CN102842042A - 生物特征认证技术 - Google Patents
生物特征认证技术 Download PDFInfo
- Publication number
- CN102842042A CN102842042A CN2012101887831A CN201210188783A CN102842042A CN 102842042 A CN102842042 A CN 102842042A CN 2012101887831 A CN2012101887831 A CN 2012101887831A CN 201210188783 A CN201210188783 A CN 201210188783A CN 102842042 A CN102842042 A CN 102842042A
- Authority
- CN
- China
- Prior art keywords
- similarity score
- personnel
- similarity
- attribute data
- biological
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Abstract
本发明涉及生物特征认证技术,其中针对人员群组而维护生物特征数据。生物特征数据包括已排序相似性得分,已排序相似性得分中的每一个被计算以表示相应生物特征图像与参考图像之间的相似性。生物特征验证系统访问一个人员的至少部分的生物特征图像,访问参考图像,并且计算表示所访问的生物特征图像与参考图像之间相似性的相似性得分。生物特征验证系统使用计算的相似性得分搜索生物特征数据中包括的已排序相似性得分,并且基于该搜索输出结果。
Description
技术领域
本公开涉及生物特征认证技术。
背景技术
典型的生物特征认证系统包括关于个人的生物特征信息(例如,指纹、虹膜扫描、面部图像,等等)的数据库。为了标识或者认证生物特征信息的样本,典型的生物特征认证系统将该样本与数据库中的条目逐一比较,直到找到匹配。由此,找到匹配条目的时间线性增长,并且当数据库包含很多条目时可能是耗时的。
发明内容
在一个方面,一种生物特征认证系统,包括:数据存储系统,配置用于针对人员群组而维护包括已排序相似性得分的生物特征数据。已排序相似性得分的每一个被计算以表示相应生物特征图像与参考图像之间的相似性。该生物特征认证系统还包括生物特征验证系统,其包括至少一个处理器。生物特征验证系统配置用于:访问一个人员的至少部分的生物特征图像;访问参考图像;以及计算表示访问的生物特征图像与参考图像之间相似性的相似性得分。生物特征验证系统还配置用于:使用计算的相似性得分搜索生物特征数据中包括的已排序相似性得分;以及基于使用计算的相似性得分对生物特征数据中包括的已排序相似性得分的搜索而输出结果。
实现可以包括以下一个或多个特征。例如,生物特征验证系统可以配置用于通过以利用生物特征数据中包括的已排序相似性得分如何排序的知识的方式搜索已排序相似性得分来使用计算的相似性得分搜索生物特征数据中包括的已排序相似性得分。在此示例中,生物特征验证系统可以配置用于使用计算的相似性得分执行对已排序相似性得分的二分法搜索。
而且,生物特征验证系统可以配置用于:访问人员的虹膜的图像,访问参考人员的虹膜的参考图像;以及计算表示所访问的人员的虹膜的图像与参考人员的虹膜的参考图像之间相似性的相似性得分。生物特征验证系统可以配置用于:访问人员的指纹的图像,访问参考人员的指纹的参考图像;以及计算表示所访问的人员的指纹的图像与参考人员的指纹的参考图像之间相似性的相似性得分。生物特征验证系统可以配置用于:通过访问人员的面部的图像来访问人员的至少部分的生物特征图像,访问参考人员的面部的参考图像;以及计算表示所访问的人员的面部的图像与参考人员的面部的参考图像之间相似性的相似性得分。
在某些实现中,生物特征认证系统可以包括生物特征登记系统,其配置用于针对人员群组中的每个人员确定表示相应人员的至少部分的生物特征图像与参考图像之间相似性的相似性得分,并且基于确定的相似性得分对生物特征数据进行排序。在这些实现中,由数据存储系统维护的生物特征数据包括针对人员群组中的每个人员的详细生物特征数据。针对每个人员的详细生物特征数据可以比针对相应人员的相似性得分具有对相应人员的部分的生物特征图像的更多描述,并且可以比针对相应人员的相似性得分具有更大的存储大小。此外,在这些实现中,生物特征登记系统配置用于针对人员群组中的每个人员而将针对相应人员的相似性得分与针对相应人员的详细生物特征数据链接。
而且,数据存储系统包括存储器存储系统和盘存储系统。数据存储系统配置用于在存储器存储系统中维护已排序相似性得分,并且存储在盘存储系统中维护详细生物特征数据。
在某些示例中,生物特征登记系统可以配置用于将新人员登记在数据存储系统中。在这些示例中,生物特征登记系统可以配置用于访问新人员的至少部分的新生物特征图像;访问参考图像;以及计算表示新生物特征图像与参考图像之间相似性的新相似性得分。而且,在这些示例中,生物特征登记系统可以配置用于确定针对新人员的唯一标识符;在数据存储系统中并且与唯一标识符相关联地将新相似性得分存储在已排序相似性得分中的适当点;以及在数据存储系统中并且与唯一标识符相关联地存储针对新人员的详细生物特征数据。针对新人员的详细生物特征数据可以比新相似性得分具有对新生物特征图像的更多描述,并且可以比新相似性得分具有更大的存储大小。
在某些实现中,生物特征验证系统可以配置用于访问人员的部分的多个生物特征图像;以及针对多个生物特征图像中的每一个,计算表示相应生物特征图像与参考图像之间相似性的相似性得分。在这些实现中,生物特征验证系统可以配置用于基于针对多个生物特征图像而计算的相似性得分来计算平均相似性得分。
在某些示例中,生物特征验证系统可以配置用于使用一个搜索过程找到与计算的相似性得分的最接近匹配,搜索过程利用生物特征数据中包括的相似性得分如何排序的知识。在这些实现中,生物特征验证系统可以配置用于计算所计算的相似性得分与最接近匹配的相似性得分之间的差;将差与一个阈值进行比较;以及基于比较结果来确定差是否在阈值之内。生物特征验证系统可以配置用于基于确定差在阈值之内而输出最接近匹配。基于确定差未在阈值之内,生物特征验证系统可以配置用于在数据存储系统中将计算的相似性得分添加到已排序相似性得分中的适当点;以及输出没有找到匹配的指示。
在某些实现中,生物特征验证系统可以配置用于使用利用生物特征数据中包括的相似性得分如何排序的知识的搜索过程找到人员子集,其中的每个人员与计算的相似性得分的阈值之内的相似性得分相关联;以及访问针对人员子集的详细生物特征数据。针对子集中每个人员的详细生物特征数据可以包括这样的数据,该数据比针对相应人员的相似性得分具有对相应人员的部分的生物特征图像的更多描述,并且比针对相应人员的相似性得分具有更大的存储大小。在这些实现中,生物特征验证系统可以配置用于将访问的针对人员子集的详细生物特征数据与针对人员的详细生物特征数据进行比较,基于比较结果识别匹配;以及输出识别的匹配。针对人员的详细生物特征数据可以比计算的相似性得分具有对生物特征图像的更多描述,并且可以比计算的相似性得分具有更大的存储大小。
而且,生物特征验证系统可以配置用于使用图像相似性过程生成访问的生物特征图像与参考图像之间的相似性测量,以及将相似性测量正则化到0与1之间的相似性得分。生物特征验证系统还可以配置用于访问人员的多个生物特征图像以及访问多个参考图像,其中多个生物特征图像中的每一个可以对应于人员的不同部分,并且多个参考图像中的每一个可以对应于人员的不同部分并且可以映射到多个生物特征图像之一。生物特征验证系统可以进一步配置用于计算多个相似性得分,以及基于多个相似性得分计算融合相似性得分。多个相似性得分中的每一个可以表示多个生物特征图像之一与多个参考图像之一之间的相似性,并且生物特征验证系统可以配置用于使用融合相似性得分搜索生物特征数据中包括的已排序相似性得分。生物验证系统可以配置用于通过取多个相似性得分的加权平均来基于多个相似性得分计算融合相似性得分。
在某些示例中,生物特征验证系统可以配置用于访问人员的多个生物特征图像以及访问多个参考图像,其中多个生物特征图像中的每一个可以对应于人员的不同部分,并且多个参考图像中的每一个可以对应于人员的不同部分并且可以映射到多个生物特征图像之一。在这些示例中,生物特征验证系统可以配置用于计算多个相似性得分,并且将多个相似性得分布置在相似性得分向量中。多个相似性得分中的每一个可以表示多个生物特征图像之一与多个参考图像之一之间的相似性,并且生物特征验证系统可以配置用于使用相似性得分向量搜索生物特征数据中包括的已排序相似性得分。
在另一方面,一种方法,包括:在电子存储中并且针对人员群组而维护包括已排序相似性得分的生物特征数据。已排序相似性得分的每一个被计算以表示相应生物特征图像与参考图像之间的相似性。该方法还包括:访问一个人员的至少部分的生物特征图像;访问参考图像;以及计算表示访问的生物特征图像与参考图像之间相似性的相似性得分。该方法还包括:由包括至少一个处理器的生物特征认证系统使用计算的相似性得分搜索生物特征数据中包括的已排序相似性得分;以及基于使用计算的相似性得分对生物特征数据中包括的已排序相似性得分的搜索而输出结果。
再又一方面,编码有可执行指令的至少一个计算机可读存储介质,当可执行指令由至少一个处理器执行时导致至少一个处理器执行操作。操作包括:针对人员群组而维护包括已排序相似性得分的生物特征数据。已排序相似性得分的每一个被计算以表示相应生物特征图像与参考图像之间的相似性。操作还包括:访问一个人员的至少部分的生物特征图像;访问参考图像;以及计算表示访问的生物特征图像与参考图像之间相似性的相似性得分。操作进一步包括:使用计算的相似性得分搜索生物特征数据中包括的已排序相似性得分;以及基于使用计算的相似性得分对生物特征数据中包括的已排序相似性得分的搜索而输出结果
下面将在附图和描述中记载一个或多个实现的细节。通过描述和附图,本公开内容的其他潜在特征和优点将是易见的。
附图说明
图1、图2以及图10是示例性系统的框图。
图3、图4以及图6-图8是示例性过程的流程图。
图5示出了一个示例性数据存储系统。
图9示出了用于生物特征数据的一个示例性数据结构。
具体实施方式
用于生物特征认证的已有技术随着生物特征数据库中的条目数目而线性缩放。也即,当数据库中的条目数目是两倍或者三倍时,基于个人的生物特征对他或她进行认证的时间也将是两倍或者三倍。在本公开中描述的技术可以提供一种对数级缩放的生物特征认证。也即,当数据库中的条目数目是两倍或者三倍时,基于个人的生物特征对他或她进行认证的时间变为2倍的平方根或者3倍的平方根。
在某些实现中,为了实现缩放的改进,生物特征认证系统可以按照排序的方式来组织生物特征数据的条目,并且可以使用这样的搜索过程,该搜索过程利用生物特征数据如何被排序的知识来提高搜索生物特征数据的平均速度。尽管生物特征图像数据(例如,指纹图像、虹膜扫描、面部图像,等等)是非数值的,但是生物特征认证系统可以通过如下方式来排序生物特征图像数据:以有意义的方式将生物特征图像转换为数值,继而对数值进行排序。为了将生物图像转换为有意义的数值,生物特征认证系统使用参考图像,并且基于与参考图像的相似性将生物特征图像转换为数值。因为数值表示了与参考图像的相似性,因此对数值进行排序得到了以有意义的方式的对生物特征图像的排序,其可以在搜索生物特征图像中被加以利用。
