CN107609365A - 用于使用多个生物测量学验证器验证用户的方法和设备 - Google Patents
用于使用多个生物测量学验证器验证用户的方法和设备 Download PDFInfo
- Publication number
- CN107609365A CN107609365A CN201710426745.8A CN201710426745A CN107609365A CN 107609365 A CN107609365 A CN 107609365A CN 201710426745 A CN201710426745 A CN 201710426745A CN 107609365 A CN107609365 A CN 107609365A
- Authority
- CN
- China
- Prior art keywords
- validator
- biometrics
- user
- checking
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
-
- 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
-
- 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
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- 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
Abstract
一种用于使用多个生物测量学验证器验证用户的方法和设备。一种用户验证设备可使用多个生物测量学验证器执行用户验证。所述用户验证设备可设置一个或多个生物测量学验证器的终止阶段。多个生物测量学验证器可用于产生多个输出,针对所述多个输出,单独的多个终止阶段被设置为建立与多个生物测量学验证器相关联的设置的终止阶段的特定组合,并且所述用户验证设备可基于设置的多个终止阶段的特定组合融合多个生物测量学验证器的输出。用户验证设备可基于融合的结果验证用户,并且解锁命令信号可基于验证被产生。解锁命令信号可被产生以选择性地授权验证的用户访问装置的一个或多个元件。所述装置可以是交通工具。
Description
本专利申请要求于2016年7月11日提交到韩国知识产权局的第10-2016-0087478号韩国专利申请和于2016年10月10日提交到韩国知识产权局的第10-2016-0130758号韩国专利申请的优先权,所述韩国专利申请的全部内容通过引用完整地包含于此。
技术领域
至少一个示例实施例涉及使用多个生物测量学验证器的用户验证方法和设备。
背景技术
基于生物测量学的验证或认证技术可用于使用指纹、脸部、虹膜和血管等执行用户验证。这样的用于验证的生物特性因人而异,一生很少改变,并具有较低的被偷或被复制的风险。此外,个人不需要一直特意携带这样的特性,因此可不忍受使用这些生物特性的不便。然而,由于环境状况(例如,温度、照明强度、湿度),可能在生物测量学验证中发生误识别或误辨识。因此,可需要同时使用各种生物测量学信息的验证技术。
发明内容
至少一个示例实施例涉及一种用户验证方法。
在至少一个示例实施例中,所述用户验证方法可包括:设置多个生物测量学验证器中的每个生物测量学验证器的终止阶段,使得所述多个生物测量学验证器中的每个生物测量学验证器分别与多个终止阶段的特定组合的单独的终止阶段相关联。所述用户验证方法可包括:基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合,执行所述多个生物测量学验证器,以产生多个输出。所述用户验证方法可包括:基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合,融合所述多个输出,以产生结果。所述用户验证方法可包括:基于所述结果验证用户,并基于所述验证产生解锁命令信号,以使用户能够至少部分地访问装置。
每个生物测量学验证器可被配置为:被执行以通过生物测量学验证器的多个阶段的集合来输出个体验证结果,其中,所述多个阶段的集合包括至少一个阶段。
生物测量学验证器的设置的终止阶段可以是所述多个阶段中的特定阶段。每个生物测量学验证器可被配置为:被执行以输出与生物测量学验证器的设置的终止阶段对应的个体验证结果。
设置的步骤可包括:基于特定标准,设置至少一个生物测量学验证器的终止阶段。
所述标准可包括:与接收的验证请求相关联的应用类型、与接收的验证请求相关联的安全等级、与用户验证设备相关联的感测环境、所述至少一个生物测量学验证器将被执行为执行主验证还是辅助验证的确定、和/或用户在用户接口的选择。
设置的步骤可包括:基于所述特定标准,将所述至少一个生物测量学验证器的所述多个阶段中的特定阶段设置为所述至少一个生物测量学验证器的终止阶段,其中,在所述特定阶段,与所述特定阶段的个体验证结果相关联的验证率(VR)和错误接受率(FAR)至少分别满足阈值验证率和阈值错误接受率。
生物测量学验证器可被配置为:被执行以执行不同形式的生物测量学验证。
所述多个生物测量学验证器中的每个生物测量学验证器可被配置为:被执行以基于接收的生物测量学信息执行生物测量学验证,其中,接收的生物测量学信息包括脸部、指纹、虹膜、静脉、手掌纹路、耳朵的形状和心电图ECG中的一个。
融合的步骤可包括:基于执行多个融合模型中的对应于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合的融合模型,来融合所述多个输出,其中,所述多个融合模型和与所述多个生物测量学验证器相关联的所述多个终止阶段的各个单独的组合相关联。
验证的步骤可包括:基于将融合的结果与阈值进行比较,来验证用户,其中,所述阈值对应于所述多个生物测量学验证器的所述多个终止阶段。
所述多个生物测量学验证器中的至少一个生物测量学验证器可包括指纹验证器。指纹验证器可被配置为:被执行以基于执行指纹验证器的多个阶段中的每个阶段来输出个体验证结果。执行所述多个阶段中的第一阶段可包括输出登记指纹图像与输入指纹图像之间的重叠区域和匹配分数。执行所述多个阶段中的第二阶段可包括输出登记指纹图像与基于分割输入指纹图像产生的多个块之间匹配分数。
所述多个生物测量学验证器中的至少一个生物测量学验证器可包括脸部验证器。脸部验证器可被配置为:被执行以根据将由神经网络中的多个层基于输入图像输出的特征与存储的对应于所述多个层的登记图像的特征进行比较,来输出每个层的个体验证结果。
设置的步骤可包括:选择所述多个生物测量学验证器中的一个生物测量学验证器作为主验证器,选择所述多个生物测量学验证器中的另一生物测量学验证器作为子验证器,从主验证器的终止阶段和子验证器的终止阶段的多种单独的组合,选择增加主验证器的终止阶段的等级的主验证器的终止阶段和子验证器的终止阶段的特定组合。
融合的步骤可包括:使用融合模型来融合所述多个输出,其中,融合模型被配置为:基于与设置的终止阶段的输出对应的维度的输入向量,来输出用于验证用户的最终验证结果。
一种非暂时性计算机可读介质可存储指令,其中,所述指令在被处理器执行时使得所述处理器执行所述用户验证方法。
至少一个示例实施例涉及一种用户验证设备。
在至少一个示例实施例中,所述用户验证设备包括:存储指令的程序的存储器以及处理器。处理器可被配置为执行所述指令的程序以:设置多个生物测量学验证器中的每个生物测量学验证器的终止阶段,使得所述多个生物测量学验证器中的每个生物测量学验证器分别与多个终止阶段的特定组合的单独的终止阶段相关联。处理器可被配置为执行所述指令的程序以:基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合,执行所述多个生物测量学验证器,以产生多个输出。处理器可被配置为执行所述指令的程序以:执行融合模型,以基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合来融合所述多个输出,以产生验证结果。处理器可被配置为执行所述指令的程序以:基于验证结果,产生解锁命令信号,以使用户能够至少部分地访问装置。
处理器可被配置为:执行每个特定生物测量学验证器以通过特定生物测量学验证器的多个阶段来输出个体验证结果。
每个设置的终止阶段可以是所述多个阶段中的与所述多个生物测量学验证器的特定生物测量学验证器相关联的特定阶段。处理器可被配置为:执行所述指令的程序,以输出与生物测量学验证器相关联的所述多个阶段中的和与生物测量学验证器相关联的设置的终止阶段对应的个体验证结果。
处理器可被配置为:基于特定标准,设置至少一个生物测量学验证器的终止阶段。
所述标准可包括:与接收的验证请求相关联的应用类型、与接收的验证请求相关联的安全等级、与所述用户验证设备相关联的感测环境、所述至少一个生物测量学验证器将被执行为执行主验证还是辅助验证的确定、和/或用户在用户接口的选择。
处理器可被配置为:基于所述标准,将所述至少一个生物测量学验证器的所述多个阶段中的特定阶段设置为所述至少一个生物测量学验证器的终止阶段,其中,在所述特定阶段,与所述特定阶段的个体验证结果相关联的验证率(VR)和错误接受率(FAR)至少分别满足阈值验证率和阈值错误接受率。
处理器可被配置为:执行单独的所述多个生物测量学验证器,以执行不同形式的生物测量学验证。
处理器可被配置为:执行所述多个生物测量学验证器中的每个生物测量学验证器,以基于接收的生物测量学信息执行生物测量学验证,其中,接收的生物测量学信息包括脸部、指纹、虹膜、静脉、手掌纹路、耳朵的形状和心电图ECG中的一个。
处理器可被配置为:分别使用多个融合模型之中的对应于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合的融合模型,来融合所述多个生物测量学验证器的所述多个输出,其中,所述多个融合模型和与所述多个生物测量学验证器相关联的所述多个终止阶段的各个单独的组合相关联。
所述多个生物测量学验证器中的至少一个生物测量学验证器可包括指纹验证器。处理器可被配置为:执行指纹验证器,以基于执行指纹验证器的多个阶段中的每个阶段,来输出个体验证结果。执行所述多个阶段中的第一阶段可包括输出登记指纹图像与输入指纹图像之间的重叠区域和匹配分数。执行所述多个阶段中的第二阶段可包括输出登记指纹图像与基于分割输入指纹图像产生的多个块之间匹配分数。
所述多个生物测量学验证器中的至少一个生物测量学验证器可包括脸部验证器。处理器可被配置为:执行脸部验证器,以根据将由神经网络中的多个层基于输入图像输出的特征与存储的对应于所述多个层的登记图像的特征进行比较,来输出每个层的个体验证结果。
执行融合模型的步骤可包括:基于和与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合的输出对应的维度的输入向量,来输出用于用户验证的最终验证结果。
处理器可被配置为:选择所述多个生物测量学验证器中的一个生物测量学验证器作为主验证器,选择所述多个生物测量学验证器中的另一生物测量学验证器作为子验证器,将来自主验证器的多个阶段中的主验证器的最小阶段设置为主验证器的终止阶段,将来自子验证器的多个阶段中的子验证器的最大阶段设置为子验证器的终止阶段。
在至少一个示例实施例中,一种用户验证设备可包括:存储指令的程序的存储器;以及处理器。处理器可被配置为执行所述指令的程序以:接收用户验证请求,所述用户验证请求包括标准。处理器可被配置为执行所述指令的程序以:基于所述标准,设置生物测量学验证器的终止阶段。处理器可被配置为执行所述指令的程序以:基于设置的终止阶段,执行生物测量学验证器以产生个体验证结果。处理器可被配置为执行所述指令的程序以:基于个体验证结果,验证用户。处理器可被配置为执行所述指令的程序以:基于验证,产生解锁命令信号,以使用户能够至少部分地访问装置。
所述用户验证设备可包括被配置为运输一个或多个乘员的交通工具。产生解锁命令信号的步骤可包括:基于验证,选择性地授权用户访问交通工具的内部,和/或基于验证,选择性地授权用户控制交通工具的一个或多个驱动元件。
示例实施例的另外的方面部分地将在以下的描述中进行部分阐述,部分通过该描述将是清楚的或者可通过公开的实践而获知。
附图说明
通过对如在附图中所示的发明构思的非限制性实施例的更加具体的描述,本发明构思的上述和其他特征将是清楚的,其中,贯穿不同的附图相同的参考标记表示相同的部分。附图不需要按比例,相反,重点在于示出本发明构思的原理。在附图中:
图1是示出根据至少一个示例实施例的用户验证系统的示图;
图2是示出根据至少一个示例实施例的用户验证设备的示图;
图3是示出根据至少一个示例实施例的融合模型(fusion model)的示图;
图4A和4B是示出根据至少一个示例实施例的融合模型的验证率(VR)和错误接受率(FAR)的示图;
图5是示出根据至少一个示例实施例的指纹验证器的示图;
图6是示出根据至少一个示例实施例的基于输入指纹图像的变化匹配的处理的示图;
图7是示出根据至少一个示例实施例的分割输入指纹图像和匹配的处理的示图;
图8是示出根据至少一个示例实施例的脸部验证器的示图;
图9是示出根据至少一个示例实施例的包括在脸部验证器中的多个层的示图;
图10是示出根据至少一个示例实施例的主验证器和子验证器的示图;
图11是示出根据至少一个示例实施例的用户验证方法的流程图;
图12是示出根据至少一个示例实施例的电子系统的示图。
具体实施方式
以下,将参照附图对至少一个示例实施例进行详细描述。关于附图中被分配给的元件的参考标记,应当注意,在任何可能的情况下,即使在不同的附图中示出相同的元件,他们也将由相同的参考标记表示。此外,在实施例的描述中,当认为公知的相关结构或功能的描述会引起对本公开的模糊解释时,将省略对这样的公知的相关结构或功能的详细描述。
然而,应当理解,没有意图将本公开限制到公开的特定示例实施例。相反地,示例实施例将覆盖落入示例实施例的范围内的全部修改、等同物和替代物。贯穿附图,相同的标记表示相同的元件。
这里使用的术语仅是用于描述特定的示例实施例的目的,而意图不在于限制。如这里所使用的,除非上下文明确地另有指示,否则单数形式也意图包括复数形式。还将理解,当在本说明书中使用术语“包括”和/或“包括的”时,表明描述的特征、整体、步骤、操作、元件和/或组件的存在,但不排除一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组的存在或添加。
这里使用的术语仅出于描述特定示例的目的,并不意图限制。如这里所使用,除非上下文另有指示,否则单数形式意图在于同样包括复数形式。还将理解,当在这里使用术语“包括”和/或“包含”时,说明存在阐述的特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
还应注意,在一些可替代实施方式中,所提出的功能/动作可不按附图中所指出的顺序发生。例如,根据涉及的功能/动作,连续示出的两个附图实际上可被基本同时地执行,或有时可以以相反的顺序被执行。
现在将参照示出至少一个示例实施例的附图来对各种示例实施例进行更加具体地描述。在附图中,为了清楚而夸大了区域和层的厚度。
除非另外被定义,否则包括这里所使用的技术和科学术语的所有术语具有与被本公开所属领域的普通技术人员普遍理解的含义相同的含义。术语(诸如那些在普遍使用的字典中所定义的术语)将被解释为具有与他们在相关领域中的含义一致的含义,而且将不会被解释为理想化或过于形式化的意义,除非此处明确这样定义。
以下,参照附图对示例进行详细描述。附图中相同的参考标记表示相同的元件,这里将省略众所周知的功能或配置。以下将描述的示例可用于用户验证或认证。例如,示例可用于用户验证来使用移动装置(诸如,例如,智能电话、智能车辆和智能家电),或用于用户验证来使用电子商务(e-commerce)。基于需要用户验证的应用所需的规范,用户验证的准确性或执行用户验证的速度可被灵活地提高。
图1是示出根据至少一个示例实施例的用户验证系统的示图。参照图1,用于用户验证的设备(以下,简称为用户验证设备110)可被实现为软件模块、硬件模块或它们的组合,并可从各种应用接收用于验证的请求或验证请求,并将对验证请求的响应发送到应用。用户验证设备110可通过将由各种传感器测量的生物测量学信息与预登记的生物测量学信息进行比较,来产生验证的结果,并作为对验证请求的响应来发送产生的结果。虽然稍后被详细描述,但是用户验证设备110可使用多个生物测量学验证器来执行用户验证。生物测量学验证器可执行不同形式的生物测量学验证,并且至少一个生物测量学验证器可以是可通过多个阶段输出验证的结果的验证器。
如在图1中所示,用户验证设备110可以通信地结合(“连接”)到装置190。在至少一个示例实施例中,用户验证设备110作为装置190的元件而包括在装置190内。如下面将进一步描述的那样,装置190可包括电子装置,其中,该电子装置可包括用户接口(例如,触摸屏显示器)。在至少一个示例实施例中,装置190可以是被配置为通过环境运输一个或多个用户(“乘员”)的交通工具(例如,汽车)。
用户验证设备110可包括多个生物测量学验证器。这样的生物测量学验证器可由执行存储在存储器上的指令的程序的处理器来实现。用户验证设备110可通过基于应用设置至少一个生物测量学验证器的终止阶段(termination stage)并基于设置的终止阶段融合多个生物测量学验证器的输出,来产生验证的结果,其中,至少一个生物测量学验证器支持多阶段生物测量学验证。为了描述的方便,每个生物测量学验证器的输出被描述为个体验证结果(individual verification result),融合多个生物测量学验证器的输出的结果被描述为最终验证结果。例如,从支持多阶段生物测量学验证的生物测量学验证器的各个阶段输出的结果以及从不支持多阶段生物测量学验证的生物测量学验证器输出的结果可以是个体验证结果,而作为对验证请求的响应发送的结果可以是最终验证结果。如这里所称,最终验证结果包括向请求应用(例如,120/130/140)指示基于接收的生物测量学信息的与用户相关联的身份的信息。
这样的最终验证结果可用于各种应用中的用户验证。基于这样的用户验证(例如,基于最终验证结果来验证用户),用户验证设备110可产生解锁命令信号。如在图1中所示,解锁命令信号可发送到装置190。解锁命令信号可包括包含指示用户与登记的用户匹配或基本匹配(“相关”)的信息的信号。
例如,锁应用120可基于最终验证结果而被执行来取消终端的锁,微支付应用130或宏支付140可基于最终验证结果而被执行来执行线上支付。虽然为了描述的方便来分开描述微支付应用130和宏支付应用140,但是微支付应用130和宏支付应用140可包括在一个线上商务应用中,或包括在基于将要支付的钱的总和而执行的线上商务应用的功能中。包括锁应用120、微支付应用130和宏支付应用140中的一个或多个的至少一些应用可在装置(例如,电子装置和/或交通工具)的外部被实现,其中,该装置实现用户验证设备110、包括在远程服务器上执行的应用、并且通过通信接口与实现用户验证设备110的装置进行通信。这样的通信接口可包括在实现(“包括”)用户验证设备110的装置中。
应用可具有基于应用的类型的不同的验证特性。例如,锁应用120可要求高的验证速度而不管相对低的安全等级。微支付应用130可要求中等验证速度和中等安全等级,宏支付应用140可要求高的安全等级而不管低的验证速度。这里,术语“高”、“中等”和“低”等级用于指示三个不同的安全等级,而不指示等级的绝对值。当安全等级增加时,虽然用于获得最终验证结果的时间量可能增加,但是最终验证结果的准确性或可靠性可被提高。虽然可基于应用的类型来确定安全等级,但是可由于各种变量(诸如,用户的设置和周边环境)而针对相同类型的应用设置不同的安全等级。如这里所称,验证结果的“安全等级”表示与最终验证结果中提供的用户的身份相关联的置信度(confidence level)。此外,如这里所提到的,“验证速度”表示从发送验证请求直到在请求应用接收到验证结果所经过的时间的允许时间段。在至少一个示例实施例中,在用户验证设备110从应用接收的验证请求可包括指示与最终验证结果相关联的特定阈值FAR、特定阈值验证速度和/或特定阈值安全等级中的至少一个的参数信息,其中,最终验证结果由用户验证设备110响应于验证请求而提供。在至少一个示例实施例中,用户验证设备110可存储将特定应用与特定阈值FAR、特定阈值验证速度和/或特定阈值安全等级中的至少一个的相关联的信息,其中,特定阈值FAR、特定阈值验证速度和/或特定阈值安全等级与最终验证结果相关联,最终验证结果由用户验证设备110响应于在用户验证设备110从应用接收到验证请求而提供。在至少一个示例实施例中,基于与应用相关联的类型、用户初始设置以及与周边环境相关联的信息等中的一个或多个,在用户验证设备110,可将特定的安全等级与在用户验证设备110从应用接收到的特定的验证请求相关联。
用户验证设备110可基于应用的验证特性来调节验证速度或准确性。例如,当存在支持多个阶段的单个生物测量学验证器时,验证性能和验证速度可通过生物测量学验证器的终止阶段和另一生物测量学验证器的组合来确定。又例如,当存在支持多个阶段的多个生物测量学验证器时,验证性能和验证速度可通过多个终止阶段的组合来确定。如这里所称,“验证性能”和“验证速度”是表示控制用户验证设备110的验证器提供满足与FAR对应的特定“安全等级”和/或“验证速度”的参数,其中,FAR与来自应用的验证请求相关联。
具体地,例如,当锁应用120所需的错误接受率(FAR)是1/50000(=0.002%)时,用户验证设备110可基于FAR执行验证,并提供相对短时间段(例如,145毫秒(ms))的响应。用户验证设备110可确定满足1/50K的FAR的终止阶段或多个终止阶段的组合。例如,当多个生物测量学验证器中的第一生物测量学验证器的最低级阶段和多个生物测量学验证器中的第二生物测量学验证器的最低级阶段的组合满足1/50000的FAR,并具有最高验证速度时,用户验证设备110可将第一生物测量学验证器的第一阶段设置为第一生物测量学验证器的终止阶段,并将第二生物测量学验证器的第一阶段设置为第二生物测量学验证器的终止阶段。如这里所称,“安全等级”可由与验证请求相关联的“错误接受率(FAR)”和/或“验证率(VR)”来表示。
针对另一示例,相比于锁应用120,微支付应用130可要求1/300000的FAR,用于更高等级的安全。用户验证设备110可将比最低级阶段更高级别的阶段设置为第一生物测量学验证器的终止阶段、第二生物测量学验证器的终止阶段或两个生物测量学验证器的终止阶段,然后可发送满足1/300000的FAR的最终验证结果。在这样的示例中,用户验证设备110可提供例如225ms的响应。类似地,相比于微支付应用130,宏支付应用140可要求更低的FAR。用户验证设备110可将最高级阶段设置为第一生物测量学验证器的终止阶段、第二生物测量学验证器的终止阶段或两个生物测量学验证器的终止阶段,然后可发送满足1/1000000(=0.0001%)的FAR的最终验证结果。在这样的示例中,用户验证设备110可提供例如315ms的响应。可基于设置和/或重新设置一个或多个生物测量学验证器的终止阶段来控制生物测量学验证器,以控制与验证结果相关联的“验证性能/准确性”和/或“验证速度”来满足与接收的验证请求相关联的参数,其中,参数包括与验证请求相关联的特定阈值FAR。在至少一个示例实施例中,验证性能和验证速度是负相关的。
如上所述,用户验证设备110可使用多个生物测量学验证器动态调节安全等级。多个生物测量学验证器可分别执行不同形式的生物测量学验证,因此多验证可被启用,安全等级可被提高。
在至少一个示例实施例中,用户验证设备110可包括存储器和处理器,其中,存储器存储指令的程序,处理器被配置为执行存储的指令的程序以实现用户验证设备110的一个或多个功能。
在至少一个示例实施例中,锁应用120、微支付应用130和宏支付应用140中的一个或多个可基于执行存储在存储器上的指令的程序的处理器而被实现。这样的处理器和/或存储器可与至少部分地包括和/或实现用户验证设备110的处理器和/或存储器是共同的。
在至少一个示例实施例中,参照图1示出和描述的生物测量学信息从在用户验证设备110外部的生物测量学传感器装置来接收。如在图1中所示,生物测量学传感器装置可以是在用户验证系统的外部,其中,从生物测量学传感器装置接收生物测量学信息。用户验证设备110和生物测量学传感器装置可位于共同的设备(例如,电子装置、交通工具和它们的一些组合等)或分开的设备中。在至少一个示例实施例中,可在用户验证设备110从分开的各个生物测量学传感器装置接收不同类型的生物测量学信息,例如,指纹生物测量学信息、脸部识别生物测量学信息等。
在至少一个示例实施例中,在图1中示出的用户验证系统的包括用户验证设备110的至少一部分可(例如,基于执行存储在存储器上的指令的程序的处理器)被实现在作为电子装置的装置190中。电子装置可包括手机、平板电脑和可穿戴装置等。在至少一个示例实施例中,在图1中示出的用户验证系统的包括用户验证设备110的至少一部分可包括手机、平板计算机或可穿戴装置等中的芯片。
在至少一个示例实施例中,在图1中示出的用户验证系统的包括用户验证设备110的至少一部分可包括在作为电子装置的装置190中,使得电子装置被配置为执行基于生物测量学的验证或认证,其中,电子装置包括一个或多个手机、平板计算机和可穿戴装置等。因此,用户验证系统可将电子装置配置为针对电子装置功能使用和/或控制来提供提高的用户安全。
在至少一个示例实施例中,响应于基于验证结果验证用户的确定,用户验证设备110可产生包括用于至少部分解锁的命令的解锁命令信号,以由验证的用户使用作为电子装置的装置190。对作为电子装置的装置190进行解锁可包括:命令装置190通过使用装置190的一个或多个用户接口和/或连接到装置190的一个或多个用户接口的用户交互来使用户能够使用装置190的至少一部分。在至少一个示例实施例中,响应于验证用户的确定,用户验证设备可产生解锁命令信号,其中,解锁命令信号包括用于将使用装置190的期望的(和/或,可选地,预定的)功能的权限分配给用户的命令。
在至少一个示例实施例中,在图1中示出的用户验证系统的包括用户验证设备110的至少一部分可包括在装置190中(装置190为包括汽车、船只或飞机等的交通工具),使得交通工具被配置为执行基于生物测量学的验证或认证,用于交通工具安全。例如,包括用户验证设备110的交通工具可被配置为基于接近该交通工具特定阈值距离内的交通工具的驾驶员来执行脸部验证操作。交通工具还可被配置为在用户抓交通工具的门把手时随后执行指纹验证操作。作为结果,交通工具可被配置为基于执行的操作对驾驶员选择性地解锁对交通工具的访问和/或交通工具的功能。因此,用户验证系统可配置交通工具针对交通工具访问和/或控制提供改善的驾驶员/用户/占有者安全性和/或可靠性。
在至少一个示例实施例中,响应于基于验证结果验证用户的确定,用户验证设备110可产生包括用于至少部分解锁作为交通工具的装置190的命令的解锁命令信号,以由验证的用户访问作为交通工具的装置190。通过解锁命令信号对作为交通工具的装置190进行解锁可包括:基于验证(例如,解锁交通工具的一个或多个特定的门、舱口等),命令装置190选择性地授权验证的用户访问交通工具的内部。通过解锁命令信号对作为交通工具的装置190进行解锁可包括:基于验证,命令装置190选择性地授权验证的用户控制交通工具的一个或多个驱动元件(“驱动控制”)(例如,交通工具油门控制、交通工具方向盘控制、交通工具导航控制、交通工具引擎启动/关闭控制等)。
图2是示出根据至少一个示例实施例的用户验证设备的示图。参照图2,用户验证设备包括控制器210、多个生物测量学验证器(例如,第一生物测量学验证器220和第二生物测量学验证器230)以及融合模型240。生物测量学验证器220和230中的每一个可使用用户的生物测量学信息执行生物测量学验证,融合模型240可通过融合生物测量学验证器220和230的输出来产生用于用户验证的信息。生物测量学验证器220和230中的每一个可包括多个阶段。例如,第一生物测量学验证器220可包括n个阶段,第二生物测量学验证器230可包括m个阶段。在至少一个示例实施例中,图2中示出的每个元件可由执行存储在存储器中的指令的程序的处理器来实现。
在至少一个示例实施例中,第一生物测量学验证器220和第二生物测量学验证器230中的每个生物测量学验证器可被配置为执行可在各个阶段中的一个阶段终止的验证处理,其中,每个阶段对应于由验证器输出的验证结果的具体的“验证性能”和/或“验证准确性”,其中,具体的“验证性能”和/或“验证准确性”对应于特定的安全等级。每个阶段可以是对生物测量学输入信息执行的一系列验证操作中的中间或最终的步骤,其中,每个中间的阶段的输出被输入到下一阶段,其中,选择的终止阶段的输出可被输出作为验证器的验证结果。
在至少一个示例实施例中,每个生物测量学验证器可被实现为(例如,可包括)神经网络,并且每个阶段对应于神经网络的层。在至少一个示例实施例中,验证性能可与验证器输出验证结果的层的等级成正比,验证速度可与验证器输出验证结果的层的等级成反比。例如,验证器输出验证结果的层越高或越靠上,可获得越高的验证性能和越低的验证速度。
当阶段的数量增加时,虽然验证的准确性可被提高,但是用于验证的时间量也可增加。控制器210可设置输出个体验证结果的至少一个终止阶段。例如,如在图2中所示,控制器210将第一生物测量学验证器220的第一阶段和第二生物测量学验证器230的第二阶段设置为终止阶段。在图2中示出的示例中,假设:两个生物测量学验证器220和230被使用,两个生物测量学验证器220和230均支持多个阶段。然而,这样的示例可应用于三个或更多个生物测量学验证器被使用并且仅多个生物测量学验证器中的一部分支持多个阶段的情况。
控制器210可基于包括应用类型、安全等级、感测环境、主验证或辅助验证以及用户的选择中的至少一个的特定标准(或,可选地,预定标准),来设置生物测量学验证器220和230的终止阶段。例如,当应用的安全等级高时,控制器210可将终止阶段的等级设置为高。当终止阶段的等级增加时,虽然个体验证结果的准确性可被提高,但是用于输出个体验证结果的时间量可增加。因此,当验证的准确性相对重要时,终止阶段的等级可被设置为较高。相反,当验证的速度相对重要时,终止阶段的等级可被设置为较低。最终验证的准确性和速度可由第一生物测量学验证器220的终止阶段(或第一终止阶段)和第二生物测量学验证器230的终止阶段(或第二终止阶段)二者来确定,并且控制器210可选择满足应用所要求的验证准确性和验证速度的第一终止阶段和第二终止阶段的组合。在至少一个示例实施例中,设置生物测量学验证器的终止阶段的步骤包括:将验证器配置为提供设置的阶段的输出信息作为生物测量学验证器的验证结果。
控制器210可基于生物测量学验证器220和230的多个阶段中的标准,将满足验证率(VR)和FAR的阶段设置为终止阶段。针对应用,VR和FAR可基于安全等级被预先设置。应用可将预先设置的VR和FAR提供给控制器210,控制器210可将满足应用的VR和FAR的阶段设置为终止阶段。在至少一个示例实施例中,给定的验证器的每个阶段可与特定FAR和VR关联。在至少一个示例实施例中,来自验证器的特定组合的在特定的设置的终止阶段的输出的组合可与特定FAR/VR相关联,使得在用户验证设备做出确定“验证请求与特定FAR/VR相关联”时,该特定组合可被控制器选择。
根据至少一个示例实施例,控制器210可使用查找表确定满足应用所要求的VR和FAR的终止阶段的组合,并设置多个生物测量学验证器的终止阶段,其中,在查找表中存储了基于终止阶段的组合的VR和FAR。在这样的示例中,可预先计算第一生物测量学验证器220的多个阶段和第二生物测量学验证器230的多个阶段的多种组合中的每种组合的VR和FAR。在至少一些示例实施例中,可基于确定与来自应用的验证请求相关联的VR和FAR,在用户验证设备(例如,通过控制器210)设置针对多个生物测量学验证器的特定组合的多个终止阶段的组合。在至少一个示例实施例中,终止阶段组合与VR/FAR的关联可被存储在查找表中,并基于在用户验证设备接收的与验证请求相关联的VR/FAR数据,由控制器210访问查找表。因此,控制器210可基于验证请求的接收来确定对验证器设置哪些终止阶段。
例如,在应用要求95%的VR和1/50000的FAR,并且当第一生物测量学验证器220的第二阶段和第二生物测量学验证器230的第一阶段被设置为终止阶段时VR和FAR分别是90%和1/50000,而当第一生物测量学验证器220的第一阶段和第二生物测量学验证器230的第二阶段被设置为终止阶段时VR和FAR分别是98%和1/50000的情况下,控制器210可将第一生物测量学验证器220的第一阶段和第二生物测量学验证器230的第二阶段设置为终止阶段。
生物测量学验证器220和230可串行或并行操作。也就是说,第一生物测量学验证器220和第二生物测量学验证器230可在时间区间T1同时操作,或在时间区间T1和时间区间T2期间顺序操作。
生物测量学验证器220和230可执行不同形式的生物测量学验证。也就是说,第一生物测量学验证器220可使用用户的第一形式生物测量学信息执行生物测量学验证,第二生物测量学验证器230可使用用户的第二形式生物测量学信息执行生物测量学验证。例如,生物测量学验证器220和230中的每一个可使用脸部、指纹、虹膜、静脉、手掌纹路、耳朵的形状和心电图(ECG)中的任何一个来执行生物测量学验证。与使用单个生物测量学信息相比,虽然终止阶段的等级被设置为较低,但是由于多个生物测量学信息被使用,所以验证的准确性可被提高。在至少一个示例实施例中,执行不同“形式”的生物测量学验证的处理包括:使用用户的不同“形式”生物测量学信息来执行生物测量学验证,其中,生物测量学信息的每种“形式”表示不同“类型”和/或“类别”的生物测量学信息。不同类型/类别的生物测量学信息可包括,例如,指纹、虹膜、ECG和脸部图像。在至少一个示例实施例中,执行不同形式的生物测量学验证的处理包括:执行生物测量学输入信息的不同集合/组合的生物测量学验证。在至少一个示例实施例中,执行与不同形式相关联的生物测量学验证的处理可包括:确定生物测量学验证器的全部阶段的数量针对每个验证器而不同,将由生物测量学验证器执行的验证方法针对每个生物测量学验证器而不同,因此相应地设置各个生物测量学验证器的终止阶段。在至少一个示例实施例中,如在图5中示出的生物测量学验证器和在图8中示出的生物测量学验证器所示,输入到生物测量学验证器的生物测量学信息针对每个生物测量学验证器而不同。
融合模型240可通过将在生物测量学验证器220和230的各自的终止阶段输出的个体验证结果进行融合,来产生用于用户验证的最终验证结果,控制器210可使用融合模型240的输出来验证用户。例如,控制器210可使用最终验证结果,来确定由传感器测量的生物测量学信息是否对应于预登记用户的生物测量学信息。
融合模型240可包括与生物测量学验证器220和230的终止阶段的各种组合对应的多个个体模型。例如,当生物测量学验证器220和230中的每一个包括三个阶段时,阶段的组合的数量可以是9,并且融合模型240可包括预先准备的分别对应于9种组合的多个个体模型。控制器210可设置生物测量学验证器220和230的各自的终止阶段,并选择包括在融合模型240中的多个个体模型中的与设置的终止阶段对应的个体模型。例如,如在图2中所示,控制器210可从多个个体模型中选择与第一生物测量学验证器220的第一阶段和第二生物测量学验证器230的第二阶段对应的个体模型。选择的个体模型可通过将生物测量学验证器220和230的个体验证结果进行融合来产生用于用户验证的信息。将参照图3和图4提供融合模型的详细描述。在至少一个示例实施例中,“融合模型”是基于生物测量学验证器的选择的组合及其相应的设置的终止阶段在用户验证设备(例如,通过控制器210)选择的特定模型,其中,从相应的设置的终止阶段将验证结果输入到融合模型。在一些示例实施例中,选择的融合模型被执行以(例如,被配置为)将多个生物测量学验证器的验证结果进行“融合”,来产生融合的验证结果作为最终验证结果。
虽然生物测量学验证器220和230以及融合模型240在图2中被示出为与控制器210分开,但是生物测量学验证器220和230以及融合模型240可在控制器210中操作。
图3是示出根据至少一个示例实施例的融合模型330的示图。参照图3,融合模型330包括与多个生物测量学验证器(例如,第一生物测量学验证器310和第二生物测量学验证器320)的终止阶段的多个组合对应的多个模型,并基于从生物测量学验证器310和320接收的个体验证结果输出最终验证结果。为了输出最终验证结果,包括在融合模型330中的每个模型可对包括生物测量学验证器310和320的个体验证结果的输入向量进行分类,因此最终验证结果还可被称为分类结果。在至少一个示例实施例中,融合模型包括多个子模型的集合,其中,每个给定的子模型对应于多个验证器的特定组合及其特定设置的终止阶段。
例如,当第一生物测量学验证器310包括n个阶段,第二生物测量学验证器320包括m个阶段时,融合模型330可包括n×m个个体模型。以下,将描述n的值为3且m的值为3(n=m=3)的示例。然而,n和m的值不限于该示例。在n的值为3且m的值为3的这样的示例中,融合模型330的第一模型可对应于第一生物测量学验证器310的第一阶段和第二生物测量学验证器320的第一阶段,融合模型330的第二模型可对应于第一生物测量学验证器310的第一阶段和第二生物测量学验证器320的第二阶段。类似地,融合模型330的第九模型可对应于第一生物测量学验证器310的第三阶段和第二生物测量学验证器320的第三阶段。
在至少一个示例实施例中,可使用训练数据来训练每个融合模型,以根据具有“m”个设置的终止阶段的“n”个验证器的特定集合来产生最终验证结果,其中,训练数据包括针对不同用户的多个生物信号的集合以及针对共同用户的多个生物信号的集合。可训练融合模型,以产生将多个生物信号的集合正确地识别为对应于共同用户还是不同用户的验证结果信息。
可基于相应的阶段预先训练个体模型(individual model)。生物测量学验证器310和320的输出中的每个输出可被表示为向量,融合模型330可基于向量的组合被训练。包括在融合模型330中的每个模型可以是支持向量机(SVM)。例如,可基于第一生物测量学验证器310的第一阶段的输出向量和第二生物测量学验证器320的第一阶段的输出向量的组合来训练第一模型。可基于第一生物测量学验证器310的第一阶段的输出向量和第二生物测量学验证器320的第二阶段的输出向量的组合来训练第二模型。
可使用训练数据来训练融合模型,其中,所述训练数据包括具有相同标签的成对生物信号和具有不同标签的成对生物信号。相同标签指示相同用户,不同标签指示不同用户。
以下,详细描述训练融合模型330的第一模型的处理。在第一模型的训练中,第一生物测量学验证器310可接收具有第一标签的第一生物信号,并通过第一阶段输出第一向量。第一生物测量学验证器310可接收具有相同标签(例如,第一标签)的第二生物信号,并通过第一阶段输出第二向量。基于第一向量与第二向量的差别,第一生物测量学验证器310的第一阶段的第一个体验证结果可被获得。这里,个体验证结果可被表示为验证分数。类似地,具有第一标签的第三生物信号和第四生物信号可被应用到第二生物测量学验证器320,并且第二生物测量学验证器320的第一阶段的第二个体验证结果可被获得。使用具有相同标签的成对生物信号,融合模型330可被训练为将包括第一生物测量学验证器310的第一阶段的第一个体验证结果和第二生物测量学验证器320的第一阶段的第二个体验证结果的第一输入向量分类成“真或假方法”中的真。
此外,在第一模型的训练中,第一生物测量学验证器310的第一阶段的第三个体验证结果可通过将具有第一标签的第五生物信号和具有与第一标签不同的标签(例如,第二标签)的第六生物信号应用到第一生物测量学验证器310而被获得。类似地,第二生物测量学验证器320的第一阶段的第四个体验证结果可通过将具有第一标签的第七生物信号和具有第二标签的第八生物信号应用到第二生物测量学验证器320而被获得。在这样的情况下,使用具有不同标签的成对生物信号,融合模型330可被训练为将包括第一生物测量学验证器310的第一阶段的第三个体验证结果和第二生物测量学验证器320的第一阶段的第四个体验证结果的第二输入向量分类成“真或假方法”中的假。
融合模型330的剩余模型(例如,第二模型至第九模型)可以以应用到第一模型的相同方法被训练。因此,第一模型至第九模型中的每一个可具有与包括在生物测量学验证器310和320中的阶段的组合对应的特点,并可基于从生物测量学验证器310和320输出的个体验证结果来输出最终验证结果。可使用将从不同的终止阶段输出的不同训练样本来训练第一模型至第九模型,因此,第一至第九模型可具有不同的特点。例如,第一模型至第九模型可具有不同的VR。具体地,由于第一模型基于生物测量学验证器310和320的第一阶段的个体验证结果而被训练,所以第一模型可具有比基于生物测量学验证器310和320的第三阶段的个体验证结果训练的第九模型低的VR。
图4A和图4B是示出根据至少一个示例实施例的融合模型的VR和FAR的示图。图4A至图4B中示出的曲线图均示出针对给定样本在特征值之间具有不同距离的一对生物信号的样本的数量分布,其中,特定样本为1)同一对象的生物信号对以及2)不同对象的生物信号对。在至少一个示例实施例中,从完成训练的融合模型获得图4A至图4B中的样本。以下将参照在图3中示出的融合模型330的第一模型至第九模型来描述VR和FAR。图4A示出指示验证第一模型的结果的曲线图410,图4B示出指示验证第九模型的结果的曲线图420。参照曲线图410和420,与同一对象相关联的曲线图可通过将针对同一对象的验证数据对应用到完成训练的第一模型和第九模型而被获得,与不同对象相关联的曲线图可通过将针对不同对象的验证数据对应用到第一模型和第九模型而被获得。在曲线图410和420中,x轴表示从验证数据对中的多个验证数据获得的特征值间的距离,y轴表示与距离对应的样本(例如,验证数据对)的数量。与同一对象相关联的曲线图以及与不同对象相关联的曲线图可具有正态分布的形式。这里,同一对象指示相同用户,不同对象指示不同用户。
参照曲线图410和420,第一模型至第九模型可在分开与同一对象相关联的曲线图以及与不同对象相关联的曲线图方面具有不同性能。例如,在曲线图410中,当满足5%的FAR的阈值被设置时,VR可以是大约65%。在曲线图420中,当满足5%的FAR的阈值被设置时,VR可变成接近100%。这里,5%的FAR指示仅允许将在和与不同对象相关联的曲线图的全部区域的底部5%对应的区域中包括的结果(例如,距离)误识别为同一对象的比率。在这样的示例中,VR可指示与小于或等于阈值的距离对应的区域的比率,其中,所述阈值基于与不同对象相关联的曲线图的全部区域的5%的FAR被设置。
类似地,根据至少一个示例实施例,控制器可基于特定FAR计算第一模型至第九模型中的每一个模型的VR,并从融合模型选择满足应用所要求的VR和FAR的个体模型。例如,当应用要求5%的FAR和90%的VR时,控制器可选择第一生物测量学验证器310的第三阶段和第二生物测量学验证器320的第三阶段,并选择第九模型作为融合模型。
在图4A至图4B中示出的示例实施例中,每个曲线图中的重叠的分布示出由曲线图表示的给定模型中的VR与FAR之间的关系,其中,验证率(VR)对应于同一对象分布的区域的小于或等于给定的x轴值的部分,相应的错误接受率(FAR)对应于不同对象分布的区域的小于或等于同一x轴值的部分。
在图4A至图4B中示出的示例实施例中,曲线图示出每个模型可与VR和FAR的特定关系相关联,使得每个模型可与给定要求的FAR的特定VR相关联。
在包括图4A至图4B中示出的示例实施例的至少一个示例实施例中,如果和/或当来自应用的验证请求被确定为与特定FAR和VR相关联时,则满足特定VR和FAR二者的特定融合模型可(例如,通过用户验证设备的控制器)被确定并选择,使得与选择的融合模型相关联的“n”个验证器和终止阶段的特定组合可被进一步确定和选择。
图5是示出根据至少一个示例实施例的指纹验证器510的示图。根据至少一个示例实施例,上述生物测量学验证器可以是图5的指纹验证器510。参照图5,指纹验证器510包括第一阶段、第二阶段和第三阶段,并且每个阶段基于与生物测量学信息对应的输入指纹图像来输出个体验证结果。第一阶段输出登记指纹图像与输入指纹图像之间的重叠区域和匹配分数。将参照图6对第一阶段的操作进行详细描述。在至少一个示例实施例中,指纹验证器可由处理器和存储器来实现,其中,验证器被配置为接收由验证器外部的生物测量学传感器装置捕获的指纹图像。
在至少一个示例实施例中,指纹验证器510的每个阶段被配置为输出验证结果信息,其中,所述验证结果信息提供登记图像与输入图像之间的连续分割的重叠区域的连续的较小块的匹配分数。因此,每个阶段提供验证具有连续的较大粒度(granularity)的图像之间的匹配或不匹配的验证结果。
图6是示出根据至少一个示例实施例的基于输入指纹图像的变化进行匹配的处理的示图。这里,变化可包括缩放、旋转、平移或它们的各种组合。当输入指纹图像和登记指纹图像通过同一传感器被获得时,缩放可被省略。
在至少一个示例实施例中,当接收到输入图像并将输入图像和与登记用户相关联的登记图像进行比较时,指纹图像验证器的第一阶段可旋转、平移和/或缩放输入图像,以增加和/或最大化图像之间的匹配(例如,最大匹配分数)。指示输入图像的旋转、平移和/或缩放的信息可包括在验证器的第一阶段的输出验证信息中。结果的匹配分数也可被包括作为第一阶段的输出(例如,第一阶段的验证结果)。在至少一个示例实施例中,指纹图像验证器的后续的阶段可被实现为:将输入图像分割为多个块,将每个块与一个或多个登记图像进行匹配,并计算每个块的匹配分数,其中,匹配分数可包括在给定的后续的阶段的验证结果信息中。
图6示出输入指纹图像610和登记指纹图像620。输入指纹图像610和登记指纹图像620可通过指纹识别装置(例如,指纹传感器)被获得。登记指纹图像620可被预先存储在数据库中。指纹传感器的感测区域可小于用户的指纹的尺寸,因此,输入指纹图像610和登记指纹图像620可以是包括仅关于部分指纹的信息的局部图像。为了确定输入指纹图像610与登记指纹图像620之间的重叠区域和匹配分数,可对输入指纹图像610执行旋转和平移。
第一阶段可旋转和平移输入指纹图像610以使输入指纹图像610中的共享区域与登记指纹图像620中的共享区域重叠。第一阶段可使用各种方法将输入指纹图像610和登记指纹图像620进行匹配。例如,第一阶段可根据基于频率的匹配方法来确定输入指纹图像610与登记指纹图像620之间的平移信息和旋转信息。基于频率的匹配方法可以是在频域执行匹配的方法。
输入指纹图像610与登记指纹图像620之间的平移信息可包括x轴平移参数Tx和y轴平移参数Ty。此外,输入指纹图像610与登记指纹图像620之间的旋转信息可包括旋转参数R。这里,Tx和Ty也被称为平移,R被称为旋转角。
第一阶段可基于作为匹配的结果获得的平移信息和旋转信息来平移和旋转输入指纹图像610。平移信息和旋转信息可以是输入指纹图像610与登记指纹图像620之间的相对信息,因此,第一阶段可平移和旋转登记指纹图像620,而不平移和旋转输入指纹图像610。
第一阶段可在平移并旋转输入指纹图像610或登记指纹图像620之后获得输入指纹图像610与登记指纹图像620之间的重叠区域和匹配分数。例如,匹配分数可基于输入指纹图像610与登记指纹图像620之间的基于图像亮度值的归一化相关而被获得。第一阶段可输出获得的重叠区域和获得的匹配分数。为了描述的方便,一个登记指纹图像被示出为登记指纹图像620。然而,多个登记指纹图像可作为登记指纹图像620而被包括在数据库中。在这样的情况下,第一阶段可将输入指纹图像610与每个登记指纹图像进行匹配,并输出输入指纹图像610与每个登记指纹图像之间的重叠区域和匹配分数。相比于其他阶段,第一阶段可在相对短的时间段内被处理。然而,相比于其他阶段的VR,基于第一阶段的个体验证结果的VR可能较低。
描述的第一阶段的操作可应用到第二阶段和第三阶段的操作。然而,第二阶段和第三阶段还可执行将输入指纹图像分割成多个块以及将每个块与登记指纹图像进行匹配的操作。返回参照图5,第二阶段可将输入指纹图像分割成特定(或可选地,预定)数量的块(例如,三个块)。第二阶段可输出三个块与登记指纹图像之间的匹配分数。此外,相比于第二阶段,第三阶段可将输入指纹图像分割成更多数量的块(例如,五个块),并输出五个块与登记指纹图像之间的匹配分数。将参照图7对第二阶段和第三阶段的操作进行详细描述。
图7是示出根据至少一个示例实施例的分割输入指纹图像720的处理和匹配的处理的示图。以下将描述的第二阶段的操作可应用到第三阶段的操作。
在至少一个示例实施例中,指纹验证器的第二阶段(和/或第三阶段、第四阶段等)可被实现为将输入图像分割成多个块,并使用来自第一阶段的旋转/平移/缩放信息将各个块与一个或多个存储的登记图像进行匹配。每个块关于每个使用的登记图像的匹配分数可基于匹配来确定。
参照图7,第二阶段将输入指纹图像720分割成多个块,例如,块721、块722和块723。第二阶段可将块721至块723与登记指纹图像711和712进行比较,而不是将输入指纹图像720与登记指纹图像711和712进行比较。
第二阶段可使用各种方法分割输入指纹图像720。例如,第二阶段可基于预设的模式来分割输入指纹图像720。可基于指纹传感器的感测区域的形状和尺寸以及登记局部图像的形状和尺寸来预先确定模式。模式可根据需要动态地改变。此外,输入指纹图像720可被分割以使块721至块723不重叠,或使块721至块723中的相邻的块重叠特定区域。在至少一个示例实施例中,将输入图像分割成块的结果是输入图像与(多个)登记图像之间的减少的重叠区域。在至少一个示例实施例中,块与登记图像之间的重叠区域与块的总区域的比率可能高,从而提高匹配准确性。
使用块721至块723,第二阶段可具有提高的匹配准确性。当输入指纹图像720被输入时,因为输入指纹图像720与登记指纹图像711和712中的每一个登记指纹图像之间的重叠区域不大,所以将输入指纹图像720分割成多个块(例如,块721至块723)并执行匹配可以是更有效的。块723与登记指纹图像711之间的重叠区域与块723的总区域的比率可高于输入指纹图像720与登记指纹图像711之间的重叠区域与输入指纹图像720的总区域的比率,因此,这样的基于块的匹配可被更加准确和有效地执行。
第二阶段可通过平移和旋转块将块与登记指纹图像进行匹配,并基于块与登记指纹图像之间的重叠区域来计算匹配分数。例如,如在图7中所示,第二阶段可计算三个块721至723和登记指纹图像711和712的各种组合的匹配分数。这里,基于由第一阶段执行的匹配的结果,第二阶段可仅使用登记指纹图像的基于由第一阶段执行的匹配的结果排名高的部分,而不是使用存储在数据库中的全部登记指纹图像。在至少一个示例实施例中,第一阶段可识别(例如,被实现为识别)与整个输入图像的匹配分数是最大分数的登记图像,并且这样的限制选择的登记图像可被选择以用于第二阶段,从而仅针对与第一阶段中的相对高匹配分数相关联的限制选择的登记图像来执行块与登记图像之间的匹配,因而减少第二阶段中的处理时间。
使用与应用到第二阶段的方法类似的方法,第三阶段可将输入指纹图像720分割成五个块,并计算五个块中的每个块的匹配分数。第三阶段可通过排列五个块的匹配分数来输出高排名的K个分数。此外,第三阶段可输出多个匹配分数的特征值。这里,特征值表示指示与匹配分数相关联的特征的值(例如,诸如平均值的统计值)。例如,第三阶段可输出五个块的匹配分数中的最高的三个匹配分数以及最高的三个匹配分数的平均值。第三阶段可使用这样的特征值来提高用户验证的准确性。基于由第二阶段执行的匹配的结果,第三阶段可仅使用登记指纹图像的基于由第二阶段执行的匹配的结果排名高的部分,而不是使用存储在数据库中的全部登记指纹图像。在至少一个示例实施例中,指纹验证器的第三阶段和后续的阶段可类似于第二阶段进行操作,其中,输入图像随后被分割成更多数量的更小的块,并且更小的块与限制选择的登记图像进行匹配。使用来自前面阶段的最高匹配的登记图像,后续的阶段随后可使用更限制选择的登记图像。
在至少一个示例实施例中,第二阶段和/或第三阶段可输出在给定阶段中匹配的多个块的多个匹配分数的“K个分数”和/或“特征值”。在至少一个示例实施例中,“特征值”为与多个块的匹配分数的组合相关联的值。例如,特征值可以是在给定阶段中匹配的多个块的多个匹配分数的算术平均值。特征值可与多个块的限制选择的匹配分数相关联,包括作为与五个块的最高的三个匹配分数相关联的值。
图8是示出根据至少一个示例实施例的脸部验证器810的示图。根据示例实施例,上述生物测量学验证器可以是脸部验证器810。参照图8,脸部验证器810包括第一阶段、第二阶段和第三阶段,并且每个阶段可基于与生物测量学信息对应的输入图像(例如,脸部图像)来输出个体验证结果。脸部验证器810可通过将由神经网络中的多个层响应于输入图像输出的特征与对应于多个层的预先存储的登记图像的特征进行比较,来输出每个层的个体验证结果。包括在脸部验证器810中的多个阶段可分别对应于多个层。将参照图9对输出个体验证结果的处理进行描述。
在至少一个示例实施例中,脸部验证器810可被配置为根据选择的阶段输出验证结果信息,其中,由中间阶段产生的验证信息可作为向随后阶段的输入数据而被提供给随后阶段。
在至少一个示例实施例中,脸部验证器810可被配置为在具有多个层的神经网络中进行操作,其中,每个单独的层可执行输入图像的特定处理,不同层的输出可对应于单独的阶段,使得来自选择的终止阶段的输出可对应于神经网络的一个或多个特定层的输出。
图9是示出根据至少一个示例实施例的包括在脸部验证器中的多个层的示图。以下,将参照包括在图8的脸部验证器810中的第一阶段至第三阶段来提供描述。参照图9,脸部验证器810包括第一层910、第二层920、层3-1931、层3-2 932和层3-3 933。第一层910、第二层920和层931至层933可被预先训练以输出输入图像的特征值。脸部验证器810可被预先训练,以基于从第一层910、第二层920和层931至层933输出的输入图像的特征值与预登记图像的特征值之间的距离来输出个体验证结果。虽然,在图9中,第三层包括并行地与第二层920连接的层931至层933,但是除了图9中示出的结构之外的各种结构的神经网络也是可应用的。
在至少一个示例实施例中,脸部验证器包括多个“层”,其中,每个层表示输入图像的一个或多个部分的特定处理,一个或多个层可对应于验证器的一个或多个“阶段”,使得与选择的终止阶段对应的层的输出被提供为验证器的验证结果信息。
在至少一个示例实施例中,从每个层输出的验证结果是与输入图像相关联的至少一个特征值。在至少一个示例实施例中,验证器的每个“阶段”可被实现为将从相应的层“输出”的特征值与登记图像的相应的存储的特征值进行比较,并且登记图像的相应的存储的特征值可以是在登记图像被相应的层处理时由该层输出的特征值。在至少一个示例实施例中,验证器可输出指示输入图像的特征值与登记图像的特征值之间的确定的距离的给定验证结果。在至少一个示例实施例中,这样的距离值可被表示为“匹配分数”。
第一层910可基于输入图像来输出输入图像的第一特征值。脸部验证器810的第一阶段可将输入图像的第一特征值与登记图像的第一特征值进行比较,并基于输入图像的第一特征值与登记图像的第一特征值之间的距离来输出第一个体验证结果。第一个体验证结果可以是验证分数。登记图像的第一特征值可由第一层910预先输出,并存储在数据库中。类似地,第二阶段可使用第二层920输出第二个体验证结果。第二层920可以是比第一层910更高的层,因此,基于输入图像的第二特征值的第二个体验证结果可具有比基于输入图像的第一特征值的第一个体验证结果更高的VR。
第三层可使用层931至层933输出第三个体验证结果。层3-1 931、层3-2 932和层3-3 933可分别输出输入图像的特征值3-1、输入图像的特征值3-2和输入图像的特征值3-3。脸部验证器810的第三阶段可将输入图像的特征值3-1、输入图像的特征值3-2和输入图像的特征值3-3与登记图像的特征值3-1、登记图像的特征值3-2和登记图像的特征值3-3进行比较,并基于特征值之间的距离来输出第三个体验证结果。
在第一阶段和第二阶段,登记图像的第一特征值和第二特征值可以是与用户的整个脸部相关联的特征值。在这样的示例中,第一阶段和第二阶段可基于用户的整个脸部来输出个体验证结果。
在第三阶段,登记图像的特征值3-1可以是与用户的整个脸部相关联的特征值,登记图像的特征值3-2和特征值3-3可以是与用户的局部脸部(例如,用户的眼睛、鼻子、嘴唇或耳朵)相关联的特征值。第三阶段可基于用户的整个脸部和用户的局部脸部二者来输出个体验证结果。因此,第三阶段的第三个体验证结果可具有比第一个体验证结果和第二个体验证结果更高的VR。
第一个体验证结果至第三个体验证结果可包括输入图像的特征值与登记图像的特征值之间的匹配分数。第三个体验证结果可包括与整个脸部和局部脸部相关联的多个匹配分数。此外,第三个体验证结果还可包括多个匹配分数的统计值(例如,平均值)。例如,第三阶段可输出脸部的匹配分数、脸部的第一部分的匹配分数和脸部的第二部分的匹配分数以及多个匹配分数的平均值。第三阶段可使用多个匹配分数以及统计值来提高用户验证的准确性。
在至少一个示例实施例中,给定阶段可将来自多个的、并行的层的多个特征值与登记图像的多个相应的特征值进行比较。在至少一个示例实施例中,来自脸部验证器的给定阶段的验证结果包括基于输入图像与登记图像的特征值的比较产生的匹配分数,其中,匹配分数表示特征值之间的距离。这样的匹配分数可附有与匹配分数相关联的统计值。
如上所述,多个生物测量学验证器中的每一个生物测量学验证器的个体验证结果可用向量来表示。个体验证结果可具有与输出值的数量对应的维度。例如,图5的指纹验证器510的第三阶段可输出五个块的匹配分数中的最高的三个匹配分数以及最高的三个匹配分数的平均值。在这样的示例中,指纹验证器510的第三阶段的个体验证结果可用4维向量来表示。类似地,图8的脸部验证器810的第三阶段可输出分别与脸部、脸部的第一部分和第二部分相关联的三个匹配分数以及三个匹配分数的平均值。在这样的示例中,脸部验证器810的第三阶段的个体验证结果可用4维向量来表示。融合模型可从指纹验证器510和脸部验证器810中的每一个接收4维向量,并接收通过组合两个4维向量的8维向量作为输入。在至少一个示例实施例中,融合模型可基于从来自多个验证器的向量的组合接收的多维向量,产生最终验证结果。
在至少一个示例实施例中,融合模型可被实现为组合多个向量,以确定提供给多个向量的与多个输入图像的组合对应的匹配分数,其中,融合模型基于对匹配分数至少满足与验证请求的要求的FAR/VR相关联的阈值的确定,来确定与输入图像相关联的身份是否是与登记图像相关联的登记用户的身份。例如,融合模型可以是被训练为接收n维向量作为输入并输出最终验证结果的SVM。
融合模型可从8维向量输出最终验证结果。如上所述,融合模型可以是被训练为通过接收8维向量作为输入来输出最终验证结果的SVM。虽然这里描述了基于指纹验证器510的第三阶段和脸部验证器810的第三阶段的组合的融合模型的操作,但是融合模型可包括与所有阶段的组合对应的个体模型,并且个体模型可被预先训练以在个体验证结果被输入时输出最终验证结果。
图10是示出根据至少一个示例实施例的主验证器和子验证器的示图。参照图10,控制器1010在多个生物测量学验证器之中确定主验证器1020和子验证器1030。主验证器1020是主要用于用户验证的验证器,子验证器1030是额外地用于用户验证的验证器。例如,控制器1010可从主验证器1020的终止阶段和子验证器1030的终止阶段的各种组合中选择可增加主验证器1020的终止阶段的等级的组合。例如,可从多个组合选择允许主验证器1020在第n阶段输出个体验证结果并且允许子验证器1030在第一阶段输出个体验证结果的组合。融合模型1040可基于主验证器1020和子验证器1030的个体验证结果来输出最终验证结果。
可选地,控制器1010可基于选择信息确定主验证器1020的阶段和子验证器1030的阶段。选择信息可包括主验证器1020的最小要求阶段和子验证器1030的最大要求阶段。控制器1010可将高于或等于主验证器1020的最小要求阶段的阶段以及低于或等于子验证器1030的最大要求阶段的阶段确定为终止阶段。
控制器1010可基于包括应用类型、安全等级、感测环境、主验证或辅助验证以及用户的选择中的至少一个的特定标准(或,可选地,预定标准)来确定主验证器1020和子验证器1030。例如,当照明强度低时,脸部验证器的性能可能劣化,因此控制器1010可将指纹验证器设置为主验证器1020,将脸部验证器设置为子验证器1030。可选地,为了在照明强度低时增加脸部验证器的准确性,控制器1010可将脸部验证器设置为主验证器1020,并增加脸部验证器的终止阶段的等级。作为另一示例,当湿度的程度高时,指纹验证器的性能可能劣化,控制器1010可于是将脸部验证器设置为主验证器1020,并将指纹验证器设置为子验证器1030。可选地,为了在湿度的程度高时增加指纹验证器的准确性,控制器1010可将指纹验证器设置为主验证器1020,并增加指纹验证器的终止阶段的等级。
在至少一个示例实施例中,控制器可基于选择的验证器的期望等级的终止阶段来选择“主验证器”和“子验证器”,其中,“主验证器”被识别为具有比子验证器更高等级的终止阶段的验证器。在至少一个示例实施例中,如果两个验证器具有相同等级的终止阶段和/或当两个验证器具有相同等级的终止阶段时,则两个验证器中的一个可被设置为主验证器,另一个可被设置为子验证器。
在至少一个示例实施例中,可基于主验证器以及指明一个或多个特定验证器的最小和/或最大的阶段的选择信息来确定验证器的阶段。在至少一个示例实施例中,选择信息可与特定FAR/VR关联,其中,特定的FAR/VR与接收的验证请求相关联。
在至少一个示例实施例中,限制选择的验证器可基于标准值的集合而被选择。可基于传感器输入、用户输入、与接收验证请求的应用相关联的参数以及它们的一些组合等来确定标准值。
图11是示出根据至少一个示例实施例的用户验证方法的流程图。图11中示出的方法可由包括图1中示出的用户验证设备110的单个设备来实现。参照图11,在操作1110,用户验证设备设置多个生物测量学验证器中的至少一个的终止阶段。在操作1120,用户验证设备基于设置的终止阶段选择融合生物测量学验证器的输出的融合模型。在操作1130,用户验证设备使用生物测量学验证器的输出和融合模型验证用户。参照图1至图10提供的描述可应用到参照图11描述的操作,因此,这里将省略更加详细的描述。
图12是示出根据至少一个示例实施例的电子系统的示图。图12中示出的电子系统可包括图1中示出的用户验证设备110。参照图12,电子系统包括传感器1220、处理器1210和存储器1230。传感器1220、处理器1210和存储器1230可通过总线1240彼此通信。例如,传感器1220可包括指纹传感器、图像传感器和ECG传感器,以检测包括例如脸部、指纹、虹膜、静脉、手掌纹路、耳朵的形状和ECG的用户的生物测量学信息。传感器1220可使用公知的方法(例如,将光学图像转换为电信号的方法)检测用户的生物测量学信息。生物测量学信息可被输出到处理器1210。
处理器1210可包括参照图1至图11描述的至少一个设备或参照图1至图11描述的至少一个方法。例如,处理器1210可包括图2中示出的控制器210、生物测量学验证器220和230以及融合模型240。存储器1230可存储通过传感器1220获得的登记指纹图像或登记图像、通过传感器1220获得的输入指纹图像或输入图像、由处理器1210处理的匹配结果和/或由处理器1210计算的匹配分数。存储器1230可以是易失性存储器或非易失性存储器。
处理器1210可执行程序并控制电子系统。将由处理器1210执行的程序代码可存储在存储器1230中。电子系统可通过输入和输出装置(未示出)连接到外部装置,例如,个人计算机(PC)或网络,并与外部装置交换数据。电子系统可包括各种电子系统,例如,移动装置(诸如,移动电话、智能电话、个人数字助理(PDA)、平板计算机和膝上型计算机)、计算装置(诸如,PC、平板计算机和上网本)和电子产品(诸如,电视(TV)、智能TV和用于门控的安全装置)。
在至少一个示例实施例中,假设从外部生物测量学传感器装置接收到输入信息,则处理器1210和存储器1230可独自实现图11中示出的以及在其他附图中示出的验证处理。
这里描述的单元和/或模块可使用硬件组件和软件组件来实现。例如,硬件组件可包括麦克风、放大器、带通滤波器、音频数字转换器和处理装置。可使用被配置为通过执行算术、逻辑和输入/输出操作实现和/或执行程序代码的一个或多个硬件装置来实现处理装置。处理装置可包括处理器、控制器和算术逻辑单元、数字信号处理器、微型计算机、现场可编程阵列、可编程逻辑单元、微处理器或能够以限定的方式响应并执行指令的任何其他装置。处理装置可运行操作系统(OS)以及在OS上运行的一个或多个软件应用。处理装置也可响应于软件的执行来访问、存储、操控、处理和创建数据。为了简单起见,使用单数来描述处理装置。然而,本领域的技术人员将理解,处理装置可包括多个处理元件和多种类型的处理元件。例如,处理装置可包括多个处理器,或包括处理器和控制器。此外,不同的处理配置是可行的,诸如,并行处理器。
软件可包括计算机程序、代码段、指令或它们的某些组合,以独立地或共同地指示和/或配置处理装置如期望地进行操作,从而使处理装置转变为专用处理器。可以以任意类型的机器、组件、物理或虚拟设备、计算机存储介质或装置,或者以能够提供指令或数据或被处理装置解释的传播信号波,来永久地或暂时地实现软件和数据。软件也可被分布在联网的计算机系统上,从而以分布方式存储和执行软件。可通过一个或多个非暂时性计算机可读记录介质来存储软件和数据。
根据上述示例实施例的方法可被记录在包括程序指令的非暂时性计算机可读介质中,以实现上述示例实施例的各种操作。所述介质还可单独包括程序指令、数据文件、数据结构等,或与程序指令相结合地包括数据文件、数据结构等。在介质上记录的程序指令可以是为了示例实施例的目的而专门设计和构造的程序指令,或者他们可以说是计算机软件领域的技术人员众所周知和可用的那种程序指令。非暂时性计算机可读介质的示例包括:磁介质(诸如,硬盘、软盘和磁带)、光学介质(诸如,CD-ROM盘、DVD和/或蓝光盘)、磁光介质(诸如,光盘)和专门配置为存储并执行程序指令的硬件装置(诸如,只读存储器(ROM)、随机存取存储器(RAM)、闪存(例如,USB闪存驱动器、存储卡、记忆棒等)等)。程序指令的示例包括诸如由编译器生成的机器代码和包含可由计算机使用解释器执行的更高级代码的文件二者。为了执行上述示例实施例的操作,上述装置可被配置为用作一个或多个软件模块,反之亦然。
上面已经描述了很多示例实施例。但是,应理解,可对这些示例实施例做出各种修改。例如,如果描述的方法按不同的顺序执行和/或如果在描述的系统、架构、装置或电路中的元件以不同的方式结合和/或被其它元件或它们的等价物取代或补充,可获得适宜的结果。因此,其他实施方式也在权利要求的范围内。
应理解,这里描述的实施例应只被视为描述性意义,而不是限制的目的。根据示例实施例的每个装置或方法内的特征或方面的描述通常应该被认为可用于根据示例实施例的其他装置或方法中的其他类似的特征或方面。虽然已经具体示出和描述至少一个示例实施例,但是本领域技术人员将理解,在不脱离权利要求的精神和范围的情况下,可在其中做出形式和细节上的变化。
Claims (33)
1.一种用户验证方法,包括:
设置多个生物测量学验证器中的每个生物测量学验证器的终止阶段,使得所述多个生物测量学验证器中的每个生物测量学验证器分别与多个终止阶段的特定组合的单独的终止阶段相关联;
基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合,执行所述多个生物测量学验证器,以产生多个输出;
基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合,融合所述多个输出,以产生结果;
基于所述结果,验证用户。
2.如权利要求1所述的用户验证方法,其中,每个生物测量学验证器被配置为:被执行以通过生物测量学验证器的多个阶段的集合来输出个体验证结果,其中,所述多个阶段的集合包括至少一个阶段。
3.如权利要求2所述的用户验证方法,其中,
生物测量学验证器的设置的终止阶段是所述多个阶段中的特定阶段,
每个生物测量学验证器被配置为:被执行以输出与生物测量学验证器的设置的终止阶段对应的个体验证结果。
4.如权利要求1所述的用户验证方法,其中,设置的步骤包括:
基于特定标准,设置至少一个生物测量学验证器的终止阶段。
5.如权利要求4所述的用户验证方法,其中,所述特定标准包括:
与接收的验证请求相关联的应用类型,
与接收的验证请求相关联的安全等级,
与用户验证设备相关联的感测环境,
所述至少一个生物测量学验证器将被执行为执行主验证还是辅助验证的确定,和/或
用户在用户接口的选择。
6.如权利要求4所述的用户验证方法,其中,设置的步骤包括:
基于所述特定标准,将所述至少一个生物测量学验证器的多个阶段中的特定阶段设置为所述至少一个生物测量学验证器的终止阶段,其中,在所述特定阶段,与所述特定阶段的个体验证结果相关联的验证率和错误接受率至少分别满足阈值验证率和阈值错误接受率。
7.如权利要求1所述的用户验证方法,其中,所述多个生物测量学验证器被配置为:被执行以执行不同形式的生物测量学验证。
8.如权利要求1所述的用户验证方法,其中,所述多个生物测量学验证器中的每个生物测量学验证器被配置为:被执行以基于接收的生物测量学信息执行生物测量学验证,其中,接收的生物测量学信息包括脸部、指纹、虹膜、静脉、手掌纹路、耳朵的形状和心电图中的一个。
9.如权利要求1所述的用户验证方法,其中,融合的步骤包括:
基于执行多个融合模型之中的对应于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合的融合模型,来融合所述多个输出,其中,所述多个融合模型和与所述多个生物测量学验证器相关联的所述多个终止阶段的各个单独的组合相关联。
10.如权利要求1所述的用户验证方法,其中,验证的步骤包括:
基于将融合的结果与阈值进行比较,来验证用户,其中,所述阈值对应于所述多个生物测量学验证器的所述多个终止阶段。
11.如权利要求1所述的用户验证方法,其中,
所述多个生物测量学验证器中的至少一个生物测量学验证器包括指纹验证器,
指纹验证器被配置为:被执行以基于执行指纹验证器的多个阶段中的每个阶段来输出个体验证结果,
执行所述多个阶段中的第一阶段包括:输出登记指纹图像与输入指纹图像之间的重叠区域和匹配分数,
执行所述多个阶段中的第二阶段包括:输出登记指纹图像与基于分割输入指纹图像产生的多个块之间的匹配分数。
12.如权利要求1所述的用户验证方法,其中,
所述多个生物测量学验证器中的至少一个生物测量学验证器包括脸部验证器,
脸部验证器被配置为:被执行以根据将由神经网络中的多个层基于输入图像输出的特征与存储的对应于所述多个层的登记图像的特征进行比较,来输出每个层的个体验证结果。
13.如权利要求1所述的用户验证方法,其中,设置的步骤包括:
选择所述多个生物测量学验证器中的一个生物测量学验证器作为主验证器,
选择所述多个生物测量学验证器中的另一生物测量学验证器作为子验证器,
从主验证器的终止阶段和子验证器的终止阶段的多种单独的组合,选择增加主验证器的终止阶段的等级的主验证器的终止阶段和子验证器的终止阶段的特定组合。
14.如权利要求1所述的用户验证方法,其中,融合的步骤包括:
使用融合模型来融合所述多个输出,其中,融合模型被配置为:基于具有与设置的终止阶段的输出对应的维度的输入向量,来输出用于验证用户的最终验证结果。
15.一种存储指令的非暂时性计算机可读介质,其中,所述指令在被处理器执行时使得所述处理器执行权利要求1的方法。
16.一种用户验证设备,包括:
存储器,存储指令的程序;
处理器,被配置为执行所述指令的程序以:
设置多个生物测量学验证器中的每个生物测量学验证器的终止阶段,使得所述多个生物测量学验证器中的每个生物测量学验证器分别与多个终止阶段的特定组合的单独的终止阶段相关联;
基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合,执行所述多个生物测量学验证器,以产生多个输出;
执行融合模型,以基于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合来融合所述多个输出,以产生验证结果。
17.如权利要求16所述的用户验证设备,其中,处理器被配置为:执行每个生物测量学验证器,以通过生物测量学验证器的多个阶段来输出个体验证结果。
18.如权利要求17所述的用户验证设备,其中,
每个设置的终止阶段是所述多个阶段中的与所述多个生物测量学验证器的特定生物测量学验证器相关联的特定阶段,
处理器被配置为:执行每个生物测量学验证器,以输出与生物测量学验证器相关联的所述多个阶段中的和与生物测量学验证器相关联的设置的终止阶段对应的个体验证结果。
19.如权利要求16所述的用户验证设备,其中,处理器被配置为:基于特定标准,设置至少一个生物测量学验证器的终止阶段。
20.如权利要求19所述的用户验证设备,其中,所述特定标准包括:
与接收的验证请求相关联的应用类型,
与接收的验证请求相关联的安全等级,
与所述用户验证设备相关联的感测环境,
所述至少一个生物测量学验证器将被执行为执行主验证还是辅助验证的确定,和/或
用户在用户接口的选择。
21.如权利要求19所述的用户验证设备,其中,处理器被配置为:基于所述特定标准,将所述至少一个生物测量学验证器的所述多个阶段中的特定阶段设置为所述至少一个生物测量学验证器的终止阶段,其中,在所述特定阶段,与所述特定阶段的个体验证结果相关联的验证率和错误接受率至少分别满足阈值验证率和阈值错误接受率。
22.如权利要求16所述的用户验证设备,其中,处理器被配置为:执行单独的所述多个生物测量学验证器,以执行不同形式的生物测量学验证。
23.如权利要求16所述的用户验证设备,其中,处理器被配置为:执行所述多个生物测量学验证器中的每个生物测量学验证器,以基于接收的生物测量学信息执行生物测量学验证,其中,接收的生物测量学信息包括脸部、指纹、虹膜、静脉、手掌纹路、耳朵的形状和心电图中的一个。
24.如权利要求16所述的用户验证设备,其中,处理器被配置为:分别使用多个融合模型之中的对应于与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合的融合模型,来融合所述多个生物测量学验证器的所述多个输出,其中,所述多个融合模型和与所述多个生物测量学验证器相关联的所述多个终止阶段的各个单独组合相关联。
25.如权利要求16所述的用户验证设备,其中,
所述多个生物测量学验证器中的至少一个生物测量学验证器包括指纹验证器,
处理器被配置为:执行指纹验证器,以基于执行指纹验证器的多个阶段中的每个阶段,来输出个体验证结果,
执行所述多个阶段中的第一阶段包括:输出登记指纹图像与输入指纹图像之间的重叠区域和匹配分数,
执行所述多个阶段中的第二阶段包括:输出登记指纹图像与基于分割输入指纹图像产生的多个块之间的匹配分数。
26.如权利要求16所述的用户验证设备,其中,
所述多个生物测量学验证器中的至少一个生物测量学验证器包括脸部验证器,
处理器被配置为:执行脸部验证器,以根据将由神经网络中的多个层基于输入图像输出的特征与存储的对应于所述多个层的登记图像的特征进行比较,来输出每个层的个体验证结果。
27.如权利要求16所述的用户验证设备,其中,执行融合模型的步骤包括:基于具有和与所述多个生物测量学验证器相关联的所述多个终止阶段的特定组合的输出对应的维度的输入向量,来输出用于用户验证的最终验证结果。
28.如权利要求16所述的用户验证设备,其中,处理器被配置为:
选择所述多个生物测量学验证器中的一个生物测量学验证器作为主验证器,
选择所述多个生物测量学验证器中的另一生物测量学验证器作为子验证器,
将来自主验证器的多个阶段中的主验证器的高于或等于最小要求阶段的阶段阶段设置为主验证器的终止阶段,
将来自子验证器的多个阶段中的子验证器的低于或等于最大要求阶段的阶段设置为子验证器的终止阶段。
29.一种用户验证设备,包括:
存储器,存储指令的程序;
处理器,被配置为执行所述指令的程序以:
接收用户验证请求,所述用户验证请求包括标准,
基于所述标准,设置生物测量学验证器的终止阶段,
基于设置的终止阶段,执行生物测量学验证器以产生个体验证结果,基于个体验证结果,验证用户。
30.如权利要求29所述的用户验证设备,其中,所述标准包括:
与接收的验证请求相关联的应用类型,
与接收的验证请求相关联的安全等级,
与所述用户验证设备相关联的感测环境,
生物测量学验证器将被执行为执行主验证还是辅助验证的确定,和/或
用户在用户接口的选择。
31.如权利要求29所述的用户验证设备,其中,设置的步骤包括:
基于所述标准,将生物测量学验证器的多个阶段中的特定阶段设置为生物测量学验证器的终止阶段,其中,在所述特定阶段,与所述特定阶段的个体验证结果相关联的验证率和错误接受率至少分别满足阈值验证率和阈值错误接受率。
32.如权利要求29所述的用户验证设备,其中,处理器还被配置为:执行所述指令的程序,以基于验证产生解锁命令信号来使用户能够至少部分地访问装置。
33.如权利要求32所述的用户验证设备,其中,
所述用户验证设备包括被配置为运输一个或多个乘员的交通工具,
产生解锁命令信号的步骤包括:
基于验证,选择性地授权用户访问交通工具的内部,和/或
基于验证,选择性地授权用户控制交通工具的一个或多个驱动元件。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20160087478 | 2016-07-11 | ||
KR10-2016-0087478 | 2016-07-11 | ||
KR10-2016-0130758 | 2016-10-10 | ||
KR1020160130758A KR102547820B1 (ko) | 2016-07-11 | 2016-10-10 | 복수의 생체 인증기들을 이용한 사용자 인증 방법 및 그 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609365A true CN107609365A (zh) | 2018-01-19 |
CN107609365B CN107609365B (zh) | 2022-11-08 |
Family
ID=61025198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710426745.8A Active CN107609365B (zh) | 2016-07-11 | 2017-06-08 | 用于使用多个生物测量学验证器验证用户的方法和设备 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102547820B1 (zh) |
CN (1) | CN107609365B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033779A (zh) * | 2018-06-29 | 2018-12-18 | 努比亚技术有限公司 | 一种解锁认证方法、可穿戴设备及计算机可读存储介质 |
CN110348192A (zh) * | 2018-04-02 | 2019-10-18 | 义隆电子股份有限公司 | 生物特征的认证方法 |
CN110574031A (zh) * | 2018-02-16 | 2019-12-13 | 指纹卡有限公司 | 用于电子设备的登记方案 |
WO2021227530A1 (zh) * | 2020-05-14 | 2021-11-18 | 华为技术有限公司 | 设备使能方法及装置、存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019207566A1 (de) * | 2019-05-23 | 2020-11-26 | Volkswagen Aktiengesellschaft | Verfahren zur Steuerung eines Sicherheitssystems einer Ladestation zum Aufladen von Elektrofahrzeugen |
CN112231668A (zh) * | 2020-09-18 | 2021-01-15 | 同盾控股有限公司 | 基于击键行为的用户身份认证方法、电子设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060153432A1 (en) * | 2005-01-07 | 2006-07-13 | Lo Peter Z | Adaptive fingerprint matching method and apparatus |
US20060294393A1 (en) * | 2005-06-24 | 2006-12-28 | Mc Call Clark E | Remote biometric registration for vehicles |
CN101127599A (zh) * | 2006-08-18 | 2008-02-20 | 华为技术有限公司 | 一种身份和权限认证方法及系统以及一种生物处理单元 |
CN101174949A (zh) * | 2006-10-30 | 2008-05-07 | 华为技术有限公司 | 一种生物认证方法及系统 |
CN101751710A (zh) * | 2008-12-16 | 2010-06-23 | 索尼株式会社 | 生物认证系统和生物认证方法 |
US20110032076A1 (en) * | 2009-08-04 | 2011-02-10 | Raytheon Company | Method and System for Generating a Biometric Query Plan |
US20110044514A1 (en) * | 2009-08-19 | 2011-02-24 | Harris Corporation | Automatic identification of fingerprint inpainting target areas |
CN104077516A (zh) * | 2014-06-26 | 2014-10-01 | 华为技术有限公司 | 一种生物认证方法及终端 |
US8887259B1 (en) * | 2011-12-06 | 2014-11-11 | Imageware Systems, Inc. | Anonymous biometric verification |
WO2015078018A1 (en) * | 2013-11-30 | 2015-06-04 | Xiaoou Tang | Method and system for face image recognition |
CN104700103A (zh) * | 2015-04-03 | 2015-06-10 | 广东同盛联合信息技术有限公司 | 一种应用于多生物特征识别的智能身份认证通道的指纹比对方法 |
CN105354560A (zh) * | 2015-11-25 | 2016-02-24 | 小米科技有限责任公司 | 指纹识别方法及装置 |
CN105447441A (zh) * | 2015-03-19 | 2016-03-30 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010501103A (ja) * | 2006-08-18 | 2010-01-14 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | 認証のための方法およびシステム |
-
2016
- 2016-10-10 KR KR1020160130758A patent/KR102547820B1/ko active IP Right Grant
-
2017
- 2017-06-08 CN CN201710426745.8A patent/CN107609365B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060153432A1 (en) * | 2005-01-07 | 2006-07-13 | Lo Peter Z | Adaptive fingerprint matching method and apparatus |
US20060294393A1 (en) * | 2005-06-24 | 2006-12-28 | Mc Call Clark E | Remote biometric registration for vehicles |
CN101127599A (zh) * | 2006-08-18 | 2008-02-20 | 华为技术有限公司 | 一种身份和权限认证方法及系统以及一种生物处理单元 |
CN101174949A (zh) * | 2006-10-30 | 2008-05-07 | 华为技术有限公司 | 一种生物认证方法及系统 |
CN101751710A (zh) * | 2008-12-16 | 2010-06-23 | 索尼株式会社 | 生物认证系统和生物认证方法 |
US20110032076A1 (en) * | 2009-08-04 | 2011-02-10 | Raytheon Company | Method and System for Generating a Biometric Query Plan |
US20110044514A1 (en) * | 2009-08-19 | 2011-02-24 | Harris Corporation | Automatic identification of fingerprint inpainting target areas |
US8887259B1 (en) * | 2011-12-06 | 2014-11-11 | Imageware Systems, Inc. | Anonymous biometric verification |
WO2015078018A1 (en) * | 2013-11-30 | 2015-06-04 | Xiaoou Tang | Method and system for face image recognition |
CN104077516A (zh) * | 2014-06-26 | 2014-10-01 | 华为技术有限公司 | 一种生物认证方法及终端 |
CN105447441A (zh) * | 2015-03-19 | 2016-03-30 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN104700103A (zh) * | 2015-04-03 | 2015-06-10 | 广东同盛联合信息技术有限公司 | 一种应用于多生物特征识别的智能身份认证通道的指纹比对方法 |
CN105354560A (zh) * | 2015-11-25 | 2016-02-24 | 小米科技有限责任公司 | 指纹识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
S.MAROUZI 等: ""Elimination of alignment stage in feature extraction for a Slepian-Wolf fingerprint biometric system,"", 《6TH INTERNATIONAL SYMPOSIUM ON TELECOMMUNICATIONS (IST)》 * |
胡佳曦: ""指纹识别的算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110574031A (zh) * | 2018-02-16 | 2019-12-13 | 指纹卡有限公司 | 用于电子设备的登记方案 |
CN110574031B (zh) * | 2018-02-16 | 2022-12-30 | 指纹卡安娜卡敦知识产权有限公司 | 用于电子设备的登记方案 |
CN110348192A (zh) * | 2018-04-02 | 2019-10-18 | 义隆电子股份有限公司 | 生物特征的认证方法 |
CN109033779A (zh) * | 2018-06-29 | 2018-12-18 | 努比亚技术有限公司 | 一种解锁认证方法、可穿戴设备及计算机可读存储介质 |
WO2021227530A1 (zh) * | 2020-05-14 | 2021-11-18 | 华为技术有限公司 | 设备使能方法及装置、存储介质 |
EP4141710A4 (en) * | 2020-05-14 | 2023-09-20 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR ACTIVATION OF A DEVICE AND STORAGE MEDIUM |
Also Published As
Publication number | Publication date |
---|---|
KR102547820B1 (ko) | 2023-06-27 |
CN107609365B (zh) | 2022-11-08 |
KR20180006838A (ko) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609365A (zh) | 用于使用多个生物测量学验证器验证用户的方法和设备 | |
US11790065B2 (en) | Method and apparatus for verifying user using multiple biometric verifiers | |
CN110414432B (zh) | 对象识别模型的训练方法、对象识别方法及相应的装置 | |
CN1894703B (zh) | 模式识别方法和设备 | |
KR102486699B1 (ko) | 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치 | |
CN105849747B (zh) | 用于人脸图像识别的方法和系统 | |
CN110188641A (zh) | 图像识别和神经网络模型的训练方法、装置和系统 | |
JP5531963B2 (ja) | 認証システム、装置、認証方法及びプログラム | |
CN107924491A (zh) | 未知类别的检测和用于未知类别的分类器的初始化 | |
EP3168781A1 (en) | Method and apparatus for recognizing object, and method and apparatus for training recognition model | |
JP2022521038A (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、装置及び電子機器 | |
US10956738B1 (en) | Identity authentication using an inlier neural network | |
CN109344713B (zh) | 一种姿态鲁棒的人脸识别方法 | |
CN110222780A (zh) | 物体检测方法、装置、设备和存储介质 | |
CN108573137A (zh) | 指纹验证方法和设备 | |
CN108256454B (zh) | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 | |
EP2936458A1 (en) | Biometric recognition method with speed and security feature suitable for pos/atm applications | |
KR102261833B1 (ko) | 인증 방법 및 장치, 및 인식기 학습 방법 및 장치 | |
CN114596622A (zh) | 基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法 | |
Hafner et al. | Deep iris feature extraction | |
CN101206774B (zh) | 核对方法、核对装置、登记装置和登记方法 | |
CN112926574A (zh) | 图像识别方法、图像识别装置和系统 | |
US11593616B2 (en) | Method for determining a data item's membership of a database and associated computer program product and information medium | |
KR20210069467A (ko) | 뉴럴 네트워크의 학습 방법 및 장치와 뉴럴 네트워크를 이용한 인증 방법 및 장치 | |
Bhargava et al. | An Adaptive Analysis of Different Methodology for Face Recognition Algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |