CN110663043B - 生物度量对象的模板匹配 - Google Patents
生物度量对象的模板匹配 Download PDFInfo
- Publication number
- CN110663043B CN110663043B CN201880034069.2A CN201880034069A CN110663043B CN 110663043 B CN110663043 B CN 110663043B CN 201880034069 A CN201880034069 A CN 201880034069A CN 110663043 B CN110663043 B CN 110663043B
- Authority
- CN
- China
- Prior art keywords
- match
- matching
- templates
- template
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 80
- 230000004913 activation Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 abstract description 11
- 238000013442 quality metrics Methods 0.000 description 44
- 238000012545 processing Methods 0.000 description 13
- 229920006395 saturated elastomer Polymers 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 231100000572 poisoning Toxicity 0.000 description 3
- 230000000607 poisoning effect Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 208000016339 iris pattern Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
- G06V40/13—Sensors therefor
- G06V40/1312—Sensors therefor direct reading, e.g. contactless acquisition
-
- 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
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
Abstract
公开了生物度量对象匹配方法。所述方法包括在生物度量传感器的单次激活期间捕获(210)单个生物度量对象的多个图像,以及基于每个图像的排名度量值对图像进行排名(220)以确定最高排名图像和至少一个非最高排名图像。所述方法还包括在对于生物度量对象的第一匹配尝试中将最高排名图像与多个预存储的生物度量对象模板中的模板进行比较(230),其中确定每个所比较模板的匹配度量,以及当确定(240)至少一个匹配度量超过匹配阈值时生成(270)匹配指示信号。当确定没有一个匹配度量超过匹配阈值时,所述方法包括在另一匹配尝试中基于匹配度量将一个非最高排名图像与多个模板中的模板进行比较(260)。还公开了相应的设备、服务器节点、系统和计算机程序产品。
Description
技术领域
本公开内容一般性地涉及生物度量识别(biometric recognition)领域。更特别地,其涉及生物度量对象(biometric object)与预存储模板(pre-stored template)的匹配。
背景技术
许多指纹捕获过程旨在确保捕获一个高质量图像,并基于那一个图像进行指纹匹配(通常也称为指纹鉴定、指纹识别等)。
在从手指由传感器所检测到延伸至手指从传感器上抬起或者达到最大的捕获图像数目的时间段期间可应用其他策略捕来获多个图像。
在这些方法中的任一种中的每次捕获之前,适当时可应用技术人员可用的多种算法以提供满足一些要求(例如,关于图像品质)的捕获物。
当在单次识别尝试期间捕获多个图像时,指纹识别的一种方法是对多个图像中的每一个依次进行一次指纹匹配,并当至少一个图像通过匹配标准时授予访问权限(或与所识别指纹相关联的类似动作)。
然而,这样的方法需要大量计算(并因此比优选方法需要更多时间和/或功率)。
因此,当可从传感器的单次激活获得多个图像时,需要指纹匹配的方法。
发明概述
应该强调的是,当在本说明书中使用术语“包括/包含”时,其被视为指定所述特征、整数、步骤或组件的存在,但是不排除一种或更多种其他特征、整数、步骤、组件、或其组的存在或添加。除非上下文中另外明确指出,否则本文中使用的没有数量词修饰的名词表示一个/种或更多个/种。
一些实施方案的目的是解决或减轻、缓和、或消除至少一些以上或其他缺点。
根据第一方面,这通过生物度量对象匹配方法(biometric object matchingmethod)来实现,该方法包括:在与图像捕获装置(image capturing device)相关联的生物度量传感器的单次激活期间,(通过该图像捕获装置)捕获单个生物度量对象的多个图像,以及基于多个图像中的每一个的排名度量值(ranking metric value)对多个图像进行排名以确定最高排名图像和至少一个非最高排名图像。
该方法还包括(在对于生物度量对象的第一匹配尝试中)将最高排名图像与多个预存储的生物度量对象模板中的模板进行比较,其中确定每个所比较模板的匹配度量(matching metric),以及确定是否有至少一个匹配度量超过匹配阈值(matchingthreshold value)。
如果至少一个匹配度量超过匹配阈值,则该方法包括生成匹配指示信号(matchindicating signal)。
当没有一个匹配度量超过匹配阈值时,该方法包括(在对于生物度量对象的另一匹配尝试中)基于匹配度量将一个非最高排名图像与多个模板中的模板进行比较,其中确定每个所比较模板的另一匹配度量。
当在本文中提及预存储的生物度量对象模板时,这样的术语意在涵盖其中该生物度量对象模板已被使用者登记的情况。因此,术语“登记的生物度量对象模板”应被视为同样可适用于在本文中使用术语预存储的生物度量对象模板的情况。
在一些实施方案中,该方法还可包括:确定是否有至少一个另一匹配度量超过匹配阈值;当至少一个另一匹配度量超过匹配阈值时生成匹配指示信号,以及当没有一个另一匹配度量超过匹配阈值时,(在对于生物度量对象的又一匹配尝试中)基于匹配度量将另一个非最高排名图像与多个模板中的模板进行比较,其中确定每个所比较模板的又一匹配度量。根据一些实施方案,又一匹配尝试的比较还可基于所述另一尝试的所述另一匹配度量。
根据一些实施方案,另一匹配尝试可包括基于匹配度量确定模板的另一匹配尝试子集,以及将非最高排名图像仅与另一匹配尝试子集中的模板进行比较。
根据一些实施方案,另一匹配尝试可包括基于匹配度量确定模板的顺序,以及按照所确定的顺序将非最高排名图像与模板进行比较。
根据一些实施方案,第一匹配尝试可包括确定模板的第一匹配尝试子集,以及将最高排名图像仅与第一匹配尝试子集中的模板进行比较。
根据一些实施方案,该方法还可包括基于匹配度量动态地调整另一匹配尝试的匹配阈值。
