CN107438854B - 使用移动设备捕获的图像执行基于指纹的用户认证的系统和方法 - Google Patents

Abstract

这里提供的技术支持用于执行指纹识别的系统和方法。本发明的实施例涉及一种用于使用诸如智能电话的移动设备捕获用户的生物特征并且生成特征化用户的生物特征的标识符的系统和方法。使用用户的多个手指的捕获的图像来生成生物特征标识符，用于根据所捕获的生物特征来认证/识别用户，并确定用户的活性。本公开还描述了用于防止由欺骗引起的错误认证的附加技术。在一些示例中，防欺骗技术可以包括捕获用户手指的一个或多个图像并且分析所捕获的图像以获得活性的指示。

Description

使用移动设备捕获的图像执行基于指纹的用户认证的系统和 方法

相关申请的交叉引用

本申请是2015年8月6日提交的题为“SYSTEMS AND METHODS FOR PERFORMINGFINGERPRINT BASED USER AUTHENTICATION USING IMAGERY CAPTURED USING MOBILEDEVICES”的美国非临时专利申请序列号：14/819,639的部分继续申请，该美国非临时专利申请序列号：14/819,639基于并要求于2015年2月6日提交的题为“SYSTEMS AND METHODSFOR PERFORMING FINGERPRINT BASED USER AUTHENTICATION USING IMAGERY CAPTUREDUSING MOBILE DEVICES”的美国临时专利申请序列号：62/112,961的优先权，这些内容在此通过引用被并入于此，如同以全文在本文中明确阐述一样。

技术领域

本发明涉及用于捕获和特征化生物特征的系统和方法，特别是使用由诸如智能电话的移动设备的嵌入式相机捕获的手指的图像来捕获和特征化生物特征的系统和方法。

发明内容

由于生物特征是个体的生物学特性(例如指纹、手的几何形状、视网膜图案、虹膜纹理等)，因此生物特征技术可以被用作额外的验证因子，因为生物特征通常比其他非生物识别证书更难获得。生物特征可用于识别和/或认证(也称为身份断言和/或验证)。

生物特征识别断言可能需要应用程序所规定的一定程度的安全性。例如，与金融交易相关的认证或获得对安全位置的访问需要更高的安全级别。因此，优选地，用户的生物特征表示的准确性足以确保用户被准确地认证并且保持安全性。

此外、丢失、交换、混杂和非法收养新生儿是一个全球性的挑战，并且已经提出使用自动生物特征识别系统来基于他们的面部、虹膜、指纹、足纹和/或掌纹识别新生儿。

然而，在虹膜、面部、手指和语音身份断言系统存在并提供必要的准确度的程度上，这样的系统需要专用设备和应用，并且不容易在具有有限的相机分辨率和发光能力的传统智能电话上实现。

电子指纹传感器已经被添加到智能电话设备中，加利福尼亚州库比蒂诺的苹果公司的iPhone 6智能电话和三星韩国的三星公司的三星S5智能电话就是这样的例子。在这些设备中，用户必须通过将手指放在传感器上来登记他们的指纹数据，在稍后的日期，用户可以通过将他们的手指重新定位在传感器上来验证他们的身份，将指纹数据与登记数据进行比较，如果匹配，则确认用户的身份。如果指纹不匹配，则用户可以被识别为冒牌者。这些系统的缺点是指纹传感器增加了设备的尺寸重量和成本。此外，由于这些原因，最小化指纹传感器的尺寸是有利的，并且如此这些指纹传感器通常仅捕获指纹的一部分，这降低了识别的有效性。指纹传感器的捕获的区域越小，另一个手指偶然匹配的机会就越多，指纹数据中的任何错误就越可能导致真实用户的错误拒绝。

此外，通过使用传统的指纹传感器捕获新生儿的指纹是具有挑战性的，因为手指的尺寸和握住新生儿手并将其放置在传感器上的困难。

实际上，这意味着用户(即，成年人和新生儿)从错误的拒绝中遭受更高程度的不便，并且传感器的应用被限制为诸如低价值支付的非关键使用。指纹传感器也可能是欺骗攻击的对象，其中例如将真实用户指纹的模具放置在指纹传感器中以使得冒牌者能够通过认证。这提供了限制使用为非关键应用的另一个原因。

另一个挑战是，只有少数移动设备配备有指纹传感器，其限制了访问指纹授权系统的人的数量，并且导致设备之间的认证方法不一致。

已经提出了使用移动设备的相机分析单个手指的图像的系统，虽然这些系统可能更方便，然而，用于成像和分析单个手指的这种系统的最低错误接受率和假拒绝率对于需要更高安全性的应用、例如中到高价值采购和企业系统(即大规模系统))而言，仍然不够可靠。

因此，需要更可靠、更普遍的手指识别系统。

发明内容

这里提供支持用于执行指纹识别的系统和方法的技术。

根据第一方面，提供了一种用于执行指纹识别的方法。所述方法包括：通过具有相机、存储介质、存储在存储介质上的指令、以及通过执行指令配置的处理器的移动设备捕获描绘对象的多个手指的一个或多个图像。所述方法还包括使用手指检测算法检测在一个或多个图像中描绘的多个手指。所述方法还包括：根据分割算法从一个或多个图像识别多个手指中的每个手指的各个指尖段。此外，所述方法包括提取每个所识别的手指的区别特征，基于所提取的区别特征生成生物特征标识符，并将生物特征标识符存储在存储器中。

这些和其它方面、特征和优点可从本发明的某些实施方案和附图和权利要求的描述中理解。

附图说明

图1是根据本公开的至少一个实施例的用于根据用户的生物特征来认证用户的计算机系统的高层图；

图2A是根据本公开的至少一个实施例的用于根据用户的生物特征来认证用户的计算机系统的框图；

图2B是根据本公开的至少一个实施例的用于根据用户的生物特征来认证用户的软件模块的框图；

图2C是根据本公开的至少一个实施例的用于根据用户的生物特征来认证用户的计算机系统的框图；

图3是示出根据本文公开的至少一个实施例的根据用户的生物特征生成生物特征标识符并登记或认证用户的例程的流程图；

图4A是示出根据本公开的至少一个实施例的用于从视觉图像和对应图像中检测手指的例程的流程图；

图4B是示出根据本公开的至少一个实施例的用于过滤从视觉图像中检测到的指尖区域的例程的流程图；

图4C描述根据图4B的用于过滤指尖区域的例程来捕获和生成的图像；

图5A是示出根据本公开的至少一个实施例的用于从手指的视觉图像检测活性(liveness)的例程的流程图；

图5B是根据用于从手指的视觉图像检测活性的例程捕获的一系列图像；

图5C是根据用于从手指的视觉图像检测活性的例程捕获的一系列图像；

图6A描绘根据本文公开的至少一个实施例生成的手指的捕获图像和相应的脊反射率图像；

图6B描绘根据本文公开的至少一个实施例生成的手指的捕获图像和相应的脊反射率图像(ridge reflectivity image)；

图6C描绘根据本文公开的至少一个实施例生成的手指的捕获图像和相应的脊反射率图像；

图6D描绘根据本文公开的至少一个实施例生成的手指的捕获图像和相应的脊反射率图像；

图6E描绘根据本文公开的至少一个实施例生成的手指的捕获图像和相应的脊反射率图像；

图6F描绘根据本文公开的至少一个实施例生成的手指的捕获图像和相应的脊反射率图像。

具体实施方式

仅通过举例，作为概述和介绍的目的，下面描述的本发明的实施例涉及一种用于捕获用户的生物特征并且使用诸如智能电话的移动设备生成特征化用户的生物特征的标识符的系统和方法。优选地使用用户的多个手指拍摄的图像来生成生物特征标识符，用于根据所捕获的生物特征来认证/识别用户，并确定用户的活性。本公开还描述了用于防止由欺骗引起的错误认证的附加技术。在一些示例中，防欺骗技术可以包括捕获用户生物特征的一个或多个图像并且分析所捕获的图像以指示活性。

在一些实施中，所述系统包括基于云的系统服务器平台，其与固定PC、服务器以及诸如笔记本计算机、平板计算机和用户操作的智能电话设备进行通信。当用户尝试访问被访问控制的网络环境(例如，需要安全登录的网站)时，提示用户使用用户的预注册的移动设备进行验证。验证可以包括通过以用户手指的至少图像的形式捕获生物特征信息，提取唯一特征并将特征编码为指示使用该移动设备的用户的生物特征和/或活性的生物特征标识符，来验证用户的身份和/或验证用户是否活着(例如，确定活性)。因此，用户身份和/或活性可以由移动设备和/或系统服务器或前述的组合通过分析图像、生成的生物特征标识符和/或将图像和/或生物特征标识符与在用户用系统的初始登记期间生成的生物特征标识符相比较来验证。

根据本申请的一个方面，所公开的实施例提供了使用普遍存在且方便使用的移动设备上的基于手指的生物特征识别的用户识别/认证的可靠手段。所公开的实施例使用通常存在于移动设备上的相机来执行基于四个手指的识别，使得在设计上不会生成额外的体积、成本或重量，并且使用可以是普遍存在的。该系统的另一个目标是提供防止欺骗攻击的防御。

本发明同时捕获来自多个手指的生物特征信息，并从每个手指捕获大的打印区域。此外，本发明还可以用于从手的其他区域捕获打印信息以进一步提高系统的可靠性，该手的其他区域包括掌纹和手印。此外，在新生儿识别的情况下，本发明可以用于捕获脚趾。此外，提出的创新可以与现有的移动人脸识别系统相结合。作为非限制性示例，本文和共同待决和共同转让的2016年5月13日提交的题为“SYSTEM AND METHOD FOR AUTHORIZINGACCESS TO ACCESS CONTROLLED ENVIRONMENTS”的美国专利申请序列号14/668,352中描述了用于从面部特征的图像的基于生物特征的用户认证的示例性系统和方法，该是2014年5月13日提交的题为“SYSTEM AND METHOD FOR AUTHORIZING ACCESS TO ACCESSCONTROLLED ENVIRONMENTS”的美国专利号9/003,196、和2014年3月7日提交的题为“SYSTEMS AND METHODS FOR BIOMETRIC AUTHENTICATION OF TRANSACTIONS”的美国专利号9,208,492的继续申请，其通过引用并入本文，如同其各自全文在此阐述。此外，本发明可以用于使用在移动设备上提供的相机来处理所获取的手指照片，以便生成与所获取的手指照片相对应、并且可以与综合自动指纹识别技术(Integrated Automated FingerprintIdentification Systems，IAFIS)中使用的卷曲和平坦(rolled and plain)指纹图像匹配的指纹图像。IAFIS是由联邦调查局(FBI)维护的国家自动指纹识别和犯罪历史系统。IAFIS提供自动指纹搜索能力、潜在搜索能力、电子图像存储以及指纹和响应的电子交换。

公开的实施例可以被称为多模生物特征认证系统。因此，与使用在智能电话中的嵌入式传感器捕获的手指图像或指纹的单个手指移动识别系统相比，多个独立的生物特征(即4-10个手指)的存在提供以下优点：

1.性能：不相关模式(例如，一个人的四个手指和新生儿的十个手指)的组合可以得到比单个手指识别系统更好的性能改善。这种准确度的改善由于两个原因而出现。首先，来自不同手指的生物特征证据的融合有效地增加了区别特征，并减少了不同用户的特征之间的重叠。换言之，与单个手指相比，多个手指的组合对个体更具有区别性。第二，可以通过剩余手指提供的信息来解决手指的子集的采集期间的(由污垢或油墨污迹等因素引起的)噪声、和不精确性。

2.普遍性：解决非普遍性问题，减少登记错误的失败。例如，如果一个人由于手指截肢、手指切割、受伤或磨损的脊(即，磨损的脊可以在对象的一个或多个手指中物理地发生)而不能登记特定的手指，仍然可以使用他的其他手指来识别他。

3.欺骗攻击：使用其中执行了登记用户的多个手指的所公开的实施例，将提高认证系统对欺骗攻击的抵抗力。这是因为越来越难以同时规避或欺骗多个手指。

用于根据用户的生物特征100的图像来认证用户和/或确定用户的活性的示例性系统被示出为图1的框图。在一种布置中，系统由系统服务器105和包括移动设备101a和用户计算设备101b的用户设备构成。系统100还可以包括一个或多个远程计算设备102。

系统服务器105实际上可以是能够与用户设备和远程计算设备通信、并且如本文进一步描述地接收、发送和存储电子信息和处理请求的任何计算设备和/或数据处理装置。类似地，远程计算设备102实际上可以是能够与系统服务器和/或用户设备通信、并且如本文进一步描述地接收、发送和存储电子信息和处理请求的任何计算设备和/或数据处理装置。还应当理解，系统服务器和/或远程计算设备可以是多个联网或基于云的计算设备。

在一些实现中，计算设备102可以与维护用户帐户(“企业帐户”)、并向企业帐户持有者提供服务、并且在提供对这些系统和服务的用户访问之前要求用户的认证的企业组织、例如银行或网站相关联。

用户设备、移动设备101a和用户计算设备101b可以被配置为彼此通信，如本文进一步描述的，系统服务器105和/或远程计算设备102向其发送电子信息并从其接收电子信息。用户设备还可以被配置为接收用户输入以及捕获和处理生物特征信息，例如用户124的数字图像和语音记录。

移动设备101a可以是能够体现本文描述的系统和/或方法的任何移动计算设备和/或数据处理装置，包括但不限于个人计算机、平板计算机、个人数字助理、移动电子设备、蜂窝电话或智能电话设备等。计算设备101b旨在表示用户可以与其交互的各种形式的计算设备，诸如工作站、个人计算机、膝上型计算机、专用销售点系统、ATM终端、访问控制设备或其他适当的数字计算机。

如本文进一步描述的，系统100便于使用移动设备101a根据用户的生物特征来对用户124进行认证。在一些实现中，根据用户的生物特征的识别和/或认证在两阶段处理中利用用户的生物特征信息。第一阶段是指登记阶段。在登记阶段，从个体收集(一个或多个)适当生物特征的样本(例如，图像)。分析和处理生物特征的这些样本以提取每个样本中存在的特征(或特性)。存在于个体的所成像的生物特征中的特征的集合构成人的标识符，并且可用于对用户进行认证，并且在一些实例中确定用户是否是活体对象。然后存储这些标识符以完成登记阶段。在第二阶段中，测量个体的相同生物特征。来自该生物特征的特征就像在登记阶段一样被提取以获得当前的生物特征标识符。如果目标是确定活性，可以分析特征或特性，以确定它们是否代表活体对象。如本文进一步描述的，可以分析所捕获的生物特征图像的其它特征和特性以确定活性。如果目标是识别，则在第一阶段中生成的标识符的数据库中搜索该标识符。如果发生匹配，则揭示个人的识别，否则识别失败。如果目标是认证，则将在第二阶段中生成的标识符与在第一阶段中针对特定人而生成的标识符进行比较。如果发生匹配，则认证成功，否则认证失败。

应当注意，虽然图1描绘了用于针对移动设备101a和用户计算设备101b以及远程计算设备102而验证用户100的系统，但是应当理解，任何数量的这样的设备可以以本文所述的方式与系统交互。还应注意，虽然图1描绘了用于针对用户124而认证用户100的系统，但是应当理解，任何数量的用户可以以本文所述的方式与系统交互。

应当进一步理解，尽管本文所引用的各种计算设备和机器、包括但不限于移动设备101a、系统服务器105以及远程计算设备102在此被称为个别/单个设备和/或机器，但是如本领域技术人员已知的，在某些实现中，所引用的设备和机器以及和它们相关联的和/或伴随的操作、特征和/或功能可以跨越多个这样的设备和/或机器、例如通过网络连接或有线连接来被组合或布置或以其他方式使用。

还应当理解，在移动设备101a(也称为智能电话)的上下文中本文中描述的示例性系统和方法不特别限于移动设备，并且可以使用其他启用的计算设备(例如，用户计算设备102b)实现。

参考图2A，系统100的移动设备101a包括用于实现系统操作的各种硬件和软件组件，包括一个或多个处理器110、存储器120、麦克风125、显示器140、相机145、音频输出155、存储装置190和通信接口150。处理器110用于以可以加载到存储器120中的软件指令的形式执行客户端应用程序。取决于具体实现，处理器110可以是多个处理器、中央处理单元CPU、图形处理单元GPU、多处理器核或任何其他类型的处理器。

优选地，存储器120和/或存储装置190可由处理器110访问，从而使得处理器能够接收和执行在存储器中和/或存储装置上编码的指令，以便使移动设备及其各种硬件组件进行下面更详细描述的系统和方法的方面的操作。存储器可以是例如随机存取存储器(RAM)或任何其它合适的易失性或非易失性计算机可读存储介质。此外，存储器可以固定或可移动的。存储装置190可根据具体实施采用不同形式。例如，存储装置可以包含一个或多个组件或设备，例如硬盘驱动器、闪存、可重写光盘、可重写磁带或上述的某些组合。存储装置可以固定或可移动的。

一个或多个软件模块130被编码在存储装置190和/或存储器120中。软件模块130可以包含具有在处理器110中执行的计算机程序代码或一组指令(也称为“移动认证客户端应用”)的一个或多个软件程序或应用程序。如图2B所示，优选地，在软件模块130中包括的是由处理器110执行的用户接口模块170、生物特征捕获模块172、分析模块174、登记模块176、数据库模块178、认证模块180和通信模块182。这样的计算机程序代码或指令配置处理器110执行本文公开的系统和方法的操作，并且可以以一种或多种编程语言的任何组合来编写。

程序代码可以完全在移动设备101上执行，作为独立的软件包，部分地在移动设备上、部分地在系统服务器105上、或者完全在系统服务器或另一个远程计算机/设备上执行。在后一场景中，远程计算机可通过包括局域网(LAN)、广域网(WAN)、移动通信网络、蜂窝网络、或者可以被使得到外部计算机的连接(例如，通过使用互联网服务提供商的互联网)的任何类型的网络而连接到移动设备101。

也可以说，如本领域普通技术人员已知的那样，软件模块130和一个或多个计算机可读存储设备(诸如存储器120和/或存储装置190)的程序代码可根据本发明而形成可被制造和/或分发的计算机程序产品。

应当理解，在一些说明性实施例中，软件模块130中的一个或多个可以经由网络从另一设备或系统经由通信接口150下载到存储装置190，以在系统100内使用。此外，应当注意，与本系统和方法(诸如数据库185)的操作相关的其他信息和/或数据也可以存储在存储装置中。优选地，这样的信息被存储在被特别分配的加密数据存储装置上，以便安全地存储由执行安全认证应用的处理器收集或生成的信息。优选地，使用加密措施来将信息本地存储在移动设备存储装置上并将信息发送到系统服务器105。例如，这样的数据可以使用1024位多态密码来加密，或者根据导出控制(export controls)、AES 256位加密方法来加密。此外，可以使用远程密钥(种子)或本地密钥(种子)进行加密。可以使用本领域技术人员理解的替代加密方法，例如SHA256。

此外，可以使用用户的生物特征信息、活性信息或移动设备信息作为加密密钥来加密存储在移动设备101a和/或系统服务器105上的数据。在一些实现中，可以使用前述的组合来为用户创建可以使用椭圆曲线密码术、优选地至少为384位长度在移动设备上加密的复杂唯一密钥。此外，该密钥可用于保护存储在移动设备和/或系统服务器上的用户数据。

也优选地存储在存储装置190上的是数据库185。如将在下面更详细地描述的，数据库包含和/或维护在用于认证用户100的系统和方法的各种操作中使用的各种数据项和元素。存储在数据库中的信息可以包括但不限于用户生物特征模板和简档信息，其将在本文中更详细地描述。应当注意，虽然数据库被描绘为在本地被配置到移动设备101a，但是在某些实现中，其中存储的数据库和/或各种数据元素可以另外地或替代地被远程定位(诸如在远程设备102或系统服务器105-未示出上)并且以本领域普通技术人员已知的方式通过网络连接到移动设备。

用户接口115也可操作地连接到处理器。接口可以是一个或多个输入或输出设备，例如开关、按钮、按键、触摸屏、麦克风等，如在电子计算设备领域将被理解的。用户界面用于便于捕获来自用户的命令、例如开-关命令或用户信息以及与用于认证用户100的系统的操作有关的设置。例如，接口用于便于从移动设备101捕获某些信息，例如用于用系统登记以创建用户简档的个人用户信息。

计算设备101a还可以包括显示器140，其也可操作地连接到处理器110。显示器包括屏幕或任何其他这样的呈现设备，其使得系统能够指示或以其他方式向用户提供关于用于认证用户100的系统的操作的反馈。作为示例，显示器可以是诸如点阵显示器(dotmatrix display)或其他二维显示器的数字显示器。

作为进一步的示例，接口和显示器可以被集成到触摸屏显示器中。因此，显示器还用于显示图形用户界面，其可以显示各种数据并提供包括允许用户输入信息的字段的“表单”。在与图形用户界面的显示相对应的位置处触摸该触摸屏允许人与设备进行交互以输入数据、改变设置、控制功能等。因此，当触摸屏被触摸时，用户界面将该改变传达到处理器，且设置可以被更改，或用户输入的信息可以被捕获并存储在存储器中。

移动设备101a还包括能够捕获数字图像的相机145。相机可以是被配置为在利用移动设备101a的同时捕获包括用户的眼睛和/或脸部的用户身体的至少一部分的图像的一个或多个成像设备。相机用于促进用户的图像的捕获，以便执行安全认证客户端应用的移动设备处理器110进行的图像分析，其包括识别用于(生物测量)从图像认证用户的生物特征并且确定用户的活性。移动设备101a和/或相机145还可以包括例如可见光发射器和/或红外光发射器等的一个或多个光或信号发射器(例如，未示出的LED)。相机可以集成到移动设备中，例如结合传感器的前置相机或后置相机，该传感器例如但不限于CCD或CMOS传感器。如本领域技术人员将理解的，相机145还可以包括附加硬件，例如透镜、光计(例如，照度计(lux meter))以及可用于调整图像捕获设置的其它传统硬件和软件特征，该图像捕获设置例如缩放、对焦、光圈、曝光、快门速度等。替代地，相机可以在移动设备101a的外部。本领域技术人员将理解相机和光发射器的可能的变化。此外，如本领域技术人员将理解的，移动设备还可以包括用于捕获音频记录的一个或多个麦克风104。

音频输出155也可操作地连接到处理器110。如本领域技术人员将理解的，音频输出可以是被配置为播放电子音频文件的任何类型的扬声器系统。音频输出可以集成到移动设备101中或移动设备101外部。

各种硬件设备/传感器160也可操作地连接到处理器。传感器160可以包括：板上时钟，以跟踪一天中的时间等；确定移动设备的位置的启用了GPS的设备；加速度计，用于跟踪移动设备的方向和加速度；重力磁力计，以检测地球的磁场，以确定移动设备的三维方向；接近传感器，用于检测移动设备与其他对象之间的距离；RF辐射传感器，以检测RF辐射水平；以及本领域技术人员将理解的其它这样的设备。

