CN102460473A - 具有和没有参考点的鲁棒生物统计特征提取 - Google Patents
具有和没有参考点的鲁棒生物统计特征提取 Download PDFInfo
- Publication number
- CN102460473A CN102460473A CN2010800282949A CN201080028294A CN102460473A CN 102460473 A CN102460473 A CN 102460473A CN 2010800282949 A CN2010800282949 A CN 2010800282949A CN 201080028294 A CN201080028294 A CN 201080028294A CN 102460473 A CN102460473 A CN 102460473A
- Authority
- CN
- China
- Prior art keywords
- template
- characteristic set
- reference point
- biometric data
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明的基本思想是在产生个人的生物统计模板时选择性地采用至少两个不同的特征提取过程之一。个人将可以从其导出生物统计数据的诸如指纹、虹膜、耳朵、面部等等之类的生理属性提供给登记管理机构的传感器。在下文中,要讨论的属性将是指纹,即使可以使用任何适当的生物统计属性。根据指纹,导出生物统计数据的位置参考点。位置参考点的导出可以使用许多已知方法中的任何适当的方法来完成。这样的参考点可以是细节特征坐标加权平均、德耳塔、核心或类似物的位置。典型地,参考点包括表示为借助于xr、yr和角度αr标记的三维坐标的指纹核心。针对导出的位置参考点计算贡献指示器,并且确定导出的位置参考点是否可以被认为是可靠的。取决于导出的参考点的可靠性,选择所述两个不同的特征提取过程之一;或者使用不随导出的参考点变化的方法提取第一特征集合,或者使用考虑到导出的参考点的方法。参考点的估计越好,那么依赖于参考点的提取方法就越可靠。最后,使用提取的第一特征集合产生生物统计模板。
Description
技术领域
本发明涉及一种从与个人关联的生物统计(biometric)数据产生模板的方法和系统,以及一种通过采用生物统计数据验证个人的身份的方法和系统。
背景技术
在许多应用中通常采取认证物理对象的过程,所述应用例如有条件访问安全建筑物或者有条件访问数字数据(例如存储在计算机或者可移除存储介质中),或者用于识别目的(例如用于针对特定活动向识别的个人收费,或者用于机场旅客登机)。
生物统计学用于识别和/或认证在不断增大的程度上被认为是诸如口令、个人身份号码和认证令牌之类的传统识别手段的更好的替代方案。在生物统计识别中,诸如指纹、虹膜、耳朵形状、面部外观等等之类的用户独特的特征用来提供对于用户的识别。如今,指纹是最常见的生物统计模式;约略70%的生物统计市场将指纹用于身份验证。大多数指纹算法基于细节特征(minutiae)位置,这些细节特征位置以适当的方式进行处理以便形成个人的生物统计模板。这些位置在登记和验证期间进行估计。在登记——即登记管理机构获取用户的生物统计模板时的初始过程期间,用户将她的生物统计信息提供给登记管理机构的登记设备,该设备在系统中产生和存储可能地经过加密的模板。在验证期间,用户再次将她的生物统计信息提供给系统,其中存储的模板被取回(并且如果需要的话被解密),并且实现存储的和新产生的模板的匹配,即将登记期间获得的细节特征位置与验证期间获取的细节特征位置进行比较。如果存储足够良好的匹配,那么认为用户是被认证的。
可替换的方法使用形状相关参数,例如指纹图像的脊和谷的方向场。这样的方向场被估计为指纹中的位置的函数并且随后用作特征数据(或者其导数)。当要匹配细节特征位置或形状相关参数时,测量数据的平移和旋转造成主要的问题。用户可能在验证期间与登记期间不同地放置她的手指。在大多数情况下,在采用实际的比较过程之前,验证期间的比较阶段需要模板对准步骤,以便补偿平移和旋转差异。更高级的比较算法也考虑到非线性失真。
为了在系统中出现违反保密的任何时候维护采用生物统计识别系统的个人的诚信,可以设想这样的密码技术,其加密或置乱生物统计模板并且对加密的数据执行验证(或匹配),使得真实的模板从来不可不受阻碍地获得。随着对生物统计数据采用加密或单向函数的这些模板保护技术的出现,比较期间的模板对准几乎是不可能的。比较在加密域采用,并且因而不存在出于对准或分析的目的而对于原始生物统计数据的访问。结果,必须在产生模板之前作为预处理步骤解决对准问题。
一种作为预处理步骤的用于对准的已知方法是提取特征,并且借助于特定参考点校正细节特征数据。该参考点可以借助于指纹图像内的核心位置、德耳塔(delta)位置、平均细节特征位置或者任何相对稳定的可复现参考位置来找到和/或产生。如果特征相对于该参考点进行限定,并且这个过程对于登记和验证都类似地限定,那么在验证阶段的比较期间无需附加的对准步骤。尽管采用参考点的方法在许多情况下相当成功,但是它也可能引起问题。根据经验测试,估计对于目前发展水平的指纹分析算法而言,大约10%的指纹没有可靠的参考点(例如唯一核心位置)。在这样的情况下,使用不良估计的参考点执行对准,或者对准根本不可能。在验证阶段,这具有以下后果:即使个人事实上应当被授权,她也很可能被拒绝,这对于整个人口而言导致平均起来显著的验证性能退化。显然,希望的是不错误地拒绝授权的个人,即需要低错误拒绝率(FRR)。因此,具有不适合于提取参考点的生物统计特性的个人将经历登记失败或者在验证阶段经历高的FRR。
发明内容
本发明的一个目的是克服这个问题,并且提供一种从与个人关联的生物统计数据产生模板的方式。
这个目的是通过如独立权利要求中所限定的一种从与个人关联的生物统计数据产生模板的方法以及一种通过采用生物统计数据验证个人的身份的方法来实现的。从属权利要求中限定了本发明的附加的实施例,并且通过以下描述,本发明的另外的目的将变得清楚明白。
在本发明的第一方面中,提供了一种从与个人关联的生物统计数据产生模板的方法。该方法包括步骤:导出生物统计数据的位置参考点和用于位置参考点的可靠性度量;计算用于导出的位置参考点的贡献指示器;以及从生物统计数据提取第一特征集合,所述第一集合在导出的参考点被认为可靠的情况下通过考虑导出的位置参考点而被提取。然而,如果参考点被认为不是可靠的,那么不随导出的位置参考点变化地进行第一特征集合的提取。此外,该方法包括步骤:从提取的第一特征集合产生模板并且将该模板与贡献指示器关联。
