CN105787454B - 用于生物特征验证的方法和系统 - Google Patents
用于生物特征验证的方法和系统 Download PDFInfo
- Publication number
- CN105787454B CN105787454B CN201610115192.XA CN201610115192A CN105787454B CN 105787454 B CN105787454 B CN 105787454B CN 201610115192 A CN201610115192 A CN 201610115192A CN 105787454 B CN105787454 B CN 105787454B
- Authority
- CN
- China
- Prior art keywords
- image
- descriptors
- filter
- eye
- filters
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
-
- 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
- G06V40/14—Vascular patterns
Abstract
本申请案涉及用于生物特征验证的纹理特征的方法和系统。本说明书描述与基于眼睛的图像的生物特征验证有关的技术。一般来说,本说明书中所描述的标的物的一个方面可体现于方法中,所述方法包含获得来自眼睛的第一图像的一个或一个以上图像区。所述图像区中的每一者可包含所述眼睛的眼白的相应部分的视图。所述方法可进一步包含将若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符。所述若干相异过滤器可包含卷积过滤器,所述卷积过滤器各自经配置以描述眼睛脉管系统的一个或一个以上方面,且组合起来描述特征空间中的可见眼睛脉管系统。可基于所述所产生的描述符且基于与眼睛脉管系统的第二图像相关联的一个或一个以上描述符确定匹配分数。
Description
分案申请的相关信息
本案是分案申请。该分案的母案是申请日为2013年7月2日、申请号为201310276024.5、发明名称为“用于生物特征验证的纹理特征的方法和系统”的发明专利申请案。
技术领域
本发明涉及基于眼睛的图像的生物特征验证。
背景技术
常常需要将对房产或资源的进入限于特定个体。生物特征识别系统可用以验证个体的身份以准许或不允许进入资源。举例来说,虹膜扫描仪可由生物特征安全系统使用以基于个体的虹膜中的独特结构来识别个体。
发明内容
本说明书描述与基于眼睛的图像的生物特征验证有关的技术。一般来说,本说明书中所描述的标的物的一个方面可体现于一方法中,所述方法包含获得来自眼睛的第一图像的一个或一个以上图像区,其中所述图像区中的每一者包含在所述眼睛的角膜缘边界外部的眼睛的脉管系统的相应部分的视图。所述方法可进一步包含将若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符。所述若干相异过滤器可包含多个卷积过滤器,所述多个卷积过滤器各自经配置以描述眼睛脉管系统的一个或一个以上方面,且组合起来描述特征空间中的可见眼睛脉管系统。所述方法可进一步包含基于所述所产生的描述符且基于与眼睛脉管系统的第二图像相关联的一个或一个以上描述符确定匹配分数。
一般来说,本说明书中所描述的标的物的一个方面可体现于一系统中,所述系统包含经配置以获得来自眼睛的第一图像的一个或一个以上图像区的模块,其中所述图像区中的每一者包含在所述眼睛的角膜缘边界外部的眼睛的脉管系统的相应部分的视图。所述系统可进一步包含用于将若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符的构件。所述若干相异过滤器可包含多个卷积过滤器,所述多个卷积过滤器各自经配置以描述眼睛脉管系统的一个或一个以上方面,且组合起来描述特征空间中的可见眼睛脉管系统。所述系统可进一步包含经配置以基于所述所产生的描述符且基于与眼睛脉管系统的第二图像相关联的一个或一个以上描述符确定匹配分数的模块。
一般来说,本说明书中所描述的标的物的一个方面可体现于一系统中,所述系统包含数据处理设备和耦合到所述数据处理设备的存储器。所述存储器上存储有指令,所述指令在由所述数据处理设备执行时致使所述数据处理设备执行包含获得来自眼睛的第一图像的一个或一个以上图像区的操作,其中所述图像区中的每一者包含在所述眼睛的角膜缘边界外部的眼睛的脉管系统的相应部分的视图。所述操作可进一步包含将若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符。所述若干相异过滤器可包含多个卷积过滤器,所述多个卷积过滤器各自经配置以描述眼睛脉管系统的一个或一个以上方面,且组合起来描述特征空间中的可见眼睛脉管系统。所述操作可进一步包含基于所述所产生的描述符且基于与眼睛脉管系统的第二图像相关联的一个或一个以上描述符确定匹配分数。
一般来说,本说明书中所描述的标的物的一个方面可体现于一非暂时性计算机可读媒体中,所述非暂时性计算机可读媒体存储软件,所述软件包含可由处理装置执行的指令,所述指令在执行之后随即致使处理装置执行包含获得来自眼睛的第一图像的一个或一个以上图像区的操作,其中所述图像区中的每一者包含在所述眼睛的角膜缘边界外部的眼睛的脉管系统的相应部分的视图。所述操作可进一步包含将若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符。所述若干相异过滤器可包含多个卷积过滤器,所述多个卷积过滤器各自经配置以描述眼睛脉管系统的一个或一个以上方面,且组合起来描述特征空间中的可见眼睛脉管系统。所述操作可进一步包含基于所述所产生的描述符且基于与眼睛脉管系统的第二图像相关联的一个或一个以上描述符确定匹配分数。
这些以及其它实施例可各自任选地包含以下特征中的一者或一者以上。可通过基于图像数据元素在图像区中的一者或一者以上中的共存统计的所产生描述符中的一些来描述所述可见眼睛脉管系统。可通过基于图像数据元素在图像区中的一者或一者以上中的信息理论统计的所产生描述符中的一些来描述所述可见眼睛脉管系统。可通过基于图像数据元素的一个或一个以上非卷积统计导数的所产生描述符中的一些来局部地或全局地描述所述可见眼睛脉管系统。所述卷积过滤器中的一者可为伽柏过滤器。所述卷积过滤器中的一者可为小波变换。所述若干过滤器中的一者可为非线性过滤器。所述非线性过滤器可为受训练神经网络。将所述若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符可包含组合所述过滤器中的一者或一者以上的相应输出。将所述若干相异过滤器应用到所述图像区中的每一者以产生所述区的多个相应描述符可包含计算所述过滤器中的一者或一者以上的输出的相应量值。确定匹配分数可包含:将所述区中的每一者的所述相应描述符组合成所述区的相应向量;对于所述第一图像的所述区中的一者或一者以上,比较所述区的所述相应向量与从第二图像的对应区的描述符导出的向量,以产生相应类似性分数;以及至少基于所述所产生的类似性分数确定所述匹配分数。可确定所述匹配分数是否超过一值,其中所述值是至少基于从敏感性分析产生的三维接收器操作曲线的邻域中的稳健阈值。所述图像数据元素可为体元、像素、射线或红、绿或蓝通道值中的一者。图像区可包含一个或一个以上连续或不连续图像数据元素。获得所述一个或一个以上图像区可包含平铺一区以获得较小区。
可实施本发明的特定实施例以不实现以下优势中的任一者、实现以下优势中的一者或一者以上。一些实施方案可通过可靠地验证个体来提供安全性。与基于细节检测的系统相比,一些实施方案可减小验证系统的噪声敏感性。一些实施方案可促进对用于验证的登记简档的有效存储和检索。
本发明的一个或一个以上实施例的细节陈述于附图及以下描述中。从描述、图式和权利要求书将明白本发明的其它特征、方面和优势。
附图说明
图1是人眼的解剖结构的图。
图2是包含展示眼睛的眼白的脉管系统的部分的实例图像的图。
图3是经分段以进行分析的实例图像的图。
图4是经配置以至少部分基于眼睛的眼白的一个或一个以上图像来验证个体的实例安全系统的框图。
图5是实例在线环境的框图。
图6是用于基于眼睛的眼白的一个或一个以上图像验证个体的实例过程的流程图。
图7是用于确定眼睛的一个或一个以上图像的匹配分数的实例过程的流程图。
图8A到8B是用于确定眼睛的一个或一个以上图像的匹配分数的实例过程的流程图。
图9展示可用以实施此处所描述的技术的计算机装置和移动计算机装置的实例。
具体实施方式
个体的眼睛的眼白中的可见脉管系统的特有特征可用来识别或验证个体。举例来说,可获得且分析用户眼睛的眼白的图像以比较眼睛的特征与参考记录,以便验证用户且准许或不允许用户进入资源。
可在个体的眼睛的眼白的图像的纹理特征中反映个体的可见脉管系统的独特结构。可将图像分段以识别眼睛的眼白上的区(例如,布置成栅格以覆盖虹膜左方或右方的区域的一组小平铺块)以用于纹理分析。可应用一组过滤器以确定这些小的区中的个体脉管系统的纹理特征的描述符。举例来说,所应用过滤器中的一些可为卷积过滤器,其形成可用以描述个体脉管系统的显著纹理特征的特征空间的基础。从过滤器输出导出的描述符的向量可组合成描述符向量。
在验证或识别操作期间,用户所确定的描述符向量可与来自经登记个体的参考记录的对应描述符向量进行比较。可通过确定反映用户与经登记个体之间的匹配的可能性的匹配分数来比较描述符向量。举例来说,匹配分数可确定为两个描述符向量之间的距离。在一些实施方案中,匹配分数确定为受训练函数近似器(例如,神经网络)响应于在两个描述符向量中作为输入传递的输出。匹配分数可与一个或一个以上阈值进行比较以确定是否接受或拒绝用户。
图1是人眼100的解剖结构的图。所述图是眼睛的截面,其中解剖结构的放大图102靠近眼睛的角膜缘边界,所述角膜缘边界分离有色虹膜110与眼睛的周围眼白。眼睛的眼白包含复杂的脉管结构,其不仅易于从眼睛外部看到且可扫描,而且脉管结构是唯一的且在个体间不同。因此,主要归因于结膜和巩膜外层的脉管系统,眼睛的眼白的这些脉管结构可加以扫描且有利地用作生物特征。可使用此生物特征来验证特定个体,或识别未知的个体。
眼睛的眼白具有若干层。巩膜120为眼睛的不透明纤维性保护层,其含有胶原蛋白和弹性纤维。巩膜120由巩膜外层130覆盖,巩膜外层130具有穿过其中和其上的相当大量的血管和静脉。巩膜外层130由球结膜140覆盖,球结膜140为与眼睑150或在眼睑张开时与环境介接的薄透明隔膜。血管和静脉穿过眼睛的眼白的所有这些层,且可在眼睛的图像中检测到。眼睛还包含睫毛160,睫毛160有时可能使眼睛的眼白的多个部分在图像中模糊不清。
图2是包含展示眼睛的眼白的脉管系统的部分的实例图像200的图。此图像200可用集成到计算装置中的传感器(例如,相机)俘获,所述计算装置例如智能电话、平板计算机、电视、膝上型计算机或个人计算机。举例来说,可通过显示器或音频提示来提示用户在俘获图像时看向左方,因此将眼睛的眼白到虹膜右方的较大区域暴露到传感器的视野。类似地,可提示用户在俘获图像时向右看、向上看、向下看、向前看等。所述实例图像包含虹膜220的视图,其中瞳孔210处于其中心。虹膜220延伸到眼睛的角膜缘边界225。眼睛的眼白230在眼睛的角膜缘边界225外部。眼睛的眼白的粗略脉管系统240在图像100中可见。此脉管系统240可为个体所特有的。在一些实施方案中,脉管系统240的特有特征可用作识别、检验或验证个别用户的基础。
图3是包含展示两只眼睛的眼白的脉管系统的部分的实例图像300的图,所述图像经分段以进行分析。可以多种方式获得所俘获图像310。所俘获图像310可经预处理及分段以隔离出图像内的兴趣区,且增强眼睛的眼白中的脉管系统的视图。举例来说,兴趣区可为形成覆盖眼睛的一些或所有眼白的栅格的平铺式部分。可例如通过识别角膜缘边界和眼睑的边缘来隔离出对应于右眼眼白的在虹膜左方的部分320。类似地,可隔离出对应于左眼眼白的在虹膜左方的部分322。可例如通过从图像数据选择使眼睛的眼白的脉管系统与周围眼白部分之间的对比度最大的分量色彩来使用预处理来增强此区中的脉管系统的视图。在一些实施方案中,可将图像的这些部分320、322进一步分段成形成栅格330、332的平铺块,所述栅格330、332将眼睛的眼白的暴露表面区域划分成较小区以用于分析目的。这些兴趣区中的脉管系统的特征可用来识别或验证个体。
图4是经配置以至少部分基于眼睛410的眼白的一个或一个以上图像来验证个体的实例安全系统400的框图。安全系统400的用户可将其眼睛410呈现给光传感器420。以此方式,可俘获眼睛410的眼白的一个或一个以上图像。数码相机、三维(3D)相机和光场传感器是可使用的光传感器的实例。光传感器420可使用多种技术,例如数字电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)。在一些实施方案中,可经由在显示器424上显示的消息来提示用户摆出某些姿势以暴露眼睛410的眼白的多个部分且促进图像获取。举例来说,可提示用户定向其注视点以便将其眼睛410的虹膜向左转动、向右转动、向左上方转动,以及向右上方转动。在未展示的一些实施方案中,可通过经由扬声器播放的消息、通过指示灯(例如,LED)来提示用户采用某些姿势,或根本不提示。
在一些实施方案中,传感器420可经配置以检测眼睛410何时已恰当地定位于传感器的视野中。或者,在计算装置430上实施的软件或硬件可分析由光传感器420产生的一个或一个以上图像以确定眼睛410是否已恰当定位。在一些实施方案中,用户可通过用户接口(例如,按钮、键盘、小键盘、触摸板,或触摸屏)手动地指示眼睛410何时恰当地定位。
在计算装置430上实施的验证模块440可经由光传感器420获得眼睛的眼白的一个或一个以上图像。在一些实施方案中,计算装置430与光传感器420集成或电子耦合到光传感器420。在一些实施方案中,计算装置430可通过无线接口(例如,天线)与光传感器420通信。
验证模块440处理经由光传感器420获得的图像以控制对安全装置450的访问。举例来说,验证模块440可实施相对于图6描述的验证过程。在一些实施方案中,安全装置450可包含影响来自验证模块440的访问控制指令的致动器460(例如,锁定机构)。
计算装置可以多种方式与安全装置450集成或介接。举例来说,安全装置450可为汽车,光传感器420可为集成到汽车的方向盘或仪表盘中的相机,且计算装置430可集成到汽车中且电连接到相机和充当安全致动器460的点火锁定系统。用户可将其眼睛的眼白的视图呈现给相机以便被验证为汽车的经授权驾驶员且起动引擎。
在一些实施方案中,安全装置450可为房地产钥匙盒,光传感器420可为与用户的移动装置(例如,智能电话或平板装置)集成的相机,且验证模块440的处理可部分地由用户的移动装置且部分地由与钥匙盒集成的控制电力锁定机构的计算装置来执行。两个计算装置可经由无线接口来通信。举例来说,用户(例如,给出房产展示的房地产经纪人)可使用其移动装置上的相机来获得一个或一个以上图像且基于所述图像提交数据到钥匙盒以便被验证为经授权用户且被准许使用钥匙盒中存放的钥匙。
在一些实施方案中,安全装置450为控制进入房产的闸门或门。光传感器420可集成到门或闸门中或定位于靠近门或闸门的墙壁或围墙上。计算装置430可定位于光传感器420和门或闸门中充当致动器460的电力锁定机构附近,且可经由无线接口与所述光传感器420和所述电力锁定机构通信。在一些实施方案中,安全装置450可为来福枪,且光传感器420可与附接到来福枪的瞄准镜集成。计算装置430可集成到来福枪的枪托中,且可电连接到光传感器420和充当致动器460的扳机或撞针锁定机构。在一些实施方案中,安全装置450可为一件租赁设备(例如,自行车)。
计算装置430可包含处理装置432(例如,如相对于图9所描述)和机器可读存储库或数据库434。在一些实施方案中,机器可读存储库可包含闪存存储器。机器可读存储库434可用以存储一个或一个以上参考记录。参考记录可包含从安全装置450的经注册或经授权用户的眼睛的眼白的一个或一个以上图像导出的数据。在一些实施方案中,参考记录包含完整参考图像。在一些实施方案中,参考记录包含从参考图像提取的特征。在一些实施方案中,参考记录包含从参考图像提取的经加密特征。在一些实施方案中,参考记录包含由从参考图像提取的特征加密的识别密钥。为建立新用户的参考记录,可执行登记或注册过程。登记过程可包含俘获新注册用户的眼睛的眼白的一个或一个以上参考图像。在一些实施方案中,可使用验证系统400的光传感器420和处理装置430来执行登记过程。
图5为展示其中可实施本文所描述的技术的网络环境500的实例的框图。网络环境500包含经配置以经由网络511与第一服务器系统512和/或第二服务器系统514通信的计算装置502、504、506、508、510。计算装置502、504、506、508、510具有与其相关联的相应用户522、524、526、528、530。第一和第二服务器系统512、514各自包含计算装置516、517和机器可读存储库或数据库518、519。实例环境500可包含未展示的数以千计的网站、计算装置和服务器。
网络511可包含大的计算机网络,其实例包含连接数个移动计算装置、固定计算装置和服务器系统的局域网(LAN)、广域网(WAN)、蜂窝式网络,或其组合。包含于网络511中的网络可提供在各种模式或协议下的通信,其实例包含传输控制协议/因特网协议(TCP/IP)、全球移动通信系统(GSM)语音呼叫、短电子消息服务(SMS)、增强型消息接发服务(EMS),或多媒体消息接发服务(MMS)消息接发、以太网、码分多址(CDMA)、时分多址(TDMA)、个人数字蜂窝(PDC)、宽频码分多址(WCDMA)、CDMA2000,或通用分组无线电系统(GPRS),以及其它者。通信可经由射频收发器而发生。另外,可例如使用蓝牙(BLUETOOTH)、WiFi或其它此种收发器系统来发生短程通信。
计算装置502、504、506、508、510使得相应用户522、524、526、528、530能够访问并观看文档,例如包含于网站中的网页。举例来说,计算装置502的用户522可使用网页浏览器来观看网页。可通过服务器系统512、服务器系统514或另一服务器系统(未展示)来将网页提供到计算装置502。
在实例环境500中,计算装置502、504、506被说明为桌上型计算装置,计算装置508被说明为膝上型计算装置508,且计算装置510被说明为移动计算装置。然而,注意,计算装置502、504、506、508、510可包含例如桌上型计算机、膝上型计算机、手持式计算机、具有嵌入于其中和/或耦合到其的一个或一个以上处理器的电视、平板计算装置、个人数字助理(PDA)、蜂窝式电话、网络设备、相机、智能电话、增强型通用分组无线电业务(EGPRS)移动电话、媒体播放器、导航装置、电子消息接发装置、游戏控制台,或这些数据处理装置或其它适当数据处理装置中的两者或两者以上的组合。在一些实施方案中,可包含计算装置作为机动车辆(例如,汽车、应急车辆(例如,消防车、救护车)、公共汽车)的部分。
与计算装置502、504、506、508、510交互的用户可通过验证自身且经由网络511发出指令或命令而与例如由服务器系统512托管的安全交易服务523交互。安全交易可包含例如电子商务购买、金融交易(例如,在线银行交易、信用卡或银行卡交易、会员奖励积分兑现),或在线投票。安全交易服务可包含验证模块525,所述验证模块525协调从交易的安全服务器侧对用户的验证。在一些实施方案中,验证模块525可从用户装置(例如,计算装置502、504、506、508、510)接收图像数据,其包含用户(例如,用户522、524、526、528、530)的眼睛的一个或一个以上图像。验证模块可接着处理所述图像数据以通过确定所述图像数据是否匹配先前已基于在登记会话期间收集的图像数据而建立的经辨识用户身份的参考记录来验证用户。
在一些实施方案中,已提交服务请求的用户可被重定向到在单独服务器系统514上运行的验证模块540。验证模块540可维持安全交易服务523的经注册或经登记用户的参考记录,且还可包含其它安全交易服务的用户的参考记录。验证模块540可使用加密网络通信(例如,使用公共密钥加密协议)建立与各种安全交易服务(例如,安全交易服务523)的安全会话,以向安全交易服务指示用户是否被验证为已注册或登记的用户。极类似于验证模块525,验证模块540可从请求用户的计算装置(例如,计算装置502、504、506、508、510)接收图像数据,且可处理所述图像数据以验证所述用户。在一些实施方案中,验证模块可确定从用户接收的图像的纹理特征,且可基于所述纹理特征来接受或拒绝所述图像。
验证模块540可实施为在处理设备(例如,一个或一个以上计算装置(如图9中所说明的计算机系统))上执行的软件、硬件或软件与硬件的组合。
用户装置(例如,计算装置510)可包含验证应用程序550。验证应用程序550可促进将用户验证为经注册或经登记用户身份以经由网络511访问安全服务(例如,安全交易服务523)。举例来说,验证应用程序550可为用于与服务器侧验证模块(例如,验证模块540)交互的移动应用程序或另一类型的客户端应用程序。验证应用程序550可驱动传感器(例如,连接到用户计算装置或与用户计算装置集成的相机)以俘获用户的一个或一个以上图像(例如,用户530),其包含用户的眼睛的眼白的视图。验证应用程序550可提示(例如,经由显示器或扬声器)用户摆姿势以进行图像俘获。举例来说,可提示用户面向传感器,且将其注视点定向到左方或右方,以将眼睛的眼白的大部分暴露到传感器。
在一些实施方案中,验证应用程序550经由网络511将所俘获图像数据传输到远程服务器(例如,服务器系统512或514)上的验证模块(例如,验证模块525或540)。收集来自用户的图像数据可促进登记和建立用户的参考记录。收集来自用户的图像数据还可促进对照参考记录来验证用户身份。
在一些实施方案中,可通过验证应用程序550执行对图像数据的额外处理以用于验证目的,且所述处理的结果可传输到验证模块(例如,验证模块525或540)。以此方式,验证功能可以适合于特定应用的方式分布于客户端与服务器侧处理之间。举例来说,在一些实施方案中,验证应用程序550确定所俘获图像的纹理特征,且拒绝任何图像。纹理特征可传输到服务器侧验证模块(例如,验证模块525或540)以用于进一步分析。
在一些实施方案中,验证应用程序访问用户身份的参考记录,且进行完全验证过程,随后将结果(例如,用户被接受还是被拒绝)报告给服务器侧验证模块。
验证应用程序550可实施为在处理设备(例如,一个或一个以上计算装置(如图9中所说明的计算机系统))上执行的软件、硬件或软件与硬件的组合。
图6是用于基于眼睛的眼白的一个或一个以上图像验证个体的实例过程600的流程图。通过将一组过滤器应用于图像而针对所获得图像确定纹理特征或描述符。确定匹配分数,其将所确定特征与参考记录进行比较。接着基于所述匹配分数来接受或拒绝个体。
举例来说,可由图4的计算装置430中的验证模块440来实施过程600。在一些实施方案中,计算装置430为包含经配置以执行过程600的动作的一个或一个以上处理器的数据处理设备。举例来说,数据处理设备可为计算装置(例如,如图9中所说明)。在一些实施方案中,过程600可全部或部分由验证应用程序550实施,验证应用程序550由用户计算装置(例如,计算装置510)执行。举例来说,用户计算装置可为移动计算装置(例如,图9的移动计算装置950)。在一些实施方案中,过程600可全部或部分由验证模块540实施,验证模块540由用户服务器系统(例如,服务器系统514)执行。在一些实施方案中,服务器系统514为包含经配置以执行过程600的动作的一个或一个以上处理器的数据处理设备。举例来说,数据处理设备可为计算装置(例如,如图9中所说明)。在一些实施方案中,计算机可读媒体可包含指令,所述指令在由计算装置(例如,计算机系统)执行时致使装置执行处理器600的动作。
获得602眼睛的一个或一个以上图像。所述图像包含在眼睛的角膜缘边界外部的眼睛的脉管系统的一部分的视图。所获得的图像可为单色的,或表示于各种色彩空间(例如,RGB、SRGB、HSV、HSL或YCbCr)中。在一些实施方案中,可使用光传感器(例如,数码相机、3D相机,或光场传感器)获得图像。所述传感器可对各种波长范围中的光敏感。举例来说,所述传感器可对光的可见光谱敏感。在一些实施方案中,传感器与可以脉冲形式发出以照亮传感器的视图中的物体的闪光或手电筒配对。图像的俘获可与闪光的脉动同步或用闪光的脉动进行时间锁定。在一些实施方案中,传感器俘获图像的序列,所述图像序列可用来跟踪物体在传感器的视野内的运动。所述传感器可包含控制图像俘获的一个或一个以上设置(例如,焦距、闪光强度、曝光,及白平衡)。图像可共同包含多个焦距。举例来说,可俘获图像的序列,每一图像是用传感器的不同焦距设置俘获的,和/或一些传感器(例如,光场传感器)可俘获聚焦于距传感器多个距离处的图像。在一些实施方案中,可通过经由网络接口(例如,服务器系统514的网络接口)而接受来获得502一个或一个以上图像。
可对所述一个或一个以上图像进行分段604以识别包含眼睛的眼白中的脉管系统的最佳视图的兴趣区。在一些实施方案中,可识别所述一个或一个以上图像中的解剖界标(例如,虹膜、其中心及角膜缘边界、眼角,及眼睑的边缘)。可基于其相对于所识别的解剖界标的位置来识别并选择图像内的兴趣区。举例来说,兴趣区可位于眼睛的眼白中虹膜左方、右方、上方或下方。在一些实施方案中,所选择的兴趣区经平铺以形成覆盖眼睛的眼白的较大部分的栅格。可相对于虹膜中心和虹膜边界注册平铺块(即,其位置将对准),因此可在图像之上比较相同平铺块位置。在一些实施方案中,图像的所选择区是不连续的(例如,相邻区可重叠,或相邻区之间可具有空间)。所选择的兴趣区可对应于从参考图像(参考记录中的数据是基于所述参考图像)选择的兴趣区。
在一些实施方案中,通过将曲线拟合在眼睑的在巩膜上的所选择部分上,且接着外插并发现那些曲线的相交点来找出眼角。如果归因于巩膜过近(例如,归因于注视方向)的事实而不能发现一个相交点(眼角),那么可导出来自同一眼角区域但来自相反注视方向照片的模板并将其应用于手边图像中的有问题的眼角邻域,且可将最大相关位置标记为眼角。
在一些实施方案中,通过自适应性阈值方法来找出眼睑,所述自适应性阈值方法从图像中找出眼睛的眼白,其与眼睑接界。可通过形态学操作(例如,凸包)来校正巩膜遮罩自身以去除像差。
在一些实施方案中,从巩膜遮罩找出边缘边界,其为巩膜结束之处,因为其终止于虹膜边缘边界处。
在一些实施方案中,经由多种方法找出虹膜中心。如果眼睛色彩明亮,那么可找出瞳孔的中心作为虹膜中心。如果虹膜过暗,那么找出拟合到边缘边界和其中心的椭圆形的中心,或将其确定为围绕虹膜中心收敛的正常射线(即,垂直于边缘边界的切线的线)的焦点,或以上方法的组合。
可对图像区进行预处理606以增强图像内的脉管系统的视图。在一些实施方案中,预处理606包含色彩图像增强和对比度受限自适应性直方图均衡化(CLAHE),其增强强度图像的对比度。CLAHE在图像的小的区(称为平铺块)中操作。每一平铺块的对比度被增强,使得输出的直方图大致匹配由特定分布(例如,均匀分布、指数分布或瑞雷分布)指定的直方图。接着使用双线性内插来组合相邻平铺块,以消除人为造成的边界。在一些实施方案中,可通过选择红、绿或蓝色分量中在血管与背景之间具有最佳对比度的一者来增强图像。绿色分量可为优选的,因为其可在血管与背景之间提供最佳对比度。
在一些实施方案中,预处理606包含应用多尺度增强过滤方案来增强图像的强度,由此促进脉管结构的检测和后续提取特征。可凭经验确定过滤器的参数,以便考虑到血管的围长的变化。所使用的算法可具有良好曲线敏感性、良好曲线特异性且抑制其它形状的对象。所述算法可基于图像的二阶导数。首先,由于二阶导数对噪声敏感,因此用高斯函数来对图像片段进行卷积。高斯函数的参数σ可对应于血管的厚度。接下来,对于每一图像数据元素,可建立海森矩阵,且可计算特征值λl和λ2。在每一海森矩阵中,将矩阵脊定义为图像在曲率方向上具有极值处的点。曲率方向为图像的二阶导数的特征向量,其对应于最大绝对特征值λ。特征值的正负号确定其为局部最小值λ>0还是最大值λ>0。接着使用所计算的特征值来用以下方程式过滤血管线:
I_line(λ1,λ2)=|λ1|-|λ2|(如果λl<0),且I_line(λ1,λ2)=0(如果λ1≥0)
血管的直径变化,但算法假定直径在区间[d0,d1]内。可在尺度范围[d0/4,d1/4]中使用高斯平滑过滤器。可基于以下平滑尺度将此过滤重复N次:
σ1=d0/4,σ2=r*σ1,σ2=r^2*σ1,...σ2=r^(N-1)*σ1=d1/4
此最终输出可为来自N个尺度的所有个别过滤器的输出的最大值。
可部分通过将对应于那些图像区的纹理特征的一组过滤器应用于图像区来确定608描述符。可将若干相异过滤器应用于图像区中的每一者以产生区的多个相应描述符。相异过滤器可包含一组卷积过滤器,其各自经配置以描述眼睛脉管系统的一个或一个以上方面。组合的所述组卷积过滤器可描述特征空间中的可见眼睛脉管系统。相异过滤器可包含提取图像区的像素统计(例如,均值、中值、标准差和熵)的过滤器。
在一些实施方案中,可部分通过将各种角度处的一组复数伽柏过滤器应用于图像来确定608描述符。可凭经验确定(例如,使用眼睛脉管系统图像的身体的单独分量分析)过滤器的参数,以便考虑血管的间隔、定向和围长的变化。伽柏过滤的图像的相位当使用阈值来二进制化时可促进检测且揭示尖锐可见脉管系统。
复数伽柏过滤的图像的相位反映不同角度处的脉管模式。伽柏过滤的图像的相位可在–π到+π弧度范围内变化。高于0.25及低于-0.25弧度的相位值可对应于脉管结构。为了使用取阈值来二进制化相位图像,高于0.25或低于-0.25的相位的所有值可设定为1,且剩余值设定为0。这可导致对应相位图像中的尖锐(即,良好界定或高对比度)脉管系统结构。可针对由不同角度处的多个伽柏核的应用程序产生的图像执行此操作。可添加所有所得二进制化图像以揭示精细且清晰的脉管结构。在一些实施方案中,二进制化相位图像的元素的向量可用作用于比较图像与参考记录的描述符向量。在一些实施方案中,反映图像兴趣区之间的纹理特征的描述符的差异可用作描述符向量。由兴趣区的区域划分的二进制化图像区域的所有1的总和可反映可见脉管系统的程度。
在一些实施方案中,可将其它卷积过滤器应用于图像以确定608图像中的区(例如,平铺块)的纹理的描述符。举例来说,可将小波变换或傅里叶变换应用于图像中的区。其它卷积过滤器为可能的。在一些实施方案中,确定608描述符可包含确定图像的区的复数过滤器输出的量值或相位。
在一些实施方案中,通过基于图像数据元素在图像区中的一者或一者以上中的共存统计的所确定608的描述符中的一些来描述可见眼睛脉管系统。举例来说,可针对由图像的分段识别的区(例如,平铺块)中的一者或一者以上中的每一者确定灰度级共存矩阵(GLCM)。可针对图像中的一者中的区的色彩分量(例如,绿色、蓝色或辉度)确定GLCM。可从GLCM导出各种统计(例如,对比度、相关、能量或均质性)。
在一些实施方案中,使用不同主体的眼睛的数据集,产生各种GLCM统计描述符的大集合。对于每一兴趣区,产生在不同灰度级、定向、偏移、平铺块大小和图像尺度下的GLCM矩阵。对于每一组合,可针对每一平铺块且在不同角度处计算GLCM(能量、对比度、相关和均质性)的前述四个统计,且结果可串接成描述符向量(例如,产生且串接在角度(例如,0°、30°、60°、90°、120°和150°)的不同集合处的每一平铺块的四个GLCM统计)。对于不同灰度级、偏移、平铺块大小和图像尺度可重复此描述符向量提取过程。使用相似性度量(例如,相关或均方差)来比较真匹配和非匹配(来自相同眼睛的兴趣区对来自不同眼睛的兴趣区)的描述符向量。产生每一组合(用于比较真实和冒名顶替者匹配分数的不同图像尺度、偏移、灰度级和平铺块大小处的描述符向量)的ROC曲线,且挑出最佳特性(例如,具有最高ROC曲线下面积的特性)。如果存在不同配置下的多个良好描述符集合,那么其所得匹配分数可使用加权求和规则来融合。
在一些实施方案中,通过基于图像数据元素在图像区中的一者或一者以上中的信息理论统计(例如,熵、自相似度、分形维度)的所确定608的描述符中的一些来描述可见眼睛脉管系统。举例来说,图像的区(例如,平铺块)的熵可通过产生区内的图像数据元素值的直方图且如下计算此分布的熵来确定:
∑i[-i*ln(h(i))]
其中i为在可能图像数据元素水平上取用的索引,h(i)为在针对所述i水平的直方图的区间中的图像数据元素的计数,ln()为自然对数。在一些实施方案中,可使用盒计数算法(box counting algorithm)来确定一区中的脉管系统的分形维度。举例来说,在应用一组伽柏过滤器并对所得相位图像设阈值以产生所述区中的脉管系统的二进制化图像之后,可将盒计数分析应用于所述二进制化图像以确定脉管系统的分形维度。
在一些实施方案中,通过基于图像数据元素的一个或一个以上非卷积统计导数的所确定608描述符中的一些来局部地或全局地描述所述可见眼睛脉管系统。通过确定图像的小的区(例如,平铺块)中的数据图像元素的统计来局部地描述眼睛脉管系统。通过确定较大兴趣区(例如,在虹膜左方或虹膜右方的区域)或整个图像中的数据图像元件的统计来全局地描述眼睛脉管系统。举例来说,可确定608一区或图像中的图像数据元素值的均值或方差。
在一些实施方案中,通过应用非线性过滤器来确定608描述符。举例来说,可将受训练神经网络或其它非线性函数近似器应用于图像或图像的区(例如,平铺块)。
在一些实施方案中,将若干相异过滤器应用于图像区(例如,平铺块)中的每一者,且组合这些过滤器的输出以产生所述区的多个描述符。举例来说,可将应用于一区的多个伽柏过滤器的输出(例如,输出的每一图像数据元素的量值的平方)相加在一起以展现眼睛的眼白的明天系统特征的清晰图像,且可针对所述区的此经组合输出信号确定统计。
在一些实施方案中,基于有条件地应用于所获得图像的过滤器组的层叠的输出来确定608描述符。相对于图7和图8A到8B描述此过程的一些实例。
举例来说,可通过验证模块440、验证应用程序550、验证模块525或验证模块540来确定608描述符。
基于特征和来自参考记录的对应特征来确定610匹配分数。参考记录可包含至少部分基于在用户的登记或注册过程期间俘获的一个或一个以上参考图像的数据。在一些实施方案中,匹配分数可确定610为从一个或一个以上所获得图像提取的特征向量与来自参考记录的特征向量之间的距离(例如,欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离和延森-香农发散)。在一些实施方案中,可通过将从一个或一个以上所获得图像提取的特征和来自参考记录的特征输入到受训练函数近似器来确定610匹配分数。
所述函数近似器用一组模型参数对从输入数据(即,训练图像数据)到输出数据(即,所得匹配分数)的映射进行建模。使用应用于训练数据的训练算法来选择模型参数值。举例来说,函数近似器可基于以下模型:线性回归、沃尔泰拉级数(Volterra series)、维纳级数、径向基核函数、核方法(kernel method)、多项式方法、分段线性模型、神经网络、支持向量机,或混沌函数近似器。其它模型是可能的。
在一些实施方案中,确定610匹配分数可包含将所述区(例如,平铺块)中的每一者的相应描述符组合成所述区的相应向量,并将所述区的相应向量与从来自参考记录的图像的对应区的描述符导出的向量进行比较以产生所述区的类似度分数。可部分地基于一个或一个以上经分析区的类似度分数来确定匹配分数。
在一些实施方案中,基于相同脉管系统的多个图像的匹配分数来确定610基于质量的融合匹配分数。在一些实施方案中,多个图像的匹配分数通过将匹配分数一起与相应地取决于多个图像中的每一者所确定的质量分数的权重加权线性组合地相加来组合。可用以基于多个图像的相应质量分数组合多个图像的匹配分数的技术的其它实例包含分层混合、求和规则、乘积规则、闸控融合、德普斯特-沙佛组合和堆叠式推广以及其它者。
在一些实施方案中,由验证模块(例如,计算装置430上运行的验证模块440)确定610匹配分数。
可对匹配分数进行检查612以确定一个或一个以上所获得图像与参考记录之间的匹配是否存在。举例来说,匹配分数可与阈值进行比较。匹配可反映在一个或一个以上所获得图像中描绘其眼睛的用户与关联于参考记录的个体相同的高可能性。举例来说,可使用对应于从敏感度分析产生的三维接收器操作曲线的邻域中的点的稳健阈值。
如果不存在匹配,那么可拒绝614用户。结果,可不允许用户访问安全装置或服务(例如,安全装置450或安全交易装置523)。在一些实施方案中,可通过显示器上展示或通过扬声器播放的消息通知用户所述拒绝614。在一些实施方案中,可通过经由网络传输反映被拒绝的用户的状态的消息来影响拒绝。举例来说,验证模块540在拒绝用户530之后可随即使用服务器系统514的网络接口将拒绝消息传输到安全交易服务器523。验证模块540在此情形下还可将拒绝消息发送到用户计算装置510。
如果存在匹配,那么可接受616用户。结果,可准许用户访问安全装置或服务(例如,安全装置450或安全交易装置523)。在一些实施方案中,可通过显示器上展示或通过扬声器播放的消息通知用户所述接受616。在一些实施方案中,可通过经由网络传输反映被接受的用户的状态的消息来影响接受。举例来说,验证模块540在接受用户530之后可随即使用服务器系统514的网络接口将接受消息传输到安全交易服务器523。验证模块540在此情形下还可将接受消息发送到用户计算装置510。
图7是用于确定眼睛的一个或一个以上图像的匹配分数的实例过程700的流程图。将处于一系列分辨率尺度中的每一者下的若干组伽柏过滤器应用704于一个或一个以上图像,包含眼睛的眼白上的兴趣区的图像。基于过滤器输出确定706描述符,且通过比较所述描述符与来自参考记录的对应描述符来确定部分匹配分数。在每一分辨率水平下,针对高置信度接受或高置信度拒绝来检查所述匹配分数以确定所述部分分数将被返回为最终匹配分数还是在次高分辨率尺度下应用下一组伽柏过滤器。重复此过程,直到高置信度匹配分数出现或已应用伽柏过滤器的最高可用分辨率。
举例来说,可由图4的计算装置430中的验证模块440来实施过程700。在一些实施方案中,计算装置430为包含经配置以执行过程700的动作的一个或一个以上处理器的数据处理设备。举例来说,数据处理设备可为计算装置(例如,如图9中所说明)。在一些实施方案中,过程700可全部或部分由验证应用程序550实施,验证应用程序550由用户计算装置(例如,计算装置510)执行。举例来说,用户计算装置可为移动计算装置(例如,图9的移动计算装置950)。在一些实施方案中,过程700可全部或部分由验证模块540实施,验证模块540由用户服务器系统(例如,服务器系统514)执行。在一些实施方案中,服务器系统514为包含经配置以执行过程700的动作的一个或一个以上处理器的数据处理设备。举例来说,数据处理设备可为计算装置(例如,如图9中所说明)。在一些实施方案中,计算机可读媒体可包含指令,所述指令在由计算装置(例如,计算机系统)执行时致使装置执行处理器700的动作。
选择702具有低分辨率尺度的第一组伽柏过滤器以用于从包含眼睛的眼白的视图的一个或一个以上视图提取描述符。伽柏过滤器具有用以对输入图像进行卷积的复数核。伽柏核的实部由下式给出:
且虚部由下式给出
其中x与y为图像像素坐标,λ为空间频率,θ为核定向,σ为核展度(标准差),且γ为空间纵横比,且
x′=x*cosθ+y*sinθ
y′=-x*sinθ+y*cosθ
伽柏过滤器的分辨率尺度主要由核展度(σ)参数控制。在一些实施方案中,选择第一组伽柏过滤器,其中θ={0°,30°,60°,90°,120°,150°},σ=20个像素,λ=6;且γ=1。可选择伽柏过滤器参数以匹配用以导出参考记录中存储的描述符的对应伽柏过滤器。
频率的选择可取决于脉管之间的距离,其又取决于分辨率和图像获取系统与主体之间的距离。对于图像,这些参数可为不变的。举例来说,可针对在远离眼睛6到12厘米的距离处使用特定传感器(例如,智能手机上的后部相机)俘获的眼睛图像得出核参数,且经分段的巩膜区可重调大小为(例如,401×501像素)的分辨率以用于分析。可见眼睛表面脉管系统可散布在眼睛的眼白上的所有方向上。
将选定组伽柏过滤器应用704于已选定用于通过分段进行分析的图像中的区中的每一者。举例来说,可将一个或一个以上图像编码为图像数据元素(例如,像素、体元、射线或红、绿或蓝通道值)的二维、三维或四维阵列。如上所述,可通过识别所获得图像中的兴趣区(例如,在虹膜左方或右方的眼睛的眼白区域)且进一步将这些兴趣区分段成称为平铺块的较小区来对图像进行分段。在一些实施方案中,使用伽柏过滤器分析平铺块,且从对应于每一平铺块的过滤器输出导出描述符。可通过用输入图像或来自输入图像的每一平铺块或其它选定区对每一伽柏核进行卷积来应用704所述过滤器。在一些实施方案中,可通过将输入图像的频域表示与伽柏核相乘且接着将结果变换回到空间域来执行卷积运算。举例来说,可由验证模块或应用程序(例如,验证模块440)来应用704伽柏过滤器。
针对图像的每一选定区从伽柏过滤器的输出确定706描述符。伽柏过滤器的输出可为复数。在一些实施方案中,伽柏过滤器输出的平铺块中的图像数据元素的平均或中值量值被取为描述符。在一些实施方案中,伽柏过滤器输出的平铺块中的图像数据元素的平均或中值相位被取为描述符。在一些实施方案中,每一平铺块或其它选定区的描述符集合经组合以形成描述符的向量。描述符的向量可描述特征空间中的可见眼睛脉管系统。举例来说,可由验证模块或应用程序(例如,验证模块440)来确定706描述符。
基于低分辨率尺度(已被处理至此程度)的描述符的子集确定708部分匹配分数,且对应描述符形成参考记录。在第一迭代中,将来自最低分辨率尺度过滤器的描述符与来自参考记录的对应描述符进行比较。在每一接连迭代中,将针对次高分辨率尺度过滤器的额外描述符连同来自参考文件的其对应描述符添加到分析。在一些实施方案中,在每一迭代处扩展描述符向量中的元素的数目,且将描述符向量与来自参考记录的对应描述符向量进行比较。可通过使用与针对所确定描述符向量中的对应描述符的平铺块共同注册(即,对应于眼睛的眼白的相同局部区域,位置是相对于虹膜或其它界标而指定)的平铺块的描述符来从可能较大组的所存储描述符中选择来自参考记录的向量的元素。在一些实施方案中,部分匹配分数可确定708为从图像提取的描述符的所确定向量与来自参考记录的描述符的向量之间的距离(例如,欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离和延森-香农发散)。在一些实施方案中,可通过将所确定的描述符向量与来自参考记录的描述符向量输入到受训练函数近似器来确定807部分匹配分数。
可使用对应于与参考记录相关联的经注册个体及已正确地标记以提供所要输出信号(反映是否存在与参考记录的品牌)的其它未经注册个体的眼睛的训练图像的数据来训练函数近似器。所述函数近似器用一组模型参数对从输入数据(即,训练图像描述符)到输出数据(即,部分匹配分数)的映射进行建模。使用应用于训练数据的训练算法来选择模型参数值。举例来说,函数近似器可基于以下模型:线性回归、沃尔泰拉级数(Volterraseries)、维纳级数、径向基核函数、核方法(kernel method)、多项式方法、分段线性模型、神经网络、支持向量机,或混沌函数近似器。
在一些实施方案中,对照来自参考记录的多个替代描述符向量来比较所确定的描述符向量,且使用平均或最佳部分匹配分数。
举例来说,可由验证模块或应用程序(例如,验证模块440)来确定708部分匹配分数。
可针对高置信度拒绝来检查710所述部分匹配分数。在一些实施方案中,将部分匹配分数与对应于拒绝用户的高置信度水平或用户与参考记录之间的极低匹配可能性的阈值(例如,0.3)进行比较。举例来说,可将阈值设置为使用分类器(使用针对选定描述符的训练数据产生)在0错误拒绝点下的接收器操作特性(ROC)曲线上的操作点获得的值。如果部分匹配分数比阈值糟,那么返回712部分匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来拒绝用户。
在一些实施方案中,可容忍较高错误可能性,且可使用对应于非零但可接受的小错误水平的ROC曲线上的不同点获得阈值。
否则,可针对高置信度接受来检查714所述部分匹配分数。在一些实施方案中,将部分匹配分数与对应于接受用户的高置信度水平或用户与参考记录之间的极高匹配可能性的阈值(例如,0.65)进行比较。举例来说,可将阈值设置为使用分类器(使用针对选定描述符的训练数据产生)在0错误接受点下的ROC曲线上的操作点获得的值。如果部分匹配分数比阈值好,那么返回712部分匹配分数,且可由呼叫过程使用所述部分匹配分数来接受用户。
否则,如果716仍要将较高分辨率尺寸伽柏过滤器应用于图像,那么选择718一组次高分辨率尺度伽柏过滤器。举例来说,平均分辨率尺度可对应于σ={20,10,5,2.5}个像素。伽柏过滤器的其它参数也可变化。接着在处理700的下一迭代中应用704下一组选择的伽柏过滤器。
如果716较高分辨率尺度伽柏过滤器不可用(即,在参考记录中不存在对应描述符数据),那么返回720最后部分匹配分数作为匹配分数(可能在转变为不同尺度之后),且可有呼叫过程使用所述部分匹配分数来接受或拒绝用户。
图8A和8B是用于确定眼睛的一个或一个以上图像的匹配分数的实例过程800的流程图。所述实例过程应用有条件地执行的三层滤波器层叠来基于从过滤器输出导出的描述符确定匹配分数。举例来说,可由验证模块或应用程序(例如,验证模块440)来实施过程800。
检索802一个或一个以上图像的绿色分量。所述绿色分量可对于眼睛的眼白的脉管系统展现特别高的对比度水平。图像可能先前已分段以识别一个或一个以上兴趣区(即,在虹膜左方和右方的眼睛的眼白区域)。提取这些兴趣区中的绿色分量,并将其传递到第一级过滤器组。
将复数伽柏过滤器组应用804于所述兴趣区中的绿色图像。可通过用输入图像对每一伽柏核进行卷积来应用804所述过滤器。在一些实施方案中,可通过将输入图像的频域表示与伽柏核相乘且接着将结果变换回到空间域来执行卷积运算。在一些实施方案中,使用六个伽柏过滤器,每一伽柏过滤器具有不同核定向θ。举例来说,可将θ={0°,30°,60°,90°,120°,150°}、σ=2.5个像素、λ=6且γ=1的伽柏过滤器应用804于图像中的兴趣区。在一些实施方案中,使用反正切函数来针对每一图像数据元素(例如,每一像素)确定复数滤波器输出的相位。
将所得相位图像中的兴趣区806平铺成小的子区。举例来说,可将对应于在虹膜左方的眼睛的眼白的兴趣区平铺806成布置为8乘10栅格的80个平铺块,其中每一平铺块可为50像素乘50像素。在一些实施方案中,可消除靠近暴露的巩膜区域的边缘的这些平铺块中的一些。举例来说,可丢弃具有少于巩膜区内的其图像数据元素的80%的平铺块。在一些情况下,可依据眩光或睫毛假影来排除平铺块区域的部分,所述假影如果足够严重可能导致平铺块被消除。
接着对平铺式相位图像的相位设阈值808以将相位图像转换为二进制图像(即,数据元素采用两个可能值中的一者的图像)。伽柏过滤的图像的相位可在–π到+π弧度范围内变化。举例来说,高于0.25及低于-0.25弧度的相位值可对应于脉管结构。为了使用取阈值来二进制化相位图像,高于0.25或低于-0.25的相位的所有值可设定为1,且剩余值设定为0。这可导致对应相位图像中的尖锐脉管系统结构。可针对由不同角度处的所有六个伽柏核的应用程序产生的图像执行此操作。
基于来自伽柏过滤器中的每一者的二进制化经过滤相位图像来确定810描述符的向量。由兴趣区的区域划分的二进制化图像区域(例如,平铺块)的所有1的总和可反映可见脉管系统的程度。在一些实施方案中,每一平铺块中的二进制化图像数据元素值的均值可被取为描述符。可组合每一平铺块的均值集合以形成描述符向量。举例来说,单只眼睛的图像可包含两个兴趣区(例如,虹膜的左方和右方),每一兴趣区具有六个定向角(θ),每一兴趣区具有80个平铺块(8x10栅格),从而导致具有960个元素或描述符的描述符向量。
通过将所确定的描述符向量与来自参考记录的参考描述符向量进行比较来确定812匹配分数。可通过使用与针对所确定描述符向量中的对应描述符的平铺块共同注册(即,对应于眼睛的眼白的相同局部区域,位置是相对于虹膜或其它界标而指定)的平铺块的描述符来从可能较大组的所存储描述符中选择来自参考记录的向量的元素。在一些实施方案中,匹配分数可确定812为从图像提取的描述符的所确定向量与来自参考记录的描述符的向量之间的距离(例如,欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离和延森-香农发散)。在一些实施方案中,可通过将所确定的描述符向量与来自参考记录的描述符向量输入到受训练函数近似器来确定812匹配分数。在一些实施方案中,对照来自参考记录的多个替代描述符向量来比较所确定的描述符向量,且使用平均或最佳匹配分数。
可针对高置信度拒绝来检查814此第一匹配分数。在一些实施方案中,将第一匹配分数与对应于拒绝用户的高置信度水平或用户与参考记录之间的极低匹配可能性的阈值(例如,0.3)进行比较。举例来说,可将阈值设置为使用分类器(使用针对层叠的第一层的训练数据产生)在0错误拒绝点下的接收器操作特性(ROC)曲线上的操作点获得的值。如果第一匹配分数比阈值糟,那么返回816第一匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来拒绝用户。
否则,可针对高置信度接受来检查818所述第一匹配分数。在一些实施方案中,将第一匹配分数与对应于接受用户的高置信度水平或用户与参考记录之间的极高匹配可能性的阈值(例如,0.65)进行比较。举例来说,可将阈值设置为使用分类器(使用针对层叠的第一层的训练数据产生)在0错误接受点下的ROC曲线上的操作点获得的值。如果第一匹配分数比阈值好,那么返回816第一匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来接受用户。否则,应用过滤器的有条件执行的层叠的第二层。
在此实例中,第二层使用对相同的绿色分量输入图像操作的相同伽柏过滤器,因此可重新使用先前确定的经过滤相位图像。一般来说,可在层叠的每一层处使用不同过滤器组。
在层叠的第二层处,基于尚未经二进制化(即,图像数据元素采用两个以上可能值)的经过滤相位图像来确定830第二描述符向量。针对每一兴趣区的每一过滤器输出的每一平铺块通过确定平铺块内的相位值的均值来确定描述符。从用于这些平铺块中的每一者的描述符集合形成第二描述符向量。
通过将所确定的描述符向量与来自参考记录的参考描述符向量进行比较来确定832第二匹配分数。可通过使用与针对所确定描述符向量中的对应描述符的平铺块共同注册(即,对应于眼睛的眼白的相同局部区域,位置是相对于虹膜或其它界标而指定)的平铺块的描述符来从可能较大组的所存储描述符中选择来自参考记录的向量的元素。在一些实施方案中,第二匹配分数可确定812为从图像提取的描述符的所确定向量与来自参考记录的描述符的向量之间的距离(例如,欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离和延森-香农发散)。在一些实施方案中,可通过将所确定的描述符向量与来自参考记录的描述符向量输入到受训练函数近似器来确定832第二匹配分数。在一些实施方案中,对照来自参考记录的多个替代描述符向量来比较所确定的描述符向量,且使用平均或最佳匹配分数。
可针对高置信度拒绝来检查834所述第二匹配分数。在一些实施方案中,将第二匹配分数与对应于拒绝用户的高置信度水平或用户与参考记录之间的极低匹配可能性的阈值(例如,0.45)进行比较。举例来说,可将阈值设置为使用分类器(使用针对层叠的第二层的训练数据产生)在0错误拒绝点下的ROC曲线上的操作点获得的值。如果第二匹配分数比阈值糟,那么返回836第二匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来拒绝用户。
否则,可针对高置信度接受来检查838所述第二匹配分数。在一些实施方案中,将第二匹配分数与对应于接受用户的高置信度水平或用户与参考记录之间的极高匹配可能性的阈值(例如,0.8)进行比较。举例来说,可将阈值设置为使用分类器(使用针对层叠的第二层的训练数据产生)在0错误接受点下的ROC曲线上的操作点获得的值。如果第二匹配分数比阈值好,那么返回816第二匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来接受用户。否则,应用过滤器的有条件执行的层叠的第三层。
现参考图8B,将CLAHE过滤应用850于所获得图像中的兴趣区的绿色分量。将经增强的绿色图像平铺852成小的子区。举例来说,可将对应于在虹膜左方的眼睛的眼白的兴趣区平铺806成布置为8乘10栅格的80个平铺块,其中每一平铺块可为50像素乘50像素。在一些实施方案中,可消除靠近暴露的巩膜区域的边缘的这些平铺块中的一些。举例来说,可丢弃具有少于巩膜区内的其图像数据元素的80%的平铺块。在一些情况下,可依据眩光或睫毛假影来排除平铺块区域的部分,所述假影如果足够严重可能导致平铺块被消除。
基于所述经增强的绿色图像来确定854描述符向量。平铺块中的经增强绿色图像的平均强度可反映所述平铺块中的可见脉管系统的范围。在一些实施方案中,每一平铺块中的图像数据元素值的均值可被取为描述符。可组合每一平铺块的均值集合以形成描述符向量。举例来说,单只眼睛的图像可包含两个兴趣区(例如,虹膜的左方和右方),每一兴趣区具有80个平铺块(8x10栅格),从而导致具有160个元素或描述符的描述符向量。
通过将所确定的描述符向量与来自参考记录的参考描述符向量进行比较来确定856第三匹配分数。可通过使用与针对所确定描述符向量中的对应描述符的平铺块共同注册(即,对应于眼睛的眼白的相同局部区域,位置是相对于虹膜或其它界标而指定)的平铺块的描述符来从可能较大组的所存储描述符中选择来自参考记录的向量的元素。在一些实施方案中,第三匹配分数可确定856为从图像提取的描述符的所确定向量与来自参考记录的描述符的向量之间的距离(例如,欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离和延森-香农发散)。在一些实施方案中,可通过将所确定的描述符向量与来自参考记录的描述符向量输入到受训练函数近似器来确定856第三匹配分数。
可针对高置信度拒绝来检查858所述第三匹配分数。在一些实施方案中,将第三匹配分数与对应于拒绝用户的高置信度水平或用户与参考记录之间的极低匹配可能性的阈值(例如,0.82)进行比较。举例来说,可将阈值设置为使用分类器(使用针对层叠的第三层的训练数据产生)在0错误拒绝点下的ROC曲线上的操作点获得的值。如果第三匹配分数比阈值糟,那么返回860第三匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来拒绝用户。在一些实施方案中,对照来自参考记录的多个替代描述符向量来比较所确定的描述符向量,且使用平均或最佳匹配分数。
否则,可针对高置信度接受来检查862所述第三匹配分数。在一些实施方案中,将第三匹配分数与对应于接受用户的高置信度水平或用户与参考记录之间的极高匹配可能性的阈值(例如,0.86)进行比较。举例来说,可将阈值设置为使用分类器(使用针对层叠的第三层的训练数据产生)在0错误接受点下的ROC曲线上的操作点获得的值。如果第三匹配分数比阈值好,那么返回860第三匹配分数(可能在转变为不同尺度之后),且可由呼叫过程使用所述部分匹配分数来接受用户。
否则,请求864额外图像,将过滤器的有条件地执行的层叠的第一层应用于所述额外图像。在一些实施方案中,可能先前已俘获额外图像,且从呼叫过程或远程装置(例如,用户计算装置510)检索所述额外图像。在一些实施方案中,可通过提示用户(例如,使用显示器424)经由传感器(例如,光传感器420)来提交更多图像来俘获额外图像。
在未展示的一些实施方案中,过滤器的条件性层叠可包含具有不同过滤器的额外层,其中每一层在用于所述级的ROC曲线上使用设置为0错误拒绝和0错误接受的置信度阈值。
图9展示通用计算机装置900和通用移动计算装置950的实例,其可与此处所描述的技术一起使用。意欲计算装置900表示各种形式的数字计算机,例如膝上型计算机、桌上型计算机、工作站、个人数字助理、服务器、刀片服务器、大型机和其它适当计算机。意欲计算装置950表示各种形式的移动装置,例如个人数字助理、蜂窝式电话、智能手机和其它类似计算装置。此处所展示的组件、其连接及关系以及其功能意谓仅示范性的,且不意谓限制本文件中所描述和/或主张的本发明的实施方案。
计算装置900包含处理器902、存储器904、存储装置906、连接到存储器904和高速扩展端口910的高速接口908以及连接到低速总线914和存储装置906的低速接口912。组件902、904、906、908、910和912中的每一者使用各种总线互连,且可安装在共同母板上或以其它适当方式安装。处理器902可处理计算装置900内的用于执行的指令,包含存储于存储器904中或存储于存储装置906上的指令以将GUI的图形信息显示在外部输入/输出装置(例如耦合到高速接口908的显示器916)上。在其它实施方案中,可在适当时与多个存储器和存储器类型一起使用多个处理器和/或多个总线。而且,可连接多个计算装置900,其中每一装置提供必要操作的部分(例如,作为服务器组、一群刀片服务器或多处理器系统)。
存储器904将信息存储在计算装置900内。在一个实施方案中,存储器904为一个或一个以上易失性存储器单元。在另一实施方案中,存储器904为一个或一个以上非易失性存储器单元。存储器904还可为另一形式的计算机可读媒体,例如磁盘或光盘。
存储装置906能够提供用于计算装置900的大量存储。在一个实施方案中,存储装置906可为或含有计算机可读媒体,例如软盘装置、硬盘装置、光盘装置或磁带装置、闪存存储器或其它类似固态存储器装置,或包含存储区域网络中的装置或其它配置的装置阵列。计算机程序产品可有形地体现于信息载体中。计算机程序产品还可含有指令,所述指令在执行时执行一个或一个以上方法,例如上文所描述的方法。举例来说,信息载体为计算机或机器可读媒体,例如存储器904、存储装置906或处理器902上的存储器。
高速控制器908管理计算装置900的宽带密集操作,而低速控制器912管理较低宽带密集操作。功能的此分配仅为示范性的。在一个实施方案中,高速控制器908耦合到存储器904、显示器916(例如,通过图形处理器或加速器),耦合到高速扩展端口910,其可接受各种扩展卡(未图示)。在实施方案中,低速控制器912耦合到存储装置906和低速扩展端口914。可包含各种通信端口(例如,USB、蓝牙、以太网、无线以太网)的低速扩展端口可(例如)通过网络适配器,耦合到一个或一个以上输入/输出装置,例如键盘、定位装置、扫描仪或网络连接装置,例如交换器或路由器。
如图中所展示,计算装置900可以多种不同形式实施。举例来说,计算装置900可实施为标准服务器920或多次实施于一群此等服务器中。计算装置900还可实施为机架式服务器系统924的部分。另外,计算装置900可实施于例如膝上型计算机922等个人计算机中。或者,来自计算装置900的组件可与移动装置(未图示)中的其它组件(例如,装置950)组合。此等装置中的每一者可含有计算装置900、950中的一者或一者以上,且整个系统可由彼此通信的多个计算装置900、950组成。
计算装置950包含处理器952、存储器964、例如显示器954、通信接口966和收发器968等输入/输出装置以及其它组件。装置950还可具备例如微型硬盘或其它装置等存储装置以提供额外存储。组件950、952、964、954、966和968中的每一者使用各种总线互连,且组件中的若干者可安装在共同母板上或以其它适当方式安装。
处理器952可执行计算装置950内的指令,包含存储于存储器964中的指令。处理器可实施为包含单独和多个模拟和数字处理器的芯片的芯片组。举例来说,处理器可提供装置950的其它组件的协调,例如用户接口的控制、由装置950执行的应用程序以及由装置950进行的无线通信。
处理器952可与用户通过控制接口958和耦合到显示器954的显示器接口956通信。举例来说,显示器954可为TFT LCD(薄膜晶体管液晶显示器)或OLED(有机发光二级管)显示器或其它适当显示技术。显示器接口956可包括用于驱动显示器954将图形和其它信息呈现给用户的适当电路。控制接口958可从用户接收命令,且对其进行转换以提交到处理器952。另外,可提供与处理器952通信的外部接口962,以便使得装置950能够与其它装置进行附近区域通信。举例来说,外部接口962在一些实施方案中可提供有线通信,或在其它实施方案中提供无线通信,且还可使用多个接口。
存储器964将信息存储在计算装置950内。存储器964可实施为一个或一个以上计算机可读媒体、一个或一个以上易失性存储器单元或一个或一个以上非易失性存储器单元中的一者或一者以上。还可提供扩展存储器974,且其通过扩展接口972连接到装置950,扩展接口972可包含(例如)SIMM(单列直插式存储器模块)卡接口。此扩展存储器974可提供用于装置950的额外存储空间,或还可存储用于装置950的应用程序或其它信息。具体来说,扩展存储器974可包含进行或补充上文所描述的过程的指令,且还可包含安全信息。因此,(例如)可提供扩展存储器974作为装置950的安全模块,且可用准许安全使用装置950的指令来编程。另外,可通过SIMM卡来提供安全应用程序以及额外信息,例如以不可控方式将识别信息置放在SIMM卡上。
举例来说,存储器可包含闪存存储器和/或NVRAM存储器,如下文所论述。在一个实施方案中,计算机程序产品有形地体现于信息载体中。计算机程序产品含有指令,所述指令在执行时执行一个或一个以上方法,例如上文所描述的方法。信息载体为计算机或机器可读媒体,例如存储器964、扩展存储器974、处理器952上的存储器或可(例如)经由收发器968或外部接口962接收的传播信号。
装置950可经由通信接口966进行无线通信,通信接口966在必要时可包含数字信号处理电路。通信接口966可提供在各种模式或协议(例如,GSM语音呼叫、SMS、EMS或MMS消息接发、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS以及其它协议)下的通信。此通信可(例如)经由无线电频率收发器968而发生。另外,可例如使用蓝牙、WiFi或其它此种收发器(未图示)来发生短程通信。另外,GPS(全球定位系统)接收器模块970可将额外导航和位置相关无线数据提供到装置950,所述无线数据可在适当时由运行于装置950上的应用程序使用。
装置950还可使用音频编解码器960以听觉方式通信,音频编解码器960可从用户接收口头信息,且将其转换成可用的数字信息。音频编解码器960同样可(例如,通过(例如)装置950的手持机中的扬声器)产生用户的可听到的声音。此声音可包含来自语音电话呼叫的声音,可包含记录的声音(例如,语音消息、音乐文件等),且还可包含由操作于装置950上的应用程序产生的声音。
如图中所展示,计算装置950可以多种不同形式实施。举例来说,计算装置950可实施为蜂窝式电话980。计算装置950还可实施为智能手机982、个人数字助理或其它类似移动装置的部分。
此处所描述的系统和技术的各种实施方案可在数字电子电路、集成电路、特别设计的ASIC(专用集成电路)、计算机硬件、固件、软件和/或其组合中实现。这些各种实施方案可包含可编程系统上可执行和/或可解释的一个或一个以上计算机程序中的实施方案,所述可编程系统包含至少一可编程处理器,所述可编程处理器可出于专用或通用目的经耦合以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令,且将数据和指令传输到存储系统、至少一个输入装置和至少一个输出装置。
这些计算机程序(也被称作程序、软件、软件应用程序或代码)包含用于可编程处理器的机器指令,且可以高阶程序和/或面向对象编程语言和/或以汇编/机器语言来实施。如本文中所使用,术语机器可读媒体摂和计算机可读媒体摂指代用以将机器指令和/或数据提供到可编程处理器的任何计算机程序产品、设备和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包含接收机器指令作为机器可读信号的机器可读媒体。术语机器可读信号摂指代用以将机器指令和/或数据提供到可编程处理器的任何信号。
为了提供与用户的交互,此处所描述的系统和技术可实施于计算机上,所述计算机具有用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)以及用户可将输入提供到计算机的键盘及定位装置(例如,鼠标或跟踪球)。也可使用其它种类的装置来提供与用户的交互,例如,提供到用户的反馈可为任何形式的感觉反馈(例如,视觉反馈、听觉反馈,或触觉反馈);且来自用户的输入可以任何形式接收,包含声学输入、话音或触觉输入。
此处所描述的系统和技术可实施于计算系统中,所述计算系统包含后端组件(例如,作为数据服务器),或包含中间件组件(例如,应用程序服务器),或包含前端组件(例如,具有图像用户接口的客户端计算机或用户可借以与此处描述的系统和技术的实施交互的网页浏览器),或此后端组件、中间件组件或前端组件之任何组合。可通过任何形式的数字数据通信或任何数字数据通信媒体(例如,通信网络)来互连系统的组件。通信网络的实例包含局域网(“LAN”)、广域网(“WAN”)和因特网。
计算系统可包含客户端和服务器。客户端与服务器通常在彼此远端,且通常经由通信网络交互。客户端与服务器的关系藉助于在相应计算机上运行且彼此具有客户端-服务器关系的计算机程序而发生。
已描述了若干实施例。然而,应理解,可在不脱离本发明的精神和范围的情况下进行各种修改。
另外,图中所描绘的逻辑流程并不需要所展示的特定次序或循序次序来实现所要结果。另外,可提供其它步骤,或可从所描述流程消除多个步骤,且可将其它组件添加到所描述系统,或从所描述系统移除其它组件。因此,其它实施例属于所附权利要求书的范围内。
Claims (27)
1.一种用于生物特征验证的方法,其包括:
获得眼睛的第一图像的一个或多个第一图像区,其中所述第一图像区中的每一者包含在所述眼睛的脉管系统的相应部分的视图;
使用训练算法和从应用于眼睛图像的过滤器导出的描述符训练分类器;
基于从所述分类器的敏感性分析产生的接收器操作特性曲线的错误拒绝点或错误接受点确定被训练的分类器的置信度阈值;以及
直到分数超过所述置信度阈值,逐渐地增加过滤器分辨率,且按照以下步骤基于所述过滤器分辨率计算所述分数:
将具有所述过滤器分辨率的多个过滤器应用于所述第一图像区以产生过滤器输出;
从所述过滤器输出导出多个第一描述符;
界定从眼睛的第二图像的第二图像区导出的多个第二描述符,所述第二图像区包括与针对所述多个第一描述符中的对应描述符的所述第一图像区共同注册的区域;以及
将所述多个第一描述符和至少所述多个第二描述符的子集作为输入提供至所述分类器并将所述分类器的输出获取为所述分数。
2.根据权利要求1所述的方法,其中应用所述多个过滤器包括用所述第一图像区来卷积所述过滤器以产生所述过滤器输出。
3.根据权利要求2所述的方法,其中用所述第一图像区来卷积所述过滤器包括将所述第一图像区的频域表示与所述过滤器的核相乘且接着将结果变换到空间域来产生所述过滤器输出。
4.根据权利要求1所述的方法,其中所述过滤器为伽柏过滤器。
5.根据权利要求4所述的方法,其中所述过滤器中的每一者具有不同的定向。
6.根据权利要求1所述的方法,其中所述多个第一描述符中的一个为所述过滤器输出的一部分的图像数据元素的平均或中值量值。
7.根据权利要求1所述的方法,其中所述多个第一描述符中的一个为所述过滤器输出的一部分的图像数据元素的平均或中值相位。
8.根据权利要求1所述的方法,其中基于所述多个第一描述符和所述至少所述多个第二描述符的子集之间的距离计算所述分数。
9.根据权利要求8所述的方法,其中所述距离为欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离或延森-香农发散。
10.一种用于生物特征验证的系统,其包括:
被编程以执行包括以下操作的数据处理设备:
获得眼睛的第一图像的一个或多个第一图像区,其中所述第一图像区中的每一者包含在所述眼睛的脉管系统的相应部分的视图;
使用训练算法和从应用于眼睛图像的过滤器导出的描述符训练分类器;
基于从所述分类器的敏感性分析产生的接收器操作特性曲线的错误拒绝点或错误接受点确定被训练的分类器的置信度阈值;
直到分数超过所述置信度阈值,逐渐地增加过滤器分辨率,且按照以下步骤基于所述过滤器分辨率计算所述分数:
将具有所述过滤器分辨率的多个过滤器应用于所述第一图像区以产生过滤器输出;
从所述过滤器输出导出多个第一描述符;
界定从眼睛的第二图像的第二图像区导出的多个第二描述符,所述第二图像区包括与针对所述多个第一描述符中的对应描述符的所述第一图像区共同注册的区域;以及
将所述多个第一描述符和至少所述多个第二描述符的子集作为输入提供至所述分类器并将所述分类器的输出获取为所述分数。
11.根据权利要求10所述的系统,其中应用所述多个过滤器包括用所述第一图像区来卷积所述过滤器以产生所述过滤器输出。
12.根据权利要求11所述的系统,其中用所述第一图像区来卷积所述过滤器包括将所述第一图像区的频域表示与所述过滤器的核相乘且接着将结果变换到空间域来产生所述过滤器输出。
13.根据权利要求10所述的系统,其中所述过滤器为伽柏过滤器。
14.根据权利要求13所述的系统,其中所述过滤器中的每一者具有不同的定向。
15.根据权利要求10所述的系统,其中所述多个第一描述符中的一个为所述过滤器输出的一部分的图像数据元素的平均或中值量值。
16.根据权利要求10所述的系统,其中所述多个第一描述符中的一个为所述过滤器输出的一部分的图像数据元素的平均或中值相位。
17.根据权利要求10所述的系统,其中基于所述多个第一描述符和所述至少所述多个第二描述符的子集之间的距离计算所述分数。
18.根据权利要求17所述的系统,其中所述距离为欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离或延森-香农发散。
19.一种非暂时性计算机可读媒体,其存储指令,所述指令在由数据处理设备执行时致使所述数据处理设备执行操作,所述操作包括:
获得眼睛的第一图像的一个或多个第一图像区,其中所述第一图像区中的每一者包含在所述眼睛的脉管系统的相应部分的视图;
使用训练算法和从应用于眼睛图像的过滤器导出的描述符训练分类器;
基于从所述分类器的敏感性分析产生的接收器操作特性曲线的错误拒绝点或错误接受点确定被训练的分类器的置信度阈值;
直到分数超过所述置信度阈值,逐渐地增加过滤器分辨率,且按照以下步骤基于所述过滤器分辨率计算所述分数:
将具有所述过滤器分辨率的多个过滤器应用于所述第一图像区以产生过滤器输出;
从所述过滤器输出导出多个第一描述符;
界定从眼睛的第二图像的第二图像区导出的多个第二描述符,所述第二图像区包括与针对所述多个第一描述符中的对应描述符的所述第一图像区共同注册的区域;以及
将所述多个第一描述符和至少所述多个第二描述符的子集作为输入提供至所述分类器并将所述分类器的输出获取为所述分数。
20.根据权利要求19所述的非暂时性计算机可读媒体,其中应用所述多个过滤器包括用所述第一图像区来卷积所述过滤器以产生所述过滤器输出。
21.根据权利要求20所述的非暂时性计算机可读媒体,其中用所述第一图像区来卷积所述过滤器包括将所述第一图像区的频域表示与所述过滤器的核相乘且接着将结果变换到空间域来产生所述过滤器输出。
22.根据权利要求19所述的非暂时性计算机可读媒体,其中所述过滤器为伽柏过滤器。
23.根据权利要求22所述的非暂时性计算机可读媒体,其中所述过滤器中的每一者具有不同的定向。
24.根据权利要求19所述的非暂时性计算机可读媒体,其中所述多个第一描述符中的一个为所述过滤器输出的一部分的图像数据元素的平均或中值量值。
25.根据权利要求19所述的非暂时性计算机可读媒体,其中所述多个第一描述符中的一个为所述过滤器输出的一部分的图像数据元素的平均或中值相位。
26.根据权利要求19所述的非暂时性计算机可读媒体,其中基于所述多个第一描述符和所述至少所述多个第二描述符的子集之间的距离计算所述分数。
27.根据权利要求26所述的非暂时性计算机可读媒体,其中所述距离为欧几里德距离、相关系数、改进豪斯多夫距离、马氏距离、布雷格曼发散、余弦相似度、库尔贝克-莱布勒距离或延森-香农发散。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/572,188 | 2012-08-10 | ||
US13/572,188 US8369595B1 (en) | 2012-08-10 | 2012-08-10 | Texture features for biometric authentication |
CN201310276024.5A CN103390153B (zh) | 2012-08-10 | 2013-07-02 | 用于生物特征验证的纹理特征的方法和系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310276024.5A Division CN103390153B (zh) | 2012-08-10 | 2013-07-02 | 用于生物特征验证的纹理特征的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787454A CN105787454A (zh) | 2016-07-20 |
CN105787454B true CN105787454B (zh) | 2019-12-20 |
Family
ID=47604638
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610115192.XA Active CN105787454B (zh) | 2012-08-10 | 2013-07-02 | 用于生物特征验证的方法和系统 |
CN201310276024.5A Active CN103390153B (zh) | 2012-08-10 | 2013-07-02 | 用于生物特征验证的纹理特征的方法和系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310276024.5A Active CN103390153B (zh) | 2012-08-10 | 2013-07-02 | 用于生物特征验证的纹理特征的方法和系统 |
Country Status (7)
Country | Link |
---|---|
US (4) | US8369595B1 (zh) |
EP (1) | EP2883190B1 (zh) |
KR (1) | KR101309889B1 (zh) |
CN (2) | CN105787454B (zh) |
ES (1) | ES2959438T3 (zh) |
HK (1) | HK1189685A1 (zh) |
WO (1) | WO2014025445A1 (zh) |
Families Citing this family (81)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010129074A1 (en) * | 2009-01-14 | 2010-11-11 | Indiana University Research & Technology Corporation | System and method for identifying a person with reference to a sclera image |
TWI543116B (zh) * | 2011-04-26 | 2016-07-21 | 國立成功大學 | 影像區塊合併方法 |
US8369595B1 (en) | 2012-08-10 | 2013-02-05 | EyeVerify LLC | Texture features for biometric authentication |
US8483450B1 (en) | 2012-08-10 | 2013-07-09 | EyeVerify LLC | Quality metrics for biometric authentication |
US8437513B1 (en) | 2012-08-10 | 2013-05-07 | EyeVerify LLC | Spoof detection for biometric authentication |
US8988663B2 (en) * | 2013-01-22 | 2015-03-24 | Raytheon Company | Laser range finding |
US9530052B1 (en) * | 2013-03-13 | 2016-12-27 | University Of Maryland | System and method for sensor adaptation in iris biometrics |
GB201316372D0 (en) | 2013-09-13 | 2013-10-30 | Eip | Image processing |
US8965066B1 (en) | 2013-09-16 | 2015-02-24 | Eye Verify LLC | Biometric template security and key generation |
US9053365B2 (en) | 2013-09-16 | 2015-06-09 | EyeVerify, Inc. | Template update for biometric authentication |
US9305225B2 (en) * | 2013-10-14 | 2016-04-05 | Daon Holdings Limited | Methods and systems for determining user liveness |
WO2015056210A2 (en) | 2013-10-16 | 2015-04-23 | University Of Johannesburg | Method of authenticating a person |
US9838388B2 (en) | 2014-08-26 | 2017-12-05 | Veridium Ip Limited | System and method for biometric protocol standards |
CN106133752B (zh) | 2014-02-25 | 2019-08-30 | 眼验股份有限公司 | 眼睛注视跟踪 |
US9092691B1 (en) | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
CN105678137A (zh) * | 2014-11-19 | 2016-06-15 | 中兴通讯股份有限公司 | 一种身份识别的方法和装置 |
US10019563B2 (en) * | 2014-12-05 | 2018-07-10 | Sony Corporation | Information processing apparatus and information processing method |
CN105825102A (zh) * | 2015-01-06 | 2016-08-03 | 中兴通讯股份有限公司 | 一种基于眼纹识别的终端解锁方法和装置 |
KR101626835B1 (ko) * | 2015-04-07 | 2016-06-02 | 주식회사 나르테크놀로지 | 지정맥 영상의 혈관증강처리 방법 및 그 장치 |
CN107533643A (zh) * | 2015-04-08 | 2018-01-02 | 韦夫弗朗特生物测定技术有限公司 | 多重生物计量认证 |
US10515304B2 (en) | 2015-04-28 | 2019-12-24 | Qualcomm Incorporated | Filter specificity as training criterion for neural networks |
CN104778396B (zh) * | 2015-04-29 | 2019-01-29 | 惠州Tcl移动通信有限公司 | 一种基于环境筛选帧的眼纹识别解锁方法及系统 |
WO2016183020A1 (en) | 2015-05-11 | 2016-11-17 | Magic Leap, Inc. | Devices, methods and systems for biometric user recognition utilizing neural networks |
US9979748B2 (en) * | 2015-05-27 | 2018-05-22 | Cisco Technology, Inc. | Domain classification and routing using lexical and semantic processing |
CN104951769B (zh) * | 2015-07-02 | 2018-11-30 | 京东方科技集团股份有限公司 | 活体识别装置、活体识别方法和活体认证系统 |
US11329980B2 (en) | 2015-08-21 | 2022-05-10 | Veridium Ip Limited | System and method for biometric protocol standards |
US10255040B2 (en) | 2017-05-11 | 2019-04-09 | Veridium Ip Limited | System and method for biometric identification |
BR112018004755A2 (pt) | 2015-09-11 | 2018-09-25 | EyeVerify Inc. | qualidade de imagem e característica, melhoria de imagem e extração de característica para reconhecimento ocular-vascular e facial e fusão de informação ocular-vascular e/ou subfacial para sistemas biométricos |
CN105893923A (zh) * | 2015-10-22 | 2016-08-24 | 乐视致新电子科技(天津)有限公司 | 用于手持设备的眼纹创建方法和装置 |
US10275684B2 (en) * | 2015-11-04 | 2019-04-30 | Samsung Electronics Co., Ltd. | Authentication method and apparatus, and method and apparatus for training a recognizer |
US10043075B2 (en) * | 2015-11-19 | 2018-08-07 | Microsoft Technology Licensing, Llc | Eye feature identification |
CN105744061B (zh) * | 2016-01-28 | 2020-07-17 | 努比亚技术有限公司 | 一种眼纹识别交互装置及方法 |
WO2017156547A1 (en) | 2016-03-11 | 2017-09-14 | Magic Leap, Inc. | Structure learning in convolutional neural networks |
US11138741B2 (en) | 2016-05-27 | 2021-10-05 | Rochester Institute Of Technology | System and method for eye tracking |
CN114495249A (zh) | 2016-07-14 | 2022-05-13 | 奇跃公司 | 使用角膜曲率的虹膜边界估计 |
KR102450441B1 (ko) | 2016-07-14 | 2022-09-30 | 매직 립, 인코포레이티드 | 홍채 식별을 위한 딥 뉴럴 네트워크 |
WO2018039269A1 (en) | 2016-08-22 | 2018-03-01 | Magic Leap, Inc. | Augmented reality display device with deep learning sensors |
CN106899567B (zh) | 2016-08-24 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用户核身方法、装置及系统 |
US10354468B2 (en) * | 2016-08-29 | 2019-07-16 | Aminata Paye | Lockable receptacle having plural security features |
US10425232B2 (en) * | 2016-09-07 | 2019-09-24 | Bank Of America Corporation | Encrypted biometric registration |
US10425408B2 (en) * | 2016-09-07 | 2019-09-24 | Bank Of America Corporation | Encrypted biometric authenication |
RU2016138608A (ru) | 2016-09-29 | 2018-03-30 | Мэджик Лип, Инк. | Нейронная сеть для сегментации изображения глаза и оценки качества изображения |
CN116343319A (zh) | 2016-10-04 | 2023-06-27 | 奇跃公司 | 用于卷积神经网络的有效数据布局 |
US10621747B2 (en) | 2016-11-15 | 2020-04-14 | Magic Leap, Inc. | Deep learning system for cuboid detection |
WO2018106542A1 (en) | 2016-12-05 | 2018-06-14 | Magic Leap, Inc. | Virtual user input controls in a mixed reality environment |
US11205103B2 (en) | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
US10139179B2 (en) * | 2016-12-13 | 2018-11-27 | Gentex Corporation | Biometric identification system for gun |
SE1651684A1 (sv) * | 2016-12-20 | 2018-06-21 | Fingerprint Cards Ab | Fingerprint sensing system configured to determine if a finger contacts a fingerprint sensor |
EP3596659A4 (en) | 2017-03-17 | 2021-01-27 | Magic Leap, Inc. | SPACE LAYOUT APPRAISAL METHODS AND TECHNIQUES |
IL271929B (en) | 2017-07-26 | 2022-07-01 | Magic Leap Inc | Neural network training with displays of user interface devices |
US10521661B2 (en) | 2017-09-01 | 2019-12-31 | Magic Leap, Inc. | Detailed eye shape model for robust biometric applications |
KR20200055704A (ko) | 2017-09-20 | 2020-05-21 | 매직 립, 인코포레이티드 | 눈 추적을 위한 개인화된 뉴럴 네트워크 |
WO2019084189A1 (en) | 2017-10-26 | 2019-05-02 | Magic Leap, Inc. | SYSTEMS AND METHODS FOR GRADIENT NORMALIZATION FOR ADAPTIVE LOSS BALANCING IN DEEP MULTITASK NETWORKS |
US11227214B2 (en) | 2017-11-14 | 2022-01-18 | Advanced Micro Devices, Inc. | Memory bandwidth reduction techniques for low power convolutional neural network inference applications |
CN107981842B (zh) * | 2017-11-20 | 2019-02-05 | 珠海伊斯佳科技股份有限公司 | 一种用于转录皮肤纹理的复膜套件及其使用方法和应用 |
CN108009495A (zh) * | 2017-11-30 | 2018-05-08 | 西安科锐盛创新科技有限公司 | 疲劳驾驶预警方法 |
EP3557485B1 (en) * | 2018-04-19 | 2021-05-26 | Aimotive Kft. | Method for accelerating operations and accelerator apparatus |
US11948073B2 (en) | 2018-04-20 | 2024-04-02 | Advanced Micro Devices, Inc. | Machine learning inference engine scalability |
US10872221B2 (en) * | 2018-06-21 | 2020-12-22 | Amazon Technologies, Inc | Non-contact biometric identification system |
KR102466215B1 (ko) * | 2018-07-19 | 2022-11-11 | (주)세림테크 | 딥러닝 기반 비문 인식 시스템 및 방법 |
US11775799B2 (en) | 2018-08-02 | 2023-10-03 | Advanced Micro Devices, Inc. | Runtime extension for neural network training with heterogeneous memory |
CN108537213A (zh) * | 2018-08-09 | 2018-09-14 | 上海聚虹光电科技有限公司 | 增强虹膜识别精度的系统和方法 |
CN109165587B (zh) * | 2018-08-11 | 2022-12-09 | 国网福建省电力有限公司厦门供电公司 | 智能图像信息抽取方法 |
KR102604016B1 (ko) | 2018-10-24 | 2023-11-22 | 삼성전자주식회사 | 전자 장치 및 이의 제어방법 |
US11769041B2 (en) | 2018-10-31 | 2023-09-26 | Advanced Micro Devices, Inc. | Low latency long short-term memory inference with sequence interleaving |
CN111338974A (zh) | 2018-12-19 | 2020-06-26 | 超威半导体公司 | 用于矩阵数学指令集的图块化算法 |
CN111353575A (zh) | 2018-12-20 | 2020-06-30 | 超威半导体公司 | 用于卷积神经网络的图块化格式 |
US10985951B2 (en) | 2019-03-15 | 2021-04-20 | The Research Foundation for the State University | Integrating Volterra series model and deep neural networks to equalize nonlinear power amplifiers |
US11775836B2 (en) | 2019-05-21 | 2023-10-03 | Magic Leap, Inc. | Hand pose estimation |
US11610142B2 (en) | 2019-05-28 | 2023-03-21 | Ati Technologies Ulc | Safety monitor for image misclassification |
US11580392B2 (en) | 2019-05-30 | 2023-02-14 | Samsung Electronics Co., Ltd. | Apparatus for deep representation learning and method thereof |
US11210199B2 (en) | 2019-05-31 | 2021-12-28 | Ati Technologies Ulc | Safety monitor for invalid image transform |
US10892784B2 (en) * | 2019-06-03 | 2021-01-12 | Western Digital Technologies, Inc. | Memory device with enhanced error correction via data rearrangement, data partitioning, and content aware decoding |
US11109010B2 (en) * | 2019-06-28 | 2021-08-31 | The United States of America As Represented By The Director Of The National Geospatial-Intelligence Agency | Automatic system for production-grade stereo image enhancements |
CN110310282B (zh) * | 2019-07-31 | 2021-05-18 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的系统 |
US11170260B2 (en) | 2019-11-14 | 2021-11-09 | Alibaba Group Holding Limited | Techniques for determining importance of encoded image components for artificial intelligence tasks |
US11403783B2 (en) | 2019-11-14 | 2022-08-02 | Alibaba Group Holding Limited | Techniques to dynamically gate encoded image components for artificial intelligence tasks |
US11366979B2 (en) | 2019-11-14 | 2022-06-21 | Alibaba Group Holding Limited | Using selected components of frequency domain image data in artificial intelligence tasks |
EP3828816A1 (en) * | 2019-11-28 | 2021-06-02 | Siemens Healthcare GmbH | Patient follow-up analysis |
JP2023507151A (ja) * | 2019-12-19 | 2023-02-21 | アルコン インコーポレイティド | 光コヒーレンストモグラフィセグメンテーションのための深層学習 |
WO2023133072A2 (en) | 2022-01-07 | 2023-07-13 | Jumio Corporation | Biometric authentication using head-mounted devices |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584915A (zh) * | 2004-06-15 | 2005-02-23 | 沈阳工业大学 | 一种人眼虹膜识别方法 |
CN101539991A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 用于虹膜识别的有效图像区域检测和分割方法 |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5291560A (en) * | 1991-07-15 | 1994-03-01 | Iri Scan Incorporated | Biometric personal identification system based on iris analysis |
US5303709A (en) | 1991-12-16 | 1994-04-19 | Dreher Andreas W | Retinal eye disease diagnostic system |
US5632282A (en) | 1993-07-20 | 1997-05-27 | Hay; S. Hutson | Ocular disease detection apparatus |
US6095989A (en) | 1993-07-20 | 2000-08-01 | Hay; Sam H. | Optical recognition methods for locating eyes |
US6707484B1 (en) | 1994-07-28 | 2004-03-16 | Semiconductor Energy Laboratory Co., Ltd. | Information processing system |
US6193660B1 (en) * | 1999-03-31 | 2001-02-27 | Acuson Corporation | Medical diagnostic ultrasound system and method for region of interest determination |
JP3586431B2 (ja) * | 2001-02-28 | 2004-11-10 | 松下電器産業株式会社 | 個人認証方法および装置 |
FR2831302A1 (fr) * | 2001-10-19 | 2003-04-25 | St Microelectronics Sa | Codage d'informations concentriques |
AU2003245458A1 (en) * | 2002-06-12 | 2003-12-31 | Advanced Research And Technology Institute, Inc. | Method and apparatus for improving both lateral and axial resolution in ophthalmoscopy |
JP2004023733A (ja) | 2002-06-20 | 2004-01-22 | Canon Inc | 画像撮影装置及びその制御方法 |
US7668351B1 (en) | 2003-01-17 | 2010-02-23 | Kestrel Corporation | System and method for automation of morphological segmentation of bio-images |
US7474407B2 (en) * | 2003-02-20 | 2009-01-06 | Applied Science Innovations | Optical coherence tomography with 3d coherence scanning |
JP2005044330A (ja) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
US7336806B2 (en) * | 2004-03-22 | 2008-02-26 | Microsoft Corporation | Iris-based biometric identification |
US20050281440A1 (en) * | 2004-06-18 | 2005-12-22 | Pemer Frederick A | Iris feature detection and sensor-based edge detection |
US7287013B2 (en) * | 2005-01-14 | 2007-10-23 | Ultra-Scan Corporation | Multimodal fusion decision logic system |
US7327860B2 (en) * | 2005-05-04 | 2008-02-05 | West Virginia University | Conjunctival scans for personal identification |
US7949186B2 (en) * | 2006-03-15 | 2011-05-24 | Massachusetts Institute Of Technology | Pyramid match kernel and related techniques |
KR100852629B1 (ko) | 2006-06-02 | 2008-08-18 | 연세대학교 산학협력단 | 다초점 영상 시퀀스를 이용한 홍채인식 시스템 및 방법 |
US20070291277A1 (en) * | 2006-06-20 | 2007-12-20 | Everett Matthew J | Spectral domain optical coherence tomography system |
US20080298642A1 (en) * | 2006-11-03 | 2008-12-04 | Snowflake Technologies Corporation | Method and apparatus for extraction and matching of biometric detail |
WO2008124832A1 (en) * | 2007-04-10 | 2008-10-16 | University Of Rochester | Structured illumination for imaging of stationary and non-stationary, fluorescent and non-flourescent objects |
WO2009029765A1 (en) | 2007-09-01 | 2009-03-05 | Global Rainmakers, Inc. | Mirror system and method for acquiring biometric data |
JP5277365B2 (ja) | 2008-04-06 | 2013-08-28 | 国立大学法人九州工業大学 | 個人認証方法及びそれに使用する個人認証装置 |
US8079711B2 (en) * | 2008-04-24 | 2011-12-20 | Carl Zeiss Meditec, Inc. | Method for finding the lateral position of the fovea in an SDOCT image volume |
CN102105901B (zh) * | 2008-06-06 | 2013-03-06 | 谷歌公司 | 注释图像 |
ES2337866B2 (es) | 2008-07-24 | 2011-02-14 | Universidad Complutense De Madrid | Reconocimiento biometrico mediante estudio del mapa de superficie delsegundo dioptrio ocular. |
US8090246B2 (en) | 2008-08-08 | 2012-01-03 | Honeywell International Inc. | Image acquisition system |
US9226798B2 (en) | 2008-10-10 | 2016-01-05 | Truevision Systems, Inc. | Real-time surgical reference indicium apparatus and methods for surgical applications |
US8514277B2 (en) | 2008-11-05 | 2013-08-20 | Dyer Holdings, Llc | Video infrared retinal image scanner |
WO2010129074A1 (en) * | 2009-01-14 | 2010-11-11 | Indiana University Research & Technology Corporation | System and method for identifying a person with reference to a sclera image |
GB2471192B (en) | 2009-06-15 | 2011-08-17 | Honeywell Int Inc | An iris and ocular recognition system using trace transforms |
US20110196236A1 (en) * | 2010-02-08 | 2011-08-11 | Gokul Swamy | System and method of automated gestational age assessment of fetus |
KR101049928B1 (ko) * | 2011-02-21 | 2011-07-15 | (주)올라웍스 | 파노라마 이미지를 생성하기 위한 방법, 사용자 단말 장치 및 컴퓨터 판독 가능한 기록 매체 |
CN102496007B (zh) * | 2011-12-02 | 2014-06-11 | 陈中山 | 人体身份识别仪 |
US8369595B1 (en) * | 2012-08-10 | 2013-02-05 | EyeVerify LLC | Texture features for biometric authentication |
-
2012
- 2012-08-10 US US13/572,188 patent/US8369595B1/en active Active
-
2013
- 2013-05-28 WO PCT/US2013/042889 patent/WO2014025445A1/en active Application Filing
- 2013-05-28 EP EP13732665.8A patent/EP2883190B1/en active Active
- 2013-05-28 ES ES13732665T patent/ES2959438T3/es active Active
- 2013-07-02 CN CN201610115192.XA patent/CN105787454B/zh active Active
- 2013-07-02 KR KR1020130076893A patent/KR101309889B1/ko active IP Right Grant
- 2013-07-02 CN CN201310276024.5A patent/CN103390153B/zh active Active
- 2013-07-24 US US13/950,086 patent/US8744141B2/en active Active
-
2014
- 2014-03-18 HK HK14102693.0A patent/HK1189685A1/zh unknown
- 2014-05-30 US US14/292,628 patent/US9311535B2/en active Active
-
2016
- 2016-02-29 US US15/056,270 patent/US10108858B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584915A (zh) * | 2004-06-15 | 2005-02-23 | 沈阳工业大学 | 一种人眼虹膜识别方法 |
CN101539991A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 用于虹膜识别的有效图像区域检测和分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103390153A (zh) | 2013-11-13 |
ES2959438T3 (es) | 2024-02-26 |
CN105787454A (zh) | 2016-07-20 |
KR101309889B1 (ko) | 2013-09-17 |
US9311535B2 (en) | 2016-04-12 |
US8744141B2 (en) | 2014-06-03 |
WO2014025445A1 (en) | 2014-02-13 |
EP2883190B1 (en) | 2023-09-06 |
EP2883190A1 (en) | 2015-06-17 |
US20140044320A1 (en) | 2014-02-13 |
US8369595B1 (en) | 2013-02-05 |
US10108858B2 (en) | 2018-10-23 |
CN103390153B (zh) | 2016-03-30 |
US20140270405A1 (en) | 2014-09-18 |
HK1189685A1 (zh) | 2014-06-13 |
US20160259960A1 (en) | 2016-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787454B (zh) | 用于生物特征验证的方法和系统 | |
US10095927B2 (en) | Quality metrics for biometric authentication | |
US9971920B2 (en) | Spoof detection for biometric authentication | |
US9785823B2 (en) | Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices | |
US10922399B2 (en) | Authentication verification using soft biometric traits | |
CN111695099A (zh) | 安全系统及相应的访问方法、机器可读存储设备 |
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: 1227139 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230118 Address after: California, USA Patentee after: JUMIO Inc. Address before: Kansas, USA Patentee before: Eye Verify LLC |
|
TR01 | Transfer of patent right |