通信接口150也可操作地连接到处理器110，并且可以是实现移动设备101a与包括系统服务器105的外部设备、机器和/或元件之间的通信的任何接口。优选地，通信接口包括但不限于调制解调器、网络接口卡(Network Interface Card，NIC)、集成网络接口、射频发射机/接收机(例如，蓝牙、蜂窝、NFC)、卫星通信发射机/接收机、红外端口、USB连接和/或用于将移动设备连接到诸如私有网络和因特网的其他计算设备和/或通信网络的任何其它这样的接口。这样的连接可以包括有线连接或无线连接(例如，使用802.11标准)，尽管应当理解，通信接口实际上可以是实现向/从移动设备的通信的任何接口。

在用于认证用户100的系统的操作期间的各个点处，移动设备101a可以与诸如系统服务器105、用户计算设备101b和/或远程计算设备102的一个或多个计算设备进行通信。这样的计算设备向/从移动设备101a发送和/或接收数据，从而优选地启动维护和/或增强系统100的操作，如将在下面更详细描述的。

图2C是示出系统服务器105的示例性配置的框图。系统服务器105可以包括处理器210，其可操作地连接到各种硬件和软件组件，其用于使能系统的认证用户100的操作。处理器210用于执行指令以执行与用户认证和事务处理有关的各种操作，如将在下面更详细描述的。取决于具体实现，处理器210可以是多个处理器、多处理器核或任何其他类型的处理器。

在某些实现中，存储器220和/或存储介质290可由处理器210访问，从而使处理器210能够接收和执行存储在存储器220和/或存储装置290上的指令。存储器220可以是例如随机存取存储器(RAM)或任何其它合适的易失性或非易失性计算机可读存储介质。此外，存储器220可以是固定或可移动的。存储装置290可根据具体实施方式而采用不同形式。例如，存储装置290可以包含一个或多个组件或设备，例如硬盘驱动器、闪存、可重写光盘、可重写磁带或上述的某些组合。存储装置290可以是固定或可移动的。

一个或多个软件模块130被编码在存储装置290和/或存储器220中。一个或多个软件模块130可以包含具有在处理器210中执行的计算机程序代码或一组指令的一个或多个软件程序或应用(统称为“安全认证服务器应用”)。如本领域技术人员将理解的，用于执行本公开的系统和方法的方面的操作的这种计算机程序代码或指令可以以一种或多种编程语言的任何组合来编写。程序代码可以作为独立软件包而在系统服务器105上整体执行，部分地在系统服务器105上、且部分地在远程计算设备(诸如远程计算设备102、移动设备101a和/或用户计算设备101b)上执行，或在这样的远程计算设备上整体执行。如图2B所示，优选地，软件模块130中包括的是由系统服务器的处理器210执行的分析模块274、登记模块276、认证模块280、数据库模块278和通信模块282。

也优选地存储在存储装置290上的是数据库280。如将在下面更详细地描述的，数据库280包含和/或维护在系统100的各种操作中使用的各种数据项和元素，包括但不限于如将在下文更详细描述的用户简档。应当注意，虽然数据库280被描绘为本地地配置给计算设备205，但在某些实现中，存储在其中的数据库280和/或各种数据元素可以被存储在被远程定位并通过网络(未示出)连接到系统服务器105的计算机可读存储器或存储介质上，以本领域普通技术人员已知的方式。

通信接口255也可操作地连接到处理器。通信接口255可以是能在系统服务器105与外部设备、机器和/或元件之间通信的任何接口。在一些实现中，通信接口255包括但不限于调制解调器、网络接口卡(NIC)、集成网络接口、射频发射机/接收机(例如，蓝牙、蜂窝、NFC)、卫星通信发射机/接收机、红外端口、USB连接和/或用于将计算设备205连接到其他计算设备和/或诸如私有网络和因特网的通信网络的任何其它这样的接口。这样的连接可以包括有线连接或无线连接(例如，使用802.11标准)，尽管应当理解，通信接口255实际上可以是实现向/从处理器210的通信的任何接口。

参考用于促进捕获生物特征信息和认证的方法，将进一步理解用于认证用户100的系统和上述各种元件和组件的操作，如下所述。从移动设备101a和/或系统服务器105的角度示出了本文描述的处理，然而，应当理解，可以由移动设备101a、系统服务器105和/或其他计算设备(例如，远程计算设备102和/或用户计算设备101b)或前述的任何组合全部或部分地执行处理。应当理解，可以执行比图中所示和本文描述的更多或更少的操作。这些操作也可以以与本文所述不同的顺序执行。还应当理解，一个或多个步骤可以由移动设备101a和/或其他计算设备(例如，计算设备101b、系统服务器105和远程计算设备102)执行。

现在转向图参考图3，流程图示出了根据本文公开的至少一个实施例的用于从一个或多个图像检测用户的生物特征的例程300。通常，例程包括捕获和分析用户的至少多个手指的一个或多个图像。优选地，捕获四个手指，然而如本文所述，可以捕获和分析更多或更少的手指。如上所述，捕获过程可以在用户的登记期间以及在后续认证会话期间执行，这也将参照图3进行描述。

应当理解，根据所公开的实施例，可以捕获图像，并且可以使用广泛可用的移动设备(例如，移动设备101a)且具有能够在至少可见光谱带中捕获用户手指的图像的数字相机145来生成指示用户的唯一生物特征和/或活性的生物特征标识符。

该过程在步骤305开始，其中通过执行一个或多个软件模块130(包括优选地，捕获模块172)配置的移动设备处理器110使相机145捕获用户(124)的捕获了一只手的所有四(4)个手指的至少一部分的一个或多个图像。优选地，相机例如使用传统智能电话设备的后置相机，来捕获高分辨率图像。如果可用，可以使用闪光照明来捕获图像以增加细节。

在一些实现中，在捕获过程期间，提示用户将其手指定位在相机前面。在该程序中，可以在设备显示器上给予用户来自相机的视觉反馈，使得用户可以适当地定位他们的手指。在一些实现中，显示器上显示的标记可用于引导用户将其手指放置在相机的视场中的特定位置处，并且在特定的距离处。例如，可以要求用户将手指与覆盖在相机图像预览屏幕上的四(4)个手指轮廓对齐，因此当用户在相机预览上填充手指轮廓时，用户将知道他们的手指处于与相机的合适的距离处。在一些实现中，用户可以将其食指、中指、无名指和小手指保持在一起，而不是使它们间隔开。然后，在一些实现中，可以要求用户分别捕获双手的每只手的拇指。在一些实施中，用户将是一个新生儿，成年人将帮助她/他以捕获手指的图像。相机的焦点可以由配置的处理器设置为对焦在手指上，这可以被认为是屏幕上手指位置指引的位置。在一些实施方案中，分类器将被训练以检测图像中的手指，并且该分类器可以在手指被检测到并对焦时触发相机捕获图像。在某些实现中，可用于检测图像中的手指的分类器可以是已经使用常规Haar特征训练的Haar Cascade分类器或适合于检测手图像中的手指(以及脚图像，例如，在新生儿识别系统的情况下)的预定义和预先设计的器。在一些实现中，在使用分类器来检测所捕获的图像中的手指之前，可以将图像增强程序应用于图像。在一些实现中，可以在应用手指分类器之前应用的图像增强程序可以被设计为通过(pass)指纹脊频率但最小化离焦(out of focus)背景频率的带通滤波器。

然后，可以检查捕获的图像，并且将通过分析手指的脊(ridge)来确定所捕获的生物特征样本的质量。这种质量测量可以是以下脊特性的融合测量：频率、方向、锐度和连通性。如果质量测量值低于预定阈值，则可以建议和引导用户再次重复捕获过程。

在手指的捕获后，然后时步骤310，将识别每个手指的区域。然后，在步骤315，区域被增强，然后，在步骤320，每个手指的区别特征空间可以被独立提取并分开存储。更具体地，在步骤310，配置的处理器110可以执行自动手指检测算法来检测图像中的手指。例如，示例性手指检测算法可以包括分割算法的应用以区分手指与背景。这可以例如通过将图像划分成同类(homogeneous)区域、然后检查每个区域并将其分类为手指或非手指区域来执行。此外，这可以例如通过使用检测和分类手指和指尖的分类器来执行。在一些实现中，可以用Haar Cascade分类器、HOG级联分类器、LBP级联分类器或这些分类器的组合来训练用于检测不同手指、对它们进行分类和检测指尖的分类器。分类器的训练可以在本领域已知的已知示例图像上执行。请注意，被训练以寻找手的分类器可以首先用于缩小其他手指寻找分类器的搜索区域，以提高速度和准确性。还要注意，这种分类器可以与其他指尖位置寻找技术结合使用以提供改进的准确度。在一些实现中，使用分类器识别的区域可以被边界突出显示，并在移动设备显示器上显示给用户。例如，被识别为指尖段(fingertipsegment)的区域可以由突出显示所识别区域的图像中的边界来限定。边界可以是包括矩形或椭圆形边界的各种形状，并且可以突出显示不同的部分，包括指尖、手指、手、一组手指、其他手指区域等。用户登记数据可以用于一旦用户确认了指尖位置就帮助训练分类器。例如，在一些实现中，可以在以下步骤中总结捕获和检测手指和指尖的过程。(1)捕获手图像，然后(2)调用被训练以寻找第一指尖区域的级联分类器，然后被训练以寻找第二指尖区域的另外的分类器，等等。

作为示例而非限制，可以实现分类器(例如LBP分类器)的使用以在图像中寻找指尖，此外，首先使用分类器来寻找手的主要区域、如整个手或手的四个手指、然后使用次级方法来在主要区域内定位次要区域(minor region)(例如指尖或中间指骨)也是有利的。次级方法可以是被训练以定位每个次要区域的另一个分类器。次要分类器的结果可以使用预期关系(例如，每个次要区域之间的规定的关系(例如当手被闭合的手指保持平时，四(4)个手指具有可以用来排除假匹配的已知的位置关系))的知识进一步过滤。可以通过查找其他突出的手特征(例如手指之间的连接)的位置并且使用该信息来对来自分类器的结果进行过滤来应用进一步的过滤。此外，主分类器可以被实时使用以在使用者将手指呈现给相机时跟随手指、并确保在自动触发图像拍摄和/或生物特征匹配之前对焦和曝光对该手是最佳的。

如前面所述和这里进一步描述的，处理器可以被配置为当用户正将手指呈现给相机并且正使用相机捕获图像时、实时地检测和跟踪手指。图像的跟踪位置可以用于检测手指何时在位置上足够稳定，以及用于提高验证图像的质量和手指识别的可靠性。

在一些实现中，处理器可以被配置为通过在对象检测方法和诸如模板匹配或光流(optical flow)的更快的跟踪方法之间动态地切换来加速实时手指检测。例如，当已经检测到四个指尖的集合时，并且已经确定它们表示手时，所配置的处理器可以使用光流算法来跟踪手指。结果，与例如级联分类器也曾被应用于后续图像帧的情况相比，可以以显著更低的延迟和更高的帧速率来跟踪手指位置。可以通过将由处理器搜索到的图像中的搜索空间限制为局部图像区域来实现高速度，并且处理器可以被配置为仅匹配表示区别特征的像素(诸如手指中心)。

如果手指放置太远或离开视野，对象跟踪可能会失败。当处理器检测到失败时，处理器可以恢复到初始对象检测方法，例如Cascasde(级联)分类器。在跟踪四个手指的情况下，处理器可以测量手指的相对位置(例如，手指中心之间的距离)，并且如果已经确定该距离已经被显著改变(例如高于规定的阈值)，那么该系统可以恢复到对象检测。

优选地，捕获系统能够检测用户的手指何时保持静止(在一定的公差内)，以防止验证图像中的运动模糊。这可以例如通过在帧之间跟踪对象(例如，计算行进的向量(vector of travel))并且当对象的速度低于阈值速度时捕获高分辨率验证图像来实现。

定位对象位置的小错误可以传播到速度向量的计算中。诸如级联分类器之类的方法通常会在对象位置中引入帧到帧(from frame to frame)的人造波动(对象中心“跳动”)。这种位置噪声干扰了确定对象何时静止。然而，如上所述，使用光流的跟踪具有较低的噪声、并且提供对象位置的更快的更新，并且可以使静止对象检测显著地更可靠。

此外，在一些实现中，手指长度信息可以被存储并用作指尖识别算法的一部分，可以对预期指纹在图像中的特定相对位置处的事实放置某种权重，并且这可以提高指纹寻找算法的可靠性，并且例如有助于拒绝错误地进行的指纹匹配。关于每个手指的高度和宽度的信息也是如此。此外，用户皮肤的颜色可以在登记时被存储并用作进一步的生物特征识别和/或活性验证措施。这具有如下优点：具有正确指纹但不正确肤色的欺骗指纹(例如粉红色硅胶模具、或来自恢复的潜在指纹的黑白激光打印(laser print))被拒绝作为欺骗。

图4描绘了用于从捕获的手指图像和相应图像中进行指尖检测的示例性例程400。如图所示，在步骤405获得包括多个手指的捕获图像。示出了示例性的高分辨率图像作为图像405a。在步骤410，将图像缩小/转换为灰度图像，并且应用主要级联以检测图像内的手。在图像410a中描绘了示例性灰度图像和围绕在检测到的手区域而描绘的多个边界。在步骤415中，选择最大的检测到的手区域，并且扩大该区域以包括进一步指尖检测的周围区域(例如扩展区域)。在图像415a中描绘了示例性灰度图像和围绕被选择和被扩展的手指区域而描绘的边界。然后在步骤420，应用一个或多个更高灵敏度的级联分类器来检测次要区域，即每个手指的指尖区域。在图像420a中描绘了示例性灰度图像和围绕在多个检测到的指尖区域而描绘的边界。如图所示，检测到的指尖区域可以超过图像中实际指尖的数量。然后在步骤425，过滤指尖区域。这里参考图4B进一步描述过滤。在图像425a中描绘了示例性灰度图像和围绕在过滤的检测到的指尖区域而描绘的边界。然后在步骤430，调整感兴趣的指尖区域(regions of interest，ROI)(例如，调整大小或向下延伸)以纠正纵横比。在图像430a中描绘了示例性灰度图像和围绕在被检测到并且被调整大小的ROI而描绘的边界。

手指检测优选地对于室内照明和室外照明是鲁棒的，其中在室内照明和室外照明中，用照明拍摄的图像可以显著不同。例如，在低光环境中，背景常常曝光不足并变暗，而在强烈的漫反射阳光下，背景亮度可能超过手指的亮度，且阴影可能会显著不同。因此，在一些实现中，可以通过由移动设备处理器确定环境光的量、并且基于检测到的光水平来实时地切换到特定光水平的更好光路径，来改进手指检测方法。例如，可以从例如在移动电话上找到的用于调整屏幕亮度的基于硬件的照度计读取光水平，或者从相机曝光设置估计光水平。

在一个这样的实现中，对于各个光水平特定的一个或多个分类器可以被存储，并且可用于处理器以执行手指分割。例如，可以对在高环境光中拍摄的图像训练用于检测手指的一个或多个区域的第一级联分类器，而对于在低环境光中拍摄的图像训练第二级联分类器。基于测量的光水平，配置的移动设备处理器可以应用适当的分类器。更具体地，第一分类器可以作为默认被处理器用于检测，除非光水平超过阈值，在这种情况下可以使用第二分类器。分类器之间的切换可以实时发生，例如，如果正在捕获和分析具有不同环境照明水平的图像帧的序列。还可以理解，应用环境光特定的分类器的上述方法可以应用于在处理期间最初捕获的图像(例如，当用户将其手指定位在位于相机前面的适当位置处时捕获的低分辨率图像)或后序的高分辨率图像捕获(例如，在初始图像捕获中检测到手指并且将手指确定为对焦之后捕获的高分辨率图像)。

此外，在一些实现中，基于所测量的光水平，所配置的移动设备处理器可以选择性地实现如下面进一步描述的人造闪光图像预处理步骤。例如，当光水平足够高时，可以应用人造闪光处理，以避免使用闪光灯照亮对象。

没有手指检测的单一方法保证100％的成功，但是，处理器可以被配置为计算检测质量的度量，并且基于该度量，应用一系列检测方法，直到实现足够高的质量的结果。例如，在检测到所有四个手指的情况下，如在此进一步描述的，配置的处理器可以计算分数以确定四个检测的哪一个集合最可能代表手。如果该分数差(例如，不符合规定的阈值)或手指丢失，则配置的处理器可以应用进一步的检测技术。进一步的检测技术可以是不同训练的分类器的形式、或一些其他不相关的方法。此外，在一些实现中，配置的处理器可以根据用户已知的手度量来估计丢失的手指位置，例如，该用户已知的手度量是从先前的登记或认证捕获确定的。可以理解，应用这些方法的特定顺序不一定是不变的，并且实现的特定检测技术和应用的顺序可以被处理器选择性地应用为测量的环境条件的函数、特定移动设备硬件的能力、或者随着时间的推移而被定制给特定用户(例如，基于训练和/或机器学习算法)。鉴于上述情况，可以理解，为了提高检测速度，处理器可以被配置为应用分层的(tiered)分割方法，其中首先应用更快(和潜在地较不精确)的分割算法，并且在结果的质量不够的情况下，过渡到更鲁棒的(有时更处理密集型的)分割算法，以更准确地检测指尖段。

如上所述并在此进一步描述，由移动设备处理器实现的示例性的基于手指的识别算法可以包括一个或多个图像增强步骤，以改善手指检测和特征提取。因为诸如级联分类器的检测方法通常在灰度图像上起作用，所以例如，如果只有亮度(luma)被用作输入，则颜色信息丢失。因此，通过在转换为灰度之前增强表示预期颜色的区域，可以有益地改善用于检测具有已知颜色特性的对象(例如人的手)的方法。

在一个示例性实现中，适用于由处理器实现的手指检测的图像预处理方法包括适应皮肤模型(Adaptive Skin Model)。更具体地，处理器可以被配置为分析一个或多个捕获的图像并且例如通过检测图像内的手来定位已知肤色的区域，然后计算颜色模型。然后将图像转换成HSV颜色空间，且将概率密度函数(probability density function，PDF)适配(fit)到预定皮肤区域内的像素的色调值和饱和度值的两者的分布。图像中的剩余像素位于PDF内，并且提取概率(p值)，表示像素表示皮肤的可能性。优选地，该过程是迭代的，在于超过阈值p值的所有像素用于精炼先前的模型，然后使用处理器将所更新的模型应用于所有像素。在一些实现中，通过假设皮肤区域是连续的，具有低p值但是被具有高p值的像素包围的像素也可以被包括在该模型中。该过程可以在固定次数的迭代之后或当皮肤像素的数量不再显著增加(即，不再增加规定量，收敛)时暂停。然后可以将收敛的p值直接用作(转换为灰度图像)输入以用于进一步检测算法，或者另外或替代地，可以将该收敛的p值用于相对于背景、非皮肤区域提亮图像中的皮肤区域(例如，用作“人造闪光”)。

在手指在(例如，使用屏幕上的指引来引导的)相对预定的位置中被呈现给移动设备相机的情况下，处理器可以被配置为假定特定区域很可能代表肤色(例如，在指引中的手的集中区域)。因此，该假设区域可以用作用于构建皮肤模型的初始区域。另外或替代地，当用户使用系统登记(例如，在不使用皮肤模型的情况下完成)时，可以记录肤色。

图4B描绘了用于过滤检测到的指尖区域/段的示例性例程450(即，图4A的步骤425)。过滤通常是指选择最佳的指尖段的集合(即，选择最可能对应于实际指尖段的每个手指的指尖段)。

该过程开始于步骤455，其中在水平(“X”)方向上排序(例如，根据手指的顺序而在垂直于手指的方向上排列)指尖检测。然后在步骤460，使用多个检测到的指尖区域生成四个指尖区域的组合。在图像460a中描绘了示例性灰度图像和围绕四个检测到的指尖区域的组合而描绘的边界。

然后在步骤465-480，对四个指尖区域的组合的集合的每个组合的集合进行评分。评分包括分析指尖区域以确定个体指尖区域和/或多个指尖区域的物理特征，并将测量的特性与预期特性进行比较。如本文进一步描述的，评分可以基于一个或多个指尖段相对于其他指尖段的物理特性的比较分析，并且额外的或替代地，可以基于一个或多个指尖段相对于多个手指的物理特性、例如先前检测的手区域的总宽度(例如，在步骤415中检测到的“手宽度”)的比较分析。

更具体地，在一些实现中，可以将集合中的检测的组合宽度与手宽度进行比较，并基于该比较而进行评分。另外或替代地，鉴于手宽度，检测的宽度分布(例如，相邻手指段之间的中心到中心(center to center)的距离)也可以相对于手指段的预期宽度分布而被评分。预期宽度分布可以被确定为来自先前识别的手指的训练集合的平均值。训练集合和该集合可以根据手宽度而被归一化以进行准确比较。例如，图像470a、四个手指的示例性灰度图像、围绕四个检测到的指尖区域/段的组合而描绘的边界以及相邻段d1、d2和d3之间的测量的中间到中间(middle-to-middle)的距离。

在一些实现中，可以为每个特定比较分配权重，使得所计算的分数是权重的函数。例如，较少的决定性/重要措施(例如，具有较低精确度或准确性或具有较低可靠性的测量)可以通过被分配较低的权重而被打折扣，以便不会扭曲评分的整体结果。作为示例而非限制，由于小指的相对长度在个体之间具有较高的差异，所以与与小指相关的确定的Y中的测量距离的影响可以相应地“低加权(down weighted')”。图4B中的表470b描绘用于评定相对距离特征的示例性宽度、重量和预期宽度。如表470b所示，相邻手指之间的示例性预期相对距离是四个手指的总宽度的1/4，并且每个被分配1的权重。

在步骤475，指尖段的宽度也可以相对于其他指尖段进行评分。手指宽度的比较可以基于特定手指的预期相对宽度。例如，预期食指相对于末端手指较大，因此，可以根据这种单个手指段比较来评分指尖区域/段的相对宽度。在图像475a中描绘了手指的示例性灰度图像和对应于两个中间的手指(食指和中指)的四个可能的检测到的指尖区域。

类似地，在步骤480，可以根据各个指尖段的预期长度对指尖区域在Y方向上的相对位置进行评分。例如，通常预期相对于末端手指、中间的两个手指在Y方向上较高，并且可以根据这样的预期相对位置特征对指尖段进行评分。因此，可以分析指尖段在Y方向上的高度的分布(即与手指的方向平行的方向)。更具体地，分析Y中的分布包括分析如480a中描绘的手指的“长度图案(pattern)”。也就是说，预期食指比中指短，中指长于无名指，无名指长于小指。因此，该对象的兴趣区域应该具有从食指到小指的在Y中跟随“上、下、下”图案的位置。精确的预期模式可以被确定为来自先前识别的手指的训练集合的平均值。可以理解，可以根据各自的手指和/或手尺寸对训练集和指尖段的集合进行归一化，以准确地比较Y中的相对长度和/或位置。因此，处理器可以被配置为计算各个感兴趣的区域/段的顶部边界之间的在Y中的距离，从而给出三个距离：食指到中指、中指到无名指、无名指到小指。然后，处理器可以使用手宽度来归一化距离，使它们在不同尺寸的手上是可比较的。此后，可以将距离与预期图案进行比较，并且手指的组合可以根据该比较而被评分。在图像480a中描绘了手指的示例性灰度图像和在Y方向上中被比较的四个可能的检测到的指尖区域。还可以理解，指尖区域的相对高度、宽度、Y位置和X位置也可以根据重要性和/或可靠性而被加权。

除了上述措施之外，配置的处理器还可以根据所描绘的指尖段的照明特征对指尖段的组合进行评分。更具体地，可以预期手指在图像中以大致相等的照明出现。因此，配置的处理器可以针对指尖段的每个组合测量跨越指尖段的组合的照明，并对照明中的差异进行评分。为了速度和准确性，只能将每个指尖段的中心处(例如，10×16矩形内)的像素值相加，并确定4个求和的差异。高差异意味着一个或多个指尖段被错误地定位，并且可以分配更差的分数。

然后在步骤485，将指尖区域的组合的累积分数加权，求和，并根据计算的分数来识别段的最佳组合。在图像485a中描绘了手指的示例性灰度图像和围绕四个检测到的指尖区域的最佳评分组合而描绘的边界。

此外，在一些实现中，可以通过分析每个区域内的边缘的频率和方向来执行检查。另外或替代地，包含手指的图像的段可以被识别为主要填充屏幕上手指定位指引的位置的(一个或多个)段。

在一些实现中，在例如仅使用四(4)个手指进行识别的情况下，用于登记和验证四(4)个指纹的鲁棒程序可以如下运行：a)引导用户将其四(4)个手指放在相机前面并捕获闪光图像。b)可选地使用图像处理算法(如前所述)来识别四个指纹(和感兴趣的其它区域)的位置。c)通过例如在指纹区域上超级叠加椭圆，向用户突出显示这些区域，并请求用户准确地接受指纹识别，或者通过将椭圆拖动到正确的位置来调整错位的指纹椭圆。这样可以确保准确的登记指纹。d)使用准确的登记的指纹作为未来的验证程序。这可能包括使用登记的指纹来在验证图像中查找验证指纹的过程。

此外，在一些实现中，在捕获四(4)个手指的情况下，可以通过在每个相邻手指之间限定接缝，例如通过定位在脊方向中存在扰动的点，来将四个手指的检测图像划分成四个单独的手指，。这些点被称为奇点(singular point)。然后，可以使用K均值聚类算法将确定的点聚类成表示四个手指的四(4)个簇。在一些实现中，K均值可以使用特殊距离函数来计算将在聚类算法中使用的距离矩阵。即使它们相对于传统的欧几里德距离远，这个特殊功能也将使得位于同一根手指上的点的距离测量较小。然后，区域增长分割算法可以用于单独分割每个手指。

然后，对于每个手指，可以在图像内识别每个手指的远端指骨的至少一个区域。优选地，位于手指段的尖端和中间指骨和远端指骨之间的较粗线条之间的手指区域被识别为其包含细节的最具有区别性的特性。

手指和手都具有可能形状构造的相对受限的空间，因此，在一些实现中，主动形状模型(Active Shape Model)和主动外观模型(Active Appearance Model)可用于实现非接触式指纹识别。例如，为了从目标图像中定位和分割手，首先通过在示例图像中的手特征(诸如指尖边界)上放置点的集合来计算点分布模型(Point Distribution Model)。然后通过使用用户手放置指引或其他图像处理技术形成关于手位置的初始估计，来在目标图像内初始化该模型。例如，级联分类器可用于向手位置提供初始估计。然后通过迭代地将其与图像数据进行比较并更新点位置来寻找模型的最佳适配。

适配的模型的点用于提取感兴趣的区域以进行识别。例如，使用描述指尖边界的点来提取指纹。

类似地，可以使用描述手指形状的主动形状模型来分割各个指尖。例如，首先使用级联分类器寻找包含指尖的图像区域，然后使用该模型将其分割以去除背景和相邻手指。此外，可以针对个体用户量身定做主动形状模型。例如，给定正确的模型适配，由用户在系统登记期间确认，模型被调整以更好地描述个体的手和手指的形状。这增加了识别的速度和可靠性，并且可以使用与该模型的偏差来识别欺骗。

为了获得最大的指纹提取质量，可以提示用户相对于照明光源和相机的位置将他们的手和手指放置在最佳位置，例如，在设备的显示器上提供最佳手指放置的视觉指引或轮廓。这可能是将指纹定位在相机视场的中心附近，指纹对向相机的最大角度约为+/-20度。例如，手指可以被放置得离光源足够远，以便最小化具有照射光线的入射角，防止在倾斜表面上的细节损失，同时足够靠近足够强烈的照明。同时，手指被定位为朝向相机以最大程度地反射照明并且被定位成足够靠近相机，以确保足够的像素密度用于识别。

通过向智能相机系统添加额外的照明光源或扩展光源来扩展照明光源的空间范围，可以进一步提高捕获的指纹质量。例如，通过在智能电话或平板计算机的光的角落添加4个LED将被指纹的更多区域有利地反射，得到更高的指纹捕获质量。

一旦识别出手指的相关区域，则在步骤315，可以增强相关区域。更具体地，通过执行包括优选的分析模块172的软件模块130配置的移动设备处理器110可以处理图像的部分以增强图像的细节，其例如使用一组Gabor滤波器被调谐到平滑的脊方位图。在一些实现中，该图像增强的主要目的是生成与使用实时扫描传感器捕获并通常存储在作为IAFIS的传统数据库中的指纹印象的图像类似的指纹图像。这种相似性意味着使用移动设备捕获的图像模拟与从实况扫描传感器捕获的图像相同的质量和属性。这种相似性是期望的，以确保将由移动设备捕获的图像与存储在传统数据库(例如IAFIS)中的指纹印象的图像进行匹配的可能性。

为了改善从指尖提取区别特征，使用增强滤波器以增强脊和沟(ridges andfurrows)之间的对比度是有利的。在一些实现中，移动设备处理器可以应用直方图均衡来通过在可能的值范围(通常在灰度图像中通常为[0,255])上均匀地分布强度来提升局部图像对比度。这可以通过计算像素强度的累积直方图、归一化为允许范围内的最大值、以及根据其在该分布中的位置重新映射源像素来实现。

对比度增强具有不区分、且因此增强背景噪声以及感兴趣的信号的缺点。因此，在对比度增强之前通过滤波来仅隔离感兴趣的信号可能是有益的。例如，处理器可以应用带通滤波器去除具有不对应于指纹脊的预期频率的频率的信号。一种这样的实现通过从原始源图像中减去高斯模糊滤波的源图像来去除高频率。然后该结果可以通过应用具有适当较小半径的另一个高斯模糊滤波器再次滤波以去除低频。然后可以将直方图均衡应用于带通的结果，以获得用于特征提取的最佳图像。

在步骤320中，提取每个手指的细节并生成生物特征标识符。如本领域技术人员将理解的那样，细节是指指纹的脊结束处的点，且纹理是指由脊限定的图案。更具体地，通过执行包括优选地分析模块172的软件模块130配置的移动设备处理器110分析增强图像，以使用诸如细节提取算法的算法从每个手指的至少远端区域提取特征。

用于指纹比较的大多数自动系统都是基于细节匹配；因此，可靠的细节提取是一项重要任务。许多这样的方法需要将指纹灰度图像转换成骨架图像。然后，简单的图像扫描允许检测对应于指纹脊结束和分叉处的细节的像素。提取的细节可以存储为二维平面中的点集合。

最后，配置的处理器可以执行基于细节的匹配算法，以生成指纹之间的相似度分数。这些匹配算法通过寻找模板和导致最大数量的细节配对的输入细节集合之间的对齐来计算指纹之间的相似性分数。

从远端区域提取的特征可以与从手指和/或手的剩余识别区域类似地提取的其它特征一起存储。可以在包括一个或多个特征向量的一个或多个生物特征标识符中特征化这些特征。

在登记期间，在步骤325，这样的特征向量作为生物特征标识符(例如，模板)被存储在存储器中，以在确保用户验证步骤中使用。替代地，在用户验证(步骤330)期间，将生物特征标识符与登记期间存储的版本进行比较。

更具体地，在验证过程中，捕获用户的手指，并且如关于步骤305-320所述地生成生物特征标识符。然而，在步骤330，然后将查询特征向量与所登记的和存储的特征向量进行比较。基于比较，由配置的处理器110生成与匹配的相似性相关的匹配分数。如果匹配分数表示足够接近的匹配，则可以确定用户通过验证程序。

在一个或多个实现中，匹配分数可以是基于将查询指纹(例如查询特征向量)与登记的指纹单独匹配并确定组合的匹配分数的组合匹配分数。更具体地，从手图像的数据库中，图像可以被配对，具有两个不同类型的对：相同手的图像的对以及不同手的图像的对。对于这些手上的每对手指(例如食指和食指)，可以计算匹配分数，其测量这些手图像的接近度，其中更高的分数表示更接近的匹配。

这些分数可以被绘制成分数分布。对于每种类型的手指(例如无名指)，存在两个分布，来自相同手的相同手指的匹配图像的分数以及来自不同手(即冒牌者)的相同手指的匹配图像的分数。

这些分数分布可以被认为是概率分布，其给出给定匹配分数属于其中一个分布的概率。这些经验导出的分布可以被平滑噪声，且通过将其匹配到已知的分布、例如伽马分布来被紧密地特征化。

给定一个未特征化的一对手指图像，示例性识别系统可以被配置为确定匹配分数。然后可以使用这些适配的概率分布来确定该对手指图像属于同一个手指或不同手指的概率的比率(可能性)。

当进行完整的四指匹配时，配置的系统可以针对已知对象的先前登记的图像(“图库”图像)测试一个未知图像(“探测”图像)。对于每对探测手指相对图库手指，系统可以确定似然比。然后可以将这些比率相乘，最后的结果提供探测图像属于提供了图库图像的对象的机会的总体测量。

该方法具有不被具有较差预测能力的特定手指降级的优点；具体地，小手指不太可能提供比其他手指明显预测的匹配。它还允许对不良图像的一些容忍；如果一个手指得到差的匹配，如果另一个手指得到特别好的匹配，则该一个手指可以被补偿。

虽然在多个手指上组合分数提供了对不良图像的容忍度，但是理论上可以使单个探测/图库匹配分数足够大以导致整体通过。这可能使得更容易产生欺骗，例如，如果攻击者能够产生授权用户手指之一的非常高质量的传真。减轻该问题的示例性方法可以包括在匹配和评分过程期间由处理器要求最少数量的探测手指以单独产生跨越次级阈值的匹配分数，以及要求匹配分数的组合通过主要匹配阈值以确定肯定的匹配。因此，这种措施将要求任何成功的欺骗成功地复制了最少数量的手指，这是比成功地复制单个手指更困难的任务。可以理解，可以调整认证过程所需的分数高于次要阈值的手指的最少数量和次要阈值的值，以便根据实施方式的安全需求来抵御针对恶化图像质量的复原的欺骗的风险。

通常，当将查询手指数据与登记的手指数据进行比较时，重要的是要确保各个图像的比例是相似的。因此，在步骤320的指纹图像的分析期间，配置的处理器110可以确定指纹脊的基本频率。在登记期间(例如，步骤325)，配置的处理器可以存储基本频率。在验证(例如，步骤330)期间，配置的处理器在比较之前可以调节大小(scale)验证指纹的基本频率以匹配所登记的指纹的基本频率。另外或替代的，处理器可以将指纹的频率归一化为规定的参考频率，例如一(1)，使得实际频率不必被存储。因此，在识别期间，查询指纹可以被归一化为规定的参考值。

应当理解，可以在生成特征向量之前或者在认证期间比较特征向量之前对图像帧执行一个或多个预处理操作。作为示例而非限制，在分析之前的图像数据的预处理可以包括将图像帧定向(orient)在本领域技术人员将理解的坐标空间等中。

关于实现现有的调节算法的基于图像的指纹识别的现有技术通常会错误地调节大小达约2％的指纹，导致认证期间的错误拒绝。这部分是由于使用图像中的数量不足的参考点的那些算法(即，仅使用两点，指纹的尖端/起始点和指纹的底/终点)来相应地减小尺寸和调节大小。为了改进调节大小操作，根据所公开的实施例中的一个或多个，处理器可以实现分析指纹的平均频率(例如，典型的每英寸的行数)的算法，因此将指纹的尺寸归一化。由于该技术基于在指纹区域上的许多点处拍摄的较大的指纹像素集合来判定调节大小，因此在调节大小处理期间可以获得相当高的可靠性。

在登记和验证步骤之前和/或之后，该方法还可以包括检测活性的步骤。在图3的步骤335描绘了活性的检测。可以实现活性检测方法来验证捕获的四(4)个手指图像是来自真实手指而不是例如手指的打印欺骗或模具。更具体地，在一些实现中，通过执行软件模块130(优选地包括分析模块172)配置的移动设备处理器110可以分析手指的图像质量，并且确定它们是否与来自活体手指和/或假手指的图像一致，其中活体手指和/或假手指的图像通常具有明显的假象，例如降低的分辨率和锐度。

例如，如本文进一步描述的，一种活性检测技术可以是在成像期间提示用户旋转手，并且配置的处理器可以确定成像的手是适当地使用、例如来自运动技术的深度和来自对焦技术的深度的三维的。替代地，系统可以实现用于被动活性检测的技术，例如以分析图像质量以检查其是否足够锐利，而不是低分辨率(例如，来自手的欺骗性打印)。配置的处理器还可以分析手指的颜色以确定着色是否与活体手图像和/或用户手的已知颜色一致。因此，在一些实现中，可以通过同时检测指尖和手来执行手的颜色一致性，换句话说，颜色统一性。然后，分离由手掌和下指骨(即近端和中间)构成的不包含指尖的手的区域，然后确定该区域的颜色直方图和4个检测指尖区域的颜色直方图。最后，在一些实现中，比较这两个直方图可以用作手和手指的颜色统一性的测试，以确定活性测量，特别是如果攻击者使用模具(即假手指)来欺骗系统。此外，配置的处理器还可以请求用户用他们的手指进行一个或多个手势，例如张开和闭合手指或以特定方式移动某些手指。

此外，在一些实现中，可以对分类器进行训练以区分活性与欺骗。可以对分类器进行训练，以便其了解真实手指图像与各种欺骗图像之间的差异。实现分类器的处理器然后将被配置为基于其训练提供通过失败结果。

此外，在一些实现中，作为生物特征活性的额外因素，可以考虑图像中的指纹的位置，即真正的用户将具有特定长度的第一、第二、第三和第四手指。因此，当用户使得其手的手指伸出并闭合在一起时，四(4)个指纹的位置应具有与该特定用户一致的相对定位。该信息可以用作额外的安全检查，以防止欺骗攻击。例如，在电话屏幕上发现潜在指纹的黑客不太可能推断用户手指的长度，因此不太可能正确呈现它们。

关于图3描述的进一步的示例性系统和方法，构思各种替代和变换。在一些实现中，用户手指的登记图像不一定被移动设备相机捕获。相反，手指特征向量可以从诸如手指图像的预先记录的数据库的替代源获取。

在一些实现中，在登记过程期间，为了捕获手指(例如但不限于具有改进的分辨率的四个或十个手指)，可以在各个图像中顺序地捕获每个手指的图像。在这种情况下，在登记过程期间，显示屏幕上手指指引的配置的处理器可以提示用户一次将一个手指放置在屏幕上，并且可以使用分割算法来分别识别手指的远端指骨区域和指纹区域。

在一些实现中，除了将匹配过程(例如，步骤330)限制到指尖(例如，远端指骨)区域的比较之外，除了指纹或代替指纹，该比较可以包括手指的其他部分。例如，感兴趣的区域可以包括具有可检测图案的手的任何部分、或远端和中间的指骨或掌骨。这些区域中的一些具有更多的优点，即它们更能抵御欺骗攻击，从而提供更高水平的安全性。例如，用户的指尖指纹通常可以在用户触摸的智能电话外壳或其他表面上找到。这些潜在指纹可能由冒牌者复制，并且可以创建可能通过验证的模具。然而，掌骨上的掌纹更难以找到，因为这些手部区域接触表面以留下潜在的纹路不常见。

在一些实现中，代替使用奇点将四个手指簇分离成单独的手指，可以提示用户在捕获期间张开他们的手指。然后使用分割算法隔离手指，并且可以使用轮廓变形方法来识别每个指尖的位置。

在一些实现中，可以使用肤色、频率和方向来执行相关手指区域的分割。例如，Sobel算子可以被配置的处理器实现，以强调对焦的区域(即，手指而不是背景)，以帮助该分割过程。另外或替代地，还可以通过简单地从与用户在捕获过程期间被引导而放置他们的手指的区域相关的捕获图像中提取固定区域来进行分割。

在一些实现中，在认证过程期间，可以使用登记的指纹信息来执行分割。通过基于在登记期间生成的指纹模板来分割和识别和/或匹配指纹特征可以提供超过现有技术的改进。例如，现有的基于图像的指纹识别技术在登记和认证期间以相同的方式隔离指纹，并且因此为了进行可靠的使用以不能令人满意的成功将单个指纹与图像隔离。在某些例子中，使用现有方法的成功隔离仅在96％的时间内发生，导致认证期间的4％的错误拒绝。通过在多个手指上分离地使用该技术，这个问题就更加复杂了。

然而，根据所公开的实施例中的一个或多个，用于指纹隔离的不同算法由配置的处理器执行，即，使用登记的指纹来查找手指并且在认证期间隔离/匹配指纹的算法。这显著地提供了更强大的性能。在一些实现中，配置的处理器可以例如通过从整个四个手指图像提取手指特征(例如细节)，以及通过穷举地比较图像中的所有位置与来自登记指纹的手指特征来定位手指区域，来实现分割过程。手指区域将被知道位于找到登记的手指以匹配图像中的手指特征的位置。此外，为了最小化图像中随机特征的假匹配的可能性，可以例如在捕获四(4)个手指程序的情况下，通过确保第一、第二、第三和第四手指是根据用户指引覆盖图像而按照预期的方式大致发现的，皮肤颜色与预期一样等(例如，使用登记模板的模板匹配来指引比较)，来检查匹配区域的有效性。而且，不是使用该过程来搜索整个图像以找到手指位置，所以搜索范围可以被限制到从用户指引覆盖图像预期手指的区域。

除了将手指的调节大小基于基本脊频率以外或者替代地，处理器110可以被配置为基于以下中的一个或多个来给手指调节大小：分割的四个手指簇的宽度、感兴趣的每个手指区域的宽度或长度、或手指上的特定点，例如点状接头处的单点和更粗的线。

除了(或代替)基于细节的匹配手指之外，处理器110还可以被配置为基于纹理来匹配指纹。

此外，在一些实现中，代替为手指使用一个图像，可以使用多个图像来登记或认证用户。多个图像可以由配置的处理器110使用相机145以各种曝光和/或焦距来捕获，以创建具有增强的景深和/或动态范围的图像。捕获具有这种变化的曝光和/或焦距的图像可以帮助确保在手上的各个位置处的指纹的焦点是最佳的。因此，配置的处理器可以选择和分析具有对感兴趣的手指部分具有最佳焦点的(多个)图像或图像的部分。

另外或替代地，活性检测可以通过检查其他指标与真实手指而不是打印或视频或模制手指欺骗相一致来实现。这些指标可以包括分析从图像中捕获的闪光的镜面反射、与不使用闪光灯拍摄的图像进行比较地分析来自闪光的镜面反射、颜色、颜色指标(从而拒绝黑白和单色欺骗)。

在一些实施方式中，可以通过从由手指的图像获得的焦点信息的镜面反射或深度的分析来检测活性。作为非限制性示例，本文和共同待决的和共同转让的题为“SYSTEMSAND METHODS FOR PERFORMING IRIS IDENTIFICATION AND VERIFICATION USING MOBILEDEVICES UTILIZING VISIBLE SPECTRUM LIGHTING”的于2014年10月15日提交的美国专利申请序列号62/066,957中描述了基于镜面反射和对焦测距(depth-from-focus)信息的活性确定的示例性系统和方法，通过引用并入本文，如同其全部内容一并列出。还可以通过分析手指(例如，手指手势)的动态移动(例如倾斜手指或者如由相机拍摄的图像序列描绘地张开/收缩手指)来检测活性。作为非限制性示例，本文和共同待决的和共同转让的于2014年8月26日提交的题为“SYSTEM AND METHOD FOR DETERMINING LIVENESS”的美国专利申请序列号62/041,803描述了用于基于生物特征和手势的动态移动的活性确定的示例性系统和方法，全部内容通过引用并入本文。

在一些实现中，可以通过在捕获手指图像期间发射到手指脊上的光的反射率分析来检测活性。活体的手指脊不均匀地反射闪光，而打印的手指均匀地反射闪光。因此，可以分析在手指的图像中捕获的脊反射率特性以确定活性。本文关于图5的流程图和如图5B-5C所示的对应图像进一步描述了基于反射率来确定活性的示例性过程。在步骤505，获得对活性检测算法的输入。输入包括开闪光灯捕获的一个或多个手指的(一个或多个)高分辨率图像、以及不开闪光灯捕获的手指的高分辨率图像。图5B示出了手指的示例性开闪光灯505A和不开闪光灯图像505B。在步骤510，开闪光图像被调整大小，使得图像内的指纹被隔离。在步骤515，包括相应手指的不开闪光灯图像中的区域被分割(例如根据上述的示例性指纹分割算法)。因此，开闪光灯图像中描绘的指纹和不开闪光灯图像中的相应指纹被隔离用于进一步处理。分别示出了指尖的示例性隔离的开闪光灯和不开闪光灯图像作为图5B中的图像510A和515B。然后在步骤520，应用高通滤波器以保持描绘脊的图像的一部分。分别示出了指尖的示例性滤波的开闪光灯和不开闪光灯图像作为图5B中的图像520A和520B。然后在步骤525，计算活性分数。在一个示例性布置中，根据从滤波的不开闪光灯图像生成的直方图的标准差(a)和从滤波的开闪光图像生成的直方图的对应的标准差(b)，计算活性分数(即活性分数＝a/b)。作为示例，在图5C中描绘了在对指纹的欺骗图像应用过程500期间获得的相似图像。在其他实现中，可以从滤波的开闪光灯和不开闪光灯图像的直方图来计算其他测量，以计算活性分数。以下是可以使用的测量的一些示例：(1)直方图的均值之间的差异，(2)直方图频率的均值之间的差异，(3)直方图频率的标准差的比率，(4)直方图的峰度之间的差异，和/或(5)滤波的开闪光灯和不开闪光灯图像中的对应关键点的数量。在一些实现中，开闪光灯和不开闪光图像的背景的像素强度的差异可以用作活性测量。

图6A-6F描绘了在相对于相机视野的各种位置处捕获的手指的示例性脊图像。具体地，图6A描绘了离相机太远并具有低指纹分辨率的手指的捕获图像和对应的脊图像。图6B描绘了离相机太远并具有低指纹分辨率的手指的捕获图像和对应的脊图像。图6C描绘了由于在视场中的中心并且足够靠近相机的手指放置而示出了良好的分辨率的捕获图像和对应的脊图像。图6D描绘了由于高角度LED反射而在食指和小指的边缘处示出了反射损失的捕获图像和对应的脊图像。图6E描绘了当手指放置在相机视野边缘附近时、由于高角度LED反射而在手指的尖端处示出了反射损失的捕获图像和对应的脊图像。图6F描绘了当手指放置在相机视野边缘附近时、由于高角度LED反射而在手指的尖端处示出了反射损失的捕获图像和对应的脊图像。

在一些实现中，基于指纹的认证可以进一步与面部识别相结合，以提供多模式生物特征的增强的安全性/可靠性。例如，在智能电话的情况下，可以与使用前置相机进行脸部和/或虹膜捕获同时或顺序地，使用智能电话后置相机捕获用户的四个手指。作为非限制性示例，本文和共同待决的和共同转让的于2015年5月4日提交的题为“SYSTEM AND METHODFOR GENERATING HYBRID BIOMETRIC IDENTIFIERS”的美国专利申请序列号62/156,645描述了用于生成混合生物特征标识符以及使用混合生物特征标识符执行识别/认证的示例性系统和方法，全部内容通过引用并入本文。

作为进一步的示例，除了通过根据例程300生成手指特征向量来特征化用户之外，如上所述，可以从在步骤305捕获的图像或单独捕获的生物特征信息中提取附加生物特征。这样的附加生物特征可以包括例如但不限于软生物特征特点和硬生物特征特点。“软生物特征”特点是物理的、行为的或粘附的人类特性，而诸如指纹、虹膜、眼周特性等的硬生物特征通常是不变的。作为进一步的示例，软生物特征特点可以包括诸如皮肤纹理或皮肤颜色的物理特点。软生物特征还可以包括由智能电话陀螺仪/加速度计检测到的运动、通过眼睛跟踪算法检测的眼睛运动特性和通过跟踪面部和/或头部的运动来检测的头部运动特性。可以根据前述方法以及现有的生物特征分析算法来提取和特征化这样的生物特征。此外，用户的生物特征的附加特征化可以被编码为在步骤320生成的生物特征标识符的一部分，或者以其他方式例如通过融合多个生物特征标识符而被包括在包括指纹生物特征标识符的复合生物特征标识符中。

在一个或多个示例性实施例中，可以以比通常由用户使用诸如智能电话的手持设备执行的距离更大的距离来执行手指的图像捕获。可以使用被配置为使用可能的短程到长程(short-range to long-range)图像获取模式捕获图像的系统来类似地实现示例性实施例。可以使用诸如使用远摄镜头的各种基于光学的系统、以及基于激光对焦的系统和基于声纳的系统的光学模型来执行一定距离处的图像采集。这些类型的较远程图像捕获模型的应用在执法、军事和智能方面至关重要，且最终可以被部署在商业环境中。

此外，可以在对象不是静止的情况下执行图像捕获，这样的实施方式在本文中称为移动中的指纹(Fingerprint on the move，FOM)系统。，这种类型的机会主义捕获可以随着时间的推移、与负责在秘密操作和/或监视模式下的这项工作的特殊操作人员变得可见一人的指纹的同时发生。

为了远距离捕获，可以实现超分辨率技术以通过使用来自多个帧的数据来提高指纹质量，并且将来自不同帧的部分指纹区域拼接成更大的指纹图像。作为非限制性示例，本文和共同待决的和共同转让的于2014年10月15日提交的题为“SYSTEMS AND METHODS FORPERFORMING IRIS IDENTIFICATION AND VERIFICATION USING MOBILE DEVICESUTILIZING VISIBLE SPECTRUM LIGHTING”的美国专利申请序列号62/066,957中描述了用于执行超分辨率技术以基于多个图像捕获来生成标识符并且用于使用其进行识别/认证的示例性系统和方法，通过引用并入本文。

此外，可以理解的是，可以使用在NIR光和IR光谱中捕获的图像以及使用装备有NIR和/或IR发光器的设备来类似地执行用于执行指纹采集和识别的上述过程。这种实现可能对于并入静脉图案识别作为附加生物特征因子是特别有用的。作为非限制性示例，本文和共同待决的和共同转让的于2015年3月6日提交的题为“SYSTEMS AND METHODS FORPERFORMING IRIS IDENTIFICATION AND VERIFICATION USING MOBILE DEVICES”的美国专利申请序列号62/129,277中描述了用于使用NIR和IR发光器捕获NIR和IR光谱带中的生物特征图像并执行识别/认证的示例性系统和方法，通过引用并入本文，如同其再次全部阐述。

在这种情况下，应当注意，虽然前面的许多描述针对用于根据使用传统智能电话设备而捕获的用户生物特征来认证用户的系统和方法，但是本文公开的系统和方法可以类似地部署和/或应用在超出所引用的场景的场景、情况和设置中。

虽然本说明书包含许多特定的实施方式细节，但是这些细节不应该被解释为对于任何实现或可能要求保护的范围的限制，而是对特定实现的特定实施例的特定的特征的描述。在分开的实施例的上下文中在本说明书中描述的某些特征还能够在单一实施例中组合地实施。相反地，在单一实施例的上下文中描述的各种特征还能够分开地实施在多个实施例中或者实施在任何合适的子组合中。而且，虽然特征可能在上面被描述为出现在某些组合中并且甚至一开始就被请求按这样进行保护，但是来自请求保护的组合的一个或多个特征在一些情况下能够从该组合中被删除，并且请求保护的组合可以指向子组合或者子组合的变化。

类似地，尽管在附图中以特定次序描绘了操作，但是这不应当被理解为需要以示出的特定次序或以相继的次序来执行这样的操作或者需要执行所有示意的操作来取得满意的结果。在某些情况下，多任务和并行处理可能是有利的。另外，在上述实施例中对各种系统组件的分离不应当被理解为在所有实施例中要求这样的分离，而是应当理解，所描述的程序组件和系统可通常地在单个软件产品中被集成在一起或者被封装成多个软件产品。

在这里使用的术语仅用于描述特定的实施例的目的而不意在限制本发明。在此采用单数形式“一”和“该”目的是也包括复数形式，除非上下文另外清晰指出。还将理解，当术语包括和/或包含在本说明书中使用时，指定所陈述的特征、整体、步骤、操作、元素、和/或组件的存在，但是不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或它们的组的存在或者添加。应当指出，在权利要求中使用诸如“第一”、“第二”、“第三”等的顺序术语本身并不意味着一个权利要求要素的优先权、优先级或顺序超过另一个，或执行的方法的作用的时间顺序，但仅用作标签来区分具有特定名称的一个权利要求元素与具有相同名称的另一元素(但是为了使用序数项)以区分权利要求元素。此外，这里使用的措辞和术语是为了描述的目的，不应被视为限制。“包括”、“包含”或“具有”、“含有”、“涉及”及其变体的使用意图包括其后列出的项目及其等同物以及附加项目。应当理解，附图中相同的附图标记表示几个附图上的相同的元件，并且并非所有实施例或布置都需要参照附图描述和示出的所有部件和/或步骤。

因此，本系统和方法的说明性实施例和布置提供了一种计算机实现的方法、计算机系统和用于根据用户的生物特征认证用户的计算机程序产品。附图中的流程图和框图示出了根据各种实施例和布置的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这方面，流程图或框图中的每个框可以表示代码的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。还应当注意，在一些替代实现中，在块中记录的功能可能不按图中所示的顺序进行。例如，取决于所涉及的功能，连续示出的两个块实际上可以基本上同时执行，或者有时块可以以相反的顺序执行。还将注意到，框图和/或流程图说明中的每个块和框图和/或流程图说明中的块的组合可以由执行指定功能或动作的基于硬件的专用系统或专用硬件和计算机指令的组合来实现。

上述主题仅通过说明的方式提供，不应被解释为限制性的。可以不遵循所示和所描述的示例实施例和应用，并且不脱离所附权利要求中阐述的本发明的真实精神和范围下，对本文描述的主题进行各种修改和改变。

Claims (52)

1.一种执行指纹识别的方法，所述方法包括：

通过具有相机、存储介质、存储在存储介质上的指令、以及通过执行指令来配置的处理器的移动设备捕获图像，其中所述图像描绘对象的多个手指；

用所述处理器对所述图像应用多个手指检测算法检测一个或多个图像中描绘的多个手指，其中所述多个手指检测算法包括被训练为检测图像中的任何手指的级联分类器；

基于对所述一个或多个图像中的所述多个手指的检测，用所述处理器使用分割算法处理至少一个图像，以识别被检测成在所述一个或多个图像中描绘的所述多个手指中的一个或多个手指的各自的指尖段，其中所述分割算法是被应用于所述至少一个图像并且被训练为在所述至少一个图像的区域内定位所述各自的指尖段的分类器，并且其中所述各自的指尖段是包括指纹的至少一个手指的远端部分；

