CN108140107A - 快速、高精度的大型指纹验证系统 - Google Patents
快速、高精度的大型指纹验证系统 Download PDFInfo
- Publication number
- CN108140107A CN108140107A CN201680055763.3A CN201680055763A CN108140107A CN 108140107 A CN108140107 A CN 108140107A CN 201680055763 A CN201680055763 A CN 201680055763A CN 108140107 A CN108140107 A CN 108140107A
- Authority
- CN
- China
- Prior art keywords
- window region
- fingerprint
- minutiae point
- window
- registered fingerprint
- 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
- 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
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1353—Extracting features related to minutiae or pores
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
公开用于快速地识别用于与查询指纹进行不受限指纹匹配的注册指纹图像池内的潜在候选者的设备、系统及技术。所述技术可包含将一或多个窗口区应用于注册及查询指纹图像两者,及基于所述窗口区内的细节点确定每个此窗口区的细节点分数。查询图像的窗口区的所述细节点分数的一或多个组分随后可与所述注册指纹图像的窗口区的所述细节点分数中的类似组分进行比较,并且可选择具有细节点分数足够类似于所述查询指纹图像的窗口区的所述细节点分数的窗口区的注册指纹图像,用于稍后与所述查询指纹图像进行不受限匹配。
Description
优先权要求
本申请案要求2015年9月25日提交的标题为“快速、高精度的大型指纹验证系统(FAST,HIGH-ACCURACY,LARGE-SCALE FINGERPRINT VERIFICATION SYSTEM)”的第14/866,259号美国专利申请案的优先权,所述申请案出于所有目的通过引用全文结合在此。
技术领域
本发明大体上涉及指纹识别的领域,且更具体来说,涉及用于使用大型指纹数据库识别指纹的改进的系统和技术。
背景技术
法医指纹识别最早在19世纪末提出并且随着时间推移发生很大变化,尤其随着计算机的出现。然而,即使借助于现代计算系统,指纹识别也是耗时且昂贵的任务。
在典型的指纹识别或认证系统中,将“查询”指纹,例如,从犯罪现场获取的整个或部分指纹或从生物扫描器获得的指纹与容纳在指纹数据库中的“注册”指纹的数据库相比较。注册指纹通常具有高质量,并且可能已从被逮捕并经受指纹识别作为警方记名警告程序的一部分的个人、处于敏感位置并已被纳入生物计量认证系统的人等获得。然而,注册指纹有时还可包含较差质量的指纹。举例来说,指纹数据库可包含从未破谋杀案(即,凶手的身份可能未知)的犯罪现场获取的部分指纹,但是可能仍需要查看查询指纹是否与此注册指纹匹配,以便确定未破谋杀案的嫌疑人是否还参与留下指纹的另一起犯罪。
为了确定查询指纹是否与注册指纹匹配,比较两个指纹中的多级细节。指纹由人的手指上的“摩擦脊”相互作用形成;这些摩擦脊倾向于以分成若干大类的某些模式流动;这些类别称为1级细节。2级细节包含关于个人摩擦脊路径的信息以及与每个摩擦脊相关联的“细节点”。视为沿着摩擦脊的“事件”的细节点是摩擦脊中出现某种可容易识别变化的点,例如,分叉点(其中脊线分成两条脊线)、脊线终结点、孤立点等。在少量放大或不放大的情况下可通过裸眼观察到细节点。最后,3级细节可包含摩擦脊宽度、摩擦脊边缘特征及汗孔位置。3级细节通常需要放大,以便可由人类观察者辨别。出于本发明的目的,个别2级及3级特征可称为“细节点”。
当指纹“注册”到指纹识别系统中时,注册指纹通常基于其1级细节分类。通常具有极少数1级分类,例如,“弓型纹”、“箕型纹”、“斗型纹”等。还可存在这些分类中的子分类,例如,“左倾斜箕型纹”、“右倾斜箕型纹”等。尽管离散分类的数目可取决于所使用分类系统而变化,但是基于1级细节的不同分类的数目通常在例如个位数到较低两位数的范围中,联邦调查局使用的自动指纹识别系统(AFIS)基于1级细节将指纹分类成八个不同模式类型中的一个模式类型:弓型纹、左倾斜箕型纹、右倾斜箕型纹、斗型纹、截肢及完整疤痕(对于不符合分类的指纹及对于质量太差而无法成为有用指纹的指纹,包含两种其它分类)。
当获得查询指纹时,所述查询指纹还基于其1级细节分类。在查询指纹以此方式分类之后,注册指纹可经过滤以仅包含具有与查询指纹的分类兼容的类别的注册指纹。举例来说,如果查询指纹分类为“斗型纹”,则不需要将查询指纹与具有“箕型纹”或“弓型纹”分类的注册指纹相比较,因为此类注册指纹基于其1级细节不匹配。然而,当查找查询指纹匹配时,仍可考虑不可分类的注册指纹,因为注册指纹可为不包含足够信息以基于其1级细节进行分类的部分指纹,但是可能具有基于其2级细节与查询指纹匹配的足够细节。
图1描绘实例指纹。指纹100具有脊线102,所述脊线包含例如分叉点102、脊线终结点104及核心108的细节点。应理解,并非所有此特征可单独地在图1中标出;仅具体地指示一些代表性此类特征。
在此类常规系统中的注册指纹基于其1级细节进行过滤之后,在过滤之后剩余的每个注册指纹可与查询指纹相比较,以确定每个查询指纹/注册指纹对的个别细节点紧密匹配的程度。在现代指纹识别系统中,此过程是自动的,但是人类指纹检查员仍可检查“匹配”结果以确定匹配是否正确。
因此,现代指纹匹配的基本范例是两阶段过程的指纹匹配。在第一阶段中,查询指纹基于其1级细节进行分类,及随后滤出具有与查询指纹的分类不兼容的分类的注册指纹。在第二阶段中,在执行过滤之后剩余的注册指纹的细节点与查询指纹的细节点相比较,以确定例如两个指纹图像中的细节点的位置及类型匹配的角度。所述过程的匹配部分的计算量非常大,因为所述匹配部分通常涉及相对于每个新的查询指纹重新分析经过滤注册指纹,然而在所述过程的分类及过滤部分中,通常仅需要为注册指纹一次完成所述过程的计算量更大的分类部分。
发明内容
本发明的系统、方法及装置各自具有若干创新方面,其中没有单个方面单独负责本文中所公开的合乎需要的属性。这些方面之中包含至少以下实施方案,但是其它实施方案可在具体实施方式中阐述或可从本文所提供的论述中显而易见。
在一些实施方案中,可提供一种方法,所述方法包含(a)对于存储在指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置;(b)对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数;及(c)对于查询指纹,确定所述查询指纹内的一或多个窗口区的位置。所述方法可进一步包含(d)对于查询指纹的每个窗口区,基于由包含在所述窗口区内的细节点展现的特征而确定细节点分数;(e)将针对查询图像的一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对注册指纹的一或多个窗口区的集合确定的细节点分数的至少一个组分相比较;及(f)确定具有窗口区的所述集合中的窗口区的注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区,所述至少一个组分在查询指纹的窗口区中的至少一个的细节点分数的至少一个对应组分的预定范围内。在此类实施方案中,所述方法还可包含执行查询指纹与注册指纹的集合中的注册指纹之间的不受限匹配。在此类实施方案中,注册指纹及查询指纹的窗口区可全部具有基本上相同的大小及形状。
在一些其它实施方案中,所述方法可进一步包含在执行(e)之前,确定注册指纹的一或多个窗口区中的一或多者的细节点分数不符合阈值需求及用具有符合所述阈值需求的细节点分数的注册指纹的窗口区填充窗口区的第一集合。
在所述方法的一些实施方案中,窗口区可各自为基本上圆形。在所述方法的一些其它实施方案中,窗口区可各自为基本上矩形。
在一些此实施方案中,细节点分数可为一或多个特征的函数,例如,窗口区内的细节点的一或多个类型、窗口区内的细节点数目、窗口区内每种类型的细节点的数目、窗口区内的细节点之间的角分布、窗口区内的细节点之间的距离分布、窗口区内的脊线密度、窗口区内的脊线数,及/或最靠近窗口区的中心的细节点的类型。
在所述方法的一些实施方案中,每个注册指纹或查询指纹的窗口区可各自居中于所述注册指纹或查询指纹的不同细节点上。
在一些实施方案中,可提供一种非暂时性有形机器可读存储媒体,所述机器可读存储媒体存储用于控制一或多个处理器以执行以下操作的机器可读指令:(a)对于存储在指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置;(b)对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数;及(c)对于查询指纹,确定所述查询指纹内的一或多个窗口区的位置。所述存储媒体可进一步存储用于控制一或多个处理器以还执行以下操作的指令:(d)对于查询指纹的每个窗口区,基于由包含在所述窗口区内的细节点展现的特征而确定细节点分数;(e)将针对查询图像的一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对注册指纹的一或多个窗口区的集合确定的细节点分数的至少一个组分相比较;及(f)确定具有窗口区的所述集合中的窗口区的注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区,所述至少一个组分在查询指纹的窗口区中的至少一个的细节点分数的至少一个对应组分的预定范围内。存储媒体还可存储用于控制一或多个处理器以执行查询指纹与注册指纹的集合中的注册指纹之间的不受限匹配。在此种实施方案中,注册指纹及查询指纹的窗口区可全部具有基本上相同的大小及形状。
在一些此实施方案中,存储媒体还可存储用于控制一或多个处理器以执行以下操作的指令:在执行(e)之前,确定注册指纹的一或多个窗口区中的一或多者的细节点分数不符合阈值需求及用具有符合所述阈值需求的细节点分数的注册指纹的窗口区填充窗口区的第一集合。
在存储媒体的一些实施方案中,存储媒体还可存储用于控制一或多个处理器以致使窗口区为基本上圆形的指令。在存储媒体的一些其它实施方案中,存储媒体还可存储用于控制一或多个处理器以致使窗口区为基本上矩形的指令。
在存储媒体的一些实施方案中,存储媒体还可存储用于控制一或多个处理器以确定作为一或多个特征的函数的细节点分数的指令,所述特征例如,窗口区内的细节点的一或多个类型、窗口区内的细节点数目、窗口区内每种类型的细节点的数目、窗口区内的细节点之间的角分布、窗口区内的细节点之间的距离分布、窗口区内的脊线密度、窗口区内的脊线数,及/或最靠近窗口区的中心的细节点的类型。
在存储媒体的一些实施方案中,存储媒体还可存储用于控制一或多个处理器以致使每个注册指纹或查询指纹的窗口区各自居中于所述注册指纹或查询指纹的不同细节点上的指令。
在一些实施方案中,可提供一种系统。所述系统可包含,例如,存储器、一或多个处理器、注册指纹数据库,及查询指纹源。存储器及一或多个处理器可以通信方式与彼此及注册指纹数据库及查询指纹源连接,并且所述存储器可存储用于控制一或多个处理器以执行以下操作的机器可读指令:(a)对于存储在指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置;(b)对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数;及(c)对于从查询指纹源获得的查询指纹,确定所述查询指纹内的一或多个窗口区的位置。存储器还可存储用于控制一或多个处理器以执行以下操作的其它机器可读指令:(d)对于查询指纹的每个窗口区,基于由包含在所述窗口区内的细节点展现的特征而确定细节点分数;(e)将针对查询图像的一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对注册指纹的一或多个窗口区的集合确定的细节点分数的至少一个组分相比较;及(f)确定具有窗口区的所述集合中的窗口区的注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区,所述至少一个组分在查询指纹的窗口区中的至少一个的细节点分数的至少一个对应组分的预定范围内。存储器还可存储用于控制一或多个处理器以执行查询指纹与注册指纹的集合中的注册指纹之间的不受限匹配的机器可读指令。在此类实施方案中,注册指纹及查询指纹的窗口区可全部具有基本上相同的大小及形状。
在系统的一些实施方案中,存储器还可存储用于控制一或多个处理器以执行以下操作的其它机器可读指令:在执行(e)之前,确定注册指纹的一或多个窗口区中的一或多者的细节点分数不符合阈值需求及用具有符合所述阈值需求的细节点分数的注册指纹的窗口区填充窗口区的第一集合。
在系统的一些实施方案中,存储器还可存储用于控制一或多个处理器以致使窗口区为基本上圆形的其它机器可读指令。在系统的一些其它实施方案中,存储器还可存储用于控制一或多个处理器以致使窗口区为基本上矩形的其它机器可读指令。
在系统的一些实施方案中,存储器还可存储用于控制一或多个处理器以确定作为一或多个特征的函数的细节点分数的其它机器可读指令,所述特征例如,窗口区内的细节点的一或多个类型、窗口区内的细节点数目、窗口区内每种类型的细节点的数目、窗口区内的细节点之间的角分布、窗口区内的细节点之间的距离分布、窗口区内的脊线密度、窗口区内的脊线数,及/或最靠近窗口区的中心的细节点的类型。
在系统的一些实施方案中,存储器还可存储用于控制一或多个处理器以致使每个注册指纹或查询指纹的窗口区各自居中于所述注册指纹或查询指纹的不同细节点上的其它机器可读指令。
在附图及下文描述中阐述本发明中所描述的主题的一或多个实施方案的细节。其它特征、方面及优点将从所述描述、图式及权利要求书中变得显而易见。应注意,以下各图的相对尺寸可能未按比例绘制。
附图说明
图1描绘指纹的实例。
图2描绘实例受限匹配技术的流程图。
图3描绘图1的实例指纹,但指示三个相同大小的圆形窗口区A、B及C。
图4描绘实例窗口区及包含在其中的实例指纹的一部分;展示两种类型的细节点的角定向。
图5描绘图4的实例窗口区;展示中心点/细节点与窗口区内的其它细节点之间的距离。
图6描绘突出两个不同细节点类型的图4的实例窗口区。
图7描绘图4的实例窗口区;展示跨越窗口区的宽度的脊线数。
图8描绘实例查询指纹的实例窗口区的多组分细节点分数及细节点分数的对应组分,例如从五个实例注册指纹抽取的窗口区的直方图。
图9描绘与图8相同的数据,但仅展示具有与查询指纹图像的细节点分数足够匹配的细节点分数的注册指纹窗口区的数据。
图10描绘图2中概述的技术的流示意图。
图11描绘可用于实施本文所描述的技术的计算系统的简化图。
各个图式中的相同参考数字及名称指示相同元件。另外,本文已采用一种惯例,其中不同附图之间相似的组件使用其对应附图标记的最后两个数字提及。在此类情况下,除非另外规定,否则可假设一个此组件或元件相对于一个图的描述还可应用于其它图中所描绘的相似组件或元件,如通过与此类组件相关联的附图标记的共同最后两个数字所指示。
具体实施方式
以下描述针对出于描述本发明的创新方面的目的的某些实施方案。然而,本领域技术人员将容易认识到,可以许多不同方式应用本文中的教示。因此,所述教示并不希望仅限于图中所描绘的实施方案,而替代地具有广泛适用性,如本领域技术人员将容易明白。
本文所论述的技术及系统提供一种快速且高精度的指纹识别系统。在此类系统及技术中,可评估注册及查询指纹图像以确定从指纹的2级及/或3级细节提取的各种类型的受限匹配特征。对于注册指纹图像,可对注册或在尝试执行指纹匹配之前的某一其它点处执行此评估。对于查询指纹,可在出于匹配目的将查询指纹输入到系统中时执行此评估。可孤立地执行每个此评估,并且每个评估的结果可仅取决于包含在与评估相关联的指纹图像内的数据。受限匹配可视为一种类型的指纹分类。如将看到,本文使用术语“受限”,因为相较于整个指纹图像,匹配被限制为与作为指纹图像的子部分的一或多个“窗口区”相关联的数据。相反,术语“不受限匹配”在本文中用于指不被限制为指纹图像的子部分的两个指纹之间的匹配比较。不受限匹配通常被视为“指纹匹配”并且可被可视化,例如,如果人们考虑获取两个指纹的相同尺度图像、将所述图像彼此重叠、使图像旋转并对准图像以查看两个指纹之间的多少细节点是“共同的”。不受限匹配的计算量很大。
在本文所公开的技术及系统中,受限匹配用作减少将相对于特定查询指纹图像经受不受限匹配的注册指纹图像的数目的方式。通过减少经受不受限匹配的注册指纹的数目,不受限匹配过程的计算效率更高及速度更快。
术语“指纹图像”或“指纹”在本文中用于指代指纹的数字格栅图像以及指纹的任何其它表示,包含指纹的向量格式表示及其它更抽象形式的指纹表示,包含例如,每个指纹的不同指纹细节点的位置、类型、定向等的简单列表。
图2描绘实例受限匹配技术的流程图。在所述技术中,在框202中,可针对注册指纹数据库中的每个指纹图像界定一或多个窗口区。所使用的窗口区可具有任何形状,但是在某些情况下某些形状可能比其它形状更适合。举例来说,在查询指纹的定向可能不确定的法医指纹匹配情形中,例如,潜伏部分指纹可能位于犯罪现场,但无法确定部分指纹应相对于生成所述指纹的手指如何定向,窗口区可定义为圆形,使得每个窗口区相对于查询指纹的定向不会影响所述窗口区的内容。相反,非圆形窗口区可适用于关于每个指纹相对于某一全局参考帧,例如,相对于生成所述指纹的手指的定向存在极少不确定性的指纹识别情形。举例来说,在使用指纹识别的多个访问控制装置中,访问控制装置可具有限制所扫描指纹可相对于指纹扫描器的角度的指纹扫描器,因此促使获得的指纹的一致角定向。在此实例装置中,窗口区可为圆形,或可替代地为可能对角定向敏感的另一形状,例如矩形窗口。使用矩形窗口可能计算量略小,因为指纹图像数据通常已根据直线坐标系进行定义。在一些实施方案中,每个注册指纹图像及查询指纹图像可在应用窗口区之前相对于角旋转归一化,使得每个指纹图像的定向相同。举例来说,如果每个指纹图像包含“核心”特征(几乎所有指纹在指纹的中心附近具有一或两个核心特征,但是部分指纹可不包含指纹的此区域),则核心特征的角定向可用作参考,例如,在核心特征相对于图像坐标系X轴以零度定向之前,指纹图像可旋转。如果指纹图像具有两个核心特征,则可使用某一其它归一化标准-在一些实施方案中,可仅复制此指纹图像;一个副本将根据一个核心特征归一化,并且另一副本根据另一核心特征归一化。
图3描绘图1的实例指纹,但指示三个相同大小的圆形窗口区A、B及C。每个圆形窗口区内的脊线终结点及分叉点分别用虚线及实线圈出。图1中的表概述三个窗口区中的每一个的细节点特征。尽管图3中的实例具有非重叠窗口区,但是窗口区可在指纹图像内重叠。
用于受限匹配过程的窗口区对于所有注册指纹图像及查询指纹图像全部具有基本上相同的大小及形状,例如,可针对每个注册指纹图像以及针对查询指纹图像界定多个5mm直径圆形区。应理解,如本文相对于窗口区所使用,短语“基本上相同大小及形状”是指从统计学角度来看大小及形状基本上相似的窗口区,使得不管使用哪些特定窗口区,对于给定指纹图像,在位于窗口区内的细节点数目方面平均具有不超过50%方差。举例来说,5mm直径的圆形窗口区可用于一些指纹图像,并且5.1mm直径的圆形窗口区可用于其它指纹图像-如果此类窗口区符合以上需求,则所述窗口区仍可被视为“基本上相同大小及形状”。在另一实例中,5mm直径的圆形窗口区可用于一些指纹图像,并且具有5mm的最大尺寸的多边形,例如二十边形(20边多边形)可用于其它指纹图像-如果此类窗口区符合以上需求,则所述窗口区仍可被视为“基本上相同大小及形状”。
应进一步理解,尽管用于任何特定分类/过滤操作的窗口区将具有基本上相同的大小及形状,但是可相对于指纹图像评估不同大小的窗口区的多个集合。举例来说,如果数据库中的注册指纹先前已使用5mm圆形窗口区处理并且在窗口区的一部分不延伸出查询指纹的边界的情况下,所述同一5mm圆形窗口区不能在各个所需位置处位于查询指纹图像内,则可能需要利用较小窗口区,例如,4mm直径圆形窗口区,使得整个窗口区在那些所需位置处与查询指纹重叠。在此情况下,可使用4mm直径圆形窗口区再处理注册指纹并且4mm直径圆形窗口区随后还可用于查询指纹图像。在一些实施方案中,注册指纹的数据库可根据不同大小及/或不同形状的窗口区的频谱进行再处理,以适应查询指纹图像的大小可仅足以支持那些窗口区的子集的使用的情况;随后可存储关于每个此评估的数据以以供未来参考。
可通过各种不同技术确定应用于每个注册指纹图像或查询指纹图像的窗口区的数目及位置-这些技术之间的主要区别是处理开销。在一些实施方案中,窗口区可居中于指纹图像中的每一像素上(或具有其它规则X-Y间隔)。在其它实施方案中,可实践更多受限方法并且窗口区可居中于指纹中的每个个别细节点上。这可减少针对给定指纹图像将需要分析的窗口区的总数目,这样可减少计算时间。通常可定位窗口区,使得整个窗口区,或至少80%的窗口区与指纹图像重叠。
在框202中已建立指纹图像的每个窗口区之后,可在框204中基于窗口区内的细节点的特征而确定所述窗口区的细节点分数。细节点分数用作窗口区内的细节点的定量评估的形式,并且可为窗口区内的细节点的一或多个特征的任何函数。此类细节点特征可包含例如,窗口区内的细节点的一或多个类型、窗口区内的细节点数目、窗口区内的核心细节点的数目、窗口区内的三角点细节点的数目、窗口区内每种类型的细节点的数目、窗口区内的细节点之间的角分布、窗口区内的细节点之间的距离分布、窗口区内的脊线密度、窗口区内的脊线数,及最靠近窗口区的中心的细节点的类型。应理解,尽管“脊线”可形成例如脊线数或脊线密度的细节点特征的基础,并且因此在某种意义上可被视为“细节点”,但是脊线通常不被视为用于确定其它类型的细节点特征的目的的细节点,所述细节点特征例如,总体细节点密度或类型密度、总体细节点数或类型数、细节点间距离分布或细节点之间的角分布(尽管如本论文中的其它地方所论述,接近细节点的脊线的方面可用于确定那些细节点的角定向)。这是因为细节点通常是本身适合于“点”位置的特征,然而脊线通常沿着二维路径延伸并且因此不是“点”位置-例外,即脊线数及/或脊线密度涉及脊线跨越参考轴,由此界定可用于确定特定方向上的脊线数或脊线密度的一系列特征点的情况。
举例来说,细节点分数可基于处于窗口区内的细节点的数目(如果获取窗口区内的细节点的数目并将所述数量除以窗口区的面积,则其还可表达为细节点密度的形式)。此细节点分数是一维或单组分细节点分数。在另一实例中,窗口区内的每种类型的细节点的数目(或每种类型的细节点的密度)可用于确定窗口区内的细节点类型分布,例如,X分叉点、Y脊线终结点及Z孤立点。此细节点分数是多维或多组分分数。在又一实例中,细节点分数可涉及多个不同类型的细节点特征并且可提供多维或多组分输出,例如,细节点分数可包含各自分别基于以下项中的不同者的多个组分:窗口区内的核心细节点的数目、窗口区内的三角点细节点的数目、窗口区内的分叉点细节点的数目、窗口区内的脊线终结点细节点的数目、窗口区内的细节点的角分布,及窗口区内的细节点与区域的中心之间的距离分布。
在其它实例中,窗口区内的细节点的多个细节点特征可用于确定具有较少数目的组分的细节点分数,例如,两个或多于两个细节点特征可用于确定一维细节点分数或多维细节点分数的单个组分。
在已知的不受限匹配技术中,识别两个指纹的细节点并随后对其进行比较,以查看其个别位置及类型是否足够高度地匹配,使得两个指纹可被视为“匹配”-任何已知的或将来开发的指纹匹配算法可用于在本文所论述的受限匹配之后执行的不受限匹配。类似地,用于分析指纹图像并提取关于指纹图像中的细节点的信息的任何所需算法可用于提供随后用于产生如本文所论述的细节点分数的特征。此细节点提取算法将通常识别在指纹图像中可辨别的所有细节点,并且通常提供关于其X-Y坐标(相对于某一参考共同帧)、其定向(通常相对于界定在出现细节点的点处的细节点(如果可适用)的脊线的定向评估)、其类型,例如“分叉点”、“双叉”、“脊线终结点”“孤立点”等的信息。可使用任何所需的细节点提取算法,并且如同上文所论述的指纹匹配算法,本文不论述此细节点提取算法的细节。对于指纹识别系统的本领域技术人员,可容易地获得及了解此细节点提取算法。
此类技术包含用于识别细节点的位置、识别细节点的类型及提取关于细节点的信息,例如细节点的“定向”的技术。由于细节点是“点”特征,例如,脊线终结的点、脊线分叉的点、存在孤立的点、存在核心或三角点的点,因此可基于紧邻细节点的特征建立某一细节点的定向,因为点本身并不限定定向。举例来说,脊线终点结细节点的定向可被定义为与出现脊线终结点的点处的脊线中心线相切的向量的定向。类似地,分叉点细节点的定向可被定义为与在即将分叉之前的脊线相切的向量的定向。任何系统可用于确定细节点的定向,但是定向确定当然必须一致地应用于经处理以允许指纹之间的有意义比较的所有指纹。
为了清晰起见,下文针对给定的实例窗口区论述细节特征及基于此类特征的细节点分数的各个实例。
图4描绘实例窗口区及包含在其中的实例指纹的一部分;展示两种类型的细节点的角定向。如可以看出,已在圆形窗口区内识别多个细节点。为简单起见,这些细节点已被分类为分叉点(实心圆)或脊线终结点(虚线圆)。在其它实施方案中,可包含或考虑额外细节点类型。对于每个细节点,已使用箭头指示细节点的定向。为了使两个窗口区内的细节点的角定向成为两个区域之间进行比较的有意义基础,所述两个区域必须通常共享共同参考帧。对于所有指纹的角定向已知的情形,例如,对于访问控制装置,可能是限制个体的手指的角定向及因此限制那些手指的指纹相对于指纹读取器的角定向的情形,全局参考帧可用于建立每个角定向。举例来说,可假设手指的中心轴沿着指纹图像的中间竖直向下延伸,并且可相对于此参考轴评估细节点的所有角定向。在指纹图像的角定向可不能与已知参考轴相关联的实施方案中,可相对于可直接从窗口区内的特征导出的参考轴确定细节点的角定向。举例来说及如图4中所示,如果窗口区居中于特定细节点上,则所述细节点的定向可处理为参考轴,并且可相对于此参考轴评估窗口区中的其它细节点的角定向。可基于在一个周向方向上延伸的完整360°角范围,或基于在相反的周向方向上延伸的两个180°角范围从参考轴评估角定向。后一种方法可能对例如在指纹图像偶然地颠倒的情况下可出现的指纹的镜像不敏感。在所描绘的实例中,细节点“A”的角定向恰好相对于图定向是水平的,并且就窗口中的细节点的角定向+180°/-180°的绝对值而言,相对于此水平定向评估其它细节点的角定向。如可在所描绘的表中看到,细节点相对于中心细节点“A”的角定向的角定向形成特定分布(此分布不包含细节点“A”的角定向,因为所述角定向是参考定向)。展示窗口区内的这些角定向的分布的所描绘直方图表示可用于给定窗口区的一种类型的细节点度量-当然,使用除了0°到<30°/30°到<60°/60°到<90°/90°到<120°/120°到<150°/150°到<180°之外的分区的直方图/分布也可使用。在此情况下,细节点分数可为六组分分数(每个分区的单个组分),但是其它分组可导致细节点分数中的更多或更少组分;细节点分数还可包含超出所论述的角定向组分的额外组分。
图5描绘图4的实例窗口区;展示中心点/细节点与窗口区内的其它细节点之间的距离。如先前所论述,窗口区中的细节点之间的距离分布还可用于确定细节点分数或细节点分数的组分。可相对于任何共同参考点评估此分布-此参考点可任意地选择用于窗口区(尽管所述参考点应在窗口区之间一致;如果参考点不居中于窗口区中,则必须小心确保考虑窗口区相对于指纹图像的角定向。在当前实例中,所使用的参考点是位于窗口区的中心处的细节点“A”的位置。随后可确定窗口区中的每个其它细节点与细节点“A”之间的距离;在所附表中列出此实例距离(以mm为单位)。所描绘的直方图展示根据四个单独分区(0mm到<1mm/1mm到<2mm/2mm到<3mm/3mm到<4mm)的这些距离的分布。在此实例中,细节点分数可为四组分分数;细节点分数还可包含超出所论述的距离分布组分的额外组分。
图6描绘突出两个不同细节点类型的图4的实例窗口区。在此实例中,识别两种类型的细节点并且可评估窗口区内的每个类型的数目。在此实例中,存在6个分叉细节点及5个脊线终结细节点。相关特征可为每种类型的细节点的密度,例如,窗口区内的每种类型的细节点的数目除以窗口区面积。在此实例中,窗口区是8mm直径圆。在所描绘的表及直方图中概述窗口区的用于每种类型的细节点的细节点数以及用于每种类型的细节点的每平方毫米的密度。同样,此直方图可充当细节点分数的另一实例或细节点分数的组分。还应理解,还可相对于多个不同类型的细节点的分组计算此细节点数/密度,例如,窗口区内的脊线终结点数可形成一个分组(即使在所述分组中仅具有一种类型的细节点),及窗口区内的所有其它类型的细节点数可形成第二分组)。应进一步理解,不管细节点的类型,全局细节点数或细节点密度还可针对给定窗口区执行及用作另一形式的细节点分数。
图7描绘图4的实例窗口区;展示跨越窗口区的宽度的脊线数。如先前所述,可用于细节点分数确定的另一有用细节点特征是给定窗口区内的脊线数或脊线密度。由于分叉及其它特征,包含不能跨越整个窗口区延伸的脊线,此特征可受对脊线进行计数的方向的影响。图7中所描绘的一种方法是在窗口区的中心处评估沿着与细节点的定向垂直的轴的脊线数。在其它实施方案中,可评估在多个角定向处沿着轴的脊线数并且可利用观察到的最高脊线数。在所描绘的实例中,沿着所选择轴存在18条脊线,这产生2.25条脊线/毫米密度。
以上实例仅说明可用于本文所公开的技术及设备中的细节点分数的一些类型或细节点分数的组分。应理解,细节点分数可包含两个或多于两个此实例细节点分数的组合,例如,包含角定向及距离分布信息两者的10组分细节点分数。还应理解,窗口区内的细节点的其它此类“人口统计”特征可用于计算细节点分数或其组分,并且窗口区内的细节点的此类其它人口统计特征可被视为处于本发明的范围内。
当接收到查询指纹图像时,查询指纹图像可在框206中经处理以确定一或多个窗口区的位置,及在框208中经受对注册指纹图像执行的相同窗口区分析,即,可确定用于查询图像的每一窗口区的细节点分数。查询图像的窗口区的确定可通过与关于注册指纹图像的窗口区实施的方式类似的方式继续进行。
在确定从注册指纹图像或查询指纹图像产生的窗口区的细节点分数之后,其可在框210中任选地与阈值度量相比较,以就充当用于对指纹图像进行过滤的机构而言,确定窗口区的细节点分数是否具有实用价值。举例来说,如果指纹数据库中的98%注册指纹图像具有细节点分数为X的窗口区,则对注册指纹图像进行过滤以找到具有细节点分数为X的至少一个窗口区的注册指纹将仅滤出2%注册指纹,这不会显著减少潜在候选指纹的数目。在此情形中,可能需要滤出具有小于某一阈值量的细节点分数的窗口区,这将留下仅具有大于或等于所述阈值量的细节点分数的那些窗口区的集合。应理解,在一些实施方案中,还可或另外过滤窗口区,以便在窗口区的集合中包含具有小于或等于阈值量的细节点分数的窗口区(如果结合先前论述的阈值使用,则此额外阈值与先前论述的阈值相比将具有较低值)。举例来说,对于指纹图像,具有细节点分数低的任何窗口区实际上可能非常罕见,因此窗口区的低细节点分数还可指示窗口区可具有用于区分窗口区的指纹图像与其它指纹图像的值。
应理解,在涉及多组分细节点分数的实施方案中,评估哪些窗口区包含在窗口区的集合中可涉及比一维情况更复杂的评估。举例来说,给定窗口区的细节点分数可包含四个组分,每个与核心数目、三角点数目、分叉点数目及脊线终结点数目中的不同一者有关。这些组分中的每一者可与不同阈值或特定于所述组分的阈值范围相关联。当评估窗口区的多组分细节点分数以确定窗口区是否应包含在窗口区的集合中时,此评估可为严格的,例如,组分中的每一个组分必须满足针对所述相应组分阐述的阈值需求,或可更宽容,例如,仅细节点分数组分的适当子集需要满足针对那些相应组分阐述的阈值需求。
在已从注册指纹图像及查询指纹图像获得窗口区的细节点分数之后,在框212中,从查询指纹图像产生的所关注窗口区的细节点分数可与由从注册指纹图像产生的窗口区组成的窗口区的集合的细节点分数相比较,以便确定来自注册指纹图像的哪些窗口区具有足够类似的细节点分数,以保证将其分类为属于注册指纹图像,所述注册指纹图像可为用于随后可在框214中发生的稍后不受限匹配的强候选者。此种比较可为精确比较,例如,仅从查询指纹图像产生的具有与从注册指纹图像产生的窗口区的细节点分数完全匹配的细节点分数的窗口区可被视为指示良好匹配,或可不那么严格,例如,细节点分数处于彼此的特定公差内的窗口区可被视为指示良好匹配。在具有多维或多组分细节点分数的实施方案中,每个窗口区的组分可单独地与另一窗口区中的对应组分进行比较,并且每个组分可具有其自身的公差带,在所述公差带内,所述组分可被视为与其它细节点分数中的组分充分对应,并且因此指示潜在匹配。在一些实施方案中,如果查询指纹窗口区及注册指纹窗口区中的一或两者仅与相应指纹图像部分重叠,则用于比较从查询指纹产生的窗口区及从注册指纹产生的窗口区的这些公差带可针对所述比较增加。举例来说,如果仅从注册指纹图像产生的90%窗口区与注册指纹图像重叠,则用于将所述窗口区与查询指纹图像的窗口区相比较的公差可增加超过将在两个窗口区通过其相应指纹图像完全重叠的情况下使用的公差,举例来说,例如增加了10%。
图8描绘实例查询指纹的实例窗口区的多组分细节点分数及细节点分数的对应组分,例如从五个实例注册指纹抽取的窗口区的直方图。在图9中,展示(实心白条)用于查询指纹的窗口区的六组分细节点分数(在此实例中,基于每个窗口区内的细节点的角定向分布),以及各个组分的“公差”条。在此实例中,公差条在正方向及负方向上未必相等,也未必在组分之间相等,但是在其它实施方案中,组分之间的公差条在个别组分的两个方向上可相等及/或可不相等。图8中还展示从三个不同注册指纹中的每一者产生的三个窗口区的对应细节点分数组分;从所展示注册指纹产生的窗口区中的每一者是先前论述的窗口区的集合的一部分。如可看出,每个窗口区的细节点分数组分展现窗口区之间的大程度的变化。注册指纹中的每个窗口区的细节点分数组分可与查询指纹窗口区的对应细节点分数组分相比较,并且可识别具有与查询指纹图像的窗口区的细节点分数组分足够类似的细节点分数组分的注册指纹图像的窗口区并将其视为用于不受限匹配的潜在候选者。在此实例中,存在仅所展示的注册指纹图像的15个窗口区中的一个窗口区,其中注册指纹图像窗口区的细节点分数的所有六个组分处于针对查询指纹图像窗口区建立的公差带内。图9描绘与图8相同的数据,但仅展示具有与查询指纹图像的细节点分数足够匹配的细节点分数的注册指纹窗口区的数据。如可看出,在此实例中具有与查询指纹图像的窗口区强相关的窗口区的唯一注册指纹图像是第一注册指纹图像的第二窗口区。因此,第二及第三注册指纹图像可被视为较差的潜在匹配候选者,并且可从针对其执行不受限匹配的注册指纹图像中的潜在候选指纹图像的集合中移除。在此实例中,此过程已导致可针对其执行不受限匹配的注册指纹图像减少66%。
应理解,尽管此实例仅考虑从一个查询指纹产生的一个窗口区及从五个不同注册指纹图像中的每一者产生的三个窗口区,但实际上,存在用于查询指纹图像的数十或数百个窗口区,以及用于注册指纹图像中的每一者的数十或数百个窗口区。此外,注册指纹图像的数目可用数十、数百、数千、数万、数十万,或甚至更大数目编号。
图10描绘图2中概述的技术的流示意图。如可看出,在1002中提供注册指纹图像A-H的数据库。随后在1004中分析注册指纹图像的此数据库以识别每个指纹图像内的窗口区的位置。随后在1006中分析每个窗口区以确定细节点分数。
在并行过程中,可在1008中获得查询指纹图像;在1010中分析查询指纹图像并且可识别用于查询图像的一或多个窗口区。随后在1012中分析查询图像的窗口区并确定那些窗口区的细节点分数。在已分析注册指纹图像及查询指纹图像两者的窗口区并确定每一者的细节点分数之后,流随后可继续到1014,其中查询指纹图像的窗口区的细节点分数与注册指纹图像的窗口区的细节点分数相比较,如上文所概述。在此实例中,从注册指纹图像A产生的第四窗口区具有在足够程度上与查询指纹图像的第一窗口区的细节点分数匹配的细节点分数,并且注册指纹图像B的第二窗口区及注册指纹图像C的第一窗口区在足够程度上与查询指纹图像的第二窗口区的细节点分数匹配。尽管未展示,但是注册指纹图像D-H的窗口区的细节点分数中无一者在足够程度上与查询指纹图像的窗口区的细节点分数匹配。因此,在1016中,仅已选择用于未来不受限匹配的指纹图像是注册指纹图像A、B及C。
应理解,在具有多维或多组分细节点分数的一些实施方案中,如果一或两个组分可疑,例如,如果窗口区施加到指纹,使得整个窗口区不与指纹重叠,则一些组分可不与另一窗口区中的其对应组分相比较。在此情况下,与其它类型的细节点分数相比,某些类型的细节点分数相对于所述窗口区的准确度可不利地受影响。举例来说,当窗口区仅部分与指纹重叠时,与基于所述窗口区内的细节点的总数目的细节点分数组分相比,基于对跨越窗口区的脊线数进行计数的细节点分数组分可更不利地受影响。在此情形下,基于细节点数的组分仍可为用于与另一窗口区的对应组分相比较的有用基础,但是基于脊线数的组分可不为用于由于窗口区与指纹的部分重叠而比较的有用基础-实际上,如果窗口区将完全由指纹重叠,则将此组分用作用于比较的基础可导致良好潜在匹配候选者的意外去除。
应理解,以上受限匹配技术非常灵活,并且存在可进行调整的多个参数,包含例如,窗口区的大小、形状及位置;识别及用于生产细节点分数的细节点类型;细节点分数的本质;细节点分数的组分数目等。可调整所有这些参数,以便增加或减小技术的敏感性,从而减少或增加随后可在后续阶段中经受不受限匹配的“候选”注册指纹图像的数目。应进一步理解,可使用用于查询图像及注册指纹图像数据库的不同参数多次执行以上技术,并且从技术的每个此实施方案产生的“候选”注册指纹图像随后可作为群组聚集在一起或以其它方式用于改进候选注册指纹图像的集合,例如,可使用不同参数多次重复所述技术,并且仅在所述技术的这些重复应用中的全部或多于一个应用中识别为潜在候选注册指纹图像的注册指纹图像随后可经受不受限匹配。
还应理解,每个窗口区的参数、每个窗口区的细节特征,及/或细节点分数及与其相关的参数可存储在数据库中以供未来参考。如果稍后查询指纹分析涉及类似此类参数,则这样避免需要针对每个分析重新计算每个注册指纹图像的此类参数。此信息可作为文本及/或数值数据存储在数据库中,这允许针对特定查询指纹导出的类似信息的快速过滤及比较。
以上技术可在计算机化环境,例如计算机、服务器或例如基于云的计算系统的分布式计算系统中实施。在此实施方案中,用于控制此设备或系统的一或多个处理器以执行上述技术的方面的计算机可执行指令可存储在设备或系统的一或多个存储器上。
图11描绘可用于上述技术的计算系统的简化图。在图11中,展示具有一或多个处理器1104及一或多个存储器1102的计算设备1100;一或多个存储器1102如上所述可存储用于控制一或多个处理器1104以执行上述受限匹配技术的可执行执行。计算设备1100可以通信方式与注册指纹数据库1106连接,所述注册指纹数据库可为一个数据库或从多个精密数据源抽取的虚拟数据库。计算设备1100可访问注册指纹数据库1106中的注册指纹图像以便如上所述执行受限匹配。另外,计算设备1100可以通信方式与查询指纹源1114,例如,指纹扫描器或可从其获得查询指纹的数据存储装置连接。
计算设备1100还可以通信方式与窗口区/细节点特征/细节点分数数据库1108连接,所述数据库可将与注册指纹图像的窗口区、细节点特征及/或细节点分数相关的数据存储在注册指纹数据库中;窗口区/细节点特征/细节点分数数据库1108可用作用于存储与用于在受限匹配操作中稍后检索及使用的注册指纹图像的窗口区有关的信息的存储库。计算设备1100还可以通信方式与可用于识别及表征每个指纹图像内的细节点的细节点识别器或表征器1110连接;这些特征随后可被提供到计算设备1100,所述计算设备可确定注册指纹图像中的窗口区的大小、形状及放置并确定每个此窗口区的细节点分数。在确定哪些注册指纹图像是用于不受限匹配的潜在候选者之后,计算设备1100可致使不受限匹配器1112执行查询指纹图像与候选注册指纹图像之间的不受限匹配。
应理解,本文所论述的技术还可在具有与图11中所描绘不同的架构的计算系统中实践,但是仍然提供本文所论述的不受限匹配功能;本发明应被理解为也涵盖这些其它计算系统。在一些实施方案中,本文所论述的受限过滤功能可通过计算系统提供,所述计算系统随后可将识别为潜在受限匹配候选者的注册指纹图像转发到处理受限匹配的某一其它计算系统(或多个计算系统)。
应进一步理解,在实际意义上,本文所论述的技术在计算机化系统中实施时才真正有用,因为指纹识别通常要求将查询指纹与数千或数百万个指纹匹配,在法医学指纹匹配中也如此,或要求指纹在非常短的时间段内匹配,例如,在生物计量认证情形下也如此。在任一种情况下,仅上文所公开技术的计算机化实施方案将能够处理在实际时间范围内涉及的大量数据-在没有基于计算机的辅助的情况下手动执行所述技术根本不可行。
对于本领域技术人员而言本发明中所描述的实施方案的各种修改可为显而易见的,并且在不脱离本发明的精神或范围的情况下,本文中所定义的一般原理可适用于其它实施方案。因此,权利要求书并不希望限于本文中所展示的实施方案,而应符合与本发明、本文中所公开的原理及新颖特征相一致的最广泛范围。
在本说明书中在单独实施方案的上下文中描述的某些特征也可在单一实施方案中组合地实施。相反地,在单个实施方案的上下文中描述的各种特征还可单独在多个实施方案中实施或以任何合适的子组合来实施。此外,尽管上文可将特征描述为以某些组合形式起作用且甚至最初如此要求,但在一些情况下,可将来自所要求的组合的一或多个特征从组合删除,并且所要求的组合可涉及子组合或子组合的变化。
类似地,虽然在附图中按特定次序描绘操作,但此不应被理解为要求按所展示的特定次序或按循序次序执行此类操作,或执行所有所说明的操作,以实现所要结果。此外,图式可能以流程图形式示意性地描绘一个以上实例工艺。然而,可将未描绘的其它操作并入在经示意性说明的实例过程中。举例来说,可在所说明的操作之前、之后、同时地或之间执行一或多个额外操作。在某些情况下,多重任务处理及并行处理可为有利的。此外,上文所描述的实施方案中的各种系统组件的分离不应被理解为在所有实施方案中要求此分离,且应理解,所描述的程序组件及系统一般可一起集成在单个软件产品中或包装到多个软件产品中。另外,其它实施方案处于随附权利要求书的范围内。在一些情况下,权利要求书中所叙述的动作可以不同次序来执行且仍实现合乎需要的结果。
Claims (20)
1.一种方法,其包括:
(a)对于存储在指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置;
(b)对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数;
(c)对于查询指纹,确定所述查询指纹内的一或多个窗口区的位置;
(d)对于所述查询指纹的每个窗口区,基于由包含在所述窗口区内的所述细节点展现的所述特征确定所述细节点分数;
(e)将针对查询图像的所述一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对所述注册指纹的所述一或多个窗口区的集合确定的所述细节点分数的至少一个组分相比较;
(f)确定具有窗口区的所述集合中的窗口区的所述注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区,所述至少一个组分在所述查询指纹的所述窗口区中的至少一个的所述细节点分数的至少一个对应组分的预定范围内;及
(g)执行所述查询指纹与注册指纹的所述集合中的所述注册指纹之间的不受限匹配,其中所述注册指纹及所述查询指纹的所述窗口区全部具有基本上相同的大小及形状。
2.根据权利要求1所述的方法,进一步包括在执行(e)之前:
确定所述注册指纹的所述一或多个窗口区中的一或多者的所述细节点分数不符合阈值需求;及
用具有符合所述阈值需求的细节点分数的所述注册指纹的所述窗口区填充窗口区的第一集合。
3.根据权利要求1所述的方法,其中所述窗口区各自为基本上圆形。
4.根据权利要求1所述的方法,其中所述窗口区各自为基本上矩形。
5.根据权利要求1所述的方法,其中所述细节点分数是选自由以下各项组成的群组的一或多个特征的函数:所述窗口区内的细节点的一或多个类型、所述窗口区内的细节点数目、所述窗口区内每种类型的细节点的数目、所述窗口区内的细节点之间的角分布、所述窗口区内的细节点之间的距离分布、所述窗口区内的脊线密度、所述窗口区内的脊线数,及最靠近所述窗口区的中心的细节点的类型。
6.根据权利要求1所述的方法,其中对于每个注册指纹及查询指纹,所述注册指纹或查询指纹的所述窗口区各自居中于所述注册指纹或查询指纹的不同细节点上。
7.一种非暂时性有形机器可读存储媒体,其存储用于控制一或多个处理器以执行以下操作的机器可读指令:
(a)对于存储在指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置;
(b)对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数;
(c)对于查询指纹,确定所述查询指纹内的一或多个窗口区的位置;
(d)对于所述查询指纹的每个窗口区,基于由包含在所述窗口区内的所述细节点展现的所述特征确定所述细节点分数;
(e)将针对查询图像的所述一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对所述注册指纹的所述一或多个窗口区的集合确定的所述细节点分数的至少一个组分相比较;
(f)确定具有窗口区的所述集合中的窗口区的所述注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区,所述至少一个组分在所述查询指纹的所述窗口区中的至少一个的所述细节点分数的至少一个对应组分的预定范围内;及
(g)执行所述查询指纹与注册指纹的所述集合中的所述注册指纹之间的不受限匹配,其中所述注册指纹及所述查询指纹的所述窗口区全部具有基本上相同的大小及形状。
8.根据权利要求7所述的非暂时性有形机器可读存储媒体,所述非暂时性有形机器可读存储媒体进一步存储用于控制所述一或多个处理器以在执行(e)之前执行以下操作的机器可读指令:
确定所述注册指纹的所述一或多个窗口区中的一或多者的所述细节点分数不符合阈值需求;及
用具有符合所述阈值需求的细节点分数的所述注册指纹的所述窗口区填充窗口区的第一集合。
9.根据权利要求7所述的非暂时性有形机器可读存储媒体,所述非暂时性有形机器可读存储媒体进一步存储用于控制所述一或多个处理器以致使所述窗口区为基本上圆形的机器可读指令。
10.根据权利要求7所述的非暂时性有形机器可读存储媒体,所述非暂时性有形机器可读存储媒体进一步存储用于控制所述一或多个处理器以致使所述窗口区为基本上矩形的机器可读指令。
11.根据权利要求7所述的非暂时性有形机器可读存储媒体,所述非暂时性有形机器可读存储媒体进一步存储用于控制所述一或多个处理器以确定作为选自由以下项组成的群组的一或多个特征的函数的所述细节点分数的机器可读指令:所述窗口区内的细节点的一或多个类型、所述窗口区内的细节点数目、所述窗口区内每种类型的细节点数目、所述窗口区内的细节点之间的角分布、所述窗口区内的细节点之间的距离分布、所述窗口区内的脊线密度、所述窗口区内的脊线数,及最靠近所述窗口区的中心的细节点的类型。
12.根据权利要求7所述的非暂时性有形机器可读存储媒体,所述非暂时性有形机器可读存储媒体进一步存储用于控制所述一或多个处理器以致使每个注册指纹或查询指纹的所述窗口区各自居中于所述注册指纹或查询指纹的不同细节点上的机器可读指令。
13.一种系统,其包括:
存储器;
一或多个处理器;
注册指纹数据库;及
查询指纹源;其中:
所述存储器及所述一或多个处理器以通信方式与彼此及所述注册指纹数据库及所述查询指纹源连接,及
所述存储器存储用于控制所述一或多个处理器以执行以下操作的机器可读指令:
(a)对于存储在所述指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置,
(b)对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数,
(c)对于从所述查询指纹源获得的查询指纹,确定所述查询指纹内的一或多个窗口区的位置,
(d)对于所述查询指纹的每个窗口区,基于由包含在所述窗口区内的所述细节点展现的所述特征确定所述细节点分数,
(e)将针对查询图像的所述一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对所述注册指纹的所述一或多个窗口区的集合确定的所述细节点分数的至少一个组分相比较,
(f)确定具有窗口区的所述集合中的窗口区的所述注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区,所述至少一个组分在所述查询指纹的所述窗口区中的至少一个的所述细节点分数的至少一个对应组分的预定范围内,及
(g)执行所述查询指纹与注册指纹的所述集合中的所述注册指纹之间的不受限匹配,其中所述注册指纹及所述查询指纹的所述窗口区全部具有基本上相同的大小及形状。
14.根据权利要求13所述系统,其中所述存储器进一步存储用于控制所述一或多个处理器以在执行(e)之前执行以下操作的机器可读指令:
确定所述注册指纹的所述一或多个窗口区中的一或多者的所述细节点分数不符合阈值需求,及
用具有符合所述阈值需求的细节点分数的所述注册指纹的所述窗口区填充窗口区的第一集合。
15.根据权利要求13所述的系统,其中所述存储器进一步存储用于控制所述一或多个处理器以致使所述窗口区为基本上圆形的机器可读指令。
16.根据权利要求13所述的系统,其中所述存储器进一步存储用于控制所述一或多个处理器以致使所述窗口区为基本上矩形的机器可读指令。
17.根据权利要求13所述的系统,其中所述存储器进一步存储用于控制所述一或多个处理器以确定作为选自由以下项组成的群组的一或多个特征的函数的所述细节点分数的机器可读指令:所述窗口区内的细节点的一或多个类型、所述窗口区内的细节点数目、所述窗口区内每种类型的细节点数目、所述窗口区内的细节点之间的角分布、所述窗口区内的细节点之间的距离分布、所述窗口区内的脊线密度、所述窗口区内的脊线数,及最靠近所述窗口区的中心的细节点的类型。
18.根据权利要求13所述的系统,其中所述存储器进一步存储用于控制所述一或多个处理器以致使每个注册指纹或查询指纹的所述窗口区各自居中于所述注册指纹或查询指纹的不同细节点上的机器可读指令。
19.一种系统,其包括:
用于对于存储在指纹数据库中的多个注册指纹中的每个注册指纹,确定所述注册指纹内的一或多个窗口区的位置的装置;
用于对于每个注册指纹的每个窗口区,确定作为由包含在所述窗口区内的细节点展现的一或多个特征的函数的细节点分数的装置;
用于对于从查询指纹源获得的查询指纹,确定所述查询指纹内的一或多个窗口区的位置的装置,其中所述注册指纹及所述查询指纹的所述窗口区全部具有基本上相同的大小及形状;
用于对于所述查询指纹的每个窗口区,基于由包含在所述窗口区内的所述细节点展现的所述特征确定所述细节点分数的装置;
用于将针对查询图像的所述一或多个窗口区确定的一或多个细节点分数中的至少一个的至少一个组分与针对所述注册指纹的所述一或多个窗口区的集合确定的所述细节点分数的至少一个组分相比较的装置;
用于确定具有窗口区的所述集合中的窗口区的所述注册指纹的集合具有与具有至少一个组分的细节点分数相关联的至少一个窗口区的装置,所述至少一个组分在所述查询指纹的所述窗口区中的至少一个的所述细节点分数的至少一个对应组分的预定范围内;及
用于执行所述查询指纹与注册指纹的所述集合中的所述注册指纹之间的不受限匹配的装置。
20.根据权利要求19所述的系统,所述系统进一步包括用于在执行(e)之前,确定所述注册指纹的所述一或多个窗口区中的一或多者的所述细节点分数不符合阈值需求及用具有符合所述阈值需求的细节点分数的注册指纹的所述窗口区填充窗口区的第一集合的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/866,259 | 2015-09-25 | ||
US14/866,259 US10002285B2 (en) | 2015-09-25 | 2015-09-25 | Fast, high-accuracy, large-scale fingerprint verification system |
PCT/US2016/049100 WO2017053009A1 (en) | 2015-09-25 | 2016-08-26 | Fast, high-accuracy, large-scale fingerprint verification system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108140107A true CN108140107A (zh) | 2018-06-08 |
CN108140107B CN108140107B (zh) | 2019-05-03 |
Family
ID=56896789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680055763.3A Active CN108140107B (zh) | 2015-09-25 | 2016-08-26 | 快速、高精度的大型指纹验证系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10002285B2 (zh) |
CN (1) | CN108140107B (zh) |
WO (1) | WO2017053009A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784657A (zh) * | 2019-11-08 | 2021-05-11 | 纬创资通股份有限公司 | 电子装置与生物辨识的特征获得方法 |
CN113933315A (zh) * | 2021-10-13 | 2022-01-14 | 深圳市中纬智能有限公司 | 贴片电路板共线性检测方法与系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10515448B2 (en) * | 2016-09-20 | 2019-12-24 | International Business Machines Corporation | Handprint analysis to predict genetically based traits |
US11210556B2 (en) | 2018-01-25 | 2021-12-28 | Hewlett-Packard Development Company, L.P. | Classification of records in a data set |
BR112021022858A2 (pt) * | 2019-05-28 | 2021-12-28 | Nec Corp | Dispositivo de processamento de informações, método de processamento de informações e mídia de armazenamento |
KR20210095250A (ko) * | 2020-01-22 | 2021-08-02 | 삼성디스플레이 주식회사 | 지문 인증 장치, 표시 장치 및 그것의 지문 인증 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145196A (zh) * | 2006-09-13 | 2008-03-19 | 中国科学院自动化研究所 | 基于奇异的拓扑结构的快速指纹识别方法 |
US20080273770A1 (en) * | 2007-05-03 | 2008-11-06 | Upek, Inc. | Fast Fingerprint Identification And Verification By Minutiae Pair Indexing |
CN102439604A (zh) * | 2009-03-12 | 2012-05-02 | 哈里公司 | 用于指纹模板合成的方法和使用点匹配算法的指纹拼接 |
CN103080952A (zh) * | 2011-05-12 | 2013-05-01 | 中国科学院自动化研究所 | 基于局部特征的免配准安全指纹认证方法和系统 |
CN103942566A (zh) * | 2014-04-15 | 2014-07-23 | 清华大学 | 指纹描述子的压缩方法及系统 |
US20140331059A1 (en) * | 2013-05-01 | 2014-11-06 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Authenticating Biometric Data |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6941003B2 (en) | 2001-08-07 | 2005-09-06 | Lockheed Martin Corporation | Method of fast fingerprint search space partitioning and prescreening |
US7359532B2 (en) * | 2003-12-11 | 2008-04-15 | Intel Corporation | Fingerprint minutiae matching using scoring techniques |
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 |
JP5206218B2 (ja) * | 2008-08-20 | 2013-06-12 | 富士通株式会社 | 指紋画像取得装置、指紋認証装置、指紋画像取得方法及び指紋認証方法 |
US20130216106A1 (en) * | 2010-11-08 | 2013-08-22 | Nec Corporation | Image matching device |
GB2507540A (en) * | 2012-11-02 | 2014-05-07 | Zwipe As | Enrolling fingerprints by combining image strips to obtain sufficient width |
-
2015
- 2015-09-25 US US14/866,259 patent/US10002285B2/en not_active Expired - Fee Related
-
2016
- 2016-08-26 CN CN201680055763.3A patent/CN108140107B/zh active Active
- 2016-08-26 WO PCT/US2016/049100 patent/WO2017053009A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145196A (zh) * | 2006-09-13 | 2008-03-19 | 中国科学院自动化研究所 | 基于奇异的拓扑结构的快速指纹识别方法 |
US20080273770A1 (en) * | 2007-05-03 | 2008-11-06 | Upek, Inc. | Fast Fingerprint Identification And Verification By Minutiae Pair Indexing |
CN102439604A (zh) * | 2009-03-12 | 2012-05-02 | 哈里公司 | 用于指纹模板合成的方法和使用点匹配算法的指纹拼接 |
CN103080952A (zh) * | 2011-05-12 | 2013-05-01 | 中国科学院自动化研究所 | 基于局部特征的免配准安全指纹认证方法和系统 |
US20140331059A1 (en) * | 2013-05-01 | 2014-11-06 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Authenticating Biometric Data |
CN103942566A (zh) * | 2014-04-15 | 2014-07-23 | 清华大学 | 指纹描述子的压缩方法及系统 |
Non-Patent Citations (2)
Title |
---|
左龙: "基于大容量指纹库的指纹自动分类检索技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
时鹏,等: "基于奇异点邻近结构的快速指纹识别", 《软件学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784657A (zh) * | 2019-11-08 | 2021-05-11 | 纬创资通股份有限公司 | 电子装置与生物辨识的特征获得方法 |
CN112784657B (zh) * | 2019-11-08 | 2023-12-08 | 纬创资通股份有限公司 | 电子装置与生物辨识的特征获得方法 |
CN113933315A (zh) * | 2021-10-13 | 2022-01-14 | 深圳市中纬智能有限公司 | 贴片电路板共线性检测方法与系统 |
CN113933315B (zh) * | 2021-10-13 | 2024-04-05 | 深圳市中纬智能有限公司 | 贴片电路板共线性检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2017053009A1 (en) | 2017-03-30 |
US10002285B2 (en) | 2018-06-19 |
CN108140107B (zh) | 2019-05-03 |
US20170091526A1 (en) | 2017-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108140107B (zh) | 快速、高精度的大型指纹验证系统 | |
CN101196992A (zh) | 信息处理装置和方法、识别装置和信息识别方法及程序 | |
Raghukumar et al. | Comparison of machine learning algorithms for detection of medicinal plants | |
Wrobel et al. | Personal identification utilizing lip print furrow based patterns. A new approach | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
Agarwal et al. | Enhanced binary hexagonal extrema pattern (EBH X EP) descriptor for iris liveness detection | |
Swapna et al. | RETRACTED CHAPTER: A Survey on Face Recognition Using Convolutional Neural Network | |
Jain et al. | Signature verification using geometrical features and artificial neural network classifier | |
Forczmański et al. | Stamps detection and classification using simple features ensemble | |
Diaz et al. | Investigating the common authorship of signatures by off-line automatic signature verification without the use of reference signatures | |
Isinkaye et al. | An android-based face recognition system for class attendance and malpractice control | |
Mukherjee et al. | Morphological feature based maturity level identification of Kalmegh and Tulsi leaves | |
CN104899551B (zh) | 一种表单图像分类方法 | |
Al Qudah et al. | Using Artificial Intelligence applications for E-Government services as iris recognition | |
Goud et al. | Smart attendance notification system using SMTP with face recognition | |
Zarin et al. | A hybrid fake banknote detection model using OCR, face recognition and hough features | |
CN105787491A (zh) | 一种指纹图像的特征提取方法 | |
JP7420578B2 (ja) | 帳票仕分システム、帳票仕分方法、及びプログラム | |
Marciniak et al. | Face recognition from low resolution images | |
Sehgal | Palm recognition using LBP and SVM | |
Heinecke et al. | Unsupervised statistical learning for die analysis in ancient numismatics | |
Azam et al. | Leaf Detection Using Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), and Classifying with SVM Utilizing Claim Dataset | |
CN111429156A (zh) | 一种手机使用的人工智能识别系统及其应用 | |
Jagtap et al. | Review on offline signature verification: datasets, methods and challenges | |
Yampolskiy et al. | Evaluation of face recognition algorithms on avatar face datasets |
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 |