CN113051998A - 生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术 - Google Patents
生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术 Download PDFInfo
- Publication number
- CN113051998A CN113051998A CN202011558162.9A CN202011558162A CN113051998A CN 113051998 A CN113051998 A CN 113051998A CN 202011558162 A CN202011558162 A CN 202011558162A CN 113051998 A CN113051998 A CN 113051998A
- Authority
- CN
- China
- Prior art keywords
- training
- information
- dimensional image
- machine learning
- polarization
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title abstract description 83
- 238000010801 machine learning Methods 0.000 claims abstract description 87
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 132
- 238000004458 analytical method Methods 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 16
- 230000001815 facial effect Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012795 verification Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 14
- 238000013500 data storage Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 239000003550 marker Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- CYJRNFFLTBEQSQ-UHFFFAOYSA-N 8-(3-methyl-1-benzothiophen-5-yl)-N-(4-methylsulfonylpyridin-3-yl)quinoxalin-6-amine Chemical compound CS(=O)(=O)C1=C(C=NC=C1)NC=1C=C2N=CC=NC2=C(C=1)C=1C=CC2=C(C(=CS2)C)C=1 CYJRNFFLTBEQSQ-UHFFFAOYSA-N 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000016339 iris pattern Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- 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
-
- 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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术。一种系统包括:偏振CMOS图像传感器;至少一个处理器;以及非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由所述至少一个处理器执行使得所述系统执行包含从所述偏振CMOS图像传感器接收偏振信息和二维图像信息的动作。所述偏振信息是使用机器学习模型处理的,以产生指示所述偏振信息是否表示对象的物理特征的有效生物标识测量的输出。
Description
技术领域
本发明大体上涉及生物标识技术,并且确切地说但非排他地,涉及用于用户认证的生物标识技术。
背景技术
生物标识测量正越来越多地被用于用户认证。举例来说,面部辨识正越来越多地被用于认证对装置的访问,所述装置包含但不限于智能电话装置。
发明内容
本发明的一个方面涉及一种系统,其包括:偏振CMOS图像传感器;至少一个处理器;以及非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由所述至少一个处理器执行使得所述系统执行包括以下各项的动作:从所述偏振CMOS图像传感器接收偏振信息和二维图像信息;以及使用机器学习模型处理所述偏振信息以产生指示所述偏振信息是否表示对象的物理特征的有效生物标识测量的输出。
本发明的另一方面涉及一种非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由计算系统的一或多个处理器执行使得所述计算系统执行动作以用于训练机器学习模型验证对象的物理特征的生物标识测量,所述动作包括:通过所述计算系统收集训练实例的集合,其中收集每个训练实例包含接收偏振信息、二维图像信息,以及所述对象在所述训练实例中是否是欺骗的指示;以及通过所述计算系统使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量。
本发明的再一方面涉及一种非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由计算系统的一或多个处理器执行使得所述计算系统执行动作以用于训练机器学习模型验证生物标识测量,所述动作包括:通过所述计算系统收集训练实例的集合,其中收集每个训练实例包含接收偏振信息以及所述对象在所述训练实例中是否是欺骗的指示;以及通过所述计算系统使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量是否是欺骗的。
附图说明
参见以下图式描述本发明的非限制性和非穷尽性的实施例,其中除非另外规定,否则贯穿各视图中相同的参考标号指代相同的部分。为了容易地识别对任何特定元素或动作的讨论,参考标号中的最高有效数字是指所述元素首次引入时的附图标号。
图1是说明用于用户认证的面部辨识的使用的第一实例和第二实例的示意图。
图2说明在本发明的各种实施例中通过偏振CMOS图像传感器收集的信息的非限制性实例。
图3是根据本发明的各个方面说明生物标识分析计算装置和模型训练计算装置的非限制性实例实施例的框图。
图4是根据本发明的各个方面说明训练机器学习模型检测欺骗性的生物标识测量的方法的非限制性实例实施例的流程图。
图5是根据本发明的各个方面说明使用机器学习模型来执行防欺骗生物标识评估的方法的非限制性实例实施例的流程图。
图6是根据本发明的各个方面说明训练机器学习模型执行防欺骗生物标识测量的方法的非限制性实例实施例的流程图。
图7是根据本发明的各个方面说明使用机器学习模型来执行防欺骗生物标识测量的方法的非限制性实例实施例的流程图。
图8是说明适合于作为根据本发明的实施例的计算装置使用的计算装置的非限制性实例实施例的框图。
对应的参考标号在图式的若干视图通篇中指示对应的组件。所属领域的技术人员将了解,图中的元件仅为简单和清晰起见而进行说明,且未必按比例绘制。举例来说,图中的一些元件的尺寸可能相对于其它元件放大以有助于改进对本发明的各种实施例的理解。并且,通常未描绘在商业可行的实施例中有用或必需的常见但众所周知的元件,以便促进本发明的这些各种实施例的遮挡较少的视图。
具体实施方式
公开了涉及对象的物理特征的生物标识测量的系统和方法。在以下描述中,阐述了许多特定细节以提供对实施例的透彻理解。然而,相关领域的技术人员将认识到,可在没有一或多个具体细节的情况下或利用其它方法、组件、材料等来实践本文中所描述的技术。在其它情况下,为避免混淆某些方面,未示出或详细地描述众所周知的结构、材料或操作。
在本说明书通篇中参考“一个实例”或“一个实施例”意味着结合实例描述的特定特征、结构或特性包含于本发明的至少一个实例中。因此,在本说明书通篇中在不同位置中出现短语“在一个实例中”或“在一个实施例中”未必都是指同一个实例和实施例。此外,所述特定特征、结构或特性可在一或多个实例和实施例中以任何合适的方式组合。
在本说明书通篇中,使用若干技术术语。除非本文中特别定义,或其使用情境将明显另外表明,否则这些术语将采用其在其所出现的领域中的普通含义。
图1是说明用于用户认证的面部辨识的使用的第一实例和第二实例的示意图。第一实例102示出了简单的情况,其中例如智能电话的装置的106使用传感器来俘获对象104的图像。可随后在图像上执行面部辨识分析以便认证对象104。
传统地,面部辨识系统使用二维图像传感器来获取二维图像,在所述二维图像上将执行面部辨识分析以验证用户的身份,并且三维传感器(飞行时间传感器、立体成像传感器,或有源立体/结构光传感器)用于获取用于反欺骗的信息。也就是说,三维传感器信息用于确保二维图像是真正的面部的,并且不仅仅是用户的照片或其它欺骗性绘图。第二实例110说明其中此类技术将是所期望的情况:替代对象104,恶意用户108将对象104的欺骗性绘图112呈现给装置106的传感器。在传统的面部辨识系统中,如果并未收集三维传感器信息,那么欺骗性绘图112可以能够愚弄装置106。
然而,需要三维传感器信息以用于避免面部辨识数据的欺骗存在缺点。举例来说,使用三维信息用于反欺骗自然地需要在装置106内包含三维传感器。这增加了装置106的复杂度和成本。作为另一实例,当处理三维传感器数据时出现的点云产生使计算成本增大了许多倍。作为又一实例,当例如卷积神经网络(CNN)的机器学习模型用于面部辨识分析时,用于在三维传感器信息上训练CNN的数据量是非常大的。所期望的是用于检测欺骗而不使用三维传感器的技术。
可用于消除三维传感器的技术的一个实例是并入到图像传感器中的偏振传感器的使用。本文中所描述的偏振CMOS图像传感器使传统的图像传感器增强了产生偏振数据的能力,包含与对应的二维图像的像素相关联的线性偏振角(AoLP)信息和线性偏振度(DoLP)信息。
来自物体的表面反射改变了从其中反射的光的偏振。通过检测AoLP信息和DoLP信息,可以提取表面法线的集合,并且可以随后从其中提取表面形状。此表面形状可以随后用于反欺骗处理。此技术优选的使用单独的三维传感器,至少因为不需要单独的传感器,并且还因为通过单个传感器产生二维图像信息和偏振信息消除了当试图对齐通过单独的传感器产生的信息时产生的注册问题。然而,如果偏振信息用于形成对象的三维表示,那么关于计算复杂度的问题持续。所期望的是可以使用由偏振CMOS图像传感器直接产生的偏振信息以提供反欺骗功能性而不必须产生对象的三维表示的技术。
图2说明在本发明的各种实施例中通过偏振CMOS图像传感器收集的信息的非限制性实例。图2中所示的实例说明可以通过本发明的实施例收集和处理的信息的类型以便检测欺骗并且以便执行生物标识测量。
图2的第一列说明通过偏振CMOS图像传感器从真实面部收集的信息,包含真实面部的AoLP信息202、真实面部的DoLP信息204,以及真实面部的二维图像206。如可以看出,真实面部的二维图像206按照某种格式描绘对象,从所述格式中可执行面部辨识分析,并且真实面部的AoLP信息202和真实面部的DoLP信息204虽然未提供对象的面部的完整的三维重新构建,但是确实提供了指示面部结构存在的信息。如所说明,AoLP信息和DoLP信息限于二维图像的矩形内的面部区,在所述面部区中检测到面部。
图2的第二列说明通过偏振CMOS图像传感器从第一欺骗性面部收集的信息,包含第一欺骗性面部的AoLP信息208、第一欺骗性面部的DoLP信息210,以及第一欺骗性面部的二维图像212。第一欺骗性面部是围绕不同的对象的面部弯曲的对象的面部的照片。如可以看出,在第一欺骗性面部的二维图像212中,二维图像本身类似于真实面部的二维图像206呈现,并且可以愚弄单独的使用二维图像的面部辨识分析。然而,第一欺骗性面部的AoLP信息208、第一欺骗性面部的DoLP信息210示出了与真实面部的AoLP信息202和真实面部的DoLP信息204相比的纹理的缺乏,并且指示图像是欺骗性的。
图2的第三列说明通过偏振CMOS传感器从第二欺骗性面部收集的信息,包含第二欺骗性面部的AoLP信息214、第二欺骗性面部的DoLP信息216,以及第二欺骗性面部的二维图像218。第二欺骗性面部是相对于偏振CMOS图像传感器平坦持握的对象的面部的照片。虽然第二欺骗性面部的二维图像218中的二维图像可以是甚至更有可能愚弄面部辨识分析,但是第二欺骗性面部的AoLP信息214和第二欺骗性面部的DoLP信息216明显地示出了纹理信息的缺乏。
图3是根据本发明的各方面说明生物标识分析计算装置和模型训练计算装置的非限制性实例实施例的框图。在一些实施例中,生物标识分析计算装置302用于俘获对象的图像,所述图像包含二维图像信息和偏振信息。此类图像随后由模型训练计算装置304使用以训练至少一个机器学习模型以检测生物标识测量中的欺骗,并且在一些实施例中,以执行生物标识测量。经训练的机器学习模型随后被提供到生物标识分析计算装置302,使得生物标识分析计算装置302可使用它来执行防欺骗生物标识分析。
在一些实施例中,生物标识分析计算装置302和模型训练计算装置304可经由任何合适的通信技术交换图像、训练实例、机器学习模型,和/或任何其它信息,所述通信技术包含:无线通信技术(包含但不限于2G、3G、4G、5G、LTE、Wi-Fi、WiMAX和蓝牙)、有线通信技术(包含但不限于以太网、USB和火线),或媒体调换通信技术(包含但不限于在生物标识分析计算装置302与模型训练计算装置304之间传送可移除计算机可读媒体)。
在一些实施例中,生物标识分析计算装置302是移动计算装置,例如智能电话或平板计算装置。在一些实施例中,包含所说明的组件的任何其它类型的计算装置可被用作生物标识分析计算装置302,所述计算装置包含但不限于膝上型计算装置或桌上型计算装置。在一些实施例中,生物标识分析计算装置302的功能性可以在多个计算装置之间分开。举例来说,例如外部相机装置的装置可提供偏振CMOS图像传感器308,并且例如以通信方式耦合到外部相机装置的桌上型计算装置或服务器计算装置的主机计算装置可提供生物标识分析计算装置302的组件的剩余部分。
如所示出,生物标识分析计算装置302包含至少一个处理器306、偏振CMOS图像传感器308,以及计算机可读媒体310。在一些实施例中,处理器306可包含多个处理核心,使得处理器306能够并行地执行多个任务。在一些实施例中,至少一个处理器306可包含多个处理器,包含针对特定目的调谐的一或多个处理器,包含但不限于处理图形相关任务、处理机器学习相关任务,或处理生物标识分析任务。
在一些实施例中,偏振CMOS图像传感器308包含像素的栅格。在一些实施例中,每个像素包含光电二极管、偏振器和微镜头。光电二极管经配置以俘获传统的二维图像。偏振器布置在四个不同的线栅方向(零度、45度、90度和135度)中的一个上以便在不同的角度上测量偏振。在一些实施例中,可以仅存在这四个度数中的三个。
可以随后如下测量像素的DoLP和AoLP:
S0=强度=Itot
S0=I0°+I90°
S1=I0°-I90°
S2=I45°-/135°
如所示出,计算机可读媒体310包含图像俘获引擎314、模型执行引擎316,以及可选生物标识验证引擎318。在一些实施例中,图像俘获引擎314经配置以使用偏振CMOS图像传感器308以俘获包含二维图像信息和偏振信息的图像。图像俘获引擎314可随后将图像提供到生物标识分析计算装置302或模型训练计算装置304的其它组件以供处理。在一些实施例中,模型执行引擎316经配置以处理图像,所述图像是使用由模型训练计算装置304训练的机器学习模型由图像俘获引擎314俘获的并且被传输到生物标识分析计算装置302。在一些实施例中,一旦机器学习模型用于确定对象是否在图像中被欺骗,则生物标识验证引擎318经配置以在包含在图像中的二维图像信息上执行生物标识验证。生物标识验证引擎318被说明为可选的,这是因为在一些实施例中,机器学习模型可经训练以执行反欺骗和生物标识验证两者。
在一些实施例中,模型训练计算装置304是桌上型计算装置、服务器计算装置、云计算系统的一或多个计算装置,或包含所说明的组件的任何其它合适的类型的计算装置。
如所示出,模型训练计算装置304包含至少一个处理器320和计算机可读媒体310。如同处理器306,处理器320可包含多个核心,和/或可包含针对特定任务优化的多于一个处理器。计算机可读媒体312包含模型数据存储装置322、模型训练引擎324,以及训练实例收集引擎326。在一些实施例中,模型数据存储装置322经配置以存储由模型训练引擎324产生的一或多个机器学习模型。在一些实施例中,模型数据存储装置322也可存储训练实例的集合。在一些实施例中,模型训练引擎324经配置以训练机器学习模型以检测欺骗,和/或以检测欺骗和执行生物标识验证两者。在一些实施例中,训练实例收集引擎326经配置以从生物标识分析计算装置302(或多于一个生物标识分析计算装置302)接收图像以便形成训练实例以供模型训练引擎324使用以训练机器学习模型。
在生物标识分析计算装置302与模型训练计算装置304之间的组件的所说明的分布仅是实例。在一些实施例中,被说明为存在于模型训练计算装置304上的组件中的一些可以替代地存在于生物标识分析计算装置302上,且反之亦然。在一些实施例中,生物标识分析计算装置302和模型训练计算装置304可以组合成单个计算装置。在一些实施例中,生物标识分析计算装置302和模型训练计算装置304中的一或两个的功能性可以是分开的以替代单个计算装置由多个计算装置提供。
如本文中所使用,术语“引擎”是指以硬件或软件指令实施的逻辑,其可以编程语言写入,所述编程语言例如C、C++、COBOL、JAVATM、PHP、Perl、HTML、CSS、JavaScript、VBScript、ASPX、Microsoft.NETTM、Go、Python和/或类似者。引擎可以编译到可执行程序中或写入在经解译的编程语言中。软件引擎可以是从其它引擎或从它们自身可调用的。一般来说,本文中所描述的引擎是指可以与其它引擎合并或可以划分成子引擎的逻辑模块。引擎可以通过逻辑实施,所述逻辑存储在任何类型的计算机可读媒体或计算机存储装置中并且存储在一或多个通用计算机上且由一或多个通用计算机执行,因此形成经配置以提供引擎或其功能性的专用计算机。引擎可以通过逻辑实施,所述逻辑经编程到专用集成电路(ASIC)、现场可编程门阵列(FPGA)或另一硬件装置中。
如本文中所使用,术语“数据存储装置”是指经配置以存储数据以供计算装置访问的任何合适的装置。数据存储装置的一个实例是高度可靠的、高速关系型数据库管理系统(DBMS),所述数据库管理系统在一或多个计算装置上执行并且是在高速网络上可访问的。数据存储装置的另一实例是密钥值存储装置。然而,可以使用响应于查询能够快速地且可靠地提供存储数据的任何其它合适的存储技术和/或装置,并且计算装置可以是替代在网络上本地可访问的,或者可以被提供为基于云的服务。数据存储装置还包含以有组织的方式存储在计算机可读存储媒体上的数据,所述计算机可读存储媒体例如,硬盘驱动器、快闪存储器、RAM、ROM,或任何其它类型的计算机可读存储媒体。所属领域的一般技术人员将认识到本文中所描述的单独的数据存储装置可以组合成单个数据存储装置,和/或本文中所描述的单个数据存储装置可以分成多个数据存储装置,而不脱离本发明的范围。
如本文中所使用,术语“计算机可读媒体”是指实施能够以易失性或非易失性方式存储信息以由计算装置的处理器读取的任何技术的可移除或不可移除装置,所述装置包含但不限于:硬盘驱动器、快闪存储器、固态驱动器、随机存取存储器(RAM)、只读存储器(ROM)、CD-ROM、DVD,或其它磁盘存储装置;盒式磁带、磁带;以及磁盘存储装置。
图4是根据本发明的各个方面说明训练机器学习模型检测欺骗性的生物标识测量的方法的非限制性实例实施例的流程图。图4中所说明的方法400训练机器学习模型使用由偏振CMOS图像传感器308产生的偏振信息检测含有欺骗性的生物标识测量的图像。对于使用机器学习模型的生物标识分析计算装置302,所述机器学习模型是使用此方法400产生的,除了使用机器学习模型执行的欺骗检测之外,单独的技术将用于执行生物标识测量。
从开始块,方法400前进到块402,其中模型训练计算装置304的训练实例收集引擎326从生物标识分析计算装置302接收一或多个有效对象的多个图像,每个图像至少包含偏振信息。“有效对象”是未被欺骗的生物标识测量的对象。举例来说,图像可以是俘获的真实面部、真实指纹、真实掌纹、真实虹膜,或生物标识分析的任何其它目标。在一些实施例中,如上文所论述,偏振信息包含AoLP信息和DoLP信息。在一些实施例中,偏振信息可包含AoLP信息或DoLP信息中的仅一个。在一些实施例中,偏振信息可包含S0、S1和S2信息。在一些实施例中,偏振信息可包含表面法线信息。在一些实施例中,多个图像可以是多个不同的有效对象的。在一些实施例中,多个图像可包含相同的有效对象的多个图像。
在块404处,训练实例收集引擎326在训练实例的集合中存储一或多个有效对象的多个图像。训练实例的集合可存储在模型数据存储装置322或另一数据存储装置中。在一些实施例中,一或多个有效对象的图像可以连同图像是有效的/非欺骗的指示一起存储在训练实例的集合中。在一些实施例中,训练实例收集引擎326可检测图像中的面部的位置(或待测量的其它特征),并且可将所存储的信息限制到面部的位置以便减少处理和存储成本。
在块406处,训练实例收集引擎326从生物标识分析计算装置302接收一或多个欺骗性对象的多个图像,每个图像至少包含偏振信息。偏振信息的类型类似于在块402中收集的偏振信息。当在现实中并不存在有效对象时,“欺骗性对象”是呈现为生物标识测量的有效对象的尝试。欺骗性对象的一个实例是有效对象的照片,所述照片替代有效对象呈现给偏振CMOS图像传感器308,然而也可以使用其它类型的欺骗性对象。如同在块402中收集的有效训练实例,训练实例可以从不同的欺骗性对象收集,和/或多个训练实例可以从相同的欺骗性对象收集。
在块408处,训练实例收集引擎326在训练实例的集合中存储一或多个欺骗性对象的多个图像。同样,一或多个欺骗性对象的图像可以连同图像不是有效的/是欺骗性的指示一起存储在训练实例的集合中。并且,训练实例收集引擎326可检测图像中的面部的位置,并且可将所存储的信息限制到面部的位置以便减少处理和存储成本。
在块410处,模型训练计算装置304的模型训练引擎324使用训练实例的集合训练机器学习模型确定图像是表示有效对象还是欺骗性对象。可以使用任何合适的类型的机器学习模型或模型的类型的组合,包含但不限于支持向量机(SVM)、决策树,或卷积神经网络。此外,任何合适的技术或技术的组合可用于训练机器学习模型,包含但不限于梯度下降和反向传播。到机器学习模型的输入是存储在训练实例中的偏振信息,并且欺骗/有效指示被用作预期的输出值。在一些实施例中,经训练的机器学习模型接受偏振信息作为输入,并且产生指示偏振信息是表示有效对象还是欺骗性对象的输出。在一些实施例中,输出是二进制值。在一些实施例中,输出是置信度值或其它百分比,所述置信度值或其它百分比可随后与置信度阈值相比以便确定偏振信息是表示有效对象还是欺骗性对象。
在块412处,模型训练引擎324在模型训练计算装置304的模型数据存储装置322中存储机器学习模型。在可选块414处,模型训练引擎324将机器学习模型传输到一或多个生物标识分析计算装置302。可选块414被说明为可选的,因为在一些实施例中,生物标识分析计算装置302可使用某一其它技术获取机器学习模型,或者机器学习模型可保持在模型训练计算装置304上以便在模型训练计算装置304上执行分析。
方法400随后前进到结束块并且终止。将注意到所说明的方法400的块的次序仅是实例,并且在一些实施例中,块中的一些可以不同的次序执行或并行地执行。举例来说,在一些实施例中,相对于块402和404描述的动作可在相对于块406和408描述的动作之后发生或同时发生。
图5是根据本发明的各个方面说明使用机器学习模型来执行防欺骗生物标识评估的方法的非限制性实例实施例的流程图。方法500使用机器学习模型,例如如上文所论述在方法400中训练的机器学习模型。
一般来说,方法500使用包含生物标识验证引擎318的生物标识分析计算装置302。机器学习模型用于确定图像是表示欺骗性对象还是有效对象,并且生物标识验证引擎318用于在确定对象是有效的之后执行生物标识验证分析。方法500可出于可以使用生物标识验证的任何原因使用。作为非限制性实例,方法500可用于确定用户是否经授权以访问生物标识分析计算装置302的功能性,例如解锁生物标识分析计算装置302或执行由生物标识分析计算装置302提供的特定功能或应用程序。作为另一非限制性实例,方法500可用于确定用户是否经授权以访问受限区域,并且生物标识分析计算装置302可解锁访问控制装置以允许用户访问受限区域,前提是生物标识验证分析是成功的。
从开始块,方法500前进到块502,其中生物标识分析计算装置302的图像俘获引擎314使用生物标识分析计算装置302的偏振CMOS图像传感器308俘获图像。在块504处,图像俘获引擎314从图像中提取二维图像信息和偏振信息。如上文所论述,偏振信息可包含AoLP信息和DoLP信息,并且偏振信息可对应于二维图像信息。在一些实施例中,偏振信息可包含AoLP信息或DoLP信息中的仅一个。在一些实施例中,偏振信息可包含S0、S1和S2信息。在一些实施例中,偏振信息可包含表面法线信息。在一些实施例中,图像俘获引擎314可在二维图像信息中检测面部的存在,并且可限制对包含面部的图像内的位置的进一步处理以便减少存储器和处理成本。
在块506处,生物标识分析计算装置302的模型执行引擎316使用机器学习模型处理偏振信息以获取输出。机器学习模型是例如由上文所论述的方法400训练的那些机器学习模型的机器学习模型。到机器学习模型的输入是偏振信息(或对应于检测到的面部或待测量的其它特征的其部分),并且机器学习模型的输出是指示输入是否指示有效对象的布尔值或置信度百分比。
方法500随后前进到决策块508,其中关于输出是否指示图像表示有效生物标识测量通过生物标识分析计算装置302做出确定。在一些实施例中,确定可仅仅考虑输出的布尔值。在一些实施例中,确定可比较置信度百分比与阈值百分比以确定对象是否是有效的。
如果确定输出指示图像确实表示有效生物标识测量,那么决策块508的结果为是,并且方法500前进到块510。否则的话,如果在决策块508处的确定确定输出指示图像并不表示有效生物标识测量,那么决策块508的结果为否,并且方法500前进到块518。
在块510处,模型执行引擎316将二维图像信息提供到生物标识分析计算装置302的生物标识验证引擎318。在块512处,生物标识验证引擎318在二维图像信息上执行生物标识验证分析。可执行任何合适的生物标识验证分析。举例来说,生物标识验证引擎318可基于二维图像确定生物标识标记,例如面部标志、指纹标志,或虹膜图案,并且可比较生物标识标记与先前存储的生物标识标记以确定是否存在匹配。可以进行任何合适的面部辨识技术、指纹辨识技术、虹膜辨识技术,或其它生物标识验证分析。
在决策块514处,关于生物标识验证分析是否验证二维图像信息表示预期的生物标识信息做出确定。如果确定是二维图像信息确实表示预期的生物标识信息,那么决策块514的结果为是,并且方法500前进到块516。否则的话,如果确定是二维图像信息并不表示预期的生物标识信息,那么决策块514的结果为否,并且方法500前进到块518。
在块516处,生物标识验证引擎318允许对生物标识分析计算装置302的功能性的访问。如上文所陈述,提供对生物标识分析计算装置302的功能性的访问仅是实例,并且在其它实施例中,在块516处执行的动作可以是由于生物标识验证分析而准许的任何其它所需的动作。方法500随后前进到结束块并且终止。
在块518处,防止对生物标识分析计算装置302的功能性的访问。这可由模型执行引擎316、生物标识验证引擎318防止,或由生物标识分析计算装置302的任何其它组件或与生物标识分析计算装置302相关联的任何其它组件防止。方法500随后前进到结束块并且终止。
图6是根据本发明的各个方面说明训练机器学习模型执行防欺骗生物标识测量的方法的非限制性实例实施例的流程图。方法600类似于上文所论述的用于训练机器学习模型的方法400。然而,方法400仅训练机器学习模型检测欺骗。方法600训练机器学习模型检测欺骗和执行生物标识测量两者,而不是依赖于生物标识验证引擎318来执行生物标识验证分析。方法600可以训练单个机器学习模型做这两者,这是因为它可访问偏振信息。
这两种方法彼此相比存在优势和缺陷:方法400与方法600相比较简单且利用较少计算资源,方法600处理较大数据量。方法400还允许生物标识分析计算装置302使用先前研发的生物标识验证引擎318,使得机器学习模型可以仅通过反欺骗能力增强现有系统的能力。另一方面,方法600允许在生物标识分析计算装置302处的单步验证过程,因此与使用单独的步骤用于反欺骗和生物标识验证相比允许在生物标识分析计算装置302处的较低复杂度。
从开始块,方法600前进到块602,其中模型训练计算装置304的训练实例收集引擎326从生物标识分析计算装置302接收有效对象的多个图像,每个图像至少包含偏振信息和二维图像信息。如上所述,“有效对象”是未被欺骗的生物标识测量的对象。在一些实施例中,偏振信息同样包含AoLP信息和DoLP信息。在一些实施例中,偏振信息可包含AoLP信息或DoLP信息中的仅一个。在一些实施例中,偏振信息可包含S0、S1和S2信息。在一些实施例中,偏振信息可包含表面法线信息。在一些实施例中,多个图像中的每一个属于相同的有效对象,这是因为机器学习模型将用于执行对象的生物标识测量。
在块604处,训练实例收集引擎326在训练实例的集合中存储有效对象的多个图像。如上所述,训练实例的集合可存储在模型数据存储装置322中或存储在另一数据存储装置中。图像可连同图像是有效的/非欺骗性的指示和/或对象的身份的指示一起存储在训练实例的集合中。在一些实施例中,训练实例收集引擎326可检测图像中的面部的位置(或待测量的其它特征),并且可将所存储的信息限制到面部的位置以便减少处理和存储成本。
在块606处,训练实例收集引擎326从生物标识分析计算装置302接收欺骗性对象的多个图像,每个图像包含二维图像信息和偏振信息。偏振信息的类型类似于在块602中收集的偏振信息。同样,当在现实中并不存在有效对象时,“欺骗性对象”是呈现为生物标识测量的有效对象的尝试。在块606中收集的训练实例可以从不同的欺骗性对象收集,和/或多个训练实例可以从相同的欺骗性对象收集。
在块608处,训练实例收集引擎326在训练实例的集合中存储欺骗性对象的多个图像。欺骗性对象的图像可连同图像不是有效的/是欺骗性的指示和/或欺骗性对象的身份的指示一起存储在训练实例的集合中。同样,训练实例收集引擎326可检测待在图像中测量的特征(例如,面部)的位置,并且可将所存储的信息限制到特征的位置。
在块610处,生物标识分析计算装置302的模型训练引擎324使用训练实例的集合训练机器学习模型确定图像是否表示对象以及不是欺骗性的。如上所述,可以使用任何合适的类型的机器学习模型或模型的类型的组合,包含但不限于SVM、决策树,或卷积神经网络。此外,任何合适的技术或技术的组合可用于训练机器学习模型,包含但不限于梯度下降和反向传播。到机器学习模型的输入是存储在训练实例中的偏振信息和二维图像信息,并且欺骗/有效指示和对象的身份被用作预期输出值。在一些实施例中,经训练的机器学习模型接收偏振信息和二维图像信息作为输入,并且产生指示偏振信息是表示有效对象还是欺骗性对象以及二维图像信息是否表示给定对象的输出。在一些实施例中,输出可指示图像信息表示多个对象中的哪个对象。在一些实施例中,输出包含用于有效/欺骗性对象且用于对象的身份的离散值。在一些实施例中,输出可包含置信度值或其它百分比,所述置信度值或其它百分比可随后与置信度阈值相比以便确定偏振信息是表示有效对象还是欺骗性对象,并且以便确定对象的身份。
在块612处,模型训练引擎324在模型训练计算装置304的模型数据存储装置322中存储机器学习模型。在可选块614处,模型训练引擎324将机器学习模型传输到生物标识分析计算装置302。可选块614被说明为可选的,因为在一些实施例中,生物标识分析计算装置302可使用某一其它技术获取机器学习模型,或者机器学习模型可保持在模型训练计算装置304上以便在模型训练计算装置304上执行分析。
方法600随后前进到结束块并且终止。将注意到所说明的方法600的块的次序仅是实例,并且在一些实施例中,块中的一些可以不同的次序执行或并行地执行。举例来说,在一些实施例中,相对于块602和604描述的动作可在相对于块606和608描述的动作之后发生或同时发生。
图7是根据本发明的各个方面说明使用机器学习模型来执行防欺骗生物标识测量的方法的非限制性实例实施例的流程图。方法700使用机器学习模型,例如如上文所论述在方法600中训练的机器学习模型。类似于上文所论述的方法500,方法700可出于可使用生物标识验证的任何原因使用,包含但不限于提供对生物标识分析计算装置302的功能性的访问。不同于上文所论述的方法500,方法700并不使用生物标识验证引擎318来执行生物标识验证分析,而是替代地使用由方法600训练的机器学习模型来检测欺骗和确定预期的对象是否由通过偏振CMOS图像传感器308收集的图像表示两者。
从开始块,方法700前进到块702,其中生物标识分析计算装置302的图像俘获引擎314使用生物标识分析计算装置302的偏振CMOS图像传感器308俘获图像。在块704处,图像俘获引擎314从图像中提取二维图像信息和偏振信息。如上文所论述,偏振信息可包含AoLP信息和DoLP信息,并且偏振信息可对应于二维图像信息。在一些实施例中,图像俘获引擎314可在二维图像信息中检测面部的存在,并且可限制对包含面部的图像内的位置的进一步处理以便减少存储器和处理成本。
在块706处,生物标识分析计算装置302的模型执行引擎316使用机器学习模型来处理二维图像信息和偏振信息以获取输出。机器学习模型是例如由上文所论述的方法600训练的那些机器学习模型的机器学习模型。到机器学习模型的输入是偏振信息和二维图像信息(或对应于检测到的面部或待测量的其它特征的其部分),并且机器学习模型的输出是布尔值、其它离散值,或置信度百分比,其指示输入是否指示有效对象以及是否指示预期的对象。
在决策块708处,做出关于机器学习模型的输出是否指示图像表示有效生物标识测量以及生物标识测量与预期的生物标识测量匹配的确定。在一些实施例中,确定可仅仅考虑输出的布尔值或其它离散值。在一些实施例中,确定可比较置信度百分比与阈值百分比以确定对象是否是有效的和/或是否确认对象的身份。
如果确定是输出确实指示图像表示有效的且预期的生物标识测量,那么决策块708的结果为是,并且方法700前进到块710,其中模型执行引擎316提供对生物标识分析计算装置302的功能性的访问。方法700随后前进到结束块并且终止。
返回到决策块708,如果确定是输出指示图像并不表示有效生物标识测量或生物标识测量是有效的但是非预期的,那么决策块708的结果为否,并且方法700前进到块712,其中模型执行引擎316防止对生物标识分析计算装置302的功能性的访问。方法700随后前进到结束块并且终止。
图8是说明适合于作为本发明的计算装置使用的示例性计算装置800的方面的框图。虽然上文论述了多种不同类型的计算装置,但是示例性计算装置800描述了对许多不同类型的计算装置共有的各种元件。虽然图8是参考被实施为网络上的装置的计算装置描述的,但是下文的描述适用于服务器、个人计算机、移动电话、智能电话、平板计算机、嵌入式计算装置,以及可用于实施本发明的实施例的部分的其它装置。计算装置的一些实施例可在以下项中实施或可包含以下项:专用集成电路(ASIC)、现场可编程门阵列(FPGA),或其它定制装置。此外,所属领域的一般技术人员等将认识到计算装置800可以是任何数目的当前可供使用的或尚待研发的装置中的任何一个。
在其最基础的配置中,计算装置800包含通过通信总线806连接的至少一个处理器802和系统存储器804。取决于装置的确切配置和类型,系统存储器804可以是易失性或非易失性存储器,例如只读存储器(“ROM”)、随机存取存储器(“RAM”)、EEPROM、快闪存储器,或类似存储器技术。所属领域的一般技术人员等将认识到系统存储器804通常存储即刻可访问和/或当前通过处理器802操作的数据和/或程序模块。就此而言,通过支持指令的执行处理器802可充当计算装置800的计算中心。
如图8中进一步所说明,计算装置800可包含网络接口810,所述网络接口包括一或多个组件以用于在网络上与其它装置通信。本发明的实施例可访问基础服务,所述基础服务利用网络接口810以使用共有网络协议来执行通信。网络接口810还可包含无线网络接口,所述无线网络接口经配置以经由一或多个无线通信协议通信,所述无线通信协议例如,Wi-Fi、2G、3G、LTE、WiMAX、蓝牙、低功耗蓝牙,和/或类似者。如所属领域的一般技术人员将了解,图8中所说明的网络接口810可表示上文相对于计算装置800的特定组件所描述和说明的一或多个无线接口或物理通信接口。
在图8中描绘的示例性实施例中,计算装置800还包含存储媒体808。然而,服务可以是使用不包含用于持久化数据到本地存储媒体的装置的计算装置访问的。因此,用虚线表示图8中所描绘的存储媒体808以指示存储媒体808是可选的。在任何情况下,存储媒体808可以是易失性或非易失性、可移除或不可移除、使用能够存储信息的任何技术实施,例如但不限于,硬盘驱动器、固态驱动器、CD ROM、DVD,或其它磁盘存储装置、盒式磁带、磁带、磁盘存储装置,和/或类似者。
包含处理器802、系统存储器804、通信总线806、存储媒体808和网络接口810的计算装置的合适的实施方案是已知的且可在市面上购得的。为了易于说明并且因为它对理解所主张的标的物并不重要,图8并未示出许多计算装置的典型的组件中的一些。就此而言,计算装置800可包含输入装置,例如,键盘、小键盘、鼠标、麦克风、触摸输入装置、触摸屏、平板,和/或类似者。此类输入装置可通过有线或无线连接耦合到计算装置800,所述有线或无线连接包含射频、红外线、串行、并行、蓝牙、低功耗蓝牙、USB,或使用无线或物理连接的其它合适的连接协议。类似地,计算装置800还可包含输出装置,例如,显示器,扬声器,打印机等。因为这些装置是在所属领域中众所周知的,所以本文中未对它们进行进一步的说明或描述。
虽然已说明且描述了本发明的优选实施例,但是将了解,在不脱离本发明的精神和范围的情况下可以在其中做出各种改变。因此,对本发明的所说明的实例的以上描述,包含摘要中所描述的内容,并不意图是穷尽性的或是到所公开的精确形式的限制。虽然本文出于说明性目的描述了本发明的特定实施例和实例,但是在不脱离本发明的更广精神和范围的情况下,各种等效修改是可能的。实际上,应了解,为了解释目的而提供特定实例电压、电流、频率、功率范围值、时间等,且根据本发明的教示也可在其它实施例和实例中采用其它值。
可鉴于以上详细描述对本发明的实例做出这些修改。在所附权利要求书中使用的术语不应解释为将本发明限制于说明书和权利要求书中所公开的特定实施例。实际上,范围将完全通过所附权利要求书确定,所附权利要求书是根据权利要求书解译的已确立的原则解释的。本说明书和图相应地被视为说明性的而非限制性的。
Claims (20)
1.一种系统,其包括:
偏振CMOS图像传感器;
至少一个处理器;以及
非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由所述至少一个处理器执行使得所述系统执行包括以下各项的动作:
从所述偏振CMOS图像传感器接收偏振信息和二维图像信息;以及
使用机器学习模型处理所述偏振信息以产生指示所述偏振信息是否表示对象的物理特征的有效生物标识测量的输出。
2.根据权利要求1所述的系统,其中从所述偏振CMOS图像传感器接收偏振信息和二维图像信息包含:
接收二维图像;以及
接收以下各项中的至少一个:
对应于所述二维图像的线性偏振角AoLP信息;
对应于所述二维图像的线性偏振度DoLP信息;
对应于所述二维图像的S0、S1和S2信息;以及
对应于所述二维图像的表面法线。
3.根据权利要求1所述的系统,其中使用机器学习模型处理所述偏振信息包含使用所述机器学习模型来处理所述偏振信息和所述二维图像信息,并且
其中所述输出包含与所述二维图像信息和所述偏振信息相关联的生物标识测量是否表示所述对象的所述物理特征的指示以及所述二维图像信息和所述偏振信息是否表示所述对象的所述物理特征的有效生物标识测量的指示。
4.根据权利要求1所述的系统,其中所述动作进一步包括:
响应于确定所述输出指示所述偏振信息表示所述对象的所述物理特征的有效生物标识测量:
使用所述二维图像信息执行生物标识验证分析。
5.根据权利要求4所述的系统,其中使用所述二维图像信息执行所述生物标识验证分析包含使用所述二维图像信息执行面部辨识分析。
6.根据权利要求1所述的系统,其中所述机器学习模型是支持向量模型SVM、决策树,或卷积神经网络。
7.一种非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由计算系统的一或多个处理器执行使得所述计算系统执行动作以用于训练机器学习模型验证对象的物理特征的生物标识测量,所述动作包括:
通过所述计算系统收集训练实例的集合,其中收集每个训练实例包含接收偏振信息、二维图像信息,以及所述对象在所述训练实例中是否是欺骗性的指示;以及
通过所述计算系统使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量。
8.根据权利要求7所述的非暂时性计算机可读媒体,其中接收偏振信息和二维图像信息包含:
接收二维图像;以及
接收以下各项中的至少一个:
对应于所述二维图像的线性偏振角AoLP信息;
对应于所述二维图像的线性偏振度DoLP信息;
对应于所述二维图像的S0、S1和S2信息;以及
对应于所述二维图像的表面法线。
9.根据权利要求7所述的非暂时性计算机可读媒体,其中收集所述训练实例的集合包含:
基于所述对象的所述物理特征收集包含偏振信息和二维图像信息的训练实例;以及
基于所述对象的所述物理特征的欺骗性绘图收集包含偏振信息和二维图像信息的训练实例。
10.根据权利要求9所述的非暂时性计算机可读媒体,其中使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量包含对于所述训练实例的集合中的每个训练实例使用所述二维图像和所述偏振信息作为所述训练实例到所述机器学习模型的输入。
11.根据权利要求10所述的非暂时性计算机可读媒体,其中使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量包含对于所述训练实例的集合中的每个训练实例使用所述对象在所述训练实例中是否是欺骗性的所述指示作为所述机器学习模型针对所述训练实例的预期输出。
12.根据权利要求9所述的非暂时性计算机可读媒体,其中收集所述训练实例的集合包含:
基于除所述对象之外的第二对象的物理特征收集包含偏振信息和二维图像信息的训练实例;以及
包含所述训练实例是否基于所述对象的指示。
13.根据权利要求7所述的非暂时性计算机可读媒体,其中使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量包含对于每个训练实例使用所述训练实例是否基于所述对象的所述指示作为所述机器学习模型针对所述训练实例的预期输出。
14.根据权利要求7所述的非暂时性计算机可读媒体,其中训练所述机器学习模型包含训练支持向量模型SVM、决策树,或卷积神经网络。
15.一种非暂时性计算机可读媒体,其具有存储在其上的计算机可执行指令,所述指令响应于由计算系统的一或多个处理器执行使得所述计算系统执行动作以用于训练机器学习模型验证生物标识测量,所述动作包括:
通过所述计算系统收集训练实例的集合,其中收集每个训练实例包含接收偏振信息以及所述对象在所述训练实例中是否是欺骗性的指示;以及
通过所述计算系统使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量是否是欺骗性的。
16.根据权利要求15所述的非暂时性计算机可读媒体,其中接收偏振信息包含接收以下各项中的至少一个:
线性偏振角AoLP信息;
线性偏振度DoLP信息;
S0、S1和S2信息;以及
表面法线。
17.根据权利要求16所述的非暂时性计算机可读媒体,其中使用所述训练实例的集合来训练所述机器学习模型验证生物标识测量是否是欺骗性的包含:
对于所述训练实例的集合中的每个训练实例,使用所述偏振信息作为所述训练实例到所述机器学习模型的输入,并且使用所述对象在所述训练实例中是否是欺骗性的所述指示作为所述机器学习模型针对所述训练实例的预期输出。
18.根据权利要求16所述的非暂时性计算机可读媒体,其中收集每个训练实例进一步包含接收二维图像,并且其中所述偏振信息对应于所述二维图像。
19.根据权利要求18所述的非暂时性计算机可读媒体,其中接收二维图像包含接收能用于执行生物标识测量的二维图像。
20.根据权利要求15所述的非暂时性计算机可读媒体,其中收集所述训练实例的集合包含:
基于所述对象的所述物理特征收集包含偏振信息的训练实例;以及
基于所述对象的所述物理特征的欺骗性绘图收集包含偏振信息的训练实例。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/729,001 | 2019-12-27 | ||
US16/729,001 US11232284B2 (en) | 2019-12-27 | 2019-12-27 | Techniques for robust anti-spoofing in biometrics using polarization cues for NIR and visible wavelength band |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113051998A true CN113051998A (zh) | 2021-06-29 |
Family
ID=76508315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011558162.9A Pending CN113051998A (zh) | 2019-12-27 | 2020-12-25 | 生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11232284B2 (zh) |
CN (1) | CN113051998A (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220035971A (ko) | 2019-07-26 | 2022-03-22 | 메탈렌츠 인코포레이티드 | 개구-메타 표면 및 하이브리드 굴절-메타 표면 이미징 시스템 |
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 |
WO2023099944A1 (en) * | 2021-12-02 | 2023-06-08 | Svort, Inc. | Authentication method based on anonymous biometrics algorithms |
WO2023115037A1 (en) * | 2021-12-17 | 2023-06-22 | Metalenz, Inc. | Spoof-resistant facial recognition through illumination and imaging |
US11927769B2 (en) | 2022-03-31 | 2024-03-12 | Metalenz, Inc. | Polarization sorting metasurface microlens array device |
WO2024091657A1 (en) * | 2022-10-28 | 2024-05-02 | Applied Materials, Inc. | Single sensor multi-image lensing |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766039A (zh) * | 2014-01-02 | 2015-07-08 | 深圳市元轩科技发展有限公司 | 一种防欺骗人脸识别系统及方法 |
US20150254495A1 (en) * | 2013-10-11 | 2015-09-10 | Lumidigm, Inc. | Miniaturized optical biometric sensing |
US20170132458A1 (en) * | 2015-11-09 | 2017-05-11 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Method of apparatus for cross-modal face matching using polarimetric image data |
US20180053364A1 (en) * | 2016-08-19 | 2018-02-22 | Sony Corporation | System and method for customized message playback |
CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
CN108292363A (zh) * | 2016-07-22 | 2018-07-17 | 日电实验室美国公司 | 用于防欺骗面部识别的活体检测 |
US20190392189A1 (en) * | 2018-06-21 | 2019-12-26 | Amazon Technologies, Inc | Non-contact biometric identification system |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020145507A1 (en) * | 2001-04-04 | 2002-10-10 | Foster Ronald R. | Integrated biometric security system |
US8569700B2 (en) * | 2012-03-06 | 2013-10-29 | Omnivision Technologies, Inc. | Image sensor for two-dimensional and three-dimensional image capture |
KR102149187B1 (ko) * | 2014-02-21 | 2020-08-28 | 삼성전자주식회사 | 전자 장치와, 그의 제어 방법 |
US10049272B2 (en) * | 2015-09-24 | 2018-08-14 | Microsoft Technology Licensing, Llc | User authentication using multiple capture techniques |
WO2017223530A1 (en) * | 2016-06-23 | 2017-12-28 | LoomAi, Inc. | Systems and methods for generating computer ready animation models of a human head from captured data images |
EP3489887B1 (en) * | 2016-07-22 | 2021-06-30 | Sony Corporation | Image sensor and image processing system |
KR102319372B1 (ko) * | 2017-04-11 | 2021-11-01 | 삼성전자주식회사 | 생체 센서를 포함하는 전자 장치 |
WO2018211813A1 (ja) * | 2017-05-16 | 2018-11-22 | ソニーセミコンダクタソリューションズ株式会社 | 撮像素子、及び、撮像素子を備えた電子機器 |
US11289523B2 (en) * | 2019-09-06 | 2022-03-29 | Omnivision Technologies, Inc. | Image sensor with reduced petal flare |
-
2019
- 2019-12-27 US US16/729,001 patent/US11232284B2/en active Active
-
2020
- 2020-12-25 CN CN202011558162.9A patent/CN113051998A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254495A1 (en) * | 2013-10-11 | 2015-09-10 | Lumidigm, Inc. | Miniaturized optical biometric sensing |
CN104766039A (zh) * | 2014-01-02 | 2015-07-08 | 深圳市元轩科技发展有限公司 | 一种防欺骗人脸识别系统及方法 |
US20170132458A1 (en) * | 2015-11-09 | 2017-05-11 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Method of apparatus for cross-modal face matching using polarimetric image data |
CN108292363A (zh) * | 2016-07-22 | 2018-07-17 | 日电实验室美国公司 | 用于防欺骗面部识别的活体检测 |
US20180053364A1 (en) * | 2016-08-19 | 2018-02-22 | Sony Corporation | System and method for customized message playback |
CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
US20190392189A1 (en) * | 2018-06-21 | 2019-12-26 | Amazon Technologies, Inc | Non-contact biometric identification system |
Also Published As
Publication number | Publication date |
---|---|
US20210200992A1 (en) | 2021-07-01 |
US11232284B2 (en) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113051998A (zh) | 生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术 | |
WO2020207189A1 (zh) | 身份验证方法、装置、存储介质和计算机设备 | |
TWI752418B (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
KR102455633B1 (ko) | 라이브니스 검사 방법 및 장치 | |
US11048953B2 (en) | Systems and methods for facial liveness detection | |
US11030470B2 (en) | Apparatus and method with liveness verification | |
US20190012450A1 (en) | Biometric-based authentication method, apparatus and system | |
KR102202690B1 (ko) | 지문 인식 방법, 장치 및 시스템 | |
KR102476016B1 (ko) | 안구 위치 정보 확정 방법 및 장치 | |
US8275174B2 (en) | Vein pattern management system, vein pattern registration apparatus, vein pattern authentication apparatus, vein pattern registration method, vein pattern authentication method, program, and vein data configuration | |
US11869272B2 (en) | Liveness test method and apparatus and biometric authentication method and apparatus | |
US11227149B2 (en) | Method and apparatus with liveness detection and object recognition | |
KR102161359B1 (ko) | 딥러닝 기반의 얼굴이미지 추출장치 | |
EP2148295A1 (en) | Vein pattern management system, vein pattern registration device, vein pattern authentication device, vein pattern registration method, vein pattern authentication method, program, and vein data structure | |
EP3655874B1 (en) | Method and electronic device for authenticating a user | |
US20200218885A1 (en) | Detecting artificial facial images using facial landmarks | |
KR102184493B1 (ko) | Ai 기반의 얼굴인식 시스템 | |
KR20230169104A (ko) | 기계 학습 및 등록 데이터를 사용한 개인화된 생체인식 안티-스푸핑 보호 | |
US8270681B2 (en) | Vein pattern management system, vein pattern registration apparatus, vein pattern authentication apparatus, vein pattern registration method, vein pattern authentication method, program, and vein data configuration | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
KR102558736B1 (ko) | 지문 인식 방법 및 장치 | |
KR102387569B1 (ko) | 지문 인증 방법 및 장치 | |
CN114467127A (zh) | 用于认证三维物体的方法及装置 | |
US11544961B2 (en) | Passive three-dimensional face imaging based on macro-structure and micro-structure image sizing | |
WO2015115075A1 (ja) | 個人認証システム、個人情報媒体、端末装置、及び、個人認証方法 |
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 |