用所述处理器为每个手指从各自的指尖段提取区别特征；以及

生成包括提取的区别特征的生物特征标识符；

用所述处理器将所生成的生物特征标识符存储在存储器中。

2.如权利要求1所述的方法，还包括：

用所述处理器使用所述相机捕获描绘所述多个手指的一个或多个初始图像；

用所述处理器使用所述手指检测算法来检测所述一个或多个初始图像中描绘的多个手指；以及

用所述处理器从所述一个或多个初始图像确定所述多个手指是对焦的。

3.如权利要求2所述的方法，还包括：

响应于检测到所述初始图像中的所述多个手指、并且确定所述多个手指是对焦的，用所述处理器触发所述相机捕获所述至少一个图像。

4.如权利要求1所述的方法，其中，处理至少一个图像以识别每个手指的各自的指尖段的步骤包括：

用所述处理器使用主分类器来区分所述包括多个手指的所述至少一个图像中的主要区域与背景区域；以及

用所述处理器并且使用被训练为识别指尖段的分类器在主要区域内识别每个手指的各自的指尖段。

5.如权利要求1所述的方法，其中，所述至少一个图像以适合于识别其中所描绘的一个或多个指尖段的区别生物特征的分辨率被捕获。

6.根据权利要求1所述的方法，其中处理至少一个图像以识别每个手指的各自的指尖段的步骤还包括：

用所述处理器使用一个或多个次分类器分析所述至少一个图像中的描绘所述手指的至少一部分，以识别多个候选指尖段组；以及

用所述处理器根据与所述多个手指中的一个或多个手指和单个手指相关的所测量的物理特性和预期物理特性，过滤多个候选指尖段组。

7.如权利要求6所述的方法，其中所述所测量的物理特性包括如下中的一个或多个：

一个或多个候选指尖段的相对宽度；

所述组中的所述候选指尖段的相对长度；

所述组中的所述候选指尖段在水平方向上的相对位置；以及

所述组中的所述候选指尖段在垂直方向上的相对位置。

8.如权利要求7所述的方法，还包括：

确定所述多个手指的总宽度；并且

其中预期的物理特性是所述总宽度的函数。

9.如权利要求6所述的方法，其中所述过滤所述多个候选指尖段的步骤包括：

识别一个或多个候选指尖段组；

对于所述一个或多个组中的每一组，

测量所述组中的所述候选指尖段的物理特征，

将所述组中的所述候选指尖段的所测量的物理特性与相应的预期物理特性进行比较，以及

根据所述比较计算所述组的分数；以及

根据计算的分数选择最佳组。

10.如权利要求9所述的方法，还包括：

根据所述比较计算所述组中的每个候选指尖段的加权分数，其中每个比较具有被定义为可靠性的函数的相关权重；以及

根据所述加权分数计算所述组的分数。

11.如权利要求4所述的方法，还包括：

用所述处理器将所述至少一个图像中的描绘多个手指的至少一部分分割成多个次要区域；

用实现一个或多个次分类器的所述处理器，将次要区域的子集分类为指尖段；以及

在次要区域的子集中识别每个手指的各自的指尖段。

12.如权利要求11所述的方法，其中结合附加的指尖位置发现算法来实现所述多个次分类器。

13.如权利要求11所述的方法，还包括：

其中根据多个手指的预期物理特性识别每个手指的各自的指尖段。

14.如权利要求11所述的方法，还包括：在提取所述各自的指尖段的区别特征的步骤之前，增强所述图像中所描绘的所述次要区域。

15.如权利要求14所述的方法，其中，增强所述次要区域包括：

用所述处理器生成用于每个次要区域的平滑的脊方向图；以及

通过以下中的一个或多个来增强每个平滑的脊方向图：

应用带通滤波器，其被配置为通过指纹脊频率并使背景图像频率最小化，以及

执行像素强度的直方图均衡，其中所述直方图均衡包括绘制像素强度的直方图，以及调整所述强度，使得所述直方图包括所述直方图上的每个强度的近似相等的量。

16.如权利要求1所述的方法，其中从各自的指尖段提取区别特征包括：

根据细节提取算法从各自的指尖段提取各个手指的细节；并且

其中生成所述生物特征标识符包括为每个手指编码代表在存储器中的提取的细节的特征向量。

17.如权利要求1所述的方法，还包括：

用所述处理器将所生成的生物特征标识符与先前存储的与用户相关联的生物特征标识符匹配；

基于所述匹配生成所生成的生物特征标识符与所存储的生物特征标识符之间的相似性分数；以及

基于所述相似性分数验证所述对象是所述用户。

18.如权利要求17所述的方法，还包括：

用所述处理器确定所生成的生物特征标识符代表活体对象。

19.如权利要求1所述的方法，还包括在提取步骤前：

用所述处理器在存储器中为多个手指中的每个手指构造围绕各自指尖段的边界，以突出显示各自的指尖段；

用所述处理器在移动设备的显示器上显示所述图像和边界；以及

用所述处理器在所述移动设备的显示器上，提示用户确认突出显示指尖段的边界的位置。

20.一种执行指纹识别的方法，所述方法包括：

通过具有相机、存储介质、存储在存储介质上的指令、显示器以及通过执行指令来配置的处理器的移动设备捕获描绘对象的手指的图像；

用所述处理器应用多个手指检测算法自动地检测一个或多个图像中描绘的手指，其中所述多个手指检测算法包括级联分类器；

基于所述检测，用所述处理器使用分割算法处理至少一个图像，以识别所述手指的各自的指尖段，其中所述分割算法是分类器并且其中所述各自的指尖段是包括指纹的所述手指的远端部分；

用所述处理器为所述手指从各自的指尖段提取所述指纹的区别特征；以及

生成包括提取的区别特征的生物特征标识符；

用所述处理器将所生成的生物标识符存储在存储器中。

21.如权利要求20所述的方法，其中识别各自的指尖段的步骤包括：

用所述处理器使用主分类器区分在描绘手指的图像内的主要区域与背景区域；以及

用所述处理器在主要区域内识别所述手指的各自的指尖段。

22.如权利要求20所述的方法，其中识别各自的指尖段的步骤还包括：

用所述处理器使用一个或多个次分类器分析所述图像中的描绘所述手指的至少一部分，以识别多个候选指尖段；以及

用所述处理器根据与手指相关的所测量的物理特征和预期物理特性过滤多个候选指尖段。

23.如权利要求22所述的方法，其中过滤所述多个候选指尖段的步骤包括：

对于每个候选指尖段，

测量所述候选指尖段的物理特性，

将所述候选指尖段的所测量的物理特征与相应的预期物理特征进行比较，以及

根据所述比较计算候选指尖段的分数；以及

根据计算的分数选择各自的指尖段。

24.如权利要求20所述的方法，其中识别各自的指尖段的步骤还包括：

用所述处理器将图像中的描绘所述手指的至少一部分分割为多个次要区域；

用实现一个或多个次分类器的所述处理器，将次要区域的子集分类为指尖段；以及

在次要区域的子集中识别手指的各自的指尖段。

25.如权利要求24所述的方法，其中结合附加的指尖位置发现算法来实现所述一个或多个次分类器。

26.如权利要求24所述的方法，还包括：

其中根据所述手指的预期物理特性识别所述手指的各自的指尖段。

27.如权利要求24所述的方法，还包括，在提取所述各自的指尖段的区别特征的步骤之前，增强所识别的各自的指尖段。

28.如权利要求27所述的方法，其中，增强所述各自的指尖段包括：

用所述处理器生成各自的指尖段的平滑的脊方向图；以及

通过以下中的一个或多个来增强每个平滑的脊方向图：

应用带通滤波器，其被配置为通过指纹脊频率并使背景图像频率最小化，以及

执行像素强度的直方图均衡，其中所述直方图均衡包括绘制像素强度的直方图，以及调整所述强度，使得所述直方图包括所述直方图上的每个强度的近似相等的量。

29.如权利要求20所述的方法，其中提取所述各自的指尖段的区别特征包括：

根据细节提取算法从所述各自的指尖段提取所述手指的细节；以及

其中生成所述生物特征标识符包括编码代表在所述存储器中的提取的细节的特征向量。

30.如权利要求20所述的方法，还包括：

用所述处理器将所生成的生物特征标识符与先前存储的与用户相关联的生物标识符匹配；

基于所述匹配生成所生成的生物特征标识符与所存储的生物特征标识符之间的相似性分数；

基于所述相似性分数验证对象是所述用户；以及

用所述处理器确定所生成的生物特征标识符代表活体对象。

31.如权利要求20所述的方法，还包括在提取步骤前：

用所述处理器在存储器中构造围绕各自的指尖段的边界，以突出显示各自的指尖段；

用所述处理器在移动设备的显示器上显示所述图像和边界；以及

用所述处理器在所述移动设备的显示器上，提示用户确认突出显示指尖段的边界的位置。

32.如权利要求20所述的方法，还包括：

用所述处理器将每个编码后的特征向量与先前存储的与用户相关联的特征向量进行比较；

基于所述比较计算相似度分数；

验证对于所述多个手指中的规定数量的手指分别计算出的相似度分数超过二次匹配阈值，并且计算出的相似度分数的组合超过主要匹配阈值；以及

基于所述验证确定所述对象是所述用户。

33.一种执行指纹识别的方法，所述方法包括：

通过具有相机、存储介质、存储在存储介质上的指令、以及通过执行指令配置的处理器的移动设备捕获描绘对象的多个手指的图像；

用所述处理器应用手指检测算法检测在一个或多个图像中描绘的所述多个手指，其中所述手指检测算法包括级联分类器；

基于所述检测，用所述处理器使用分割算法处理所述一个或多个图像以在所述多个手指中识别每个手指的各自的指尖段，其中所述分割算法是被训练为从所述一个或多个图像中的、检测到了所述多个手指中的给定手指的区域内定位各自的指尖段的分类器，并且其中所述各自的指尖段是包括指纹的所述给定手指的远端部分；

用所述处理器为每个手指从所识别的各自的指尖段提取区别特征；以及

生成包括提取的区别特征的生物特征标识符；

用所述处理器将所生成的生物特征标识符存储在存储器中。

34.如权利要求33所述的方法，其中检测多个手指的步骤包括顺序地应用多个手指检测算法。

35.如权利要求34所述的方法，其中应用所述多个手指检测算法的顺序由所述处理器基于以下中的一个或多个来确定：所测量的环境条件、所述移动设备的硬件能力以及所述对象的一个或多个预期特征。

36.如权利要求33所述的方法，其中，所述检测多个手指的步骤包括：

在多个手指检测算法中选择第一手指检测算法；

由所述处理器使用所述第一手指检测算法检测所述一个或多个图像中描绘的至少一个候选手指组；

计算表示所述至少一个候选手指组表示多个手指的可能性的质量度量；以及

基于不符合规定阈值的质量，选择另一手指检测算法并重复之前的检测和计算步骤。

37.如权利要求36所述的方法，其中所述另一手指检测算法是与所述第一手指检测算法不同地训练的分类器。

38.如权利要求34所述的方法，其中，所述检测多个手指的步骤还包括：

用所述处理器使用一个或多个传感器测量环境照明条件；

用所述处理器基于所测量的环境照明条件，从所述多个手指检测算法中识别第一手指检测算法；以及

用所述处理器将第一手指检测算法应用于所述一个或多个图像以检测多个手指。

39.如权利要求38所述的方法，其中所述多个手指检测算法包括根据各自的环境照明条件训练的级联分类器。

40.如权利要求38所述的方法，其中环境照明条件是从以下中的一个或多个来测量的：由移动设备上的照度计测量的和从所述相机的曝光设置估计的光水平。

41.如权利要求33所述的方法，还包括：

用所述处理器从所述一个或多个图像确定所述一个或多个图像内的所述多个手指在位置上是稳定的。

42.如权利要求41所述的方法，其中确定所述手指在一个或多个图像内在位置上是稳定的包括：

用所述处理器根据对象跟踪算法确定一个或多个手指在第一图像中的各自位置以及一个或多个手指在所述图像中的后续图像序列中的位置的各自变化；

基于位置的各自变化计算所述一个或多个手指的移动速度；以及

基于低于阈值速率的速度来验证所述多个手指在位置上是稳定的。

43.如权利要求42所述的方法，其中，其中根据所述对象跟踪算法确定的步骤包括：

基于所确定的位置和位置的变化来在第一对象跟踪算法和第二对象跟踪算法之间动态地切换。

44.如权利要求43所述的方法，还包括：

应用第一对象检测算法来确定所述一个或多个手指在所述第一图像中的位置；

基于所识别的第一位置应用第二对象跟踪算法来确定所述一个或多个手指在所述序列中的后续图像中的各自位置；以及

在检测到第二对象跟踪算法的失败时，重新应用第一对象检测算法来确定所述一个或多个手指在所述后续图像中的各自位置。

45.如权利要求44所述的方法，其中所述失败被检测为所述一个或多个手指在所述序列中的图像之间的位置的变化的函数超过阈值。

46.如权利要求44所述的方法，其中所述第一对象检测算法是分类器，并且其中所述第二对象跟踪算法是模板匹配算法和光流跟踪算法中的一个或多个。

47.如权利要求33所述的方法，还包括：

基于一个或多个图像计算适应皮肤模型；以及

基于适应皮肤模型处理一个或多个图像。

48.如权利要求47所述的方法，其中计算适应皮肤模型包括：

检测所述一个或多个图像内的区域，所述区域包括具有与预期肤色对应的颜色值的像素；

基于所述像素计算区域的颜色模型；

用所述处理器将概率密度函数(PDF)适应到所检测的区域内的像素的色调和饱和度的分布；

用所述处理器将PDF应用于一个或多个图像，定位图像中满足PDF的额外像素；

对于每个定位的像素，计算表示所述像素表示皮肤的可能性的p值；

基于具有超过阈值p值的p值的所识别的像素来精炼所计算的颜色模型。

49.如权利要求48所述的方法，还包括：迭代地重复所述定位、计算和精炼步骤，直到定义精炼模型的像素数达到收敛。

50.如权利要求48所述的方法，其中根据所述适应皮肤模型来处理包括以下步骤中的一个或多个：

通过将分类器应用于适应皮肤模型来执行识别多个手指中的每个手指的各自的指尖段；以及

用所述处理器在识别所述各自的指尖段之前，增强一个或多个图像，其中增强包括：基于用于所述适应皮肤模型中的像素的p-值，相对于具有被确定为不表示皮肤的像素的区域，增亮具有被确定为表示皮肤的像素的一个或多个图像的区域。

51.如权利要求33所述的方法，其中提取每个各自的指尖段的区别特征包括：

根据细节提取算法从每个各自的指尖段提取各自的手指的细节；并且

对于每个手指，编码表示在生物特征标识符中的提取的细节的各自的特征向量。

52.如权利要求51所述的方法，还包括：

用所述处理器将每个编码后的特征向量与先前存储的与用户相关联的特征向量进行比较；

基于所述比较计算相似度分数；

验证对于所述多个手指中的规定数量的手指分别计算出的相似度分数超过二次匹配阈值，并且计算出的相似度分数的组合超过主要匹配阈值；以及

基于所述验证确定所述对象是所述用户。

Images