在本发明的第二方面中,提供了一种通过采用生物统计数据验证个人的身份的方法。该方法包括步骤:如果个人登记期间计算的贡献指示器指示位置参考点在登记时被认为是可靠的,则导出个人的生物统计数据的位置参考点。此外,该方法包括步骤:如果贡献指示器指示可靠,则从生物统计数据提取第一特征集合,所述第一特征集合通过考虑导出的位置参考点而被提取;以及从提取的第一特征集合产生模板。最后,该方法包括步骤:将产生的模板与至少一个登记的模板进行比较以便检查一致性,其中如果一致性存在,则验证个人的身份。
在本发明的第三方面中,提供了一种用于从与个人关联的生物统计数据产生模板的设备。该设备包括传感器和处理器,所述传感器被设置成导出个人的生物统计数据的位置参考点和用于位置参考点的可靠性度量。处理器被设置成计算用于导出的位置参考点的贡献指示器。传感器进一步被设置成从生物统计数据提取第一特征集合,所述第一特征集合在导出的位置参考点可以被认为可靠的情况下通过考虑导出的位置参考点而被提取。而且,处理器进一步被设置成从提取的第一特征集合产生模板并且将该模板与贡献指示器关联。
在本发明的第四方面中,提供了一种用于通过采用生物统计数据验证个人的身份的设备。该设备包括传感器和处理器。传感器被设置成:如果个人登记期间计算的贡献指示器指示位置参考点在登记时被认为是可靠的,则导出个人的生物统计数据的位置参考点;并且进一步被设置成从生物统计数据提取第一特征集合,所述第一特征集合在贡献指示器指示可靠的情况下通过考虑导出的位置参考点而被提取。处理器被设置成从提取的第一特征集合产生模板并且将产生的模板与至少一个登记的模板进行比较以便检查一致性,其中如果一致性存在,则验证个人的身份。
本发明的基本思想是在产生个人的生物统计模板时选择性地采用至少两个不同的特征提取过程之一。个人将可以从其导出生物统计数据的诸如指纹、虹膜、耳朵、面部等等之类的生理属性提供给登记管理机构的传感器。在下文中,要讨论的属性将是指纹,即使可以使用任何适当的生物统计属性。根据指纹,导出生物统计数据的位置参考点。位置参考点的导出可以使用许多已知方法中的任何适当的方法来完成。这样的参考点可以是细节特征坐标加权平均、德耳塔、核心或类似物的位置。典型地,参考点包括表示为借助于xr、yr和角度αr标记的三维坐标的指纹核心。此外,确定导出的位置参考点是否可以被认为是可靠的,并且针对导出的位置参考点计算贡献指示器。取决于导出的参考点的可靠性,选择所述两个不同的特征提取过程之一;或者使用不随导出的参考点变化的方法提取第一特征集合,或者使用考虑到导出的参考点的方法。参考点的估计越好,那么依赖于参考点的提取方法就越可靠。最后,使用提取的第一特征集合产生生物统计模板,并且将产生的模板与贡献指示器关联以用于后续的验证。
为了能够表征参考点的估计,针对导出的参考点计算贡献指示器,并且如果分析指示参考点确实存在于个人的指纹中并且进一步可以鲁棒地检测,那么赋予贡献指示器比如为1的值。然而,如果不能找到参考点,那么赋予贡献指示器0值。
在第一示例性方案中,如果贡献指示器具有值1或者非常靠近1,那么使用考虑到导出的参考点的提取方法产生要从第一提取的特征集合产生的生物统计模板,因为这指示参考点的良好估计并且因而该特定提取方法在该特定方案中可以被认为是可靠的。因此,在该第一方案中,生物统计信息中参考点的存在由贡献指示器表示。
在第二示例性方案中,假设贡献指示器具有值0或者非常靠近0,那么使用参考点不变提取方法产生要从第一提取的特征集合产生的生物统计模板,因为这指示参考点的不良估计并且因而考虑到导出的参考点的提取方法在该特定方案中不可以被认为是可靠的。相反地,使用不随导出的位置参考点变化的提取方法。因此,在该第二方案中,生物统计信息中参考点的不存在由贡献指示器表示。
在本发明的一个实施例中,从生物统计数据提取第二特征集合。在该实施例中,从提取的特征集合中的任何一个或二者产生模板,并且进一步考虑贡献指示器以便确定各特征集合在产生的模板中的贡献。
在该特定实施例中,可靠性指示器可以采取从0至1的范围内的任何值。当然,不同的分级(grading)是可能的。像在先前描述的方案中那样,如果贡献指示器的值靠近1,那么使用考虑到导出的参考点的提取方法产生要从第一提取的特征集合产生的生物统计模板,而如果贡献指示器的值靠近0,那么使用参考点不变提取方法产生要从第一提取的特征集合产生的生物统计模板。因此,在贡献指示器指示参考点的非常好或非常差的估计的情况下,只需提取第一特征集合。
然而,可以根据从第一和第二特征集合导出的特征子集产生生物统计模板,其中贡献指示器确定从这两个集合使用的绝对或相对特征数量。因此,在第三示例性方案中,假设贡献指示器具有例如为0.5的值,即导出的参考点的可靠性被认为是良好的,但不是优异的,使用依赖于参考点的方法提取第一特征集合。此外,使用参考点不变方法提取第二特征集合,并且从第一和第二特征集合的组合产生要从提取的特征集合中的任何一个或二者产生的生物统计模板,因为这指示参考点的相当良好的估计,并且因而提取的第一特征集合可以被认为是可接受地可靠的,或者甚至部分地相当可靠。因此,特征子集可以取自第一提取的集合并且与取自第二提取的集合的特征子集组合以创建生物统计模板。
按照以上所述,在本发明的一个实施例中,贡献指示器本身根据选择的分级指示各特征集合在产生的模板中的贡献。例如,值0.5可能指示应当在产生的模板中为所述两个特征集合赋予50/50的权重。在一个可替换的实施例中,单独的特征集合指示器用于指示各特征集合在产生的模板中的贡献。在这样的可替换的实施例中,贡献指示器仅仅用于表征参考点的估计并且不用于指示各特征集合在产生的模板中的权重。
可以看出,本发明的有利之处例如在于,两个不同的和补充的特征提取过程的组合用于在登记期间产生个人的生物统计模板。因此,先前讨论的现有技术中与对准问题有关的问题通过本发明而被减轻或克服,因为采用了考虑到参考点数据的特征提取过程,而如果根据生物统计数据对于位置参考点的估计不良或者根本不可能,则采用参考点不变特征提取过程。利用本发明,可靠的特征集合很可能用于产生生物统计模板。
在参考点估计良好或者至少可接受的情况下,使用考虑到生物统计数据参考点的提取过程导出第一特征集合。本发明实施例的详细描述中将描述示例性参考点提取过程。
第二特征集合(或者在参考点估计不良的情况下,第一特征集合)通过使用参考点不变提取过程而导出,并且可以通过使用例如(a)在完整指纹图像上分析的概括特征或者(b)导致平移和/或旋转不变特征的专用变换而导出。在本发明实施例的详细描述中,将描述落在类别(a)下的方法。转让给本受让人并且通过引用合并于此的美国专利申请US2007/0266427公开了这样的方法。
在验证个人期间,个人将可以从其导出生物统计数据的相应生理属性(在该特定实例中为指纹)提供给验证管理机构的传感器。获取并且考虑个人登记期间计算的贡献指示器以便确定是使用(a)考虑到参考点的特征提取方法,还是使用(b)与参考点无关的特征提取方法。在登记贡献指示器指示可以可靠地导出参考点的情况下,导出生物统计数据的位置参考点,并且通过考虑导出的位置参考点而提取第一特征集合,因为相应的提取方法在登记期间被使用。然而,如果登记期间计算的贡献指示器指示参考点的估计是不良的,则参考点不变方法将用于提取。在该特定情况下,在验证期间无需导出参考点。然后,从提取的第一特征集合产生模板,所述集合相应地已经通过使用与登记期间使用的方法相应的方法而被提取。当从第一特征集合产生了验证模板时,将该验证模板与登记期间产生的至少一个模板进行比较。如果一致性存在,那么可以验证个人的身份。
在登记阶段特征集合的组合用于个人的情况下,那么当验证个人时使用相同的特征组合。因此,在本发明的一个实施例中,导出生物统计数据的位置参考点。针对导出的位置参考点获取个人登记期间计算的贡献指示器,所述贡献指示器指示各特征集合在产生的模板中的贡献。然后,使用依赖于参考点的方法提取第一特征集合;同时使用参考点不变方法提取第二特征集合。基于贡献指示器从提取的特征集合的组合产生模板。最后,将验证模板与登记期间产生的至少一个模板进行比较。如果一致性存在,那么可以验证个人的身份。
在可替换的实施例中,先前讨论的特征集合指示器用于指示各特征集合在产生的模板中的贡献。当从适当的特征集合产生了验证模板时,将该验证模板与登记期间产生的至少一个模板进行比较。如果一致性存在,那么可以验证个人的身份。
应当指出的是,在实践中,由于噪声、未对准、测量误差等等的原因,个人的验证模板很可能不与相应的登记相同。可以在将验证模板与登记模板进行比较的步骤中使用要超过的预定阈值。如果这两个模板在一定程度上被认为彼此匹配,即比较值高于阈值,那么认为匹配足够良好。
尽管上文中描述了未受保护的生物统计模板的使用,但是应当指出的是,在本发明中可以进一步采用受保护的(即加密的)模板的产生和匹配。
在其中一个单一提取的特征集合用来产生模板的情况下,可靠性度量可以替换贡献指示器。因此,可靠性度量可以指示选择了所述两个不同的特征提取过程中的哪一个;或者使用了不随导出的参考点变化的方法,或者使用了考虑到导出的参考点的方法。参考点的估计越好,那么依赖于参考点的提取方法就越可靠。例如,对于具有值1或者非常靠近1的可靠性度量而言,使用考虑到导出的参考点的提取方法产生要从第一提取的特征集合产生的生物统计模板,而对于具有值0或者非常靠近0的可靠性度量而言,使用参考点不变提取方法产生要从第一提取的特征集合产生的生物统计模板。
应当指出的是,当在本发明中执行个人身份的验证时,该验证可能意味着执行了个人的认证或者执行了个人的识别。在认证中,个人声称具有某个身份并且将提供的生物统计数据与存储的生物统计数据(链接到声称的身份)比较以便验证提供的数据与存储的数据之间的一致性。在识别中,将提供的生物统计数据与多个存储的可用生物统计数据集合进行比较,以便验证提供的数据与存储的数据之间的一致性。在任何情况下,都将提供的数据与一个或多个存储的数据集合进行比较。显然,在整个申请中,取决于使用术语“验证”所在的上下文,该术语可以表示“认证”或“识别”。
当研究所附权利要求书和以下的描述时,本发明的另外的特征和优点将变得清楚明白。本领域技术人员应当认识到,可以组合本发明的不同特征以便创建与下文中所述不同的实施例。应当指出的是,本发明涉及权利要求书中记载的特征的所有可能的组合。
附图说明
现在,将参照示出本发明实施例的附图更详细地描述本发明的这些和其他方面。
图1示出了依照本发明一个实施例的用于从与个人关联的生物统计数据产生模板的设备。
图2示出了依照本发明一个实施例的用于通过采用生物统计数据验证个人的身份的设备。
图3示出了依照本发明另一实施例的用于从与个人关联的生物统计数据产生模板的设备。
图4示出了依照本发明另一实施例的用于通过采用生物统计数据验证个人的身份的设备。
具体实施方式
图1示出了依照本发明一个实施例的用于从与个人关联的生物统计数据产生模板的设备100。因此,图1中所示的设备100用于在生物统计识别系统中登记个人。
登记设备100包括用于从个人102的提供的生物统计属性(例如指纹)提取特征集合的传感器101。根据该指纹,传感器101导出生物统计数据的位置参考点以及用于该位置参考点的可靠性度量。处理器103在框104处计算用于导出的位置参考点的贡献指示器,并且确定导出的位置参考点是否可以被认为是可靠的。如图1中所示,处理器103将该信息反馈给传感器101,并且取决于导出的参考点的可靠性,选择两个不同的特征提取过程之一;或者传感器101使用不随导出的参考点变化的方法提取第一特征集合,或者传感器101使用考虑到导出的参考点的方法。参考点的估计越好,则依赖于参考点的提取方法就越可靠。最后,在框105处使用提取的第一特征集合产生生物统计模板。产生的生物统计模板与贡献指示器一起存储在存储器106(位于处理器的内部或外部)处,以便随后向验证器指示将哪个提取方法用于该特定的产生的生物统计模板。出于安全的原因,可以在传输至存储器106之前在框105处加密产生的模板。此外,存储器106不一定是登记设备100的组成部分,而是可以远离该设备定位,甚至在世界的不同部分。
图2示出了依照本发明一个实施例的用于通过采用生物统计数据验证个人的身份的设备200。图2的验证设备200在结构上与图1的登记设备100非常相似。
在验证个人202期间,个人将可以从其导出生物统计数据的相应生理属性(在该特定实例中为指纹)提供给验证设备200的传感器201。处理器203的框204从存储器206获取在个人登记期间计算的贡献指示器并且将其提供给传感器201。传感器201考虑贡献指示器以便确定是使用(a)考虑到参考点的特征提取方法,还是使用(b)与参考点无关的特征提取方法。在登记贡献指示器指示可以可靠地导出参考点的情况下,传感器201导出生物统计数据的位置参考点,并且第一特征集合通过考虑导出的位置参考点而被提取,因为相应的提取方法在登记期间被使用。然而,如果登记期间计算的贡献指示器指示参考点的估计是不良的,则参考点不变方法将用于提取。在该特定情况下,在验证期间无需导出参考点。然后,框205从提取的第一特征集合产生模板,所述集合相应地已经通过使用与登记期间使用的方法相应的方法而被提取。当从第一特征集合产生了验证模板时,在框207处将该验证模板与登记期间产生并且从存储器206取出的至少一个模板进行比较。如果一致性存在,那么可以验证个人202的身份。
