CN106796652A - 多视图指纹匹配 - Google Patents
多视图指纹匹配 Download PDFInfo
- Publication number
- CN106796652A CN106796652A CN201580054647.5A CN201580054647A CN106796652A CN 106796652 A CN106796652 A CN 106796652A CN 201580054647 A CN201580054647 A CN 201580054647A CN 106796652 A CN106796652 A CN 106796652A
- Authority
- CN
- China
- Prior art keywords
- view
- individual
- matching
- statistics
- registration
- 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
- G06V40/1365—Matching; Classification
- G06V40/1371—Matching features related to minutiae or pores
-
- 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
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
用于执行识别过程的方法和装置被提供。所述识别过程将个体指纹视图与指纹登记模板相比较以便确定是否已经发现匹配。匹配的所述确定基于在所述个体指纹视图和所述指纹登记模板中的每个视图之间采集的个体匹配统计。此外,所述指纹登记模板中的每个视图之间的视图间匹配统计也可以被确定。所述视图间匹配统计能够与所述个体匹配统计一起被分析以进一步通知所述个体指纹视图和所述指纹登记模板之间的所述匹配的确定。
Description
对相关申请的交叉引用
本申请要求2014年8月11日提交的序列号为No.62/036,037的美国临时专利申请的权益。
技术领域
本公开一般涉及电子装置,并且更特别地,涉及被配置为执行生物计量识别过程的电子装置。
背景技术
生物计量识别系统被用于认证和/或验证结合了所述识别系统的装置的用户。生物计量感测技术提供了可靠的、非侵入性的方法来验证个人身份,用于识别目的。
如同各种其他生物计量特性,指纹基于不可改变的个人特性,并且因此是用以识别个体的可靠的机制。针对指纹传感器的使用,存在许多潜在的应用。例如,指纹传感器可以被用于在诸如安全检查点的固定应用中提供访问控制。电子指纹传感器也可以被用于在便携式应用(诸如便携式计算机、个人数字助理(PDAs)、蜂窝电话、游戏设备、导航设备、信息装置、数据存储设备等等)中提供访问控制。因此,一些应用,尤其是与便携式设备相关的应用,可能需要尺寸小以及高度可靠两者的识别系统。
有时,所述传感器可能仅足够大到捕获正被感测的生物计量样本的局部视图。例如,局部指纹传感器将仅足够大到捕获用户的指纹的局部图像。当尝试仅使用所述局部视图对照存储的登记模板可靠地识别图案时,这可能存在若干挑战。举例来说,当尝试对照存储的登记模板可靠地识别所述指纹时,该局部视图提供了较少的判别信息供匹配系统利用。此外,系统可能需要虑及用户在不同的匹配尝试中呈现相同指纹的不同部分。
从所述登记的指纹的多个视图导出的登记模板提供了可能的解决方案,但是尝试执行候选验证视图和从多个登记视图导出的较大的登记模板之间的匹配是挑战性的任务。
一个可能的解决方案是将所述多个登记视图拼接在一起成为单个更大的视图。然而,在所述视图之间实现完美的对准常常是不可行的,并且这些对准中的不准确性可能在边界处以及在所述视图之间的重叠区域处产生失真,这可能不利地影响匹配性能。
另一可能的解决方案是将所述登记视图分别存储在所述登记的模板中,并且分别计算与所述视图中的每个的个体匹配分数。随后,所述模板之间的总的分数可以基于对所述个体视图的分数的求和或其他简单组合。所述登记视图之间的几何关系可以被用于约束从所述验证视图至每个登记视图的所述对准,以便简化每个个体匹配分数的计算。然而,这可能导致错误的结果,因为所述总的分数是仅对所述个体视图的匹配分数的函数。例如,当冒充者仅与单个视图或视图的小的子集强烈匹配时,个体分数的所述组合能够导致错误的匹配;并且相反地,当真实用户仅与所述视图中的若干视图弱匹配时,个体分数的所述组合能够导致错误的不匹配。
鉴于上述,存在对能够基于用户的指纹的一个局部视图或多个视图提供高度可靠的识别过程的识别系统的需求。本公开的实施例提供了用于基于用户的指纹的所述一个局部视图或多个视图执行识别过程的这样的高度可靠的识别系统。根据此处所提供的本公开的描述,本公开的这些和其他优点以及附加的发明特征将是显而易见的。
发明内容
一个实施例提供了生物计量与登记模板匹配的方法。所述方法包括获取验证模板,所述验证模板包括由输入装置捕获的生物计量样本的验证视图。该方法进一步包括将所述验证视图与所述登记模板的多个个体登记视图相比较,以确定所述验证视图和所述个体登记视图之间的个体匹配统计。所述验证模板和所述登记模板之间的复合匹配分数被计算为所述个体匹配统计以及所述登记模板中的至少一对个体登记视图之间的视图间匹配统计的函数。将所述复合匹配分数与阈值相比较,并且如果所述复合匹配分数满足所述阈值,则指示所述验证模板和所述登记模板之间的生物计量匹配。
另一实施例包括用于生物计量与登记模板匹配的装置。该装置包括被配置为获取验证模板的处理系统,所述验证模板包括由输入装置捕获的生物计量样本的验证视图。所述处理系统进一步被配置为将所述验证视图与所述登记模板的多个个体登记视图相比较,以确定所述验证视图和所述个体登记视图之间的个体匹配统计。所述处理系统被配置为将所述验证模板和所述登记模板之间的复合匹配分数计算为所述个体匹配统计以及所述登记模板内的至少一对个体登记视图之间的视图间匹配统计的函数。所述处理系统被配置为将所述复合匹配分数与阈值相比较,并且如果所述复合匹配分数满足所述阈值,则指示所述验证模板和所述登记模板之间的生物计量匹配。
另一实施例包括用于指纹与登记模板匹配的装置。该装置包括指纹传感器和处理系统。所述处理系统被配置为获取验证模板,所述验证模板包括由所述指纹传感器捕获的指纹样本的验证视图。所述处理系统进一步被配置为将所述验证视图与所述登记模板的多个个体登记视图相比较,以确定所述验证视图和所述个体登记视图之间的个体匹配统计。所述处理系统被配置为将所述验证模板和所述登记模板之间的复合匹配分数计算为所述个体匹配统计以及所述登记模板内的至少一对个体登记视图之间的视图间匹配统计的函数。所述处理系统被配置为将所述复合匹配分数与阈值相比较,并且如果所述复合匹配分数满足所述阈值,则指示所述验证模板和所述登记模板之间的指纹匹配。
附图说明
被结合在本说明书中并且构成本说明书的一部分的附图示出了本发明的若干方面,并且连同说明书一起用来解释本发明的原理。在所述附图中:
图1是根据本发明的实施例的包括输入装置和处理系统的示例性装置的框图;
图2a是指纹的图像;
图2b是图2a的指纹的增强图像;
图3是指纹的各种类型的细节点的图示;
图4是根据本发明的实施例的来自图1的装置的匹配器的框图;
图5是根据本发明的特定实施例的由图4的匹配器使用的可能的指纹视图的示意图;
图6是根据本发明的实施例的验证视图和来自登记模板的多个登记视图之间的匹配统计的图形表示;
图7(a)-7(c)是根据本发明的实施例的识别过程的示意图;
图8是根据本发明的实施例的指纹视图和相关联的几何变换的示意图;以及
图9是根据本发明的实施例的由图4的匹配器执行的识别过程的流程图。
尽管将结合某些优选的实施例描述本公开,不存在将其限制于那些实施例的意图。相反地,意图是:涵盖如被包括在如由所附的权利要求限定的本公开的精神和范围内的所有替代、修改和等同物。
具体实施方式
下面的详细的描述在本质上仅仅是示例性的,并且不是意在限制本发明或本发明的应用和用途。此外,不存在受在前述的技术领域、背景技术、发明内容或下面的详细描述中呈现的任何明示的或暗示的理论的约束的意图。
本发明的各种实施例提供了有助于改善的可用性的输入装置和方法。
现在转向附图,图1是根据本发明的实施例的电子系统或装置100的框图,所述电子系统或装置100包括输入装置(诸如传感器102)和处理系统104。如在此文件中所使用的,术语“电子系统”(或“电子装置”)广义上指的是能够电子地处理信息的任何系统。电子系统的一些非限制性实例包括所有大小和形状的个人计算机,诸如台式计算机、膝上型计算机、上网本计算机、平板电脑、网络浏览器、电子书阅读器和个人数字助理(PDAs)。附加的实例电子装置包括复合输入装置,诸如物理键盘和独立的操纵杆或按键开关。另外的实例电子系统包括外围设备,诸如数据输入装置(包括远程控制器和鼠标)和数据输出装置(包括显示屏和打印机)。其他实例包括远程终端、信息站和视频游戏机(例如,视频游戏控制台、便携式游戏装置等等)。其他实例包括通信装置(包括蜂窝电话,诸如智能电话)和媒体装置(包括记录器、编辑器和播放器,诸如电视、机顶盒、音乐播放器、数字相框和数字照相机)。此外,所述电子装置100可以是对所述传感器102而言的主机或从属设备。
传感器102可以被实现为所述电子装置100的物理部分,或者可以与所述电子装置100物理上分离。视情况而定,所述传感器102可以使用下列中的任何一个或多个与所述电子装置100的多个部分通信:总线、网络和其他有线或无线互连。实例包括I2C、SPI、PS/2、通用串行总线(USB)、蓝牙、RF和IRDA。
在一些实施例中,传感器102将被用作利用一个或多个各种电子指纹感测方法、技术和装置来捕获用户的指纹图像的指纹传感器。在其他实施例中,其他类型的生物计量传感器或输入装置可以被使用,替代或者附加于所述指纹传感器以捕获生物计量样本。例如,捕获其他生物计量数据(诸如面部、静脉图案、声音模式、笔迹、键击图案、脚后跟印、身体形状和/或眼睛图案(例如视网膜图案、虹膜图案和眼睛静脉图案))的输入装置可以被使用。为了便于描述,此处所讨论的生物计量数据将指的是指纹数据。然而,替代所述指纹数据或者除了所述指纹数据之外,任何其他类型的生物计量数据可以被使用。
一般而言,指纹传感器102可以使用任何类型的技术来捕获用户的指纹。例如,在某些实施例中,所述指纹传感器102可以是光学、电容、热、压力、射频(RF)或超声传感器。光学传感器可以利用可见光或不可见光来捕获数字图像。一些光学传感器可以使用光源来照亮用户的手指,同时利用检测器阵列(诸如电荷耦合器件(CCD)或CMOS图像传感器阵列)来捕获图像。
关于电容传感器,电容感测技术包括两种类型:无源的和有源的。两种类型的电容技术可以利用相似的电容变化的原理来生成指纹图像。无源电容技术典型地利用线性一维(1D)或二维(2D)的板(即,电极或迹线)阵列来施加电信号,例如以电场的形式,诸如从发射器迹线发送至用户的手指并且在通过所述手指之后在接收器迹线处接收的变化的高速(RF等等)信号。由所述手指的阻抗引起的信号的变化指示例如在发生所述迹线之间的发射和接收之处的附近是否存在所述发射器迹线和所述接收器迹线之间的指纹谷或指纹脊。作为实例,指纹脊典型地可以显示比指纹谷小得多的阻抗(跨间隙的更低的电容),所述指纹谷可以展现相对高的阻抗(跨间隙的更高的电容)。所述间隙可以在相同的平面、水平面、垂直面上的迹线或者不同的平面中的迹线之间。
有源电容技术与无源技术相似,但是可以通过将电流或电压直接施加至手指来促成手指的表皮层的初始激励。其后,典型地,激励电极(迹线)上的电压或电流源和另一受体电极(迹线)之间的电容的实际变化被测量,以确定在所述源电极和所述另一受体电极的中间存在谷或脊。
在所述电容传感器的一些实施例中,所述迹线可以形成多个发射器电极和单个接收器电极,或者多个接收器电极和单个发射器电极,所述电极被布置在线性一维电容间隙阵列中。在这样的实施例中,所述电容间隙可以是水平的,跨越由所述多个迹线的相应端部和所述单个迹线(无论是发射器还是接收器)形成的间隙。
在所述电容传感器的一些实施例中,所述迹线可以形成2D网格阵列,例如,具有在一个衬底上的发射器/接收器迹线的行,以及在相同的或单独的衬底上的接收器/发射器迹线的列,例如连同所述迹线之间的某种形式的电介质而被层压在一起,以形成2D传感器元件阵列。也可以使用感测电极的2D矩阵来形成2D阵列。这样的2D阵列可以形成2D布置的传感器阵列(有时也被称为“区域传感器”或“触摸传感器”)或2D滑动传感器阵列(有时也被称为“滑移传感器”)。滑动传感器也可以由一个或多个1D阵列或线性阵列形成。
关于热传感器,当手指被呈现给热传感器时,所述指纹脊与传感器表面接触并且接触温度被测量。所述脊接触所述传感器并且产生温度测量,而所述谷不进行接触并且超出一些捕获的环境噪声而不被测量。通过接触所述传感器的脊的皮肤温度和针对谷的环境温度测量来创建指纹图像。
关于压力传感器,存在两种类型的压力感测检测器可用,其包括导电膜检测器和微机电装置(MEMS)。导电膜传感器使用柔性膜上的双层电极。因此,将他们的手指按压至所述柔性膜的用户将留下被用于捕获所述指纹的图像的印记。MEMS传感器使用硅芯片上的小的硅开关,以致当指纹脊接触开关时,其关闭并且生成电子信号。所述电子信号被检测并且被用于产生被按压至所述MEMS传感器的指纹的图像。
关于RF传感器,用户的手指被按压至所述传感器,所述传感器而又将RF信号施加至触摸在所述传感器上的指纹。所述指纹反映了所施加的RF信号的继而被所述传感器的像素阵列检测到的部分。所检测到的信号被用于创建用户的指纹的指纹图像。
关于超声传感器,这些类型的传感器利用非常高的频率的声波来穿透被按压至所述传感器的用户的指纹的表皮层。典型地,使用压电转换器产生所述声波,该压电转换器也用来接收从用户的指纹反射的声波。这些反射的声波被检测并且被用来创建用户的指纹的图像。
诸如指纹传感器、诸如所述传感器102的生物计量图像传感器(如上面所讨论的,其使用光学、电容、热、压力、RF和超声技术中的一个或多个来检测和测量手指的表面的特征)有时落入两类中的一类中:(1)放置传感器和(2)典型地更小的滑动传感器。放置传感器具有足够大的有源感测表面,以在单次扫描或感测动作期间容纳手指的指纹的相关部分的至少一部分。一般而言,所述放置传感器在形状方面是矩形的,其具有感测表面面积,所述感测表面面积的范围从大约100mm×100mm直至10mm×10mm,或者在一些情况下小于10mm×10mm。因此,针对小尺寸的放置传感器,仅所述指纹的一部分将被捕获,用于在识别过程中立即使用,或者作为指纹模板的一部分,以供稍后在所述识别过程中使用。此外,在某些实施例中,所述放置传感器可以具有非矩形的形状以及感测表面面积。典型地,针对放置传感器,在测量期间所述手指在所述感测表面之上被保持静止。一般而言,在指纹登记过程期间,所述指纹图像的多个视图将被捕获。
