma;}}_1& P_1& C_1\\ {\mathrm{\&sigma;}}_2& P_2& C_2\\ {\mathrm{\&sigma;}}_3& P_3& C_3\\ & \&CenterDot;& \\ & \&CenterDot;& \\ & \&CenterDot;& \\ {\mathrm{\&sigma;}}_{n-1}& P_{n-1}& C_{n-1}\\ {\mathrm{\&sigma;}}_n& P_n& C_n\end{array}\right]=\left(\begin{array}{ccc}{\mathrm{\&sigma;}}_i& P_i& C_i\end{array}\right)......\left(4\right)$

其中，σ表示角分布的方差；P表示角分布的强度；C表示被辨别为组的线段的数目(步骤SP6)。

然后，控制部分10根据区分指示器的矩阵，将每个样本的区分指示器的分布中心计算如下(步骤SP7)：

$\stackrel{\&OverBar;}{R_f}=\frac{1}{n}\left[\begin{array}{ccc}\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_K& \underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_K& \underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_K\end{array}\right]=\frac{1}{n}\left[\begin{array}{ccc}\underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_K\left(1\right)& \underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_K\left(2\right)& \underset{K=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_K\left(3\right)\end{array}\right]......\left(5\right)$

并且然后计算协方差矩阵的逆矩阵(步骤SP8)。顺便提及，协方差矩阵表示每个样本的区分指示器的分布的延展度；其反数(inverse number)用于Mahalanobis距离的计算。

然后，控制部分10通过使用区分指示器的分布中心(其已在步骤SP7计算出)、协方差矩阵的逆矩阵(其已在步骤SP8计算出)以及预定的血管边界数目(在图20的情况下，其Mahalanobnis距离为2.1)，生成血管图案范围数据(其为表示应进行血管图案的判定的范围的数据)(步骤SP9)；将该数据存储在认证设备的内部存储器中(步骤SP10)；并且然后结束数据生成处理。

这样，通过将如下的趋势(tendency)用作用于血管图案和伪血管图案的区分指示器，控制部分10生成表示应进行血管图案的判定的范围的数据(区分指示器的分布中心、协方差矩阵的逆矩阵以及血管边界数目)：所述趋势是指血管图案不延展但具有某种方向性(沿着手指的长度)；以及对于血管图案的所有线段，类似于直线的那个线段比其它的线段更长。

(3)认证设备的配置

图23图示认证设备的配置。数据生成设备1包含经由总线36将操作部分31、图像拾取部分32、闪存33、外部接口34以及通知部分35连接至其的控制部分30。

控制部分30是微型计算机，该微型计算机包含CPU，其进行验证设备1的总体控制；ROM，其存储各种程序和设置信息；以及RAM，其用作CPU的工作存储器。顺便提及，数据生成设备1生成的血管图案范围数据存储在ROM中。

当用户操作操作部分31时，从操作部分31向控制部分30供给执行命令COM10(其为登记登记目标用户(在下文中称为登记者)的血管)的模式(在下文中称为血管登记模式)或者执行命令COM20(其为进行关于一个人是否是登记者的判断)的模式(在下文中称为认证模式)。

基于执行命令COM10和COM20，控制部分30进行关于应该启动哪种模式的判定。控制部分30通过使用对应于该判定的程序，适当地控制图像拾取部分32、闪存33以及外部接口34和通知部分35以在血管登记模式或认证模式中运行。

(3-1)血管登记模式

更具体地，如果该判定为应该启动血管登记模式，那么控制部分30进入作为操作模式的血管登记模式以控制图像拾取部分32。

在这种情况下，以与数据生成设备1的图像拾取部分12(图1)的那些类似的方式，图像拾取部分32驱动并控制近红外光束源LS及图像拾取元件ID。图像拾取部分32还基于作为拍摄置于认证设备2的预定位置的对象的图片的结果而由图像拾取元件ID输出的图像信号S10a来调整光学系统OP的光学镜头的位置以及孔径光阑DH的光圈。在调整之后，图像拾取部分32将输出自图像拾取元件ID的图像信号S20a提供至控制部分30。

控制部分30对图像信号S20a顺序地执行与数据生成设备1的预处理部分21及特征点提取部分22(图2)的那些处理相同的预处理处理和特征点提取处理，以便于从图像提取对象图案以及逐组(线段血管构成点行)地提取经由变形点从起始点延伸至终点的一系列特征点。

然后，控制部分30基于存储在ROM中的血管图案范围数据，执行用于将对象图案区分为血管图案或伪血管图案的处理(在下文中称为区分处理)；如果其将对象图案辨别为血管图案，那么控制部分30将对象图案的特征点存储在闪存33中，作为将用于辨别登记者的信息(在下文中称为登记者辨别数据)DIS，从而完成登记。

这样，控制部分30执行血管登记模式。

(3-2)认证模式

另一方面，如果控制部分30的判定是应该执行认证模式，那么控制部分30进入认证模式并且以当其执行血管登记模式时相似的方式控制图像拾取部分32。

在这种情况下，图像拾取部分32驱动和控制近红外光束源LS以及图像拾取元件ID。图像拾取部分32还基于图像拾取元件ID输出的图像信号S10b来调整光学系统OP的光学镜头的位置以及孔径光阑DH的光圈。在调整之后，图像拾取部分32将输出自图像拾取元件ID的图像信号S20b提供至控制部分30。

控制部分30对图像信号S20b顺序地执行与上述血管登记模式的那些处理相同的预处理处理和特征点提取处理，并且从在其中已经登记了数据DIS的闪存33中读取登记者识别数据DIS。

然后，控制部分30执行与上述血管登记模式的区分处理相同的区分处理；如果其将提取自图像信号S20b的对象图案区分为血管图案，那么控制部分30将作为经由变形点从起始点延伸至终点的组的、提取自对象图案的特征点的每一个与读取自闪存33的登记者识别数据DIS的特征点相比较，从而根据一致度进行关于一个人是否是登记者(授权用户)的判定。

这里，如果控制部分30的判定是其为登记者，那么控制部分30生成执行命令COM30，以便于让连接至外部接口34的操作处理设备(未示出)执行预定操作。控制部分30经由外部接口34将该执行命令COM30提供至操作处理设备。

下面描述连接至外部接口34的操作处理设备的应用：如果应用锁定的门(locked door)，那么从控制部分30传送的执行命令COM30将要解锁该门；如果应用具有多个操作模式以及其当前模式是限制某些操作模式的使用的计算机，那么从控制部分30传送的执行命令COM30将要解除(lift)限制。

顺便提及，这两个示例作为应用而描述。但是可存在其它的应用。此外，在本实施例中，操作处理设备连接至外部接口34。但是代替其，认证设备1可包含操作处理设备的软硬件。

然而，如果控制部分30的判定为其不是登记者，那么控制部分30在通知部分35的显示部分35a上显示带有那个意思的信息，并且通过通知部分35的声音输出部分35b输出声音，视觉或听觉地向用户通知其不是登记者的事实。

那样，控制部分30执行认证模式。

(3-3)区分处理的详细描述

下面给出控制部分30的区分处理的详细描述。根据图24中所示的流程图执行该区分处理。

即，在已经对血管登记模式或认证模式期间输入的图像信号S20a和S20b顺序地执行预处理处理和特征点提取处理之后，控制部分30开始区分处理的过程。在步骤SP11，控制部分30从提取自图像信号20a或S20b的对象图案检测角分布的方差、角分布的强度以及被辨别为组的线段的数目。

该检测在被辨别为授权血管图案的多个样本图案的区分指示器的三维空间(图20)中判定其对象是图像捕获的当前目标的对象图案的位置。

然后，在步骤SP12，控制部分30基于存储在ROM中的血管图案范围数据(区分指示器的分布中心、协方差矩阵的逆矩阵以及血管边界数目)，计算区分指示器的三维分布中心与对象图案的位置之间的Mahalanobis距离。

更具体地，Mahalanobis距离D_CP计算如下：

$D_{\mathrm{CP}}=\sqrt{{(P-\mathrm{CT})}^T\&CenterDot;{\mathrm{Cov}}^{-1}\&CenterDot;(P-\mathrm{CT})}......\left(6\right)$

其中，CT是区分指示器的分布中心；Cov^-1是协方差矩阵的逆矩阵；P是对象图案的位置。计算结果表明作为图像捕获的当前目标的对象图案存在于被辨别为授权血管图案的多个样本图案的分布中的什么位置。

然后，在步骤SP13，控制部分30进行关于在步骤SP12计算出的Mahalanobis距离是否小于存储在ROM中的血管图案范围数据的血管边界数目的判定。

如图20中所示，血管边界数目表示边界Rf_F相对于区分指示器的分布中心的值：血管图案的判定应该基于边界Rf_F进行。因此，如果Mahalanobis距离大于血管边界数目，那么由于其可以是伪血管图案或是与该血管图案完全不相同的图案，因此这意味着不应该将该提取的对象图案辨别为合适的血管图案。

在这种情况下，在结束区分处理之前，控制部分30进入步骤SP14，去除提取自图像信号S20a或S20b的对象图案以及其特征点，并且通过通知部分35(图23)向用户通知应该再次拍摄图片。

然而，如果Mahalanobis距离小于等于血管边界数目，那么这意味着应该将提取的对象图案辨别为合适的血管图案。

在这种情况下，控制部分30进入步骤SP15，并且如果其运行在血管登记模式中，那么其将作为组(线段血管构成点行)所提取的、从对象图案的起始点通过变形点延伸至终点的特征点辨别为要登记的那些；如果其运行在认证模式中，那么控制部分30将其辨别为将要与已作为登记者识别数据DIS所登记的特征点相比较的那些。控制部分30顺序地结束区分处理。

这样，通过将如下的趋势(tendency)用作用于血管图案和伪血管图案的区分指示器，控制部分30生成血管图案范围数据(区分指示器的分布中心、协方差矩阵的逆矩阵以及血管边界数目)：所述趋势是指血管图案不延展但具有某种方向性(沿着手指的长度)；以及对于血管图案的所有线段，与直线类似的线段比其它线段更长。基于血管图案范围数据，控制部分30消除了伪血管图案等。

(4)操作和效果

通过上述的配置，对于从作为多个样本(活体的手指)所输入的图像信号S1得到的每个血管图案，认证系统的数据生成处理设备1计算表示图案的形状的形态值。

根据本实施例，通过将如下趋势用作指示器，形态值被判定用于表示图案的形状：所述趋势是指血管图案不延展但具有某种方向性(沿着手指的长度)；以及与直线类似的线段比其它线段更长。

即，数据生成处理设备1计算如下值作为形状值(图22：步骤SP1至步骤SP5)：第一，延展度，具有用作频度的线段的长度的加权分布(图17)，作为参考轴(正交于血液循环的方向)相对于连接血管图案的特征点的线段的角度分布(图16)；第二，存在于其中心等于血液循环的方向的角度(90度)的预定角度范围内的分布的大小与总分布的大小的比率；第三，线段的数目(图19(A))。

然后，数据生成处理设备1计算那些形态值的三维分布的中心(图20)、表示远离该中心的延展度的值(协方差矩阵)的反数以及将其存储在认证设备2的内部存储器中。

另一方面，认证系统的认证设备2为从作为将要登记或者与已登记的数据相比较的那些而输入的图像信号S20a或S20b获得的图案计算上述三种形态值。然后，认证设备2通过使用协方差矩阵的反数，计算由三维分布中的所述三种形态值所识别的位置与存储在内部存储器中的三维分布的中心(图20)之间的Mahalanobis距离。如果Mahalanobis距离大于预定的阈值(血管边界数目)(图20：“Rf_f”)，那么认证设备2去除该图案(图24)。

因此，对于从多个样本获得的血管图案，认证系统辨别从将要登记或者将要与已登记的数据相比较的那些获得的图案存在于与表示血管图案的特征的三个指示器相对应的三维分布(图20)中的什么位置，以及辨别其是否存在于从该分布的中心延伸至边界(血管边界数目)(图20：“Rf_f”)的范围内：存在于该范围的内部意味着其为活体图案。

因此，即使从作为将要登记或者将要与已登记的数据相比较的那些而输入的图像信号S20a或S20b获得的图案是伪血管图案(图19(B)和(C))，与血管图案相比，认证系统也可假定(assume)伪血管图案不是血管图案。这增大了认证系统在将其登记或比较之前消除伪血管图案的可能性。

此外，数据生成设备1和认证设备2在提取血管图案的特征点之后计算所述形态值，以使得穿过这些特征点的线与血管图案及直线两者均类似。

因此，在强调(emphasize)了具有与直线类似的线段较长的趋势的血管图案的特征之后，认证系统计算表示图案的形状的形态值。这使得认证系统准确地计算形态值。这增大了认证系统在假设其不是血管图案之后消除伪血管图案的可能性。

根据以上配置，对于从多个样本获得的血管图案，认证系统辨别从将要登记或者将要与已登记的数据相比较的那些获得的图案存在于与表示血管图案的特征的三个指示器相对应的三维分布中的什么位置，以及辨别其是否存在于从该分布的中心延伸至边界的范围内：存在于该范围的内部意味着其为活体图案。这增大了认证系统在假设其不是血管图案之后消除伪血管图案的可能性。因此，可以实现能够改善认证的精度的认证系统。

(5)其它实施例

在上述实施例中，基于用于血管图案的判定的、表示从多个样本获得的血管图案的分布的数据以及表示该分布的边界的数据(阈值)来进行关于所输入的图案是否是血管图案的判定。然而，本发明不限于此，当进行关于所输入的图案是否是血管图案的判定时，也可以使用伪血管图案的分布。

即，数据生成设备1的上述数据生成处理(图22)在认证设备2的ROM中存储从活体样本获得的每个血管图案的三个区分指示器的分布的中心、协方差矩阵的逆矩阵以及血管边界数目(在图20的情况下，“Rf_F”或Mahalanobis距离的“2.1”)，作为血管图案范围数据。同时，对于从非活体样本获得的每个伪血管图案，上述数据生成处理(图22)在认证设备2的ROM中存储伪血管图案的三个区分指示器的分布的中心、协方差矩阵的逆矩阵以及伪血管边界数目(在图20的情况下，“Rf_G”或Mahalanobis距离的“2.5”)，作为伪血管图案范围数据。

另一方面，如已由与图24的对应部分相同的符号指定其部分的图25中所示，基于血管图案范围数据，认证设备2计算在三个区分指示器的分布中输入的图案(其对象是图像捕获的当前目标的对象图案)的位置与该分布的中心之间的Mahalanobis距离(在下文中，称为活体分布相关距离)；同时，基于伪血管图案范围数据，认证设备2计算Mahalanobis计算在三个区分指示器的分布中输入的图案的位置与该分布的中心之间的Mahalanobis距离(在下文中，称为非活体分布相关距离)(步骤SP22)。

如果活体部分相关距离小于等于血管边界数目，那么认证设备2进行关于非活体分布相关距离是否小于等于伪血管图案边界数目的判定(步骤S23)。如果非活体分布相关距离小于等于伪血管图案边界数目，那么这意味着：例如，如图20的三维分布的δ-P平面所示，输入的图案存在于应将物体判定为血管图案的范围与应将物体判定为伪血管图案的范围相交叠的区域。

因此，在这种情况下，即使当活体分布相关距离小于等于血管边界数目时，认证设备2也去除输入图案(其对象是图像捕获的当前目标的对象图案)等(步骤SP14)。

然而，如果活体相关距离小于等于血管边界数目并且非活体相关距离大于伪血管边界数目，那么认证设备2将作为组(线段血管构成点行)所提取的、从对象图案的起始点通过变形点延伸至终点的特征点辨别为要登记或比较的那些(步骤SP15)。

这样，当进行关于所输入的图案是否是血管图案的判定时，也可以使用伪血管图案的分布。与上述实施例相比，这增大了认证系统在假设其不是血管图案之后消除伪血管图案的可能性。

顺便提及，在判定活体分布相关距离小于等于血管边界数目之后，那么认证设备2进行关于非活体分布相关距离是否小于等于伪血管边界数目的判定(步骤SP23)。然而，代替其，以下也是可能的：例如，在这种情况下，进行关于步骤SP22计算出的活体分布相关距离是否大于非活体分布相关距离的判定。

此外，在上述实施例中，作为活体的图案，应用了血管的形态图案(血管图案)。然而，本发明不限于此。如果基于所应用的活体图案使用了相应的获取部件，那么可以应用诸如指纹、声纹、嘴纹或神经的形态图案之类的其它东西。

顺便提及，如果所应用的生命图图案(如同血管图案或神经图案)具有其不延展但具有某种方向性(沿着手指的长度)的趋势，或者与直线类似的线段较长的趋势，那么可以将上述三个区分指示器用作表示该图案的形状的形态值。然而，如果所应用的图案不是活体图案但是具有那种特性，那么可能需要根据所应用的活体图案的特性来改变形态值。

顺便提及，在上述实施例中，如果所应用的活体图案具有以上特征，那么将如下值用作三个区分指示器：第一，延展度，具有用作频度的线段的长度的加权分布，作为参考轴相对于连接该图案的特征点的线段的角度分布；第二，存在于其中心等于与参考轴正交的方向的角度的预定角度范围内的分布的大小与该分布的总的角度范围的大小的比率；第三，线段的数目。然而，本发明不限于此。可以仅使用该区分指示器中的两个，或者可以向所述三个区分指示器添加另一新的区分指示器(诸如，对于角分布的所有峰值，用于关于最大的三个峰值是否包含90度点的判定的那个)。简言之，只要存在两个或更多个区分指示器，那么将可以将其用作表示图案的形状的值。

进一步，在上述实施例中，存储在认证设备2的ROM中的血管图案范围数据包含：从活体样本获得的每个血管图案的三个区分指示器的分布的中心、协方差矩阵的逆矩阵以及血管边界数目(在图20的情况下，“Rf_F、”或Mahalanobis距离的“2.1”)。然而，本发明不限于此。可以提前在认证设备2中设置血管边界数目；只要在Mahalanobis距离的计算期间计算协方差矩阵的反数(图25：步骤SP12)，那么其可以仅包含三个区分指示器的分布的中心以及协方差矩阵。

此外，在上述实施例中，应用了预处理部分21和特征点提取部分22，作为从活体的图案提取特征点以使得连接这些特征点的线类似于活体的图案及直线的提取部件。然而，本发明不限于此。如果必要，可以改变预处理部分21以及特征点提取部分22的处理。

例如，预处理部分21以如下的次序执行A/D转换处理、轮廓提取处理、滤波处理、二进制处理以及稀疏处理。可替代地，可以省略或替换一些处理，或者可以向该系列的处理添加另一处理。顺便提及，如果必要，可以改变所述处理的次序。

此外，可以由点提取处理(称为Harris角)或熟知的点提取处理(诸如，日本专利公开号2006-207033中公开的一种([0036]～[0163]))来替换特征点提取部分22的处理。

此外，在上述实施例中，应用了包含图像捕获功能、验证功能以及登记功能的认证设备2。然而，本发明不限于此，根据用途等，各种应用都是可能的：可以在不同的设备中实施那些功能。

产业应用性

本发明可应用于生物认证领域。

Claims (17)

1.一种图案识别方法，包括：

第一步骤，为从多个活体样本获得的每个活体图案计算表示该图案的形状的两个或更多个形态值；

第二步骤，计算该两个或更多个形态值的分布的中心以及表示远离其中心的延展度的值；

第三步骤，通过使用该值，计算从将要登记或将要与已登记的数据相比较的那些中获得的图案的该两个或更多个形态值和该两个或更多个形态值的分布的中心之间的距离；以及

第四步骤，如果该距离大于预定阈值，则去除该图案。

2.如权利要求1所述的图案识别方法，其中

该两个或更多个形态值包含如下值中的至少两个：

延展度，具有用作频度的线段的长度的加权分布，作为参考轴相对

于连接该图案的特征点的线段的角度分布；

存在于其中心等于与参考轴正交的方向的角度的预定角度范围内的

分布的大小与该分布的总的角度范围的大小的比率；

线段的数目。

3.如权利要求2所述的图案识别方法，进一步包括

提取步骤，用于从多个活体图案获得的活体图案提取特征点，以使得连接这些特征点的线与该活体图案以及直线相似。

4.如权利要求1所述的图案识别方法，其中

第一步骤为从多个活体样本获得的每个活体图案计算表示该图案的形状的两个或更多个形态值，并且也为从多个非活体样本获得的每个非活体图案计算该两个或更多个形态值；

第二步骤，对于每个活体图案，计算该两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值，并且对于每个非活体图案，同样计算该两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；

第三步骤，通过使用表示远离该中心的延展度的值，计算该图案的两个或更多个形态值与每个活体图案的两个或更多个形态值的分布的中心之间的第一距离，并且还计算该图案的两个或更多个形态值与每个非活体图案的两个或更多个形态值的分布的中心之间的第二距离；以及

第四步骤在第二距离处于用于非活体图案的判定的第二阈值内时，即使第一距离大于用于活体图案的判定的第一阈值以及第一距离处于第一阈值内，仍然去除该图案。

5.如权利要求1所述的图案识别方法，其中

活体图案是血管的形态图案。

6.一种登记设备，包括：

存储部件，用于为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；

计算部件，用于通过使用所述值，计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及

登记部件，用于如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案登记在存储介质中。

7.如权利要求6所述的登记设备，其中

该两个或更多个形态值包含如下值中的至少两个：

延展度，具有用作频度的线段的长度的加权分布，作为参考轴相对于连接该图案的特征点的线段的角度分布；

存在于其中心等于与参考轴正交的方向的角度的预定角度范围内的分布的大小与该分布的总的角度范围的大小的比率；

线段的数目。

8.如权利要求6所述的登记设备，进一步包括

提取部件，用于从图案提取特征点，以使得连接这些特征点的线与该图案以及直线相似，其中

登记部件将提取部件提取的图案的特征点登记在存储介质中。

9.如权利要求6所述的登记设备，其中

存储部件，为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值，并且还为从多个非活体样本获得的每个非活体图案存储两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；

计算部件，通过使用表示远离该中心的延展度的值，计算该图案的两个或更多个形态值与每个活体图案的两个或更多个形态值的分布的中心之间的第一距离，并且还计算该图案的两个或更多个形态值与每个非活体图案的两个或更多个形态值的分布的中心之间的第二距离；以及

登记部件，当第二距离处于用于非活体图案的判定的第二阈值内时，即使第一距离大于用于活体图案的判定的第一阈值以及第一距离处于第一阈值内，仍然去除该图案。

10.如权利要求6所述的登记设备，其中

活体图案是血管的形态图案。

11.一种验证设备，包括：

存储部件，为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；

计算部件，用于通过使用所述值，计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及

验证部件，用于如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案与登记在存储介质中的登记数据相比较。

12.如权利要求11所述的验证设备，其中

该两个或更多个形态值包含如下值中的至少两个：

延展度，具有用作频度的线段的长度的加权分布，作为参考轴相对于连接该图案的特征点的线段的角度分布；

存在于其中心等于与参考轴正交的方向的角度的预定角度范围内的分布的大小与该分布的总的角度范围的大小的比率；

线段的数目。

13.如权利要求11所述的验证设备，进一步包括

提取部件，用于从图案提取特征点，以使得连接这些特征点的线与该图案以及直线相似，其中

验证部件将提取部件提取的图案的特征点与已登记的数据相比较。

14.如权利要求6所述的验证设备，其中

存储部件，为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值，并且还为从多个非活体样本获得的每个非活体图案存储两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值；

计算部件，通过使用表示远离该中心的延展度的值，计算该图案的两个或更多个形态值与每个活体图案的两个或更多个形态值的分布的中心之间的第一距离，并且还计算该图案的两个或更多个形态值与每个非活体图案的两个或更多个形态值的分布的中心之间的第二距离；以及

验证部件，当第二距离处于用于非活体图案的判定的第二阈值内时，即使第一距离大于用于活体图案的判定的第一阈值以及第一距离处于第一阈值内，仍然去除该图案。

15.如权利要求11所述的验证设备，其中

活体图案是血管的形态图案。

16.一种促使计算机执行如下处理的程序，该计算机为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值：

第一处理，通过使用所述值，计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及

第二处理，如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案登记在存储介质中。

17.一种促使计算机执行如下处理的程序，该计算机为从多个活体样本获得的每个活体图案存储表示该图案的形状的两个或更多个形态值的分布的中心以及表示远离该中心的延展度的值：

第一处理，通过使用所述值，计算从将要登记的那些获得的图案的两个或更多个形态值与存储在存储部件中的两个或更多个形态值的分布的中心之间的距离；以及

第二处理，如果所述距离大于预定的阈值，那么去除该图案，而如果所述距离在该阈值之内，那么将该图案与登记在存储介质中的已登记数据相比较。

Images