在一些实施方案中,该方法还可包括:(在对于多个预存储的生物度量对象模板中的模板的更新尝试(updating attempt)中)将大于一的第一数目的多个图像与模板进行比较,其中确定每个所比较图像的匹配度量,以及确定是否至少有大于一且小于或等于第一数目的二数目的匹配度量超过更新阈值(updating threshold value)。然后,该方法可包括:当至少有第二数目的匹配度量超过更新阈值时,基于多个图像更新模板;以及当小于第二数目的匹配度量超过更新阈值时,阻止模板的更新。
第二方面是计算机程序产品(computer program product),其包含计算机可读介质,在所述计算机可读介质上具有包含程序指令的计算机程序。该计算机程序可被加载到数据处理单元中并被配置成当计算机程序由数据处理单元运行时引起根据第一方面的方法的执行。
第三方面是生物度量对象匹配设备(biometric object matchingarrangement),其包含控制器,该控制器被配置成引起:在与图像捕获装置相关联的生物度量传感器的单次激活期间,(通过图像捕获装置)捕获单个生物度量对象的多个图像,以及基于多个图像中的每一个的排名度量值对多个图像进行排名以确定最高排名图像和至少一个非最高排名图像。
控制器还被配置成引起:(在对于生物度量对象的第一匹配尝试中)将最高排名图像与多个预存储的生物度量对象模板中的模板进行比较,其包括确定每个所比较模板的匹配度量,以及确定是否有至少一个匹配度量超过匹配阈值。
控制器被配置成当至少一个匹配度量超过匹配阈值时,以及当没有一个匹配度量超过匹配阈值时,引起匹配指示信号的生成,(在对于生物度量对象的另一匹配尝试中)基于匹配度量将一个或更多个非最高排名图像与多个模板中的模板进行比较,所述比较包括确定每个所比较模板的另一匹配度量。
在第四方面,提供了生物度量对象匹配设备,其包含图像捕获装置、排名模块(例如,排名电路)、比较模块(例如,比较电路)、匹配确定模块(例如,确定电路)和信号生成模块(例如,信号生成电路)。
图像捕获装置被配置成在与图像捕获装置相关联的生物度量传感器的单次激活期间捕获单个生物度量对象的多个图像。
排名模块被配置成基于多个图像中的每一个的排名度量值对多个图像进行排名以确定最高排名图像和至少一个非最高排名图像。
比较模块被配置成(在对于生物度量对象的第一匹配尝试中)将最高排名图像与多个预存储的生物度量对象模板中的模板进行比较。所述比较模块可与被配置成确定每个所比较模板的匹配度量的度量确定模块相关联。
匹配确定模块被配置成确定是否有至少一个匹配度量超过匹配阈值。
信号生成模块被配置成当至少一个匹配度量超过匹配阈值时生成匹配指示信号。信号生成模块还可被配置成当认为没有发现匹配时生成不匹配指示信号,如稍后将在本文中例示的。
比较模块还被配置成当没有一个匹配度量超过匹配阈值时,(在对于生物度量对象的另一匹配尝试中)基于匹配度量将一个或更多个非最高排名图像与多个模板中的模板进行比较,并且度量确定模块被配置成确定每个所比较模板的另一匹配度量。
第五方面是服务器节点(server node),其包含第三方面或第四方面的生物度量对象匹配设备。
第六方面是用于生物度量对象匹配的系统。该系统包含第三方面或第四方面的生物度量对象匹配设备和第五个方面的服务器节点中的至少一个。该系统还包含被配置成预存储多个生物度量对象模板的存储器和与图像捕获装置相关联的生物度量传感器,该图像捕获装置被配置成在生物度量传感器的单次激活期间捕获单个生物度量对象的多个图像。
该系统还包含电路(例如,包含在装置或服务器节点中或以其他方式与其相关联),该电路被配置成:
-基于多个图像中的每一个的排名度量值对多个图像进行排名以确定最高排名图像和至少一个非最高排名图像;
-在对于生物度量对象的第一匹配尝试中,将最高排名图像与多个模板中的模板进行比较,其包括确定每个所比较模板的匹配度量;
-确定是否有至少一个匹配度量超过匹配阈值;
-当至少一个匹配度量超过匹配阈值时生成匹配指示信号;以及
-当没有一个匹配度量超过匹配阈值时,在对于生物度量对象的另一匹配尝试中,基于匹配度量将一个非最高排名图像与多个模板中的模板进行比较,其中确定每个所比较模板的另一匹配度量。
该系统中还包含用于接收匹配指示信号的接口。
在一些实施方案中,任何以上方面可另外地具有与如以上针对任何其他方面所说明的多个特征中的任何一个相同或相对应的特征。
一些实施方案的优点在于,提供了当可从传感器的单次激活获得多个图像时进行指纹匹配的方法,与可应用于这样的情况的其他方法相比,该方法需要更少量的计算(并因此需要较少的时间和/或功率)。
一些实施方案的另一优点是使用来自先前尝试的结果(匹配度量)可(与其他方法相关)实现较低的计算工作量、缩短延迟(latency)、较低功耗、改善整体性能、降低差错率中的一个或更多个。因此,可将在不同图像捕获物中存在的关于生物度量对象的不同信息方面进行组合来改善性能。
一些实施方案旨在通过在匹配过程中利用多个图像来改善总体系统性能和/或降低匹配差错。在一些实施方案中,与使用多个图像的其他方法相比,这是在降低计算开销(overhead)的同时实现的。这样的优点可通过在图像处理中使用先前在其他图像的处理中获得的信息来提供。
附图简述
参照附图,另一些目的、特征和优点将从以下的实施方案详述中显现。附图不一定是按比例绘制,而是将重点放在对示例性实施方案的举例说明上。
图1是举例说明根据一些实施方案的示例性方法步骤的示意流程图;
图2是举例说明根据一些实施方案的示例性方法步骤的流程图;
图3是举例说明根据一些实施方案的示例性生物度量对象模板的树形图;
图4是举例说明根据一些实施方案的示例性系统的示意框图;并且
图5是举例说明根据一些实施方案的示例性计算机可读介质的示意图。
发明详述
在下文中参照附图将更充分地描述和例示本公开内容的一些实施方案。然而,在本文中公开的解决方案可以以许多不同的形式实现,并且不应被解释为限于在本文中阐述的一些实施方案。
在以下实施方案示例性描述中,将指纹用于例示生物度量对象。这仅意在为举例说明性的,并且决不是限制性的。相反,根据本文中公开的一些实施方案的问题和解决方案可同样适用于其他生物度量对象,例如但不限于掌纹、虹膜图案、面部特征等。
根据本文中所述的一些实施方案,提供了高效的(例如,就延迟和/或功耗而言)多图像匹配方法。根据一些实施方案,可以说该方法考虑了在最佳可能的生物度量性能与最小延迟之间的权衡。
图1示意性地举例说明了根据一些实施方案的示例方法100。该示例方法100以图像捕获步骤110开始,其中图像捕获装置捕获生物度量对象(例如,指纹)的图像。如由判定步骤115所举例说明的,在与图像捕获装置相关联的生物度量传感器(例如,指纹传感器)的单次激活期间,对图像捕获步骤110进行迭代(iterate)以提供多个捕获的图像。
判定步骤115包括确定何时要俘获(seize)捕获步骤的迭代的一个或更多个条件测试。例如只要激活生物度量传感器(例如,直至确定生物度量对象(例如,手指)从生物度量传感器(例如,指纹传感器)移开为止)和/或直至已捕获到最大数目的图像为止,即可对步骤110的图像捕获进行迭代。应当理解的是,根据一些实施方案,判定步骤115可作为补充和替代地应用其他合适的标准。
该方法继续至图像排名步骤120,其中根据一些合适的排名度量对多个所捕获图像进行排名。在一些实施方案中,排名可包括按照递减排名度量的顺序对图像进行排序(sorting)。例如,排名可包括向具有代表在多个图像中的图像中的最高品质的排名度量的多个图像中的图像分配最高排名。
排名度量可以是由以下两个实例例示的任何合适的度量(例如品质度量),其中度量在第一个实例中被称为“品质度量”并且在第二个实例中被称为“像素强度变化”。
在排名度量的第一个实例中,提供了确定由指纹传感装置捕获的图像的品质度量的方法。该方法包括:获取指纹图像,基于与图像中的总像素数目相关的饱和像素数目形成第一图像品质度量,形成图像的第二图像品质度量以及通过将第一图像品质度量与第二图像品质度量组合来形成总图像品质度量。
在本上下文中,饱和是指图像中的像素处于或接近其最大值或最小值时。作为一个实例,对于具有8比特(8-bit)分辨率的像素,饱和像素具有接近0或255的值。因此,饱和像素也可被称作黑色或白色像素。可导致图像具有高度饱和像素的一种情况可以是,如果图像是在由指纹传感装置检测到手指之后不久,即,当仅手指的一部分与指纹传感表面接触时捕获到的,则这进而导致图像具有高度白色像素。
在具有高度饱和像素的指纹图像中,可以难以准确地检测实际指纹图案,从而使得难以成功地与所存储的指纹模板进行匹配。此外,如果使用不考虑饱和度的品质度量,则可选择基本上均一的图像(例如,大部分是白色的图像)用于匹配,这进而可导致高的错误拒绝率(false rejection rate,FRR)。
鉴于此,可通过将基于饱和度的第一图像品质度量与基于其他图像特性的第二图像品质度量组合来确定改善的图像品质度量。从而,可改善FRR并且具有大量饱和像素的图像不会被错误地赋予高品质值。此外,第二图像品质度量进而可包含多个不同的度量,或者可将确定的组合图像品质度量与另一些品质度量组合以形成图像的总体品质度量。
此外,所述方法可用于改善现有图像品质度量,并且可照此实施以改善匹配性能。
可使用权重因子α(weighting factorα)将第一与第二图像品质度量组合,其中总图像品质度量是第一与第二图像品质度量的权重组合。从而,可以容易地调整与其他品质度量相关的基于饱和度的品质度量的相对权重(relative weight)。权重因子α可具有0至1的值,其中总图像品质度量被确定为α乘以第二图像品质度量加上(1-α)乘以第一图像品质度量。权重因子α可以是针对已知指纹传感装置的预先确定的权重因子。从而,第一品质度量可容易地用于并适应于不同的传感器类型,其中饱和像素对总图像品质的影响可具有不同的权重。
可适应性地调整第一与第二图像品质度量的组合。因此,可基于外部输入来改变第一与第二品质度量组合的方式。例如,指纹传感装置的特性可在装置的寿命期间改变,或者该特性可根据外部环境特性而改变,需要改变不同品质度量的权重以维持高匹配准确度。可基于从先前输入图像获得的图像品质度量调整第一与第二图像品质度量的组合。此外,图像品质度量的组合可基于多个较早的图像,使得例如可将多个图像上的分布考虑在内。例如,对于单次触摸获得的图像的时间序列可以是这种情况,其中当将小的手指区域放置在传感器上时,第一图像品质度量最初可具有高的权重,并且当将足够的手指区域放置在传感器上时,具有较少的权重。图像品质度量组合的适应性调整可通过适应性地调整权重因子α来实现。
图像中的饱和像素的数目可通过将图像的每个像素的强度值与上阈值和下阈值进行比较来确定,使得具有高于上阈值或低于下阈值的强度的像素被认为是饱和的。作为一个实例,基于8比特表示的强度,阈值可以是0和255,或者它们可以是例如2和253。显然,对于其他表示,阈值将采用其他值。
如果图像中的所有像素是饱和的,则可将第一图像品质度量设定为零。相应地,如果图像中没有像素是饱和的,则可将第一图像品质度量设定为预先确定的最大图像品质度量值。预先确定的值可以是1或者其可被任意选择以形成适合于与其他品质度量值组合的值。
可将第二图像品质度量相对于所述第一图像品质度量进行归一化,从而简化两个图像品质度量的组合。此外,通过对图像品质度量进行归一化,权重可仅通过权重因子而不通过两个图像品质度量的独立权重来确定。
第二品质度量可基于所述图像的对比度、空间强度变化和/或频率或取向内容,所有这些可用于提供图像品质的指示。
在排名度量的第二个实例中,处理单元被配置成确定对象(例如,指纹)的所捕获图像的多个像素的强度,评估所捕获图像中像素强度变化的局部曲率(local curvature),并从评估的局部曲率来确定局部像素强度变化是否由单个方向支配,在这种情况下,认为指纹传感器上的对象被视为手指。
因此,指纹传感器捕获接触传感器的对象的图像,并且处理单元从所捕获图像确定所捕获图像的多个像素的强度,并评估所捕获图像中的像素强度变化的局部曲率。
当将表示脊(ridge)的像素(其中该像素为黑色)的强度与表示谷(valley)的相邻像素(其中该像素为白色)的强度进行比较时,指纹的所捕获图像的像素强度变化是相当大的。因此,当从脊过渡至谷或从谷过渡至脊时,像素强度的变化处于其最大值,然而当比较均表示脊(或均表示谷)的两个像素时,像素强度的差异非常小。
此外,处理单元从评估的局部曲率来确定局部像素强度变化是否由单个方向支配,在这种情况下,认为传感器上的对象被视为手指。
所捕获图像由像素支配,其中像素周围的强度变化在像素所属的脊或谷的方向上是低的,而在垂直于谷-脊取向的方向上强度变化是高的。
对于例如织物(fabric)片或布料(cloth)片的所捕获图像,像素强度的局部变化是相对小的,并且像素强度变化不指示任何特定的方向。在这样的情况下,像素强度的局部曲率可以说是各向同性的或圆形的,即,在像素周围几乎没有或没有指纹脊或谷的证据,这是许多非指纹图像的特征。
可通过计算具有像素强度的二阶导数(second-order derivative)的以每个像素计算的所谓的黑塞矩阵(Hessian matrix)来执行像素强度的局部曲率的评估。可通过以下计算黑塞矩阵的要素(component):在x方向上用第一滤波器对所捕获图像进行卷积(convolve),在y方向上用第二滤波器对所捕获图像进行卷积,以及在x方向上用第三滤波器对所捕获图像进行卷积,并随后在y方向上用第四滤波器对用第三滤波器卷积的结果进行卷积。在一些实例中,可计算黑塞矩阵的平方和/或可计算黑塞矩阵的迹(trace)和行列式(determinant)以获得其特征值(eigenvalue)λ1和λ2的特性。
可使用所计算的黑塞矩阵的特征值来计算各向异性分数(FractionalAnisotropy,FA)测度(measure)。从在每个像素中计算的黑塞矩阵获得两个特征值λ1和λ2,并将这两个特征值用于计算所谓的FA测度的平方,以便有利地确定局部像素强度变化是否由单个方向支配。可将指纹资格评分(fingerprint qualification score,FQS)作为由所述多个像素的数目归一化的所述多个像素的所有FA测度值的线性组合来计算。为了方便起见,可按比例缩放(scale)FQS。因此可将FQS作为在所捕获图像中在所有像素上的FA测度的按比例缩放(例如,100倍)的平均值来计算。可将FQS与阈值进行比较,其中如果指纹资格评分超过阈值,则认为局部像素强度变化由单个方向支配。
返回至图1,根据一些实施方案,图像排名步骤120可被包括在步骤110的迭代过程中。例如,每个图像一旦被捕获就被排名到排名列表中,其中该排名列表包含与生物度量传感器的单次激活相关联的先前所捕获(和排名)的图像。在这样的一些实施方案中,在图像排名步骤120之后插入与判定步骤115类似的判定步骤125。此外,在这样的一些实施方案中,可移除或可不移除判定步骤115。
当图像排名完成时,可将由127表示的多个经捕获并排名的图像mj表示为其中指数j={1 2 ... NC}是表示图像排名顺序的指数,并且其中排名过程可表示为C→M。在其中排名按照递减度量的一些实施方案中,m1表示具有最高度量的所捕获图像,并且表示具有最低度量的所捕获图像。通常来说,排名旨在提高最高排名图像m1成功匹配的似然(likelihood)(或概率(probabjlity))。
该方法继续至匹配步骤130,其中以排名的顺序对图像进行匹配尝试。在一些典型的实施方案中,以排名的顺序对每个图像进行匹配尝试,直至发现匹配(或规定的匹配数目)为止,或者直至对多个图像中的所有图像已进行匹配尝试为止。因此,如果尚未发现匹配(或者少于规定的匹配数目)并且步骤130中仍然存在未处理的捕获图像,则判定步骤135可通常导致方法100返回至步骤130。应当理解的是,根据一些实施方案,判定步骤135可作为补充或替代地应用其他合适的标准。
在一些实施方案中,如果生物度量传感器仍被激活,判定步骤135还可包括:如果未发现多个图像中的任何一个的匹配,则循环返回至图像捕获步骤110以捕获更多的图像。该选项未在图1中示出。
当完成时,如果发现如137所表示的匹配,则该方法输出匹配指示信号(表示生物度量对象的“通过”)。在一些实施方案中,如果未发现多个图像中的任何一个的匹配,则该方法可另外地输出同样由137表示的不匹配指示信号(表示生物度量对象的“未通过”/“失败”)。
在步骤130中的第一匹配尝试之后,可获得在第一匹配尝试过程中计算出的许多信息。如稍后在本文中将例示的,这样的信息可用于随后的匹配尝试以缩短匹配的总延迟和/或提高匹配的可靠性。
图2举例说明了根据一些实施方案的示例性方法200。方法200可与图1的方法100组合考虑,并且被描述用于方法100和200之一的任何特征或实例可同样应用于方法100和200中的另一个。
示例性方法200用于生物度量对象匹配。如先前提及的,生物度量对象可以例如是指纹、掌纹、虹膜图案、面部特征集合,等。
方法200开始于步骤210(与图1的步骤110比较),其中在与图像捕获装置相关联的生物度量传感器的单次激活期间,通过图像捕获装置捕获单个生物度量对象的多个图像。由于图像是单个生物度量对象的,因此多个图像中的所有图像是同一生物度量对象的。由于多个图像是在生物度量传感器的单次激活期间捕获的,因此可不间断地和/或自动地进行多个图像的捕获。
在步骤210中的图像捕获之后,方法200继续至步骤220(与图1的步骤120比较),其中基于各自的排名度量对多个图像中的图像进行排名以确定最高排名图像和至少一个非最高排名图像。例如,如果第一排名度量值指示比第二排名度量值更高的图像品质,则排名可以使得多个图像中的具有第一排名度量值的第一图像比多个图像中具有第二排名度量值的第二图像具有更高的排名。
如与图1相关提及的,根据一些实施方案,可并行地进行捕获和排名(步骤210和220)。
在步骤220中的排名之后,方法200通过进行至步骤230而继续至该方法的匹配部分(与图1的步骤130比较)。
在步骤230中,通过将最高排名图像与多个预存储的生物度量对象模板中的模板进行比较来进行生物度量对象的第一匹配尝试。步骤230中的比较可以是与所有存储的模板或与存储的模板的子集的比较。通过任选的子步骤231(其中确定了模板的第一匹配尝试子集)和任选的子步骤232(其中将最高排名图像仅与第一匹配尝试子集中的模板进行比较)来举例说明后一种替代方案。
在第一个实例中,第一匹配尝试子集可包含排除以低于模板罕见使用阈值的频率使用的模板(即,很少使用的模板)的所有预存储的生物度量对象模板。在第二个实例中,第一匹配尝试子集可包含以高于组频繁使用阈值的频率使用的预存储的生物度量对象模板的组(排除很少使用的模板组)(每个组包含例如同一手指或同一使用者的模板)。这些实例通常适用于本文中提及的一些实施方案。
对于与最高排名图像比较的每个模板,确定匹配度量。
在步骤240中,确定是否有至少一个匹配度量超过匹配阈值。当至少一个匹配度量超过匹配阈值(从步骤240离开的Y路径)时,认为发现匹配,如步骤245所示,并且在步骤270中生成匹配指示信号。当没有(或少于指定数目的)匹配度量超过匹配阈值(从步骤240离开的N路径)时,该方法继续至步骤250。
在一些实施方案中,步骤230和240可并行地执行,使得例如在每次比较之后进行步骤240的确定,并且使得当步骤240认为发现匹配时在步骤230中不进行另外的比较。在这样的一些实施方案中,可进行比较直至最高排名图像与模板(或与指定数目的模板)匹配为止,或者直至(在整个模板集合中或在模板子集中)没有更多与其比较的模板为止。
在步骤250中,确定在多个图像中是否有更多图像尚未被提交至匹配尝试。如果是这样的话(从步骤250离开的Y步骤),则方法200进行至步骤260。
在步骤260(与步骤230比较)中,通过将一个非最高排名图像与多个预存储的生物度量对象模板中的一些或全部模板进行比较来进行生物度量对象的另一(例如第二、第三、第四等)匹配尝试。通常来说,在第二匹配尝试中比较第二高排名图像,在第三匹配尝试中比较第三高排名图像,依此类推。
对于步骤260中与非最高排名图像比较的每个模板,确定(与步骤230的匹配度量比较的)另一匹配度量。
步骤260的另一匹配尝试基于步骤230的第一匹配尝试的匹配度量,并且(任选地)基于步骤260的先前执行的另一匹配尝试的另一匹配度量。
对于步骤230,步骤260中的比较可以是与所有存储的模板或与存储的模板的子集的比较。后一种替代方案通过其中(基于先前确定的匹配度量)确定了模板的另一匹配尝试子集的任选的子步骤261以及其中将图像仅与另一匹配尝试子集中的模板进行比较的任选的子步骤262来举例说明。可在模板水平或在合适的模板组水平进行将哪些模板包含在子集中的选择。例如,可确定子集以包含具有最高先前确定的匹配度量(例如,高于模板的某个阈值或指定数目)的模板(或组)。
作为补充或替代,步骤260中的比较可以以特别确定的顺序进行以提高快速发现匹配的概率(或似然)。该替代方案还通过其中(基于先前确定的匹配度量)确定模板顺序的任选的子步骤261和其中将图像以确定的顺序与模板进行比较的任选的子步骤262来举例说明。可在模板水平或在合适的模板组水平进行排序。例如,顺序可被确定为首先是具有最高先前确定的匹配度量的模板(或组),并且其后是按照先前确定的匹配度量的递减顺序的模板(或组)。
作为补充或替代,步骤260中的比较可并行地在多个图像上进行。
为了在指纹的情况下例示模板组水平,每个手指可由数个模板(一起构成手指组)表示和/或每个使用者可由预存储的模板中的数个手指(一起构成使用者组)表示。在该实例中,子集选择和/或排序可因此在模板基础(模板水平)上、在手指基础(模板组水平)上或在使用者基础(模板组水平)上进行。
步骤260与步骤240之间的互操作与上述步骤230与步骤240之间的互操作等同(或相应地类似)。可任选地基于先前确定的匹配度量动态地调整步骤240的匹配阈值。
如果在步骤250中最终确定在多个图像中没有更多尚未被提交至匹配尝试(从步骤250离开的N步骤)的图像,则认为没有发现匹配,如由步骤280所示。当该方法到达280时,可生成不匹配指示信号,如步骤290所举例说明的。作为替代或补充,如果生物度量传感器仍被激活,则该方法可返回至步骤210以捕获更多图像,并且该方法可通过进行至步骤220来迭代。还作为替代或补充,如果先前与存储的模板的子集进行了比较,则该方法可返回至步骤230或步骤260以将比较扩展至更多的预存储模板。
在一些实施方案中,图2中举例说明的方法可用于通过步骤270的匹配指示信号来授予模板更新。在这样的一些实施方案中,步骤230和260的子集通常包含待更新的模板(如果已经知道的话)。
或者,步骤260的子集通常包含如由步骤230的结果确定的待更新的模板。
此外,由于对模板更新的可靠性要求通常比访问授予(或类似的)更严格,因此可需要第一数目(大于一)的图像的匹配。为此,可在步骤240中执行计数器以确定当在步骤230或260中进行处理时何时发现至少第一数目的图像的匹配。
作为替代或补充,可在步骤240中使用更新阈值而不是匹配阈值。更新阈值可与匹配阈值相同或不同。通常来说,更新阈值比匹配阈值更严格(例如,更高)。
因此,在对于多个预存储的生物度量对象模板中的模板的更新尝试中,该方法可包括(在步骤230和260中)将第一数目(大于一)的多个图像与模板进行比较,以及(在步骤240中)确定是否至少有第二数目(大于一且小于或等于第一数目)的匹配度量超过更新阈值。如果是这样的话,则可基于多个图像与步骤270相关授予模板的更新。如果不是这样的话,则可与步骤280相关阻止模板的更新。
图3是举例说明了根据一些实施方案的示例性生物度量对象模板的树形图。在该实例中,节点321、322、323、331、332、333、361、362、363、364各自表示指纹模板,并且顶端节点300可表示图像与任意模板匹配的尝试。
节点321、322、323的模板与同一手指相关联并可因此一起分组到由节点320代表的手指组中。类似地,节点331、332、333的模板也与同一手指相关联并可一起分组到由节点330代表的手指组中。还类似地,节点361、362、363、364的模板与同一手指相关联并可一起分组到由节点360代表的手指组中。
由节点320代表的手指和由节点330代表的手指属于同一使用者并可一起分组到由节点310代表的使用者组中,而由节点360代表的手指属于另一使用者并且形成由节点350代表的另一使用者组。
在树形图中,每个分支340、341、342、343、344、345、346、347、348、370、371、372、373、374、375可与本领域中公知的概率相关联。因此,与分支340相关联的概率是图像对应于由节点310代表的使用者的生物度量对象的概率,并且与分支341相关联的概率是图像对应于由节点310代表的手指的概率。
在图3的实例的情况下,假设ui表示第i个登记的使用者(310、350),并假设fi,j表示使用者i的第j个登记的手指(320、330、360)。在例如图3的方案的方案中,其中多个模板(或子模板)与每个手指fi,j相关联,这些被表示为ti,j,k(321、322、323、331、332、333、361、362、363、364),其中k∈{1,...,Nt}且Nt是所允许模板的最大数目。
现将参照以上引入的记号来例示(另一)匹配度量。
其中表示(例如,在空间域或特征空间中匹配的)比较过程,并且si,j,k|mn表示当图像mn针对(子)模板ti,j,k进行匹配时从比较过程返回的评分。评分可以是潜在匹配的数目或似然值。这意味着评分越高,图像mn越更可能来源于使用者ui和手指fi,j。
当第一图像m1针对所有登记的模板进行匹配时(与图2的步骤230比较),如果没有模板产生与匹配阈值相关的足够高的评分,则这可导致全树搜索(穷举搜索)。这意味着对于匹配尝试m1,所有(子)模板的评分是已知的。因此,可以将评分转换(或对似然进行归一化)成可与树中的节点相关联的成本(cost)。成本的一个实例可以例如是与下一个输入图像mn(其中n>1)匹配的相对搜索概率。
计算相对搜索概率的一种方式是根据以下进行归一化:
因此,如果合适的话,评分或相对搜索概率(成本)可用作(另一)匹配度量,其包括以下变化。
如之前所提及的,可基于成本(例如,相对搜索概率)来确定搜索顺序和/或搜索子集(与图2的子步骤261和262比较)。这将启动(enable)搜索方案,其中首先检查最可能的(子)模板和/或仅检查最可能的(子)模板。
还如上所提及的,可在如上的模板水平上或在模板组(例如,手指或使用者)水平上进行排序和/或子集选择。
例如,在(子)模板水平上的相对搜索概率可用于形成手指的相对搜索概率(或似然比)。这可通过组合来自不同的手指模板的贡献来完成:
通过知晓每个手指的相对搜索概率,例如将第二树搜索(匹配尝试)集中在某些选定的手指上而不是检查所有手指是可行的。
类似地,可形成使用者的相对搜索概率(或似然比):
例如,这可启动首先检查选定使用者的指纹的树搜索。
在简化的树搜索方法中,任何另外的搜索(例如,m2)可以是简化搜索(例如,经由树剪枝(tree pruning)),其中仅检查最可能的模板、最可能的手指、最可能的使用者,或其组合。由于可计算整个树的成本(相对搜索概率),因此也可使用“贪婪优先(greedyfirst)”树搜索方法,其中仅检查最可能的路径。在一些实施方案中,在另一匹配尝试中仅考虑与最佳匹配模板ti,j,k|m1具有高重叠的模板ti,j,k。
可根据还如上所提及的一些实施方案考虑在多个匹配尝试上的匹配度量的组合。例如,当在任何匹配步骤中处理n>2个图像时,归一化可基于Φ1和Φ2二者(如果对m2也已进行穷举搜索)。当计算联合归一化项(此处表示为Φ1UΦ2)时,可使用Φ1与Φ2的线性组合。
当计算相对概率时,还可将匹配图像(例如,m1和m2)之间的相似性考虑在内。如果m1和m2之间存在强相关,则很有可能可获得准确的相对搜索概率而当预测m2的成本/相对搜索概率时,弱相关应(相对来说)给出所有的更均匀的分布。
在一些实施方案中,可通过添加正则化系数(regularization coefficient)(在此表示为α∈[0;∞[)将匹配图像之间的相似性考虑在内,使得:
模板中毒(template poisoning)是当将非真正的(冒名顶替者(imposter))模板添加至登记的模板时。这提高了在将来的匹配尝试中的错误接受的风险。如上详细描述的,可使用两个不同的阈值与相对搜索概率(评分)进行比较。这样的方法可防止模板中毒。表示为Thr1的一个阈值(匹配阈值)可用于授予访问或类似访问(即,给出“匹配”/“不匹配”或“通过”/“失败”的决定),并且表示为Thr2的另一个阈值(更新阈值)可用于模板更新,其中后一个阈值比第一个更严格。
在其中m1产生匹配但评分未超过模板更新阈值(即,Thr1≤最大(si,j,k|m1)<Thr2)的方案中,可继续匹配步骤的过程迭代(与图2的步骤260比较)以确定另一个图像是否产生超过Thr2的评分。例如,该方法可通过利用高效地进行,并且仅针对有限数目的(子)模板匹配。此外,通过进行确认匹配(检查是否更多的图像可针对获胜模板匹配),可利用来提高安全性。
图4示意性地举例说明了根据一些实施方案的用于生物度量对象匹配的示例性系统400。该系统包含服务器节点(SERVER)401、被配置成预存储多个生物度量对象模板的存储器(例如,数据库,DB)410、生物度量传感器430和图像捕获装置(image capturingdevice,ICD)420。
生物度量传感器与图像捕获装置相关联,并且图像捕获装置被配置成在生物度量传感器的单次激活期间捕获单个生物度量对象的多个图像。
服务器节点401包含设备,该设备包含适于引起与图1和图2中的任何一个相关的如所述的方法步骤的执行的电路。该电路可例如包含控制器(CNTR)440、排名模块(RANKER)450、匹配模块(MATCHER)460(可能包含比较模块和匹配确定模块)和信号生成模块(SIGNGEN)470中的一个或更多个。
该电路集体被配置成:
-基于多个图像中的每一个的排名度量值对多个图像进行排名以确定最高排名图像和至少一个非最高排名图像,
-在对于生物度量对象的第一匹配尝试中,将最高排名图像与多个模板中的模板进行比较,其包括确定每个所比较模板的匹配度量,
-确定是否有至少一个匹配度量超过匹配阈值,
-当至少一个匹配度量超过匹配阈值时生成匹配指示信号,以及
-当没有一个匹配度量超过匹配阈值时,在对于生物度量对象的另一匹配尝试中,基于匹配度量将一个非最高排名图像与多个模板中的模板进行比较,其中确定每个所比较模板的另一匹配度量。
该系统还包含用于接收匹配指示信号的接口480。该接口可以例如是使用者接口(例如,显示器、发光二极管(light emitting diode,LED)、音频接口等)和/或用于启动特定动作(例如,使门解锁、授予对计算机系统的访问、允许更新模板等)的功能接口。
所述实施方案及其等同方案可以以软件或硬件或其组合来实现。实施方案可由通用电路(general purpose circuitry)进行。通用电路的一些实例包括数字信号处理器(digital signal processor,DSP)、中央处理单元(central processing unit,CPU)、协同处理器单元、现场可编程门阵列(field programmable gate array,FPGA)和其他可编程硬件。作为替代或补充,实施方案可通过专用电路(例如专用集成电路(applicationspecific integrated circuits,ASIC))来进行。通用电路和/或专用电路可例如与器具(apparatus)例如服务器节点相关联或包含在其中。
一些实施方案可出现在电子器具(例如,服务器节点)内,所述电子器具包含根据本文中所述的任何实施方案的设备、电路和/或逻辑。作为替代或补充,电子器具(例如,服务器节点)可被配置成进行根据本文中所述的任何实施方案的方法。
根据一些实施方案,计算机程序产品包含计算机可读介质,例如通用串行总线(universal serial bus,USB)存储器、插入卡、嵌入式驱动器或只读存储器(read onlymemory,ROM)。图5举例说明了以光盘(compact disc,CD)ROM形式的示例性计算机可读介质500。在该计算机可读介质上存储了包含程序指令的计算机程序。该计算机程序可加载到数据处理器(PROC)520中,所述数据处理器520可例如包含在服务器节点510中。当加载到数据处理单元中时,计算机程序可存储在存储器(MEM)530中,所述存储器530与数据处理单元相关联或包含在其中。根据一些实施方案,当计算机程序被加载到数据处理单元中并由其运行时,其可引起根据例如图2中所举例说明的方法的方法步骤的执行。
在本文中已提及多个实施方案。然而,本领域技术人员将认识到所述实施方案的许多变化形式,这些变化形式将仍然落入权利要求的范围内。例如,在本文中所述的一些方法实施方案公开了通过以一定顺序进行的步骤的一些示例性方法。然而,认识到,这些事件序列可以另一顺序发生而不脱离权利要求的范围。此外,一些方法步骤也可并行地进行,即使它们已被描述为依次进行。
以同样的方式,应该注意的是,在一些实施方案的描述中,将功能块划分为特定单元决不是旨在限制。相反,这些划分仅是实例。本文中描述为一个单元的功能块可被分成两个或更多个单元。此外,本文中描述为作为两个或更多个单元来实施的功能块可合并成更少(例如,单个)的单元。
因此,应当理解,所述实施方案的细节仅是出于举例说明目的而提出的实例,并且落入权利要求范围内的所有变化都旨在被包含在其中。
Claims (11)
1.生物度量对象匹配方法,其包括:
在与图像捕获装置相关联的生物度量传感器的单次激活期间,通过所述图像捕获装置捕获(210)单个生物度量对象的多个图像;
基于所述多个图像中的每一个的排名度量值对所述多个图像进行排名(220)以确定最高排名图像和至少一个非最高排名图像;
在对于所述生物度量对象的第一匹配尝试中,将所述最高排名图像与多个预存储的生物度量对象模板中的模板进行比较(230),其中确定每个所比较模板的匹配度量;
确定(240)是否有至少一个所述匹配度量超过匹配阈值;
当至少一个所述匹配度量超过所述匹配阈值时生成(270)匹配指示信号;以及
当没有一个所述匹配度量超过所述匹配阈值时,在对于所述生物度量对象的另一匹配尝试中,基于所述匹配度量将一个所述非最高排名图像与所述多个模板中的模板进行比较(260),其中确定每个所比较模板的另一匹配度量,
其中,所述另一匹配尝试包括:
基于所述匹配度量确定(261)所述模板的顺序,其中,模板的子集被确定成包括具有最高先前确定的匹配度量的模板;以及
按照所确定的顺序将所述非最高排名图像与所述模板进行比较(262)。
2.权利要求1所述的方法,其还包括:
确定(240)是否有至少一个所述另一匹配度量超过所述匹配阈值;
当至少一个所述另一匹配度量超过所述匹配阈值时生成(270)所述匹配指示信号;以及
当没有一个所述另一匹配度量超过所述匹配阈值时,在对于所述生物度量对象的又一匹配尝试中,基于所述匹配度量将另一个所述非最高排名图像与所述多个模板中的模板进行比较(260),其中确定每个所比较模板的又一匹配度量。
3.权利要求2所述的方法,其中所述又一匹配尝试的比较还基于所述另一匹配尝试的所述另一匹配度量。
4.权利要求1至3中任一项所述的方法,其中所述另一匹配尝试包括:
基于所述匹配度量确定(261)所述模板的另一匹配尝试子集;以及
将所述非最高排名图像仅与所述另一匹配尝试子集中的模板进行比较(262)。
5.权利要求1至3中任一项所述的方法,其中所述第一匹配尝试包括:
确定(231)所述模板的第一匹配尝试子集;以及
将所述最高排名图像仅与所述第一匹配尝试子集中的模板进行比较(232)。
6.权利要求1至3中任一项所述的方法,其还包括基于所述匹配度量动态地调整所述另一匹配尝试的匹配阈值。
7.权利要求1至3中任一项所述的方法,其还包括:
在对于所述多个预存储的生物度量对象模板中的模板的更新尝试中,将大于一的第一数目的所述多个图像与所述模板进行比较,其中确定每个所比较图像的匹配度量;
确定是否至少有大于一且小于或等于所述第一数目的第二数目的所述匹配度量超过更新阈值;
当至少有所述第二数目的所述匹配度量超过所述更新阈值时,基于所述多个图像更新所述模板;以及
当小于所述第二数目的所述匹配度量超过所述更新阈值时,阻止所述模板的更新。
8.生物度量对象匹配设备,其包含控制器(440),所述控制器(440)被配置成引起:
在与图像捕获装置(420)相关联的生物度量传感器(430)的单次激活期间,通过所述图像捕获装置捕获单个生物度量对象的多个图像;
基于所述多个图像中的每一个的排名度量值对所述多个图像进行排名以确定最高排名图像和至少一个非最高排名图像;
在对于所述生物度量对象的第一匹配尝试中,将所述最高排名图像与多个预存储的生物度量对象模板中的模板进行比较,所述比较包括确定每个所比较模板的匹配度量;
确定是否有至少一个所述匹配度量超过匹配阈值;
当至少一个所述匹配度量超过所述匹配阈值时生成匹配指示信号;以及
当没有一个所述匹配度量超过所述匹配阈值时,在对于所述生物度量对象的另一匹配尝试中,基于所述匹配度量将一个或更多个所述非最高排名图像与所述多个模板中的模板进行比较,所述比较包括确定每个所比较模板的另一匹配度量,
其中,所述另一匹配尝试包括:
基于所述匹配度量确定(261)所述模板的顺序,其中,模板的子集被确定成包括具有最高先前确定的匹配度量的模板;以及
按照所确定的顺序将所述非最高排名图像与所述模板进行比较(262)。
9.权利要求8所述的设备,其中所述控制器被配置成通过引起以下来引起所述第一匹配尝试:
确定所述模板的第一匹配尝试子集;以及
将所述最高排名图像仅与所述第一匹配尝试子集中的模板进行比较。
10.权利要求8或9所述的设备,其中所述控制器还被配置成引起基于所述匹配度量对所述另一匹配尝试的匹配阈值进行动态调整。
11.权利要求8或9所述的设备,其中所述控制器还被配置成引起:
在所述多个预存储的生物度量对象模板中的模板的更新尝试中,将大于一的第一数目的所述多个图像与所述模板进行比较,所述比较包括确定每个所比较图像的匹配度量;
确定是否至少有大于一且小于或等于所述第一数目的第二数目的所述匹配度量超过更新阈值;
当至少有所述第二数目的所述匹配度量超过所述更新阈值时,基于所述多个图像更新所述模板;以及
当小于所述第二数目的所述匹配度量超过所述更新阈值时,阻止所述模板的更新。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE1750762-5 | 2017-06-15 | ||
SE1750762A SE1750762A1 (en) | 2017-06-15 | 2017-06-15 | Template matching of a biometric object |
PCT/SE2018/050551 WO2018231122A1 (en) | 2017-06-15 | 2018-05-31 | Template matching of a biometric object |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110663043A CN110663043A (zh) | 2020-01-07 |
CN110663043B true CN110663043B (zh) | 2023-05-02 |
Family
ID=64660525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880034069.2A Active CN110663043B (zh) | 2017-06-15 | 2018-05-31 | 生物度量对象的模板匹配 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11216639B2 (zh) |
EP (1) | EP3639197B1 (zh) |
CN (1) | CN110663043B (zh) |
SE (1) | SE1750762A1 (zh) |
WO (1) | WO2018231122A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10936708B2 (en) * | 2018-10-01 | 2021-03-02 | International Business Machines Corporation | Biometric data protection |
CN112800996A (zh) * | 2020-09-09 | 2021-05-14 | 神盾股份有限公司 | 具有指纹感测功能的电子装置以及指纹比对方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1020811A2 (en) * | 1999-01-15 | 2000-07-19 | Citicorp Development Center, Inc. | Fast matching systems and methods for personal identification |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6070159A (en) | 1997-12-05 | 2000-05-30 | Authentec, Inc. | Method and apparatus for expandable biometric searching |
US6963659B2 (en) * | 2000-09-15 | 2005-11-08 | Facekey Corp. | Fingerprint verification system utilizing a facial image-based heuristic search method |
JP2002222424A (ja) * | 2001-01-29 | 2002-08-09 | Nec Corp | 指紋照合システム |
EP1603077B1 (en) * | 2003-03-07 | 2010-06-02 | Nippon Telegraph and Telephone Corporation | Biological image correlation device and correlation method thereof |
EP1825374B8 (en) | 2004-11-18 | 2022-08-24 | Biogy, Inc. | Biometric print quality assurance |
JP5003242B2 (ja) * | 2007-03-28 | 2012-08-15 | 富士通株式会社 | 照合装置、照合方法および照合プログラム |
US8310372B2 (en) | 2008-02-29 | 2012-11-13 | Purdue Research Foundation | Fingerprint acquisition system and method using force measurements |
US20100180127A1 (en) * | 2009-01-14 | 2010-07-15 | Motorola, Inc. | Biometric authentication based upon usage history |
US8824749B2 (en) * | 2011-04-05 | 2014-09-02 | Microsoft Corporation | Biometric recognition |
US9268991B2 (en) * | 2012-03-27 | 2016-02-23 | Synaptics Incorporated | Method of and system for enrolling and matching biometric data |
TWI534716B (zh) * | 2013-12-18 | 2016-05-21 | 齊發光電股份有限公司 | 手指指紋讀取系統 |
GB2511467B (en) | 2014-07-09 | 2015-03-11 | Nationwide Retail Systems Ltd | Access management system and method |
US9867134B2 (en) | 2015-09-30 | 2018-01-09 | Apple Inc. | Electronic device generating finger images at a progressively slower capture rate and related methods |
CN105389566B (zh) * | 2015-11-13 | 2018-09-11 | 广东欧珀移动通信有限公司 | 指纹识别方法、指纹模板的更新方法、装置和移动终端 |
CN106056081B (zh) * | 2016-05-30 | 2018-03-27 | 广东欧珀移动通信有限公司 | 一种解锁控制方法及终端设备 |
-
2017
- 2017-06-15 SE SE1750762A patent/SE1750762A1/sv not_active Application Discontinuation
-
2018
- 2018-05-31 US US16/619,185 patent/US11216639B2/en active Active
- 2018-05-31 CN CN201880034069.2A patent/CN110663043B/zh active Active
- 2018-05-31 WO PCT/SE2018/050551 patent/WO2018231122A1/en unknown
- 2018-05-31 EP EP18816833.0A patent/EP3639197B1/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1020811A2 (en) * | 1999-01-15 | 2000-07-19 | Citicorp Development Center, Inc. | Fast matching systems and methods for personal identification |
Non-Patent Citations (1)
Title |
---|
张金萍 ; 刘杰 ; 李允公 ; 倪洪启 ; .一种基于PCA的工件图像匹配方法的研究.东北大学学报(自然科学版).2008,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
EP3639197A4 (en) | 2021-02-24 |
WO2018231122A1 (en) | 2018-12-20 |
US20200151419A1 (en) | 2020-05-14 |
EP3639197B1 (en) | 2024-01-24 |
CN110663043A (zh) | 2020-01-07 |
SE1750762A1 (en) | 2018-12-16 |
EP3639197A1 (en) | 2020-04-22 |
US11216639B2 (en) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10607055B2 (en) | Method for authenticating a finger of a user of an electronic device | |
Lumini et al. | Overview of the combination of biometric matchers | |
US9087228B2 (en) | Method and apparatus for authenticating biometric scanners | |
US8498454B2 (en) | Optimal subspaces for face recognition | |
TWI607386B (zh) | 指紋辨識方法及其裝置 | |
CN110945520B (zh) | 生物体认证系统 | |
US11062120B2 (en) | High speed reference point independent database filtering for fingerprint identification | |
JP6798798B2 (ja) | ユーザ認証のためのデータを更新する方法及び装置 | |
WO2004079658A1 (ja) | 生体画像照合装置およびその照合方法 | |
US20080273767A1 (en) | Iterative print matching method and system | |
US10872255B2 (en) | Method of processing biometric image and apparatus including the same | |
JP2019101927A (ja) | 学習システム及び画像検索システム | |
CN110663043B (zh) | 生物度量对象的模板匹配 | |
Lin et al. | Optical sensor measurement and biometric-based fractal pattern classifier for fingerprint recognition | |
Oblak et al. | Fingermark quality assessment framework with classic and deep learning ensemble models | |
JP2018185730A (ja) | 照合装置、照合方法および照合プログラム | |
JP7315884B2 (ja) | 認証方法、認証プログラム、および情報処理装置 | |
Virdaus et al. | Fingerprint verification with crossing number extraction and orientation-based matching | |
Chen et al. | Fingerprint Quality Assessment based on Texture and Geometric Features. | |
Sharma et al. | Fingerprint image quality assessment and scoring using minutiae centered local patches | |
Štruc et al. | A comparison of feature normalization techniques for PCA-based palmprint recognition | |
WO2022185486A1 (ja) | 認証方法、認証プログラム、および情報処理装置 | |
US11868443B1 (en) | System for training neural network using ordered classes | |
US10534952B1 (en) | Absolute identification | |
Revathy et al. | Face and IRIS recognition in a video sequence using DBPNN and adaptive Hamming Distance. |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211203 Address after: Gothenburg Applicant after: Fingerprint kaana Kadun Intellectual Property Co.,Ltd. Address before: Gothenburg Applicant before: FINGERPRINT CARDS AB |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |