CN110532845A - 生物认证装置和生物认证方法 - Google Patents
生物认证装置和生物认证方法 Download PDFInfo
- Publication number
- CN110532845A CN110532845A CN201910412157.8A CN201910412157A CN110532845A CN 110532845 A CN110532845 A CN 110532845A CN 201910412157 A CN201910412157 A CN 201910412157A CN 110532845 A CN110532845 A CN 110532845A
- Authority
- CN
- China
- Prior art keywords
- amount
- biometric image
- people
- factor vector
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Collating Specific Patterns (AREA)
Abstract
公开了生物认证装置和生物认证方法。生物认证装置包括存储器和处理器,该处理器被配置成获得用于认证的对象的第一生物图像,识别包括第一生物图像的第一像素特征量和第一生物图像的第一坐标特征量的第一特征量集合,根据第一特征量集合、模板的像素特征量和模板的坐标特征量来执行对第一生物图像的第一人因子矢量与模板的第二人因子矢量之间的相似度的计算,并且根据计算的相似度来执行对第一生物图像的认证处理。
Description
技术领域
本文中讨论的实施方式涉及生物认证技术。
背景技术
通过从个体的面部图像中提取特征量并且相对于模板来检查(check)特征量来执行面部认证。因此,当从同一人的面部图像中获得的特征量始终相同时,可以进行无错误的检查。然而,实际上,即使在同一人的面部图像的情况下,由于拍摄时的照明、表情等的变化而在图像中会产生变化,并且在从该图像中提取的特征量中也发生变化。由于变化引起的特征量的改变导致认证错误。因此,提出了许多用于减少由于变化引起的认证错误的技术。例如,日本特开专利公报第2003-99780号公开了一种相关技术。
发明内容
技术问题
需要预先定义影响认证的变化或者评估拍摄检查图像时的环境。例如,需要预先了解变化,并且实际情况中的未知变化是难以处理的。
技术方案
根据实施方式的一个方面,生物认证装置包括存储器和处理器,该处理器被配置成获得用于认证的对象的第一生物图像,识别包括第一生物图像的第一像素特征量和第一生物图像的第一坐标特征量的第一特征量集合,根据第一特征量集合、模板的像素特征量和模板的坐标特征量来执行对第一生物图像的第一人因子矢量与模板的第二人因子矢量之间的相似度的计算,以及根据计算的相似度来执行对第一生物图像的认证处理。技术效果
作为一个方面,可以在减少由环境因子矢量导致的变化的影响的同时实现生物认证。
要理解的是,前述的一般描述和下面的详细描述两者是示例性的,并且旨在提供如所要求保护的本发明的进一步的说明。根据下面的描述、附图和权利要求,本发明的其他优势和特征将是明显的。
附图说明
图1是示出了根据本实施方式的生物认证装置的硬件配置的示例的框图;
图2是示出了生物认证装置的功能配置的示例的框图;
图3是示出了与检查处理相关的CPU的处理操作的示例的流程图;
图4是示出了与更新处理相关的CPU的处理操作的示例的流程图;以及
图5是有助于说明执行生物认证程序的信息处理装置的示例的图。
具体实施方式
将在下文中参照附图详细地描述本申请中公开的生物认证装置等的实施方式。要注意的是,所公开的技术不受本实施方式的限制。另外,可以在不会产生不一致的范围内将要在下文中示出的实施方式适当地组合。
图1是示出了根据本实施方式的生物认证装置1的硬件配置的示例的框图。图1中示出的生物认证装置1包括获得装置11、操作装置12、显示装置13、只读存储器(ROM)14、随机存取存储器(RAM)15、中央处理单元(CPU)16和总线17。获得装置11是获得要认证的人的生物图像(例如,要认证的人的面部图像)的成像单元,例如,摄像机、红外(IR)摄像机、近红外(NIR)摄像机、深度摄像机、热感摄像机等。面部图像包括像素信息(诸如,RGB等的颜色信息、坐标信息等)。操作装置12是输入各种类型的信息的输入接口(IF)。显示装置13是执行各种类型的信息的显示输出的输出IF。例如,ROM 14是存储各种类型的信息(诸如,程序等)的区域。RAM 15是存储各种类型的信息的区域。CPU 16控制整个生物认证装置1。总线17是将获得装置11、操作装置12、显示装置13、ROM 14、RAM 15和CPU 16彼此耦接的总线线路。
图2是示出了生物认证装置1的功能配置的示例的框图。RAM 15包括特征量表21、特征量模型表22和参数表23。特征量表21是存储每个面部图像的特征量集合的区域,该特征量集合是从面部图像等中提取的、稍后描述的像素特征量和坐标特征量。特征量模型表22是存储用于计算稍后描述的像素特征量的第一模型和用于计算稍后描述的坐标特征量的第二模型的区域。参数表23是存储作为第一模型和第二模型的系数的参数的区域。
例如,CPU 16将存储在ROM 14中的生物认证程序扩展至RAM 15中。然后,CPU 16执行在RAM 15中扩展并且包括作为生物认证处理的多个指令的生物认证程序。因此,例如,CPU 16执行作为功能的提取部分31、建模部分32、计算部分33、检查部分34、注册部分35、更新部分36和控制部分37。
提取部分31从要认证的人的一个生物图像中提取作为特征量集合的像素特征量和坐标特征量,生物图像是从获得装置11中获得的,例如,要认证的人的多个面部图像。顺便提及,例如,获得装置11通过一次处理从要认证的人获得一个面部图像。提取部分31提取每个面部图像的像素特征量和坐标特征量的特征量集合。像素特征量是诸如通过将像素的亮度梯度方向转换为直方图等获得的方向梯度直方图(HOG)特征量的信息。坐标特征量是例如关于面部图像的每个像素的坐标的信息,该信息指示特征部分(例如,嘴、眼角等)的位置。作为特征量集合的像素特征量和坐标特征量是可以同时从作为同一生物图像的面部图像中提取并且是人员识别所需要的信息。
注册部分35将每个面部图像的像素特征量和坐标特征量的特征量集合存储在特征量表21中。特征量表21将面部图像的特征量集合与标识面部图像的各个标识符(ID)相关联,并且将特征量集合存储为模板(用于学习的数据集)。顺便提及,像素特征量x和坐标特征量y可以由如(表达式1)中表示的数值序列(矢量)来表示。
[表达式1]
ID1[x1,x2,x3,x4,…xDx][y1,y2,y3,y4,…yDy]
ID2[x1,x2,x3,x4,…xDx][y1,y2,y3,y4,…yDy]
另外,在标识人的特征量集合的情况下,特征量表21存储用于标识人的各个ID的特征量集合。建模部分32利用人因子矢量和环境因子矢量作为元素来对在提取部分31中提取的每个面部图像的像素特征量和坐标特征量进行建模。建模部分32估计与来自用于学习的数据集的像素特征量和坐标特征量相关的高斯分布的参数。顺便提及,用于学习的数据集内的数据格式与每个面部图像的像素特征量和坐标特征量的数据格式相同。用于学习的数据集是从第i个人的第j个面部图像中获得的像素特征量Xj (i)和坐标特征量Yj (i)。从第i个人的第j个面部图像中获得的像素特征量Xj (i)的矢量由(表达式2)表示。顺便提及,h(i)是表示人因子的矢量,并且遵循统计高斯分布。zj (i)是表示作为除了人以外的因子(例如,环境因子)的噪声的矢量,并且遵循统计高斯分布。σj (i)是表示像素特征量的模型误差的矢量,并且遵循统计高斯分布(例如,具有方差σ的高斯分布)。A、B和mx是用于像素特征量的人因子矢量和环境因子矢量的线性变换系数。
[表达式2]
Xj (i)=Ah(i)+Bzj (i)+mx+σj (i)
从第i个人的第j个面部图像中获得的坐标特征量Yj (i)的矢量由(表达式3)表示。顺便提及,γj (i)是表示坐标特征量的模型误差的矢量,并且遵循统计高斯分布(例如,具有方差γ的高斯分布)。C、D和my是用于坐标特征量的人因子矢量和环境因子矢量的线性变换系数。
[表达式3]
Yj (i)=Ch(i)+Dzj (i)+my+γj (i)
假设在相同的人的情况下,人因子矢量在特征量之间是相同值,并且环境因子矢量对于每个面部图像是不同的,建模部分32估计模型参数(A、B、C、D、mx、my、σ和γ)的值。
计算部分33基于从要认证的人的面部图像中提取的像素特征量和坐标特征量以及模板的像素特征量和坐标特征量来计算要认证的人的面部图像和模板的面部图像的人因子矢量彼此匹配的概率(相似度)。顺便提及,假设要认证的人的像素特征量是x(q),要认证的人的坐标特征量是y(q),任意一个人的模板的像素特征量是x(t),并且任意一个人的模板的坐标特征量是y(t)。当要认证的人和模板表示相同的人时,要认证的人的像素特征量和坐标特征量以及模板的像素特征量和坐标特征量具有相同的人因子矢量h,并且因此可以使用模型参数由(表达式4)来表示概率p。顺便提及,(表达式4)的N(x;m,v)表示x遵循具有平均矢量m和协方差矩阵v的正态分布。该正态分布表示,在像素特征量和坐标特征量的特征量集合具有相同的人因子矢量h的条件下同时观察到x(q)、y(q)、x(t)和y(t)的概率。另外,该分布通过从特征量的分布中消除人因子矢量h和环境因子矢量z通过积分来计算,并且表示在考虑人因子矢量h和环境因子矢量z的所有变化的情况下人因子矢量h彼此匹配的概率p。
检查部分34确定人因子矢量彼此匹配的概率p是否超过第一阈值。当概率p超过第一阈值时,检查部分34确定检查成功。因此,在检查成功的情况下,检查部分34确定要认证的人和模板表示相同的人。当概率p不超过第一阈值时,检查部分34确定检查失败。因此,在检查失败的情况下,检查部分34确定要认证的人和模板表示的不是相同的人。
[表达式4]
当概率p超过第二阈值时,更新部分36使用要认证的人的像素特征量和坐标特征量来估计模型参数,像素特征量和坐标特征量与概率p相关,并且利用估计的模型参数来更新现在存储在参数表23中的现存模型参数。顺便提及,第二阈值对于相同的人因子矢量h很高,并且被设置为高于第一阈值。
接下来将对根据本实施方式的生物认证装置1的操作进行描述。图3是示出了与检查处理相关的CPU 16的处理操作的示例的流程图。图3中示出的检查处理是如下处理:基于根据要认证的人的像素特征量和坐标特征量以及模板的像素特征量和坐标特征量计算的概率p来相对彼此地检查要认证的人和模板的人因子矢量。
CPU 16内的提取部分31确定是否获得要认证的人的生物图像(步骤S11)。顺便提及,生物图像是要认证的人的面部图像,该面部图像由获得装置11来获得。当提取部分31获得要认证的人的生物图像时(在步骤S11中是肯定的),提取部分31从生物图像中提取像素特征量和坐标特征量(步骤S12)。
CPU 16内的计算部分33通过使用基于要认证的人的提取的像素特征量和提取的坐标特征量以及模板的像素特征量和坐标特征量的(表达式4)来计算要认证的人和已经注册在特征量表21中的模板的人因子矢量彼此匹配的概率(步骤S15)。
CPU 16内的检查部分34确定在步骤S15中计算的概率是否超过第一阈值(步骤S16)。当计算的概率超过第一阈值(在步骤S16中是肯定的)时,检查部分34确定相对彼此的要认证的人和模板的检查成功(步骤S17)。因此,检查部分34确定要认证的人和模板表示相同的人。在确定检查成功之后,CPU 16内的注册部分35另外将要认证的人的像素特征量和坐标特征量注册在特征量表21中(步骤S18)。然后,注册部分35结束图3中示出的处理操作。
当在步骤S15中计算的概率没有超过第一阈值(在步骤S16中是否定的)时,检查部分34确定相对彼此的要认证的人和模板的检查失败(步骤S19)。因此,检查部分34确定要认证的人和模板表示不相同的人。然后,在确定检查失败之后,注册部分35继续行进至步骤S18以将要认证的人的像素特征量和坐标特征量注册在特征量表21中。当提取部分31没有获得要认证的人的生物图像(在步骤S11中为否)时,提取部分31结束图3中示出的处理操作。
执行图3中示出的检查处理的CPU 16利用人因子矢量和环境因子矢量作为元素来对从要认证的人的面部图像中提取的像素特征量和坐标特征量进行建模,并且基于像素特征量和坐标特征量来估计模型参数。使用估计的参数,CPU 16根据要认证的人的提取的像素特征量和提取的坐标特征量与模板内的任意一个人的像素特征量和坐标特征量之间的相关性来计算人因子矢量彼此匹配的概率。此外,当计算的概率超过第一阈值时,CPU 16确定要认证的人和任意一个人表示相同的人。因此,可以在像素特征量和坐标特征量中的一个中观察人因子矢量。
图4是示出了与更新处理相关的CPU 16的处理操作的示例的流程图。在图4中,CPU16内的更新部分36确定要认证的人和模板的人因子矢量彼此匹配的概率是否超过第二阈值(步骤S21)。当要认证的人和模板的人因子矢量彼此匹配的概率超过第二阈值(在步骤S21中是肯定的)时,更新部分36另外将要认证的人的提取的像素特征量和提取的坐标特征量注册为用于学习的数据集(步骤S22)。
更新部分36确定作为用于学习的数据集的数据片段的数目是否等于或大于指定值(步骤S23)。当作为用于学习的数据集的数据片段的数目等于或大于指定值(在步骤S23中是肯定的)时,更新部分36基于数目等于或大于指定值的用于学习的数据集来生成第一模型和第二模型的参数(步骤S24)。更新部分36利用生成的参数来更新现在存储在参数表23中的现存参数(步骤S25)。然后,更新部分36结束图4中示出的处理操作。
当人因子矢量彼此匹配的概率没有超过第二阈值(在步骤S21中为否定的)时,更新部分36结束图4中示出的处理操作。当作为用于学习的数据集的数据片段的数目并不等于或不大于指定值(在步骤S23中是否定的)时,更新部分36结束图4中示出的处理操作。
当人因子矢量彼此匹配的概率超过第二阈值时,执行图4中示出的更新处理的CPU16将要认证的人的像素特征量和坐标特征量添加作为用于学习的数据集,该像素特征量和坐标特征量与概率相关。此外,当数据片段的数目等于或大于指定值时,CPU 16基于数目等于或大于指定值的用于学习的数据集来估计第一模型和第二模型的参数,并且利用估计的参数来更新参数表23。因此,可以在操作期间设置反映像素特征量和坐标特征量的模型参数。
根据第一实施方式的生物认证装置1针对多个特征量同时对人因子矢量和环境因子矢量进行建模。因此,即使在难以从单个特征量充分观察到(observe)人因子矢量的情况下,也可以从另一特征量来观察人因子矢量。例如,在面部识别时,同时对像素特征量和坐标特征量进行建模使得即使在由于极大地影响像素的变化而难以从像素特征量观察到人因子矢量的情况下也可以从坐标特征量观察人因子矢量,该变化是照明变化等。另外,即使在难以从坐标特征量观察到人因子矢量的情况下,也可以从像素特征量观察人因子矢量。因此,可以通过不明确假设(assume)影响认证的变化的种类和特性来将各种变化考虑在内。此外,可以通过使用多个特征量对人因子矢量和环境因子矢量进行建模来使各种变化下的认证变得稳健。可以在减少变化的影响的同时实现生物认证。
建模部分32将特征量共有的人因子矢量和环境因子矢量设置为变量,由具有不同系数的线性变换来表示人因子矢量和环境因子矢量,并且由统计高斯分布来对从面部图像中提取的像素特征量和坐标特征量进行建模。计算部分33使用由建模部分32估计的模型参数来计算从要认证的人获得的特征量集合和模板的特征量集合的人因子矢量彼此匹配的概率。因此,即使在难以从单个特征量充分观察到人因子矢量的情况下,也可以从另一特征量来观察人因子矢量。
生物认证装置1从要认证的对象的多个生物图像中提取像素特征量和坐标特征量,利用人因子矢量和环境因子矢量作为元素来对像素特征量和坐标特征量进行建模,并且基于像素特征量和坐标特征量来估计模型参数。此外,使用估计的模型参数,生物认证装置1根据要认证的对象的提取的像素特征量和提取的坐标特征量与模板内的像素特征量和坐标特征量之间的相关性来计算人因子矢量的概率。此外,生物认证装置1基于概率来相对彼此地检查要认证的对象和模板的人因子矢量。因此,即使在难以从单个特征量充分观察到人因子矢量的情况下,也可以从另一特征量来观察人因子矢量。
生物认证装置1另外将提取的像素特征量和提取的坐标特征量注册为模板的像素特征量和坐标特征量。因此,因为像素特征量和坐标特征量另外被注册为用于学习的数据集,所以可以计算反映操作条件的高精度概率。
生物认证装置1将提取的像素特征量与提取的坐标特征量之间共有的人因子矢量和环境因子矢量设置为变量,通过具有不同系数的线性变换来表示人因子矢量和环境因子矢量并且通过统计高斯分布来对像素特征量和坐标特征量进行建模。
使用估计的模型参数,生物认证装置1计算从要认证的对象的生物图像中提取的像素特征量和坐标特征量以及模板的像素特征量和坐标特征量的人因子矢量彼此匹配的概率。生物认证装置1在概率超过第一阈值时确定检查成功,并且在概率不超过第一阈值时确定检查失败。因此,可以利用人因子矢量彼此匹配的概率来检查人员。
将在操作期间从要认证的人中提取的特征量集合重新用作用于学习的数据集,在操作期间基于用于学习的数据集来估计第一模型和第二模型的参数并且更新估计的参数。因此,得到反映在操作期间的条件的模型参数。当在操作期间从要认证的人中提取的特征量集合和模板的特征量集合的人因子矢量彼此匹配的概率超过第二阈值时,要认证的对象的特征量集合与注册者的ID相关联,并且被添加作为用于学习的数据集。此外,此时,当在操作期间新获得的学习数据超过指定数目的数据片段时,模型参数通过使用新的数据被再次估计并且被更新。
均需要预先定义影响认证的变化,或者评估拍摄检查图像时的环境。例如,需要预先了解变化,并且未知的变化的难以处理的。此外,在使用单个特征量的情况下,所有变化被建模为特征量的改变,并且因此难以根据变化的特性充分地实现建模。在另一方面,本实施方式不需要预先了解影响认证的变化,而是可以针对没有预先定义的各种未知的变化执行稳健的认证。
顺便提及,尽管生物认证装置1包括从要认证的对象中获得生物图像的获得装置11,但是生物认证装置1可以从作为外部装置的获得装置11中获得生物图像。因此,可以适当地进行改变。
尽管已经示出了其中生物认证装置1从面部图像中提取像素特征量和坐标特征量的情况,但是生物认证装置1可以提取不同于像素特征量和坐标特征量的特性的另一特征量,除了像素特征量和坐标特征量以外,其他特征量能够同时从单个生物图像中提取。因此,可以适当地进行改变。在该情况下,生物认证装置1利用人因子矢量和环境因子矢量作为元素对像素特征量、坐标特征量和其他特征量进行建模。此外,生物认证装置1根据要认证的人的像素特征量、坐标特征量和其他特征量与模板内的像素特征量、坐标特征量和其他特征量之间的相关性来计算人因子矢量彼此匹配的概率。因此,可以通过将其他特征量添加至像素特征量和坐标特征量高精度地计算人因子矢量彼此匹配的概率。
生物认证装置1获得示出为生物图像的面部图像。然而,生物图像可以是面部图像,并且此外,例如,可以是手指图像、手的图像等。因此,可以适当地进行改变。
生物认证装置1在要认证的人和模板的人因子矢量彼此匹配的概率超过第一阈值时确定检查成功,并且在概率不超过第一阈值时确定检查失败。然而,生物认证装置1可以在要认证的人和模板的人因子矢量彼此不匹配的概率超过第一阈值时确定检查失败,并且在概率不超过第一阈值时确定检查成功。因此,可以适当地进行改变。因此,可以利用人因子矢量彼此不匹配的概率来检查人员。
另外,在附图中示出的每个单元的每个构成元件可以不需要如附图中所示地物理地配置。例如,每个单元的分布和集成的具体形式可以是附图中示出的那些,并且此外,每个单元的全部或一部分可以配置为以便根据各种类型的负载、使用条件等在任意单元中功能上或物理上分布和集成。
此外,可以在中央处理单元(CPU)(或诸如微处理单元(MPU)、微控制器单元(MCU)等的微计算机)上执行由每个装置执行的各种类型的处理功能的全部或任意一部分。另外,更不用说的是,可以在由CPU(或例如MPU、MCU等的微计算机)分析并执行的程序上或者在基于有线逻辑的硬件上执行各种类型的处理功能的全部或任意一部分。
可以通过执行预先在信息处理装置上准备的程序来实现在本实施方式中描述的各种类型的处理。因此,在下文中,将对执行具有与前述实施方式的那些功能类似的功能的程序的信息处理装置的示例进行描述。图5是有助于说明执行生物认证程序的信息处理装置100的示例的图。
图5中示出的信息处理装置100、执行生物认证程序的信息处理装置100包括操作装置110、显示装置120、ROM 130、RAM 140、CPU 150和总线160。
执行与前述实施方式的那些功能类似的功能的生物认证程序被预先存储在ROM130中。顺便提及,可以将生物认证程序记录在可以由未示出的可以由驱动器读取的记录介质而非ROM 130上。另外,记录介质可以是便携式记录介质,例如,光盘(CD)-ROM、数字通用光盘(DVD)盘、通用串行总线(USB)存储器、安全数字(SD)卡等,或者半导体存储器,例如,闪存等。如图5中所示,生物认证程序是建模程序130A和计算程序130B。顺便提及,可以适当地集成或分布程序130A和程序130B。
CPU 150从ROM 130中读取这些程序130A和程序130B,并且将这些读取到的程序中的每个扩展到RAM 140的工作区中。然后,CPU 150如图5中所示地使扩展在RAM 140中的程序130A和程序130B用作建模处理140A和计算处理140B。在RAM 140中注册模板的像素特征量和坐标特征量。
CPU 150利用基于假设的人因子矢量和环境因子矢量作为元素来生成从多个生物图像中提取的像素特征量和坐标特征量中的每个的模型。此外,CPU 150基于像素特征量和坐标特征量来估计模型的模型参数。CPU150基于模型参数、从要认证的对象的生物图像中提取的像素特征量和坐标特征量以及基于可以针对要认证的对象检查的生物图像在生成之后预先存储的像素特征量和坐标特征量来计算要认证的对象与模板之间的人因子矢量的相似度。因此,可以在减少变化的影响的同时实现生物认证。
Claims (10)
1.一种生物认证装置,包括:
处理器,其被配置成:
获得用于认证的对象的第一生物图像,
识别包括所述第一生物图像的第一像素特征量和所述第一生物图像的第一坐标特征量的第一特征量集合,
根据所述第一特征量集合、模板的像素特征量和所述模板的坐标特征量来执行对所述第一生物图像的第一人因子矢量与所述模板的第二人因子矢量之间的相似度的计算,以及
根据所计算的相似度来执行对所述第一生物图像的认证处理。
2.根据权利要求1所述的生物认证装置,其中,
通过使用参数来执行所述计算,以及
在相同的人的生物图像的像素特征量和坐标特征量的人因子矢量彼此相同并且所述相同的人的生物图像的像素特征量和坐标特征量的环境因子矢量彼此不同的条件下,通过将多个生物图像中的每个生物图像的像素特征量和坐标特征量建模为包括人因子矢量和环境因子矢量的模型,来计算所述参数。
3.根据权利要求2所述的生物认证装置,其中,
所述建模包括:
通过具有各自不同系数的线性变换来表示所述多个生物图像中的每个生物图像的像素特征量与坐标特征量之间共有的各个人因子矢量和各个环境因子矢量,以及
通过统计分布对所表示的像素特征量和所表示的坐标特征量进行建模。
4.根据权利要求3所述的生物认证装置,其中,所述统计分布是高斯分布。
5.根据权利要求1所述的生物认证装置,其中,
所述处理器被配置成将所述第一特征量集合作为所述模板存储在存储器中。
6.根据权利要求1所述的生物认证装置,其中,
通过所述第一生物图像的第一人因子矢量和所述模板的第二人因子矢量彼此匹配的概率来表示所述相似度,以及
所述认证处理是当所述概率超过第一阈值时确定对所述对象的认证成功的处理。
7.根据权利要求6所述的生物认证装置,其中,
通过使用参数来执行所述计算,以及
所述处理器被配置成:当所述概率超过比所述第一阈值大的第二阈值时,根据所述第一生物图像的第一像素特征量和第一坐标特征量来更新所述参数。
8.根据权利要求1所述的生物认证装置,其中,
所述处理器被配置成从所述第一生物图像中识别另一特征量,以及
基于所述另一特征量和所述模板的另一特征量来计算所述相似度。
9.一种计算机实现的生物认证方法,包括:
获得用于认证的对象的第一生物图像;
识别包括所述第一生物图像的第一像素特征量和所述第一生物图像的第一坐标特征量的第一特征量集合;
根据所述第一特征量集合、模板的像素特征量和所述模板的坐标特征量来计算所述第一生物图像的第一人因子矢量与所述模板的第二人因子矢量之间的相似度;以及
根据所计算的相似度来执行对所述第一生物图像的认证处理。
10.一种计算机可读介质,其存储能够由一个或多个计算机执行的生物认证程序指令,所述生物认证程序指令包括:
用于获得用于认证的对象的第一生物图像的一个或多个指令;
用于识别包括所述第一生物图像的第一像素特征量和所述第一生物图像的第一坐标特征量的第一特征量集合的一个或多个指令;
用于根据所述第一特征量集合、模板的像素特征量和所述模板的坐标特征量来计算所述第一生物图像的第一人因子矢量与所述模板的第二人因子矢量之间的相似度的一个或多个指令;以及
用于根据所计算的相似度来执行对所述第一生物图像的认证处理的一个或多个指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018099085A JP2019204288A (ja) | 2018-05-23 | 2018-05-23 | 生体認証装置、生体認証方法及び生体認証プログラム |
JP2018-099085 | 2018-05-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532845A true CN110532845A (zh) | 2019-12-03 |
Family
ID=66476497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910412157.8A Pending CN110532845A (zh) | 2018-05-23 | 2019-05-17 | 生物认证装置和生物认证方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11010598B2 (zh) |
EP (1) | EP3572977A1 (zh) |
JP (1) | JP2019204288A (zh) |
CN (1) | CN110532845A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209207A1 (en) * | 2020-01-03 | 2021-07-08 | Lg Electronics Inc. | User authentication |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11501560B2 (en) * | 2020-10-01 | 2022-11-15 | Black Sesame Technologies Inc. | Infrared temperature measurement fused with facial identification in an access control system |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127785A1 (en) * | 2005-12-07 | 2007-06-07 | Sony Corporation | Image processing apparatus, image processing method, program, and recording medium |
CN101038629A (zh) * | 2006-03-14 | 2007-09-19 | 富士通株式会社 | 生物认证方法和生物认证装置 |
US20090220155A1 (en) * | 2008-02-29 | 2009-09-03 | Canon Kabushiki Kaisha | Image processing method, pattern detection method, pattern recognition method, and image processing device |
CN101710382A (zh) * | 2009-12-07 | 2010-05-19 | 深圳大学 | 基于简化智能单粒子优化算法的Gabor人脸识别方法 |
CN102576460A (zh) * | 2009-09-09 | 2012-07-11 | 日本电气株式会社 | 生物统计认证系统、方法和程序 |
CN102646190A (zh) * | 2012-03-19 | 2012-08-22 | 腾讯科技(深圳)有限公司 | 一种基于生物特征的认证方法、装置及系统 |
JP2013157032A (ja) * | 2013-05-09 | 2013-08-15 | Hitachi Ltd | 生体認証方法及び生体認証システム |
JP2015041293A (ja) * | 2013-08-22 | 2015-03-02 | キヤノン株式会社 | 画像認識装置および画像認識方法 |
US20160180068A1 (en) * | 2014-12-23 | 2016-06-23 | Barnan Das | Technologies for login pattern based multi-factor authentication |
US20170076146A1 (en) * | 2015-09-11 | 2017-03-16 | EyeVerify Inc. | Fusing ocular-vascular with facial and/or sub-facial information for biometric systems |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003099780A (ja) | 2001-09-21 | 2003-04-04 | Nippon Signal Co Ltd:The | アクセスコントロールシステム |
US7734067B2 (en) * | 2004-12-07 | 2010-06-08 | Electronics And Telecommunications Research Institute | User recognition system and method thereof |
JP5434708B2 (ja) * | 2010-03-15 | 2014-03-05 | オムロン株式会社 | 照合装置、デジタル画像処理システム、照合装置制御プログラム、コンピュータ読み取り可能な記録媒体、および照合装置の制御方法 |
US9251854B2 (en) * | 2011-02-18 | 2016-02-02 | Google Inc. | Facial detection, recognition and bookmarking in videos |
JP2013022813A (ja) | 2011-07-20 | 2013-02-04 | Sumitomo Chemical Co Ltd | 樹脂シートの製造方法 |
DE102012216191A1 (de) * | 2011-09-14 | 2013-03-14 | Hitachi Information & Communication Engineering, Ltd. | Authentifizierungssystem |
JP6089577B2 (ja) * | 2012-10-19 | 2017-03-08 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
JP6222948B2 (ja) * | 2013-03-14 | 2017-11-01 | セコム株式会社 | 特徴点抽出装置 |
US9053365B2 (en) * | 2013-09-16 | 2015-06-09 | EyeVerify, Inc. | Template update for biometric authentication |
JP2015074219A (ja) | 2013-10-11 | 2015-04-20 | 株式会社 菱友コンサルタント | 切手・印紙等を書類に貼り付ける際の水分補給のスポンジを朱肉ケースに取り付けて携行する文房具 |
US10225248B2 (en) * | 2014-06-11 | 2019-03-05 | Optimum Id Llc | Methods and systems for providing online verification and security |
WO2016146488A1 (en) * | 2015-03-13 | 2016-09-22 | SensoMotoric Instruments Gesellschaft für innovative Sensorik mbH | Method for automatically identifying at least one user of an eye tracking device and eye tracking device |
EP3438926A4 (en) * | 2016-03-28 | 2019-04-03 | Nec Corporation | DEVICE FOR PROCESSING BIODATES, SYSTEM FOR PROCESSING BIODATES, METHOD FOR PROCESSING BIODATES, PROGRAM FOR PROCESSING BIODATES AND RECORDING MEDIUM FOR STORING A PROGRAM FOR PROCESSING BIODATES |
JP6900664B2 (ja) * | 2016-12-14 | 2021-07-07 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN212846789U (zh) * | 2017-08-01 | 2021-03-30 | 苹果公司 | 电子设备 |
US10726245B2 (en) * | 2017-12-12 | 2020-07-28 | Black Sesame International Holding Limited | Secure facial authentication system using active infrared light source and RGB-IR sensor |
US10576994B1 (en) * | 2018-08-22 | 2020-03-03 | Nio Usa, Inc. | Autonomous system operator cognitive state detection and alerting |
-
2018
- 2018-05-23 JP JP2018099085A patent/JP2019204288A/ja active Pending
-
2019
- 2019-05-09 EP EP19173523.2A patent/EP3572977A1/en not_active Ceased
- 2019-05-15 US US16/412,485 patent/US11010598B2/en active Active
- 2019-05-17 CN CN201910412157.8A patent/CN110532845A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127785A1 (en) * | 2005-12-07 | 2007-06-07 | Sony Corporation | Image processing apparatus, image processing method, program, and recording medium |
CN101038629A (zh) * | 2006-03-14 | 2007-09-19 | 富士通株式会社 | 生物认证方法和生物认证装置 |
US20090220155A1 (en) * | 2008-02-29 | 2009-09-03 | Canon Kabushiki Kaisha | Image processing method, pattern detection method, pattern recognition method, and image processing device |
CN102576460A (zh) * | 2009-09-09 | 2012-07-11 | 日本电气株式会社 | 生物统计认证系统、方法和程序 |
CN101710382A (zh) * | 2009-12-07 | 2010-05-19 | 深圳大学 | 基于简化智能单粒子优化算法的Gabor人脸识别方法 |
CN102646190A (zh) * | 2012-03-19 | 2012-08-22 | 腾讯科技(深圳)有限公司 | 一种基于生物特征的认证方法、装置及系统 |
JP2013157032A (ja) * | 2013-05-09 | 2013-08-15 | Hitachi Ltd | 生体認証方法及び生体認証システム |
JP2015041293A (ja) * | 2013-08-22 | 2015-03-02 | キヤノン株式会社 | 画像認識装置および画像認識方法 |
US20160180068A1 (en) * | 2014-12-23 | 2016-06-23 | Barnan Das | Technologies for login pattern based multi-factor authentication |
US20170076146A1 (en) * | 2015-09-11 | 2017-03-16 | EyeVerify Inc. | Fusing ocular-vascular with facial and/or sub-facial information for biometric systems |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209207A1 (en) * | 2020-01-03 | 2021-07-08 | Lg Electronics Inc. | User authentication |
US11816197B2 (en) * | 2020-01-03 | 2023-11-14 | Lg Electronics Inc. | Method of authenticating user and apparatus thereof |
Also Published As
Publication number | Publication date |
---|---|
US11010598B2 (en) | 2021-05-18 |
US20190362136A1 (en) | 2019-11-28 |
EP3572977A1 (en) | 2019-11-27 |
JP2019204288A (ja) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104657705B (zh) | 图像识别装置及面向图像识别装置的数据登录方法 | |
CN106030654B (zh) | 面部认证系统 | |
EP1645990B1 (en) | Device, method and computer program product for biometric information authentication | |
Alyuz et al. | Regional registration for expression resistant 3-D face recognition | |
CN100361131C (zh) | 信息处理设备、信息处理方法 | |
US8064685B2 (en) | 3D object recognition | |
JP4595750B2 (ja) | 画像処理装置および方法、並びにプログラム | |
JP7113355B2 (ja) | 認証装置、認証システム、認証方法、及びプログラム | |
KR20090018036A (ko) | 속눈썹 분석에 의한 신원확인방법 및 그를 이용한 신원확인용 정보 취득 장치 | |
JP6822482B2 (ja) | 視線推定装置、視線推定方法及びプログラム記録媒体 | |
WO2006012132A2 (en) | Generation of directional field information in the context of image processing | |
US11816923B2 (en) | Face image candidate determination apparatus for authentication, face image candidate determination method for authentication, program, and recording medium | |
Lanitis et al. | Quantitative evaluation of the effects of aging on biometric templates | |
CN110532845A (zh) | 生物认证装置和生物认证方法 | |
KR20190070179A (ko) | 사용자 등록 장치 및 방법 | |
CN112507916B (zh) | 一种基于面部神态的人脸检测方法和系统 | |
JP6795243B1 (ja) | 鼻紋照合装置および方法並びにプログラム | |
JP2007114931A (ja) | 認証装置 | |
EA034208B1 (ru) | Способ идентификации характеристического профиля взаимодействия пользователя | |
EP1810216A1 (en) | 3d object recognition | |
Sangve et al. | Lip recognition for authentication and security | |
EP2535835B1 (en) | Real-time user identification by hand motion signatures | |
Wang et al. | Artificial aging of faces by support vector machines | |
Beukes | Hand vein-based biometric authentication with limited training samples | |
Abbas | 3D face morphology classification for medical applications |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191203 |