CN111201537B - 在指纹分析中通过机器学习来区分活体手指与欺骗手指 - Google Patents

在指纹分析中通过机器学习来区分活体手指与欺骗手指 Download PDF

Info

Publication number
CN111201537B
CN111201537B CN201880065957.0A CN201880065957A CN111201537B CN 111201537 B CN111201537 B CN 111201537B CN 201880065957 A CN201880065957 A CN 201880065957A CN 111201537 B CN111201537 B CN 111201537B
Authority
CN
China
Prior art keywords
finger
time series
image
detection surface
machine learning
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
Application number
CN201880065957.0A
Other languages
English (en)
Other versions
CN111201537A (zh
Inventor
肯尼斯·琼森
阿拉·哈拉瓦尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fingerprint Kaana Kadun Intellectual Property Co ltd
Original Assignee
Fingerprint Kaana Kadun Intellectual Property Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fingerprint Kaana Kadun Intellectual Property Co ltd filed Critical Fingerprint Kaana Kadun Intellectual Property Co ltd
Publication of CN111201537A publication Critical patent/CN111201537A/zh
Application granted granted Critical
Publication of CN111201537B publication Critical patent/CN111201537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Input (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开内容涉及在指纹分析系统中执行的利于区分活体手指与欺骗手指的方法。该方法包括：当手指与指纹传感器(3)的检测表面(21)接合时获取图像的多个时间序列，时间序列中的每一个显示相应的手指(5)。时间序列中的每一个至少包括显示手指的指纹形貌的第一图像和最后图像，其中，时间序列的一些时间序列中的相应的手指已知为活体手指，并且时间序列的另外一些时间序列中的相应的手指已知为欺骗手指。该方法还包括在多个时间序列上训练机器学习算法，以产生用于区分活体手指与欺骗手指的机器学习算法的模型。

Description

在指纹分析中通过机器学习来区分活体手指与欺骗手指
技术领域
本公开内容涉及用于通过对与指纹传感器的检测表面接合的手指的图像时间序列进行分析来区分活体手指与欺骗手指的方法和装置。
背景技术
各种类型的生物计量系统被越来越多地使用，以提供提高的安全性和/或增强的用户便利性。
特别地，指纹感测系统由于其小形状因数、高性能和用户接受度已经被采用于例如消费者电子装置中。
需要活性检测/反欺骗/表示攻击检测，以保护生物计量系统免受利用欺骗的身体部位例如欺骗指纹的攻击。
存在许多解决这种应用于指纹识别的问题的方法，例如寻找材料属性的基于硬件的方法、通过血氧定量法的脉冲检测、寻找所获得的指纹图像中的伪造的伪像欺骗并查看精细尺度的纹理的基于软件的方法。
描述了多种基于图像的软件方法，所述基于图像的软件方法明确地查看引入图像帧之间的差异的出汗效果。但并非所有手指都表现出所需的出汗量，尤其是在冬季条件下。参见例如IJITKM Special Issue(ICFTEM-2014)May 2014，pp.61-69(ISSN 0973-4414)，Tanisha Aggarwal等人的“FakeFingerprint Detection Methods”。
还存在皮肤弹性方法，所述皮肤弹性方法要求用户在传感器捕获图像序列的同时扭动手指。参见例如IEEE Transactions on Information Forensics and Security，vol.1,no.3，September 2006，Athos Antonelli等人的“Fake Finger Detection by SkinDistortion Analysis”。
US 7,133,541公开了一种区分活体手指与模仿手指的方法。该方法包括：当手指正在被放置在指纹传感器上时获得图像的序列，并且分析序列图像之间的变化以确定手指是否为活体。
制作精良的欺骗相对于低呈现的伪像能够达到非常高的质量。
由于较新的几代电容式传感器较小并且由于厚的涂层而具有低的空间分辨率，因此存在于每个图像中的伪像的数目低，并且不存在精细尺度纹理。因此，可用的软件活性方法受到了挑战。
发明内容
本公开内容的目的是提供针对指纹传感器的改进的活性检测，该改进的活性检测可以独立于伪像检测或高空间分辨率。
根据本公开内容的一个方面，提供了一种在指纹分析系统中执行的利于区分活体手指与欺骗手指的方法。该方法包括：当在手指正在接近并且压靠检测表面的时段期间手指与指纹传感器的检测表面接合时获取图像的多个时间序列，所述时间序列中的每一个显示相应的手指。时间序列中的每一个至少包括显示手指的指纹形貌的第一图像和最后图像，其中时间序列的一些时间序列中的相应的手指已知为活体手指，并且时间序列的另外一些时间序列中的相应的手指已知为欺骗手指。该方法还涉及在多个时间序列上训练机器学习算法，以产生用于区分活体手指与欺骗手指的机器学习算法的模型。
根据本公开内容的另一方面，提供了一种在电子装置中执行的与由电子装置借助于指纹传感器执行的认证操作相关联地区分活体手指与欺骗手指的方法，该电子装置包括指纹分析系统的指纹传感器，。该方法包括：当在手指正在接近并且正在压靠检测表面的时段期间手指与指纹传感器的检测表面接合时获取手指的图像的时间序列，其中时间序列至少包括时间序列的显示手指的指纹形貌的第一图像和最后图像。该方法还包括将机器学习算法的模型应用于时间序列。该方法还包括基于所应用的模型的结果，确定手指是活体手指还是欺骗手指。在一些实施方式中，机器学习算法的模型可以是通过训练本发明的先前方法方面的机器学习算法而产生的模型。
根据本发明的另一方面，提供了计算机程序产品，该计算机程序产品包括计算机可执行部件，该计算机可执行部件用于当计算机可执行部件在包括在指纹分析系统中的处理电路上运行时使指纹分析系统执行本公开内容的方法的实施方式。
根据本公开内容的另一方面，提供了一种指纹分析系统，其包括：处理电路；以及数据存储装置，其存储可由所述处理电路执行的指令，由此该指纹分析系统进行操作以：当在手指正在接近并且正在压靠检测表面的时段期间手指与指纹传感器的检测表面接合时获取图像的多个时间序列，所述时间序列中的每一个显示相应的手指，时间序列中的每一个至少包括显示手指的指纹形貌的第一图像和最后图像，其中，时间序列的一些时间序列中的相应的手指已知为活体手指，并且时间序列的另外一些时间序列中的相应的手指已知为欺骗手指。指纹分析系统还进行操作以利用多个时间序列来训练机器学习算法，以产生用于区分活体手指与欺骗手指的机器学习算法的模型。指纹分析系统可以例如被包括在还包括例如提供多个时间序列的数据库的中央服务器装置中，或被包括在包括指纹传感器的电子装置中(如在下面方面中那样)，电子装置例如以用户设备(例如智能电话或膝上型计算机)的形式。
根据本公开内容的另一方面，提供了一种电子装置，其包括：指纹传感器；处理电路；以及数据存储装置，其存储可由所述处理电路执行的指令，由此所述电子装置进行操作以：当在手指正在接近并且压靠检测表面的时段期间手指与指纹传感器的检测表面接合时获取手指的图像的时间序列，其中，时间序列至少包括显示手指的指纹形貌的第一图像和最后图像。电子装置还进行操作以将机器学习算法的模型应用于时间序列。电子装置还进行操作以基于所应用的模型的结果，确定手指是活体手指还是欺骗手指。
根据本发明，机器学习用于区分活体手指与欺骗手指。借助于不同手指的多个图像序列来训练机器学习算法，时间序列中一些已知为活体手指，并且时间序列中一些已知为欺骗手指。因此所获得的模型用于通常与由电子装置执行的用于认证装置的用户的认证操作相关联地但是也可以独立于由电子装置执行的用于认证装置的用户的该认证操作由电子装置来区分活体手指与欺骗手指，该电子装置包括指纹传感器。
要注意的是，各方面中任一方面中的任何特征可以在适当的情况下应用于任何其他方面。同样，各方面中的任一方面的任何优点可以应用于其他方面的任一方面。根据下面的详细公开内容、所附从属权利要求以及附图，所附的实施方式的其他目的、特征和优点将是明显的。
通常，除非在本文中另外明确定义，否则权利要求中所使用的所有术语将根据其在技术领域中的普通含义进行解释。除非另外明确声明，否则对“一(a)/一个(an)/元件、设备、部件、手段、步骤等”的所有引用将被开放地解释为指代元件、设备、部件、手段、步骤等的至少一个实例。除非明确声明，否则本文所公开的任何方法的步骤不必按照所公开的确切顺序执行。针对本公开内容的不同特征/部件使用的“第一”、“第二”等仅旨在将特征/部件与其他类似特征/部件区分开，并且不向该特征/部件赋予任何顺序或层次。
附图说明
将参照附图通过示例的方式来描述实施方式，在附图中：
图1示意性地示出了根据本公开内容的实施方式的包括指纹传感器的电子装置。
图2示意性地示出了根据本公开内容的实施方式的与指纹传感器的检测表面接合的手指。
图3是根据本公开内容的与外部数据库进行可选通信的指纹分析系统的实施方式的示意性框图。
图4是根据本公开内容的包括指纹传感器的电子装置的实施方式的示意性框图。
图5示意性地示出了根据本公开内容的实施方式的图像的时间序列。
图6a示出了根据本公开内容的实施方式的活体手指的灰度图像的时间序列。
图6b示出了根据本公开内容的实施方式的木胶(WG)欺骗手指的灰度图像的时间序列。
图7是在指纹分析系统中执行的本公开内容的实施方式的示意性流程图。
图8是在电子装置中执行的本公开内容的实施方式的示意性流程图。
图9是图7或图8的流程图的一部分的更细节的示意性流程图。
图10是图7或图8的流程图的一部分的更细节的示意性流程图。
具体实施方式
现在将在下文中参照附图更全面地描述实施方式，在附图中示出了某些实施方式。然而，在本公开内容的范围内，许多不同形式的其他实施方式是可形的。相反，通过示例的方式提供以下实施方式，使得本公开内容将是透彻的和完整的，并且将向本领域技术人员充分传达本公开内容的范围。贯穿说明书，相似的附图标记指代相似的元件。
图1示出了电子装置1，此处以移动电话例如智能电话的形式，该电子装置1包括例如包括触摸功能的显示器2(即，触摸显示器)和指纹传感器3。指纹传感器3包括例如用于输出灰度图像等的指纹传感器电路，其中图像中的不同强度指示指纹传感器3的检测表面与放置在其上的手指5之间的接触，例如作为指纹认证或使用指纹传感器导航的一部分。
指纹传感器3可以根据任何感测技术进行操作。例如，指纹传感器可以是电容传感器、光学传感器或超声传感器。在本文中，对于一些应用可能是优选的电容指纹传感器被作为示例讨论。指纹传感器可以包括指纹感测元件的二维阵列，每个指纹感测元件对应于由指纹传感器输出的图像的像素，像素例如由灰度值表示。如图1所示，指纹传感器可以位于显示器2的一侧处，在显示器的显示区域之外，或者指纹传感器可以位于所述显示区域内。例如，所输出的图像可以是例如灰度值的二维或一维像素阵列的形式。每个图像像素可以提供图像强度，其可以具有灰度值或其他值。例如，对于电容指纹传感器，高像素强度(例如，灰度为白色)意味着低电容耦合并且因此意味着在检测表面与指纹形貌之间的大的感测距离。因为手指没有覆盖检测表面的对应于像素的感测元件所在的部分，因此可能导致高像素强度。相反，低像素强度(例如，灰度为黑色)意味着高电容耦合并且因此意味着在检测表面与指纹形貌之间的小的感测距离。因为对应的感测元件定位在指纹形貌的脊处，因此可能导致高像素强度。中间像素强度可以指示感测元件被手指拓扑覆盖但是位于指纹形貌的谷处。
图2示出了与指纹传感器3的检测表面21的检测区域22接合的手指5。检测区域22可以对应于通过由指纹传感器产生的图像时间序列成像的区域，并且可以构成检测区域21的全部或一部分。指纹传感器3可以例如被配置成使得当指示在检测表面21处存在物体(例如手指)的条件已经满足时，触发图像的时间序列的获取。该条件可以例如是检测表面的阈值数目的子区域指示物体的存在。当触发图像时间序列的获取时，手指因此已经与检测表面21接合，但是不一定在整个检测区域22上仍与检测表面接触。因此，图像的时间序列可以在手指正在接近并正在压靠检测表面的时间期间显示手指。可替选地，可以在手指与检测表面接合期间(包括手指正在离开检测表面时)的稍后的时间间隔内例如当手指与检测表面接合时由手指的运动触发而获取图像的时间序列。
触发图像的时间序列的获取意味着在所述触发时借助于指纹传感器以及可能与所述指纹传感器相关联的硬件来产生并存储时间序列的第一图像。
图3示出了指纹分析系统30的实施方式。指纹分析系统包括处理电路31例如中央处理单元(CPU)。处理电路31可以包括微处理器形式的一个或多个处理单元。然而，在处理电路31中可以包括具有计算能力的其他合适的装置，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)或复杂可编程逻辑装置(CPLD)。处理电路31被配置成运行存储在一个或数个存储单元例如存储器的存储装置34中的一个或数个计算机程序或软件(SW)35。存储单元可以被视为如在本文中所讨论的计算机可读装置，并且可以例如是随机存取存储器(RAM)、闪速存储器或其他固态存储器或硬盘或者是其的组合的形式。另外，任何移动或外部数据存储装置，例如磁盘、记忆棒或服务器，都可以被视为这样的计算机程序产品。处理电路31还可以被配置成根据需要将数据存储在存储装置34中。
处理电路31可以在运行SW 35时包括用于执行与本公开内容的实施方式的方法步骤对应的操作的模块。例如，处理电路31可以包括指纹图像获取电路33，该指纹图像获取电路33例如连接至可选地包括在指纹分析系统中的指纹传感器3，或者连接至用于从指纹分析系统的外部例如从数据库36获取图像序列的通信接口。此外，根据本公开内容的实施方式，处理电路31可以包括用于处理所获取的图像序列的图像处理电路32。
因此(另参见图5)，指纹分析系统30的实施方式包括处理电路31和存储指令35的数据存储装置34，所述指令35可由所述处理电路执行，由此所述指纹分析系统进行操作以获取图像I1..In的多个时间序列50，当手指5与指纹传感器3的检测表面21接合时，时间序列的每一个显示相应的手指5，时间序列的每一个至少包括显示手指的指纹形貌的第一图像I1和最后图像In，其中时间序列的一些时间序列中的相应的手指已知为活体手指，并且时间序列的另外一些时间序列中的相应的手指已知为欺骗手指；以及利用多个时间序列来训练机器学习算法，以生成用于区分活体手指与欺骗手指的机器学习算法的模型。
在一些实施方式中，指纹分析系统30包括指纹传感器3，并且借助于所述指纹传感器来获取多个时间序列50。在这种情况下，用于训练机器学习算法的指纹分析系统可以被包括如本文所讨论的电子装置1中。
在其他一些实施方式中，从数据库36获取多个时间序列50。在这种情况下，用于训练机器学习算法的指纹分析系统可以例如被包括在与如本文中所讨论的任何电子装置1分开的中央服务器装置中。
作为另一替选方式，从相应的电子装置1与在其上执行的认证操作相关联地实时地获取多个时间序列50。因此，可以借助于来自多个电子装置1的时间序列50来实时地训练机器学习算法，指纹分析系统与所述多个电子装置1例如使用从训练机器学习算法而获得的模型的电子装置进行通信，由此模型被越多地使用，模型就会被越精细地调整。同样在这种情况下，用于训练机器学习算法的指纹分析系统可以例如被包括在与如本文中所讨论的电子装置1分开的中央服务器装置中。
参照图4的框图，图1中的电子装置1包括显示器2和指纹分析系统30，如参照图3所讨论的，指纹分析系统30包括指纹传感器3以及指纹图像获取电路33、图像处理电路32和诸如存储器形式的数据存储装置34，该数据存储装置34可以在电子装置的不同部件之间进行共享。
因此，本发明的实施方式的电子装置包括：指纹传感器3；处理电路31；以及数据存储装置34，其存储可由所述处理电路执行的指令35，由此所述电子装置进行操作以当手指5与指纹传感器的检测表面21接合时获取手指5的图像I1..In的时间序列50，其中时间序列至少包括显示手指的指纹形貌的第一图像I1和最后图像In。电子装置还进行操作以将机器学习算法的模型应用于时间序列。电子装置还进行操作以基于所应用的模型的结果来确定手指是活体手指还是欺骗手指。
通常，机器学习模型是由在如本文中所讨论的指纹分析系统30中训练机器学习算法而产生的模型。模型通常在已经在外部服务器装置中的指纹分析系统30中进行准备之后可以例如被预编程在电子装置中。可替选地，模型可以是在被包括在电子装置1中的指纹分析系统30中对机器学习算法进行本地训练的结果。
电子装置1还可以包括装置控制单元41，该装置控制单元41被配置成控制电子装置1并被配置成与指纹分析系统30进行交互。电子装置还可以包括用于向电子装置1的各个部件提供电能的电池(未示出)。尽管在图4中未示出，但是根据应用电子装置可以包括其他部件。例如，电子装置1可以包括用于无线通信的电路、用于语音通信的电路、键盘等。
电子装置1可以是任何移动式或固定式电子装置或用户设备(UE)，例如使之能够通过通信网络中的无线电信道进行通信，例如但不限于例如移动电话、平板计算机、膝上型计算机或台式计算机。
因此，电子装置1可以包括本文中所讨论的指纹分析系统30的实施方式，以及被配置成与指纹分析系统进行交互的装置控制单元41。
在一些实施方式中，指纹传感器3是电容指纹传感器、超声指纹传感器或光学指纹传感器，例如电容指纹传感器。
在一些实施方式中，指纹传感器3由玻璃层例如借助于例如保护感测元件并提供指纹传感器的检测表面21的盖玻璃或玻璃涂层覆盖。
在一些实施方式中，装置控制单元41被配置成与指纹分析系统30进行交互，使得通过指纹分析系统确定手指5是活体手指被检测为用于基于装置控制单元的所述确定通常结合认证操作而授权访问电子装置1的功能(例如，数据)的命令。因此，电子装置的人类用户可以通过电子装置确定与检测表面21接合的手指是活体并认证其属于该电子装置的正确用户而例如打开电子装置或者以其他方式核实他/她与电子装置的身份。认证可以独立于活体确定S13在所述活体检测之前或之后或与所述活体检测同时执行。
当手指5与指纹传感器3的检测表面21接合时，指纹传感器被激活以借助于指纹图像获取电路33来获取图像I1至In(在本文中也表示为I1..In)的时间序列50，如图5所示。这样的时间序列50可以至少包括在第一时间点t1处拍摄的第一图像I1和在时域中的在第一时间点t1之后的最后时间点tn处拍摄的最后图像In。除了第一图像和最后图像之外，时间序列可以包括任意数目的图像I。例如，时间序列包括例如以每秒至少20个图像或以每秒至少50个图像的速率所获得的至少3个、至少5个或至少10个图像I。时间序列50不一定包含当手指与检测表面接合时所获得的所有图像，但是可以包括通常依次地所获得的图像的子组。
典型的欺骗手指(尤其是那些由潜伏指纹(latent print)制成的欺骗手指)与活体手指相比通常非常平坦，并且由比活体指尖较不易成形的材料制成。这种平坦度导致在手指/欺骗例如正在接近检测表面21时所捕获的图像序列50的差异。通常，活体手指的柔软而圆形的指尖几乎立即容易地将检测区域22填满，而欺骗摆动并花费较多时间以在整个检测区域上施加均匀的压力。这分别由图6a和图6b的两个图像时间序列50示出。
图6a示出了图像序列50，该图像序列50包括当活体手指5正在被放置在检测表面21上时活体手指5的时间序列的五个图像I1至I5。可以看出，手指几乎立即将整个检测区域22(对应于图像I的区域)填满，并且在整个检测区域上施加均匀的压力。
相反，图6b示出了图像序列50，该图像序列50包括当欺骗手指正在被放置在检测表面21上时欺骗手指的时间顺序的五个图像I1至I5。可以看出，由于较不易成形的材料引起的摆动，因此在欺骗手指覆盖整个检测区域22并在其上施加均匀的压力之前需要较长的时间，在这种情况下，在第五图像I5的时间t5处。
在所获得的灰度图像I中，活体手指或欺骗手指的指纹形貌的脊表现为黑色或深灰色，从而指示与检测表面21直接接触。相反，指纹形貌的谷在颜色上为浅灰色，从而仍覆盖检测区域22但不与检测表面21直接接触。较大的白色区域指示(欺骗)手指(尚)未覆盖检测区域22的该部分。
图6a和图6b中所示的活体手指与欺骗手指之间的这种行为的差异是根据本公开内容使用机器学习来定义和区分活体手指与欺骗手指。
图7是示出了用于训练在指纹分析系统30中执行的机器学习算法的方法以利于区分活体手指与欺骗手指的实施方式的流程图。该方法包括获取S1图像I1..In的多个时间序列50。当手指5与指纹传感器3的检测表面21接合时，时间序列中的每一个显示相应的手指5。时间序列中的每一个至少包括显示手指5的指纹形貌的第一图像I1和最后图像In。时间序列50中的一些的相应的手指已知为活体手指，并且时间序列中的另外一些的相应的手指已知为欺骗手指。该方法还包括在多个时间序列50上训练S2机器学习算法，以产生用于区分活体手指与欺骗手指的机器学习算法的模型。
图8是示出了用于在电子装置1中使用机器学习模型的方法的实施方式的流程图。该电子装置包括用于通常与由电子装置借助于指纹传感器执行的认证操作相关联地区分活体手指与欺骗手指的装置内部指纹分析系统30的指纹传感器3。该方法包括当手指5与指纹传感器的检测表面21接合时获取S11手指5的图像I1..In的时间序列50。时间序列至少包括显示手指的指纹形貌的时间序列的第一图像I1和最后图像In。该方法还包括将机器学习算法的模型应用S12于时间序列。该方法还包括基于所应用的模型的结果确定S13手指5是活体手指还是欺骗手指，即，将手指分类为活体手指或欺骗手指。因此，该方法涉及使用通过机器学习而获得的模型来执行时间序列的手指的分类。
机器学习算法可以是任何合适的机器学习算法，例如支持向量机(SVM)算法或诸如深度学习算法的神经网络算法或多层感知(MLP)算法。在本文中，在一些实施方式中优选的SVM算法被用作示例。机器学习算法可以应用于从图像I提取的特征或使用从图像I提取的特征。这些特征可以例如是原始强度值(例如灰度值)或强度值的一些经处理的表示。例如，强度值或其表示可以布置在一维(1D)向量中，并经过主成分分析(PCA)以降维。
以下是特征提取和机器学习算法的两个示例，特征提取和机器学习算法可以在训练S2算法时和在应用S12机器学习算法的模型包括图像分析时使用。所述示例使用SVM，但是可以替代使用例如如上面所例示的任何其他类型的机器学习。在本文中，所述示例分别被称为子空间核分类器(SKC)和边缘稳定性分类器(ESC)。
子空间核分类器(SKC)
SKC的一般思想是从图像序列50累积原始像素信息，将该信息投影至较低维度的子空间中，并应用机器学习技术将样本分类为活体或欺骗。
参照图9，机器学习算法包括：针对每个时间序列50，根据图像I1..In的时间序列50形成S21的像素信息的一维向量(在本文中被称为图像向量)。然后与比原始2D像素数据相比，可以更容易地分析该1D向量。然后可以例如通过将特征(向量元素)中的每一个缩放至区间[-1，1]来使1D图像向量归一化S22。可以从算法的训练中获得缩放因数。其他归一化方案例如归一化为零均值和单位方差也是可行的。
然后，可以将PCA应用S23于1D图像向量，以降维，在这之后，可以将SVM:s应用S24于具有降维的1D图像向量。通常，在PCA步骤之前应用归一化步骤S22，但是不一定如此。可以从算法的训练中以与机器学习模型相似的方式获得PCA模型，由此可以基于统计数据学习如何减少数据。在PCA和应用SVM之间，可以应用特征选择算法以进一步降低维度，但在这种情况下以将训练或分类的重点放在与区分相关的最相关特征上。
用于分类的更具体的算法(应用S12模型)可以例如如下面所陈述的。
1.输入：图像I的序列50(固定长度序列)。如果短于所需的长度，则将通过复制最后图像In、子空间模型、归一化参数以及机器学习模型来扩展序列。
2.步骤1：通过将序列中的2D图像I中的每一个转换成1D向量并串联序列上的向量来形成S21，1D向量。
3.步骤2：通过将特征(向量元素)中的每一个缩放至区间[-1，1]来使向量归一化S22。
4.步骤3：将主成分分析(PCA)应用S23于序列，以对像素数据进行去相关，并且从而降维。
5.步骤4：将支持向量机(SVM)应用S24于从先前的步骤输出的低维向量，以决定输入样本是否表示活体样本或伪造/欺骗样本。
6.输出：样本为活体的概率(然后通过对该概率进行阈值化来获得确定/分类S13)。
在训练S2的情况下，已经知道样本是否是活体或欺骗，并且输出包括所生成的归一化系数、PCA模型以及SVM模型。
边缘稳定性分类器(ESC)
ESC的基本原理是基于这样的观察，即在活体样本的时间序列50中图像边缘是稳定的(参见例如图6a的序列)，而在欺骗的情况下出现相当大的不稳定性(参见例如图6b的序列)，其中在整个序列中边缘会出现、消失和/或移位。在本文中，当边缘出现在图像I中时，他们通常是脊与谷之间的边界，或者是检测区域22中的被手指5覆盖的部分与检测区域22中的未被手指5覆盖的部分之间的边界，例如如由强度值所表示的明与暗(白色与黑色)之间的边缘。例如，可以使用众所周知的坎尼边缘检测器(Canny edge detector)算法来获得边缘图像。
参照图10，机器学习算法可以包括：针对每个时间序列50的每个图像I，例如借助于坎尼边缘检测器算法(Canny edge detector)检测S31图像的边缘以形成边缘图像。然后，机器学习算法可以包括叠加S32时间序列50的边缘图像以形成每个时间序列的经累积边缘图像。然后可以提取S33表示累积边缘图像的直方图。可以在1D向量中布置S34直方图信息用于进一步分析。在一些实施方式中，类似于上面关于SKC所讨论的，还对直方图向量进行归一化。可以将SVM：s应用S35于所述直方图的向量。
用于分类的更具体的算法(应用S12模型)可以例如如下面所陈述的。
1.从序列50的每个图像I提取像素强度梯度。
2.从序列的每个图像提取S31边缘。
3.在整个序列中(例如，简单地通过彼此添加边缘图像)累积S32边缘。如果序列短于预期的，则重复最后图像In以补偿丢失的图像。
4.将所得到的累积边缘的内容汇总S33为直方图，该直方图示出了在序列中重复出现的边缘点的频率。具有稳定边缘的序列倾向于在较高值的区间(bin)中(最右边)具有直方图峰值，而不稳定边缘序列倾向于在较低值的区间(bin)中(最左侧)是缩合的。
5.可以通过将梯度图像量化为一定数目的级别并在经量化的梯度图像上重复累积步骤和直方图化步骤来获得更丰富的信息。
6.可以通过将累积图像划分为子区域并从每个子区域提取单独的直方图来实现更详细的表示。
7.最终特征向量S34是所得直方图的串联。
8.然后，使用机器学习范例(例如SVM或MLP)S35将所得到的特征向量分类S13为属于活体样本或欺骗样本。
上面主要参照几个实施方式描述了本公开内容。然而，如本领域技术人员容易理解的，除了上面所公开的实施方式以外的其他实施方式同样可以在由所附权利要求书限定的本公开内容的范围内。

Claims (27)

1.一种在指纹分析系统(30)中执行的利于区分活体手指与欺骗手指的方法，所述方法包括：
当在手指正在接近并且正在压靠指纹传感器(3)的检测表面(21)直到所述手指覆盖所述检测表面的整个检测区域的时段期间所述手指与所述检测表面接合时获取(S1)图像(I1..In)的多个时间序列(50)，所述检测区域对应于在所述时间序列中成像的区域，所述时间序列中的每一个显示相应的手指(5)，所述时间序列中的每一个至少包括显示所述手指的指纹形貌的第一图像(I1)和最后图像(In)，其中，所述时间序列的一些时间序列中的所述相应的手指已知为活体手指，并且所述时间序列的另外一些时间序列中的所述相应的手指已知为欺骗手指；以及
在所述多个时间序列上训练(S2)机器学习算法，以产生用于区分活体手指与欺骗手指的所述机器学习算法的模型；
其中，针对所述时间序列中的每一个，当所述相应的手指与所述检测表面接合但是尚未在所述检测表面的整个检测区域上与所述检测表面接触时，已经触发所述时间序列的获取(S1)。
2.根据权利要求1所述的方法，其中，所述指纹分析系统(30)包括指纹传感器(3)，并且其中，借助于所述指纹传感器来获取(S1)所述多个时间序列(50)。
3.根据权利要求1所述的方法，其中，从数据库(36)获取(S1)所述多个时间序列(50)。
4.根据权利要求1所述的方法，其中，与在相应的电子装置(1)上执行的认证操作相关联地从所述相应的电子装置(1)实时地获取(S1)所述多个时间序列(50)。
5.根据权利要求1至4中的任一项所述的方法，其中，所述时间序列(50)中的每一个已经以每秒至少20个图像的速率被获得。
6.根据权利要求1至4中任一项所述的方法，其中，所述机器学习算法包括：针对每个时间序列中的每个图像，检测(S31)所述图像的边缘，以形成边缘图像。
7.根据权利要求6所述的方法，其中，借助于坎尼边缘检测器算法检测所述图像的边缘。
8.根据权利要求6所述的方法，其中，所述机器学习算法还包括：叠加(S32)所述时间序列的所述边缘图像，以形成每个时间序列的累积边缘图像。
9.根据权利要求8所述的方法，其中，所述机器学习算法还包括：提取(S33)表示所述累积边缘图像的直方图。
10.根据权利要求9所述的方法，其中，将SVM:s应用(S35)于所述直方图的向量。
11.一种在电子装置(1)中执行的用于与由所述电子装置借助于指纹传感器(3)执行的认证操作相关联地区分活体手指与欺骗手指的方法，所述电子装置(1)包括指纹分析系统(30)的所述指纹传感器，所述方法包括：
当在手指正在接近并且正在压靠所述指纹传感器的检测表面(21)直到所述手指覆盖所述检测表面的整个检测区域的时段期间所述手指与所述检测表面接合时获取(S11)所述手指(5)的图像(I1..In)的时间序列(50)，所述检测区域对应于在所述时间序列中成像的区域，其中，所述时间序列至少包括所述时间序列的显示所述手指的指纹形貌的第一图像(I1)和最后图像(In)；
将机器学习算法的模型应用(S12)于所述时间序列；以及
基于所应用的模型的结果，确定(S13)所述手指是活体手指还是欺骗手指；
其中，当所述手指正在与所述检测表面接合但是尚未在所述检测表面的整个检测区域上与所述检测表面接触时，触发所述获取(S11)。
12.根据权利要求11所述的方法，其中，所述确定(S13)包括确定所述手指(5)是活体手指，从而所述方法还包括：
基于所述确定(S13)，授权(S14)访问所述装置(1)的功能。
13.根据权利要求11或12所述的方法，其中，所述模型被预编程在所述电子装置(1)中。
14.根据权利要求11或12所述的方法，其中，所述时间序列(50)以每秒至少20个图像的速率被获得。
15.根据权利要求11或12所述的方法，其中，所述机器学习算法是支持向量机SVM算法或例如深度学习算法的神经网络算法或多层感知MLP算法。
16.根据权利要求11或12所述的方法，其中，所述机器学习算法包括：针对每个时间序列(50)，根据所述图像(I1..In)的时间序列形成(S21)像素信息的一维向量。
17.根据权利要求16所述的方法，其中，将主成分分析PCA应用(S23)于所述一维向量，以对其进行降维。
18.根据权利要求17所述的方法，其中，将SVM:s应用(S24)于被降维的所述一维向量。
19.根据权利要求11或12所述的方法，其中，所述机器学习算法包括：针对每个时间序列中的每个图像，检测(S31)所述图像的边缘，以形成边缘图像。
20.根据权利要求19所述的方法，其中，借助于坎尼边缘检测器算法检测所述图像的边缘。
21.根据权利要求19所述的方法，其中，所述机器学习算法还包括：叠加(S32)所述时间序列的所述边缘图像，以形成每个时间序列的累积边缘图像。
22.根据权利要求21所述的方法，其中，所述机器学习算法还包括：提取(S33)表示所述累积边缘图像的直方图。
23.根据权利要求22所述的方法，其中，将SVM:s应用(S35)于所述直方图的向量。
24.一种存储有计算机程序的存储装置，当所述计算机程序在指纹分析系统(30)中包括的处理电路(31)上运行时所述计算机程序使所述指纹分析系统执行权利要求1至23中的任一项所述的方法。
25.一种指纹分析系统(30)，包括：
处理电路(31)；以及
数据存储装置(34)，其存储可由所述处理电路执行的指令(35)，从而所述指纹分析系统进行操作以：
当在手指正在接近并且正在压靠指纹传感器(3)的检测表面(21)直到所述手指覆盖所述检测表面的整个检测区域的时段期间所述手指与所述检测表面接合时获取图像(I1..In)的多个时间序列(50)，所述检测区域对应于在所述时间序列中成像的区域，所述时间序列中的每一个显示相应的手指(5)，所述时间序列中的每一个至少包括显示所述手指的指纹形貌的第一图像(I1)和最后图像(In)，其中，所述时间序列的一些时间序列中的所述相应的手指已知为活体手指，并且所述时间序列的另外一些时间序列中的所述相应的手指已知为欺骗手指；以及
利用所述多个时间序列来训练机器学习算法，以产生用于区分活体手指与欺骗手指的所述机器学习算法的模型；
其中，针对所述时间序列中的每一个，当所述相应的手指与所述检测表面接合但是尚未在所述检测表面的整个检测区域上与所述检测表面接触时，已经触发所述时间序列的获取。
26.根据权利要求25所述的指纹分析系统，还包括指纹传感器(3)。
27.一种电子装置(1)，包括：
指纹传感器(3)；
处理电路(31)；以及
数据存储装置(34)，其存储可由所述处理电路执行的指令(35)，由此所述电子装置进行操作以：
当在手指正在接近并且正在压靠所述指纹传感器的检测表面(21)直到所述手指覆盖所述检测表面的整个检测区域的时段期间所述手指与所述检测表面接合时获取所述手指(5)的图像(I1..In)的时间序列(50)，所述检测区域对应于在所述时间序列中成像的区域，其中，所述时间序列至少包括显示所述手指的指纹形貌的第一图像(I1)和最后图像(In)；
将机器学习算法的模型应用于所述时间序列；以及
基于所应用的模型的结果，确定所述手指是活体手指还是欺骗手指；
其中，当所述手指与所述检测表面接合但是尚未在所述检测表面的整个检测区域上与所述检测表面接触时，触发所述获取(S11)。
CN201880065957.0A 2017-10-18 2018-10-05 在指纹分析中通过机器学习来区分活体手指与欺骗手指 Active CN111201537B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SE1751291 2017-10-18
SE1751291-4 2017-10-18
PCT/SE2018/051023 WO2019078769A1 (en) 2017-10-18 2018-10-05 DIFFERENTIATION BETWEEN REAL FINGERS AND FALSE FINGERS IN A DIGITAL FOOTPRINT ANALYSIS BY AUTOMATIC APPRENTICESHIP

Publications (2)

Publication Number Publication Date
CN111201537A CN111201537A (zh) 2020-05-26
CN111201537B true CN111201537B (zh) 2023-11-17

Family

ID=66173785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880065957.0A Active CN111201537B (zh) 2017-10-18 2018-10-05 在指纹分析中通过机器学习来区分活体手指与欺骗手指

Country Status (4)

Country Link
US (1) US11580775B2 (zh)
EP (1) EP3698272B1 (zh)
CN (1) CN111201537B (zh)
WO (1) WO2019078769A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580775B2 (en) * 2017-10-18 2023-02-14 Fingerprint Cards Anacatum Ip Ab Differentiating between live and spoof fingers in fingerprint analysis by machine learning
CN112241657A (zh) * 2019-07-17 2021-01-19 华为技术有限公司 一种指纹防伪方法和电子设备
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置
US11315358B1 (en) * 2019-12-27 2022-04-26 Idemia Identity & Security USA LLC Method and system for detection of altered fingerprints
CN111507262B (zh) * 2020-04-17 2023-12-08 北京百度网讯科技有限公司 用于检测活体的方法和装置
US11727711B2 (en) * 2020-07-03 2023-08-15 Fingerprint Cards Anacatum Ip Ab Fingerprint sensing system and method using thresholding
KR20220008035A (ko) 2020-07-13 2022-01-20 삼성전자주식회사 위조 지문 검출 방법 및 장치
US20220318354A1 (en) * 2021-03-31 2022-10-06 Samsung Electronics Co., Ltd. Anti-spoofing method and apparatus
JP2023086580A (ja) * 2021-12-10 2023-06-22 株式会社ジャパンディスプレイ 検出装置
WO2023152821A1 (ja) * 2022-02-09 2023-08-17 日本電気株式会社 検出装置、検出方法、及び、記録媒体

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007009016A2 (en) * 2005-07-12 2007-01-18 Atrua Technologies, Inc. System for and method of securing fingerprint biometric systems against fake-finger spoofing
JP2007244772A (ja) * 2006-03-17 2007-09-27 Fujitsu Ltd 偽造指紋判別機能を備えた指紋像入力装置、および生体検知プログラム
CN101226589A (zh) * 2007-01-18 2008-07-23 中国科学院自动化研究所 基于薄板样条形变模型的活体指纹检测方法
CN103942540A (zh) * 2014-04-10 2014-07-23 杭州景联文科技有限公司 基于曲波纹理分析和svm-knn分类的假指纹检测算法
US9361507B1 (en) * 2015-02-06 2016-06-07 Hoyos Labs Ip Ltd. Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
CN105981049A (zh) * 2014-02-25 2016-09-28 Hid环球公司 生物阻抗欺骗检测
CN106537297A (zh) * 2015-06-04 2017-03-22 指纹卡有限公司 自适应的基于指纹的导航
CN107111745A (zh) * 2014-11-13 2017-08-29 英特尔公司 图像生物特征识别中的欺骗检测

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001024700A1 (en) * 1999-10-07 2001-04-12 Veridicom, Inc. Spoof detection for biometric sensing systems
DE10009539A1 (de) 2000-02-29 2001-09-20 Infineon Technologies Ag Verfahren zur Analyse von Fingerabdruckbildern
US7587064B2 (en) * 2004-02-03 2009-09-08 Hrl Laboratories, Llc Active learning system for object fingerprinting
US8131026B2 (en) * 2004-04-16 2012-03-06 Validity Sensors, Inc. Method and apparatus for fingerprint image reconstruction
US8787630B2 (en) * 2004-08-11 2014-07-22 Lumidigm, Inc. Multispectral barcode imaging
US8275178B2 (en) * 2008-06-19 2012-09-25 Authentec, Inc. Software based method for finger spoof detection and related devices
US8923576B2 (en) * 2009-09-22 2014-12-30 Thales Method for detecting a fake finger for fingerprint acquisition software
US8942430B2 (en) * 2010-07-19 2015-01-27 The University Of Maryland, College Park Method and apparatus for authenticating area biometric scanners
KR101236040B1 (ko) * 2011-04-06 2013-02-21 조선대학교산학협력단 Ｐｃａ를 이용한 지문인증 장치 및 그 방법
FR2981769B1 (fr) * 2011-10-25 2013-12-27 Morpho Dispositif anti-fraude
TWI473024B (zh) * 2011-12-23 2015-02-11 Nat Inst Chung Shan Science & Technology 活體指紋辨識技術
US10503948B2 (en) 2014-03-06 2019-12-10 Qualcomm Incorporated Multi-spectral ultrasonic imaging
KR102384485B1 (ko) * 2014-08-11 2022-04-12 소니그룹주식회사 정보 처리 장치, 정보 처리 방법, 및 정보 처리 시스템
US9633269B2 (en) * 2014-09-05 2017-04-25 Qualcomm Incorporated Image-based liveness detection for ultrasonic fingerprints
TWI592854B (zh) * 2014-12-18 2017-07-21 指紋卡公司 使用觸控感測器資料的指紋認證
US9424458B1 (en) * 2015-02-06 2016-08-23 Hoyos Labs Ip Ltd. Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
US9491490B1 (en) * 2015-06-12 2016-11-08 Intel Corporation Facilitating environment-based lossy compression of data for efficient rendering of contents at computing devices
US10262188B2 (en) * 2016-02-15 2019-04-16 Qualcomm Incorporated Liveness and spoof detection for ultrasonic fingerprint sensors
WO2017192719A1 (en) * 2016-05-03 2017-11-09 Precise Biometrics Ab User specific classifiers for biometric liveness detection
US11580775B2 (en) * 2017-10-18 2023-02-14 Fingerprint Cards Anacatum Ip Ab Differentiating between live and spoof fingers in fingerprint analysis by machine learning
SE2050174A1 (en) * 2020-02-17 2021-08-18 Fingerprint Cards Ab Fingerprint sensing module

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007009016A2 (en) * 2005-07-12 2007-01-18 Atrua Technologies, Inc. System for and method of securing fingerprint biometric systems against fake-finger spoofing
JP2007244772A (ja) * 2006-03-17 2007-09-27 Fujitsu Ltd 偽造指紋判別機能を備えた指紋像入力装置、および生体検知プログラム
CN101226589A (zh) * 2007-01-18 2008-07-23 中国科学院自动化研究所 基于薄板样条形变模型的活体指纹检测方法
CN105981049A (zh) * 2014-02-25 2016-09-28 Hid环球公司 生物阻抗欺骗检测
CN103942540A (zh) * 2014-04-10 2014-07-23 杭州景联文科技有限公司 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN107111745A (zh) * 2014-11-13 2017-08-29 英特尔公司 图像生物特征识别中的欺骗检测
US9361507B1 (en) * 2015-02-06 2016-06-07 Hoyos Labs Ip Ltd. Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
CN106537297A (zh) * 2015-06-04 2017-03-22 指纹卡有限公司 自适应的基于指纹的导航

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Fingerprint Liveness Detection Based on Fake Finger Characteristics;Gian Luca Marcialis 等;International Journal of Digital Crime and Forensics (IJDCF);1-19 *
The fake fingerprint detection system using a novel color distribution;Young-Hyun Baek;2016 International Conference on Information and Communication Technology Convergence (ICTC);1111-1113 *
基于曲波纹理分析和SVM-KNN分类的假指纹检测算法;张永良;刘超凡;肖刚;方珊珊;;计算机科学(第12期) *
基于韦伯二值感知特征的指纹活性检测;吕锐;夏志华;陈先意;孙星明;;应用科学学报(第05期) *
张永良 等.基于曲波纹理分析和SVM-KNN分类的假指纹检测算法.《计算机科学》.2014,(第12期),303-308. *
生物识别中的活体检测技术综述;陈曦 等;第三十四届中国控制会议;420-427 *

Also Published As

Publication number Publication date
US20210209336A1 (en) 2021-07-08
WO2019078769A1 (en) 2019-04-25
US11580775B2 (en) 2023-02-14
EP3698272A1 (en) 2020-08-26
EP3698272A4 (en) 2020-12-02
EP3698272B1 (en) 2023-11-29
CN111201537A (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN111201537B (zh) 在指纹分析中通过机器学习来区分活体手指与欺骗手指
Gottschlich et al. Fingerprint liveness detection based on histograms of invariant gradients
Syarif et al. Enhanced maximum curvature descriptors for finger vein verification
Raghavendra et al. Novel image fusion scheme based on dependency measure for robust multispectral palmprint recognition
Marasco et al. Combining perspiration-and morphology-based static features for fingerprint liveness detection
Chen et al. Iris recognition based on bidimensional empirical mode decomposition and fractal dimension
Pravallika et al. SVM classification for fake biometric detection using image quality assessment: Application to iris, face and palm print
Min et al. Eyelid and eyelash detection method in the normalized iris image using the parabolic Hough model and Otsu’s thresholding method
Ghiani et al. Experimental results on fingerprint liveness detection
Labati et al. Neural-based quality measurement of fingerprint images in contactless biometric systems
Bhilare et al. A study on vulnerability and presentation attack detection in palmprint verification system
Xia et al. Combining wavelet transform and LBP related features for fingerprint liveness detection
Galbally et al. An introduction to fingerprint presentation attack detection
Maltoni et al. Advances in fingerprint modeling
Zayed et al. A comprehensive survey on finger vein biometric
El-Naggar et al. Which dataset is this iris image from?
Hany et al. Speeded-Up Robust Feature extraction and matching for fingerprint recognition
Galbally et al. Fingerprint anti-spoofing in biometric systems
Bera et al. Spoofing detection on hand images using quality assessment
Bouchemha et al. Multispectral palmprint recognition methodology based on multiscale representation
Marasco et al. Enhancing optical cross-sensor fingerprint matching using local textural features
Dewan et al. Offline Signature Verification Using Neural Network
de Christo et al. Multimodal Biometric System for Identity Verification Based on Hand Geometry and Hand Palm's Veins.
Sehgal Palm recognition using LBP and SVM
Li et al. Fingerprint liveness detection based on binarized statistical image feature with sampling from Gaussian distribution

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
TA01 Transfer of patent application right

Effective date of registration: 20211202

Address after: Gothenburg

Applicant after: Fingerprint kaana Kadun Intellectual Property Co.,Ltd.

Address before: Gothenburg

Applicant before: FINGERPRINT CARDS AB

GR01 Patent grant
GR01 Patent grant