在实际的情形中,登记管理机构可能与验证器重合,但是它们也可以是分布的。作为一个实例,如果生物统计系统用于银行业务应用,那么银行的所有较大的营业所典型地将被允许将新的个人登记到系统中,从而创建分布式登记管理机构。如果在登记之后,个人希望在使用她的生物统计数据作为认证的同时从这样的营业所取钱,那么该营业所将承担验证器的角色。另一方面,如果用户使用她的生物统计数据作为认证在便利店付款,那么该店将承担验证器的角色,但是不太可能的是该店将会充当登记管理机构。
如上文中可看到的,个人有权访问包含生物统计传感器并且具有计算能力的设备。在实践中,设备可以包括集成到智能卡中的指纹传感器或者移动电话或PDA中用于虹膜或面部识别的照相机。假设个人从受信任管理机构(例如银行、国家管理机构、政府)获得设备并且因此她信任该设备。
现在,在Pim Tuyls等人的“Practical
Biometric Authentication with Template Protection”,
AVBPA 2005, LNCS 3546, pp. 436–446, 2005,
Springer-Verlag Berlin Heidelberg 2005中描述了一种用于从生物统计数据提取特征集合的现有技术方法,所述方法考虑到导出的位置参考点。该方法可以用在本发明中以便提取第一特征集合。
参照记为“指纹特征提取”的第2.3节,给出了一种固定长度特征矢量表示,其元素可以直接地逐个进行比较。选择的特征矢量借助于脊线的局部取向描述了指纹的全局形状。为了允许直接比较特征矢量而无需匹配期间的配准阶段,必须在特征提取期间预对准特征矢量。为此目的,使用核心点(即最里面的弯曲脊的最上面的点)。使用已知的基于似然率的算法自动地提取这些核心点。为了描述指纹的形状,从灰度级指纹图像提取两种类型的特征矢量。
第一特征矢量是平方方向场。它例如在具有例如8像素间距的16 × 16点的规则网格处进行评估,该网格以核心点为中心。在256个位置的每一个位置处,以代表x值和y值的二元素矢量编码平方方向场,导致512维特征矢量。
第二特征矢量为指纹的Gabor响应。在减去空间局部均值之后,指纹图像通过一组四个复数Gabor滤波器滤波,这些滤波器由下式给出:
h Gabor(x, y) =
exp(− (x 2+y 2)/2σ 2 ) *exp (j2π f ·(xsinθ+ycosθ))。
取向θ设置为0、π /4、π /2和3π /4,空间频率f被调谐到平均空间脊-谷频率(f=0.11),并且滤波器的宽度σ被设置成使得整个取向范围被覆盖(σ=3.5)。取输出图像的绝对值,其随后通过低通高斯窗口滤波。再一次地,在具有8像素间距且以核心点为中心的16 × 16点的规则网格处取样本。得到的特征矢量具有长度1024。得到的用于匹配的特征矢量是平方方向场和Gabor响应的级联。它以1536个元素描述了指纹的全局形状。因此,基于导出的位置参考点(“核心点”)确定了提取的特征集合。
关于导出的核心点的可靠性,参照记为“登记”的第3.1节。人i的输入特征矢量记为Xi ={X i,j}j =1...M 。从特征矢量 X i,j 构造二进制字符串Q( X i,j )。如果值(Q( X i,j )) t 都相等(j= 1. . .M),那么称针对固定用户i= 1, . . .,N 的 Q( X i,j )的第t个分量为可靠的。布尔矢量 B i ∈ {0,1}k 表示可靠的位。它的第t项等于1,如果Q( X i,j )的第t个分量可靠的话,否则,第t项为零。
此外,转让给本受让人的美国专利申请US2007/0266427中描述了一种用于从生物统计数据提取特征集合的现有技术方法,该方法与位置参考点无关地操作。简而言之,该方法描述了从第一组生物统计数据XT 导出包含n+1个分量的第一特征集合X,并且变换成特征密度函数fX ,s (x),
通过执行不同分量的求和并且将得到的总和与平均函数卷积,由此创建了可以有利地用在辅助数据方案中的新的第一特征矢量XF= fX,s (x)。这典型地将是密度函数的采样版本,其导致相等且有限维度的特征矢量,而不管特征集合X中存在的分量数n+1如何。
回到本发明,参照图3,其中描述了另一实施例。在该特定实施例中,使用提取的特征集合的组合产生模板。图3的设备300在结构上与图1的设备100非常相似。然而,贡献指示器在该实施例中进一步被提供给模板生成框305。登记设备300的传感器301导出个人302提供的生物统计数据的位置参考点,并且进一步确定导出的位置参考点是否可以被认为是可靠的。处理器303在框304处计算用于导出的位置参考点的贡献指示器。在该特定实施例中,导出的参考点的可靠性被认为是良好的,但不是优异的,并且因而决定应当根据从第一和第二特征集合导出的特征子集产生生物统计模板。处理器303将该信息反馈给传感器301,该传感器使用考虑到导出的参考点的方法提取第一特征集合并且使用不随导出的参考点变化的方法提取第二特征集合。框304进一步向模板生成框305提供贡献指示器。
最后,在框305处使用从第一和第二特征集合导出的特征子集产生生物统计模板,其中贡献指示器确定在模板中从这两个集合使用的绝对或相对特征数量。产生的生物统计模板与贡献指示器一起存储在存储器306处,以便随后向验证器指示各特征集合在产生的模板中的贡献。
图4示出了依照本发明另一实施例的用于通过采用生物统计数据验证个人的身份的设备400。图4的验证设备400在结构上与图3的登记设备300非常相似。
个人402将她的指纹提供给验证设备400的传感器401。处理器403的框404从存储器406获取个人登记期间计算的贡献指示器并且将其提供给传感器401。在该特定实施例中,导出的参考点的可靠性被认为是良好的,但不是优异的,并且因而决定应当根据从第一和第二特征集合导出的特征子集产生生物统计模板。验证设备400的传感器401导出个人402提供的生物统计数据的位置参考点,并且进一步使用考虑到导出的参考点的方法提取第一特征集合并且使用不随导出的参考点变化的方法提取第二特征集合。然后,在框405处使用从第一和第二特征集合导出的特征子集产生生物统计模板,其中存储器406提供的贡献指示器确定模板中从这两个集合使用的绝对或相对特征数量。最后,当从第一和第二特征集合产生了验证模板时,在框407处将该验证模板与登记期间产生的且从存储器406中取出的至少一个模板进行比较。如果一致性存在,那么可以验证个人402的身份。