图1示出了用于执行生物特征认证的示例性系统100。系统100包括生物特征登记系统100、数据库120以及生物特征验证系统130。生物特征登记系统110将人员登记在系统100中,使得已登记人员的生物特征数据在数据库120中是可搜索的。特别地,生物特征登记系统110捕获人员的生物特征数据,将生物特征数据转换为支持以有意义的方式对生物特征数据进行排序的格式,并且将经转换的生物特征数据与人员的标识信息相关联地存储在数据库120中。
生物特征登记系统110可以包括捕获人员的至少部分的不同类型生物特征图像的一个或多个设备。例如,生物特征登记系统110可以包括捕获人的虹膜图像的虹膜扫描仪、捕获人的面部图像的相机以及捕获人的指纹图像的指纹扫描仪。生物特征登记系统110使用这一个或多个设备来捕获正在系统100中登记的人员的一个或多个生物特征图像。
在捕获一个或多个生物特征图像之后,生物特征登记系统110将这一个或多个生物特征图像转换为可以按照有意义的方式排序的格式。特别地,一个或多个生物特征图像按照其原始格式可能是不可排序的。由此,生物特征登记系统110可以将这一个或多个生物特征图像中的每一个提取为表示相应生物特征图像中内容的数值。数值继而被用于对数据库120中的生物特征数据进行排序。
为了生成数值,生物特征登记系统110可以计算相似性得分,该相似性得分表示相应生物特征图像与用于系统100中登记的所有人的参考图像的相似性。因为每个相似性得分表示与相同参考图像的相似性,因此相似性得分可以反映生物特征图像彼此的相似程度,并且允许以有意义的方式对数据库120中存储的生物特征数据进行排序。可以使用将生物特征图像提取为表示生物特征图像中内容的数值的其他技术。
生物特征登记系统110还在数据库120中存储一个或多个生物特征图像,其链接到针对该生物特征图像而计算的相似性得分。一个或多个生物特征图像可以按照其捕获格式存储,或者被转换为表示该一个或多个生物特征图像的模板/二进制对象数据(例如,字节决)。除了相似性得分之外,生物特征登记系统110可以存储一个或多个生物特征图像的更多细节表示,以用于通过相似性得分比较而返回的搜索结果的验证或者确认。作为备选方法,图像/模板可以存储在与数据库分离的不同文件系统中以便节省数据库存储,并且其可以通过唯一的标识符与相应的得分相关。
数据库120可以是能够以排序方式维护数据的任何类型的数据库。生物特征登记系统110使已登记的生物特征数据被存储在数据库120中的排序列表的适当位置处,并且控制数据库120以排序方式维护生物特征数据。由生物特征登记系统110计算的相似性得分可以用来对数据库120中的生物特征数据进行排序。例如,数据库120中的生物特征数据可以被排序为按照升序或者降序排列的相似性得分的列表。
生物特征验证系统130通过搜索数据库120来验证人员的生物特征数据。特别地,生物特征验证系统130访问(例如,捕获)人员的生物特征数据,将生物特征数据转换为数值,并且使用该数值来搜索数据库120。
生物特征验证系统130可以包括捕获人员的至少部分的不同类型生物特征图像的一个或多个设备。例如,生物特征验证系统130可以包括捕获人的虹膜图像的虹膜扫描仪、捕获人的面部图像的相机以及捕获人的指纹图像的指纹扫描仪。生物特征验证系统130可以使用这一个或多个设备来捕获正被验证的人员的一个或多个生物特征图像。
在访问生物特征图像之后,生物特征验证系统130将生物特征图像转换为表示该生物特征图像中内容的数值。数值可以按照与生物特征登记系统110计算系统100中登记的生物特征图像的数值的相同方法来计算。例如,为了生成数值,生物特征验证系统130可以计算相似性得分,其表示生物特征图像与用于系统100中登记的所有人的参考图像的相似性。生物特征验证系统130继而可以使用计算出的相似性得分来搜索数据库120。
在某些示例中,提供生物特征输入(例如,在当前时刻被捕获的人员的生物特征图像,或者存在于身份证上的人员生物特征图像)的人员可以提供生物特征输入,以验证这个人实际上是系统100中登记的特定人员。在这些示例中,生物特征验证系统130还可以接收针对该特定人员的用户标识号。为了执行验证,生物特征验证系统130将人员的生物特征图像转换为相似性得分,并且使用用户标识号从数据库120访问系统中登记的特定人员的相似性得分。生物特征验证系统130继而将转换的相似性得分与访问的相似性得分进行比较,并且确定转换的相似性得分是否与访问的相似性得分相匹配(例如,确定转换的相似性得分是否等同于访问的相似性得分或者在其阈值之内)。当转换的相似性得分与访问的相似性得分相匹配时,生物特征验证系统130可以验证这个人实际上是该特定人员,或者可以触发考虑更详细生物特征信息(例如,生物特征图像的模板数据)的过程以用于更高置信度的验证。当转换的相似性得分与访问的相似性得分不匹配时,生物特征验证系统130可以验证这个人不是该特定人员。
在某些实现中,提供生物特征输入(例如,在当前时刻被捕获的人员的生物特征图像,或者存在于身份证上的人员生物特征图像)的人员可以是未知的,并且未与其他标识信息相关联。在这些实现中,生物特征验证系统130将这个人的生物特征图像转换为相似性得分,并且使用转换的相似性得分搜索数据库120中的相似性得分的排序列表。生物特征验证系统130可以使用这样的搜索过程来更快地搜索数据库120中的生物特征数据,该搜索过程利用相似性得分在数据库120中如何排序的知识。例如,生物特征验证系统130可以使用转换的相似性得分执行对数据库120的二分法搜索,使得每次比较消除一半的潜在匹配。基于搜索,生物特征验证系统130或者识别出提供生物特征输入的人,或者指示提供生物特征输入的这个人未在系统100中登记。在此方面,生物特征验证系统130可以能够使用人员的一个或多个生物特征图像来快速识别出这个人。
图2示出了一个示例性生物特征认证系统200。系统200包括输入模块210、数据存储220、一个或多个处理器230、一个或多个I/O(输入/输出)设备240以及存储器250。输入模块220可以用来输入在登记和验证生物特征数据中使用的任何类型的信息。例如,输入模块210可以用来接收新的生物特征数据以便登记在数据库中,或者接收样本生物特征数据以便参考数据库中存储的生物特征数据进行验证。在某些实现中,来自输入模块210的数据被存储在数据存储220中。数据存储220中包括的数据例如可以包括任何类型的生物特征数据(例如,虹膜、指纹、面部等的图像或者模板)以及针对生物特征数据而计算的相似性得分。相似性得分可以用于使用本公开描述的技术对数据存储220中的生物特征数据进行排序。
在某些示例中,数据存储220可以是关系数据库,其将数据逻辑上组织为一系列数据库表。数据存储220中的每个数据库表可以将数据布置在一系列的列(其中每列表示数据库中存储的数据的属性)和行(其中每行表示属性值)中。在某些实现中,数据存储220可以是面向对象的数据库,其将数据逻辑上或者物理上组织为一系列对象。每个对象可以与一系列属性值相关联。在某些示例中,数据存储220可以是未必是关系数据库或者面向对象数据库的任何类型的数据库管理系统。例如,可以使用一系列XML(可扩展标记语言)文件或者文档,其中每个XML文件或者文档包括属性和属性值。数据存储220中包括的数据可以由唯一的标识符标识,使得与特定过程相关的数据可以从数据库220中被获取。
处理器230可以是适于执行计算机程序的处理器,诸如通用或者专用微处理器,以及任何类型的数字计算机的一个或多个处理器。在某些实现中,系统200包括不止一个处理器230。处理器230可以从存储器250中接收指令和数据。存储器250可以存储与系统200的任何或者全部组件对应的指令和数据。存储器250可以包括只读存储器、随机访问存储器或者二者。
I/O设备240被配置用于提供去往系统200的输入和来自系统200的输出。例如,I/O设备240可以包括鼠标、键盘、触笔或者允许数据输入的任何其他设备。I/O设备240还可以包括显示器、打印机或者输出数据的任何其他设备。
图3示出了用于执行生物特征认证的过程300。过程300的操作一般地被描述为由系统200执行。在某些实现中,过程300的操作可以由一个或多个电子设备中包含的一个或多个处理器来执行。
系统200针对一群人而维护包括已排序相似性得分的生物特征数据(310)。例如,系统300访问每个生物特征数据条目的相似性得分,并且以排序方式存储相似性得分。每个相似性得分可以是数字,并且可以被计算以表示生物特征图像与参考图像之间的相似性。参考图像可以在计算所有相似性得分中使用,使得每个相似性得分反映相应的生物特征图像与参考图像的接近程度。相似性得分可以使用任何类型的过程来计算,该过程输出表示第一图像与第二图像的相似程度的数值。相同的过程可被用来计算所有相似性得分;或者可以使用多个不同的过程,只要相似性分被正则化到特定的范围即可。
在某些示例中,相似性得分可以被正则化到0和1之间的值。在这些示例中,接近1的相似性得分是与参考图像比较相似的,靠近0的相似性得分是与参考图像比较不相似的。相似性得分可以按照升序或者降序排序,以定义相似性得分的排序列表。排序是有意义的,因为相似性得分是参考该参考图像而计算的,并且反映了与相似性得分对应的生物特征图像彼此之间的相似程度。相似性得分可以具有任何数目的小数点,小数点的数目根据用于计算相似性得分的过程的精度以及需要排序的生物特征数据的条目数目而选择。
图4示出了用于维护生物特征数据的过程400。过程400可以用于维护包括上文针对标号310而参考的已排序相似性得分的生物特征数据。过程400的操作被一般地描述为由系统200执行。在某些实现中,过程400的操作可以由一个或多个电子设备中包含的一个或多个处理器来执行。
系统200确定生物特征数据库中针对每个人的相似性得分(410)。例如,系统200针对人员群组中的每个人确定相似性得分,相似性得分表示相应人员的至少部分的生物特征图像与参考图像之间的相似性。在此示例中,系统200可以计算相似性得分或者访问先前计算的相似性得分。而且,生物特征图像和参考图像对应于相同类型的生物特征数据。例如,生物特征图像可以是人的虹膜图像(例如,虹膜扫描),并且参考图像可以是参考人员的虹膜图像(例如,参考人员的虹膜扫描)。可以使用任何类型的生物特征图像和相应的参考图像,包括以下一个或多个:左眼虹膜图像,右眼虹膜图像,面部图像,以及人的任何手指的指纹。
系统200基于相似性得分对生物特征数据进行排序(420)。例如,在确定相似性得分之后,系统200将相似性得分排列到排序列表中。在对相似性得分进行排序时,系统200可以使用任何类型的技术对数值进行排序,诸如通过按照升序或者降序排序相似性得分。数值如何被排序的知识可以被存储(或者在生成搜索过程中被考虑),使得排序可以在搜索相似性得分时被加以利用。
系统200将相似性得分与详细生物特征数据链接(430)。例如,详细生物特征数据可以针对人员群组中的每个人而存储。在此示例中,详细生物特征数据包括这样的数据,其比相应人员的相似性得分具有对相应人员的部分的生物特征图像的更多描述。详细生物特征数据还具有比针对相应人员的相似性得分更大的存储大小。详细生物特征数据可以是从其计算对应相似性得分的生物特征图像,或者描述从其计算对应相似性得分的生物特征图像的模板/二进制对象数据。传统生物特征认证中使用的任何类型的生物特征图像数据均可用作详细生物特征数据。
对于人员群组中的每个人,系统200将针对相应人员的相似性得分与针对相应人员的详细生物特征数据链接。例如,系统200将唯一的标识符与相似性得分和详细生物特征数据二者关联,使得该唯一的标识符可被用于将每个相似性得分链接至有关的详细生物特征数据。系统200还可以与每个相似性得分相关联地存储指向有关详细生物特征数据的指针,或者将相似性得分和对应的详细生物特征数据存储在单个记录中。通过将相似性得分与详细生物特征数据链接,系统200基于相似性得分的排序而以排序的方式维护难以按照有意义的方式进行排序的详细生物特征数据。
图5示出了可以用于维护排序的生物特征数据的示例数据存储系统。如图所示,数据存储系统包括主存储系统510和次存储系统520。主存储系统510可以是存储器存储系统,其将相似性得分与唯一的标识符相关联地存储。次存储系统520可以是盘存储系统,其将完全生物特征数据(例如,生物特征图像或者表示生物特征图像的模板/二进制对象数据)与唯一的标识符相关联地存储。
存储器存储系统可被用于相似性得分,因为相似性得分的存储大小显著小于完全生物特征数据。存储器存储系统可以具有比盘存储系统更快的访问时间,但是也可能更为昂贵。相应地,盘存储系统可以具有比存储器存储系统更大的容量,并且完全生物特征数据可以存储在盘存储系统中并且仅在已经在存储器存储系统中搜索了相似性得分之后被访问。
如图5所示,主存储系统510中存储的相似性得分被链接到次存储系统520中存储的完全生物特征数据。链接是通过使用唯一标识符实现的,每个唯一标识符与一个相似性得分和用于单个子模态(sub-modality)的完全生物特征数据的一项相关联。当期望针对一个相似性得分的完全生物特征数据时,与该相似性得分相关联的唯一标识符被访问并被用于搜索次存储系统520以及标识有关的完全生物特征数据。在此方面,可以在相似性得分的搜索已经将潜在匹配缩窄到一个或多个的子集之后访问次存储系统520。
再次参考图4,系统200将新生物特征数据添加到已排序生物特征数据中的适当点(440)。例如,系统200将新的相似性得分和对应的新生物特征图像插入在已排序生物特征数据中的如下位置,该位置将生物特征数据保持为排序方式。系统200可以找到与新相似性得分的最接近匹配,并且计算新相似性得分与该接近匹配之间的差。如果差大于零并且相似性得分以降序排序,系统200将新生物特征数据(例如,新相似性得分和新生物特征图像)插入在已排序生物特征数据中的最接近匹配之前。在此方面,系统200可以将新相似性得分置于相似性得分的已排序列表中紧邻针对最接近匹配的相似性得分之前,并且将新生物特征图像置于生物特征图像的已排序列表中紧邻针对最接近匹配的生物特征图像之前。如果差小于或等于零并且相似性得分以降序排序,系统200将新生物特征数据(例如,新相似性得分和新生物特征图像)插入在已排序生物特征数据中的最接近匹配之后。在此方面,系统200可以将新相似性得分置于相似性得分的已排序列表中紧邻针对最接近匹配的相似性得分之后,并且将新生物特征图像置于生物特征图像的已排序列表中紧邻针对最接近匹配的生物特征图像之后。
在某些实现中,为了登记新人,系统200访问该新人的至少部分的新生物特征数据并且访问参考图像。在这些实现中,系统200计算新相似性得分,其表示新生物特征图像与参考图像之间的相似性,并且确定用于该新人的唯一标识符。系统200继而在数据存储系统中并且与唯一标识符相关联地将新相似性得分存储在已排序相似性得分中的适当点。系统200还在数据存储系统中并且与唯一标识符相关联地存储该新人的详细生物特征数据。新人的详细生物特征数据可以比新相似性得分具有对新生物特征图像的更多描述,并且可以具有大于新相似性得分的存储大小。例如,新人的详细生物特征数据可以包括新生物特征图像或者表示新生物特征图像的模板/二进制对象数据。
再次参考图3,系统200访问人员的至少部分的生物特征图像(320)。例如,系统200接收人体部分的生物特征图像,诸如左眼虹膜图像、右眼虹膜图像、面部图像、人的一个或多个指纹的图像、人的掌纹图像,等等。在此示例中,系统200可以包括捕获人的生物特征图像的一个或多个设备或者与这样的设备通信。该一个或多个设备可以包括虹膜扫描仪、相机、指纹扫描仪、手掌扫描仪或者能够捕获人的生物特征图像的任何其他类型的设备。系统200可以访问该一个或多个设备中的任何设备的传统图像格式(诸如bmp、jpeg、tiff、png等)的输出作为生物特征图像。
在某些示例中,系统200从电子存储访问生物特征图像。在这些示例中,生物特征图像可以随时间在独立于系统200的位置被捕获,并且被存储以用于后续处理和标识。系统200还可以通过网络接收生物特征图像。
系统200访问参考图像(330)。例如,系统200从电子存储访问参考图像。参考图像可以是参考人员的、与所访问生物特征图像中成像的身体部分对应的身体部分的图像。参考图像可以属于任何参考人员,只要该参考图像被用于计算所搜索的全部相似性得分的相似性得分。可以使用其他类型的参考图像。
在某些实现中,系统200可以确定所访问生物特征图像的类型,并且访问相同类型的参考图像。类型可以表示特定的子模态,诸如左眼虹膜、右眼虹膜、食指指纹、中指指纹等。在这些实现中,系统200可以存储多个参考图像,并且选择与成像于所访问生物特征图像中的相同身体部分相对应的参考图像。例如,系统200可以存储左眼虹膜参考图像、右眼虹膜参考图像、面部参考图像以及对应于人员的特定手指的十指指纹参考图像。在此示例中,系统200可以确定所访问的生物特征图像属于右眼虹膜,并且基于所访问生物特征图像属于右眼虹膜的确定而访问右眼虹膜参考图像。
系统200计算相似性得分,其表示所访问生物特征图像与参考图像之间相似性(340)。例如,系统200可以将所访问生物特征图像与参考图像进行比较,并且生成反映所访问生物特征图像与参考图像之间相似性的数值。在此示例中,系统200可以计算从两个图像中提取的两个模板之间的相似性得分。得到的得分反映了所访问生物特征图像与参考图像之间的相似性,因为得分取决于所访问生物特征图像与参考图像的相似程度而靠近零(即,对于相同的图像,得分将是零;对于等同的图像,得分接近零)。可以使用计算反映两个图像之间相似性的相似性得分(例如,数值)的任何类型的过程。例如,为了计算两个左眼虹膜图像之间的相似性得分,可以使用一种使用一维离散余弦变换(DCT)的零交叉的虹膜匹配方法来执行特征提取以备后面分类使用。此虹膜编码方法基于来自正则化虹膜图像的重叠角度分片的离散余弦变换(DCT)系数的差。一系列平均重叠角度分片的DCT从正则化虹膜图像被取得,并且使用系数的一个小子集来形成子特征向量。虹膜编码被生成为多个此类子特征的序列,并且使用加权汉明距离度量来执行分类。此技术在如下文献中详述:‘DCT-based iris recognition’,D.M.Monro,S.Rakshitand D.Zhang,发表于IEEE Transactions on Pattern Analysis andMachine Intelligence,Vol.29,No.4,pp.586-595,2007年4月。
在某些示例中,系统200可以访问人员的部分的多个生物特征图像(例如,多个左眼虹膜图像),并且针对多个生物特征图像中的每一个而计算表示对应生物特征图像与参考图像之间相似性的相似性得分。在这些示例中,系统200可以根据针对多个生物特征图像而计算的相似性得分来确定平均相似性得分或者中间相似性得分。使用人员的部分的多个生物特征图像可以提供更为准确的相似性得分,并且可以将捕获该人的生物特征图像时相对于参考位置的位置细微差纳入考虑。
在某些实现中,系统200可以使用一个或多个图像相似性过程来生成所访问生物特征图像与参考图像之间的相似性测量。在这些实现中,系统200可以将相似性测量正则化为0到1之间的相似性得分。正则化允许系统200使用产生期望标度以外的测量的相似性过程。而且,正则化可以允许使用具有不同输出范围的不同相似性过程,并且允许相似性过程的改变,只要正则化被调节为计算期望范围(例如,0到1)内的相似性得分。
系统200使用计算出的相似性得分来搜索生物特征数据中包括的已排序相似性得分(350)。例如,系统200将计算出的相似性得分与已排序相似性分进行比较,并且基于该比较来标识一个或多个匹配。系统200可以标识与计算出的相似性分的最接近匹配,和/或可以标识具有计算出的相似性得分的阈值之内的相似性得分的人员的群组。与基于更多细节数据比较而搜索的传统技术相比,基于相似性得分的搜索可以改进搜索生物特征数据的速度。
在某些实现中,系统200可以通过这样的方式来搜索已排序相似性得分,即,利用生物特征数据中包括的相似性得分如何排序的知识。在这些实现中,系统200可以使用计算出的相似性得分来执行对已排序相似性得分的二分法搜索。例如,生物特征数据中包括的相似性得分可以按照降序被排序在一个列表中。在此示例中,系统200将计算出的相似性得分与已排序列表中点处的相似性得分进行比较。如果比较表明计算出的相似性得分大于已排序列表中的中点处的相似性得分超过一个阈值,系统200丢弃已排序列表的下半部分,并且移动到已排序列表的剩余部分(例如,上半部)中的中点处的相似性得分。如果比较表明计算出的相似性得分小于已排序列表中的中点处的相似性得分超过阈值,系统200丢弃已排序列表的上半部分,并且移动到已排序列表的剩余部分(例如,下半部分)中的中点处的相似性得分。系统200继续以一半的间隔搜索已排序列表,直到定位到所计算相似性得分的阈值之内的一个或多个匹配。因为系统200知道相似性得分以降序被排序在列表中,因此系统200能够通过单次比较而丢弃已排序列表中的较大部分,而无需将所计算相似性得分与生物特征数据中包括的所有相似性得分进行比较。系统200可以使用利用数据如何排序的知识的任何类型的搜索过程来搜索已排序相似性得分。例如,可以使用二分法搜索方法,其基于诸如字母排序或者数值排序的索引线性排序。在某些示例中,在搜索作为数字的相似性得分的列表时,可以使用数值顺序。在此示例中,给定的输入自变量K(例如,相似性得分)与已排序列表中的中间索引Kx进行比较,并且该比较的结果指明接下来应当搜索表的哪一半。结果可以是三种可能情形之一,即,K<Kx、K=Kx或者K>Kx。如果K=Kx,则识别到匹配。如果K<Kx,则丢弃表中具有大于Kx的索引的所有元素。类似地,如果K>Kx,则丢弃表中具有小于Kx的索引的所有元素。由此,在搜索的每次迭代中,消除表的一半,由此搜索在logN时间内完成。二分法搜索的过程更多详细解释在如下文献中给出:‘The Art of Computer Programming’,Volume 3:Sorting and Searching,Third Edition.Addison-Wesley,1997.ISBN0-201-89685-0.Section 6.2.1:Searching and Ordered Table.pp.409-426,Donald Knuth.
系统200根据使用计算出的相似性得分对生物特征数据中包括的已排序相似性得分的搜索而输出结果(360)。例如,系统200显示搜索的结果(例如,通过搜索而识别的一个或多个匹配),将搜索的结果存储在电子存储中,通过电子通信(例如,电子邮件消息)发送搜索的结果,使用打印设备打印搜索结果的拷贝,将搜索的结果发送给另一过程以供附加处理,或者执行允许用户查看搜索结果和/或允许在其他认证处理中使用搜索结果的任何其他输出操作。
图6示出了用于搜索生物特征数据的过程600。过程600可以用于上文关于参考标号350和360而参考的搜索已排序相似性得分和输出结果。过程600的操作被一般地描述为由系统200执行。在某些实现中,过程600的操作可以由一个或多个电子设备中包含的一个或多个处理器执行。
系统200使用利用已排序数据的搜索过程找到最接近匹配(610)。例如,系统200使用相似性得分被如何排序(例如,升序还是降序)的知识,按照比将计算出的相似性得分与每个潜在匹配进行比较直到找到匹配更快的方式来搜索相似性得分。在此示例中,系统200可以基于相似性得分被如何排序的知识通过单次比较而丢弃多个潜在匹配(可能是很多潜在匹配)。可以使用本公开中描述的二分法搜索过程或者其他任何搜索过程。
在图6所示的示例中,系统200基于搜索识别最接近匹配。最接近匹配是生物特征数据中最接近所计算相似性得分的相似性得分。系统200可以通过识别具有与所计算相似性得分的最小绝对差的相似性得分来识别最接近匹配。如果相似性得分未被排序,系统200将不得不对所计算相似性得分与所有相似性得分进行比较以确保找到最接近匹配。然而,因为对相似性得分进行了排序,系统200可以通过使用单次比较以及相似性得分如何排序的知识而丢弃多个相似性得分来更快地找到最接近匹配。
系统200计算所计算的相似性得分与最接近匹配的相似性得分之间的差(620)。例如,系统200访问最接近匹配的相似性得分,并且从最接近匹配的相似性得分中减去所计算的相似性得分。系统200可以确定减的结果的绝对值。
系统200将差与一个阈值比较(630)并且基于比较结果来确定差是否在阈值之内(640)。例如,系统200从电子存储访问阈值的值,并且将差与所访问的阈值进行比较。在此示例中,系统200基于比较来确定差是否满足所访问的阈值。当计算的差是绝对差时,阈值可以是单个值(例如,0.1)。在这种情况下,当比较表明绝对差小于或等于阈值的值时,系统200可以确定差在阈值之内;当比较表明绝对差大于阈值的值时,系统200可以确定差在阈值之外。当计算的差不是绝对差时,阈值可以是一个范围(例如,-0.1到0.1)。在这种情况下,当比较表明差在该范围之内时,系统200可以确定差在阈值之内;当比较表明差在该范围之外时,系统200可以确定差在阈值之外。
系统200基于差在阈值之内的确定而输出最接近匹配(650)。例如,当系统200确定差在阈值之内时,系统200输出最接近匹配。输出可以包括最接近匹配的相似性得分、与最接近匹配相关联的人员的更多详细生物特征数据和/或与最接近匹配相关联的人员的标识信息(例如,用户标识号、姓名,等等)。系统200可以显示输出、将输出存储在电子存储中、通过电子通信(例如,电子邮件消息)发送输出、使用打印设备打印输出的拷贝、将输出发送给另一过程以供附加处理、或者执行允许用户查看输出和/或允许在其他认证处理中使用该输出的任何其他输出操作。
基于差未在阈值之内的确定,系统200将所计算的相似性得分添加到已排序相似性得分中的适当点(660),并且输出没有找到匹配的指示(670)。例如,系统200可以确定所计算的相似性得分大于或小于最接近匹配的相似性得分。当相似性得分以降序被排序时,当系统200确定所计算的相似性得分大于最接近匹配的相似性得分时,系统200在相似性得分的已排序列表中将所计算的相似性得分添加到紧邻最接近匹配的相似性得分之前。当系统200确定所计算的相似性得分小于最接近匹配的相似性得分时,系统200在相似性得分的已排序列表中将所计算的相似性得分添加到紧邻最接近匹配的相似性得分之后。当相似性得分以升序被排序时,当系统200确定所计算的相似性得分大于最接近匹配的相似性得分时,系统200在相似性得分的已排序列表中将所计算的相似性得分添加到紧邻最接近匹配的相似性得分之后。当系统200确定所计算的相似性得分小于最接近匹配的相似性得分时,系统200在相似性得分的已排序列表中将所计算的相似性得分添加到紧邻最接近匹配的相似性得分之前。
在某些示例中,系统200还添加其图像被用于计算相似性得分的人员的标识信息,以便有效地将该人登记到认证系统中以供将来比较。在这些示例中,系统200可以添加人员的标识符、姓名、更详细的生物特征数据(例如,用于生成所计算相似性得分的已访问图像)和/或可有助于执行针对该人的将来认证过程的任何其他数据。系统200可以如本公开中所述的将所计算的相似性得分链接至生物特征数据中的标识信息。
图7示出了用于搜索生物特征数据的过程700。过程700可以用于上文关于参考标号350和360而参考的搜索已排序相似性得分和输出结果。过程700的操作被一般地描述为由系统200执行。在某些实现中,过程700的操作可以由一个或多个电子设备中包含的一个或多个处理器来执行。
系统200使用利用已排序数据的搜索过程来找到人员的子集,该子集中的每个人所计算相似性得分的阈值之内的相似性得分相关联(710)。例如,系统200使用相似性得分如何排序的知识(例如,升序还是降序),按照比将计算出的相似性得分与每个潜在匹配进行比较更快的方式来搜索相似性得分以找到人员的子集。在此示例中,系统200可以基于相似性得分如何排序的知识通过单次比较而丢弃多个潜在匹配(可能是很多潜在匹配)。可以使用本公开中描述的二分法搜索过程或者其他任何搜索过程。
在图7所示的示例中,系统200基于搜索而标识人员的子集,该子集中的每个人与所计算相似性得分的阈值之内的相似性得分相关联。系统200可以这样来标识人员的子集:标识其与所计算相似性得分的绝对差小于或等于阈值的相似性得分。如果相似性得分没有被排序,则系统200将不得不将所计算的相似性得分与所有相似性得分进行比较以确保找到每个适当的人员。然而,因为对相似性得分进行了排序,系统200可以通过使用单次比较以及相似性得分如何排序的知识而丢弃多个相似性得分来更快地找到人员子集。
系统200访问人员子集的详细生物特征数据(720)。例如,系统200标识链接到针对人员子集的每个相似性得分的详细生物特征数据,并且访问所标识的详细生物特征数据。在此示例中,系统200可以访问人员子集中每个人的用户标识号,并且使用所访问的用户标识号来获取子集中每个人的详细生物特征数据。子集中每个人的详细生物特征数据可以包括这样的数据,该数据比针对相应人员的相似性得分具有对该相应人员的部分的生物特征图像的更多描述。子集中每个人的详细生物特征数据还可以具有比相应人员的相似性得分更大的存储大小。详细生物特征数据可以包括被用于计算人员子集的相似性得分的生物特征图像或者生物特征图像的其他表示(例如,二进制对象数据)。
系统200将针对人员子集的详细生物特征数据与所访问的人员生物特征图像的详细生物特征数据进行比较(730)。例如,系统200可以访问人员的详细生物特征数据,并且将人员的详细生物特征数据与人员子集中每个人的详细生物特征数据进行比较。人员的详细生物特征数据是与人员子集的详细生物特征数据相同类型的生物特征数据,并且可以比所计算的相似性得分具有对人员生物特征图像的更多描述。人员的详细生物特征数据还可以具有比所计算的相似性得分更大的存储大小。人员的详细生物特征数据可以包括用于计算人员的相似性得分的生物特征图像或者生物特征图像的其他表示(例如,模板/二进制对象数据)。
系统200可以使用任何类型的技术对人员的详细生物特征数据与人员子集中每个人的详细生物特征数据进行比较。例如,系统200可以使用用于该特定模态/子模态的任何图像匹配过程将人员的详细生物特征数据与人员子集中每个人的详细生物特征数据进行比较。该过程可以类似于上文作为基于加权汉明距离度量的左眼虹膜匹配技术的示例而描述的过程,其在如下文献中被描述:‘DCT-based irisrecognition’,D.M.Monro,S.Rakshit and D.Zhang,发表于IEEETransactions on Pattern Analysis and Machine Intelligence,Vol.29,No.4,pp.586-595,2007年4月。因为详细生物特征数据比相似性得分具有更多描述,因此对详细生物特征数据的比较可能比涉及相似性得分的比较更加耗时并且更加准确。然而,涉及相似性得分的比较可能仍然是有用的,因为它在执行更加详细和耗时的过程之前将潜在匹配缩窄到一个人员子集。这一分级的方式可以加速搜索过程,并且仍然提供对从头对所有可能匹配执行较为详细分析的传统生物特征系统的精度。
系统200基于比较结果来标识匹配(740)。例如,系统200分析比较的结果并且确定子集中的哪个人是最接近匹配。在此示例中,系统200可以确定最接近匹配是否满足匹配中的置信度的阈值水平,并且基于确定最接近匹配满足置信度的阈值水平而输出该最接近匹配。基于确定最接近匹配不满足置信度的阈值水平,系统200可以提供不存在匹配的输出,或者提供标识多个潜在匹配的输出以及没有一个潜在匹配满足置信度阈值水平的指示。
图8示出了用于存储包括多种类型生物特征图像的生物特征数据的过程800。过程800的操作一般地被描述为由系统200执行。在某些实现中,过程800的操作可以由一个或多个电子设备中包含的一个或多个处理器执行。
系统200访问人员的多个生物特征图像(810)。例如,系统200可以使用上文关于图3中的参考标号320描述的技术来访问人员的多个生物特征图像。多个生物特征图像中的每一个可以对应于该人的不同部分,例如,访问以下两个或多个的任意组合:该人的左眼虹膜图像,该人的右眼虹膜图像,该人的面部图像,该人的一个或多个指纹的图像,以及该人的掌纹图像。系统200可以在认证系统在验证生物特征匹配中考虑多种类型生物特征图像时访问多个生物特征图像。
系统200访问多个参考图像(820)。例如,系统200可以使用上文关于图3中的参考标号330描述的技术来访问多个参考图像。多个参考图像中的每一个可以对应于该人的不同部分并且可以映射到多个生物特征图像之一。例如,系统200可以访问以下两个或多个的相同组合:参考人员的左眼虹膜图像,参考人员的右眼虹膜图像,参考人员的面部图像,参考人员的一个或多个指纹的图像,以及参考人员的掌纹图像。
系统200计算多个相似性得分(830)。系统200可以使用上文关于图3中的参考标号340描述的技术来计算多个相似性得分。多个相似性得分中的每一个可以表示多个生物特征图像之一与多个参考图像之一之间的相似性。例如,系统200可以计算左眼虹膜相似性得分、右眼虹膜相似性得分、面部相似性得分、人的任何一个或多个指纹的一个或多个相似性得分以及掌纹相似性得分。
系统200基于多个相似性得分计算融合相似性得分(840)。例如,系统200可以将多个相似性得分组合为单个融合相似性得分(例如,单个数值),其表示多个生物特征图像与多个参考图像之间的聚合相似性。在此示例中,系统200可以取多个相似性得分的加权平均以产生融合相似性得分。系统200可以根据每类生物特征数据的精度来设置在计算多个相似性得分的加权平均中使用的权重。例如,可以给予虹膜图像高于面部图像的权重,因为虹膜认证具有高于面部认证的精度。在此方面,通过查看多种类型的生物特征数据以及根据其相对精度为每类进行加权,系统200所计算的融合相似性得分可以提供比使用针对一类生物特征数据而计算的相似性得分进行搜索更准确的结果。
系统200存储相似性得分数据以便在基于多个相似性得分的搜索中使用(850)。例如,系统200在电子存储中存储计算的多个相似性得分中的每一个以及计算的融合相似性得分。在此示例中,系统200可以将多个相似性得分和融合相似性得分存储为与其图像被用于计算多个相似性得分的人员的标识信息相关联的相似性得分的向量。标识信息可以包括人员的标识符、姓名、更详细的生物特征数据(例如,用于生成多个相似性得分的多个图像)和/或在执行针对该人的未来认证过程中可能有用的任何其他数据。如本公开所述,系统200可以将相似性得分的向量链接至生物特征数据中的标识信息。
图9示出了用于生物特征数据的示例数据结构900。数据结构900包括人员的标识数据、人员的详细生物特征数据、针对人员的多个相似性得分以及针对人员的融合相似性得分。如所示,人员的标识数据包括用户标识号(例如,示为XXXXXX)。
人员的详细生物特征数据包括面部图像901、右眼虹膜图像902、左眼虹膜图像903、第一手指的指纹图像904、第二手指的指纹图像905、第三手指的指纹图像906、第四手指的指纹图像907、第五手指的指纹图像908、第六手指的指纹图像909、第七手指的指纹图像910、第八手指的指纹图像911、第九手指的指纹图像912以及第十手指的指纹图像913。针对人员的多个相似性得分包括基于面部图像901而计算的面部相似性得分、基于右眼虹膜图像902而计算的右眼虹膜相似性得分、基于左眼虹膜图像903而计算的左眼虹膜相似性得分、基于第一手指的指纹图像904而计算的第一手指相似性得分、基于第二手指的指纹图像905而计算的第二手指相似性得分、基于第三手指的指纹图像906而计算的第三手指相似性得分、基于第四手指的指纹图像907而计算的第四手指相似性得分、基于第五手指的指纹图像908而计算的第五手指相似性得分、基于第六手指的指纹图像909而计算的第六手指相似性得分、基于第七手指的指纹图像910而计算的第七手指相似性得分、基于第八手指的指纹图像911而计算的第八手指相似性得分、基于第九手指的指纹图像912而计算的第九手指相似性得分以及基于第十手指的指纹图像913而计算的第十手指相似性得分。
融合相似性得分914通过取面部相似性得分、右眼虹膜相似性得分、左眼虹膜相似性得分、第一手指相似性得分、第二手指相似性得分、第三手指相似性得分、第四手指相似性得分、第五手指相似性得分、第六手指相似性得分、第七手指相似性得分、第八手指相似性得分、第九手指相似性得分以及第十手指相似性得分的加权平均而被计算。
数据结构900表示了多种类型的生物特征数据的向量,其提供了用于使用生物特征识别技术来识别人的多个来源的简档(profile)。因为该向量包括多种类型的生物特征数据,因此该向量在使用生物特征数据搜索人员中提供了提高的精度。
在某些实现中,系统200可以利用多种类型的生物特征数据来执行对生物特征数据的搜索。在这些实现中,系统200可以计算针对多种类型生物特征数据中每一种的相似性得分,并且基于计算的相似性得分来执行搜索。例如,当系统200基于针对多种类型的生物特征数据而计算的相似性得分来计算融合相似性得分时,系统200可以使用融合相似性得分来执行本公开中描述的使用所计算相似性得分的任何搜索过程。
此外,系统200可以使用分级搜索过程,其使用对不同类型相似性得分的多个搜索来渐进地缩窄结果。例如,系统200可以首先使用针对一个人员的融合相似性得分来识别第一人员子集,其中的每个人所具有的融合相似性得分在针对该人员的融合相似性得分的阈值之内。在此示例中,系统200继而可以将针对该人员的左眼虹膜相似性得分与第一人员子集的左眼虹膜相似性得分进行比较,并且基于比较将第一人员子集缩窄为第二人员子集,其中的人具有针对该人员的融合相似性得分的阈值之内的融合相似性得分以及针对该人员的左眼虹膜相似性得分的阈值之内的左眼虹膜相似性得分二者。系统200继而可以将针对该人员的右眼虹膜相似性得分与第二人员子集的右眼相似性得分进行比较,并且基于比较将第二人员子集缩窄为第三人员子集,其中的人具有针对该人员的融合相似性得分的阈值之内的融合相似性得分、针对该人员的左眼虹膜相似性得分的阈值之内的左眼虹膜相似性得分以及针对该人员的右眼虹膜相似性得分的阈值之内的右眼虹膜相似性得分。系统200可以继续缩窄结果,直到找到单个匹配(或者适当数目的匹配,以进行到更为详细的生物特征识别技术)或者已经考虑了所有类型的生物特征数据。在执行分级搜索过程时,可以使用搜索相似性得分的任意组合和顺序。
在某些示例中,系统200可以同时执行对不同类型相似性得分的多个搜索。在这些示例中,对于每类相似性得分,系统200可以识别人员的子集,其中的人所具有的针对相似性得分类型的相似性得分在一个人员针对该相似性得分类型的相似性得分的阈值之内。由此,系统200识别针对每类相似性得分的人员子集。系统200继而分析不同人员子集以识别所有不同人员子集共有的人员的最终子集。系统200继而输出最终人员子集作为结果,或者针对该最终人员子集执行更详细的生物特征识别技术。
图10是通用计算机系统1000的示例的示意性框图。根据某些实现,系统1000可以用于与过程300、400、500、600、700和800相关联而描述的操作。系统1000可以包括在系统100和200中。
系统1000包括处理器1010、存储器1020、存储设备1030以及输入/输出设备1040。组件1010、1020、1030和1040中的每一个使用系统总线1050互连。处理器1010能够处理用于在系统1000内执行的指令。在一个实现中,处理器1010是单线程处理器。在另一实现中,处理器1010是多线程处理器。处理器1010能够处理存储在存储器1020中或者存储设备1030上的指令,以便在输入/输出设备1040上显示用于用户界面的图形信息。
存储器1020存储系统1000内的信息。在一个实现中,存储器1020是计算机可读介质。在一个实现中,存储器1020是易失性存储单元。在另一实现中,存储器1020是非易失性存储单元。
存储设备1030能够为系统1000提供大容量存储。在一个实现中,存储设备1030是计算机可读介质。在各种不同实现中,存储设备1030可以是软盘设备、硬盘设备、光盘设备或者磁带设备。
输入/输出设备1040为系统1000提供输出/输出操作。在一个实现中,输入/输出设备1040包括键盘和/或指点设备。在另一实现中,输入/输出设备1040包括用于显示图形用户界面的显式单元。
所描述的特征可以实现为数字电子电路、或者计算机硬件、固件、软件、或其组合。装置可以实现在有形地具体化在信息载体中的计算机程序产品中,例如有形地包含在机器可读存储设备中,以便由可编程处理器执行;方法步骤可以由执行指令程序的可编程处理器来执行,以通过操作输入数据以及生成输出来执行所描述实现的功能。所描述的特征可以有利地实现在可在可编程系统上执行的一个或多个计算机程序中,该可编程系统包括至少一个可编程处理器,其耦合到数据存储系统以从其接收数据和指令以及向其发送数据和指令;至少一个输入设备;以及至少一个输出设备。计算机程序是可以在计算机中直接或间接使用以执行特定动作或产生特定结果的指令集。计算机程序可以以任何编程语言形式编写,包括编译语言或汇编语言,并且其可以以任何形式进行部署,包括作为单机程序或作为模块、组件、子例程,或适合于在计算环境中使用的其他单元。
作为示例,用于执行指令程序的适合的处理器包括通用微处理器和专用微处理器,以及任何类型的计算机的单处理器或多处理器之一。通常,处理器会从只读存储器或随机访问存储器或二者接收指令和数据。计算机的必要元件是用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器。通常,计算机还会包括一个或多个用于存储数据文件的海量存储设备或者可操作地与其耦合以进行通信;这种设备包括磁盘,诸如内部硬盘或可移动盘;磁光盘;以及光盘。适合于有形地具体化计算机程序指令和数据的存储设备包括所有形式的非易失性存储器,作为示例,其包括半导体存储器器件,诸如EPROM、EEPROM以及闪存设备;磁盘,诸如内部硬盘和可移动盘;磁光盘;以及CD-ROM盘和DVD-ROM盘。处理器和存储器可以由ASIC(专用集成电路)来补充或并入其中。
为了提供与用户的交互,特征可以实现在计算机上,该计算机具有用于向用户显示信息的显示设备(诸如CRT(阴极射线管)或LCD(液晶显示)监视器),以及用户可以用来向计算机提供输入的键盘和指点设备(诸如鼠标或轨迹球)。
特征可以实现在计算机系统中,其包括后端组件,诸如数据服务器;或者其包括中间件组件,诸如应用服务器或因特网服务器;或者其包括前端组件,诸如具有图形用户接口或因特网浏览器的客户端计算机,或者是其任意组合。系统的组件可以通过任何形式或数字数据通信介质(诸如通信网络)而连接。通信网络的示例包括,例如LAN、WAN以及组成因特网的计算机和网络。
计算机系统可以包括客户端和服务器。客户端和服务器通常相互远离,并且典型地通过网络(诸如前述网络)进行交互。客户端与服务器的关系由于运行在各自计算机上并且相互具有客户端-服务器关系的计算机程序而产生。
已经描述了多个实现。然而,将会理解,在不脱离本公开内容的精神和范围的情况下可以做出各种修改。因此,其他实现在所附权利要求的范围之内。
Claims (20)
1.一种生物特征认证系统,包括:
数据存储系统,配置用于针对人员群组而维护包括已排序相似性得分的生物特征数据,所述已排序相似性得分的每一个被计算以表示相应生物特征图像与参考图像之间的相似性;以及
生物特征验证系统,包括至少一个处理器,所述生物特征验证系统配置用于:
访问一个人员的至少部分的生物特征图像;
访问所述参考图像;
计算表示访问的所述生物特征图像与所述参考图像之间相似性的相似性得分;
使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分;以及
基于使用计算的所述相似性得分对所述生物特征数据中包括的所述已排序相似性得分的所述搜索而输出结果。
2.根据权利要求1所述的生物特征认证系统,其中所述生物特征验证系统配置用于如下地使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分:以利用所述生物特征数据中包括的所述已排序相似性得分如何被排序的知识的方式搜索所述已排序相似性得分。
3.根据权利要求2所述的生物特征认证系统,其中所述生物特征验证系统配置用于如下地以利用所述生物特征数据中包括的所述已排序相似性得分如何被排序的知识的方式搜索所述已排序相似性得分:使用计算的所述相似性得分执行对所述已排序相似性得分的二分法搜索。
4.根据权利要求1所述的生物特征认证系统:
其中所述生物特征验证系统配置用于通过访问所述人员的虹膜的图像来访问所述人员的所述至少部分的所述生物特征图像;
其中所述生物特征验证系统配置用于通过访问参考人员的虹膜的参考图像来访问所述参考图像;以及
其中所述生物特征验证系统配置用于如下地计算表示所访问的所述生物特征图像与所述参考图像之间相似性的所述相似性得分:计算表示所访问的所述人员的所述虹膜的所述图像与所述参考人员的所述虹膜的所述参考图像之间相似性的相似性得分。
5.根据权利要求1所述的生物特征认证系统:
其中所述生物特征验证系统配置用于通过访问所述人员的指纹的图像来访问所述人员的所述至少部分的所述生物特征图像;
其中所述生物特征验证系统配置用于通过访问参考人员的指纹的参考图像来访问所述参考图像;以及
其中所述生物特征验证系统配置用于如下地计算表示所访问的所述生物特征图像与所述参考图像之间相似性的所述相似性得分:计算表示所访问的所述人员的所述指纹的所述图像与所述参考人员的所述指纹的所述参考图像之间相似性的相似性得分。
6.根据权利要求1所述的生物特征认证系统:
其中所述生物特征验证系统配置用于通过访问所述人员的面部的图像来访问所述人员的所述至少部分的所述生物特征图像;
其中所述生物特征验证系统配置用于通过访问参考人员的面部的参考图像来访问所述参考图像;以及
其中所述生物特征验证系统配置用于如下地计算表示所访问的所述生物特征图像与所述参考图像之间相似性的所述相似性得分:计算表示所访问的所述人员的所述面部的所述图像与所述参考人员的所述面部的所述参考图像之间相似性的相似性得分。
7.根据权利要求1所述的生物特征认证系统,还包括生物特征登记系统,配置用于针对所述人员群组中的每个人员确定表示相应人员的至少部分的生物特征图像与所述参考图像之间相似性的相似性得分,并且基于确定的相似性得分对所述生物特征数据进行排序。
8.根据权利要求7所述的生物特征认证系统:
其中由所述数据存储系统维护的所述生物特征数据包括:针对所述人员群组中的每个人员的详细生物特征数据,针对每个人员的所述详细生物特征数据包括比针对相应人员的所述相似性得分具有对所述相应人员的所述部分的所述生物特征图像的更多描述、并且比针对所述相应人员的所述相似性得分具有更大的存储大小的数据;以及
其中所述生物特征登记系统配置用于针对所述人员群组中的每个人员而将针对所述相应人员的所述相似性得分与针对所述相应人员的所述详细生物特征数据进行链接。
9.根据权利要求8所述的生物特征认证系统,其中所述数据存储系统包括存储器存储系统和盘存储系统,以及所述数据存储系统配置用于将所述已排序相似性得分维护在所述存储器存储系统中,并且将所述详细生物特征数据维护在所述盘存储系统中。
10.根据权利要求7所述的生物特征认证系统,其中所述生物特征登记系统配置用于如下地将新人员登记在所述数据存储系统中:
访问所述新人员的至少部分的新生物特征图像;
访问所述参考图像;
计算表示所述新生物特征图像与所述参考图像之间相似性的新相似性得分;
确定针对所述新人员的唯一标识符;
在所述数据存储系统中并且与所述唯一标识符相关联地将所述新相似性得分存储在所述已排序相似性得分中的适当点;以及
在所述数据存储系统中并且与所述唯一标识符相关联地存储针对所述新人员的详细生物特征数据,针对所述新人员的所述详细生物特征数据比所述新相似性得分具有对所述新生物特征图像的更多描述,并且比所述新相似性得分具有更大的存储大小。
11.根据权利要求1所述的生物特征认证系统,其中所述生物特征验证系统配置用于如下地计算表示访问的所述生物特征图像与所述参考图像之间相似性的所述相似性得分:
访问所述人员的所述部分的多个生物特征图像;
针对所述多个生物特征图像中的每一个,计算表示相应生物特征图像与所述参考图像之间相似性的相似性得分;以及
基于针对所述多个生物特征图像而计算的所述相似性得分来计算平均相似性得分。
12.根据权利要求1所述的生物特征认证系统:
其中所述生物特征验证系统配置用于如下地使用计算的所述相似性得分来搜索所述生物特征数据中包括的所述已排序相似性得分:
使用一个搜索过程找到与计算的所述相似性得分的最接近匹配,所述搜索过程利用所述生物特征数据中包括的所述相似性得分如何被排序的知识;
计算所计算的所述相似性得分与所述最接近匹配的相似性得分之间的差;
将所述差与一个阈值进行比较;以及
基于比较结果来确定所述差是否在所述阈值之内;以及
其中所述生物特征验证系统配置用于通过基于确定所述差在所述阈值之内而输出所述最接近匹配,来基于使用计算的所述相似性得分对所述生物特征数据中包括的所述已排序相似性得分的所述搜索而输出结果。
13.根据权利要求12所述的生物特征认证系统,其中所述生物特征验证系统配置用于如下地基于使用计算的所述相似性得分对所述生物特征数据中包括的所述已排序相似性得分的所述搜索而输出结果:基于确定所述差未在所述阈值之内而在所述数据存储系统中将计算的所述相似性得分添加到所述已排序相似性得分中的适当点,以及输出没有找到匹配的指示。
14.根据权利要求1所述的生物特征认证系统:
其中所述生物特征验证系统配置用于如下地使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分:
使用利用所述生物特征数据中包括的所述相似性得分如何被排序的知识的搜索过程找到人员子集,其中的每个人员与计算的所述相似性得分的阈值之内的相似性得分相关联;
访问针对所述人员子集的详细生物特征数据,针对所述子集中每个人员的所述详细生物特征数据包括这样的数据,所述数据比针对相应人员的所述相似性得分具有对所述相应人员的所述部分的所述生物特征图像的更多描述,并且比针对所述相应人员的所述相似性得分具有更大的存储大小;
将访问的针对所述人员子集的所述详细生物特征数据与针对所述人员的详细生物特征数据进行比较,针对所述人员的所述详细生物特征数据比计算的所述相似性得分具有对所述生物特征图像的更多描述,并且比计算的所述相似性得分具有更大的存储大小;以及
基于比较结果识别匹配;以及
其中所述生物特征验证系统配置用于通过输出识别的所述匹配来基于使用计算的所述相似性得分对所述生物特征数据中包括的所述已排序相似性得分的所述搜索而输出结果。
15.根据权利要求1所述的生物特征认证系统,其中所述生物特征验证系统配置用于如下地计算表示访问的所述生物特征图像与所述参考图像之间相似性的相似性得分:使用图像相似性过程生成访问的所述生物特征图像与所述参考图像之间的相似性测量,以及将所述相似性测量正则化到0与1之间的相似性得分。
16.根据权利要求1所述的生物特征认证系统:
其中所述生物特征验证系统配置用于通过访问所述人员的多个生物特征图像来访问所述人员的所述至少部分的所述生物特征图像,所述多个生物特征图像中的每一个对应于所述人员的不同部分;
其中所述生物特征验证系统配置用于通过访问多个参考图像来访问所述参考图像,所述多个参考图像中的每一个对应于人员的不同部分并且映射到所述多个生物特征图像之一;
其中所述生物特征验证系统配置用于如下地计算表示访问的所述生物特征图像与所述参考图像之间相似性的相似性得分:
计算多个相似性得分,所述多个相似性得分中的每一个表示所述多个生物特征图像之一与所述多个参考图像之一之间的相似性;以及
基于所述多个相似性得分计算融合相似性得分;以及
其中所述生物特征验证系统配置用于如下地使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分:使用所述融合相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分。
17.根据权利要求16所述的生物特征认证系统,其中所述生物验证系统配置用于通过取所述多个相似性得分的加权平均来基于所述多个相似性得分计算所述融合相似性得分。
18.根据权利要求1所述的生物特征认证系统,
其中所述生物特征验证系统配置用于通过访问所述人员的多个生物特征图像来访问所述人员的所述至少部分的所述生物特征图像,所述多个生物特征图像中的每一个对应于所述人员的不同部分;
其中所述生物特征验证系统配置用于通过访问多个参考图像来访问所述参考图像,所述多个参考图像中的每一个对应于人员的不同部分并且映射到所述多个生物特征图像之一;
其中所述生物特征验证系统配置用于如下地计算表示访问的所述生物特征图像与所述参考图像之间相似性的相似性得分:
计算多个相似性得分,所述多个相似性得分中的每一个表示所述多个生物特征图像之一与所述多个参考图像之一之间的相似性;以及
将所述多个相似性得分布置在相似性得分向量中;以及
其中所述生物特征验证系统配置用于如下地使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分:使用所述相似性得分向量搜索所述生物特征数据中包括的所述已排序相似性得分。
19.一种方法,包括:
在电子存储中并且针对人员群组而维护包括已排序相似性得分的生物特征数据,所述已排序相似性得分的每一个被计算以表示相应生物特征图像与参考图像之间的相似性;
访问一个人员的至少部分的生物特征图像;
访问所述参考图像;
计算表示访问的所述生物特征图像与所述参考图像之间相似性的相似性得分;
由包括至少一个处理器的生物特征认证系统使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分;以及
基于使用计算的所述相似性得分对所述生物特征数据中包括的所述已排序相似性得分的所述搜索而输出结果。
20.编码有可执行指令的至少一个计算机可读存储介质,当所述可执行指令由至少一个处理器执行时导致所述至少一个处理器执行操作,所述操作包括:
针对人员群组而维护包括已排序相似性得分的生物特征数据,所述已排序相似性得分的每一个被计算以表示相应生物特征图像与参考图像之间的相似性;
访问一个人员的至少部分的生物特征图像;
访问所述参考图像;
计算表示访问的所述生物特征图像与所述参考图像之间相似性的相似性得分;
使用计算的所述相似性得分搜索所述生物特征数据中包括的所述已排序相似性得分;以及
基于使用计算的所述相似性得分对所述生物特征数据中包括的所述已排序相似性得分的所述搜索而输出结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN1939/CHE/2011 | 2011-06-07 | ||
IN1939CH2011 | 2011-06-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102842042A true CN102842042A (zh) | 2012-12-26 |
CN102842042B CN102842042B (zh) | 2015-04-22 |
Family
ID=46750141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210188783.1A Active CN102842042B (zh) | 2011-06-07 | 2012-06-06 | 生物特征认证技术 |
Country Status (5)
Country | Link |
---|---|
US (3) | US9020207B2 (zh) |
EP (1) | EP2533171B1 (zh) |
CN (1) | CN102842042B (zh) |
ES (1) | ES2624679T3 (zh) |
ZA (1) | ZA201203891B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243060A (zh) * | 2014-05-30 | 2016-01-13 | 小米科技有限责任公司 | 一种检索图片的方法及装置 |
CN105847003A (zh) * | 2015-01-15 | 2016-08-10 | 深圳印象认知技术有限公司 | 生物特征的加密方法、加密匹配方法及加密系统、加密匹配系统 |
CN106922192A (zh) * | 2014-12-10 | 2017-07-04 | 英特尔公司 | 利用查找表的面部检测方法和装置 |
CN107491965A (zh) * | 2017-07-31 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 一种生物特征库的建立方法和装置 |
CN109389040A (zh) * | 2018-09-07 | 2019-02-26 | 广东中粤电力科技有限公司 | 一种作业现场人员安全着装的检查方法及装置 |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020207B2 (en) | 2011-06-07 | 2015-04-28 | Accenture Global Services Limited | Biometric authentication technology |
AU2013200450B2 (en) | 2012-01-30 | 2014-10-02 | Accenture Global Services Limited | System and method for face capture and matching |
US8948465B2 (en) | 2012-04-09 | 2015-02-03 | Accenture Global Services Limited | Biometric matching technology |
WO2013181695A1 (en) * | 2012-06-04 | 2013-12-12 | National Ict Australia Limited | Biometric verification |
US9251396B2 (en) | 2013-01-29 | 2016-02-02 | Diamond Fortress Technologies, Inc. | Touchless fingerprinting acquisition and processing application for mobile devices |
US9111133B2 (en) * | 2013-03-13 | 2015-08-18 | Google Inc. | Use of unknown user data for identifying known users |
US9036876B2 (en) * | 2013-05-01 | 2015-05-19 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for authenticating biometric data |
JP6167667B2 (ja) * | 2013-05-23 | 2017-07-26 | 富士通株式会社 | 認証システム、認証方法、認証プログラムおよび認証装置 |
JP5902661B2 (ja) * | 2013-09-30 | 2016-04-13 | 株式会社東芝 | 認証装置、認証システムおよび認証方法 |
US10545918B2 (en) * | 2013-11-22 | 2020-01-28 | Orbis Technologies, Inc. | Systems and computer implemented methods for semantic data compression |
US9619633B1 (en) | 2014-06-18 | 2017-04-11 | United Services Automobile Association (Usaa) | Systems and methods for upgrading authentication systems |
JP6404011B2 (ja) * | 2014-06-25 | 2018-10-10 | 株式会社日立製作所 | 生体情報を利用する認証システム |
US9253189B1 (en) * | 2014-08-27 | 2016-02-02 | International Business Machines Corporation | Generating weights for biometric tokens in probabilistic matching systems |
US10019563B2 (en) * | 2014-12-05 | 2018-07-10 | Sony Corporation | Information processing apparatus and information processing method |
US9817956B2 (en) * | 2014-12-12 | 2017-11-14 | Excalibur Ip, Llc | User authentication and data encryption |
US9734381B2 (en) * | 2014-12-17 | 2017-08-15 | Northrop Grumman Systems Corporation | System and method for extracting two-dimensional fingerprints from high resolution three-dimensional surface data obtained from contactless, stand-off sensors |
CN105139019B (zh) * | 2015-03-24 | 2019-03-19 | 北京眼神智能科技有限公司 | 虹膜图像筛选的方法及装置 |
US10305895B2 (en) * | 2015-04-14 | 2019-05-28 | Blubox Security, Inc. | Multi-factor and multi-mode biometric physical access control device |
US10146797B2 (en) * | 2015-05-29 | 2018-12-04 | Accenture Global Services Limited | Face recognition image data cache |
US10554758B2 (en) | 2015-06-15 | 2020-02-04 | Blub0X Security, Inc. | Web-cloud hosted unified physical security system |
US9953231B1 (en) * | 2015-11-17 | 2018-04-24 | United Services Automobile Association (Usaa) | Authentication based on heartbeat detection and facial recognition in video data |
SE539528C2 (en) * | 2016-01-13 | 2017-10-10 | Precise Biometrics Ab | A method for updating biometric reference data |
US10097544B2 (en) * | 2016-06-01 | 2018-10-09 | International Business Machines Corporation | Protection and verification of user authentication credentials against server compromise |
JP2018005271A (ja) * | 2016-06-27 | 2018-01-11 | 株式会社東芝 | サーバ、icカード処理装置、および、icカード処理システム |
KR102458241B1 (ko) * | 2016-12-13 | 2022-10-24 | 삼성전자주식회사 | 사용자 인식 장치 및 방법 |
US20190139051A1 (en) * | 2017-05-23 | 2019-05-09 | Kenneth A. Kopf | Biometric secure transaction system |
KR102288302B1 (ko) | 2017-07-03 | 2021-08-10 | 삼성전자주식회사 | 적외선 영상을 이용한 사용자 인증 방법 및 장치 |
US10733606B2 (en) * | 2017-07-07 | 2020-08-04 | Bank Of America Corporation | Biometric authentication for paper-based transactions |
WO2019014425A1 (en) * | 2017-07-13 | 2019-01-17 | Pindrop Security, Inc. | SAFE PARTY WITH SEVERAL PARTIES KNOWING NO VOICE IMPRESSIONS |
KR102389562B1 (ko) | 2017-09-08 | 2022-04-22 | 삼성전자주식회사 | 지문 정보 처리 방법 |
US10665244B1 (en) | 2018-03-22 | 2020-05-26 | Pindrop Security, Inc. | Leveraging multiple audio channels for authentication |
JP7216491B2 (ja) * | 2018-07-27 | 2023-02-01 | シャープ株式会社 | ユーザー選択補助装置、画像形成装置、ユーザー選択補助方法およびユーザー選択補助プログラム |
US11216541B2 (en) | 2018-09-07 | 2022-01-04 | Qualcomm Incorporated | User adaptation for biometric authentication |
KR20200100481A (ko) * | 2019-02-18 | 2020-08-26 | 삼성전자주식회사 | 생체 정보를 인증하기 위한 전자 장치 및 그의 동작 방법 |
US20220165055A1 (en) * | 2019-04-12 | 2022-05-26 | Nec Corporation | Information processing apparatus, information processing method, and storage medium |
US10749678B1 (en) | 2019-09-26 | 2020-08-18 | Bank Of America Corporation | User authentication using tokens |
US11303629B2 (en) | 2019-09-26 | 2022-04-12 | Bank Of America Corporation | User authentication using tokens |
US11140154B2 (en) | 2019-09-26 | 2021-10-05 | Bank Of America Corporation | User authentication using tokens |
US11329823B2 (en) | 2019-09-26 | 2022-05-10 | Bank Of America Corporation | User authentication using tokens |
SG10202000100YA (en) * | 2020-01-06 | 2020-07-29 | Alipay Labs Singapore Pte Ltd | Biometric based user identity verification |
US11531742B2 (en) | 2020-02-27 | 2022-12-20 | Aware, Inc. | AdHoc enrollment process |
CN115668186A (zh) * | 2020-06-11 | 2023-01-31 | 富士通株式会社 | 认证方法、信息处理装置、以及认证程序 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1164077A (zh) * | 1996-01-23 | 1997-11-05 | 哈里公司 | 指纹指数确定和查寻方法及相关设备 |
CN1564186A (zh) * | 2004-04-18 | 2005-01-12 | 杭州中正生物认证技术有限公司 | 基于全局脊线的指纹识别方法 |
CN1900933A (zh) * | 2005-07-21 | 2007-01-24 | 富士施乐株式会社 | 图像搜索系统、图像搜索方法和存储介质 |
CN101057248A (zh) * | 2004-11-16 | 2007-10-17 | 国际商业机器公司 | 指纹生物统计机器 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5386103A (en) | 1993-07-06 | 1995-01-31 | Neurnetics Ltd. | Identification and verification system |
US5841888A (en) | 1996-01-23 | 1998-11-24 | Harris Corporation | Method for fingerprint indexing and searching |
US6111517A (en) | 1996-12-30 | 2000-08-29 | Visionics Corporation | Continuous video monitoring using face recognition for access control |
US6496595B1 (en) | 2000-05-19 | 2002-12-17 | Nextgenid, Ltd. | Distributed biometric access control apparatus and method |
CA2359269A1 (en) | 2001-10-17 | 2003-04-17 | Biodentity Systems Corporation | Face imaging system for recordal and automated identity confirmation |
US7065465B2 (en) | 2002-03-26 | 2006-06-20 | Lockheed Martin Corporation | Method and system for multi-sensor data fusion |
GB2395779A (en) | 2002-11-29 | 2004-06-02 | Sony Uk Ltd | Face detection |
US7421097B2 (en) | 2003-05-27 | 2008-09-02 | Honeywell International Inc. | Face identification verification using 3 dimensional modeling |
GB2414614A (en) | 2004-05-28 | 2005-11-30 | Sony Uk Ltd | Image processing to determine most dissimilar images |
WO2006025185A1 (ja) | 2004-08-31 | 2006-03-09 | Matsushita Electric Industrial Co., Ltd. | 監視記録装置およびその方法 |
WO2006034135A2 (en) | 2004-09-17 | 2006-03-30 | Proximex | Adaptive multi-modal integrated biometric identification detection and surveillance system |