一般而言,滑动传感器在大小方面小于放置传感器,并且需要在测量期间将手指在所述传感器之上移动。典型地,所述手指移动将是1D的,因为所述手指在所述传感器表面之上沿着单个方向移动,或者所述手指移动可以是2D的,因为在测量期间所述手指可以在所述传感器表面之上沿着多于一个方向移动。一般而言,在单个帧期间捕获的指纹图像将仅仅是用户的指纹的一部分,并且当所述用户将他们的手指在所述传感器之上滑动时,所述传感器将捕获一系列帧,以致可以在单个用户输入中捕获指纹的更大的区域。所述更大的区域可以包含完整的指纹,或者其仍然可以仅包含部分指纹,诸如在具有小于手指的整个宽度的宽度的滑动传感器中。
现在转向根据图1的处理系统104,在捕获和存储用户指纹图像期间使用的电子装置100的基本功能部件被示出。所述处理系统104包括处理器106、存储器108、模板存储器110以及容纳应用套件114和匹配器116的操作系统(OS)112。所述处理器106、所述存储器108、所述模板存储器110和所述操作系统112中的每一个被物理地、通信地和/或可操作地互连,用于部件间通信。
如所示出的,(一个或多个)处理器106被配置为实现用于在电子装置100和所述处理系统104内执行的功能性和/或处理指令。例如,处理器106执行被存储在存储器108中的指令或者被存储在模板存储器110上的指令。可以是非瞬时性的计算机可读存储介质的存储器108被配置为在操作期间在电子装置100内存储信息。在一些实施例中,存储器108包括临时存储器,用于在所述电子装置100被关闭时不被保持的信息的区域。这样的临时存储器的实例包括诸如随机存取存储器(RAM)、动态随机存取存储器(DRAM)和静态随机存取存储器(SRAM)的易失性存储器。存储器108也保持用于由所述处理器106执行的程序指令。
模板存储器110包括一个或多个非瞬时性计算机可读存储介质。所述模板存储器110一般地被配置为存储用于针对用户的指纹的指纹图像的登记视图。所述模板存储器110可以进一步被配置用于长期存储信息。在一些实例中,所述模板存储器110包括非易失性存储元件。非易失性存储元件的非限制性实例包括磁性硬盘、光盘、软盘、闪存存储器、或者电可编程存储器(EPROM)或电可擦除且可编程(EEPROM)存储器的形式。
所述处理系统104也容纳操作系统112。所述操作系统112控制所述处理系统104的部件的操作。例如,所述操作系统112有助于所述(一个或多个)处理器106、存储器108和模板存储器110的交互。所述操作系统112进一步容纳所述应用套件114。所述应用套件114包含使用被存储在所述存储器108或所述模板存储器110上的数据或者从诸如所述传感器102的接口装置收集的数据以致使所述处理系统104执行某些功能的应用。例如,在某些实施例中,所述应用套件114容纳用于捕获用户的指纹的一个或多个视图的登记应用。所述视图或指纹图像一般包含用户的指纹的部分或全部图像,并且它们可以是原始图像或从所述原始图像提取的特征集合。所述登记应用一般指示所述用户跨越所述传感器102保持或滑动他们的手指,用于捕获所述图像。在每个所请求的图像被捕获之后,所述登记应用典型地将所述捕获的图像存储在所述模板存储器110中。在某些实施例中,所述登记应用将致使表示所述捕获的图像的数据经历进一步处理。例如,所述进一步处理可以是压缩表示所述捕获的图像的所述数据,以致其不会占用所述模板存储器110内的太多的存储器来存储所述图像。
在某些实施例中,所述应用套件114也将包含用于认证所述电子装置100的用户的应用。例如,这些应用可以是OS登录认证应用、屏幕保护认证应用、文件夹/文件锁认证应用、应用锁和密码保管库应用。在这些应用的每一个中,所述各个应用将致使所述操作系统112在进行特定动作(诸如在针对所述电子装置100的登录过程期间提供对所述OS 112的访问)之前请求用户的指纹,用于认证过程。为了执行该过程,上面列出的应用将使用由所述操作系统112容纳的所述匹配器116。
所述操作系统112的匹配器116用于将被存储在所述模板存储器110中的一个或多个指纹图像与新获得的指纹图像或来自尝试访问所述电子装置100的用户的图像相比较。在某些实施例中,所述匹配器116或其他过程将进一步执行用于增强指纹图像的图像增强功能。在图2a和2b中示出了所述图像增强功能的实例。图2a示出了显示指纹的各种脊和细节的未增强的指纹图像。如可以在图2a中被看出的,所述图像是有噪声的,以致所述图像的一些部分是模糊不清的,并且所述脊或轮廓是断裂的。图2b示出了在所述匹配器116已执行了所述图像增强功能之后的相同的指纹。如能够被看出的,所述图像增强功能去除了大部分噪声,以致所述图像不再是模糊不清的,并且所述脊不再是断裂的。
在某些实施例中,所述匹配器116或其他过程也被配置为根据用户的一个或多个指纹图像执行特征提取。在特征提取期间,所述匹配器116将提取用户的指纹的独一无二的特征以导出在匹配期间使用的验证模板。各种判别特征可以被用于匹配,包括:细节匹配、脊匹配、脊流匹配、或其一些组合。如果使用细节特征来执行认证,则所述匹配器116将为了细节而扫描用户的指纹的所捕获的视图。图3示出了各种类型的指纹细节,包括:从左至右,两个或更多脊之间的桥接点、点、孤立的脊、终止脊、分叉点和封闭线。在提取期间,所述匹配器116从所述指纹获取所述细节的位置和定向,并且将其与来自所述模板存储器110中的一个或多个指纹图像的先前捕获的细节的位置和定向信息相比较。
所述匹配器可以将所述验证模板与所述等级模板相比较,以计算所述模板之间的复合匹配分数。如果所述复合匹配分数满足阈值,则所述匹配器116指示匹配。否则,可以指示不匹配。
在本发明的实施例中,登记模板可以包含用户的指纹的多个登记的视图。所述登记的视图中的每个可以连同所述视图之间的几何关系一起被单独地存储。可替代地,可以在每次匹配尝试之前的匹配时间处计算所述几何关系,而不是预先计算所述登记视图之间的几何关系并将它们存储在所述登记模板中。所述匹配器116可以基于根据将所述验证模板的验证视图与所述登记模板中的每个个体登记视图或所述登记模板中的所述个体登记视图的某个子集相比较而导出的个体匹配统计来计算所述验证模板和所述登记模板之间的复合匹配分数。可以连同所述登记模板内的登记视图之间的视图间匹配统计一起共同地分析所述个体匹配统计,以计算复合匹配分数。所述登记视图之间的所述视图间匹配统计可以被预先计算并且存储在所述登记模板中,或者可以在匹配时间处被计算。
所述复合匹配分数可以被计算为所述个体匹配统计和所述视图间匹配统计两者的函数。例如,可以基于将所述验证视图与所述登记模板中的多个个体登记视图相比较来计算个体匹配分数。所述匹配器可以将这些分数与基于个体登记视图之间的所述视图间匹配统计的一些调节组合在一起,而不是简单地组合这些个体分数。作为另一实例,可以从登记视图之间的所述关系导出来自所述视图间匹配统计和个体匹配统计的特征向量,诸如变换误差、预测的匹配的数量、非预测的匹配的数量等等,并且将所述特征向量馈送至神经网络或其他机器学习分类器中来计算总的复合匹配分数。
图4示出了图1的匹配器116的实施例,其使用机器学习分类器来计算复合匹配分数。在图4中所示出的实施例中,所述匹配器116包括利用指纹登记模板404来进行识别过程的匹配模块402。如此处所使用的,识别过程包括认证或验证过程,其被用于通过确定在由输入装置捕获的生物计量样本和先前从用户捕获的登记模板之间是否确信地发现匹配来验证用户。此外,所述识别过程也可以涉及鉴别过程,其用于基于用户的验证模板与包含多个登记模板的数据库相比较来识别用户。
所述指纹登记模板404包括用户的指纹的多个指纹视图。在所示出的实施例中,所述指纹登记模板404包括四个登记视图E 1 、E 2 、E 3 和E 4 。在所示出的实施例中,所述识别过程正被用于用户指纹视图406。所述匹配模块402确定所述指纹登记模板404和所述指纹验证视图406之间的匹配统计。所述匹配统计可以包括通过将所述验证视图406与所述个体登记视图404中的每一个相比较而计算的个体匹配统计。所述匹配统计被提供给机器学习模块408,所述机器学习模块408而又计算复合多视图匹配分数410。所述复合多视图匹配分数410提供所述验证指纹视图406和所述指纹登记模板404之间的匹配的置信度的指示。
在一个实施例中,所述机器学习模块使用神经网络来计算所述复合分数。然而,所述机器学习模块可以使用其他评分方法,诸如支持向量机、随机森林、回归模型等等。
除了由所述匹配模块402确定的所述个体匹配统计之外,在某些实施例中,所述机器学习模块408利用视图间匹配统计来计算所述复合多视图匹配分数410。所述视图间匹配统计表示所述指纹登记模板404的登记视图之间的匹配统计。
图5示出了根据实例实施例的登记视图E 1 、E 2 、E 3 和E 4 以及指纹图像边界500内的验证指纹视图406的地理布局。所述指纹图像边界表示用户的指纹图像在被捕获时可能涵盖的总的表面区域。在该实例中,每个登记视图和所述验证指纹视图406仅表示总的指纹500的部分图像。在所述登记视图和所述验证指纹视图406中捕获的指纹的所述部分将由用户如何与所述传感器102交互确定(参见图1)。在这方面,所述登记视图和所述验证指纹视图406可以被地理上分散在由所述指纹图像边界500表示的指纹的潜在表面区域之上。如所示出的,所述登记视图和所述验证指纹视图406表示所述指纹的一些部分并且因此将包含诸如脊和谷、脊流和/或指纹细节等等的判别特征,如在图3中所示出的。
被收集的所述个体匹配统计和/或视图间匹配统计可以在不同的实现中变化。
在某些实施例中,包括所述验证视图和所述个体登记视图之间的个体匹配统计、所述登记视图之间的视图间匹配统计、或者两者的匹配统计考虑了所述登记视图和所述验证指纹视图406的边界之间的任何几何关系。例如,所述几何关系可以包括所述登记视图和所述验证指纹视图406之间的几何变换。所述变换可以在任何一个或多个坐标系中被执行,包括但不限于笛卡尔坐标系、极坐标系、球面坐标系或圆柱坐标系。例如,在依赖于笛卡尔坐标系的实施例中,所述几何变换将包括在x方向上的平移“Dx”和/或在y方向上的平移“Dy”。
此外,所述登记视图和所述验证指纹视图406被示出为仅仅是框;然而,每个框将包含指纹的一部分,其取决于用户如何与所述传感器102(参见图1)交互,所述指纹的一部分不仅可以是所述指纹的不同部分,而且可以具有与其他框不同的旋转。因此,作为匹配统计的针对收集的附加点可以是每个所述登记视图和所述验证指纹视图406之间的旋转Dtheta。
此外,如所提到的,所述登记视图和所述验证指纹视图406中的每一个可以包含某些细节点。在依赖于细节特征的实施例中,多个匹配的细节点“k”可以被用作所述匹配统计的一部分。
在某些实施例中,所述个体匹配统计和/或视图间匹配统计包括匹配分数。所述个体或视图间匹配分数可以通过根据所述视图中的特征之间的一些匹配度量比较所述视图而被确定。例如,如果基于细节的匹配被使用,则所述匹配分数可以与所述视图之间的匹配细节的数量相关联,该数量而又可以与被比较的视图之间的重叠的量相关联。其他评分方法可能展现重叠的量和匹配分数之间的相似关联。因此,在一些实现中,由视图之间的所述几何变换导致的更大量的重叠将对应于更强的匹配分数,并且相似地,视图之间的更小量的重叠将对应于更弱的匹配分数。
在一些实施例中,可以从所述验证视图的个体几何变换和所述登记视图之间的视图间几何变换导出预测的弱匹配、强匹配或不匹配。因此,在所示出的实施例中,所述验证指纹视图V与E 2 和E 3 两者强重叠,与E 1 或E 4 两者最低限度地重叠。因此,针对所述验证指纹视图V和E 2 和E 3 之间的匹配统计,应存在强匹配分数,而所述验证指纹视图V和E 1 和E 4 之间的匹配分数应该是低的。在该实例中,这些匹配统计可以被预测,并且可以基于这些预测的匹配分数和实际计算的个体匹配分数之间的一致性来调节所述复合匹配分数。例如,E 1 、E 2 、E 3 和E 4 之间的视图间几何变换以及V至E 2 的个体几何变换指示:当针对E 1 、E 3 和E 4 计算对于V的个体匹配分数时,应当预期一个强匹配和两个弱匹配。如果所述实际的个体匹配分数与该预测一致,例如,一个强匹配和两个弱匹配被确定,则所述复合分数可以包括归因于该高的一致性的增加。可替代地,如果所述实际的个体匹配分数与该预测显著地偏离,则所述复合匹配分数可能降低。
如先前所提及的,所有上述匹配统计不仅是针对与所述验证指纹视图406相比较的登记视图而被确定,而且针对在所述登记视图E 1 、E 2 、E 3 和E 4 中的每个之间相比较的登记视图而被确定。该匹配统计的集合600在图6中被几何地示出。在图6中,实线表示所述指纹登记模板404(参见图4)中的个体登记视图之间的视图间匹配统计,并且虚线表示所述验证指纹视图406和所述指纹登记模板404中的个体登记视图之间的匹配统计。在一些实施例中,被收集的所述匹配统计包括匹配分数、x方向上的几何平移Dx、y方向上的几何平移Dy、旋转Dtheta、匹配的细节的数量k、和/或不匹配的细节的数量。其他匹配统计可以被收集,并且被收集以及被用来计算所述复合匹配分数的匹配统计的特定集合可以随实施例的不同而变化。
基于在图6中所示出的所获取的匹配统计的一部分或全部,所述复合多视图匹配分数410(参见图4)可以被确定。通过利用由图6中的虚线表示的匹配统计,所述匹配器116(参见图1)将能够提高所述复合多视图匹配分数410的计算的可靠性。
图7-8描绘了使用所述个体匹配统计和所述视图间匹配统计之间的一致性检查的复合匹配分数计算的实例。
图7(a)-7(c)描绘了如下这样的实例:在其中所述个体匹配统计和视图间匹配统计中的匹配的细节被比较,并且基于它们之间的对应关系来调节所述复合匹配分数。如在图7(a)-7(c)中所显示的,验证视图V1和个体登记视图E1和E2全部重叠并且包含共同的细节。图7(c)显示了针对成对的视图中的每一对的这些细节(a i 、b i 、c i )的匹配统计,包括匹配细节(例如,a 2 和c 3 在E1到V1的配对中匹配)和不匹配细节(例如,a 1 或c 3 均不匹配E1到V1的配对中的任何细节)两者。作为简化的实例,由于a 4 与E1到V1的个体配对中的c 6 匹配并且a 4 也与E1到E2的视图间配对中的b 1 匹配,c 6 应当与V1到E2的个体配对中的b 1 匹配。可以关于匹配细节将所述个体匹配统计与所述视图间匹配统计相比较,并且可以相应地调节所述复合匹配分数。在此实例中,当V1中的细节与来自其他统计的结果匹配时,所述复合分数可以被增加。
图8描绘了如下这样的实例:在其中通过从所述视图间匹配统计导出几何变换并将其与通过比较所述验证视图和个体登记视图(例如,使用标准图像对准技术)而确定的个体几何变换相比较来计算变换误差。在此实例中,V1通过变换T(V1:E1)而与E1相关联。E1通过几何变换T(E1:E2)而与E2相关联。根据该信息,可以根据这些关系导出V1和E2之间的转换。为了计算变换误差,可以使用标准图像对准技术通过V1与E2的直接比较来单独计算个体几何变换T'(V1:E2)。可以比较所计算的变换和导出的变换以产生变换误差。随后,所述复合匹配分数可以进一步成为该比较的函数。例如,可以关于该变换误差来增加或减少所述复合匹配分数(在其中所述变换之间的高误差或大的差异指示可能导致所述复合匹配分数的下降的不一致,并且反之亦然)。可替代地,所导出的变换或变换误差可以被用作输入到被用于计算复合匹配分数的机器学习分类器中的特征向量。
图9示出了根据本发明的实施例的用于由图1和图4的匹配器116执行的识别过程的流程图700。在登记过程(没有被图示)期间,所述匹配器116获取所述指纹登记模板404。典型地在执行所述识别过程之前的某个时间点处捕获所述指纹登记模板404,并且所述指纹登记模板404被本地地存储在所述装置100处(参见图1)或者被存储在外部,并且在稍后的时间点处被上传至所述装置。所述登记模板可以根据由指纹传感器或其他输入装置捕获的多个生物计量样本而被导出,并且可以包括多个对应的登记视图。
在步骤704处,所述匹配器116(参见图1)获取验证模板406(参见图4),用于在所述识别过程中使用。所述验证模板包括生物计量样本(例如,感测的指纹)的验证视图,并且包括原始图像或从原始图像提取的特征集合。所述个体指纹视图406典型地将在执行所述识别过程的时间处被收集,以与先前收集的指纹登记模板404相比较。然而,在某些实施例中,所述个体指纹视图406可能先前已经被捕获并且被上传至所述装置,用于在所述识别过程中使用。
在步骤706处,所述匹配器116(参见图1)将所述验证视图与所述登记模板中的多个个体登记视图相比较,以确定所述验证视图与每个所述个体登记视图406(参见图4)和所述指纹登记模板404中的每个视图之间的个体匹配统计。如先前所提及的,在某个实施例中,这些个体匹配统计可以包括几何平移、旋转、以及个体匹配分数。所述个体匹配统计可以针对所述登记模板中的所有登记视图而被确定,或者仅针对它们中的某个子集而被确定。
在步骤708处,所述匹配器116(参见图1)利用所述个体匹配统计来计算复合多视图匹配分数410(参见图4)。所述复合匹配分数被计算为如上面所描述的个体匹配统计和视图间匹配统计的函数。例如,所述复合匹配分数可以是来自前一步骤的个体匹配分数的组合,具有基于所述视图间匹配统计的调节。可替代地,其可以使用接收所述个体匹配统计和视图间匹配统计作为输入的机器学习评分模块而被计算。
在步骤710处,所述匹配器116(参见图1)指示是否已经基于所述复合多视图匹配分数410找到匹配。在某些实施例中,该指示基于所述复合多视图匹配分数410和阈值之间的比较。如果所述复合多视图匹配分数410高于所述阈值,则以高等级的置信度指示匹配;然而,如果所述复合多视图匹配分数410低于所述阈值,则指示不匹配。
此处所引用的所有参考文献(包括出版物、专利申请和专利)由此通过引用的方式以与如下方式相同的程度被并入:如同每个参考文献被单独地和特定地指出通过引用的方式被并入并且在此处被整体地提出。
在描述本发明的上下文中(尤其在下面的权利要求的上下文中)使用术语“一”和“一个”与“该”和“至少一个”以及相似的所指对象将被解释为覆盖单数和复数两者,除非在此处另外被指示或者由上下文明确地否定。由一个或多个项目的列表跟随地使用所述术语“至少一个”(例如,“A和B中的至少一个”)将被解释为意思是从所列出的项目(A或B)中选择的一个项目或者所列出的项目(A和B)中的两个或更多项目的任何组合,除非在此处另外被指示或者由上下文明确地否定。术语“包含”、“具有”、“包括”和“含有”要被解释为开放式的术语(即,意味着“包括但不限于”),除非另外被记注。此处记载的值的范围仅仅意在用作各自参考落入该范围内的每个独立的值的速记方法,除非此处另外被指示,并且每个独立的值被合并到说明书中,就像其在此处被各自记述了一样。此处所描述的所有方法可以按照任何适当的次序被执行,除非此处另外被指示或者由上下文另外明确地否定。使用此处所提供的任何以及所有实例或示例性语言(例如“诸如”)仅仅意在更好地示出本发明,并且不对本发明的范围造成限制,除非另外被要求权利。本说明书中没有语言应被解释为将任何非要求权利的要素指示为对本发明的实施而言必不可少的要素。
此处描述了本发明的优选实施例,包括对于本发明人已知的用于实施本发明的最佳的模式。一旦阅读了前面的描述,那些优选实施例的变体对本领域普通技术人员而言可能变得显而易见。发明人期望熟练的技术人员视情况而定采用这样的变体,并且发明人意在使本发明以与此处所特定地描述的方式不同的方式被实施。因此,此发明包括如由适用的法律所允许的在被随附到这里的权利要求中所记载的主题的所有修改和等同方案。此外,本发明涵盖上面所描述的元素在其所有可能的变体中的任何组合,除非此处另外被指示,或者由上下文另外明确地否定。
Claims (20)
1.一种生物计量与登记模板匹配的方法,所述方法包括:
获取验证模板,所述验证模板包括由输入装置捕获的生物计量样本的验证视图;
将所述验证视图与所述登记模板的多个个体登记视图相比较,以确定所述验证视图和所述个体登记视图之间的个体匹配统计;
将所述验证模板和所述登记模板之间的复合匹配分数计算为所述个体匹配统计以及所述登记模板内的至少一对所述个体登记视图之间的视图间匹配统计的函数;
将所述复合匹配分数与阈值相比较;以及
如果所述复合匹配分数满足所述阈值,则指示所述验证模板和所述登记模板之间的生物计量匹配。
2.根据权利要求1所述的方法,其中,计算所述复合匹配分数包括将所述个体匹配统计与所述视图间匹配统计相比较。
3.根据权利要求2所述的方法,其中,计算所述复合匹配分数包括基于所述个体匹配统计和所述视图间匹配统计之间的对应关系的调节。
4.根据权利要求1所述的方法,其中,计算所述复合匹配分数包括将所述个体匹配统计和所述视图间匹配统计输入到机器学习分类器中。
5.根据权利要求4所述的方法,
其中,所述个体匹配统计包括个体几何变换以及所述验证视图和所述个体登记视图中的每个之间的个体匹配分数,
其中,所述视图间匹配统计包括针对所述至少一对登记视图的至少一个视图间几何变换,以及
其中,所述个体几何变换、所述个体匹配分数以及所述视图间几何变换被输入至所述机器学习分类器中以计算所述复合匹配分数。
6.根据权利要求1所述的方法,
其中,所述个体匹配统计包括所述验证视图和所述个体登记视图中的每个之间的个体匹配分数,
其中,计算所述复合匹配分数包括将所述个体匹配分数与基于所述视图间匹配统计的调节相组合。
7.根据权利要求1所述的方法,
其中,所述个体匹配统计包括根据将所述验证视图与所述个体登记视图中的每个相比较而确定的个体几何变换,
其中,所述视图间匹配统计包括针对所述至少一对登记视图的至少一个视图间几何变换,以及
其中,计算所述复合匹配分数包括将所述个体几何变换与针对所述验证视图的至少一个导出的变换相比较,其中根据所述至少一个视图间几何变换导出所述至少一个导出的变换。
8.根据权利要求1所述的方法,其中,所述个体匹配统计和所述视图间匹配统计各自包括多个匹配的细节。
9.一种用于生物计量与登记模板匹配的装置,所述装置包括:
处理系统,所述处理系统被配置为:
获取验证模板,所述验证模板包括由输入装置捕获的生物计量样本的验证视图;
将所述验证视图与所述登记模板的多个个体登记视图相比较,以确定所述验证视图和所述个体登记视图之间的个体匹配统计;
将所述验证模板和所述登记模板之间的复合匹配分数计算为所述个体匹配统计以及所述登记模板内的至少一对所述个体登记视图之间的视图间匹配统计的函数;
将所述复合匹配分数与阈值相比较;以及
如果所述复合匹配分数满足所述阈值,则指示所述验证模板和所述登记模板之间的生物计量匹配。
10.根据权利要求9所述的装置,其中,计算所述复合匹配分数包括将所述个体匹配统计与所述视图间匹配统计相比较。
11.根据权利要求10所述的装置,其中,计算所述复合匹配分数包括基于所述个体匹配统计和所述视图间匹配统计之间的对应关系的调节。
12.根据权利要求9所述的装置,其中,计算所述复合匹配分数包括将所述个体匹配统计和所述视图间匹配统计输入到机器学习分类器中。
13.根据权利要求12所述的装置,
其中,所述个体匹配统计包括个体几何变换以及所述验证视图和所述个体登记视图中的每个之间的个体匹配分数,
其中,所述视图间匹配统计包括针对所述至少一对登记视图的至少一个视图间几何变换,以及
其中,所述个体几何变换、所述个体匹配分数以及所述视图间几何变换被输入至所述机器学习分类器中以计算所述复合匹配分数。
14.根据权利要求9所述的装置,
其中,所述个体匹配统计包括所述验证视图和所述个体登记视图中的每个之间的个体匹配分数,
其中,计算所述复合匹配分数包括将所述个体匹配分数与基于所述视图间匹配统计的调节相组合。
15.根据权利要求9所述的装置,
其中,所述个体匹配统计包括根据将所述验证视图与所述个体登记视图中的每个相比较而确定的个体几何变换,
其中,所述视图间匹配统计包括针对所述至少一对登记视图的至少一个视图间几何变换,以及
其中,计算所述复合匹配分数包括将所述个体几何变换与针对所述验证视图的至少一个导出的变换相比较,其中根据所述至少一个视图间几何变换导出所述至少一个导出的变换。
16. 一种用于指纹与登记模板匹配的装置,所述装置包括:
指纹传感器;以及
处理系统,所述处理系统被配置为:
获取验证模板,所述验证模板包括由所述指纹传感器捕获的指纹样本的验证视图;
将所述验证视图与所述登记模板的多个个体登记视图相比较,以确定所述验证视图和所述个体登记视图之间的个体匹配统计;
将所述验证模板和所述登记模板之间的复合匹配分数计算为所述个体匹配统计以及所述登记模板内的至少一对所述个体登记视图之间的视图间匹配统计的函数;
将所述复合匹配分数与阈值相比较;以及
如果所述复合匹配分数满足所述阈值,则指示所述验证模板和所述登记模板之间的指纹匹配。
17.根据权利要求16所述的装置,其中,计算所述复合匹配分数包括将所述个体匹配统计与所述视图间匹配统计相比较。
18.根据权利要求16所述的装置,其中,计算所述复合匹配分数包括将所述个体匹配统计和所述视图间匹配统计输入到机器学习分类器中。
19.根据权利要求18所述的装置,
其中,所述个体匹配统计包括个体几何变换以及所述验证视图和所述个体登记视图中的每个之间的个体匹配分数,
其中,所述视图间匹配统计包括针对所述至少一对登记视图的至少一个视图间几何变换,以及
其中,所述个体几何变换、所述个体匹配分数以及所述视图间几何变换被输入至所述机器学习分类器中以计算所述复合匹配分数。
20.根据权利要求16所述的装置,
其中,所述个体匹配统计包括所述验证视图和所述个体登记视图中的每个之间的个体匹配分数,
其中,计算所述复合匹配分数包括将所述个体匹配分数与基于所述视图间匹配统计的调节相组合。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462036037P | 2014-08-11 | 2014-08-11 | |
US62/036037 | 2014-08-11 | ||
PCT/US2015/044745 WO2016025540A1 (en) | 2014-08-11 | 2015-08-11 | Multi-view fingerprint matching |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106796652A true CN106796652A (zh) | 2017-05-31 |
Family
ID=55267644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580054647.5A Pending CN106796652A (zh) | 2014-08-11 | 2015-08-11 | 多视图指纹匹配 |
Country Status (3)
Country | Link |
---|---|
US (2) | US9508022B2 (zh) |
CN (1) | CN106796652A (zh) |
WO (1) | WO2016025540A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9268991B2 (en) * | 2012-03-27 | 2016-02-23 | Synaptics Incorporated | Method of and system for enrolling and matching biometric data |
CN106778457A (zh) * | 2015-12-11 | 2017-05-31 | 深圳市汇顶科技股份有限公司 | 可提高指纹识别率的指纹识别方法及系统 |
US20170372049A1 (en) * | 2016-06-27 | 2017-12-28 | Synaptics Incorporated | Systems and methods for sequential biometric matching |
KR102170725B1 (ko) | 2016-11-07 | 2020-10-27 | 삼성전자주식회사 | 지문 등록 방법 및 장치 |
US10121054B2 (en) * | 2016-11-10 | 2018-11-06 | Synaptics Incorporated | Systems and methods for improving spoof detection based on matcher alignment information |
US10528791B1 (en) | 2017-03-02 | 2020-01-07 | Synaptics Incorporated | Biometric template updating systems and methods |
US10691919B1 (en) * | 2017-03-09 | 2020-06-23 | Idex Asa | Dynamic registration using multiple match enrollment |
KR102316278B1 (ko) * | 2017-04-07 | 2021-10-22 | 삼성전자 주식회사 | 지문 정보를 저장하기 위한 전자 장치 및 방법 |
CN107247918A (zh) * | 2017-04-26 | 2017-10-13 | 努比亚技术有限公司 | 一种终端及指纹成像方法 |
SE1751569A1 (en) * | 2017-12-18 | 2019-06-19 | Fingerprint Cards Ab | Method and device for classifying fingerprint |
CN110795012A (zh) * | 2019-10-31 | 2020-02-14 | 华为技术有限公司 | 电子设备的控制方法、电子设备以及计算机可读存储介质 |
WO2023239408A1 (en) * | 2022-06-06 | 2023-12-14 | Hid Global Corp. | Enrollment, identification, and/or verification for a biometric security system |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5892838A (en) * | 1996-06-11 | 1999-04-06 | Minnesota Mining And Manufacturing Company | Biometric recognition using a classification neural network |
US20040052405A1 (en) * | 2000-04-28 | 2004-03-18 | Krister Walfridsson | Biometric identity check |
US20070036398A1 (en) * | 2005-08-12 | 2007-02-15 | Tianlong Chen | Apparatus and method for partial component facial recognition |
US20080212846A1 (en) * | 2007-01-09 | 2008-09-04 | Kazuya Yamamoto | Biometric authentication using biologic templates |
CN101499130A (zh) * | 2008-01-30 | 2009-08-05 | 深圳市普罗巴克科技股份有限公司 | 一种指纹识别方法和指纹识别系统 |
US20130259330A1 (en) * | 2012-03-27 | 2013-10-03 | Validity Sensors, Inc. | Method of and system for enrolling and matching biometric data |
US20130272586A1 (en) * | 2012-03-28 | 2013-10-17 | Validity Sensors, Inc. | Methods and systems for enrolling biometric data |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0217426A3 (en) | 1985-08-08 | 1988-07-13 | The Secretary of State for Defence in Her Britannic Majesty's Government of the United Kingdom of Great Britain and | Microstrip antenna device |
US5067162A (en) * | 1986-06-30 | 1991-11-19 | Identix Incorporated | Method and apparatus for verifying identity using image correlation |
JP4127546B2 (ja) * | 2003-04-15 | 2008-07-30 | 富士通株式会社 | 画像照合装置、画像照合方法、及び画像照合プログラム |
US20050265587A1 (en) * | 2004-06-01 | 2005-12-01 | Schneider John K | Fingerprint image database and method of matching fingerprint sample to fingerprint images |
US7711158B2 (en) * | 2004-12-04 | 2010-05-04 | Electronics And Telecommunications Research Institute | Method and apparatus for classifying fingerprint image quality, and fingerprint image recognition system using the same |
GB2450479A (en) | 2007-06-22 | 2008-12-31 | Warwick Warp Ltd | Fingerprint recognition including preprocessing an image by justification and segmentation before plotting ridge characteristics in feature space |
US20100080425A1 (en) | 2008-09-29 | 2010-04-01 | Board of regents of the Nevada System of Higher Education, on Behalf of the University of | Minutiae-based template synthesis and matching |
US9036876B2 (en) * | 2013-05-01 | 2015-05-19 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for authenticating biometric data |
KR102187833B1 (ko) * | 2014-01-02 | 2020-12-07 | 삼성전자 주식회사 | 전자 장치의 기능 실행 방법 및 이를 사용하는 전자 장치 |
US10061971B2 (en) * | 2014-07-25 | 2018-08-28 | Qualcomm Incorporated | Enrollment and authentication on a mobile device |
JP6630999B2 (ja) * | 2014-10-15 | 2020-01-15 | 日本電気株式会社 | 画像認識装置、画像認識方法、および、画像認識プログラム |
-
2015
- 2015-08-11 WO PCT/US2015/044745 patent/WO2016025540A1/en active Application Filing
- 2015-08-11 CN CN201580054647.5A patent/CN106796652A/zh active Pending
- 2015-08-11 US US14/824,070 patent/US9508022B2/en active Active
-
2016
- 2016-11-14 US US15/351,299 patent/US10013597B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5892838A (en) * | 1996-06-11 | 1999-04-06 | Minnesota Mining And Manufacturing Company | Biometric recognition using a classification neural network |
US20040052405A1 (en) * | 2000-04-28 | 2004-03-18 | Krister Walfridsson | Biometric identity check |
US20070036398A1 (en) * | 2005-08-12 | 2007-02-15 | Tianlong Chen | Apparatus and method for partial component facial recognition |
US20080212846A1 (en) * | 2007-01-09 | 2008-09-04 | Kazuya Yamamoto | Biometric authentication using biologic templates |
CN101499130A (zh) * | 2008-01-30 | 2009-08-05 | 深圳市普罗巴克科技股份有限公司 | 一种指纹识别方法和指纹识别系统 |
US20130259330A1 (en) * | 2012-03-27 | 2013-10-03 | Validity Sensors, Inc. | Method of and system for enrolling and matching biometric data |
US20130272586A1 (en) * | 2012-03-28 | 2013-10-17 | Validity Sensors, Inc. | Methods and systems for enrolling biometric data |
Non-Patent Citations (1)
Title |
---|
YILONG YIN等: "A framework of multitemplate ensemble for fingerprint verification", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 * |
Also Published As
Publication number | Publication date |
---|---|
US20170061196A1 (en) | 2017-03-02 |
US20160042247A1 (en) | 2016-02-11 |
WO2016025540A1 (en) | 2016-02-18 |
US10013597B2 (en) | 2018-07-03 |
US9508022B2 (en) | 2016-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106796652A (zh) | 多视图指纹匹配 | |
KR102367761B1 (ko) | 바이오메트릭 인식을 위한 시스템들 및 방법들 | |
US10068124B2 (en) | Systems and methods for spoof detection based on gradient distribution | |
US9646193B2 (en) | Fingerprint authentication using touch sensor data | |
US10248837B2 (en) | Multi-resolution fingerprint sensor | |
CN109661670A (zh) | 用于相对于模板而不是根据绝对尺度的欺骗检测的系统和方法 | |
US9842211B2 (en) | Systems and methods for biometric authentication | |
CN107851189A (zh) | 具有力传感器的指纹传感器 | |
US20170372049A1 (en) | Systems and methods for sequential biometric matching | |
CN109906459B (zh) | 用于基于匹配器对准信息改进哄骗检测的系统和方法 | |
US9646192B2 (en) | Fingerprint localization | |
US10552596B2 (en) | Biometric authentication | |
US20170091521A1 (en) | Secure visual feedback for fingerprint sensing | |
CN110073354A (zh) | 用于用户的生物识别认证的电子设备 | |
US20160048718A1 (en) | Enhanced kinematic signature authentication using embedded fingerprint image array | |
US10127429B2 (en) | Systems and methods for spoof detection based on local interest point locations | |
DK3073404T3 (en) | Procedure for identifying user interaction signature | |
CA2854791C (en) | System and method of authentication of an electronic signature | |
Modi | Analysis of fingerprint sensor interoperability on system performance | |
Modi et al. | Performance analysis for multi sensor fingerprint recognition system | |
Modi | CERIAS Tech Report 2008-22 ANALYSIS OF FINGERPRINT SENSOR INTEROPERABILITY ON SYSTEM PERFORMANCE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |