CN113557551A - 用于使用电话传感器引导卡定位的系统和方法 - Google Patents

Abstract

位置对准系统有助于将非接触式卡相对于非接触式卡读取设备定位在目标体积中的“最佳位置”。对准逻辑使用从诸如红外接近检测器、相机、红外传感器、点阵投影器等可用成像设备捕获的信息来将卡引导到目标位置。使用机器学习模型和/或同步定位与建图逻辑中的一个或两个来处理所捕获的图像信息以标识卡位置、轨迹和所预测的位置。可以使用机器学习技术来智能地控制和定制轨迹调节和提示标识，以基于用户的偏好和/或历史行为来定制引导。结果，提高了非接触式卡对准的速度和精度，并且最大化了所接收的NFC信号强度，从而减少了掉线交易的发生。

Description

用于使用电话传感器引导卡定位的系统和方法

相关申请的交叉引用

本申请要求于2019年7月15日提交的题为“SYSTEM AND METHOD FOR GUIDINGCARD POSITIONING USING PHONE SENSORS”的美国专利申请序列号16/511,683的优先权。前面提及的申请的内容通过引用整体并入本文。

背景技术

近场通信(Near-field communication，NFC)包括使得电子设备(诸如移动设备和非接触式卡)能够无线传送信息的一组通信协议。NFC设备可以用于非接触式支付系统，类似于由非接触式信用卡和电子车票智能卡使用的那些非接触式支付系统。例如，除了支付系统之外，支持NFC的设备还可以充当电子身份文件和钥匙卡。

例如，非接触式设备(例如，卡、标签、交易卡等)可以基于例如射频标识(RFID)标准、EMV标准或使用例如NFC数据交换格式(NDEF)标签使用NFC技术以便进行双向或单向非接触式短程通信。该通信可以使用磁场感应来实现包括移动无线通信设备的供电的电子设备和无供电或无源供电设备(诸如交易卡)之间的通信。在一些应用中，高频无线通信技术使得能够在短距离(诸如仅几厘米)的设备之间的数据交换，并且两个设备可以以某些放置配置最有效地操作。

虽然使用NFC通信信道进行非接触式卡交易的优势很多，包括简单的设置和较低的复杂性，但是NFC数据交换面临的一个困难可能是在具有小天线的设备(包括非接触式卡)之间传输信号的困难。在NFC交换期间，非接触式卡相对于设备的移动可能会不期望地影响设备处所接收的NFC信号强度，并中断交换。此外，卡(例如金属卡)的特征可能导致噪声、抑制信号接收或错误触发NFC读取交易的其他反射(reflections)。对于使用非接触式卡进行认证和交易目的的系统，延迟和中断可能导致丢失的交易和客户不满。

发明内容

一个或多个计算机的系统可以被配置为通过在系统上安装软件、固件、硬件或它们的组合来执行特定的操作或动作，该软件、固件、硬件或它们的组合在操作中使系统执行动作。一个或多个计算机程序可以被配置为通过包括指令来执行特定的操作或动作，这些指令在被数据处理装置执行时使得该装置执行这些动作。

根据一个总体性方面，一种用于将卡的定位引导到相对于设备的目标位置的方法包括以下步骤：通过接近传感器检测卡接近设备；响应于卡接近设备，该设备捕获接近设备的三维体积的一系列图像；处理该一系列图像以确定该卡在接近该设备的三维体积内的位置和轨迹；基于卡的位置和卡的轨迹预测卡相对于设备的投影位置；标识投影位置和目标位置之间的一个或多个差异，包括标识被预测为减少一个或多个差异的至少一个轨迹调节和被预测为实现轨迹调节的一个或多个提示；在设备的显示器上显示一个或多个提示；重复以下步骤：捕获该一系列图像、确定卡的位置和轨迹、预测卡的投影位置、标识一个或多个差异、至少一个轨迹调节和一个或多个提示，并显示一个或多个提示，直到一个或多个差异在预定阈值内；以及响应于一个或多个差异在预定阈值内，在设备处触发事件以从卡获取数据。这个方面的其他实施例包括各自被配置为执行方法的动作的记录在一个或多个计算机存储设备上的相对应的计算机系统、装置和计算机程序。

实施方式可以包括以下特征中的一个或多个。该方法中，处理该一系列图像以确定该卡在接近设备的三维体积内的位置和轨迹的步骤使用机器学习模型或同步定位与建图(simultaneous localization and mapping，slam)过程中的至少一个。该方法包括以下步骤：在事件期间，重复以下步骤：捕获该一系列图像、确定卡的位置和轨迹、预测卡的投影位置、标识一个或多个差异、至少一个轨迹调节和一个或多个提示、并显示一个或多个提示以确保差异保持在预定阈值内，以使设备能够从卡读取数据。该方法中，触发事件的步骤包括发起卡和设备之间的数据交换，其中数据交换与金融交易和授权交易中的至少一个相关。该方法中，捕获该一系列图像的步骤由设备的相机、设备的红外传感器或设备的点阵投影器(dot projector)中的一个或多个来执行，并且其中该一系列图像包括与该设备处测量的红外能量和可见光能量中的一个或多个相关的二维图像信息和三维图像信息中的一个或两个。该方法包括使用从相机、红外传感器和点阵投影器中的一个或多个获得的一系列图像来生成接近设备的三维体积的体积地图的步骤，该体积图包括接近设备的三维体积内的多个像素位置的像素数据。该方法中，处理该一系列图像以确定卡的位置和轨迹的步骤包括将该一系列图像转发到特征提取机器学习模型的步骤，该特征提取机器学习模型被训练为处理体积地图以检测卡的一个或多个特征，并响应于一个或多个特征来标识卡在体积地图中的位置和轨迹。该方法中，预测卡相对于设备的投影位置的步骤包括将卡的位置和轨迹转发到第二机器学习模型，该第二机器学习模型被训练为基于定位卡的历史尝试来预测投影位置。该方法中，用于训练第二机器学习模型的历史尝试是针对设备的用户定制的。该方法中，一个或多个提示包括可视提示、可听提示或可视和可听提示的组合中的至少一个。所描述的技术的实施方式可以包括硬件、方法或过程，或者计算机可访问介质上的计算机软件。

根据一个总体方面，一种设备包括：接近传感器，该接近传感器被配置为检测卡是否接近该设备；图像捕获设备，该图像捕获设备耦合到接近传感器并被配置为捕获接近设备的三维体积的一系列图像；处理器，该处理器耦合到接近传感器和图像捕获设备；显示界面，该显示界面耦合到处理器；读卡器界面，该读卡器界面耦合到处理器；以及非暂时性介质，该非暂时性介质存储对准程序代码，该对准程序代码被配置为将卡引导到相对于设备的目标位置。该对准程序代码在被处理器执行时可操作来：监视卡与设备的接近；使图像捕获设备能够捕获接近设备的三维体积的一系列图像；处理该一系列图像，以确定卡在接近设备的三维体积内的位置和轨迹，并基于卡的位置和卡的轨迹预测卡相对于设备的投影位置；标识投影位置和目标位置之间的一个或多个差异，包括标识至少一个轨迹调节和实现至少一个轨迹调节的一个或多个提示，该至少一个轨迹调节被预测为减少一个或多个差异；在卡读取操作之前和期间的至少一个期间，在显示界面上显示一个或多个提示；并且当一个或多个差异在预定阈值内时，通过读卡器界面触发卡读取操作。这个方面的其他实施例包括各自被配置为执行方法的动作的记录在一个或多个计算机存储设备上的相对应的计算机系统、装置和计算机程序。

实施方式可以包括以下特征中的一个或多个。根据权利要求11的设备，其中程序代码使用机器学习模型或同步定位与建图(slam)过程中的至少一个，该程序代码在被执行时可操作以处理该一系列图像，以确定卡在接近设备的三维体积内的位置和轨迹。该设备中，卡读取操作与金融交易和授权交易中的一个相关联。该设备中，图像捕获设备包括相机、红外传感器或点阵投影器中的一个或多个，并且该一系列图像捕获在该设备处测量的红外能量和可见光能量中的一个或多个。该设备中，该一系列图像包括二维图像信息和三维图像信息中的一个或两个。该设备中，对准程序代码还被配置为使用该一系列图像、红外传感器和点阵投影器来生成接近设备的三维体积的体积地图，体积地图包括接近设备的三维体积内的多个像素位置的像素数据。该设备还包括特征提取机器学习模型，该特征提取机器学习模型被训练为将卡定位在接近设备的三维体积内，并使用定位卡的历史尝试来预测投影位置。该设备中，历史尝试是用户特定的历史尝试。该设备中，一个或多个提示包括可视提示、可听提示或可视和可听提示的组合中的至少一个。所描述的技术的实施方式可以包括硬件、方法或过程，或者计算机可访问介质上的计算机软件。

根据一个总体性方面，一种用于将卡引导到相对于设备的目标位置的方法包括以下步骤：检测由设备进行的执行交易的请求；使用设备的接近传感器测量卡与设备的接近；当确定卡接近设备时，控制设备的相机和红外深度传感器中的至少一个来捕获接近设备的三维体积的一系列图像；处理该一系列图像以确定卡在接近设备的三维体积中的位置和轨迹，该处理由使用将卡引导至目标位置的历史尝试训练的机器学习模型或同步定位与建图(slam)过程中的至少一个来执行；基于卡的位置和轨迹预测卡相对于设备的投影位置；标识投影位置和目标位置之间的一个或多个差异，包括标识被选择来减小一个或多个差异的至少一个轨迹调节以及标识实现轨迹调节的一个或多个提示；在设备的显示器上显示一个或多个提示；重复以下步骤：捕获图像信息、确定卡的位置和轨迹、预测卡的投影位置、标识一个或多个差异、至少一个轨迹调节和一个或多个提示、并显示一个或多个提示，直到一个或多个差异在预定阈值内；以及当差异小于预定阈值时，触发由设备的读卡器对卡的读取。这个方面的其他实施例包括各自被配置为执行方法的动作的记录在一个或多个计算机存储设备上的相对应的计算机系统、装置和计算机程序。

附图说明

图1A和图1B是被提供来示出非接触式卡和非接触式卡读取设备之间的交互的示意图；

图2是近场通信设备的示例性操作体积的图示；

图3是可以被配置为执行如本文所公开的位置对准的移动电话的传感器条的视图；

图4是示出如本文所公开配置的设备的一个实施例的示例性组件的框图；

图5是可以由图4的NFC交易设备执行的位置对准系统和方法的示例性步骤的流程图；

图6是示出了可以被执行来对准非接触式卡相对于设备的位置的示例性步骤的详细的流程图；

图7是示出了可以被执行来训练本文所公开的机器学习模型的示例性步骤的流程图；

图8是示出可以在如本文所公开那样使用的同步定位与建图(SLAM)过程中执行的示例性步骤的流程图；

图9是示出可以被执行以使用移动电话设备的接近传感器和图像捕获设备的组合来定位用于NFC通信的非接触式卡的示例性步骤的流程图；

图10示出了在接近感测期间的示例性电话/卡交互和显示；

图11示出了在位置对准期间示例性的电话/卡交互和显示；

图12A至图12C示出了在成功对准以便进行NFC通信之后可以提供的示例性移动电话显示，包括用于调节非接触式卡定位以最大化由移动设备所接收的信号强度的提示；

图13A、图13B和图13C示出了如本文公开的示例性电话/卡交互；以及

图14是如本文所公开的用于使用所捕获的图像数据来控制设备的读卡器的界面的示例性过程的一个实施例的流程图。

具体实施方式

本文公开的位置对准系统和方法有助于非接触式卡相对于设备的定位，例如将非接触式卡定位为接近三维目标体积内的目标位置。在一个实施例中，位置对准系统使用设备的接近传感器来检测非接触式卡的靠近。在检测到靠近时，可以由设备的一个或多个成像元件捕获一系列图像，例如包括由设备的相机和/或由设备的红外传感器/点阵投影器捕获。该一系列图像可以被处理以确定卡相对于设备的位置和轨迹。位置和轨迹信息可以由预测性模型处理，以标识到达目标位置的轨迹调节和实现轨迹调节的一个或多个提示。这种布置使用移动设备的现有成像能力向用户提供实时定位辅助反馈，从而提高非接触式卡对准的速度和精度，并最大化所接收的NFC信号强度。

根据一个方面，触发系统可以自动发起设备和卡之间的近场通信，以将来自卡的小程序的密码传送给设备。触发系统可以响应于由设备捕获的一系列图像中的暗度水平或暗度水平方面的变化而进行操作。触发系统可以响应于一系列图像中的复杂度水平或复杂度水平方面的变化而进行操作。触发系统可以自动触发由设备的用户界面控制的操作，例如自动触发卡的读取。触发系统可以单独使用，或者在本文公开的位置对准系统的一个或多个方面的帮助下使用。

现在将参照附图描述本发明的这些和其他特征，其中相同的附图标记始终用于指代相同的元件。在一般参考本文使用的符号和术语的情况下，下面的详细描述可以根据在计算机或计算机网络上执行的程序过程来呈现。由本领域技术人员使用这些过程描述和表示来最有效地向本领域其他技术人员传达他们的工作的实质。

过程在此并一般而言被认为是导致期望结果的自洽的操作序列。过程可以以硬件、软件或其组合的方式实施。这些操作是需要对物理量进行物理操控的那些操作。通常，尽管不是必须的，这些量采取能够被存储、传送、组合、比较和以其他方式操控的电、磁或光信号的形式。主要是出于通用的原因，将这些信号称为位、值、元素、符号、字符、项、数字等有时被证明是方便的。然而，应该注意的是，所有这些和类似的术语与适当的物理量相关联，并且仅仅是应用于这些量的方便标签。

进一步，所执行的操控通常被称为诸如相加或比较的术语，这些术语通常与由人类操作员执行的精神操作相关联。在形成一个或多个实施例的一部分的本文描述的操作中的任何一个中，人类操作员的这种能力不是必需的，或者在大多数情况下不是期望的。而是，这些操作是机器操作。用于执行各种实施例的操作的有用机器包括通用数字计算机或类似设备。

各种实施例还涉及用于执行这些操作的装置或系统。这个装置可以为所需的目的而专门构造，或者它可以包括由存储在计算机中的计算机程序选择性激活或重新配置的通用计算机。本文中呈现的过程并不固有地与特定的计算机或其他装置相关。各种通用机器可以与根据本文的教导编写的程序一起使用，或者可以证明构造更专用的装置来执行所需的方法步骤是方便的。各种机器所需的结构将从给出的描述中出现。

在以下描述中，出于解释的目的，阐述了许多具体细节，以便提供对其的透彻理解。然而，显而易见的是，可以在没有这些具体细节的情况下实践新颖的实施例。在其他情况下，以框图形式示出了公知的结构和设备以便对其进行描述。意图是覆盖与所要求保护的主题一致的所有修改、等同物和替代性方案。

图1A和图1B各自示出了移动电话设备100和非接触式卡150。非接触式卡150可以包括由服务提供商发行的支付卡或交易卡(以下称为交易卡)，诸如信用卡、借记卡或礼品卡。在一些示例中，非接触式卡150与交易卡无关，并且可以包括但不限于身份证或护照。在一些示例中，交易卡可以包括双界面非接触式交易卡。非接触式卡150可以包括基板，该基板包括单个层或由塑料、金属和其他材料构成的一个或多个层压层。

在一些示例中，非接触式卡150可以具有符合ISO/IEC 7810标准的ID-1格式的物理特性，并且非接触式卡可以另外符合ISO/IEC 14443标准。然而，应当理解的是，根据本公开的非接触式卡150可以具有不同的特性，并且本公开不要求在交易卡中实施非接触式卡。

在一些实施例中，非接触式卡可以包括嵌入式集成电路设备，该嵌入式集成电路设备可以通过NFC来存储、处理数据并与另一设备(诸如终端或移动设备)传送数据。非接触式卡的常见用途包括过境票、银行卡和护照。非接触式卡标准涵盖了包含在ISO/IEC 10536(密耦合卡，close-coupled cards)、ISO/IEC 14443(邻近卡，proximity cards)和ISO/IEC15693(邻近式卡，vicinity cards)中的各种类型，标准中的每个都通过引用并入本文。这种非接触式卡旨在分别在距相关联的耦合设备非常近、很近和处于较远距离时进行操作。

受益于本文公开的定位辅助系统和方法的示例性邻近非接触式卡和通信协议包括Osborn等人于2018年11月29日提交的题为“Systems and Methods for CryptographicAuthentication of Contactless Cards”的美国专利申请序列号16/205,119(以下称为‘119申请)中描述的邻近非接触式卡和通信协议，并且该申请通过引用并入本文。

在一个实施例中，非接触式卡包括由被配置为用于基于例如射频标识(RFID)标准、EMV标准或使用NDEF标签进行双向或单向非接触式短程通信的硬件和/或软件构成的NFC接口。通信可以使用磁场感应来实现电子设备(包括移动无线通信设备)之间的通信。短距离高频无线通信技术使得能够在短距离内(诸如仅几厘米)在设备之间交换数据。

当支持NFC的设备交换信息时，NFC采用两个环形天线之间的电磁感应。ISO/IEC14443-2:2016(通过引用并入本文)规定了近耦合设备(proximity coupling device，PCD)和邻近卡或对象(PICC)之间的功率和双向通信的特性。PCD产生高频交变磁场。这个场感应耦合到PICC以便传送功率并被调制用于通信，在ISO/IEC 18000-3空中接口上以从106至424kbit/s的速率在13.56MHz的射频ISM频带内操作。如ISO标准所规定的，PCD传输生成至少从1.5A/m(rms)的Hmin变化到7.5A/m(rms)的Hmax的均匀场强(“H”)，以支持PICC设备的1类、2类和/或3类天线设计。

在图1A和图1B，移动电话100是PCD设备，并且非接触式卡150是PICC设备。在典型的非接触式卡通信交换期间，如图1A所示，可以由移动电话100提示用户将卡与移动设备接合，例如通过在显示器130上包括指示卡放置位置的提示125。出于本申请的目的，将卡与设备“接合”包括但不限于，使卡进入NFC读取设备(即，移动电话100)的空间操作体积中，其中NFC读取设备的操作体积包括接近、邻近和/或围绕NFC读取设备的空间体积，在该空间体积中由移动设备100和卡150并且在它们之间传输的信号的均匀场强足以支持数据交换。换句话说，用户可以将非接触式卡与移动设备接合，通过针对设备的前部轻击卡或将卡保持在距设备的前部的允许进行NFC通信的一定距离内。在图1A中，显示器130上提供的提示125被提供来实现这个结果。图1B示出了在交易的操作体积内放置的卡。在如图1B所示的交易期间，可以向用户显示提醒提示，诸如提示135。

电话100和卡150之间的示例性交换可以包括由电话100的RF操作场激活卡150、由电话100向卡150传输命令以及由卡150向电话100传输响应。一些交易可以使用几个这样的交换，并且一些交易可以由移动设备使用交易卡的单个读取操作来执行。

在一个示例中，可以理解的是，通过在整个交易中保持磁场耦合到至少等于最小(1.5A/m(rms))磁场强度的程度，可以最好地实现成功的数据传输，并且磁场耦合是信号强度和卡150与移动电话100之间的距离的函数。当测试支持NFC的设备的兼容性时，例如以便确定设备的功率要求(确定操作体积)、传输要求、接收器要求和信号形式(时间/频率/调制特性)是否符合ISO标准，在由NFC论坛模拟规范定义的操作体积内的测试点处进行一系列测试传输。

图2示出了由NFC模拟论坛(analog forum)标识的用于在测试支持NFC的设备时使用的示例性操作体积200。操作体积200定义了设置在非接触式读卡器设备(例如，移动电话设备)周围的三维体积，并且可以表示用于近场通信交换(例如用于由设备对卡进行NFC读取)的优选距离。为了测试NFC设备，可以在诸如点210的各种测试点处测量所接收的信号，以验证均匀场强在该NFC天线类别的最小和最大范围内。

尽管NFC标准指定了特定的操作体积和测试方法，但是容易理解的是，本文描述的原理不限于具有特定尺寸的操作体积，并且方法不要求基于任何特定协议的信号强度来确定操作体积。设计考虑(包括但不限于PCD设备的功率、PICC设备的类型、PCD和PICC设备之间的预期通信、PCD和PICC设备之间的通信的持续时间、PCD设备的成像能力、设备的预计操作环境、设备用户的历史行为等)可以用于确定本文使用的操作体积。由此，下面的任何讨论涉及“目标体积”，在各种实施例中，该“目标体积”可以包括操作体积或操作体积的子集。

虽然在图1A和图1B中，卡150在电话100上的放置可能看起来简单明了，但是通常当卡对准未达最佳标准时提供给用户的唯一反馈是交易失败。非接触式卡EMV交易可能包括需要连接性持续高达两秒的一系列数据交换。在这样的交易期间，用户改动(juggling)卡，NFC读取设备和任何商品可能难以定位和保持卡相对于电话的目标位置以保持成功NFC交换的优选距离。

根据一个方面，为了克服这些问题，卡对准系统和方法激活移动设备的成像组件以捕获一系列图像。该一系列图像可以用于实时定位卡的位置和轨迹，以将卡引导至用于NFC交换的优选距离和/或目标位置。该一系列图像也可以用于自动触发NFC交换或操作，例如通过测量该一系列捕获图像中的暗度水平和/或复杂度水平或其模式。

例如，使用这个信息，对准方法可以确定轨迹调节并标识与轨迹调节相关联的提示，用于将卡引导目标体积。可以使用电话的音频和/或显示组件向用户呈现轨迹调节提示，以将卡引导到目标体积内的目标位置和/或发起NFC读取。在各种实施例中，可以以各种粒度(granularities)定义“目标位置”(或“目标定位”)。例如，目标位置可以包括整个目标体积或目标体积的子集。可替选地，目标位置可以与非接触式卡在目标体积内的特定位置和/或围绕并包括该特定位置的空间相关联。

图3是可以被配置为支持本文公开的对准系统和方法的移动电话的一个实施例的前置顶部部分300。该电话被示出为包括沿着部分300的顶部边缘设置的传感器面板320，但可以理解的是，许多设备可以包括可以不同地定位在它们的设备上的更少或更多的传感器，并且本发明不限于传感器的任何特定类型、数量、布置、位置或设计。例如，大多数电话具有前置相机和前置相机和/或其他传感器，它们中的任何一个可以用于本文描述的用于位置对准引导的目的。

传感器面板320被示出为包括红外相机302、泛光照射器(flood illuminator)304、接近传感器306、环境光传感器308、扬声器310、麦克风312、前置相机314和点阵投影器316。

红外相机302可以与点阵投影器316一起用于深度成像。点阵投影器316的红外发射器可以将多达30000个点以已知模式透射到物体上，诸如用户的脸上。点由专用红外相机302拍摄，用于深度分析。泛光照射器304是光源。接近传感器306是能够在没有任何物理接触的情况下检测附近物体的存在的传感器。

接近传感器通常用于移动设备，并且操作以锁定UI输入，例如当移动电话被保持到耳朵时，检测(并跳过)意外的触摸屏轻击。示例性的接近传感器通过对目标发射电磁场或电磁辐射(例如红外)束并测量从目标接收的所反射的信号来操作。接近传感器的设计可以根据目标的成分而变化；电容式接近传感器或光电传感器可以用于检测塑料目标，并且感应式接近传感器可以用于检测金属目标。应当理解的是，确定接近的其他方法在本公开的范围内，并且本公开不限于通过发射电磁场来操作的接近传感器。

电话的顶部部分300也被示出为包括用于例如控制电话的显示器的亮度的环境光传感器308。扬声器310和麦克风312实现基本的电话功能。前相机314可以用于二维和/或三维图像捕获，如下文更详细描述的那样。

图4是结合了如本文所公开的促进卡位置对准的元件的移动电话或其他支持NFC的设备的代表性组件的框图。这些组件包括经由系统总线420耦合的接口逻辑440、一个或多个处理器410、存储器430、显示控件435、网络接口逻辑440和传感器控件450。

组件中的每个使用硬件、软件或它们的组合来执行特定功能。一个或多个处理器410可以包括各种硬件元件、软件元件或两者的组合。硬件元件的示例可以包括设备、逻辑设备、组件、处理器、微处理器、电路、处理器电路、电路元件(例如，晶体管、电阻器、电容器、电感器等)、集成电路、专用集成电路(application specific integrated circuit，ASIC)、可编程逻辑器件(programmable logic device，PLD)、数字信号处理器(digitalsignal processor，DSP)、现场可编程门阵列(field programmable gate array，FPGA)、专用标准产品(Application-specific Standard Product，ASSP)、片上系统(System-on-a-chip system，SOC)、复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)、存储器单元、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片组等。软件元件的示例可以包括软件组件、程序、应用、计算机程序、应用程序、系统程序、软件开发程序、机器程序、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、程序、过程、软件接口、应用接口(application program interface，API)、指令集、计算代码、计算机代码、代码段、计算机代码段、字、值、符号或其任意组合。确定实施例是否使用硬件元件和/或软件元件来实施可以根据许多因素而变化，诸如期望的计算速率、功率水平、耐热性、处理周期预算、输入数据速率、输出数据速率、存储器资源、数据总线速度和其他设计或性能约束，如给定实施方式所期望那样。

图像处理器415可以是任何处理器，或者可替选地可以是用于对从一个或多个相机452、红外传感器控制器455、接近传感器控制器457和点阵投影器控制器459接收的数据进行图像处理的专用数字信号处理器(DSP)。图像处理器415甚至可以利用SIMD(SingleInstruction Multiple Data，单指令多数据)或MIMD(Multiple Instruction MultipleData，多指令多数据)技术进行并行计算，以提高速度和效率。在一些实施例中，图像处理器可以包括具有多核处理器架构的片上系统，从而实现高速、实时图像处理能力。

存储器430可以包括计算机可读存储介质，以存储程序代码(诸如对准单元程序代码432和支付处理程序代码433)和数据434。存储器430还可以存储用户界面程序代码436。用户界面程序代码436可以被配置为解释在包括物理元件(诸如键盘和触摸屏460)的用户界面元件处接收的用户输入。用户界面程序代码436还可以解释从可以在显示控件435的控制下被显示在用户显示器上的图形用户界面元件(诸如按钮、菜单、图标、标签、窗口、小部件等)接收的用户输入。根据一个方面，并且如下文更详细描述的那样，存储器430还可以存储触发程序代码431。触发程序代码431可以用于自动触发设备和卡之间的NFC通信，例如响应于由相机452或其他传感器设备捕获的一系列图像的所确定的暗度水平和/或复杂度水平。在一些实施例中，被自动触发的操作可以是通常作为对用户输入的响应而执行的那些操作，例如自动触发通过激活用户界面元件(诸如图形用户界面上提供的读取按钮)来发起的读取操作。自动触发减少了与使用用户界面元件来控制NFC通信相关联的延迟和不准确性。

计算机可读存储介质的示例可以包括能够存储电子数据的任何有形介质，包括易失性存储器或非易失性存储器、可移动或不可移动存储器、可擦除或不可擦除存储器、可写或可重写存储器等。程序代码可以包括使用任何合适类型的代码实施的可执行计算机程序指令，诸如源代码、编译代码、解释代码、可执行代码、静态代码、动态代码、面向对象代码、可视代码等。实施例还可以至少部分地被实施为包含在非暂时性计算机可读介质中或其上的指令，这些指令可以由一个或多个处理器读取和执行以使得能够执行本文描述的操作。

对准单元程序代码432包括本文公开的用于非接触式卡/电话通信的定位辅助的程序代码。对准单元程序代码432可以由使用非接触式卡交换以便进行认证或其他目的的电话所提供的任何服务使用。例如，实现在支付处理程序代码433中的服务(诸如支付处理服务)可以在金融交易的初始阶段期间使用非接触式卡交换以便进行认证。

系统总线420为系统组件(包括但不限于存储器430和处理器410)提供接口。系统总线420可以是几种类型的总线结构中的任何一种，这些总线结构还可以互连到使用各种可商购的总线架构中的任何一种的存储器总线(具有或不具有存储器控制器)、外围总线和本地总线。

网络接口逻辑包括被配置为支持与不同形式的网络通信相关联的各种已知协议的发射器、接收机和控制器。可以包括在实施本文公开的方法的移动电话中的示例网络接口包括但不限于WIFI接口442、NFC接口444、蓝牙接口446和蜂窝接口448。

传感器控件450包括可以支持本文公开的位置对准方法的传感器子集，包括一个或多个相机452(其可以包括用于捕获二维和三维的基于光的图像或红外图像的相机技术)、红外传感器454和相关联的红外传感器控制器455、接近传感器456和相关联的接近传感器控制器457以及点阵投影器458和相关联的点阵投影器控制器459。

现在参考图5，示出了用于使用从NFC读取设备的传感器实时获得的图像信息进行非接触式卡定位的示例性过程500的流程图。该过程包括在步骤510检测非接触式卡接近，并且在检测后，在步骤515使用设备的成像能力触发图像捕获，并且在步骤520处理所捕获的一系列图像。处理图像可以至少部分地通过对准单元程序代码来执行，并且可以包括在步骤525将非接触式卡定位在接近设备的目标体积内并且确定卡的轨迹。处理图像还可以包括，在步骤535，预测用于将卡与目标体积内的目标位置对准的轨迹调节、标识用于实现轨迹调节的提示、并在设备上显示提示。提示可以包括指令(呈文本或符号形式)、图像(包括所捕获的图像中的一个或多个)、颜色、颜色模式(color patterns)、声音和其他机制中的一个或多个。

在515处捕获图像并在520处处理图像的过程继续，直到在步骤540处确定非接触式卡处于其目标位置(和/或距设备的优选距离内)为止。然后，在步骤545，对准过程可以发起或使得发起卡和设备之间的数据交换交易/通信。例如，对准过程可以执行向用户提供显示提示以使用户发起交易中的一个或多个。可替选地，当在步骤540检测到对准时，对准过程可以自动发起数据交换过程。在使用NFC接口技术的实施例中，对准过程可以打开NFC接口以启用NFC通信，并且在步骤550执行NFC通信。

图6是位置对准过程600的第一示例性实施例的流程图，该过程使用机器学习预测性模型来处理所捕获的图像，以提取特征、将卡定位在三维目标体积中、并确定卡轨迹。系统还可以使用机器学习预测性模型来标识轨迹调节，以将卡移动到目标体积内的目标位置，并标识实现轨迹调节的提示。

在步骤605，电话监视由设备发射并反射回设备的所反射的能量，包括当所反射的能量超过接近传感器的阈值时，检测卡接近设备。在一些电话中，接近传感器可以使用光传感器芯片来实施。常见的光传感器芯片分别包括Intersil&Sharp公司的ISL29003/23&GP2A。这两个传感器芯片主要是以LUX为单位提供环境光强度的主动光传感器。这种传感器被实施为布尔传感器。布尔传感器返回两个值，“近”和“远”。阈值基于LUX值，即，将光传感器的LUX值与阈值进行比较。LUX值超过阈值意味着接近传感器返回“远”。在任何值低于阈值的情况下，传感器返回“近”。阈值的实际值是常规定义的，这取决于使用的传感器芯片及其光响应、芯片在智能电话主体上的位置和取向、目标非接触式卡的成分和反射响应等。

在步骤610，响应于卡正在接近设备，设备发起图像捕获。图像捕获可以包括使用设备上可访问的一个或多个相机来捕获二维图像。二维图像可以由可见光和红外相机中的一个或两个捕获。例如，一些移动设备可能包括能够拍摄高动态范围(HDR)照片的后置相机。

某些移动设备可以包括沿着不同成像平面捕获图像以创建景深效果的双相机。一些可以进一步包括“自拍”红外相机或者可以包括红外发射器技术，例如用于将红外光的点阵以已知的模式投影到目标上。这些点可以被红外相机拍摄用于分析。

来自上述源中的任何一个或多个的所捕获的图像、和/或所捕获的图像的子集或各种组合然后可以被转发到步骤615和620，用于进行图像处理和非接触式卡定位，包括确定非接触式卡的位置和轨迹。

根据一个方面，图像处理包括构建接近电话的目标体积的体积地图，包括接近和/或包括电话的NFC接口的操作体积的至少一部分的区域，其中体积地图被表示为存储与可见或红外光谱内的体素(voxels)的颜色和/或强度相关的值的体素的三维阵列。在一些实施例中，体素是构成概念三维空间的体积的元素的阵列中的离散元素，例如三维对象的表示被分成的离散元素阵列中的每个。

根据一个方面，位置对准包括处理目标体积的体素以提取非接触式卡的特征来确定卡在目标体积内的位置，以及比较在不同时间点构建的目标体积的体素以跟踪卡随时间的移动来确定卡轨迹。可以使用各种过程来跟踪位置和轨迹，包括使用机器学习模型和可替选地使用SLAM技术，现在在下面更详细地描述每个过程。

机器学习是人工智能的分支，其与可以从数据中学习、对数据进行分类和进行关于数据的预测的数学模型有关。这种数学模型(其可以被称为机器学习模型)可以对两个或更多个类别之间的输入数据进行分类；对两个或多个组之间的输入数据进行聚类；基于输入数据预测结果；标识输入数据中的模式或趋势；标识输入数据在空间中的分布；或者这些的任意组合。机器学习模型的示例可以包括(i)神经网络；(ii)决策树，诸如分类树和回归树；(iii)分类器，诸如朴素偏差分类器、逻辑回归分类器、岭回归分类器、随机森林分类器、最小绝对收缩和选择算子(least absolute shrinkage and selector，LASSO)分类器以及支持向量机；(iv)聚类器，诸如k均值聚类器、均值漂移聚类器和谱聚类器；(v)分解器，诸如分解机、主成分分析器和核主成分分析器；以及(vi)机器学习模型的集合或其他组合。在一些示例中，神经网络可以包括深度神经网络、前馈神经网络、递归神经网络、卷积神经网络、径向基函数(RBF)神经网络、回声状态神经网络、长短期记忆神经网络、双向递归神经网络、门控神经网络、分层递归神经网络、随机神经网络、模块化神经网络、脉冲神经网络、动态神经网络、级联神经网络、神经模糊神经网络或这些的任意组合。

不同的机器学习模型可以互换使用来执行任务。可以至少部分使用机器学习模型来执行的任务的示例包括各种类型的评分；生物信息学；化学信息学；软件工程；欺诈检测；客户细分；生成在线推荐；自适应网站；确定客户终生价值；搜索引擎；实时或接近实时地投放广告；对DNA序列进行分类；情感计算；执行自然语言处理和理解；对象识别和计算机视觉；机器人运动；玩游戏；优化和元启发式算法；检测网络入侵；医疗诊断和监视；或者预测资产(诸如机器)将何时需要维护。

机器学习模型可以通过称为训练的至少部分自动化(例如，很少或没有人参与)的过程来构建。在训练期间，输入数据可以被迭代地供应给机器学习模型，以使得机器学习模型能够标识与输入数据相关的模式或者标识输入数据和输出数据之间的关系。利用训练，机器学习模型可以从未训练状态转换到经训练的状态。输入数据可以被分割成一个或多个训练集和一个或多个验证集，并且训练过程可以重复多次。分割可以遵循k重交叉验证规则、留一法规则、留p法规则或留出法规则。

根据一个实施例，机器学习模型可以被训练为在非接触式卡靠近NFC读取设备时使用由该设备的一个或多个成像元件捕获的图像信息来标识该卡的特征，并且特征信息可以用于标识该卡在目标体积内的位置和轨迹。

现在将参考图7的流程图描述用于位置和轨迹标识的机器学习模型的训练和使用方法700的概述。在框704，可以接收训练数据。在一些示例中，训练数据可以从远程数据库或本地数据库接收、根据各种数据子集构建、或者由用户输入。训练数据可以以其原始形式用于训练机器学习模型，或者被预处理成另一形式，然后其可以用于训练机器学习模型。例如，训练数据的原始形式可以被平滑化、截断、聚集、聚类或以其他方式操控成另一形式，然后其可以用于训练机器学习模型。在实施例中，训练数据可以包括通信交换信息、历史通信交换信息和/或与通信交换相关的信息。通信交换信息可以针对一般人群和/或特定于金融机构数据库系统中的用户和用户账户。例如，对于位置对准，训练数据可以包括处理包括处于不同气象和来自不同视角的非接触卡的图像数据，以学习这些取向和视角下的卡的特征的体素值。为了进行轨迹调节和提示标识，这种训练数据可以包括与在不同位置时轨迹调节对卡的影响相关的数据。机器学习模型可以被训练为通过测量提示在实现轨迹调节时的有效性来标识提示，其中在一个实施例中，有效性可以通过时间与卡对准来测量。

在框706，可以使用训练数据来训练机器学习模型。机器学习模型可以以有监督、无监督或半监督的方式进行训练。在监督训练中，训练数据中的每个输入可以与期望的输出相关联。期望的输出可以是标量、矢量或不同类型的数据结构，诸如文本或图像。这可以使得机器学习模型能够学习输入和期望的输出之间的映射。在无监督训练中，训练数据包括输入，但不包括期望的输出，使得机器学习模型必须自己在输入中找到结构。在半监督训练中，只有训练数据中的输入的一些与期望的输出相关。

在框708，可以评估机器学习模型。例如，可以例如通过用户输入或从数据库获得评估数据集。评估数据集可以包括与期望的输出相关的输入。可以将输入提供给机器学习模型，并且可以将来自机器学习模型的输出与期望的输出进行比较。如果来自机器学习模型的输出与期望的输出紧密对应，则机器学习模型可以具有高精确度。例如，如果来自机器学习模型的90％或更多的输出与评估数据集中的期望的输出(例如，当前通信交换信息)相同，则机器学习模型可以具有高精确度。否则，机器学习模型可能具有较低的精确度。90％的数字可能只是示例。现实的和期望的准确度百分比可能取决于问题和数据。

在一些示例中，如果机器学习模型对于特定任务具有不充分的精确度，则过程可以返回到框706，在框706，可以使用附加的训练数据来进一步训练机器学习模型，或者以其他方式修改机器学习模型以提高精度。如果机器学习模型对于特定任务具有足够的精确度，则该过程可以继续到框710。

此时，一个或多个机器学习模型已经使用训练数据集被训练为：处理所捕获的图像以确定位置和轨迹、基于当前位置和轨迹预测卡相对于设备的投影位置、标识至少一个轨迹调节和实现轨迹调节的一个或多个提示。

在框710，接收新数据。例如，在用于每个非接触式卡通信交换的位置对准期间，可以接收新数据。在框712中，经训练的机器学习模型可以用于分析新数据并提供结果。例如，新数据可以作为输入提供给经训练的机器学习模型。当接收到新数据时，特征提取预测、位置和轨迹预测的结果可以被持续调谐以最小化对准过程的持续时间。

在框714中，可以对结果进行后处理。例如，结果可以作为作业的一部分添加到其他数据、与其他数据相乘或以其他方式组合。作为另一示例，结果可以从第一格式(诸如时间序列格式)转换成另一格式(诸如计数序列格式)。在后处理期间，可以对结果执行任意数量的操作和操作的组合。

同步定位和建图(SLAM)已经在用于3D图像空间的动态重建的机器人领域中被很好地定义。例如，Davidson等人的“MonoSLAM:Real-Time Single Camera SLAM”，IEEETransactions on Pattern Analysis and Machine Intelligence,Vol.29,No.6,2007(通过引用并入本文)聚焦于定位，并提出了可以恢复快速移动通过先前未知场景的单目相机的3D轨迹的实时算法。根据一个方面，认识到的是由Davidson描述的用于相机跟踪的技术可以被用于在本文公开的位置对准系统和方法中使用。如上所述，SLAM技术可以用来跟踪电话的相机相对于卡的所检测的特征的前进，而不是跟踪卡相对于电话的前进，以实现相对于电话定位卡的类似结果。

现在参考图8，现在将描述示出用于非接触式卡定位的MonoSLAM方法800的示例性步骤的流程图，该方法可以用于执行图6的步骤615和620的功能。由Davidson公开的技术构造在基于状态的框架中无限期地被引用的场景地标的持久地图(persistent map)。当相机运动受到限制时形成持久地图可能是有利的，并且因此SLAM技术可能有利于聚焦于特定对象(诸如非接触式卡)的位置对准过程。持久地图的使用使得算法的处理要求是有界的，并且可以保持连续的实时操作。

SLAM允许对移动的相机及其地图的状态进行动态概率估计，以使用运动的估计来限制预测性搜索，从而引导有效的处理。

在步骤810，可以生成初始的基于概率特征的地图，该地图在任何时刻表示相机的状态和所有感兴趣特征的当前估计的快照，以及这些估计中的不确定性。地图可以在系统启动时被初始化，并且持续到操作结束，但是可以在其随着时间被更新有新的图像信息时连续且动态地演变。相机和特征的概率状态的估计在相对相机/卡运动和特征观察期间被更新。当观察到新的特征时，地图会随着新的状态进行放大，如果需要，还可以删除特征。然而，应当理解的是，一旦非接触式卡的特征可以以高概率确定性被标识，进一步的图像处理可以将后续搜索限制到所定位的特征。

地图的概率特性不仅在于相机/卡的状态的平均“最佳”估计值随时间的传播，还在于描述与这些值的可能偏差的大小的一阶不确定性分布。数学上，地图可以由状态向量和协方差矩阵P来表示。状态向量x^可以由相机和特征的堆叠状态估计构成，并且P可以是等维的方阵，其可以被划分为子矩阵元素，如以下等式I所示：

等式I：

所有地图参数的概率分布被近似为一个单一的多元高斯分布在一个维数等于总状态向量大小的空间。明确地说，相机的状态向量xv包括一个度量的3D位置向量rW、方向四元数qRW、速度向量vW和角速度向量ωR相对于由相机携带的固定世界帧W和“机器人”帧R(13个参数)，如以下等式II所示：

等式II：

其中特征状态y_i是点特征的位置的3D位置向量；根据一个方面，点特征可以包括非接触式卡的特征。地图825的角色允许实时定位捕获高质量地标的稀疏集合。具体而言，可以假设每个地标对应于3D空间中的良好定位的点特征。相机可以被建模为刚性主体，从而需要平移和旋转参数来描述其位置，并且我们还保持对其线速度和角速度的估计。根据一个方面，本文中的相机建模可以相对于所提取的特征(即，非接触式卡)平移，以定义卡移动的平移和旋转参数，从而保持卡相对于电话的线速度和角速度。

在一个实施例中，在步骤830，Davison采用相对较大(11×11像素)的图像块作为长期地标特征。相机定位信息可以用于改善相机位移和旋转上的匹配。显著图像区域(salient image regions)最初可以使用例如J.Shi和C.Tomasi，“Good Features toTrack”，Proc.IEEE Conf.Computer Vision and Pattern Recognition,pp.593-600,1994(通过引用并入本文)(其提供了可重复的视觉标志检测)中描述的技术自动检测(即，基于卡属性)。一旦特征的3D位置(包括深度)被完全初始化，每个特征可以被存储为定向的平面纹理。当从新的(相对的)相机位置对特征进行测量时，其面块(patch)可以从3D投影到图像平面，以产生用于与真实图像匹配的模板。所保存的特征模板随着时间被保留，以便使得能够在任意长的时间段内重新测量特征的位置，从而确定特征轨迹。

根据一个实施例，可以使用恒定速度、恒定角速度模型，该模型假设相机在所有时间内以恒定速度移动，同时在高斯分布图内出现未确定的加速度。虽然这个模型赋予相对卡/相机运动一定的平滑度，但是它赋予使用稀疏视觉测量的系统鲁棒性。在一个实施例中，可以在SLAM地图内搜索特征之前确定图像特征的所预测的位置(即，预测的卡位置)。

Davison的方法的一个方面涉及在850处预测特征位置，并将图像回顾限制在所预测的特征位置。图像帧本身之间的特征匹配可以使用对投影到当前相机估计中的模板块的直接归一化互相关搜索来实行；可以在图像上扫描模板，并从所预测的位置开始对该模板进行测试以获得匹配，直到找到峰值为止。合理的置信界限(confidence bound)假设关注图像处理工作，通过使用稀疏地图将搜索限制在输入图像的微小搜索区域使图像处理能够以高帧率实时执行。

在一个实施例中，预测位置可以如下进行。首先，使用相机位置的估计x_v和特征位置的估计y_i，点特征相对于相机的位置预期为如以下等式III所示：

等式III：

利用透视相机，使用以下等式IV中示出的标准针孔模型，可以找到预期在图像中找到特征的位置(u，v)：

其中fk_u、fk_v、u₀和v₀包括标准相机校准参数。这种方法使得能够主动控制观察方向朝向具有高新息协方差的有利的测量，从而使得能够将每帧的特征搜索的最大数量限制为10或12个信息量最大的搜索。

根据一个方面，因此可以理解的是，与SLAM相关联的性能益处(包括在限制无关图像处理的同时执行非接触式卡的实时定位的能力)将有利于本文公开的位置对准系统。

回到图6，一旦位置和轨迹信息可以通过机器学习模型、SLAM技术或其他方法获得，根据一个方面，位置对准系统和方法包括用于预测轨迹调节和相关联提示以将卡引导到目标体积内的目标位置的过程625。根据一个方面，可以使用预测性模型(诸如使用上述机器学习原理训练和保持的机器学习模型)来执行预测，以基于先前的轨迹调节和提示的有效性来标识轨迹调节和提示，并由此该预测通过用户行为进行定制。轨迹调节可以例如通过标识目标位置和所预测的位置之间的方差并选择对当前轨迹的调整以最小化方差来确定。有效性可以以多种方式来测量，包括但不限于位置对准过程的持续时间。例如，在一些实施例中，人工智能、神经网络或机器学习模型的其他方面可以自行选择对于帮助用户实现卡对准的最终结果最有效的那些提示。

在一些实施例中，可以设想的是轨迹调节可以链接到被配置为实现相关联的轨迹调节的一个或多个提示的集合。一个或多个提示的集合可以包括听觉和视觉提示，并且可以呈指令(呈文本或符号形式)、图像(包括所捕获的图像中的一个或多个)、颜色、颜色模式、声音和由设备显示的其他机制中的一个或多个的形式。在一些实施例中，可以为每个提示存储有效性值，其中有效性值与历史反应和显示实现轨迹调节的这种提示的效果相关。可以由机器学习模型使用有效性值来选择轨迹调节和/或提示中的一个或多个，以将卡引导到目标位置。

在步骤630，提示可以显示在电话的显示器上。在步骤635，该过程继续捕获图像信息、确定位置和轨迹、标识轨迹调节和显示提示，直到在步骤635可以确定目标位置和所预测的位置之间的差异在预定阈值内为止。预定阈值是设计选择的问题，并且可以根据目标体积、NFC天线等中的一个或多个而变化。

一旦在步骤635确定方差在阈值内，就可以认为卡是对准的，并且在步骤630，可以在步骤640触发NFC移动设备来发起与卡的通信交换。

根据一个方面，数据交换可以是如‘119申请中描述的密码数据交换。在密码交换期间，在电话和非接触式卡之间已经建立通信之后，非接触式卡可以根据NFC数据交换格式生成消息认证码(message authentication code，MAC)密码。特别地，这可以在读取(诸如NFC读取)近场数据交换(NDEF)标签时发生，该标签可以根据NFC数据交换格式创建。例如，由设备100(图1A)执行的应用可以向非接触式卡150(图1A)传输消息，诸如小程序选择消息(具有NDEF产生小程序的小程序ID)，其中小程序可以是存储在非接触式卡的存储器中的小程序，并且当由非接触式卡的处理组件执行时可操作以产生NDEF标签。在确认选择后，可以传输随后是读取文件消息的选择文件消息的序列。例如，序列可能包括“选择功能文件”、“读取功能文件”和“选择NDEF文件”。此时，由非接触式卡保持的计数器值可以被更新或递增，随后可以是“读取NDEF文件”。

此时，可以生成可以包括报头和共享秘密的消息。然后可以生成会话密钥。MAC密码可以根据消息创建，该消息可以包括报头和共享秘密。MAC密码然后可以与一个或多个随机数据块连接，并且MAC密码和随机数(random number，RND)可以用会话密钥加密。此后，密码和报头可以被连接，并被编码为ASCII十六进制，并以NDEF消息格式返回(响应于“读取NDEF文件”消息)。

在一些示例中，MAC密码可以被传输为NDEF标签，并且在其他示例中，MAC密码可以与统一资源指示符一起被包括(例如，作为格式化的字符串)。

在一些示例中，应用可以被配置为向非接触式卡传输请求，该请求包括生成MAC密码的指令，并且非接触式卡向应用发送MAC密码。

在一些示例中，MAC密码的传输经由NFC发生，然而，本公开不限于此。在其他示例中，这种通信可以通过蓝牙、Wi-Fi或其他无线数据通信方式进行。

在一些示例中，MAC密码可以作为数字签名起作用用于验证的目的。例如，在一个实施例中，MAC密码可以由被配置为使用计数器值实施密钥多样化的设备生成。在这样的系统中，传输设备和接收设备可以被提供有相同的主对称密钥。在一些示例中，对称密钥可以包括共享秘密对称密钥，该共享秘密对称密钥可以对除了参与交换安全数据的传输设备和接收设备之外的所有方保持秘密。还应当理解的是，传输设备和接收设备两者可以被提供有相同的主对称密钥，并且还应当理解的是，传输设备和接收设备之间交换的数据的一部分包括可以被称为计数器值的数据的至少一部分。计数器值可以包括每次在传输设备和接收设备之间交换数据时改变的数字。此外，传输设备和接收设备可以使用适当的对称密码算法，该对称密码算法可以包括对称加密算法、HMAC算法和CMAC算法中的至少一个。在一些示例中，用于处理多样化值的对称算法可以包括根据需要用于生成期望长度的多样化对称密钥的任何对称密码算法。对称算法的非限制性示例可以包括对称加密算法(诸如3DES或AES128)、对称HMAC算法(诸如HMAC-SHA-256算法)、以及对称CMAC算法(诸如AES-CMAC)。

在一些实施例中，传输设备可以采用所选择的密码算法，并使用主对称密钥来处理计数器值。例如，发送者可以选择对称加密算法，并使用随着传输设备和接收设备之间的每次对话而更新的计数器。传输设备然后可以使用主对称密钥利用所选择的对称加密算法加密计数器值，从而创建多样化的对称密钥。多样化的对称密钥可以用于在将结果传输到接收设备之前处理敏感数据。传输设备然后可以将受保护的加密数据连同计数器值一起传输到接收设备以便进行处理。

接收设备可以首先获取计数器值，并且然后使用计数器值作为加密的输入以及主对称密钥作为用于加密的密钥，来执行相同的对称加密。加密的输出可以是由发送者创建的相同的多样化对称密钥值。接收设备然后可以获取受保护的加密数据，并使用对称解密算法以及多样化的对称密钥来解密受保护的加密数据以显露原始敏感数据。下一次敏感数据需要从发送者经由相应传输设备和接收设备发送到接收者时，可以选择不同的计数器值从而产生不同的多样化对称密钥。通过利用主对称密钥和相同的对称密码算法处理计数器值，传输设备和接收设备两者可以独立地产生相同的多样化对称密钥。这种多样化的对称密钥(而不是主对称密钥)可以用于保护敏感数据。

在一些示例中，密钥多样化值可以包括计数器值。密钥多样化值的其他非限制性示例包括：每次需要新的多样化密钥时生成的随机数，该随机数从传输设备发送到接收设备；从传输设备和接收设备发送的计数器值的全值；从传输设备和接收设备发送的计数器值的一部分；由传输设备和接收设备独立保持但不在两个设备之间发送的计数器；在传输设备和接收设备之间交换的一次性通行码；以及敏感数据的密码散列。在一些示例中，可以由各方使用密钥多样化值的一个或多个部分来创建多个多样化密钥。例如，计数器可以用作密钥多样化值。进一步，可以使用上述示例性密钥多样化值中的一个或多个的组合。

图9是示出了使用本文公开的位置对准系统来将非接触式卡与配备有接近传感器和成像硬件和软件的NFC移动设备对准的流程图900。在步骤905，位置对准逻辑检测由设备执行通信交换的请求。在步骤910，位置对准逻辑(它们使用设备的接近传感器)测量由设备发射并被反射到设备的所反射的能量，包括确定所反射的能量何时超过指示卡与设备的接近的预定阈值。

图10示出了靠近电话1010的接近传感器1015的操作体积1020的非接触式卡1030。在电话进入操作体积1020时，在一个实施例中，由接近传感器1015发射的红外光束作为信号R 1035反射回到接近传感器1015。在卡移动更接近电话的操作体积时，所反射的信号强度增加，直到达到触发阈值为止，此时接近传感器指示卡为“近”。在一些实施例中，在接近搜索期间，电话的显示器1050可以例如通过提供如图10所示的它正在搜索卡的通知、通过提供视觉或听觉指令等提示用户。

在步骤915(图9)，当接近传感器被触发时，位置对准逻辑控制设备的相机和红外深度传感器中的至少一个，以在所反射的能量超过预定阈值时捕获接近设备的三维体积的一系列图像。根据NFC读取器的位置和相机在电话上的位置，可以理解的是，可以选择包括与电话的NFC接口的操作体积的至少一部分重叠的操作体积的相机用于图像捕获。

在步骤920，位置对准逻辑处理所捕获的多个图像，以确定卡在接近设备的三维体积中的位置和轨迹。如前所述，该处理可以由使用将卡引导到目标位置的历史尝试训练的机器学习模型和同步定位与建图(SLAM)过程中的一个或两个来执行。在步骤925，位置对准过程基于卡的位置和轨迹预测卡相对于设备的投影位置，并且在步骤930，标识投影位置和目标位置之间的一个或多个差异，包括标识被选择来减小一个或多个差异的至少一个轨迹调节，并且标识实现轨迹调节的一个或多个提示，并且在步骤935，位置对准过程在设备的显示器上显示一个或多个提示。

图11示出了捕获与目标体积1120内的卡1150相关的图像信息的电话1110的示例性显示器1105。显示器1105可以包括多个提示，诸如可以被显示给用户以帮助将卡1150引导到目标位置的与目标位置相关联的位置提示1115、图像提示1130和箭头提示1140。图像提示1130可以包括例如在位置对准期间由电话1110的成像组件捕获的图像的一部分，并且可以有利于用户帮助用户理解他们相对于目标的移动。箭头1140可以提供方向辅助，例如如图11所示，从而监视用户向上调节卡以便进行正确对准。也可以使用其他类型的提示，包括但不限于文本指令、符号和/或表情符号、听觉指令、基于颜色的指导(即，当卡距离目标相对较远时向用户显示第一颜色(诸如红色)，并且当卡变得对准时将屏幕转变为绿色)。

在步骤940(图9)，位置对准过程可以重复以下步骤直到一个或多个差异在预定阈值内为止：捕获图像信息，确定卡的位置和轨迹，预测卡的投影位置，标识一个或多个差异、至少一个轨迹调节和一个或多个提示，以及显示一个或多个提示。在步骤945，当差异小于预定阈值时，位置对准过程可以触发由设备的读卡器对卡进行读取。在一些实施例中，位置对准过程可以在卡和移动设备之间的数据交换期间继续操作，例如如果卡在读取期间移动，则提供调节卡的位置的提示。

图12A、图12B和图12C是一旦检测到对准可以通过位置对准过程提供的显示提示的示例。在图12A中，当卡与目标位置对准时，可以提供提示1220来通知用户。在一些实施例中，界面可以提供链接(诸如链接1225)，以使用户能够通过电话发起卡读取。在其他实施例中，对准可以自动触发卡读取。

在图12B中，在卡读取过程期间，可以向用户提供提示，例如倒计时提示1230。此外，可以提供附加提示，例如箭头1240，以使用户能够校正在读取期间可能对卡发生的任何移动，以确保连接性不会丢失，并提高NFC通信的成功率。如图12C所示，在读取之后，显示器向用户提供关于通信交换成功或失败的通知1250

因此，已经示出并描述了有助于将非接触式卡相对于非接触式卡读取设备定位在目标体积中的优选位置的位置对准系统和方法。对准逻辑使用从诸如红外接近检测器、相机、红外传感器、点阵投影器等可用成像设备捕获的信息来将卡引导到目标位置。可以使用机器学习模型和/或同步定位与建图逻辑中的一个或两个来处理所捕获的图像信息以标识卡位置、轨迹和所预测的位置。可以使用机器学习技术来智能地控制和定制轨迹调节和提示标识，以基于用户的偏好和/或历史行为来定制引导。结果，提高了非接触式卡对准的速度和精度，并且最大化了所接收的NFC信号强度，从而减少了失败交易(droppedtransactions)的发生。

上述技术已经讨论了用于一旦最初使用接近传感器检测到卡的接近就将非接触式卡放置到相对于设备的读卡器界面的期望位置的各种方法。然而，应当理解的是，本文公开的原理可以被扩展以使用所捕获的图像数据来检测卡的接近，从而增强或者完全替代接近传感器信息。所捕获的图像信息还可以被处理以确定卡何时相对于读卡器界面处于特定位置，并自动执行与用户界面元件相关联的操作，例如，由移动设备自动触发NFC读取操作或其他功能，而无需等待用户输入。这种布置使得能够在不需要用户输入的情况下(例如绕过与设备的用户界面元件进行人类交互的需要)自动触发控制操作的能力。

根据一个方面，图像处理逻辑415(图4)可以被增强以包括用于确定可以表明卡与读卡器的接近的图像参数的程序代码。例如，图像参数可以与图像的接近特征(即，指示物体可能接近相机的特征)相关。在一些实施例中，读卡器可以被定位在与用于捕获图像的设备的相机相同的表面上，并且因此图像信息可以进一步指示卡与读卡器的接近。在各种实施例中，读卡器/相机可以被定位在设备的正面或背面上。

在一些实施例中，图像参数包括图像的暗度水平和/或复杂度水平中的一个或多个。例如，现在简要参考图13A和图13B，设备1310可以是具有如上所述配置的非接触式卡读取界面以例如当使卡1320接近设备1310时从非接触式卡1320获取MAC密码的设备。例如，该设备可以发送具有NDEF产生小程序的小程序ID的小程序选择消息，其中小程序可以是存储在非接触式卡的存储器中的小程序，并且当由非接触式卡的处理组件执行时可操作以产生NDEF标签。根据一个方面，可以使用设备的相机捕获一系列图像，并且可以分析暗度水平和/或复杂度水平，以确定卡何时可能距设备优选距离，从而自动触发来自非接触卡的NDEF产生小程序的NFC读取操作的转发。

在图13A和图13B中，仅出于解释的目的，图像1320被示出在设备1310的显示器1340上，尽管没有必要在设备1310上显示如本文所公开的用于确定卡接近的所捕获的图像。

根据一个实施例，当设备发起NFC通信时(例如，通过用户在设备上的用户界面上选择NFC读取操作(诸如按钮1225)、或者通过设备接收到例如来自第三方(诸如商家应用或移动通信设备)的对设备发起与卡的NFC通信的请求等)，设备可以捕获接近设备的空间体积的一系列图像。该一系列图像可以被处理以标识该系列中的图像中的一个或多个的一个或多个图像参数，包括但不限于图像的暗度水平或复杂度水平。复杂度水平和/或暗度水平可以用于触发NFC读取。可替选地或结合地，图像处理可以包括标识表明卡的前进的一系列图像或一系列图像的部分的暗度和/或复杂度水平方面的趋势和/或模式。指示卡可能相对于设备具有优选距离的一系列图像内的趋势和/或模式的标识可以用于自动触发NFC读取。

例如，如图13A至图13C所示，当卡离设备较远时，所捕获的图像(在此表示为图像1330A)可能比在卡1320靠近设备时相对较晚捕获的图像1330B相对更亮。如图13B所示，随着卡移动得更近，图像变得更暗，直到如图13C所示，所捕获的图像(在图13C中不可见)变暗，卡1320阻挡光出现在图像中。这可能是因为在卡靠近设备时，卡(或手)可能阻挡由相机接收的环境光。

如上所提及那样，可以响应于所捕获的系列图像中的暗度水平、暗度水平趋势、复杂度水平和/或复杂度水平趋势，来确定在距设备优选距离处卡的存在。特别地，卡的存在可以通过处理该一系列图像的像素值以标识每个经处理的像素的暗度水平来确定。例如，为像素分派灰度值。图像的暗度水平可以通过平均化图像像素的暗度水平来确定。在一些实施例中，当卡距设备优选距离时，可以将暗度水平与对应于暗度水平的阈值进行比较，例如这样的距离支持成功的NFC读取操作。在一些实施例中，阈值可以是绝对阈值；例如，在“0”指示白色，并且“1”指示黑色的系统中，当暗度水平等于0.8或更大时，卡可以被认为是“存在的”，并且读卡器可以被启用。在其他实施例中，阈值可以是考虑通信交换将要发生的环境的环境光的相对阈值。在这样的实施例中，所捕获的第一图像可以提供基线暗度水平，并且阈值可以与超过阈值以触发NFC通信的量相关；例如，阈值可以是相对阈值。例如，在初始暗度水平为0.8的黑暗房间中，可能期望的是延迟触发NFC通信，直到暗度水平等于0.95或更高为止。

除了基于单独计算的暗度水平触发NFC通信之外，该系统还设想识别图像暗度水平的趋势或模式以触发NFC读取。识别趋势可以包括例如确定图像的集合上的平均值，并且当图像的集合上的平均值满足阈值时触发读取。例如，虽然单个图像可能超过阈值，但是卡的位置可能不够稳定而无法执行NFC读取，并且因此可能期望的是在触发读取之前规定预定数量的连续捕获的图像超过暗度阈值。另外地或可替选地，可以监视连续处理的图像以标识尖峰和/或稳定期(plateaus)，即，指示读卡器处的活动的、在连续图像之间保持的暗度水平方面的突然移位。

在一些实施例中，整个图像的暗度水平可以通过平均化所计算的像素暗度值的至少一个子集来确定。在一些实施例中，某些暗度值可以被加权以增加它们与暗度水平计算的相关性；例如，已知接近读卡器或较接近所识别的特征的图像的那些部分可能比离读卡器较远的那些部分具有更高的权重。

如上所述，可以为每个所捕获的图像计算复杂度水平，其中复杂度水平通常与所捕获的图像内的像素值的频率分布相关。在一个实施例中，通过将每个像素的像素值与一个或多个相邻像素的像素值进行比较，可以逐像素地确定复杂度值。在卡变得更接近设备时，如图13B所示，如果卡被正确地定位，背景图像可能会被卡遮挡。在卡覆盖图像时，图像默认地变得更加均匀，并且相邻像素通常包含相同的像素值。在各种实施例中，可以为图像中的每个像素或者为图像中先前标识的位置处的像素子集确定复杂度。每个像素的复杂度可以通过检查相邻像素值来确定。整个图像的复杂度水平可以通过平均化所计算的像素复杂度值的至少一个子集来确定。在一些实施例中，某些复杂度水平可以被加权以增加它们与复杂度计算的相关性；例如，已知接近读卡器或所标识的特征的图像的那些部分可能比离读卡器或所标识的特征较远的那些部分具有更高的权重。

在其他实施例中，诸如本文公开的那些的机器学习方法可以增强图像处理，例如通过识别连续图像中指示接近读卡器的已知卡活动的像素暗度/像素复杂度值方面的模式。这种模式可以包括例如以已知方式变化的像素暗度/复杂度水平(即，从上到下或从下到上变暗)。模式还可以包括有助于卡识别的图像元素(诸如条纹、图标、印刷物等)，并且可以如上所述被用于为特定识别的卡提供正确放置的提示。随着时间的推移，与成功和不成功的卡读取相关的信息可以用于确定适当的图像模式，该图像模式确立卡存在以便进行成功的NFC卡通信交换。

图14是可以使用上述暗度和/或复杂度图像属性中的一个或两个来触发NFC卡读取的示例性步骤的流程图。在步骤1410，可以由设备发起近场通信。近场通信的发起可能由于选择了设备上的用户界面元件(诸如图12A中的读取按钮1225)而发生。可替选地或结合地，近场通信的发起可以作为在设备上执行的应用(例如利用来自卡的密码用于认证或其他目的的应用)进行的动作的结果而发生。

在NFC通信的发起期间，在步骤1420，设备的相机(诸如前置相机)可以捕获设备相机的前部中的空间体积的一系列图像。在一些实施例中，每秒可以捕获60、120、240或更多个图像，尽管本公开不限于捕获该系列中的任何特定数量的图像。在步骤1430，可以处理图像以标识一个或多个图像参数，诸如代表卡和设备之间距离的暗度水平。在步骤1440，将图像的经处理的暗度水平与预定的暗度水平(例如与用于近场通信操作的优选距离相关联的暗度水平)进行比较。在步骤1450，当确定暗度对应于用于NFC读取操作的优选暗度水平时，NFC读取操作可以被自动触发，例如以传送来自卡的小程序的密码。

在一些实施例中，NFC读取操作的自动触发可以绕过或替换由用户界面元件历史上提供的触发。例如，在一些实施例中，可以在设备上提供诸如读取按钮(1225)的图形用户界面元件，以使得当用户确定卡可以相对于设备适当定位时，用户能够激活NFC通信。在一些实施例中，用户界面元件可以与诸如读取操作的功能相关联。可以理解的是，可以使用本文描述的技术来触发其他用户界面元件，并且可以自动触发各种相对应的相关联的功能。本文公开的自动触发可以减少与历史控制的用户界面元件相关联的延迟和不准确性，从而改善NFC通信流和成功率。

因此，已经示出并描述了一种用于使用所捕获的图像信息来检测卡的存在以触发NFC读取的系统和方法。这样的系统可以利用上面更详细描述的机器学习方法和/或SLAM方法，以在触发卡读取之前提供附加引导。利用这样的布置，改善了卡的放置，并且可以提高NFC通信交换的成功率。

如在本申请中所使用的，术语“系统”、“组件”和“单元”旨在指代计算机相关的实体，或者是硬件、硬件和软件的组合、软件、或者是执行中的软件，它们的示例在本文中描述。例如，组件可以是但不限于在处理器上运行的进程、处理器、硬盘驱动器、多个存储驱动器、(光和/或磁存储介质的)非暂时性计算机可读介质、对象、可执行文件、执行的线程、程序和/或计算机。举例来说，运行在服务器上的应用和服务器两者可以是组件。一个或多个组件可以驻留在进程和/或执行的线程中，并且组件可以位于一台计算机上和/或分布在两台或多台计算机之间。

进一步，组件可以通过各种类型的通信介质彼此通信耦合，以协调操作。协调可以包括单向或双向的信息交换。例如，组件可以以通过通信介质传送的信号的形式传送信息。该信息可以被实施为被分配给各种信号线的信号。在这种分配中，每个消息是信号。然而，另外的实施例可以可替选地采用数据消息。这种数据消息可以通过各种连接发送。示例性连接包括并行接口、串行接口和总线接口。

一些实施例可以使用表述“一个实施例”或“实施例”及其派生词来描述。这些术语意味着结合该实施例描述的特定特征、结构或特性被包括在至少一个实施例中。短语“在一个实施例中”在说明书中的不同地方的出现不一定全部指同一实施例。另外，除非另有说明，以上描述的特征被认为可以以任何组合一起使用。因此，任何单独讨论的特征可以彼此结合使用，除非注意这些特征彼此不兼容。

一般参考本文中使用的符号和命名，本文中的详细描述可以根据可以被实施为在计算机或计算机的网络上执行的程序过程的功能框或单元来呈现。由本领域技术人员使用这些程序描述和表示来最有效地向本领域其他技术人员传达他们的工作的实质。

程序在此并且通常被认为是导致期望的结果的自洽的操作序列。这些操作是需要对物理量进行物理操控的那些操作。通常，尽管不是必须的，这些量采取能够被存储、传送、组合、比较和以其他方式操控的电、磁或光信号的形式。主要是出于通用的原因，将这些信号称为位、值、元素、符号、字符、项、数字等有时被证明是方便的。然而，应该注意的是，所有这些和类似的术语与适当的物理量相关联，并且仅仅是应用于这些量的方便标签。

进一步，所执行的操控通常被称为诸如相加或比较的术语，这些术语通常与由人类操作员执行的精神操作相关联。在形成一个或多个实施例的一部分的本文描述的操作中的任何一个中，人类操作员的这种能力不是必需的，或者在大多数情况下不是期望的。而是，这些操作是机器操作。用于执行各种实施例的操作的有用机器包括通用数字计算机或类似设备。

一些实施例可以使用表达“耦合”和“连接”及其派生词来描述。这些术语不一定旨在是彼此同义。例如，一些实施例可以使用术语“连接”和/或“耦合”来描述，以指示两个或更多个元件彼此直接物理或电接触。然而，术语“耦合”也可以表示两个或更多个元件彼此不直接接触，但是仍然彼此合作或交互。

要强调的是，提供本公开的摘要是为了允许读者快速确定技术性公开内容的性质。在具有这样的理解的情况下提交的，即其将不用于解释或限制权利要求的范围或含义。此外，在前面的详细描述中，各种特征被一起分组在单个示例中以简化公开内容。该公开方法不应被解释为反映了要求保护的实施例需要比每个权利要求中明确陈述的更多的特征的意图。相反，如以下权利要求所反映的那样，发明主题在于少于单个公开实施方式的全部特征。因此，下面的权利要求由此被结合到详细描述中，其中每个权利要求独立地作为分离的实施例。在所附权利要求中，术语“包括(including)”和“其中(in which)”分别用作相应术语“包含(comprising)”和“其中(wherein)”的简明英语等价物。而且，术语“第一”、“第二”、“第三”等仅用作标签，并不旨在对它们的对象强加数字要求。

上面已经描述的内容包括所公开的架构的示例。当然，不可能描述组件和/或方法的每个可想到的组合，但是本领域的普通技术人员可以认识到许多进一步的组合和置换是可能的。因此，新颖性架构旨在涵括落入所附权利要求的精神和范围内的所有这些变更、修改和变化。

Claims (20)

1.一种用于将卡的定位引导到相对于设备的目标位置的方法，包括以下步骤：

通过接近传感器检测所述卡接近所述设备；

响应于所述卡接近所述设备，所述设备捕获接近所述设备的三维体积的一系列图像；

处理所述一系列图像以确定所述卡在接近所述设备的三维体积内的位置和轨迹；

基于所述卡的位置和所述卡的轨迹预测所述卡相对于所述设备的投影位置；

标识所述投影位置和所述目标位置之间的一个或多个差异，包括标识被预测为减少所述一个或多个差异的至少一个轨迹调节和被预测为实现轨迹调节的一个或多个提示；

在所述设备的显示器上显示所述一个或多个提示；

重复以下步骤直到所述一个或多个差异在预定阈值内为止：捕获所述一系列图像，确定所述卡的位置和轨迹，预测所述卡的投影位置，标识所述一个或多个差异、所述至少一个轨迹调节和所述一个或多个提示，以及显示所述一个或多个提示；以及

响应于所述一个或多个差异在所述预定阈值内，在所述设备处触发事件以从所述卡获取数据。

2.根据权利要求1所述的方法，其中处理所述一系列图像以确定所述卡在接近所述设备的三维体积内的位置和轨迹的步骤使用机器学习模型或同步定位与建图(SLAM)过程中的至少一个。

3.根据权利要求2所述的方法，包括以下步骤：在所述事件期间，重复以下步骤以确保所述差异保持在预定阈值内：捕获所述一系列图像，确定所述卡的位置和轨迹，预测所述卡的投影位置，标识所述一个或多个差异、所述至少一个轨迹调节和所述一个或多个提示，以及显示所述一个或多个提示，以使得所述设备能够从所述卡读取数据。

4.根据权利要求3所述的方法，其中触发所述事件的步骤包括发起所述卡和所述设备之间的数据交换，其中所述数据交换与金融交易和授权交易中的至少一个相关。

5.根据权利要求1所述的方法，其中捕获所述一系列图像的步骤由所述设备的相机、所述设备的红外传感器或所述设备的点阵投影器中的一个或多个来执行，并且其中所述一系列图像包括与所述设备处测量的红外能量和可见光能量中的一个或多个相关的二维图像信息和三维图像信息中的一个或两个。

6.根据权利要求5所述的方法，包括使用从所述相机、所述红外传感器和所述点阵投影器中的一个或多个获得的所述一系列图像生成接近所述设备的三维体积的体积地图的步骤，所述体积地图包括接近所述设备的三维体积内的多个像素位置的像素数据。

7.根据权利要求6所述的方法，其中处理所述一系列图像以确定所述卡的位置和轨迹的步骤包括将所述一系列图像转发到特征提取机器学习模型的步骤，所述特征提取机器学习模型被训练为处理所述体积地图以检测所述卡的一个或多个特征，并响应于所述一个或多个特征来标识所述卡在所述体积地图中的位置和轨迹。

8.根据权利要求7所述的方法，其中预测所述卡相对于所述设备的投影位置的步骤包括将所述卡的位置和轨迹转发到第二机器学习模型，所述第二机器学习模型被训练为基于定位所述卡的历史尝试来预测所述投影位置。

9.根据权利要求8所述的方法，其中用于训练所述第二机器学习模型的所述历史尝试是针对所述设备的用户定制的。

10.根据权利要求8所述的方法，其中所述一个或多个提示包括可视提示、可听提示或可视和可听提示的组合中的至少一个。

11.一种设备，包括：

接近传感器，所述接近传感器被配置为检测卡是否接近所述设备；

图像捕获设备，所述图像捕获设备耦合到所述接近传感器并被配置为捕获接近所述设备的三维体积的一系列图像；

处理器，所述处理器耦合到所述接近传感器和所述图像捕获设备；

显示界面，所述显示界面耦合到所述处理器；

读卡器界面，所述读卡器界面耦合到所述处理器；以及

非暂时性介质，所述非暂时性介质存储对准程序代码，所述对准程序代码被配置为将卡引导到相对于所述设备的目标位置，所述对准程序代码在被所述处理器执行时能够操作以：

监视所述卡与所述设备的接近；

使所述图像捕获设备能够捕获接近所述设备的三维体积的所述一系列图像；

处理所述一系列图像，以确定所述卡在接近所述设备的三维体积内的位置和轨迹，并基于所述卡的位置和所述卡的轨迹预测所述卡相对于所述设备的投影位置；

标识所述投影位置和所述目标位置之间的一个或多个差异，包括标识至少一个轨迹调节和实现所述至少一个轨迹调节的一个或多个提示，所述至少一个轨迹调节被预测为减少所述一个或多个差异；

在卡读取操作之前和期间的至少一个期间，在所述显示界面上显示所述一个或多个提示；并且

当所述一个或多个差异在预定阈值内时，通过所述读卡器界面触发卡读取操作。

12.根据权利要求11所述的设备，其中所述程序代码使用机器学习模型或同步定位与建图(SLAM)过程中的至少一个，所述程序代码在被执行时能够操作以处理所述一系列图像，以确定所述卡在接近所述设备的三维体积内的位置和轨迹。

13.根据权利要求11所述的设备，其中所述卡读取操作与金融交易和授权交易中的一个相关联。

14.根据权利要求11所述的设备，其中所述图像捕获设备包括相机、红外传感器或点阵投影器中的一个或多个，并且所述一系列图像捕获在所述设备处测量的红外能量和可见光能量中的一个或多个。

15.根据权利要求14所述的设备，其中所述一系列图像包括二维图像信息和三维图像信息中的一个或两个。

16.根据权利要求15所述的设备，其中所述对准程序代码还被配置为使用所述一系列图像、所述红外传感器和所述点阵投影器来生成接近所述设备的三维体积的体积地图，所述体积地图包括接近所述设备的三维体积内的多个像素位置的像素数据。

17.根据权利要求16所述的设备，还包括特征提取机器学习模型，所述特征提取机器学习模型被训练为将所述卡定位在接近所述设备的三维体积内，并使用定位所述卡的历史尝试来预测投影位置。

18.根据权利要求17所述的设备，其中所述历史尝试是用户特定的历史尝试。

19.根据权利要求18所述的设备，其中所述一个或多个提示包括可视提示、可听提示或可视和可听提示的组合中的至少一个。

20.一种用于将卡引导到相对于设备的目标位置的方法，包括以下步骤：

检测由所述设备进行的执行交易的请求；

使用所述设备的接近传感器测量所述卡与所述设备的接近；

当确定所述卡接近所述设备时，控制所述设备的相机和红外深度传感器中的至少一个来捕获接近所述设备的三维体积的一系列图像；

处理所述一系列图像以确定所述卡在接近所述设备的三维体积中的位置和轨迹，所述处理由机器学习模型或同步定位与建图(SLAM)过程中的至少一个来执行，所述机器学习模型是使用将所述卡引导至所述目标位置的历史尝试训练的；

基于所述卡的位置和轨迹预测所述卡相对于所述设备的投影位置；

标识所述投影位置和所述目标位置之间的一个或多个差异，包括标识被选择来减小所述一个或多个差异的至少一个轨迹调节以及标识实现所述轨迹调节的一个或多个提示；

在所述设备的显示器上显示所述一个或多个提示；

重复以下步骤直到所述一个或多个差异在预定阈值内为止：捕获图像信息，确定所述卡的位置和轨迹，预测所述卡的投影位置，标识所述一个或多个差异、所述至少一个轨迹调节和所述一个或多个提示，以及显示所述一个或多个提示；以及

当所述差异小于预定阈值时，触发由所述设备的读卡器对所述卡的读取。

Images