JP4595750B2 (ja) | 2005-08-29 | 2010-12-08 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
IL173210A0 (en) | 2006-01-17 | 2007-03-08 | Rafael Advanced Defense Sys | Biometric facial surveillance system |
EP2291795A1 (en) | 2008-07-02 | 2011-03-09 | C-True Ltd. | Face recognition system and method |
KR101618759B1 (ko) | 2008-12-24 | 2016-05-09 | 삼성전자주식회사 | 영상 촬영 장치 및 방법 |
US20110106734A1 (en) | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
JP2011069965A (ja) | 2009-09-25 | 2011-04-07 | Japan Atomic Energy Agency | 撮像装置、画像表示方法、及び画像表示プログラムが記録された記録媒体 |
US9020207B2 (en) | 2011-06-07 | 2015-04-28 | Accenture Global Services Limited | Biometric authentication technology |
AU2013200450B2 (en) | 2012-01-30 | 2014-10-02 | Accenture Global Services Limited | System and method for face capture and matching |
US8948465B2 (en) | 2012-04-09 | 2015-02-03 | Accenture Global Services Limited | Biometric matching technology |
EP2797030B1 (en) * | 2013-04-24 | 2021-06-16 | Accenture Global Services Limited | Biometric recognition |
-
2012
- 2012-03-01 US US13/409,584 patent/US9020207B2/en active Active
- 2012-05-28 ZA ZA2012/03891A patent/ZA201203891B/en unknown
- 2012-06-05 EP EP12004276.7A patent/EP2533171B1/en active Active
- 2012-06-05 ES ES12004276.7T patent/ES2624679T3/es active Active
- 2012-06-06 CN CN201210188783.1A patent/CN102842042B/zh active Active
-
2015
- 2015-02-13 US US14/621,819 patent/US9558415B2/en active Active
-
2016
- 2016-10-17 US US15/294,897 patent/US9600730B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1164077A (zh) * | 1996-01-23 | 1997-11-05 | 哈里公司 | 指纹指数确定和查寻方法及相关设备 |
CN1564186A (zh) * | 2004-04-18 | 2005-01-12 | 杭州中正生物认证技术有限公司 | 基于全局脊线的指纹识别方法 |
CN101057248A (zh) * | 2004-11-16 | 2007-10-17 | 国际商业机器公司 | 指纹生物统计机器 |
CN1900933A (zh) * | 2005-07-21 | 2007-01-24 | 富士施乐株式会社 | 图像搜索系统、图像搜索方法和存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243060A (zh) * | 2014-05-30 | 2016-01-13 | 小米科技有限责任公司 | 一种检索图片的方法及装置 |
CN105243060B (zh) * | 2014-05-30 | 2019-11-08 | 小米科技有限责任公司 | 一种检索图片的方法及装置 |
CN106922192A (zh) * | 2014-12-10 | 2017-07-04 | 英特尔公司 | 利用查找表的面部检测方法和装置 |
CN105847003A (zh) * | 2015-01-15 | 2016-08-10 | 深圳印象认知技术有限公司 | 生物特征的加密方法、加密匹配方法及加密系统、加密匹配系统 |
CN107491965A (zh) * | 2017-07-31 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 一种生物特征库的建立方法和装置 |
US10789593B2 (en) | 2017-07-31 | 2020-09-29 | Alibaba Group Holding Limited | Biometric feature database establishing method and apparatus |
US11270310B2 (en) | 2017-07-31 | 2022-03-08 | Advanced New Technologies Co., Ltd. | Biometric feature database establishing method and apparatus |
US11544711B2 (en) | 2017-07-31 | 2023-01-03 | Advanced New Technologies Co., Ltd. | Biometric feature database establishing method and apparatus |
CN109389040A (zh) * | 2018-09-07 | 2019-02-26 | 广东中粤电力科技有限公司 | 一种作业现场人员安全着装的检查方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US9020207B2 (en) | 2015-04-28 |
ES2624679T3 (es) | 2017-07-17 |
US20170032205A1 (en) | 2017-02-02 |
ZA201203891B (en) | 2013-02-27 |
US9558415B2 (en) | 2017-01-31 |
CN102842042B (zh) | 2015-04-22 |
EP2533171A2 (en) | 2012-12-12 |
EP2533171B1 (en) | 2017-03-08 |
EP2533171A3 (en) | 2013-01-02 |
US20150161460A1 (en) | 2015-06-11 |
US9600730B2 (en) | 2017-03-21 |
US20120314911A1 (en) | 2012-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102842042A (zh) | 生物特征认证技术 | |
Liang et al. | A robust fingerprint indexing scheme using minutia neighborhood structure and low-order delaunay triangles | |
Cappelli et al. | Minutia cylinder-code: A new representation and matching technique for fingerprint recognition | |
Cappelli et al. | Fingerprint indexing based on minutia cylinder-code | |
Wu et al. | Scalable face image retrieval with identity-based quantization and multireference reranking | |
US7474769B1 (en) | Bioindex mechanism for increasing the relative speed of biometric identification against large population samples | |
Prabhakar et al. | Introduction to the special issue on biometrics: Progress and directions | |
Mhatre et al. | Efficient search and retrieval in biometric databases | |
Cappelli et al. | A fingerprint retrieval system based on level-1 and level-2 features | |
CN104123534A (zh) | 生物识别 | |
Gwo et al. | Plant identification through images: Using feature extraction of key points on leaf contours1 | |
US11062120B2 (en) | High speed reference point independent database filtering for fingerprint identification | |
US9798958B2 (en) | Biometric information registration device and method | |
Li et al. | Outlier detection using structural scores in a high-dimensional space | |
KR100617292B1 (ko) | 지문 인식 방법 및 그 장치 | |
TWI783199B (zh) | 臉部辨識的處理方法及電子裝置 | |
Bai et al. | An efficient indexing scheme based on k-plet representation for fingerprint database | |
Xi et al. | Finger vein recognition based on the hyperinformation feature | |
US10121085B2 (en) | Information processing apparatus and method of searching for similar data | |
Jeyanthi et al. | Neural network based automatic fingerprint recognition system for overlapped latent images | |
CN106339699B (zh) | 三维人脸识别方法和系统 | |
Maltoni et al. | Fingerprint classification and indexing | |
Germain | Large scale systems | |
Selianinau | A probabilistic approach to classification of digital face images | |
JPS6315383A (ja) | パタン照合装置 |
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 |