应当清楚的是,本发明的设备设置有微处理器或者其他具有计算能力的类似电子装置,例如可编程逻辑设备,比如ASIC、FPGA、CPLD等等。此外,微处理器执行存储在存储器中、盘上或者其他适当介质上的适当软件以便实现本发明的任务。
此外,对于技术人员显然的是,在上面描述的设备中传送且连接到所述设备的数据可以进一步使用诸如SHA-1、MD5、AES、DES或RSA之类的标准密码技术进行保护。在系统中包含的设备之间交换(例如登记期间以及验证期间)任何数据之前,设备可能想要与其建立通信的另一其他设备的真实性的某些证据。例如,有可能必须向登记管理机构确保受信任设备确实产生了接收的登记数据。这可以通过使用公钥证书或者取决于实际的设置,使用对称密钥技术来实现。而且,有可能必须向登记管理机构确保用户设备可以被信任并且它未被篡改。因此,设备可以包含允许登记管理机构检测篡改的机制。例如,可以使用物理不可复制功能(PUF)。PUF是由物理系统实现的功能,使得该功能易于评估,但是物理系统难于表征。取决于实际的设置,设备之间的通信可能必须是秘密且可信的。可以使用的标准密码技术是基于公钥技术的安全认证通道(SAC)或者类似的对称技术。
也应当指出的是,登记数据和验证数据可以在密码学上借助于采用单向散列函数或者任何其他适当的密码函数而被隐藏,所述函数以这样的方式隐藏登记数据和验证,使得从登记/验证数据的密码学上隐藏的拷贝创建登记/验证数据的明文拷贝在计算上不可行。例如,有可能使用键控的单向散列函数、陷门散列函数、非对称加密函数或者甚至对称加密函数。
Claims (15)
1.一种从与个人关联的生物统计数据产生模板的方法,该方法包括步骤:
导出个人的所述生物统计数据的位置参考点和用于位置参考点的可靠性度量;
计算用于导出的位置参考点的贡献指示器;
从所述生物统计数据提取第一特征集合,所述第一特征集合在可靠性度量指示位置参考点可以被认为可靠的情况下通过考虑导出的位置参考点而被提取;以及
从提取的第一特征集合产生模板并且将该模板与计算的贡献指示器关联。
2.权利要求1的方法,进一步包括步骤:
从所述生物统计数据提取第二特征集合;其中
产生模板的步骤进一步包括以下步骤:
从提取的特征集合中的任何一个或二者产生模板,其中考虑所述贡献指示器以便确定各特征集合在产生的模板中的贡献。
3.权利要求2的方法,其中根据从第一和第二特征集合导出的特征子集产生模板,并且贡献指示器确定在产生的模板中从各集合使用的绝对或相对特征数量。
4.权利要求2的方法,进一步包括步骤:
存储产生的模板和贡献指示器,所述贡献指示器指示各特征集合在产生的模板中的贡献。
5.权利要求2的方法,进一步包括步骤:
存储产生的模板和特征集合指示器,所述特征集合指示器指示各特征集合在产生的模板中的贡献。
6.权利要求1的方法,其中如果贡献指示器指示位置参考点被认为不可靠,则不随导出的位置参考点变化地提取所述第一特征集合。
7.权利要求2的方法,其中不随导出的位置参考点变化地提取所述第二特征集合。
8.一种通过采用生物统计数据验证个人的身份的方法,该方法包括步骤:
如果个人登记期间计算的贡献指示器指示位置参考点在登记时被认为是可靠的,则导出个人的所述生物统计数据的位置参考点;
从所述生物统计数据提取第一特征集合,所述第一特征集合在贡献指示器指示可靠的情况下通过考虑导出的位置参考点而被提取;
从提取的第一特征集合产生模板;以及
将产生的模板与至少一个登记的模板进行比较以便检查一致性,其中如果一致性存在,则验证个人的身份。
9.权利要求8的方法,进一步包括步骤:
从所述生物统计数据提取第二特征集合;其中
产生模板的步骤进一步包括以下步骤:
从提取的特征集合中的任何一个或二者产生模板,其中考虑所述贡献指示器以便确定各特征集合在产生的模板中的贡献。
10.权利要求8的方法,其中如果登记期间计算的贡献指示器指示位置参考点被认为不可靠,则不随位置参考点变化地提取所述第一特征集合。
11.一种用于从与个人(102)关联的生物统计数据产生模板的设备(100),该设备包括:
传感器(101);和
处理器(103);其中
传感器被设置成导出个人的所述生物统计数据的位置参考点和用于位置参考点的可靠性度量;并且
处理器被设置成计算用于导出的位置参考的贡献指示器;
所述传感器进一步被设置成从所述生物统计数据提取第一特征集合,所述第一特征集合在可靠性度量指示位置参考点可以被认为可靠的情况下通过考虑导出的位置参考点而被提取;并且
所述处理器进一步被设置成从提取的第一特征集合产生模板并且将该模板与计算的贡献指示器关联。
12.权利要求11的设备(300),其中
所述传感器(301)进一步被设置成从所述生物统计数据提取第二特征集合;并且
所述处理器(303)进一步被设置成从提取的特征集合中的任何一个或二者产生模板,其中考虑所述贡献指示器以便确定各特征集合在产生的模板中的贡献。
13.一种用于通过采用生物统计数据验证个人的身份的设备(200),该设备包括:
传感器(201);和
处理器(203);其中
传感器被设置成:
如果个人登记期间计算的贡献指示器指示位置参考点在登记时被认为是可靠的,则导出个人(202)的所述生物统计数据的位置参考点;并且
从所述生物统计数据提取第一特征集合,所述第一特征集合在贡献指示器指示可靠的情况下通过考虑导出的位置参考点而被提取;
所述处理器被设置成:
从提取的第一特征集合产生模板;并且
将产生的模板与至少一个登记的模板进行比较以便检查一致性,其中如果一致性存在,则验证个人的身份。
14.权利要求13的设备,其中
所述传感器(401)进一步被设置成从所述生物统计数据提取第二特征集合;并且
所述处理器(403)进一步被设置成从提取的特征集合中的任何一个或二者产生模板,其中考虑所述贡献指示器以便确定各特征集合在产生的模板中的贡献。
15.一种计算机程序产品,包括计算机可执行组件,用于当计算机可执行组件运行在设备中包含的处理单元上时使得设备执行权利要求1中所述的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP09163612 | 2009-06-24 | ||
EP09163612.6 | 2009-06-24 | ||
PCT/IB2010/052724 WO2010150146A2 (en) | 2009-06-24 | 2010-06-17 | Robust biometric feature extraction with and without reference point |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102460473A true CN102460473A (zh) | 2012-05-16 |
CN102460473B CN102460473B (zh) | 2013-12-25 |
Family
ID=43048936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800282949A Expired - Fee Related CN102460473B (zh) | 2009-06-24 | 2010-06-17 | 具有和没有参考点的鲁棒生物统计特征提取 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8655026B2 (zh) |
EP (1) | EP2446394A2 (zh) |
JP (1) | JP5676592B2 (zh) |
KR (1) | KR101823145B1 (zh) |
CN (1) | CN102460473B (zh) |
WO (1) | WO2010150146A2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977653A (zh) * | 2017-12-22 | 2018-05-01 | 云南大学 | 结合复数滤波器及pi值相结合的多尺度奇异点检测算法 |
CN110574031A (zh) * | 2018-02-16 | 2019-12-13 | 指纹卡有限公司 | 用于电子设备的登记方案 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2988197B1 (fr) * | 2012-03-19 | 2015-01-02 | Morpho | Procede de generation et de verification d'identite portant l'unicite d'un couple porteur-objet |
KR101419784B1 (ko) * | 2013-06-19 | 2014-07-21 | 크루셜텍 (주) | 지문 인식 및 인증을 위한 방법 및 장치 |
US9817956B2 (en) * | 2014-12-12 | 2017-11-14 | Excalibur Ip, Llc | User authentication and data encryption |
JP7421766B2 (ja) | 2015-11-13 | 2024-01-25 | バッジ インコーポレイテッド | 公開キー/プライベートキーバイオメトリック認証システム |
WO2019222709A1 (en) | 2018-05-17 | 2019-11-21 | Badge Inc. | System and method for securing personal information via biometric public key |
US11115203B2 (en) * | 2018-05-17 | 2021-09-07 | Badge Inc. | System and method for securing personal information via biometric public key |
US10878071B2 (en) | 2018-10-23 | 2020-12-29 | International Business Machines Corooration | Biometric authentication anomaly detection |
EP4262151A3 (en) | 2019-01-30 | 2023-12-20 | Badge Inc. | Biometric public key system providing revocable credentials |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998046114A2 (en) * | 1997-04-11 | 1998-10-22 | Arete Associates | Systems & methods with identity verification by streamlined comparison & interpretation of fingerprints and the like |
WO2005122059A1 (en) * | 2004-06-09 | 2005-12-22 | Koninklijke Philips Electronics N.V. | Biometric template similarity based on feature locations |
GB2422708A (en) * | 2005-02-01 | 2006-08-02 | Lockheed Corp | Quality-based fusion of multiple biometrics for authentication |
CN101030246A (zh) * | 2007-04-09 | 2007-09-05 | 黄东运 | 一种指纹的识别方法 |
CN101119198A (zh) * | 2006-08-03 | 2008-02-06 | 华为技术有限公司 | 一种生物模版及生物模版构造方法及身份认证方法 |
CN101127592A (zh) * | 2006-08-15 | 2008-02-20 | 华为技术有限公司 | 一种生物模版注册方法及系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2815045B2 (ja) * | 1996-12-16 | 1998-10-27 | 日本電気株式会社 | 画像特徴抽出装置,画像特徴解析装置,および画像照合システム |
DE19924628A1 (de) | 1999-05-28 | 2000-11-30 | Giesecke & Devrient Gmbh | Einrichtung und Verfahren zur biometrischen Authentisierung |
JP4321944B2 (ja) * | 2000-04-27 | 2009-08-26 | 富士通株式会社 | 生体情報を用いた個人認証システム |
JP2003044857A (ja) * | 2001-07-31 | 2003-02-14 | Casio Comput Co Ltd | 指紋照合システム及び指紋照合装置 |
KR100453220B1 (ko) * | 2001-12-05 | 2004-10-15 | 한국전자통신연구원 | 지문 특징점을 이용한 사용자 인증 장치 및 방법 |
US7274807B2 (en) * | 2002-05-30 | 2007-09-25 | Activcard Ireland Limited | Method and apparatus for supporting a biometric registration performed on a card |
US7400749B2 (en) * | 2002-07-08 | 2008-07-15 | Activcard Ireland Limited | Method and apparatus for supporting a biometric registration performed on an authentication server |
JP4030830B2 (ja) * | 2002-08-13 | 2008-01-09 | 日本電気株式会社 | 縞模様画像鑑定装置および縞模様画像鑑定方法 |
JP4165203B2 (ja) | 2002-12-13 | 2008-10-15 | カシオ計算機株式会社 | 画像照合装置、画像照合方法、画像照合プログラム |
JP4032241B2 (ja) * | 2003-02-28 | 2008-01-16 | 日本電気株式会社 | 指紋照合装置及びその方法 |
JP2005004718A (ja) * | 2003-05-16 | 2005-01-06 | Canon Inc | 信号処理装置及び制御方法 |
EP1697907A1 (en) | 2003-12-24 | 2006-09-06 | Telecom Italia S.p.A. | User authentication method based on the utilization of biometric identification techniques and related architecture |
JP4340553B2 (ja) * | 2004-02-06 | 2009-10-07 | 富士通株式会社 | 生体情報照合装置 |
JP4340618B2 (ja) * | 2004-10-08 | 2009-10-07 | 富士通株式会社 | 生体情報認証装置及び方法,並びに生体情報認証プログラム及び生体情報認証プログラムを記録したコンピュータ読取可能な記録媒体 |
US7899216B2 (en) * | 2005-03-18 | 2011-03-01 | Sanyo Electric Co., Ltd. | Biometric information processing apparatus and biometric information processing method |
US20070036400A1 (en) * | 2005-03-28 | 2007-02-15 | Sanyo Electric Co., Ltd. | User authentication using biometric information |
JP4923910B2 (ja) * | 2006-09-22 | 2012-04-25 | 富士通株式会社 | 生体認証装置、制御方法及び制御プログラム |
US7773779B2 (en) * | 2006-10-19 | 2010-08-10 | I.Q.S. Shalev Ltd. | Biometric systems |
-
2010
- 2010-06-17 US US13/378,208 patent/US8655026B2/en not_active Expired - Fee Related
- 2010-06-17 EP EP10730232A patent/EP2446394A2/en not_active Withdrawn
- 2010-06-17 KR KR1020127001529A patent/KR101823145B1/ko active IP Right Grant
- 2010-06-17 JP JP2012516909A patent/JP5676592B2/ja not_active Expired - Fee Related
- 2010-06-17 WO PCT/IB2010/052724 patent/WO2010150146A2/en active Application Filing
- 2010-06-17 CN CN2010800282949A patent/CN102460473B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998046114A2 (en) * | 1997-04-11 | 1998-10-22 | Arete Associates | Systems & methods with identity verification by streamlined comparison & interpretation of fingerprints and the like |
WO2005122059A1 (en) * | 2004-06-09 | 2005-12-22 | Koninklijke Philips Electronics N.V. | Biometric template similarity based on feature locations |
GB2422708A (en) * | 2005-02-01 | 2006-08-02 | Lockheed Corp | Quality-based fusion of multiple biometrics for authentication |
CN101119198A (zh) * | 2006-08-03 | 2008-02-06 | 华为技术有限公司 | 一种生物模版及生物模版构造方法及身份认证方法 |
CN101127592A (zh) * | 2006-08-15 | 2008-02-20 | 华为技术有限公司 | 一种生物模版注册方法及系统 |
CN101030246A (zh) * | 2007-04-09 | 2007-09-05 | 黄东运 | 一种指纹的识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977653A (zh) * | 2017-12-22 | 2018-05-01 | 云南大学 | 结合复数滤波器及pi值相结合的多尺度奇异点检测算法 |
CN110574031A (zh) * | 2018-02-16 | 2019-12-13 | 指纹卡有限公司 | 用于电子设备的登记方案 |
CN110574031B (zh) * | 2018-02-16 | 2022-12-30 | 指纹卡安娜卡敦知识产权有限公司 | 用于电子设备的登记方案 |
Also Published As
Publication number | Publication date |
---|---|
CN102460473B (zh) | 2013-12-25 |
KR20120102034A (ko) | 2012-09-17 |
KR101823145B1 (ko) | 2018-01-29 |
US8655026B2 (en) | 2014-02-18 |
JP2012531647A (ja) | 2012-12-10 |
JP5676592B2 (ja) | 2015-02-25 |
WO2010150146A3 (en) | 2011-02-24 |
EP2446394A2 (en) | 2012-05-02 |
WO2010150146A2 (en) | 2010-12-29 |
US20120087550A1 (en) | 2012-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102460473B (zh) | 具有和没有参考点的鲁棒生物统计特征提取 | |
Lee et al. | Biometric key binding: Fuzzy vault based on iris images | |
US8412940B2 (en) | Biometric authentication method and system | |
US9384338B2 (en) | Architectures for privacy protection of biometric templates | |
US9152779B2 (en) | Protecting codes, keys and user credentials with identity and patterns | |
Joshi et al. | Security vulnerabilities against fingerprint biometric system | |
US20030012374A1 (en) | Electronic signing of documents | |
EP1759330A1 (en) | Biometric template similarity based on feature locations | |
EP3674934A1 (en) | Biometric acquisition system and method | |
Yang et al. | Biometrics for securing mobile payments: benefits, challenges and solutions | |
Buchmann et al. | Towards electronic identification and trusted services for biometric authenticated transactions in the Single Euro Payments Area | |
Aanjanadevi et al. | Face Attribute Convolutional Neural Network System for Data Security with Improved Crypto Biometrics. | |
EP1280098A1 (en) | Electronic signing of documents | |
Conti et al. | Fingerprint traits and RSA algorithm fusion technique | |
Thawre et al. | Survey on security of biometric data using cryptography | |
CN112163542A (zh) | 一种基于ElGamal加密的掌纹保密认证方法 | |
Albahbooh et al. | A mobile phone device as a biometrics authentication method for an ATM terminal | |
CN100442305C (zh) | 确定位置集合之间的一致性的方法和系统 | |
Patil et al. | Design and implementation of secure biometric based authentication system using rfid and secret sharing | |
Bhanushali et al. | Fingerprint based ATM system | |
Butt et al. | Privacy protection of biometric templates | |
Frassen et al. | Fuzzy vault for 3D face recognition systems | |
Bayly et al. | Fractional biometrics: safeguarding privacy in biometric applications | |
Chizari et al. | Security issues in ATM smart card technology | |
Kaga et al. | Biometric authentication platform for a safe, secure, and convenient society |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131225 Termination date: 20210617 |