CN105051753A - 指纹录入算法 - Google Patents
指纹录入算法 Download PDFInfo
- Publication number
- CN105051753A CN105051753A CN201380069285.8A CN201380069285A CN105051753A CN 105051753 A CN105051753 A CN 105051753A CN 201380069285 A CN201380069285 A CN 201380069285A CN 105051753 A CN105051753 A CN 105051753A
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- fingerprint
- minutiae point
- image band
- band
- 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.)
- Pending
Links
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
- G06V40/1335—Combining adjacent partial images (e.g. slices) to create a composite input or reference pattern; Tracking a sweeping finger movement
-
- 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
- G06V40/1365—Matching; Classification
- G06V40/1371—Matching features related to minutiae or pores
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Input (AREA)
Abstract
描述了一种利用较窄宽度的指纹传感器8来录入指纹20的方法。该方法包括:接收第一、第二和第三指纹图像条带22,24,26,他们分别代表了指纹20的重叠部分;从指纹图像条带22,24,26的每一个中提取细节点28,30,32;匹配所提取的细节点28,30,32,以确定指纹图像条带22,24,26的相对位置;基于它们的相对位置来结合所提取的细节点28,30,32,以产生细节点的结合组34,其代表指纹20较大部分;如果较大部分的宽度大于预设的最小宽度,则确定指纹20已被成功录入;或者,如果不是,则请求另一指纹图像条带,直到指纹20的较大部分的宽度大于预设的最小宽度。
Description
技术领域
本发明涉及基于细节点的指纹分析。更特别地,本发明涉及一种录入指纹图像模板的方法。
背景技术
指纹由手指的交错的脊和谷组成。典型脊的宽度从100μm到300μm不等,典型的峰到峰的脊间隔为约500μm。指纹图像是那些脊和谷的表现,其脊线一般表现为暗线,而它们之间的谷则以为明线。图1展示了一个示例的指纹图像。
指纹对于个体来说是独特的,这使得它们理想地用作辨识的目的。因此,指纹辨认系统可通过对捕获的指纹图像与预存的模板指纹图像进行比对,来识别用户的身份。尽管每个指纹对于个体来说都是独特的,指纹也具有共同的特征。它们可归为以下。
指纹的第一水平特征包括:环,轮,拱形以及由脊形成的三角。这些特征描述了脊所遵从的整体形状。第一水平可用于区别两个非匹配指纹,但未给予足够的细节来确定两个指纹之间的匹配。
指纹的第二水平特征,或称细节点,是脊的不规则性或不连续性。现在已经辨识出18种不同类型的细节点。然而,细节点的两种主要类型是脊终端和脊分岔,即:脊结束之处或分成两条脊之处。通过比较第二水平特征,可确定两个指纹之间的匹配度。
指纹的第三水平特征描述了脊内细节。它们包括汗孔和局部脊形状,以及结疤、疣、折痕和脊的其它局部变形。第三水平特征需要高分辨率的指纹传感器(一般大于800dpi)
以下公开涉及在分析第二水平特征的基础上的指纹辨认。
指纹辨认是出于接受或拒绝辨识要求目的的、将输入指纹与参考指纹图像的一对一比对。在本领域的技术中,存储、并由此比对仅一个指纹模板,而不是所有的指纹图像,这是普遍的。指纹模板是从指纹图像中提取出来的一组关键特征,例如细节点,其描述指纹图像。
从指纹图像中提取细节点以形成模板,一般需要增强指纹图像的灰度,并随后转换成二元图像。指纹增强一般包括伽柏(Gabor)过滤,其增进了脊和谷之间的区别。指纹图像通过以下来进行二元化:设置全局阈值t,并将强度大于t的所有像素设置为1,将所有其余像素设置为0,以产生二元指纹图像,且使该二元指纹图像随后细化,以使得所有的脊减少至一个像素宽度(请见ZhangT.Y.andSuenC.Y.“AFastParallelAlgorithmforThinningDigitalPatterns”,CommunicationsoftheACM,v.27n.3,pp.236-239,1984),以产生细化的脊地图,也称为指纹骨架。
当获得理想的细化的脊地图时,细节点检测是一种琐细的任务。其可从图2中看到,图2展示了图1中指纹图像的细化的脊地图,在图2中脊结束和分岔的细节点被强化。方格代表脊结束,圆圈代表脊分岔。
图3展示了图1中指纹的细节点代表。每个细节点一般存储成由指纹之内的区域所限定的数据点,细节点类型(即:脊结束,脊分岔等)以及细节点角度(即:细节点相对于参考方位的方位)。
指纹辨认可包括两个区分阶段:录入和匹配。录入是登记新的参考指纹图像模板的过程,并广泛地包括扫描指纹以及从该扫描中提取指纹模板,而匹配是将另一输入指纹与指纹模板进行比对的过程,一般在较后的时间上,以辨认用户的身份。
在一种已知的录入方法中,指纹图像通过由指纹传感器扫描来输入。当获得指纹图像之后,进行特征提取,例如上述的细节点提取。特征提取提供了完整描述指纹的模板。
US4,752,966描述了使用扫刷式指纹传感器来录入指纹的现有方法。
指纹的匹配包括拍摄输入指纹图像,并将输入指纹图像与一个或多个参考指纹图像进行比较。当在输入指纹图像和参考指纹图像之间作出匹配时,可验证压印,所述参考指纹图像具有足够的可信度,以使得假阳性概率低于某些预设阈值。
US2008/0273770描述了利用细节点比对,将提供的指纹图像与参考指纹图像进行匹配的现有方法。在US2008/0273770中,对于输入指纹的每个细节点,“细节点邻域”以中心围绕着中心细节点来辨认,并限定围绕着中心细节点的有限区域,该中心细节点包括至少第二细节点。在每个邻域中,细节点对限定用于具有邻域细节点每对中心细节点。每个指纹对通过几个特征来描述,这些特征包括一对中两个细节点之间的间隔,两个细节点方位的差别,以及中心细节点的方位和连接两个细节点的线之间的角度。对于这些细节点对的特点,构造了细节点对指数。将参考指纹图像的细节点对指数与提供的指纹进行比较,以确定指纹是否匹配。
发明内容
从第一方面来看,本发明提供了一种录入指纹的方法,其包括:接收第一指纹图像条带、第二指纹图像条带以及第三指纹图像条带,每个指纹图像条带代表指纹的一部分,且第二和第三指纹图像条带覆盖着所述第一指纹图像条带;从所述第一、第二和第三指纹图像条带中提取细节点;将第一、第二和第三按压图像条带的提取的细节点进行匹配,以确定指纹图像条带的相对位置;基于它们的相对位置将第一、第二和第三指纹图像条带的细节点进行结合,以产生代表指纹的较大部分的细节点的结合组;如果指纹的较大部分的宽度大于预设的最小宽度,则确定指纹已经被成功录入。
该录入指纹的方法不是这样的方法:在扫刷单个手指过程中,对从扫刷式传感器得来的扫描“线”进行顺序结合。也就是说,所述条带并不是在刷单个手指即组合多条线以形成条带期间获得的、来自扫刷时传感器的各条“线”扫描。相反,优选的方法涉及结合多条条带,这些条带在多个手指扫刷过程中获得。当然,该多条条带可作为较早的多“线”结合的结果而获得。
根据本发明的第一方面,指纹的录入是使用至少三个指纹图像条带进行的,每个条带,例如,可代表利用扫刷式指纹传感器扫描的手指的一个扫刷区域,随后匹配这些条带,并基于细节点表征来进行结合,以产生代表指纹的细节点的结合组。仅在指纹的所录入部分大于预设宽度时,将该指纹视为成功录入。应当明白,可提供多于三个指纹图像条带,在这些指纹图像条带中,选择三个重叠的指纹图像条带,并将其匹配和结合,或者,甚至全部所提供的指纹图像条带均可进行匹配和结合。
第一方面的方法尤其适用于指纹录入,其中的较窄宽度的指纹传感器用于录入指纹,即:足够宽度以捕捉整个指纹宽度的传感器。这可以是例如指纹传感器受功率或空间限制的情况。在一个示例的实施例中,由于功率限制,本发明第一方面的该方法在电子卡中进行执行,该电子卡包括较窄宽度的指纹传感器。
当使用较窄宽度的指纹传感器时,其所具有的宽度低至6mm,通过单次扫描仅能捕捉指纹的相对较小部分。很明显,这对于指纹的参考模板来说,具有这种狭窄宽度并不理想,因为在较后的指纹扫描即使仅位移几毫米,即对于用户是察觉不到的位移,也会导致扫描中捕捉的细节点的显著差异,而这会导致指纹匹配的减少的精确度。
在现有的技术中,当使用较窄宽度指纹传感器时候,为了避免这种问题,可使用分开的大区域指纹传感器来录入参考模板。然而,这并不理想,因为相同的指纹传感器不能用于录入指纹以及随后的用于匹配的扫描指纹。这种在先技术因此需要购买第二指纹传感器,或使用在其它地方使用另外一个。用于录入新指纹的所需要的额外时间和/或花费因此限制了小规模应用的指纹基装置的理想性,这种小规模应用例如为个人/家用或在小公司的使用。本发明第一方面的方法通过将对三个邻近的指纹图像条带进行取样来克服该问题,例如来自较窄宽度指纹传感器的邻近指纹图像条带,并将它们进行结合以产生结合的指纹模板。此外,通过使得指纹在不需要外部指纹传感器的情况下被录入,用户生物特征数据的安全性可得到提升,因为可操作封闭系统,因此,生物特征数据不会为可外部进入。例如在具有整体指纹传感器的电子卡中,指纹可通过指纹传感器来进行录入,存储至电子卡的内存,并由于电子卡的处理器来处理,而生物特征数据没有被外部进入。
尽管本领域知晓结合指纹模板的基于细节点的方法(请见例如US6,546,122B1),本发明的第一方面的方法尤其涉及多个指纹图像条带的结合,以便录入指纹的至少预设最小宽度。
为了结合指纹图像条带,由第二和第三指纹图像条带代表的指纹部分与由第一指纹图像条带代表的指纹部分重叠的量必须足以达到能实现匹配。优选地,该重叠至少为指纹图像条带的至少四分之一宽度(导致录入的指纹图像宽度为指纹图像宽度的2.5倍)。在某些情况下,可提供这三个不重叠的条带,例如,如果用户的手指在条带扫描之间移动得太远。在这种情况下,可提供其它的指纹图像条带,直到三个合适的重叠指纹图像条带可用为止。
因此,接收第一、第二和第三指纹图像条带,其中该第二和第三指纹图像条带的部分与第一指纹图像条带的部分重叠,其包括接收第一、第二和第三指纹图像条带的初始组,确定由两个初始组的指纹图像条带代表的指纹部分是否与由另一个初始组的指纹图像条带代表的指纹部分重叠,如果是的话,将初始组的指纹图像条带用作第一、第二和第三指纹图像条带;如果不是的话,接受另一个指纹图像部分,直到由两个指纹图像条带代表的指纹部分与另一个指纹图像条带的部分重叠,并将那些指纹图像条带用作第一、第二和第三指纹图像条带。
该方法可包括当指纹图像条带的初始组没有足够重叠时,请求另一个指纹图像条带的输入。然而,另一个指纹图像条带可被请求,直到接受到具有要求重叠的至少三个条带的组。
尽管,一般三个指纹图像条带将提供好的指纹模板,这是有时指纹图像条带足以达到预设最小宽度的情况。还可以例如,当两个条带之间的重叠太大,或预设的最小宽度特别宽时的情况。该方法还因此包括,如果指纹录入部分的宽度并没有大于预设的最小宽度时,接收后续指纹图像条带,直到指纹的录入部分的宽度大于该预设宽度。
该方法还包括当需要额外的指纹图像条带来完成录入时提醒用户,例如,当指纹的录入部分的宽度并没有大于预设的最小宽度时,或并没有提供三个重叠的指纹图像条带时。
这种匹配基于从指纹图像条带提取出来的细节点。可使用任何合适的匹配的方法。然而,特定的计算有效方法是利用局部的坐标系统,与提取的细节点匹配。这样一来,这种匹配相对于指纹图像条带的绝对位置和方位为转动和平移不变,并因此该指纹图像条带可在不知道它们相对位置和方位的情况下进行匹配。
因此,这种匹配可包括确定用于一个指纹图像的每个提取细节点以及用于另一个指纹图像条带的每个提取细节点的第一局部邻域,其中所述第一局部邻域包括与各自提取细节点相邻的至少一个提取细节点;将所述一个指纹图像条带的提取细节点的第一局部邻域与另一个指纹图像条带的提取细节点的第一局部邻域进行比较,以确定在一个指纹图像条带中的提取细节点与另一个指纹图像条带中的提取细节点出现的匹配细节点;并基于该匹配细节点来确定指纹图像条带的相对位置。
可使用任何合适的比对算法来确定细节点的第一和第二组出现的匹配细节点,但优选地,这种比对是转动以及平移不变的,以便改善计算效率。因此,第一局部邻域的比对可基于相对关系,该相对关系为至少以下的其中一种的形式:相对位置,相对方位,以及相对于各自第一局部邻域的中心细节点的至少一种邻域细节点的相对细节点角度。
该方法优选地进一步包括:对于每个第一局部邻域来说,确定第一局部邻域的中心细节点以及每个至少一个邻域细节点之间的相对关系,其中第一局部邻域的比对包括将一个指纹图像条带的第一局部提取细节点的每个相对关系与另一个指纹图像条带的提取细节点的第一局部邻域的每个相对关系进行比较,当一个指纹图像条带的提取细节点的各自第一局部邻域的相对关系与另一个指纹图像条带的提取细节点的各自第一局部邻域之间的相对关系之间的差值在预设阈值之下时,其中的匹配的细节点确定为出现在一个指纹图像条带的提取细节点和其他指纹图像条带的提取细节点中。
该方法只用仅有的相对位置,相对方位以及相对细节点角度座位相对关系。在优选的实施例中,多于一种或所有的这些参数用于细节点匹配。
在某些情况下,可仅基于在前述步骤中进行匹配的邻域细节点来操作另一个匹配步骤。该步骤尤其有用,因为指纹图像条带的重叠部分非常狭窄,并因此倾向于错失细节点,其意味着较大部分的局部邻域并不包括相同的邻域细节点。
因此,该方法还包括确定用于一个指纹图像条带以及在另一个指纹图像条带的每个非匹配提取细节点进行确定第二局部邻域,其中并非匹配细节点的每个提取细节点为非匹配的提取细节点,且其中每个第二局部邻域包括至少一个与各自非匹提取细节点相邻的匹配指纹邻域,并将一个指纹图像条带的非匹配提取细节点的第二局部邻域与另一个指纹图像条带的非匹配提取细节点的第二局部邻域进行比对,以确定在一个指纹图像条带的提取细节点以及另一个指纹图像条带的提取细节点中都出现的另一个匹配细节点,其中同样基于另一个匹配的细节点来确定指纹图像条带的相对位置。
如上所述,本发明当在指纹图像条带要比要如露的指纹明显更窄的时候尤其有用。因此,每个指纹图像条带具有小于10mm的宽度,且更优选的小于7mm的宽度。然而,每个条带的宽度不应该太窄,而从阻碍了足够的细节点被捕捉,使得条带基于那些细节点进行匹配。因此,每个指纹图像条带优选地具有至少2mm的宽度,更优选地为至少4mm。
优选地,对于录入部分的预设最小宽度为至少12mm,更优选地,预设的最小宽度为至少15mm。然而,可替代地,预设的宽度相对于指纹图像条带的宽度来进行限定。因此,预设的最小宽度可大于或等于指纹图像条带宽度的两倍,且更优选地大于或等于指纹图像条带宽度的2.3倍(对应于指纹图像条带的0.33倍的平均重叠)。
最小的宽度足以从指纹的整个宽度来捕捉细节点,以此使得可相对于后来的扫描条带而进行较好的比对。尤其地,这些宽度确保了扫描区域的较小偏离不会使得后续的扫描条带位于录入的指纹区域之外。
尽管指纹图像条带并没有在任何方位上代表指纹的条带,理想地,所有的指纹大致地相互平行,从而在没有不必要地扫描相同区域多次的情况下使得指纹覆盖最大化。每个指纹图像条带具有宽度和长度,该宽度比长度更窄。每个指纹图像条带的长度优选地大致相互平行(优选地在20°范围内,更优选地在10°范围内)。
更优选地,每个指纹图像条带的长度大致与手指的纵向方向对齐(优选地在20°范围内,更优选地在10°范围内)。这是因为当使用扫刷式传感器或类似物时,只限制了指纹图像条带的宽度,且因此理想地使由每个条带捕捉的指纹的量最大化。该条带当然可相反地在任何方向上进行导向。
优选地,该指纹图像条带使用扫刷式传感器或类似物来进行输入,尽管可使用扫刷式-形状区域传感器。因此,优选地,每个第一指纹图像条带,第二指纹图像条带以及第三指纹图像条带通过利用扫刷式指纹传感器或扫刷式-形状区域传感器来对指纹进行扫描来获得。该方法可包括获得从传感器接受的指纹图像条带的步骤。
从第二个方面来看,本发明还提供了用于录入指纹的数据处理设备,该数据处理设备设置为:接受代表第一指纹图像条带,第二指纹图像条带以及第三指纹图像条带的数据,每个指纹图像条带代表指纹的一部分,且第二和第三指纹图像条带与第一指纹图像条带重叠,对该每个第一、第二和第三指纹图像条带的提取细节点进行匹配,以确定指纹图像条带的相对位置,基于它们的相对位置来结合第一、第二和第三指纹图像条带的细节点,以产生代表指纹更大部分的结合细节点组,并当指纹的更大部分大于预设的最小宽度时,确定指纹被成功录入。
如上所述,这方面的指纹录入和从在单一手指扫刷的扫刷式传感器中结合的顺序“线”不一样。也就是说,条带并非从由单个手指中的扫刷式传感器而来的单独线扫描(尽管条带可为结合这种线扫描的结果,以产生手指扫刷部分的扫描)。确实,条带包括由在指纹传感器上的多个手指扫刷获得的图像数据。
数据处理设备可包括内存和处理器,该内存存储了指令,其在被执行时引起处理器执行上述步骤。
在优选的实施例中,数据处理设备可设置为执行任何或所有的上述与第一方面相关的优选特征。
设备可包括用于获得指纹数据以及将指纹数据与处理器通信的指纹传感器。在优选的方面,该设备为包括指纹传感器,内存以及处理器的电子卡。优选地,该指纹传感器具有的宽度小于10mm,更优选地小于7mm。每个指纹图像条带优选地具有至少2mm的宽度,更优选地至少4mm的宽度。
用于指纹辨识的电子卡一般具有严格的功率要求,因为它们在使用时通过板载电池来驱动或从阅读器中获得电力。这意味着在电子卡上使用的部件,尤其是处理器和指纹传感器,必须为低功率装置,其限制了额处理器的处理功率以及指纹传感器的尺寸。
本发明第一方面的方法尤其适用于较窄宽度的手指传感器,当需要低电量消耗时则需要这种传感器,因为整个手指不可以单一输入来录入。第一方面的方法与通过外部装置录入指纹比对来说是一种改进,因为其不需要任何外部的硬件。因此,当与电子卡结合时,第一方面的方法尤其有利,该电子卡包括窄宽度的指纹传感器。
从第三方面来看,本发明还提供了一种计算机程序产品,或存储计算机程序产品的有形的计算机可读介质。该计算机程序产品包括当执行时,使得处理器执行第一方面的方法,以及上述的任何或所有的特点。
附图说明
本发明的某些优选实施例通过以下的示例,以及结合附图来进行详细说明;
图1展示了指纹图像。
图2展示了图1中指纹的脊骨架,其中强化了脊结束和脊分岔。
图3展示了图1所示的指纹的细节点代表。
图4A展示了部分的电子卡剖视侧视图,该电子卡包括指纹扫刷传感器。
图4B为部分的电子卡剖视俯视图,该电子卡包括指纹扫刷传感器。
图5展示了图1中指纹扫刷传感器的像素矩阵。
图6为录入指纹方法的流程图。
图7展示了图1中的指纹图像,其强化了三个重叠条带。
图8A-8C展示了代表每个图7中部分的细节点。
图9展示了代表图7中指纹的细节点,该图7中的指纹包含在图8A-8C中所示的
图10为将输入指纹与参考指纹图像进行比对的方法的流程图。
图11展示了具有强化部分的图1中的指纹图像。
图12展示了代表图11中所示的部分的细节点。
图13展示了中心细节点以及两个邻域细节点之间的关系。
图14展示了用于图2中所示的代表与图12所示的代表之间的匹配细节点的相对位移和方位。
图15A展示了在图2中指纹代表的中心细节点以及其三个最接近的邻域细节点之间的关系。
图15B展示了在图12中部分代表的相同中心细节点以及其三个最接近的邻域细节点之间的关系。
图16A展示了在图2中指纹代表的相同细节点以及其三个最接近的邻域匹配细节点之间的关系;以及
图16B展示了图12中所示的部分代表的中心细节点和其三个最接近的邻域匹配细节点之间的关系。
具体实施方式
本发明的以下优选实施例特别涉及指纹。术语指纹指代手指(包括拇指)的按压(脊和谷的图形代表)。然而,应当明白,该方法并非限于指纹,但可用由一组细节点代表的任何按压。这种按压包括例如,指头,手掌,脚趾和鞋底的按压。
图4A和4B展示了电子卡2的部分剖视图,其包括指纹扫刷传感器8。以下根据电子卡3来说明优选的实施例。指纹传感器8可合并到任何一种合适的智能卡中,作为用于额外安全性的生物特征传感器。展示在附图4A和4B的电子卡2并非经过缩放,并强调了某些特征。特别地,卡主体4的厚度以及电路6经过放大,使得可更清楚地展示智能卡的特征。同样指纹传感器8的尺寸并非一定与智能卡2的尺寸成比例。
智能卡一般与传统的信用卡具有相似尺寸,并具有类似的外观和感觉。传统的信用卡以国际标准ISO/IEC7810的ID-1来生产,也就是说具有33/8乘以21/8的尺寸(接近86mm乘以54mm),以及6mil(接近0.75mm)的厚度。该智能卡要厚于传统的信用卡,以便容纳电路和指纹传感器。
在一般被认为是芯卡的接触智能卡中,以预设的模式将金属接触带到卡的表面,以形成接触垫,其可从卡的外部进入。这些接触与卡内部的微处理器连接。第一种类型的智能卡一般通过滑入卡阅读器的凹槽内来使用,使得卡阅读器内的弹簧负载的接触与卡上的接触垫接触,以便读取微处理器的内容。
在一般被认为是接近卡的非接触智能卡中,微处理器的内容通过非接触通信技术来传输到阅读器。这样的例子为射频辨认(RFID),其中的天线形成于卡的主体内,且射频的电磁场由阅读器产生,以便读取微处理器的内容。可在这种类型的智能卡中应用加密以确保卡和阅读器之间的消息传输。
图4A和4B的示例智能卡2为非接触智能卡2,其包括卡主体4和电路6,其封闭在卡主体内。该电路6为印刷电路板的形式,其优选地由聚酰胺或FR-4级的玻璃加强的环氧压层制成。指纹传感器8与电路6通过形成在卡主体4内的孔来进行连接。这种合适指纹传感器的示例为瑞典的指纹卡AB生产的FPC1080A指纹传感器。这是一种电容式指纹传感器。
电路6在至少两层塑料之间层压。塑料层一般由PVC制成。然而,也可以用其它塑料。这些合适塑料的例子包括聚酯,丙烯腈-丁二烯-苯乙烯(ABS),以及任何其它合适的塑料。此外,可在塑料中加入塑化剂或燃料来获得理想的外观和感觉。
天线10与电路6连接。该天线10用于与卡阅读器通信,该卡阅读器位于卡2的外部。天线10通过在印刷电路板的铜覆层上来形成蚀刻合适的图案来形成。该实施例中的天线围绕着整个电路6,但在其它实施例中,该天线占据卡的较小区域。例如,围绕着卡接近三分之一区域的天线足以用于此目的。
指纹区域传感器8通过接触12与电路6连接。该电路6还包括多个额外的部件14。它们可包括处理器和内存。该内存可设置存储软件以及与智能卡2关联的信息。例如,其可包括智能卡2持有人的身份,智能卡2持有人的财务信息,等。该处理器的设置可控制该智能卡的运作。尤其地,可例如通过密码或PIN和/或来自指纹传感器8的数据来进行智能卡2的持有人的辨认,该处理器可设置将存储在内存的数据与卡阅读器进行通信。
额外的部件14可包括电池,其可设置来驱动内存和处理器。可替代地,或除了电池之外,卡可被设置通过在该智能卡2外部的接触垫来驱动,或从天线10中引入电力,该天线由卡阅读器来提供电力。
图5展示了指纹扫刷传感器8的特征。传感器的扫描区域16由以R排和C列排布的多个像素18组成。该实施例中的指纹传感器8基于上述的FPC1080A指纹扫刷传感器。该传感器由8排R和128列C的像素18的排布组成,其宽度为6.4mm,高度为0.4mm,因此提供了508dpi的分别率。它是有源电容式传感器。指纹传感器8产生了8位灰度值,作为指纹的代表,以及因此的来自传感器8的单帧/图片为8kb大。
指纹的图像通过在指纹传感器8上刷手指来获得。当手指以对于指纹传感器8的帧速率合适的速率来在该指纹传感器8上移动时(即:由传感器捕捉的每秒帧),可通过安装由指纹传感器8捕捉的多个帧/图像来构造指纹的切片图像。现讨论结合捕捉帧的方法,例如,在US2003/0123714中。
图4A和4B中的智能卡2可通过任何合适的方法来生产,例如通过热层压的方法。可对芯使用对于本领域技术人员来说熟悉的传统处理技术,以完成卡主体4。这种处理技术可包括印刻,覆盖层压膜的形成或类似。
尽管可使用其它技术,指纹传感器8可利用以下所述的方法适配到卡处。
在优选的方法中,智能卡2首先由封闭电路6的层压主体4形成。该电路6包括接触12,所述接触设计为与指纹区域传感器8上的对应接触连接,但在卡主体形成之后,这些接触12在层压主体4内封闭。
在卡主体4内形成腔,以外露电路6中的接触12。该腔形成于智能卡主体4的上表面,且其大小大致符合指纹区域传感器8的形状,使得指纹区域传感器8刚好适配到腔内。该腔磨到卡主体4的表面上。这可使用精确的立铣刀,或更优选地激光磨来实现。磨的深度的设置使得腔的底部处于卡主体4内的电路6水平上,使得接触12外露。
可在外露接触12的表面处使用导电环氧树脂,以便提供传感器8和电路6之间的必要电连接。合适的导电环氧树脂是由美国的威斯康星州的Resinlab,LLC生产的SEC1222环氧树脂类型,其在室温(接近25℃)下固化。
可替代地,可使用具有明显各向异性特征的导电环氧树脂。这在当指纹传感器8上的接触非常接近在一起的时候尤其有利,因为其提供了指纹区域传感器8和电路6上的接触12之间的所需导电性,同时确保了即使当导电环氧树脂在邻近接触12之间流动时,不会形成它们之间的任何传导路径。
腔的内壁在插入指纹传感器8之前涂有粘性环氧树脂。该粘性环氧树脂将指纹传感器8密封固定。
指纹传感器8随后与腔对齐,并推入腔内,使得指纹传感器8上的接触以及电路6上的接触12通过导电环氧树脂来带入电接触。
该导电环氧树脂和粘性环氧树脂优选地在没有加热的情况下固化。然而,可替代地,当导电环氧树脂和粘性环氧树脂低于指纹传感器8的安全温度时,例如低于60℃时,导电环氧树脂以及粘性树脂的一种或两种可需要加热固化,该温度一般为用于优选实施例中的电容式传感器类型的操作温度。更高的温度可用于较短的期间和/或不同的传感器类型。
在讨论关于上述电子卡的示例方法时,应当明白这些方法并非限于该应用,并可在任何合适的系统中使用,例如具有内存和处理器的计算机系统,该处理器适于接受来自指纹传感器的输入,或特定的指纹阅读/比对设备。
录入
图6为展示录入参考指纹图像20的方法。该方法结合图7-9进行讨论,该图7-9使用了当要被录入的参考指纹图像20为图1中所示的指纹图像时的实施例。
智能卡2的指纹传感器8为扫刷式传感器,并具有宽度为6.4mm的扫描区域,意味着指纹的扫描部分将大致为矩形。该扫描部分将具有小于指纹宽度的宽度,以及长于扫描部分宽度的长度。因此,该扫描部分将代表了指纹的纵向条带。以下算法将类似三个或更多的有意位移指纹扫描,以产生也该更宽的指纹扫描,以便存储成模板。
图7展示了图1中参考指纹图像20的示例指纹图像条带22,24,26。因为每个指纹图像条带22,24,26都已被相同的指纹传感器8所扫描,每个指纹图像条带22,24,26的宽度大致相等,但它们的长度却不一样。该指纹图像条带22,24,26大致平行于它们的长度方向(在指纹的纵向方向)。每个指纹图像条带22,24,26以至少它们宽度的三分之一来覆盖至少另一个指纹条带22,24,26。
这种算法为迭代计算并重复,直到找到可接受的模板。为了使模板被认为是可接受的,要符合以下的标准:
·至少已扫描三个指纹图像条带22,24,26;
·至少三个指纹图像条带22,24,26系列地后续覆盖;以及
·由覆盖的指纹图像条带22,24,26代表的指纹的区域宽度高于预设的最小值宽度。
在第一迭代计算中,指纹的第一条带22使用指纹传感器8来扫描,以产生第一指纹图像条带。如上所讨论,第一指纹图像条带22所具有的长度长于其宽度,且该宽度小于参考指纹图像20的宽度。
接着,细节点提取过程用于第一指纹图像条带22,以确定第一指纹图像条带22的细节点代表28。来自指纹图像的细节点提取技术对于本领域来说是熟悉的,并因此在此不详细说明。图8A展示了对应于图7中所示的第一指纹图像条带22的第一细节点代表28。
每个提取细节点存储成细节点向量,其限定了至少一部分以及细节点的细节点角度。位置通过笛卡尔坐标系,相对用于细节点代表内的所有细节点的普通参考点来进行限定。每个细节点向量还限定了细节点的种类。细节点的种类为数字代表,例如,分歧点=1,且终端点=3。在该实施例中,只有分歧和终端被考虑,因为这些是最简单的提取,然而,可根据需要额外地或替代地使用其他类型的细节点。因此,用于一组包括细节点代表的细节点向量的细节点i的细节点向量由以下表示:
其中的x为细节点的水平位置,y为细节点的垂直位置,为细节点相对于水平轴(在180°到-180°之间)的细节点角度,t为细节点类型代表的数量,且i为细节点向量组中的细节点向量的指数。
接着将第一指纹图像条带22与所有之前扫描的指纹图像条带进行匹配。在第一迭代计算中,只扫描了一个指纹条带,并因此不需要使用这个步骤(这在下面会描述)。
算法随后确定可接受的模板是否可形成。在第一迭代计算中,只扫描了一个指纹图像条带22,且因此可接受的模板不可形成。因此进行第二迭代计算。
在第二迭代计算中,该扫描和提取如上所述地进行重复,以便提供具有第二细节点代表30的第二指纹图像条带24。图8B展示了对应于第二指纹图像条带24的第二细节点代表28。
接下来,将第二指纹图像条带24相对所有的之前扫描的手指图像条带进行匹配,即:第二细节点代表30与第一细节点代表28进行匹配,以确定它们是否重叠,如果是的话,以确定它们的相对对齐。利用细节点-基础匹配方法来将每个细节点代表与每个其它细节点代表进行匹配。合适的匹配算法在稍后讨论。
Theresultfromthematchingofthefirstandsecondfingerprintimagestrips22,24isasetofthematchingparameterswhich,ifthefirstandsecondfingerprintimagestrips22,24overlap,definethenumberofmatchingminutiae,anoverlaperrorprobabilityandarelativeoffsetbetweentheminutiarepresentations.
来自第一和第二指纹图像条带22,24的匹配结果为一匹配参数组,如果第一和第二指纹图像条带22,24重叠的话,限定匹配细节点的数量,重叠错误概率以及细节点代表之间的相对抵消。
重叠错误概率为指纹图像条带被错误地确定为重叠的概率,且相对指纹平移为指纹图像条带22,24的第一和第二细节点代表28,30中的匹配细节点之间的相对位置的平均差值。这对应于以下讨论的匹配错误概率。
这种算法随后确定是否可形成可接受的模板。在第二迭代计算中,只扫描了两个指纹图像条带22,24,以及不可再次形成可接受的模板。可因此操作第三迭代计算。
在第三迭代计算中,如上所述地重复扫描以及提取,以便提供第三指纹图像条带26,其具有第三细节点代表32。图8C展示了对应于第三指纹图像条带26的第三细节点代表32。
随后将第三指纹图像条带26与所有的之前扫描的指纹图像条带22,24进行匹配,即:第三细节点代表32与每个第一和第二细节点代表28,30进行匹配,以确定其是否具有任何或所有这些的重叠。这通过上述的方法来进行。
该算法随后确定是否可形成可接受的模板。
通过第三迭代计算,已扫描三个指纹图像条带22,24,26,并因此满足第一标准。
基于确定的匹配参数,如果在指纹图像条带22,24,26之间具有合适的重叠,使得它们按顺序来横向设置,则满足第二标准。合适的重叠具有大量的匹配细节点,其超过了用于匹配的细节点的预设最小数量,并具有低于最大可允许重叠错误概率的重叠错误概率。当位于两端指纹条带之间时,指纹图像条带的组连续地横向设置,可形成非断裂的指纹链,其具有每个邻近条带之间的合适重叠,例如,图7所示的三个指纹图像条带22,24,26连续地横向设置。
如果三个指纹图像条带22,24,26连续地横向设置,随后的指纹的代表区域的宽度等同于每个设置的指纹图像条带的宽度的总和,减去重叠区域的宽度的总和。如果代表区域的宽度超过预设最小宽度,可形成可接受的模板。
如果不可形成可接受模板,随后进行另外的迭代计算,直到从三个或更多的扫描代表中形成可接受模板。
当形成可接受模板,可产生参考指纹图像模板34。
首先,选择其中一个指纹图像条带22,24,26作为参考指纹图像条带。其它指纹图像条带22,24,26的细节点代表基于它们的匹配参数来平移,以便相对于参考指纹图像条带来对齐。该指纹图像条带22,24,26的对齐的细节点代表如图9所示。
可通过采取包括可接受模板的所有匹配细节点代表的细节点的联合来形成参考指纹图像模板34。
录入过程随后成功终止。
上述实施例的同时,在确定可形成可接受模板之后进行细节点的结合,很明显,在每个方法的迭代计算中,每个指纹图像条带的细节点条带的细节点可替代地按顺序与之前扫描指纹图像条带的那些进行结合。
匹配
图10为展示了将第一指纹与第二指纹匹配,用于辨识第一指纹的用户的辨别。该方法涉及了图11-16所描述的方法,其利用了第一和第二指纹都从相同手指中扫描而来的示例,即:它们匹配。第一指纹为参考指纹图像20,第二指纹为输入指纹图像40。在该示例中,参考指纹图像20为图11所示的大致完整的指纹图像40,且输入指纹图像40为图11和12所示的指纹图像20。指纹图像20展示于图11,对应于图1和7中所示的指纹图像20。
参考指纹图像20利用指纹传感器8通过上述的录入方法来进行录入,并保存在电子卡2的内存上。输入指纹图像40通过指纹传感器8来输入。因为利用相同的指纹传感器8来扫描参考指纹图像20和输入指纹图像40。两个指纹图像的分别率以及质量都一致。
在替代的实施例中,可使用其它的输入方法。例如,可利用足以大来捕捉整个指纹的外部指纹传感器8来录入参考指纹图像20。同样,参考指纹图像20不可完成指纹图像,例如,当使用方法来匹配两个指纹图像条带的细节点代表,如上所述的录入方法。
匹配方法的第一步骤用于提供限定代表参考指纹图像20的细节点的第一组34的数据,该参考指纹图像即之前录入的指纹图像模板34,以及代表输入指纹图像40的细节点的第二组42。数据包括细节点向量的第一组,其限定了细节点的第一组,以及细节点向量的第二组,其限定了细节点的第二组。该细节点向量如上进行限定。细节点向量的第一组从内存中获得。指纹向量的第二组从指纹传感器8处直接接受。
细节点34的第一组以及细节点的第二组42都利用局部邻域48进行局部地匹配。
图13展示而来局部邻域48,其包括中心细节点44以及两个邻域细节点46。每个局部邻域48中心围绕着一个细节点,其可成为中心指纹44,并包括中心指纹44的邻域细节点46。该邻域细节点46为基于中心细节点44的一致选择的细节点的任何组,但必须包括至少一个细节点,而不是中心细节点44本身。
在优选的实施例中,邻域细节点46包括最接近的n细节点,即:具有距离中心细节点44最短距离的n细节点。该整数n可为任何数量的细节点,例如,最接近的一个,两个,三个,四个等等的细节点。同时需要大量的邻域细节点46,以便改善捕捉至少一个邻域细节点46的概率,该邻域细节点46出现在两个细节点的组34,42中,正如之后变得明显,在以下方法的匹配步骤的数量与每个邻域的邻域细节点的数量的平方成比例。发明人三个最接近邻域细节点46提供了本发明实施例的优化匹配,然而,在其它情况下需要更多或更少的邻域细节点46点。例如,在传感器更倾向于错误或错失细节点时,其更需要在局部邻域48中包括多个邻域细节点46,尽管增加了处理时间。
邻域指纹特则会难过46可替代地包括在中心细节点44的预设范围内的所有细节点,且/或限于只有单一种的细节点,例如中心细节点44的类型。上述关于邻域细节点数量的考虑仍可用于这种实施例。
对于局部邻域48来说,产生了局部细节点向量。也就是说,基于细节点向量的第一组产生局部细节点向量的第一组,以及基于第二细节点向量所产生的局部细节点向量第二组。每个局部细节点向量对应于一个细节点向量,并限定了各自细节点之间的关系,如中心细节点44,以及在局部邻域48之内的所有邻域细节点46。
每个局部细节点相连限定了:中心细节点44以及每个邻域细节点46之间的距离;对于每个邻域细节点46的相对径向角度,其为中心细节点44以及连接中心细节点44的线的细节点角度以及每个邻域细节点46之间的相对角度,以及用于每个邻域细节点46的相对角度,其为每个邻域细节点46的细节点角度以及中心细节点44的细节点角度之间的相对角度。局部细节点向量额外地限定了其邻域细节点46的中心细节点44的种类。
在该实施例中,局部细节点向量由多个局部特征向量组成。局部细节点向量具有中心细节点44的每个邻域细节点46的局部特征向量。每个局部特征向量限定了中心细节点44和其邻域细节点46之间的关系,并包括至少相对距离,径向角度以及在中心细节点44以及各自邻域细节点46之间的细节点角度。因此,细节点k的局部特征向量以及邻域细节点46i可通过以下表示:
其中的dki为中心细节点44以及邻域细节点46i之间的距离,θki为邻域细节点46i的相对径向角度(在180°到-180°之间),k为中心细节点的指数,且i为在细节点组内的邻域细节点向量的指数。中心细节点的细节点角度用作角度参考。
也就是说,
其中的xk,yk,and分别为中心细节点44的水平位置,垂直位置以及细节点角度,且xi,yi,and分别为邻域指纹水平64i的水平位置,垂直位置,以及细节点角度。
可替代地,将选择邻域细节点46的很顶数量用于每个中心细节点44时,用于细节点的局部细节点向量可代表为恒定尺寸的向量。例如,当n=3时,对于细节点k的局部细节点向量,其中细节点i时,j和l为最接近的邻域细节点46,其可由下式表示:
其中的为细节点i和细节点k之间的距离,等。θki为细节点i和k的相对径向角度(在180°到-180°之间),等。为细节点i和k的相对细节点角度(在180°到-180°之间)等。ti为细节点类型的数量代表,且i为s组中的局部细节点向量的指数。
每个局部细节点向量为转动和平移不变,即:其值独立于指纹图像20,40的方位和位置。例如,如果指纹图像20,40转动和/或平移时,该细节点向量将改变,但局部细节点向量不会。这很有用,因为对齐两个指纹20,40的方位和位置是计算复杂的。
在优选的实施例中,细节点之间的距离是以像素来测量的。这并不影响比对,因为参考指纹团20以及输入指纹图案40利用相同的指纹传感器8来扫描,并因此每个所述两个指纹图像20,40的分辨率是相同的。然而,当使用不同的传感器时,例如,当参考指纹图像20利用高分辨率的扫描器被预扫描时,参考指纹图像20和输入指纹图像40具有不同的分辨率(测量,例如通过每英寸的点数)。该局部细节点向量可利用细节点之间的脊数来进行缩放不变,而不是像素计算来测量距离。在另一个替代的实施例中,当两个传感器的分别的分辨率为已知,或被计算时,可将缩放因子用于一个(或两个)细节点向量的第一和第二组中的位置数据,以便使得缩放一致。
局部细节点向量的第一组与局部细节点向量的第二组随后进行匹配,以获得匹配特征对向量的组。该匹配包括当确定两个局部细节点向量匹配时,将局部细节点向量的第一组中的每个局部细节点向量与局部细节点向量的第二组中的每个局部细节点向量进行比对。每个匹配的细节点对向量限定了细节点的第一组的细节点,以及细节点的第二组的细节点,其被认为是对应于单个匹配的细节点50。
在将代表了参考指纹图像20的局部邻域48的第一局部特征与代表输出指纹图像40的局部邻域48的第二局部指纹向量进行比较中,将第一局部细节点向量的局部特征向量与第二局部细节点向量的每个局部特征向量进行比较。也就是说,参考指纹图像20的局部邻域48的中心细节点44与每个中心邻域46之间的每个关系,与输入指纹图像40的局部邻域48的中心细节点44与每个其邻域细节点46之间的每个关系进行比较。比对的数量因此等同于邻域细节点46的数量的产品。例如,在每个局部邻域48包含三个邻域细节点时,对于每对局部细节点向量来说具有8个比对。
基于局部特征向量的上述比对,在第一局部细节点向量和第二局部细节点向量之间确定优化的对应。当邻域的细节点的数量为恒定的,在第一局部细节点向量的每个局部特征向量与在第二局部细节点向量,即:具有最低偏离的局部特征向量的最接近匹配局部特征向量具有紧密的关联。本邻域的技术人员熟悉用于确定优化对应的合适方法。
当在第一局部细节点向量的至少一个局部特征向量和第二局部细节点向量的关联局部特征向量之间的偏离低于预设的局部特征偏离阈值时确定匹配的细节点候选。该局部特征偏离阈值限定了对于每个距离,相对径向角度以及各自中心细节点44和邻域细节点46之间的相对细节点角度的第一和第二局部细节点向量的值指尖的最大可允许差值。当两个,或甚至更多的具有关联局部特则会难过向量的局部特征向量具有从它们关联的局部特征向量的偏离低于预设的局部特征偏离阈值时,其它实施例可通过仅确定匹配来改善精确度。
匹配接下来包括对于每个匹配细节点候选确定局部相似性值。当局部相似性值达到预设的阈值局部相似性值时,在那些对应的细节点中产生了匹配的细节点对向量。
在两个局部细节点向量之间的局部相似值基于一对关联的局部特征向量之间的加权绝对差值来计算,例如局部细节点向量具有低于预设局部特征偏离阈值的偏离。以下等式可用于确定局部相似性值Ls,其中第一局部细节点向量的局部特征向量LF1匹配第二局部细节点向量的局部特征向量LF2。
其中t为阈值,W为加权向量,LF1为第一局部细节点向量中的局部特征向量,且L2为第二局部细节点向量的局部特征向量。
加权的向量为预设向量,其允许了可比较差值测量。该阈值基于局部特征偏离阈值以及加权向量来计算。当向量被认为是一种匹配,上述的等式将给予在1和0之间的局部相似值,其中的1为完美匹配,0为最大的可允许偏离。该加权向量基于测试数据来确定。
每个细节点不应该出现在对于一个匹配细节点对向量中,因为在一个组中的细节点不可以与另一个组中的两个细节点一样。当细节点出现在两个或更多的匹配细节点对向量中,该不具有最高的局部相似值的匹配的细节点对没有被移除,使得没有细节点出现多于在匹配细节点对向量范围内的一个匹配细节点对向量。这可通过基于它们的局部相似值,以及以减少的局部相似性值的顺序,并去掉任何包括重复细节点的细节点对向量(即:与另外具有更高局部相似性值的细节点匹配的细节点)来按顺序处理它们来对细节点对向量的组进行分级。
除了限定在细节点的第一结合中的细节点,以及在第二细节点组中的细节点,每个匹配的细节点对向量还限定了那些细节点之间的局部相似性值,以及水平(x-方向)偏离,垂直(y-方向)偏离,以及在细节点向量的第一和第二组的对应细节点之间的细节点角度偏离。该水平,垂直以及细节点角度偏离分别对应于绝对水平位置,绝对垂直位置以及细节点的第一组和第二组的细节点之间的绝对细节点角度。
因此,在第一组的细节点i中的匹配细节点对向量以及在第二组中的细节点指数j如以下表示,
其中的i为细节点向量的第一组的细节点指数,j为细节点向量的第二组的细节点指数,dx为x1i和x2j之间的差值,dy为y1i和y2j之间的差值,为和之间的差值,且Ls为局部细节点向量的第一组的局部细节点向量i与局部细节点向量的第二组中的局部细节点向量j之间的相似度。
在局部细节点向量的第一和第二组进行了匹配之后,过滤该匹配的细节点50。这种过滤是基于在细节点34,42的第一和第二组范围内的匹配细节点50的绝对位置上进行的,即:基于细节点向量的第一和第二组。
过滤的步骤是可选择的,但有利的,因为其去掉了不合适限定匹配细节点50的至少某些匹配对。在某些情况下,因为细节点仅利用局部参考帧来进行比对,在第一组中的细节点可与具有相似邻域细节点46的第二组中的细节点进行匹配,但不需要代表相同的指纹特涨。当连个指纹图像20,40匹配时,在比对它们分别指纹图像中的第一和第二细节点的绝对位置的情况下,这种错误一般变得明显,因为由每个细节点向量代表的细节点将位于指纹图像20,40中的不同位置。
在优选的实施例中,参考指纹图像20和输入指纹图像利用相同的指纹传感器8来扫描。因此,它们的方位和分辨率大致一样。因此,如果两个细节点向量完好匹配时,即:它们代表了相同的细节点,细节点向量的第一和第二组之间的水平和垂直细节点位移应类似于其它的正确匹配的细节点50。
过滤利用具有滑动窗口算法来进行,其具有预设的偏差。这种偏差限定了来自较低极限到每个dx范围和dy范围的上线的尺寸范围。该偏差可基于在先的经验测试数据在生产时设置为具有经验确定的值。可替代地,可对每个比对动态地计算偏差值,并可例如基于相对匹配对的dx和dy值的差异。
图14展示了互动窗口算法的应用。该窗口限定了具有固定偏差的dx范围和dy范围。去掉任何具有dx或dy值在任意范围之外的匹配细节点对向量。该范围经过选择以便捕捉匹配细节点对向量的最大数量。对于匹配细节点对向量,窗口的dx和dy范围值的中心值在分别对应于中值dx和dy值范围的位置上。
在替代结构中,参考指纹图像20以及输入指纹图像40并不共享一个普通的方位,例如当没有使用相同的指纹传感器8来扫描参考指纹图像20和输入指纹图像40时。这可基于值的平均值来检测。当平均为约0时,或至少在组范围内时(例如在约10度之内),指纹可被认为是大致对齐。当平均不为0时,转动抵消将不同地影响不同细节点对的相对位移。在这种情况下,需要在细节点的第一或第二组的x和y值上施加转换,以便正确地对齐第一和第二数据点,以施加上述的过滤算法。
在过滤之后,剩下的匹配细节点对向量被考虑限定匹配细节点50,即:每个匹配的细节点对向量被考虑来代表细节点的第一和第二组中出现的普通细节点。通过过滤去掉的匹配指纹对被考虑来限定连个匹配细节点。
细节点的第一和第二组34,42一般不会精确地对应。这也许是因为多个原因,包括在扫描,按压以及提取细节点时的包括多个错误,其意味着不是所有的细节点都提取或扫描错误的细节点。此外,当输入(参考)的指纹图像40为部分指纹图像40时,多个完整的指纹图像20位于部分指纹图像40的外面,并因此不可从部分指纹图像40中提取。用于该示例的指纹传感器8具有较窄的宽度,其意味着所有的扫描指纹将因此为部分指纹。然而,甚至更大的指纹传感器可仅为部分指纹,例如,在扫描其余有一部分错误,当传感器部分或指纹模糊,或当手指没有正确地与指纹传感器8的扫描区域对齐。
当细节点的第一和第二组34,42中的细节点没有精确对应时,细节点在细节点中的第一和第二组中出现,但并不匹配,因为其在每个组中具有不同的局部邻域48,即:一个或多个邻域细节点46没有出现在细节点的第一或第二组34,42中。也就是说,如果在其中细节点的第一组34或第二组42中的中心细节点44的邻域细节点46包括错误的细节点,或应当包括没有被扫描的细节点,则中心细节点44不可基于局部细节点向量进行匹配。
这可涉及图15A和15B所示的实施例。这些图展示了局部邻域48,其包括三个最接近中心细节点44的邻域细节点46。正如图15A所示,完整指纹的参考指纹图像20的局部邻域48包括错失的细节点,该错失的细节点并没有出现在输入指纹图像40,如图15B所示,其为部分指纹。这样一来,尽管局部邻域48的中心细节点44出现在参考指纹图像20和输入指纹图像40中,其不可进行匹配,因为其局部邻域48不同于两个指纹图像20,40。
根据本发明的方法,利用匹配局部邻域54在匹配的第二步骤中对细节点42的细节点第一组32和细节点第二组42随后进行匹配。该匹配的局部邻域54类似于上述的局部邻域48,但只包括匹配的邻域细节点52。
中心细节点44的匹配邻域细节点52包括细节点组,其可基于中心细节点44进行一致地选择,其中那些细节点还为匹配的细节点50,即:它们在先与细节点另一个组34,42中的细节点进行匹配。该匹配的邻域细节点52必须包括至少一个细节点,而不是中心细节点本身44。
在优选的实施例中,匹配的邻域细节点52为最接近的三个匹配邻域细节点52。也就是说,它们是与中心细节点44最接近的三个匹配细节点50。
图16A和16B展示了如图15A和15B所示的相同中心细节点44的匹配的局部邻域54。这些图突出了出现在两组细节点中的匹配细节点50的组。正如所见的,因为匹配的局部邻域54仅通过在参考指纹图像20以及输入指纹图像40所出现的细节点来限定,对于细节点34,42的两个组,确定了相同的匹配局部邻域54。因此,可使用它们的匹配局部邻域54来匹配这些细节点。
将对应于第一和第二细节点34,42组的非匹配局部细节点向量随后进行匹配以产生另一个匹配细节点对组。该另一个匹配细节点对组随后与在先确定的匹配细节点对组进行结合。该匹配通过上述讨论的方法来进行。
当细节点出现第一和第二细节点34,42的组中时,但由于错误或错失的细节点包含在一个细节点局部邻域48中而并非在另一个中从而没有在先匹配,这后续的匹配步骤应正确地将细节点在两个组中进行匹配。这是因为匹配的步骤基于匹配的局部邻域54,其仅包括匹配的细节点50,即:出现在两个组中的细节点,并因此不会包括那些错误或错失的细节点。
如上所述,每个细节点不能出现多于一个匹配的细节点对向量中。因此,当细节点出现在两个或更多的匹配细节点对向量中,排除不具有最高局部相似性值的匹配细节点对,使得没有出现在多于一个匹配细节点对向量的细节点。
当非匹配的局部细节点向量的第一和第二组没有匹配时,过滤该匹配的细节点50。该过滤再次基于第一和第二组的相对绝对位置来进行。
过滤的步骤还为可选择的,但提供了上述过滤步骤的类似优点。特别地,因为匹配仅基于局部坐标系,应该对在第一和第二细节点34,42的组中的匹配细节点50的绝对位置进行比较,以排除具有明显区别的相对绝对位置的对。
该过滤优选地利用上述的滑动窗口功能来进行。在该实施例中,过滤所有的匹配细节点50(即:那些由第一和第二匹配步骤确定的)。可替代地,但不太优选地,可对没有在先过滤的匹配细节点50进行过滤。
随后确定参考指纹图像20以及输入指纹图像40是否匹配。这基于至少部分的匹配细节点50的数量(即:匹配的细节点对向量的数量),还有第一细节点组34的数量和第二细节点组42的数量。这种确定优选地基于数据参数,该数据参数包括至少以下的一种:匹配细节点50的数量;在第一细节点34组的细节点的数量;第二细节点组42的数量;相同细节点类型的匹配的细节点50的数量;具有高于预设阈值的匹配细节点50的数量;以及由匹配细节点50所占据的面积。
在优选的实施例中,参考指纹图像20和输入指纹图像40被认为是在d对于以下等式来说是真实的情况下为匹配的:
d=pe<matchTresh∧nm>matchesNumMin∧a>areaMin
pe=pme*pte*ppe
其中的nm为匹配细节点50的数量,a为参考指纹图像20和输入指纹图像40之间的重叠面积,而pe为匹配错误概率,其计算为三个独立概率的产物。
pe=pme*pte*ppe
术语pme为仅在细节点位置看到的,与模板特征的子组匹配的输入细节点的随意产生组的概率,并由以下确定:
其中的p为与第一(模板组)的一个细节点匹配的随意产生的细节点的概率。
术语pte为随意产生的细节点的概率,其具有与模板的匹配细节点相同的类型。术语ppe代表具有非常高相似分数的np匹配细节点,其高于某些恒定的阈值pp1,其由实验确定。ppe的引入改善了整体性能,因为其减少了意外匹配的概率。
通过上述的方法,即使一个或两个指纹为部分指纹,或倾向于错误或错失细节点,两个指纹可为有效地以及有效匹配。
Claims (18)
1.录入指纹的方法,包括:
接收第一指纹图像条带、第二指纹图像条带以及第三指纹图像条带,每个所述指纹图像条带代表指纹的一部分,且所述第二和第三指纹图像条带与所述第一指纹图像条带重叠;
从所述第一、第二和第三指纹图像条带中的每一个中提取细节点;
匹配所述第一、第二和第三指纹图像条带的所提取的细节点,以确定所述指纹图像条带的相对位置;
基于它们的相对位置来结合所述第一、第二和第三指纹图像条带的细节点,以产生细节点的结合组,该细节点的结合组代表指纹的较大部分;且
如果所述指纹的较大部分的宽度大于预设的最小宽度,则判断所述指纹已被成功录入。
2.根据权利要求1所述的方法,其特征在于,还包括:
如果所述指纹的较大部分的宽度不大于所述预设的最小宽度,则接收后续的指纹图像条带,直到所述指纹的较大部分的宽度大于所述预设的最小宽度。
3.根据权利要求1或2所述的方法,其特征在于,接受所述第一、第二和第三指纹图像条带,其中所述第二和第三指纹图像条带与所述第一指纹图像条带重叠,包括:
接收第一、第二和第三指纹图像条带的初始组;
确定所述指纹图像条带的初始组中的两个是否与所述指纹图像条带的初始组中的另一个重叠;且
如果重叠,则将所述指纹图像条带的初始组用作第一、第二和第三指纹图像条带;且
如果不重叠,则接收另一指纹图像部分,直到指纹图像条带中的两个与指纹图像条带中的另一个重叠,并将那些指纹图像条带用作第一、第二和第三指纹图像条带。
4.根据前述任一项权利要求所述的方法,其特征在于,每个所述指纹图像条带的宽度小于10mm、优选地小于7mm。
5.根据前述任一项权利要求所述的方法,其特征在于,对于所述更大部分的所述预设最小宽度为至少12mm,或至少为所述指纹图像条带的宽度的两倍。
6.根据前述任一项权利要求所述的方法,其特征在于,每个指纹图像条带具有宽度和长度,其宽度要窄于长度,且每个指纹图像条带的长度大致互相平行。
7.根据权利要求6所述的方法,其特征在于,所述每个指纹图像条带的长度大致平行于手指的纵向方向。
8.根据前述任一项权利要求所述的方法,其特征在于,所述指纹的较大部分的宽度不大于预设的最小宽度,且所述方法包括请求另一指纹图像条带的输入。
9.根据前述任一项权利要求所述的方法,其特征在于,还包括:
当指纹的所录入部分的宽度不大于所述预设的最小宽度和/或当未提供三个重叠的指纹图像条带时,当需要额外的指纹图像条带来完成录入时,提醒用户。
10.根据前述任一项权利要求所述的方法,其特征在于,利用扫刷式指纹传感器输入指纹图像。
11.用于指纹录入的数据处理设备,该数据处理设备被配置为:
接收代表第一指纹图像条带、第二指纹图像条带和第三指纹图像条带的数据,每个指纹图像条带代表所述指纹的一部分,且所述第二和第三指纹图像条带与所述第一指纹图像条带重叠;
从所述第一、第二和第三指纹图像条带中的每一个中提取细节点;
匹配所述第一、第二和第三指纹图像条带的所提取的细节点,以确定指纹图像条带的相对位置;
基于它们的相对位置来结合所述第一、第二和第三指纹图像条带的细节点,以产生细节点的结合组,该细节点的结合组代表所述指纹的较大部分;且
如果所述指纹的较大部分大于预设的最小宽度,则确定该指纹已被成功录入。
12.根据权利要求11所述的设备,其特征在于,其设置为执行如权利要求1-10中任一项所述的方法。
13.根据权利要求11或12所述的设备,其特征在于,还包括指纹传感器,用于获得所述第一、第二和第三指纹图像条带。
14.根据权利要求13所述的设备,其特征在于,所述指纹传感器的宽度小于10mm、优选地小于7mm。
15.根据权利要求13或14所述的设备,其特征在于,所述设备为电子卡,该电子卡包括指纹传感器、存储器和处理器。
16.计算机程序产品,其包括指令,这些指令在被执行时会使处理器执行权利要求1-10中任一项所述的方法。
17.大致如结合1-9的、在此描述的方法。
18.在大致如此结合图1-9的、在此描述的设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1219750.5A GB2507540A (en) | 2012-11-02 | 2012-11-02 | Enrolling fingerprints by combining image strips to obtain sufficient width |
GB1219750.5 | 2012-11-02 | ||
PCT/EP2013/072874 WO2014068090A1 (en) | 2012-11-02 | 2013-11-01 | Fingerprint enrolment algorithm |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105051753A true CN105051753A (zh) | 2015-11-11 |
Family
ID=47429071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380069285.8A Pending CN105051753A (zh) | 2012-11-02 | 2013-11-01 | 指纹录入算法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US9483679B2 (zh) |
EP (1) | EP2915096A1 (zh) |
KR (1) | KR20150094616A (zh) |
CN (1) | CN105051753A (zh) |
AU (1) | AU2013340810A1 (zh) |
GB (1) | GB2507540A (zh) |
HK (1) | HK1212797A1 (zh) |
WO (1) | WO2014068090A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127129A (zh) * | 2016-06-17 | 2016-11-16 | 北京小米移动软件有限公司 | 指纹录入提示方法和装置 |
CN107085699A (zh) * | 2015-12-28 | 2017-08-22 | 佳能株式会社 | 信息处理设备、信息处理设备的控制方法和存储介质 |
CN110210199A (zh) * | 2019-05-30 | 2019-09-06 | 上海应用技术大学 | 基于指纹采集与识别的物联网设备身份认证方法 |
CN110313008A (zh) * | 2017-02-20 | 2019-10-08 | 指纹卡有限公司 | 适用于逐步指纹登记的方法和智能卡 |
CN110390296A (zh) * | 2019-07-23 | 2019-10-29 | Oppo广东移动通信有限公司 | 指纹识别方法及相关产品 |
CN110402442A (zh) * | 2018-02-12 | 2019-11-01 | 华为技术有限公司 | 一种指纹录入方法及终端 |
CN110770775A (zh) * | 2017-06-19 | 2020-02-07 | 维普公司 | 渐进式登记算法 |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11373439B1 (en) | 2013-03-14 | 2022-06-28 | Telos Corporation | Touchless fingerprint matching systems and methods |
US9710691B1 (en) * | 2014-01-23 | 2017-07-18 | Diamond Fortress Technologies, Inc. | Touchless fingerprint matching systems and methods |
CN106233306B (zh) * | 2014-09-06 | 2019-09-27 | 深圳市汇顶科技股份有限公司 | 在移动设备上注册和识别指纹配置文件的方法及移动设备 |
GB2531378B (en) | 2014-10-10 | 2019-05-08 | Zwipe As | Power harvesting |
US9400914B2 (en) * | 2014-10-24 | 2016-07-26 | Egis Technology Inc. | Method and electronic device for generating fingerprint enrollment data |
FR3028641B1 (fr) | 2014-11-18 | 2016-12-23 | Oberthur Technologies | Procede de prise de donnees biometriques |
US9514352B2 (en) * | 2014-12-18 | 2016-12-06 | Eaton Corporation | Fingerprint enrollment using touch sensor data |
US9521314B2 (en) * | 2015-02-06 | 2016-12-13 | Fingerprint Cards Ab | Fingerprint enrollment using elongated fingerprint sensor |
US10528789B2 (en) | 2015-02-27 | 2020-01-07 | Idex Asa | Dynamic match statistics in pattern matching |
US9940502B2 (en) | 2015-02-27 | 2018-04-10 | Idex Asa | Pre-match prediction for pattern testing |
US10157306B2 (en) | 2015-02-27 | 2018-12-18 | Idex Asa | Curve matching and prequalification |
EP3109793B1 (en) | 2015-06-22 | 2020-07-22 | Nxp B.V. | Fingerprint sensing system |
US10600219B2 (en) | 2015-06-26 | 2020-03-24 | Idex Asa | Pattern mapping |
US9684813B2 (en) | 2015-07-01 | 2017-06-20 | Idex Asa | System and method of biometric enrollment and verification |
EP3115932A1 (en) | 2015-07-07 | 2017-01-11 | Idex Asa | Image reconstruction |
CN105550630B (zh) * | 2015-08-11 | 2018-12-25 | 宇龙计算机通信科技(深圳)有限公司 | 一种指纹验证方法和装置 |
US10002285B2 (en) * | 2015-09-25 | 2018-06-19 | Qualcomm Incorporated | Fast, high-accuracy, large-scale fingerprint verification system |
KR101639986B1 (ko) * | 2015-10-07 | 2016-07-15 | 크루셜텍 (주) | 지문 등록 및 인증 속도 향상을 위한 지문 정보 프로세싱 방법 및 그 장치 |
GB2543367A (en) * | 2015-10-13 | 2017-04-19 | Zwipe As | Multiple finger fingerprint authentication device |
CN105496136B (zh) * | 2015-12-10 | 2018-03-06 | 嘉兴学院 | 一种智能水杯的信息网络化方法 |
CN107025419B (zh) * | 2016-01-29 | 2020-11-10 | 北京小米移动软件有限公司 | 指纹模板录入方法及装置 |
WO2017133213A1 (zh) * | 2016-02-01 | 2017-08-10 | 北京小米移动软件有限公司 | 指纹识别方法和装置 |
SE1650126A1 (en) | 2016-02-02 | 2017-08-03 | Fingerprint Cards Ab | Method and fingerprint sensing system for analyzing biometric measurements of a user |
US9773153B1 (en) * | 2016-03-24 | 2017-09-26 | Fingerprint Cards Ab | Fingerprint sensor module |
US9977946B2 (en) * | 2016-05-03 | 2018-05-22 | Novatek Microelectronics Corp. | Fingerprint sensor apparatus and method for sensing fingerprint |
CN106557755B (zh) * | 2016-11-24 | 2021-05-04 | 北京小米移动软件有限公司 | 指纹模板获取方法及装置 |
US10984304B2 (en) | 2017-02-02 | 2021-04-20 | Jonny B. Vu | Methods for placing an EMV chip onto a metal card |
CN112270260A (zh) * | 2017-03-06 | 2021-01-26 | 苏州佳世达光电有限公司 | 一种辨识方法以及电子设备 |
US10282651B2 (en) | 2017-03-23 | 2019-05-07 | Idex Asa | Sensor array system selectively configurable as a fingerprint sensor or data entry device |
US11250307B2 (en) | 2017-03-23 | 2022-02-15 | Idex Biometrics Asa | Secure, remote biometric enrollment |
KR102389562B1 (ko) * | 2017-09-08 | 2022-04-22 | 삼성전자주식회사 | 지문 정보 처리 방법 |
WO2019116233A1 (en) | 2017-12-12 | 2019-06-20 | Idex Asa | Power source for biometric enrollment with status indicators |
USD956760S1 (en) * | 2018-07-30 | 2022-07-05 | Lion Credit Card Inc. | Multi EMV chip card |
KR20210023331A (ko) | 2019-08-23 | 2021-03-04 | 주식회사 시솔지주 | 지문 인식 카드 |
SE1950970A1 (en) | 2019-08-23 | 2021-02-24 | Fingerprint Cards Ab | Single-feature fingerprint recognition |
CN114787801A (zh) * | 2020-10-29 | 2022-07-22 | 指纹卡安娜卡敦知识产权有限公司 | 用于启用智能卡的指纹认证的方法 |
WO2023060101A1 (en) * | 2021-10-07 | 2023-04-13 | Idex Biometrics Asa | System and method for secure biometric enrollment |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7274808B2 (en) * | 2003-04-18 | 2007-09-25 | Avago Technologies Ecbu Ip (Singapore)Pte Ltd | Imaging system and apparatus for combining finger recognition and finger navigation |
US20100111378A1 (en) * | 2008-11-04 | 2010-05-06 | Kwan Chiman | Knowledge Learning System and Process for Fingerprint Verifications |
CN101777128A (zh) * | 2009-11-25 | 2010-07-14 | 中国科学院自动化研究所 | 一种融入全局信息的指纹细节点匹配方法及系统 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1181176A (en) | 1980-10-27 | 1985-01-15 | John C. Elsey | Fingerprint minutiae matcher |
US4752966A (en) | 1982-03-26 | 1988-06-21 | Fingermatrix, Inc. | Fingerprint identification system |
FR2749955B1 (fr) * | 1996-06-14 | 1998-09-11 | Thomson Csf | Systeme de lecture d'empreintes digitales |
US6681034B1 (en) | 1999-07-15 | 2004-01-20 | Precise Biometrics | Method and system for fingerprint template matching |
US6546122B1 (en) | 1999-07-29 | 2003-04-08 | Veridicom, Inc. | Method for combining fingerprint templates representing various sensed areas of a fingerprint to derive one fingerprint template representing the fingerprint |
US6597802B1 (en) * | 1999-08-13 | 2003-07-22 | International Business Machines Corp. | System and method for generating a rolled surface representation from a set of partial images |
AU2000244476A1 (en) | 2000-04-13 | 2001-10-30 | Nanyang Technological University | Method and device for determining a total minutiae template from a plurality of partial minutiae templates |
WO2002096181A2 (en) | 2001-05-25 | 2002-12-05 | Biometric Informatics Technology, Inc. | Fingerprint recognition system |
WO2003007121A2 (en) * | 2001-07-12 | 2003-01-23 | Atrua Technologies, Inc. | Method and system for determining confidence in a digital transaction |
US20030123714A1 (en) | 2001-11-06 | 2003-07-03 | O'gorman Lawrence | Method and system for capturing fingerprints from multiple swipe images |
EP1602062B1 (en) | 2003-02-24 | 2008-04-02 | Precise Biometrics AB | Methods, computer program products and devices for check of identity |
JP4462988B2 (ja) * | 2004-04-13 | 2010-05-12 | Necインフロンティア株式会社 | 指紋読取方法および指紋読取システム |
US7574022B2 (en) * | 2004-05-20 | 2009-08-11 | Atrua Technologies | Secure system and method of creating and processing partial finger images |
JP2009544092A (ja) | 2006-07-14 | 2009-12-10 | エセブス・リミテッド | ハイブリッドバイオメトリックシステム |
JP2008226067A (ja) * | 2007-03-15 | 2008-09-25 | Oki Electric Ind Co Ltd | 画像処理装置と画像処理方法 |
US20080273770A1 (en) | 2007-05-03 | 2008-11-06 | Upek, Inc. | Fast Fingerprint Identification And Verification By Minutiae Pair Indexing |
US8300904B2 (en) | 2007-07-18 | 2012-10-30 | Agency For Science, Technology And Research | Method and device for determining a similarity value between minutiae templates |
US8276816B2 (en) * | 2007-12-14 | 2012-10-02 | Validity Sensors, Inc. | Smart card system with ergonomic fingerprint sensor and method of using |
JP5040835B2 (ja) | 2008-07-04 | 2012-10-03 | 富士通株式会社 | 生体情報読取装置、生体情報読取方法および生体情報読取プログラム |
US9235747B2 (en) * | 2008-11-27 | 2016-01-12 | Apple Inc. | Integrated leadframe and bezel structure and device formed from same |
US20100232659A1 (en) | 2009-03-12 | 2010-09-16 | Harris Corporation | Method for fingerprint template synthesis and fingerprint mosaicing using a point matching algorithm |
EP2549432A4 (en) * | 2010-03-19 | 2018-01-10 | Fujitsu Limited | Identification device, identification method and program |
TWI457842B (zh) * | 2010-09-29 | 2014-10-21 | Gingy Technology Inc | A segmented image recognition method and a region identification device thereof |
-
2012
- 2012-11-02 GB GB1219750.5A patent/GB2507540A/en not_active Withdrawn
-
2013
- 2013-11-01 EP EP13786458.3A patent/EP2915096A1/en not_active Withdrawn
- 2013-11-01 KR KR1020157014583A patent/KR20150094616A/ko not_active Application Discontinuation
- 2013-11-01 WO PCT/EP2013/072874 patent/WO2014068090A1/en active Application Filing
- 2013-11-01 AU AU2013340810A patent/AU2013340810A1/en not_active Abandoned
- 2013-11-01 CN CN201380069285.8A patent/CN105051753A/zh active Pending
- 2013-11-01 US US14/439,681 patent/US9483679B2/en not_active Expired - Fee Related
-
2016
- 2016-01-22 HK HK16100740.5A patent/HK1212797A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7274808B2 (en) * | 2003-04-18 | 2007-09-25 | Avago Technologies Ecbu Ip (Singapore)Pte Ltd | Imaging system and apparatus for combining finger recognition and finger navigation |
US20100111378A1 (en) * | 2008-11-04 | 2010-05-06 | Kwan Chiman | Knowledge Learning System and Process for Fingerprint Verifications |
CN101777128A (zh) * | 2009-11-25 | 2010-07-14 | 中国科学院自动化研究所 | 一种融入全局信息的指纹细节点匹配方法及系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085699A (zh) * | 2015-12-28 | 2017-08-22 | 佳能株式会社 | 信息处理设备、信息处理设备的控制方法和存储介质 |
CN107085699B (zh) * | 2015-12-28 | 2021-06-15 | 佳能株式会社 | 信息处理设备、信息处理设备的控制方法和存储介质 |
US10346669B2 (en) | 2016-06-17 | 2019-07-09 | Beijing Xiaomi Mobile Software Co., Ltd. | Fingerprint entry prompting method and device |
CN106127129A (zh) * | 2016-06-17 | 2016-11-16 | 北京小米移动软件有限公司 | 指纹录入提示方法和装置 |
CN110313008B (zh) * | 2017-02-20 | 2023-05-02 | 指纹卡安娜卡敦知识产权有限公司 | 适用于逐步指纹登记的方法和智能卡 |
CN110313008A (zh) * | 2017-02-20 | 2019-10-08 | 指纹卡有限公司 | 适用于逐步指纹登记的方法和智能卡 |
CN110770775A (zh) * | 2017-06-19 | 2020-02-07 | 维普公司 | 渐进式登记算法 |
US11281886B2 (en) | 2018-02-12 | 2022-03-22 | Huawei Technologies Co., Ltd. | Fingerprint enrollment method and terminal |
CN110402442A (zh) * | 2018-02-12 | 2019-11-01 | 华为技术有限公司 | 一种指纹录入方法及终端 |
CN110402442B (zh) * | 2018-02-12 | 2022-08-26 | 华为技术有限公司 | 一种指纹录入方法及终端 |
CN110210199B (zh) * | 2019-05-30 | 2022-07-15 | 上海应用技术大学 | 基于指纹采集与识别的物联网设备身份认证方法 |
CN110210199A (zh) * | 2019-05-30 | 2019-09-06 | 上海应用技术大学 | 基于指纹采集与识别的物联网设备身份认证方法 |
CN110390296A (zh) * | 2019-07-23 | 2019-10-29 | Oppo广东移动通信有限公司 | 指纹识别方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
WO2014068090A1 (en) | 2014-05-08 |
HK1212797A1 (zh) | 2016-06-17 |
US20150294131A1 (en) | 2015-10-15 |
US9483679B2 (en) | 2016-11-01 |
AU2013340810A1 (en) | 2015-05-28 |
GB201219750D0 (en) | 2012-12-19 |
KR20150094616A (ko) | 2015-08-19 |
EP2915096A1 (en) | 2015-09-09 |
GB2507540A (en) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105051753A (zh) | 指纹录入算法 | |
US9613251B2 (en) | Fingerprint matching algorithm | |
Lee et al. | Partial fingerprint matching using minutiae and ridge shape features for small fingerprint scanners | |
Ma et al. | Palm vein recognition scheme based on an adaptive Gabor filter | |
Su et al. | A deep learning approach towards pore extraction for high-resolution fingerprint recognition | |
CN107958443B (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN104951940A (zh) | 一种基于掌纹识别的移动支付验证方法 | |
Krish et al. | Pre‐registration of latent fingerprints based on orientation field | |
Al Rahhal et al. | A dense phase descriptor for human ear recognition | |
US20120020535A1 (en) | Unique, repeatable, and compact biometric identifier | |
Bahaa-Eldin | A medium resolution fingerprint matching system | |
Maltoni et al. | Fingerprint matching | |
Nayar et al. | Partial palm vein based biometric authentication | |
Gil et al. | Access control system with high level security using fingerprints | |
Iloanusi | Effective statistical‐based and dynamic fingerprint preprocessing technique | |
Khokher et al. | Footprint identification: Review of an emerging biometric trait | |
Xu et al. | A fully automated latent fingerprint matcher with embedded self-learning segmentation module | |
Marcialis et al. | Multimodal fingerprint verification by score-level fusion: An experimental investigation | |
Noor | A new algorithm for minutiae extraction and matching in fingerprint | |
Liu et al. | 3D Fingerprint Authentication | |
Moreno-García et al. | Partial to full image registration based on candidate positions and multiple correspondences | |
Mlambo et al. | An improved Hough transform-based fingerprint alignment approach | |
Shi et al. | Robust fingerprint matching using spiral partitioning scheme | |
Chen et al. | Fast match-on-card technique using in-matcher clustering with ISO minutia template | |
Maltoni et al. | Fingerprint Matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1212797 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151111 |
|
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1212797 Country of ref document: HK |