CN116615762A - 通过血管研究进行的生物计量认证 - Google Patents

Abstract

这里介绍的是基于经过血管的血液流动的空间属性和方向性随时间的变化来认证未知人员的方法。在高级别上，这些方法依靠监视血管动态来识别未知人员。例如，认证平台可以检查解剖学区域的数字图像以确立解剖学区域内的血管系统的属性如何由于形变而变化。属性的示例包括血管系统中包括的血管的位置、大小、体积和压力，以及血液流经血管系统的速度和加速度。

Description

通过血管研究进行的生物计量认证

相关申请的交叉引用

本申请要求2020年12月17日提交的标题为“Vein Map Authentication withImage Sensor”的美国临时申请63/127,054号的优先权，在此通过引用将该美国申请全部并入。

技术领域

本公开涉及计算机安全性中的生物计量认证(biometric authentication)，更具体而言，涉及检查生理特性以实现最小破坏性认证的技术。

背景技术

生物计量认证手续通过生物计量技术验证个体的身份。术语“生物计量”是指可用作验证身份的手段的物理或行为特性。生物计量技术很难被欺骗，而且很方便，因为相应的个体不需要记住密码或者管理令牌。相反，认证机制是个体的一部分。

指纹在历史上是最常见的生物计量方式。然而，随着技术的发展，其他生物计量模式也出现了。作为一个示例，血管模式识别(也称为“静脉模式识别”)使用近红外光来创建皮下血管(或者简称为“血管”)的图像。这些皮下血管共同定义了可用于认证的“血管模式”或“静脉地图”。血管模式认证已显示出前景，因为血管模式不仅对相应的个体而言是独一无二的，而且随着个体年龄的增长，其只会经历最低限度的变化。

静脉模式认证通常涉及识别并且随后分析手的背面的血管模式。例如，由发光二极管(light-emitting diode，LED)生成的近红外光可向手的背面发射，以使其穿透皮肤。由于血管和其他组织的吸收率的差异，近红外光将被反射到不同深度的皮肤。基于对反射的近红外光的分析，可以推断出血管模式，并且根据血管模式，可以确定诸如分支位置和角度之类的特征(然后用于认证)。

静脉模式认证被吹捧为生物计量认证的非接触式选项，它对伪造有相对的免疫力，因为血管模式是难以重现的。此外，静脉模式认证在假接受率(也称为“假阳性率”)和假拒绝率(也称为“假阴性率”)方面比其他生物计量认证方法有显著进步。然而，静脉模式认证有几个缺点。例如，个体往往不愿意将其身体暴露在陌生的光源下，而这些光源通常伴随着静脉模式认证所必需的扫描设备。另外，这种扫描设备也很难甚至不可能在一些环境中部署，而且对许多商家而言，成本太高昂了。

附图说明

图1包括传统认证手续的高级别图示，其中未知人员被提示向血管扫描仪出示手部。

图2图示了在光电血管容积图中，每个心动周期如何被显示为峰值。

图3包括系统的高级别表示，该系统可用于认证其血管系统可供成像的未知人员的身份。

图4图示了能够实现认证平台的电子设备的示例，该平台被设计为基于由图像传感器生成的图像数据来认证未知人员的身份。

图5图示了解剖学区域(这里是脸部)中的底层血管系统是如何由于执行引起周围组织的物理形变的姿态而被更改的。

图6A-6C描绘了确定、计算或者以其他方式获得脉冲波的几种不同方法。

图7包括基于对解剖学区域中的血管动态的视觉证据的分析来对认证平台的用户进行认证的手续的流程图。

图8包括认证平台在使用阶段(也称为“实现阶段”)期间所执行的过程的流程图。

图9包括通过血管研究确定是否将未知人员认证为给定个体的另一过程的流程图。

图10包括认证平台确定是否将未知人员认证为给定个体的过程的直观图示。

图11包括创建模型的过程的流程图，该模型被训练成预测形变时通过解剖学区域的血管系统的血液流动。

图12的框图图示了处理系统的示例，其中可以实现本文描述的至少一些操作。

对于本领域的技术人员而言，通过结合附图研究“具体实施方式”部分，本文描述的技术的各种特征将变得更加清楚。在附图中以示例而非限制方式图示了实施例。虽然附图为图示目的而描绘了各种实施例，但本领域的技术人员将认识到，在不脱离本技术的原理的情况下，可以采用替代实施例。因此，虽然在附图中示出了具体的实施例，但本技术可以进行各种修改。

具体实施方式

为了加入依靠匹配静脉模式的认证程序，个体(也称为“用户”)最初可能被提示向血管扫描仪出示手部。术语“血管扫描仪”可用于指一种成像仪器，它包括(i)可操作来向身体中发射电磁辐射(例如，在近红外范围内)的发射器，以及(ii)可操作来感测由身体内部的生理结构反射的电磁辐射的传感器。通常，基于反射的电磁辐射创建作为参考模板的数字图像。在高级别上，参考模板代表了可用于认证的“地面真相”血管模式。

图1包括传统认证手续的高级别图示，其中未知人员被提示向血管扫描仪出示手部。如图1所示，血管扫描仪将电磁辐射发射到手部中，然后基于由手部中的血管反射的电磁辐射来创建数字图像(也称为“扫描”)。此图像指示出手部的血管模式，从而可以对照在登记阶段(也称为“注册阶段”)期间为给定个体创建的参考模板进行验证。如果该数字图像与参考模板相匹配，那么该未知人员将被认证为给定个体。然而，如果该数字图像与参考模板不匹配，那么该未知人员将不会被认证为给定个体。

由于血管扫描仪在执行扫描时不要求与身体直接接触，所以静脉模式匹配已成为生物计量认证的一个有吸引力的选项。然而，静脉模式匹配已被证明容易受到欺骗的影响。作为示例，Jan Krissler和Julian Albrecht在2018年的混沌通信大会上展示了可如何使用蜡制的假手绕过血管扫描仪。虽然欺骗在大多数现实世界的条件下不太可能成功，但任何与漏洞有关的担忧都可能阻碍对可靠的生物计量认证技术的采用。

因此，这里介绍的是基于经过血管的血液流动的空间属性和方向性随时间的变化来认证未知人员的方法。在高级别上，这些方法依靠监视血管动态来识别未知人员。术语“血管动态”指的是由周围皮下组织的形变引起的血管系统及其属性的变化，例如，由于姿态的执行而引起。血管属性的示例包括血管的位置、大小、体积和压力，以及血液流经血管的速度和加速度。

如下文进一步论述的，这些认证方法可以被看作是一种范围化的光电血管容积图(photoplethysmogram，PPG)监视形式。术语“光电血管容积图”是指通过光学方式获得的体积描记图，可用于检测皮下组织中的血液体积的变化。随着每个心动周期，心脏将血液泵到身体的外围。虽然这种压力脉冲在血液到达皮肤时已在某种程度上被抑制，但它足以使皮下组织中的血管膨胀到可检测的程度。由压力脉冲引起的体积变化可以通过照亮皮肤，然后测量透射或者反射到图像传感器的光量来检测。在PPG中，每个心动周期表现为一个峰值，如图2所示。

历史上，脉搏血氧仪通常被用于PPG监视。脉搏血氧仪通常包括至少一个发光二极管(light-emitting diode，LED)，它通过身体的某个部位(例如指尖或耳垂)向光电二极管发射光。然而，PPG也可以通过分析感兴趣的解剖学区域的数字图像获得。在这种场景中，压力脉冲可能是由皮肤和皮下组织的颜色的微妙变化来证明的。不过，压力脉冲的微妙特性可能很难确立。例如，由于底层血管系统的复杂结构以及身体姿势和面部表情的复杂影响，压力脉冲的定时和相位可能很难通过分析脸部的数字图像而发现。由身体姿势和面部表情引起的皮下组织的形变会影响血液流经脸部的静脉网络的阻力，这进而会影响观察由静脉网络支配的皮下组织的图像传感器所生成的信号。虽然皮下组织的形变和图像传感器生成的信号之间的关系难以量化，但形变对信号有可预测的影响(从而可以被用作一种认证手段)。

为了确定是否将未知人员认证为给定个体，认证平台(也称为“认证系统”)可以确定未知人员的血管动态与给定个体的血管动态相当的程度。例如，假设未知人员希望将其自己认证为给定个体。在这种场景中，未知人员可能会被提示执行姿态，该姿态引起解剖学区域中的皮下组织(从而导致血管系统)的形变。这个姿态可能与解剖学区域有关。例如，如果认证平台要检查脸部的血管动态，则未知人员可被提示微笑或皱眉，而如果认证平台要检查手部的血管动态，则未知人员可被提示握紧手。

在未知人员执行姿态时，电子设备的相机可以生成解剖学区域的数字图像。例如，相机可以按照预定的节奏快速连续地生成数字图像。作为另一个示例，相机可以生成解剖学区域的视频，在这种情况下，数字图像可以代表视频的帧。基于对数字图像的分析，认证平台可以为未知的执行者生成“生物计量签名”或者“血管签名”。例如，认证平台可以产生静脉模型，该模型以程序化的方式指示出在执行姿态时血管系统的形变情况。在高级别上，静脉模型规定了血管系统的空间属性如何因姿态而变化。或者，认证平台可以基于对数字图像的分析来估计血管属性的度量。例如，认证平台可以尝试量化通过血管系统的血液流动的方向性如何因姿态而变化。

然后，认证平台可以将生物计量签名与与给定个体相关联的注册生物计量签名(也称为“参考生物计量签名”)进行比较，以确定该未知人员是否应当被认证为给定个体。例如，如果认证平台产生静脉模型，该模型以编程方式指示出未知人员的血管系统在执行姿态时是如何形变的，那么认证平台可以(i)获得与给定个体相关联的静脉地图，并且(ii)基于静脉地图估计在给定个体执行姿态期间将会预期的形变。作为另一个示例，如果认证平台估计度量，该度量指示出在执行姿态时血管属性如何变化，那么认证平台可以(i)获得与给定个体相关联的静脉地图，并且(ii)基于静脉地图估计在给定个体执行姿态期间将会预期的度量。如下文进一步论述的，静脉地图可以被存储在数字简档中，该数字简档包含关于给定个体的血管系统的信息。例如，数字简档可包括不同解剖学区域的静脉地图、不同血管属性的度量，等等。

总而言之，认证平台可以使得呈现通知，该通知指示要被认证的人执行引起解剖学区域的形变的姿态，获取解剖学区域的数字图像，该数字图像是在该人执行姿态时由电子设备生成的，基于数字图像估计经过解剖学区域的皮下血管的血液流动的特性，然后基于估计的特性与与给定个体相关联的数字简档的比较，确定是否将该人认证为该给定个体。估计的特性可以是例如血液流经皮下血管的方向性、速度、体积、相位(phase)或者压力。

基于生物计量签名的认证提供了许多与静脉模式匹配相同的好处，即，高准确性、可靠性和一致性，因为被“读取”的信息是在身体内部的。然而，这些方法更容易实现，因为不需要专门的设备(例如，血管扫描仪)。相反，可以基于对电子设备生成的数字图像的分析来执行认证。虽然电子设备可包括专门的软件、固件或硬件，但商品标准化硬件(例如，移动电话、平板计算机等等中使用的数字图像传感器)可能足以捕捉高质量的数字图像。

在高级别上，认证平台被设计为促进一种方法，通过该方法，个体能够将作为认证因素的静脉地图与作为PPG信号的测量血液流动链接起来。因此，可以使用不能够检测个体血管但能够检测空间解析的PPG信号(例如，通过对数字图像的分析)的电子设备来实现认证。具体而言，本文描述的方法(i)使得能够实现高安全性的认证，而不要求有专门的设备，(ii)允许了基于(例如，形变的)知识因素以及未知人员和给定个体的生物计量信息进行认证，并且(iii)允许对欺骗和盗窃具有鲁棒性的认证，因为可以容易地识别和请求新的形变。

为了说明，可以在监视给定解剖学区域中的血管系统的背景下描述实施例。例如，可以在检查脸部、手掌或手指的数字图像的背景下描述实施例。然而，本文描述的方法也类似地适用于人类身体的其他部位中的血管系统。

虽然不是必需的，但下文在可由电子设备执行的指令的背景下描述了实现方式。术语“电子设备”一般是与术语“计算设备”可互换使用的，从而可用于指计算机服务器、销售点(point-of-sale，POS)系统、平板计算机、可穿戴设备(例如，健身追踪器和手表)、移动电话，等等。

虽然该技术的一些方面，例如某些模块，可被描述为完全或主要由单个电子设备执行，但一些实现方式是在分布式环境中实施的，其中模块在通过网络链接的多个电子设备之间共享。例如，未知人员可能会被生成解剖学区域的数字图像的移动电话要求启动认证手续，虽然是否对未知人员进行认证的决定可能是由驻留在计算机服务器上的认证平台做出的，移动电话将数字图像发送到该服务器。

术语

本说明书中提到“一实施例”或者“一个实施例”是指所描述的特征、功能、结构或特性被包括在本技术的至少一个实施例中。这种短语的出现不一定是指同一个实施例，也不一定是指相互排斥的替代实施例。

除非上下文另有明确要求，否则术语“包括”、“包含”和“由……组成”应在包容的意义上解释，而不是在排斥或穷举的意义上解释(即，在“包括但不限于”的意义上)。术语“基于”也应在包容的意义上解释，而不是在排斥或穷举的意义上解释。从而，除非另有注明，否则术语“基于”意指“至少部分基于”。

术语“连接”、“耦合”及其变体旨在包括两个或更多个元素之间的任何连接或耦合，无论是直接的还是间接的。连接/耦合可以是物理的，逻辑的，或者其组合。例如，虽然没有共享物理连接，但物体可以电气或通信地耦合到彼此。

术语“模块”可以指软件组件、固件组件或者硬件组件。模块通常是基于一个或多个输入生成一个或多个输出的功能组件。作为一个示例，计算机程序可包括负责完成不同任务的多个模块或者负责完成所有任务的单个模块。

当用于提及多个项目的列表时，术语“或”旨在涵盖以下所有解释：列表中的任何项目，列表中的所有项目，以及列表中的项目的任何组合。

在这里描述的任何过程中执行的步骤的顺序都是示范性的。然而，除非与物理上的可能性相反，否则可以按各种顺序和组合执行这些步骤。例如，步骤可以被添加到这里描述的过程，或者被从这些过程中移除。类似地，步骤可以被替换或者重排序。从而，对任何过程的描述都打算是开放式的。

通过对血管信息的分析进行的认证

这里介绍的是使用血管动态作为证明未知人员是给定个体的生物计量证据的认证平台。如下文进一步论述的，可以基于对解剖学区域的一个或多个数字图像的分析来估计经过该解剖学区域中的血管的血液流动的空间属性和方向性。血液流动的空间属性和方向性会随着周围皮下组织的形变(例如，由于姿态的执行)而变化，并且这些变化可以用来确定是否将未知人员认证为给定个体。

认证平台可用于确保生物计量驱动的交易，例如通过免手动界面授权的支付。例如，假设未知人员希望认证其自己以便完成交易。不是提示该未知人员将身体部位(例如，她的手部)定位在血管扫描仪附近，而是改为使用该未知人员已经用来启动交易的电子设备来执行生物计量认证。例如，如果未知人员使用她拥有的移动电话启动交易，则移动电话可以生成解剖学区域(例如，脸部)的数字图像，该数字图像可以被认证平台分析。如下文进一步论述的，认证平台可以驻留在移动电话或移动电话与之通信地连接的另一电子设备(例如，计算机服务器)上。虽然这种认证方法依靠对皮肤下面的血管的分析，但移动电话不需要接触皮肤。相反，可以简单地提示未知人员使用移动电话生成解剖学区域的数字图像，以用于认证目的。因此，认证平台可以通过依靠关于血管动态的信息，来允许人们以最小破坏性的方式认证其自身。

在一些实施例中，认证平台独立操作以认证未知人员的身份，而在其他实施例中，认证平台与另一个系统一起操作。例如，支付系统可以与认证平台对接，以确保交易以安全、无忧的方式完成。作为一个示例，认证平台可以促进非接触式支付手续，在该手续中，未知人员被允许通过使身体部位可供成像来启动或完成交易。如上所述，未知人员可以通过简单地将身体部位定位在电子设备的相机的视野内，来使得该身体部位可供成像。虽然电子设备通常是用于启动或完成交易的设备，但不一定必须如此。

注意，虽然实施例可能在启动或完成交易的背景下论述认证，但认证可以在各种背景下发挥作用。例如，假设一系列的个体被邀请参加网络可访问的会议，其中将共享敏感信息。每个尝试进入网络可访问会议的人可能都需要被认证平台认证，然后才被允许访问。

认证平台的概述

图3包括系统300的高级别表示，该系统可用于认证未知人员的身份，该未知人员的血管系统可供成像。如图3所示，系统300包括认证平台302，该认证平台可能够访问用户界面(user interface，UI)304、图像传感器306、光源308、处理器310或者其任何组合。如下文进一步论述的，系统300的这些元素可以被嵌入在同一电子设备中，或者分布在多个电子设备之间。例如，认证平台302可以部分或全部驻留在网络可访问的服务器系统上，而UI304、图像传感器306、光源308和处理器310可以驻留在负责生成未知人员的数字图像的另一电子设备上。

UI 304代表了未知人员能够通过其与系统300交互的界面。UI 304可以是在电子设备的显示器上示出的话音驱动的图形用户界面(graphical user interface，GUI)。或者，UI 304可以是在电子设备的显示器上示出的非话音驱动的GUI。在这样的实施例中，UI304可以从视觉上指示出为认证目的而呈现的身体部位。例如，UI 304可以从视觉上提示未知人员将她的身体定位成使得图像传感器306可以观察到解剖学区域。作为一个示例，UI304可包括由图像传感器306生成的数字图像的“实况视图”，以便未知人员能够容易地将她的脸部与图像传感器306对齐。作为另一个示例，UI 304可以呈现一个图示，以指示出未知人员应当把她的手部放在何处，以便可以使用图像传感器306对手掌或手背进行成像。此外，UI 304可以呈现认证平台302最终作出的认证决定。

图像传感器306可以是任何能够检测和传达信息以生成数字图像的电子传感器。图像传感器的示例包括电荷耦合器件(charge-coupled device，CCD)传感器和互补金属氧化物半导体(complementary metal-oxide semiconductor，CMOS)传感器。图像传感器306可以在相机模块(或者简称“相机”)中实现。在一些实施例中，图像传感器306是在电子设备中实现的多个图像传感器之一。例如，图像传感器306可被包括在内置到移动电话中的前置或后置相机中。

通常，数字图像是由图像传感器306与普通可见光结合生成的。然而，代表数字图像的图像数据可以采取各种格式、颜色空间，等等。例如，图像传感器306可以在相机中实现，该相机被设计为按照红-绿-蓝(RGB)颜色模型输出图像数据，以便每个像素被指派单独的红、绿、蓝的色度值。作为另一个示例，图像传感器306可以在相机中实现，该相机被设计为按照YCbCr颜色空间之一输出图像数据，以便每个像素被指派单个亮度分量值(Y)和一对色度分量值(Cb、Cr)。

光源308包括一个或多个能够在可见光范围或者非可见光范围内发光的发光体。例如，光源308可包括能够在由图像传感器306生成数字图像时发出白光的发光体。额外地或者替代地，光源308可包括能够发出紫外光或者红外光的发光体。发光体的示例包括发光二极管(light-emitting diode，LED)、有机LED(organic LED，OLED)、谐振腔LED(resonant-cavity LED，RCLED)、量子点(quantum dot，QD)、激光器(例如垂直腔表面发射激光器(vertical-cavity surface-emitting laser，VCSEL))、超发光二极管(superluminescent diode，SLED)、以及各种荧光体。

本领域的技术人员将会认识到，如果图像传感器306被指示(例如，由处理器310)结合光源308发出的光(无论是可见光还是非可见光)—生成数字图像，则图像传感器306必须被设计为检测适当范围内的电磁辐射。除了CCD和CMOS以外，图像传感器的其他示例包括单片集成锗(Ge)光电二极管、铟镓砷(InGaAs)光电二极管、汞镉碲(HgCdTe)光电二极管，以及其他为电磁光谱的红外和紫外区域设计的光电探测器(例如，光电二极管)。

因此，图像传感器306和光源308可以一起操作，以在某些照明条件下生成解剖学区域的数字图像。例如，图像传感器306可以在光源308发出可见光范围内的光时生成一系列数字图像。作为另一个示例，图像传感器306可以在光源308发出可见光范围内的光时生成至少一个数字图像，并且在光源308发出非可见光范围内的光时生成至少一个数字图像。

如上所述，图像传感器306和光源308可以被嵌入在单个电子设备中。在一些实施例中，该电子设备与未知人员相关联。例如，图像传感器306和光源308可以被嵌入在与未知人员相关联的移动电话中。在其他实施例中，电子设备不与未知人员相关联。例如，图像传感器306和光源308可以被嵌入在POS系统中，未知人员正尝试通过该POS系统完成交易。

这个电子设备可被称为“血管监视装置”，因为它负责监视感兴趣的解剖学区域内的血管系统的变化。在认证会话的成像部分的过程中，血管监视装置可以收集与解剖学区域有关的图像数据。如下文进一步论述的，认证平台302可能够通过检查图像数据来识别脉冲波。术语“脉冲波”可以指沿解剖学区域的表面的颜色的变化，该变化是由血液通过底层的皮下组织的运动引起的。虽然颜色的变化可能很难(甚至不可能)用人眼发现，但认证平台302可能能够通过分析图像数据来识别这些变化。由于脉冲波与心动周期有关，所以可以从脉冲波中收集到关于解剖学区域(以及整体上的心血管系统)中的血管系统的信息。

如图3所示，认证平台302可包括流动预测算法312、流动测量算法314、模式匹配算法316、认证算法318、以及生物计量数据库320。生物计量数据库320可以存储生物计量数据，该数据代表与血管属性有关的收集的信息，该信息可用于识别已知人员。生物计量数据库320中的生物计量数据可以依据系统300采用的认证方法而变化。生物计量数据库320中的生物计量数据可以被加密、散列或者以其他方式模糊，以防止未经授权的访问。

例如，生物计量数据库320可包括各种个体的数字简档，并且每个数字简档可包括可用于认证的相应个体的静脉地图。每个静脉地图可以由相应解剖学区域的二维或三维图像数据组成，或者由其构建。例如，假设认证平台302被编程为基于解剖学区域中的血管系统的形变来确定是否将未知人员认证为给定个体。在这样的场景中，认证平台302可以提示未知人员执行姿态，然后通过分析图像传感器306生成的图像数据来确立解剖学区域中的血管系统的形变。然后，认证平台302可以将该形变与与给定个体相关联的静脉模型进行比较。在高级别上，静脉模型可以程序化地指示出在执行姿态时给定个体的血管系统是如何形变的。换句话说，静脉模型可以代表一系列离散的位置，指示出随着姿态的执行，单个血管或者血管集合的形状如何随时间变化，从而导致周围皮下组织的形变。

这个静脉模型可以通过几种不同的方式来创建。在一些实施例中，在注册阶段期间，给定个体被提示在被成像的同时执行姿态，并且静脉模型是基于对所得到的数字图像的分析来创建的。在其他实施例中，对给定个体的解剖学区域进行成像，以便可以由认证平台302产生静脉地图。在这样的实施例中，认证平台302可以基于静脉地图模拟在执行姿态时血管系统的形变。

数字简档可包括与单个姿态相关联的单个静脉模型，与单个姿态相关联的多个静脉模型，或者与不同姿态相关联的多个模型。类似地，数字简档可包括与单个解剖学区域相关联的单个静脉模型，与单个解剖学区域相关联的多个静脉模型，或者与不同解剖学区域相关联的多个模型。在注册阶段期间，个体可被允许指定哪个(哪些)解剖学区域和哪个(哪些)姿态可用于认证。虽然认证平台302可能要求为每个解剖学区域和姿态配对创建至少一个静脉模型，但可以允许个体创建多个静脉模型(例如，为了提高鲁棒性)。

额外地或者替代地，数字简档可包括可用于认证的不同血管属性的参考值(例如，被确定为在给定解剖学区域中流经血管的血液的速度)。从而，生物计量数据库320可包括指示出在执行姿态时单个血管或血管集合的血管属性的时间变化的数据。认证可以基于诸如压力和流速之类的血管属性的值之间的相似性，而不是基于血管系统的空间形变之间的相似性，或者除了基于血管系统的空间形变之间的相似性之外。

如上所述，生物计量数据库320可包括一个或多个生物计量签名。每个生物计量签名的性质可能取决于如何执行认证。例如，每个生物计量签名可以代表在注册阶段期间为个体创建的静脉模型。或者，每个生物计量签名可以代表一个或多个值，这些值指示出随着解剖学区域中的皮下组织的形变发生，血管属性的时间变化。作为一个示例，生物计量签名可包括长度为N的向量，其中每个元素是指定在执行姿态时血液流经解剖学区域的血管系统的速率的值。N可以表示在执行姿态时取得的样本的数目。换句话说，N可以表示在执行姿态时生成的解剖学区域的数字图像的数目，因为可以为每个数字图像独立估计流速。

生物计量数据库320中的生物计量签名可以与单个个体相关联，在这种情况下，认证平台302可能被限制为将未知人员认证为该个体。或者，这些生物特征签名可以与多个个体相关联，在这种情况下，认证平台302可能能够将未知人员认证为这些个体中的任何一个。此外，如上所述，单个个体可以在生物计量数据库320中拥有多个生物计量签名。这些生物计量签名可以对应于不同的类型(例如，静脉模型与血管属性的值)，不同的解剖学区域，或者不同的姿态。例如，个体可以选择在注册阶段期间为不同的解剖学区域创建多个生物计量签名，并且对于每个解剖学区域可能有不同的生物计量签名。作为另一个示例，个体可以选择在注册阶段期间为不同的姿态创建多个生物计量签名，并且对于每个姿态可能有不同的生物计量签名。

当由处理器310执行时，在认证平台302中实现的算法允许个体在注册阶段期间生成生物计量签名。此后，在认证平台302中实现的算法允许在使用阶段期间发生验证。下文将进一步描述注册阶段和使用阶段。

流动预测算法312可以负责通过分析解剖学区域的一个或多个数字图像来确定解剖学区域中的脉冲波的相对定时。例如，流动预测算法312可以基于数字图像，确定在有或没有物理形变的情况下脉冲波在某些空间坐标(例如，指定解剖学区域)的定时或相位。当在没有物理形变的情况下确定时，该测量可被称为“测得静脉流动模式”或者“测得流动模式”，而当在有物理形变的情况下确定时，该测量可被称为“测得形变静脉流动模式”或者“测得形变流动模式”。作为一个示例，可以基于对脉冲波的特征(例如重搏切迹)的识别，来估计脉冲波的相对到达定时。基于这个信息，流动预测算法312可以估计血液流经解剖学区域中的血管系统的速率。或者，流动预测算法312可以估计另一血管属性，例如压力脉冲的相位、血液流动的方向、血液流动的体积或者解剖学区域中的血管系统的压力。

流动测量算法314可负责预测在形变时将在解剖学区域中发生的脉冲波的传播模式。这个传播模式可被称为“预测形变静脉流动模式”或者“预测形变流动模式”。为了实现这一点，流动测量算法314可以通过建模、估计或者以其他方式预测脉冲波在形变状态中将如何通过解剖学区域传播来创建PPG。流动测量算法314可以获得测得流动模式、静脉地图和形变静脉地图来作为输入。如上所述，形变静脉地图可以基于形变状态中的解剖学区域的至少一个数字图像来确定，或者形变静脉地图可以通过更改静脉地图以模拟形变来确定。

在一些实施例中，流动测量算法314是一种机器学习算法。例如，流动测量算法314可以基于一种神经网络，其参数是基于最佳实践示例预先确定的，或者是通过实验调整的。

预测形变流动模式可以使用与解剖学区域的表面有关的二维或三维坐标来表达。此外，预测形变流动模式可与(i)定时信息和(ii)相位信息相关联。定时信息可以与压力脉冲在到达解剖学区域之后可能到达该坐标的相对时间有关。例如，定时信息可以与压力脉冲的可识别特征相对应，例如重搏切迹或者代表压力脉冲的脉冲波的另一部分。相位信息可以与在单个时间点可存在于每一个坐标的压力脉冲的相对相位有关。由于对整个解剖学区域的压力脉冲的不同影响，解剖学区域中的每个坐标可能有不同的脉冲波形。

模式匹配算法316可以负责计算预测形变流动模式和测得形变流动模式之间的匹配的强度。换句话说，模式匹配算法316可以负责确立预测形变流动模式和测得形变流动模式之间的相似程度。可以使用被称为“匹配得分”的度量来表达该相似程度。可以使用任何适当的数值尺度来表达匹配得分。例如，匹配得分可以使用0到100之间的任意整数值或者0到1之间的任意小数值来指示相似程度。

认证算法318可以负责基于匹配得分来确定是否将未知人员认证为给定个体。例如，认证算法318可以被编程为如果匹配得分超过预定的阈值，则将未知人员认证为给定个体。如果匹配得分不超过预定的阈值，那么认证算法318可能不会将未知人员认证为给定个体。通常，认证算法318被设计为输出指示出认证是否适当的二元信号(例如，通过或者失败)。然而，认证算法318可以被设计成输出非二元信号。作为一个示例，认证算法318产生的输出可以指示出：(i)未知人员应当被认证为给定的人，(ii)未知人员不应当被认证为给定的人，或者(iii)需要进一步尝试认证。如果认证算法318不能肯定地确立认证是否适当，则认证平台302可以采取进一步的动作(例如，通过提示未知人员执行另一个姿态或者提出另一个解剖学区域以供成像)。

图4图示了能够实现认证平台414的电子设备400的示例，该认证平台被设计为基于由图像传感器408生成的图像数据来认证未知人员的身份。如上所述，图像数据可以代表身体的解剖学区域的一个或多个数字图像。在一些实施例中，这些数字图像是基于解剖学区域向图像传感器408反射的环境光生成的。在其他实施例中，光源410向解剖学区域发射光，以便在这些数字图像由图像传感器408生成时照亮解剖学区域。注意，光源410也可被配置为在某个时间间隔内发射一系列离散的“脉冲”或“闪光”。

在一些实施例中，认证平台414体现为由电子设备400执行的计算机程序。例如，认证平台414可以驻留在移动电话上，该移动电话能够获得图像数据，根据该图像数据可以确定认证是否适当。作为另一个示例，认证平台414可以驻留在POS系统上，该POS系统能够获得图像数据，根据该图像数据可以作出确定。在其他实施例中，认证平台414体现为计算机程序，该计算机程序由电子设备400被通信地连接到的另一电子设备执行。在这样的实施例中，电子设备400可以将图像数据传输给其他电子设备进行处理。例如，虽然未知人员的认证可能由用于启动交易的POS系统寻求，但图像数据可能由位于未知人员附近的移动电话生成。该图像数据可以被提供给POS系统或者另一电子设备(例如，计算机服务器)进行处理，或者该图像数据可以在交付给POS系统或者其他电子设备之前由移动电话处理。本领域的技术人员将认识到，认证平台414的各方面也可以分布在多个电子设备间。

电子设备400可包括处理器402、存储器404、UI输出机构406、图像传感器408、光源410、以及通信模块412。通信模块412可以是例如被设计为与其他电子设备建立通信信道的无线通信电路。无线通信电路的示例包括为蓝牙、Wi-Fi、NFC等等配置的集成电路(也称为“芯片”)。处理器402可具有类似于通用处理器的通用特性，或者处理器402可以是向电子设备400提供控制功能的专用集成电路(application-specific integrated circuit，ASIC)。如图4所示，处理器402可以直接或间接地与电子设备400的所有组件耦合，以达到通信目的。

存储器404可以由任何适当类型的存储介质组成，例如静态随机访问存储器(static random-access memory，SRAM)、动态随机访问存储器(dynamic random-accessmemory，DRAM)、电可擦除可编程只读存储器(electrically erasable programmableread-only memory，EEPROM)、闪存、或者寄存器。除了存储可由处理器402执行的指令以外，存储器404还可以存储由图像传感器408生成的图像数据和由处理器402生成的数据(例如，在执行认证平台414的模块时)。注意，存储器404只是存储环境的抽象表示。存储器404可以由实际的存储器芯片或模块组成。

如上所述，光源410可被配置为在可见或不可见的范围内向待认证的未知人员的身体的解剖学区域发射光(更具体而言，电磁辐射)。通常，光源410只有在得到指示时才会发射光。例如，如果认证平台414确定认证是必要的，则认证平台414可以生成输出，该输出提示处理器402(i)指示光源410发射光并且(ii)指示图像传感器408生成图像数据。

通信模块412可以管理电子设备400的组件之间的通信。通信模块412也可以管理与其他电子设备的通信。电子设备的示例包括移动电话、平板计算机、个人计算机、可穿戴设备、POS系统、以及由一个或多个计算机服务器组成的网络可访问服务器系统。例如，在电子设备400是移动电话的实施例中，通信模块412可以促进与负责检查由图像传感器408生成的图像数据的网络可访问服务器系统的通信。

为方便起见，认证平台414可以被称为驻留在存储器404中的计算机程序。然而，认证平台414可以由在电子设备400中实现或者电子设备400可访问的软件、固件或硬件组件组成。根据本文描述的实施例，认证平台414可包括如上文参考图3论述的各种算法。通常，这些算法由认证平台414的单独模块执行，这些模块是可单独寻址的(并且从而可以独立执行而不干扰其他模块)。这些模块可以是认证平台414的组成部分。或者，这些模块可以在逻辑上与认证平台414分开，但与它“一起”操作。这些算法加在一起，可以使得认证平台414能够基于对根据由图像传感器408生成的图像数据确定的血管动态的分析，认证未知人员的身份。

例如，假设未知人员希望将其自己认证为给定个体。在这种场景中，未知人员可能会被提示执行姿态，该姿态引起解剖学区域中的血管系统的形变。在未知人员执行姿态时，图像传感器408可以生成代表解剖学区域的数字图像的图像数据。基于对图像数据的分析，认证平台414可以为未知的执行者生成“生物计量签名”。例如，认证平台414可以生成静脉模型，该模型以编程方式指示出在执行姿态时血管系统如何形变，或者认证平台414可以基于对图像数据的分析来估计血管属性的度量。

然后，认证平台414可以将生物计量签名与与给定个体相关联的注册生物计量签名进行比较，以确定该未知人员是否应当被认证为给定个体。通常，注册生物计量签名被存储在生物计量数据库416中。在图4中，生物计量数据库416位于电子设备400的存储器404中。然而，生物计量数据库416可以替代地或者额外地位于电子设备400经由网络可访问的远程存储器中。如果生物计量签名与注册生物计量签名足够相似，那么认证平台414可以将未知人员认证为给定个体。

其他元素也可被包括作为认证平台414的一部分。例如，UI模块可以负责生成将由UI输出机构406输出的内容，以呈现给未知人员。该内容的形式可取决于UI输出机构406的性质。例如，如果UI输出机构406是扬声器，那么该内容可包括要求将电子设备400定位成使得解剖学区域可被图像传感器408观察到的声音指令。作为另一个示例，如果UI输出机构406是显示器，那么该内容可包括要求将电子设备400定位成使得解剖学区域可被图像传感器408观察到的视觉指令。UI输出机构406也可以负责输出(例如，发射或显示)由认证平台414作出的认证决定。

由姿态的执行引起的血管形变

在给定的解剖学区域内，皮肤下面的血管定义了血管系统。作为一个示例，脸部包括几个解剖学区域(例如，前额、脸颊和下巴)，其中血管系统可以被从视觉上监视。图5图示了解剖学区域(这里是脸部)中的底层血管系统是如何由于执行引起周围组织的物理形变的姿态而被更改的。图5还图示了如何就脉冲波而言监视流经血管系统的血液。换句话说，当血液流向解剖学区域中的毛细血管的小动脉端时，可以从视觉上监视血液在血管系统内的运动。在图5中，编号为1-4的任意单元被用来显示脉冲波到达的示例顺序。

如上所述，测得流动模式可能由于以下原因而更改：(i)血管的物理运动，这些运动更改了这些血管的位置；(ii)周围组织的形变，该形变更改了感兴趣的血管系统的血液动态流动属性。例如，组织的压缩可能导致毛细血管压力增大，从而改变相对脉冲相位和脉冲波速度。通常，每当重复执行姿态时，血管系统就会以可预测的方式形变。如果(i)姿态、(ii)未形变血管模式(例如，图5中的左上图像)和(iii)测得流动模式(例如，图5中的左下图像)是已知的，那么测得形变流动模式(例如，图5中的右下图像)和/或形变血管模式(例如，图5中的右上图像)可以被确定。下文将参考图9的步骤904进一步论述这个过程。

通过对脉冲波的分析确立流动模式

本文描述的几种方法的一个重要方面是通过对图像数据的分析来确立血液在给定解剖学区域中通过血管系统的流动模式。图6A-6C描绘了确定、计算或者以其他方式获得脉冲波的几种不同方法。图6A图示了一种方法，其中物体识别被用来定义感兴趣的区域(region of interest，ROI)，该区域的数字图像被生成。如图6B所示，在至少一个周期的时段内，可以为ROI提取红色和绿色像素值。这可以针对ROI内的多个斑块进行，其中像素值在每个斑块上被取平均。斑块可具有固定的大小，并且按照分割函数分布在ROI中。或者，斑块可具有可以调整的大小(例如，基于ROI的大小，或者基于可用的计算资源的数量)。然后，来自每个斑块的平均像素值可用于估计脉冲波值，这些值可用于确立脉冲波的相位。如图6C所示，这些脉冲波值可指示出任意单位的相对相位周期。

注意，由于红色和绿色像素值与发生在不同深度的变化有关(例如，不同的血管结构)，所以这些成分可能受到物理形变的不同影响。这种差异可能是一种有用的成分，本文描述的算法可以被训练来检测这种成分，然后用来创建预测。因此，确保红色和绿色像素值不仅被提供给认证平台，而且可以独立用于计算对相位的预测和估计，可能是有益的。

认证的方法

图7包括基于对解剖学区域中的血管动态的视觉证据的分析来对认证平台的用户进行认证的手续700的流程图。如下文进一步论述的，认证过程有三个阶段，即训练阶段，注册阶段，和使用阶段。这些阶段可以被设计成允许最小破坏性的认证，而不要求用户以不寻常的方式与电子设备交互。相反，用户可以简单地执行姿态，同时电子设备则生成由于这些姿态的执行而形变的解剖学区域的数字图像。

为了说明问题，可以在周围皮下组织由于姿态的执行而形变时监视血管系统的背景下描述认证手续。然而，周围的皮下组织可以以其他方式形变。例如，如果要监视的血管系统位于手指中，那么可以提示用户将手指定位在电子设备附近，这样由位于电子设备内部的触觉致动器(或者简称“致动器”)生成的触觉反馈可以使周围皮下组织形变。

为了开始训练阶段，流动预测算法可以经历监督、半监督或者无监督的学习，其中训练数据被取回、创建或者以其他方式获得，然后被提供给流动预测算法用于训练目的。训练数据可包括测得流动模式和/或测得形变流动模式，它们与相应的静脉地图和/或形变静脉地图相关联。通常，训练数据与单个解剖学区域相关联，因为对一个解剖学区域(例如，脸部)中的形变的理解可能根本不适用于另一个解剖学区域(例如，手部)。然而，训练数据可能与多个个体相关联。从而，对于各种个体，训练数据可包括测得流动模式、测得形变流动模式、静脉地图、形变静脉地图，或者这些的任何组合。

在一些实施例中，用姿态学习是经由基于在正常时间期间(例如，没有姿态的状态，也称为“正常状态”)学习的模型的转移学习来完成的。例如，神经网络的每一层可以被划分为：(i)与不依赖姿态的相应个体的特征有关的第一层，以及(ii)与被姿态改变的相应个体的特征有关的第二层。通过固定第一层而只对每个感兴趣的姿态学习第二层，可以预期减少用于学习的图像数据(并且减少学习过程)。

如上所述，训练数据的一部分(例如，静脉地图和形变静脉地图)可以是图像数据。在一些实施例中，图像数据是从各种捕捉角度或位置生成的，或者是用各种图像传感器(例如，对应于不同的电子设备)生成的，以对使用阶段中的这些变化提供更强的鲁棒性。

此外，训练数据可以被分成训练集和测试集，例如，80％的训练数据被分配到训练集，并且20％的训练数据被分配到测试集。本领域的技术人员将认识到，这些值是为了说明问题而提供的。多于或少于80％的训练数据可以被分配到训练集。类似地，多于或少于20％的训练数据可以被分配到测试集。分配给训练集的训练数据的份额通常比分配给测试集的训练数据的份额大(例如，按2、3、5等等的倍数)。训练集可用于训练流动预测算法，如下所述，而测试集可用于确认流动预测算法正确学习了如何预测流动。

在高级别上，流动预测算法包括一组算法，这些算法被设计为在给定某些输入的情况下产生输出(也称为“预测”)，该输出血液通过解剖学区域的血管系统的流动有关。这些输入可包括静脉地图、形变静脉地图或者解剖学区域的图像数据。在一些实施例中，这组算法代表一个或多个神经网络。神经网络通过处理示例来学习，每个示例与已知的输入和输出相关联，以形成输入和输出之间的概率加权关联。这些概率加权关联可以被称为“权重”。在训练阶段期间，随机选择的权重最初可由流动预测算法的(一个或多个)神经网络使用。随着流动预测算法从测得流动模式、静脉地图和形变静脉地图中学习，这些权重可以被调整。因此，流动预测算法可以调整这些权重，因为它学习了如何输出预测形变流动模式。

由流动预测算法输出的每个预测形变流动模式可以基于其与作为地面真相的相应测得形变流动模式的偏差来被评分。通常，这是对训练集中包括的每个示例进行的。更具体而言，模式匹配算法可以使用每个时间坐标(例如，+/-3、5或10毫秒)的定时或相位的阈值来计算得分。如果测得形变流动模式和预测形变流动模式之间的定时差异超过阈值，那么该时间坐标可能被标记为失败。得分可由模式匹配算法基于已被分类为失败的时间坐标的百分比来计算。此外，模式匹配算法可以将得分与预定的阈值进行比较，依据相应的得分是否超过预定的阈值，将训练集中的每个示例分类为“通过”或者“失败”。模式匹配算法可以基于训练集中的通过示例的百分比来计算流动预测算法的总体成功率。

注意，流动预测算法的(一个或多个)神经网络的权重可以按照任何方案进行调整，其中调整是为了优化成功而作出的。已知方案的一个示例是蒙特卡洛方法。因此，训练阶段的这个部分可以被重复预定的周期数，或者训练阶段的这个部分可以被重复，直到总体成功率达到可接受的值(例如，90％、95％或98％)为止。

为了确保流动预测算法正常操作，可以使用测试集。从而，流动预测算法可以被应用于测试集中包括的静脉地图和形变静脉地图，以生成预测流动模式或者预测形变流动模式。如上所述，模式匹配算法可以基于预测流动模式或预测形变流动模式分别与测得流动模式或者测得形变流动模式的比较，计算出指示流动预测算法的性能的得分。

在注册阶段(也称为“设置阶段”)中，在电子设备的正常使用期间，可以为用户生成静脉地图和形变静脉地图。例如，在接收到指示启动注册阶段的请求的输入时，在解剖学区域形变(例如，由于用户执行姿态)的同时，电子设备可以生成该解剖学区域的数字图像。形变可以经由UI提示，通过请求(例如，经由文本)用户在电子设备生成脸部的数字图像的同时微笑、皱眉或者抿嘴。例如，UI可以通过解剖学区域或人类身体的通用模型显示形变的图形表示，以便从视觉上地指导用户。作为另一个示例，UI可以显示姿态的图形表示，该姿态将导致解剖学区域的形变。例如，该图形表示可以作为一种视觉指令，来与负责以某种方式生成数字图像的电子设备进行交互(例如，用手指划过屏幕，以某种方式握住机壳，等等)。

从这些数字图像，可以生成解剖学区域的静脉地图和形变静脉地图。如图7所示，静脉地图和形变静脉地图通常被存储在生物计量数据库中，然后在未知人员尝试将自己认证为用户时随后被取回。

图8包括认证平台在使用阶段(也称为“实现阶段”)期间所执行的过程800的流程图。最初，认证平台将从源头接收指示要将未知人员认证为给定个体的请求的输入(步骤801)。在一些实施例中，源头是计算机程序，它在与认证平台相同的电子设备上执行。例如，如果认证平台驻留在移动电话上，那么认证请求可能源自移动应用，未知人员正通过该移动应用尝试执行要求认证的活动。在其他实施例中，源头源自于另一个电子设备。例如，假设未知人员尝试使用与商家相关联的POS系统完成交易。在这种场景中，POS系统可能要求执行认证。虽然POS系统可以负责生成认证所需的图像数据，但认证平台可以驻留在计算机服务器上，该服务器通过网络与POS系统进行通信连接。

然后，认证平台可以接收(i)静脉地图和(ii)与给定个体相关联的形变静脉地图(步骤802)。如上所述，形变静脉地图可与给定个体在注册阶段期间所执行的姿态相关联。此外，认证平台可以使得呈现通知，提示未知人员执行姿态(步骤803)。这个通知旨在提示未知人员执行与给定个体在注册阶段期间所执行的姿态相同的姿态。

如上所述，执行姿态可能引起感兴趣的解剖学区域的形变。随着未知人员执行姿态，电子设备可以监视解剖学区域的形变。例如，电子设备的图像传感器可以通过观察解剖学区域生成图像数据，并且认证平台可以获得此图像数据来用于分析(步骤804)。在一些实施例中，图像数据包括在解剖学区域的形变之前、期间或者之后生成的数字图像。例如，电子设备可以在形变发生之前的第一时间间隔内生成第一系列数字图像，并且在形变被“保持”的同时的第二时间间隔内生成第二系列数字图像。因此，当解剖学区域处于其自然状态(也称为“松弛”状态)和形变状态时，电子设备可以生成数字图像。通常，第一和第二时间间隔足够长，以至于可以观察到至少一个完整的心动脉冲周期。虽然一个心动脉冲周期的持续时间会取决于各种生理因素而变化，但它通常落在0.5-2.0秒的范围内。因此，第一和第二时间间隔可以是至少1、2或者3秒。更长的持续时间可以可选地被用于捕捉多于一个心动脉冲周期。

然后，认证平台可以分析图像数据，以确定(i)测得流动模式和(ii)测得形变流动模式(步骤805)。为了实现这一点，认证平台可将流动测量算法应用于图像数据。当被应用于图像数据时，流动测量算法最初可以执行注册操作(也称为“映射操作”)，以确定图像数据中的与静脉地图和形变静脉地图中的某些解剖坐标相对应的像素位置。这种映射操作确保了这些数据集中的值与解剖学区域中的相同位置有关。然后，流动测量算法可以在各种像素区域(例如，3x3、6x6或者9x9像素区域)上对图像数据的红色或绿色频率成分进行平均。所选择的频段可以大致对应于将血液带到解剖学区域的压力脉冲的频率。然而，如果适当的话，可以替代地使用其他频率。可以为与不同时间点相对应的图像数据计算平均红色或绿色频率成分，从而创建出指定感兴趣的频段的强度的时间系列。例如，流动测量算法可以对不同数字图像(例如，代表由电子设备生成的视频的帧)的红色或绿色频率成分进行平均。另外，流动测量算法可以执行模式识别，以便基于对红色或绿色频率成分的平均值的时间变化系列的分析，确定压力脉冲的单个可识别阶段(例如重搏切迹)的相对定时。在识别了压力脉冲的这个阶段之后，流动测量算法可以相对于所识别的压力脉冲阶段的最早检测到的出现，向一些或所有像素区域指派定时值。在高级别上，这些定时值可以代表一种流动模式，该流动模式指示出血液如何通过解剖学区域的血管系统流动，这是从对图像数据的分析确定的。如果图像数据与处于其自然状态中的解剖学区域相关联，那么这种流动模式可被称为“测得流动模式”。如果图像数据与处于其形变状态中的解剖学区域相关联，那么这种流动模式可被称为“测得形变流动模式”。

然后，认证平台可以将流动预测算法应用于(i)为未知人员产生的测得流动模式，(ii)给定个体的静脉地图，和(iii)给定个体的形变静脉地图，以便产生预测形变流动模式(步骤806)。在高级别上，预测形变流动模式可以是一种包含定时值的数据结构，这些定时值表示关于当执行姿态时血液可能如何流过给定个体的血管系统的预测。

然后，认证平台可以将模式匹配算法应用于(i)测得形变流动模式和(ii)预测形变流动模式，以产生指示相似性的度量(步骤807)。如上所述，这个度量可被称为“匹配得分”。在高级别上，这个度量可指示出测得形变流动模式与预测形变流动模式在每个值的基础上的可比程度。

然后，认证平台可以基于该度量来确定是否将未知人员认证为给定个体(步骤808)。例如，认证平台可以应用一种将该度量与预定的阈值进行比较的认证算法。如果度量超过预定的阈值，那么认证算法可以产生输出，指示出未知人员应当被认证为给定个体。然而，如果该度量没有超过预定的阈值，那么认证算法可以产生成输出，指示出未知人员不应当被认证为给定个体。

图9包括通过血管研究确定是否将未知人员认证为给定个体的另一过程900的流程图。同时，图10包括认证平台确定是否将未知人员认证为给定个体的过程的直观图示。最初，认证平台可接收指示要将未知人员认证为给定个体的请求的输入(步骤901)。图9的步骤901可以与图8的步骤801基本相似。为了说明的目的，在检查由未知人员拥有的电子设备生成的数字图像的背景下描述了过程900。然而，本领域的技术人员将认识到，过程900可以类似地适用于未知人员接近但不拥有电子设备的场景(例如，电子设备是POS系统)。

此后，认证平台可以获得与未知人员声称的给定个体相关联的数字简档(步骤902)。例如，认证平台可以访问生物计量数据库，其中存储有与不同个体相关联的数字简档，然后认证平台可以基于该输入从数字简档之中选择数字简档。通常，该输入识别(例如，使用姓名或标识符，例如电子邮件地址或电话号码)未知人员声称是的给定个体，因此认证平台可以简单地从存储在生物计量数据库中的数字简档中识别适当的数字简档。

数字简档可包括与给定个体相关联的一个或多个血管模式(也称为“静脉地图”)。除了与给定个体相关联以外，每个血管模式还可以与给定的解剖学区域相关联。例如，数字简档可包括脸部、手掌、手指等等单独的血管模式。此外，数字简档可包括不同状态中的同一解剖学区域的血管模式。例如，数字简档可包括(i)第一血管模式，其提供关于当解剖学区域处于自然状态时解剖学区域中的血管的空间信息；(ii)第二血管模式，其提供关于当解剖学区域处于形变状态(例如，由于执行姿态)时解剖学区域中的血管的空间信息。

然后，在电子设备的相机朝向解剖学区域的同时，认证平台可以使得向未知人员呈现要求执行引起解剖学区域的形变的姿态的指令(步骤903)。随着未知人员执行该姿态，相机可以生成一系列数字图像。可以以预定的节奏(例如，每0.1、0.2或0.5秒)接连不断地离散地生成这些数字图像。或者，相机可以生成解剖学区域的视频，在这种情况下，数字图像可以代表视频的帧。在这种场景中，可以以预定的速率(例如，每秒20、30或60帧)生成数字图像。

然后，认证平台可以基于由相机生成的数字图像来估计未知人员的流动模式。更具体而言，认证平台可以基于对数字图像的分析，估计(i)当未知人员的解剖学区域处于自然状态时血液的第一流动模式，以及(ii)当该人的解剖学区域处于形变状态时血液的第二流动模式(步骤904)。如上所述，将基于由电子设备的相机生成的不同数字图像来估计这些流动模式。第一流动模式可以基于对解剖学区域在处于其自然状态时的数字图像(例如，在执行姿态之前或之后生成的那些)的分析而生成，而第二流动模式可以基于对解剖学区域在处于其形变状态的数字图像(例如，在执行或保持姿态时生成的那些)的分析而生成。如上文关于图8的论述，可以基于对相应数字图像的像素的程序化分析来估计第一和第二流动模式，以便识别颜色的变化(例如，在红色成分或绿色成分中)，这些变化指示出通过解剖学区域中的血管的血液流动。

此外，认证平台可以基于数字简档和第一流动模式，预测如果给定个体要执行该姿态，则将会预期到的血液通过该给定个体的解剖学区域的第三流动模式(步骤905)。如上所述，数字简档可包括(i)第一血管模式，其提供关于在解剖学区域处于自然状态时给定个体的解剖学区域中的血管的空间信息，以及(ii)第二血管模式，其提供关于在解剖学区域处于形变状态时给定个体的解剖学区域中的血管的空间信息。通过向第一血管模式、第二血管模式和第一流动模式应用一种算法，认证平台可能能够生成第三流动模式，作为输出。在高级别上，该算法可以模拟在姿态将会引起的解剖学区域的形变期间通过血管的血液流动。

然后，认证平台可以基于第二流动模式与第三流动模式的比较，确定是否将未知人员认证为给定个体(步骤906)。例如，假设第一流动模式、第二流动模式和第三流动模式被表示为矩阵。第一流动模式可被表示为第一向量或矩阵，其中每个元素包括一个值，该值指示出在处于自然状态时通过未知人员的解剖学区域的相应部分的估计血液流动。第二流动模式可被表示为第二向量或矩阵，其中每个元素包括一个值，该值指示出在处于形变状态时通过未知人员的解剖学区域的相应部分的估计血液流动。同时，第三流动模式可被表示为第三向量或矩阵，其中每个元素包括一个值，该值指示出在处于形变状态时通过给定个体的解剖学区域的相应部分的估计血液流动。在这种场景中，认证平台可以向第二和第三向量或矩阵应用一种算法，以产生指示出第二和第三流动模式之间的相似性的得分。从而，认证平台可以基于该得分来确立未知人员是给定个体的可能性。注意，本文所使用的术语“矩阵”可以用来指一系列的行向量或列向量。

也可包括其他步骤。作为一个示例，认证平台可以生成信号(例如，以消息或通知的形式)，该信号指示出未知人员是否已被认证为给定个体。认证平台可以将该信号发送给从其接收到认证请求的源头。例如，如果从在移动电话上执行的计算机程序接收到认证未知人员的请求，那么认证平台可以向移动电话提供该信号，以便计算机程序能够确立是否允许未知人员执行要求认证的任何任务。类似地，如果在交易期间从POS系统接收到对未知人员进行认证的请求，那么认证平台可以向POS系统提供信号，以便交易能够完成。

如上文参考图8所论述的，执行认证可能要求认证平台将流动预测算法应用到(i)与未知人员相关联的测得流动模式，(ii)与给定个体相关联的静脉地图，以及(iii)与给定个体相关联的形变静脉地图，以产生预测形变流动模式。这个预测形变流动模式代表了认证平台关于如果给定个体要执行某个姿态，血液将如何流经血管系统的预测。在一些实施例中，流动预测算法是共同定义流动预测模型的算法集合的一部分。一般而言，流动预测模型是一种机器学习(machine learning，ML)或人工智能(artificial intelligence，AI)模型，它被使用示例进行“训练”以做出预测，即，血液在形变时将如何流经血管系统。

图11包括创建模型的过程1100的流程图，该模型被训练成预测形变时通过解剖学区域的血管系统的血液流动。如上所述，解剖学区域可以通过姿态的执行而形变，或者解剖学区域可以通过外力(例如，由触觉致动器产生的触觉反馈)的施加而形变。形变的性质可能取决于解剖学区域。例如，脸部的血管系统可能更容易通过指示人执行某个姿态(例如，微笑或皱眉)而形变，而手指的血管系统可能更容易通过指示人将她的手指放在电子设备上，然后施加外力(例如，经由触觉反馈)而形变。

最初，认证平台可以识别模型，该模型要被训练来预测形变时通过解剖学区域中的静脉网络的血液流动(步骤1101)。注意，术语“静脉网络”和“血管系统”可能是可互换使用的。从而，术语“静脉网络”可以指位于解剖学区域中的血管系统的部分。虽然解剖学区域可以是身体的任何部分，可以通过成像从该部分监视血管动态，但常见的解剖学区域包括手指、手掌和手背以及脸部。

然后，认证平台可以获得(i)与自然状态中的解剖学区域相对应的第一系列血管模式，(ii)与形变状态中的解剖学区域相对应的第二系列血管模式，(iii)一系列流动模式，对于第一系列中的每个血管模式，传达的是当解剖学区域处于自然状态时，血液如何流经该血管模式，以及(iv)一系列形变的流动模式，对于第二系列中的每个血管模式，传达的是当解剖学区域处于形变状态时，血液如何流经该血管模式(步骤1102)。第一系列中的每个血管模式可以指示出当解剖学区域处于自然状态时皮下血管之间的空间关系。同时，第二系列中的每个血管模式可以指示出当解剖学区域处于形变状态时皮下血管之间的空间关系。

此外，第一系列中的每个血管模式可以与第二系列中的相应血管模式相关联，并且第一和第二系列中的相应血管模式可以与同一个体相关联。因此，单个个体可以与第一系列中的血管模式、第二系列中的血管模式、流动模式之一和形变流动模式之一相关联。通常，第一系列中的每个血管模式与不同的个体相关联，虽然同一个体可能与第一系列中的多个血管模式相关联。例如，单个个体可以与对应于同一解剖学区域的血管模式相关联，但这些模式是使用由不同电子设备产生的图像数据生成的。类似地，第二系列中的每个血管模式通常与一个不同的个体相关联。然而，如上所述，第一系列中的每个血管模式可能与第二系列中的相应血管模式关联的是同一个体。

然后，认证平台可以将(i)第一系列的血管模式、(ii)第二系列的血管模式、(iii)流动模式系列、和(iv)形变流动模式系列作为训练数据提供给模型(步骤1103)。这样的方法使得模型被训练成在被应用到与人相关联的血管模式时预测通过人的解剖学区域中的静脉网络的血液流动。换句话说，认证平台可以把这些信息作为训练数据提供给模型，以便产生能够预测血液流动的经训练的模型。例如，如果认证平台的任务是预测通过给定个体的解剖学区域的血液流动，则认证平台可以将经训练的模型应用于与给定个体相关联的一对血管模式。这对血管模式可包括一个与自然状态中的解剖学区域相对应的血管模式和另一个与形变状态中的解剖学区域相对应的血管模式。在训练完成之后，认证平台可以将经训练的模型存储在生物计量数据库中(步骤1104)。

其他考虑因素和实现方式

A.个性化的姿态

如上所述，静脉地图在确定是否将未知人员认证为给定个体时可能发挥关键作用。为了定制认证过程，认证平台可以基于这些静脉地图来设计或选择形变。

例如，假设未知人员希望将其自己认证为给定个体。作为认证过程的一部分，认证平台可以获得与给定个体相关联的静脉地图(例如，自然状态中的解剖学区域的第一静脉地图和形变状态中的解剖学区域的第二静脉地图)。在这种情形中，认证平台可以设计或者选择一种形变，这种形变将会更好地浮现或突出这些静脉地图的独特方面。例如，认证平台可以分析生物计量数据库中包括的一些或所有静脉地图，以识别充分独特的特征。这些特征可能与不同血管之间的空间关系有关(例如，不寻常的分支位置或者不寻常的尺寸)，或者这些特征可能与血管的血管属性有关(例如，如果流经静脉网络的血液的速度、体积或压力在形变后的变化大于或小于平均值)。

额外地或者替代地，认证平台可以利用一种系统来以浮现独特特征的方式向未知人员递送执行姿态的请求(或者以其他方式提示、激起或者导致形变)。例如，认证平台可以要求未知人员沿手掌的某个位置施加压力，以抑制或阻断流向某个独特血管位置的血液流动，从而对流入该独特血管中的其他血管的静脉阻力产生独特影响。形变对通过解剖学区域发出的压力脉冲的影响(从而对从视觉上捕捉压力脉冲的图像数据的影响)可能与形变同处一地，或者影响可能与形变的位置有一定的距离。

如上所述，作为认证过程的一部分，认证平台可以产生测得流动模式和测得形变流动模式。在一些实施例中，认证平台确定测得流动模式和测得形变流动模式之间的差异，然后将这些差异与其他示例进行比较，以确保通过形变产生的图像数据的变化也足够独特。

B.测得流动模式匹配

在已知未知人员的测得流动模式和测得形变流动模式之后，认证平台可以仅基于测得流动模式的匹配来对未知人员进行认证，因为先前已确立了与原始静脉地图认证因素的关联。这种“轻量级”的认证过程可能只适合于一些情形，例如涉及最低限度的敏感信息或动作的那些情形。然而，如果例如时间或计算资源有限，则这种“轻量级”认证过程对于快速认证未知人员可能是有用的。

C.多重形变

如上所述，给定个体可能会被提示在注册阶段期间执行多个姿态。这种方法提供了明显的安全性优势，因为有多个认证选项。如果未知人员寻求被认证为给定个体，则认证平台可以请求该未知人员执行给定个体在注册阶段期间执行的姿态的任何组合。从而，认证平台可以请求未知人员在认证过程期间执行几个不同的姿态，并且只有在这些姿态中的预定百分比(例如，超过50％，正好是100％)导致与给定个体的匹配时，认证平台才可以将未知人员认证为给定个体。

认证平台还可以请求未知人员不止一次地执行相同的姿态。例如，认证平台可以请求未知人员在认证过程期间多于一次地执行单个姿态，并且只有在这些执行中的预定百分比(例如，超过50％，正好100％)导致与给定个体的匹配时，认证平台才可以将未知人员认证为给定个体。

在认证平台允许个体在注册阶段期间执行多个姿态的实施例中，认证平台可以为这些不同的姿态管理单独的生物计量数据库。例如，认证平台可以管理包括关于第一姿态的信息(例如，静脉地图和形变静脉地图)的第一生物计量数据库，包括关于第二姿态的信息的第二生物计量数据库，等等。或者，认证平台可以将与不同姿态相关联的信息存储在单个生物计量数据库的不同部分中。

此外，生物计量数据库中的条目不仅可以与识别相应个体的名称或标识符(例如，电子邮件地址或电话号码)相关联，还可以与识别相应姿态的标签相关联。因此，不同的姿态(例如，微笑和皱眉)可以与不同的标签相关联，这些标签可以被附加到生物计量数据库中的条目。

在一些实施例中，适当的标签是基于对用于认证的图像数据的分析来识别的。例如，如果图像数据包括脸部的数字图像，则认证平台可以检查这些数字图像，以确定已执行了哪种姿态。图像数据的自动化分析在几个方面可能是有用的。首先，认证平台可能能够推断出未知人员执行了哪个姿态，而不是明确指示未知人员执行姿态。第二，认证平台可能能够确立适当的静脉地图来从生物计量数据库中取回。例如，如果认证平台确定未知人员在数字图像中执行了给定的姿态，那么认证平台可以从生物计量数据库中取回与该给定姿态相关联的静脉地图。

二、通过远程血管研究对未知人员进行认证的益处

A.由于老化和环境而产生的变化

虽然可以理解，血管的形状一般不会变化，但血管属性(例如流速)可能会受到诸如年龄、疾病之类的因素的影响。环境因素，例如温度和湿度，也可能影响血管属性。例如，血管可能由于低温而收缩。血液流动也可能受到生理因素(例如，紧张和压力)和生理活动(例如，锻炼)的影响。

认证平台的设计可以使得其对血管属性的这些变化具有鲁棒性。认证平台的一个重要方面是它对由于形变引起的血液流动的局部空间属性和方向性的关注。因此，上述因素的影响(其往往会影响到整个身体)通常是可忽略的或者是可管理的(例如，通过建模)。例如，在紧张状态和放松状态中，由于姿态的执行而通过解剖学区域中的静脉网络的血液流动的方向模式将是可观察到的，虽然信号的绝对强度(例如，通过分析图像数据而确定)可能不同。

全局血液流动的变化可能会向个体测量中引入一些噪音。然而，这种影响在最近的研究中已经得到了充分的解决，这些研究显示出，即使在执行身体活动(例如，锻炼)之后，血液流动仍然是容易观察到的。

B.挑战性场景中的鲁棒性

持续的研究提高了通过对数字图像的分析来确立或监视血管动态的准确性和鲁棒性。人们对远程监视的兴趣也在增大，尤其是对利用像移动电话和平板计算机之类的容易获得的电子设备的方法。

在未知用户的健康的变化影响局部范围内的空间属性的场景中(例如，由于外伤、中风，等等)，认证平台可以采用建模技术来考虑到这些变化。例如，如果认证平台基于对与未知人员有关的图像数据的分析检测到形变已发生，那么认证平台可以应用基于ML的模型，该模型被设计为相应地调整静脉地图。因此，认证平台可能能够智能地操纵静脉地图，以考虑到这些个体在完成了注册阶段之后的健康变化。作为另一个示例，如果认证平台基于对与未知人员有关的图像数据的分析检测到心率很高，那么认证平台可以应用基于ML的模型来确定对血管属性的适当调整，例如流速或压力。然而，这些类型的调整预计不会被广泛需要，因为空间信息和血管属性往往随着时间的推移而保持相当一致。

处理系统

图12的框图图示了处理系统1200的示例，其中可以实现本文描述的至少一些操作。例如，处理系统1200的组件可以被容宿在包括图像传感器的电子设备上。作为另一个示例，处理系统1200的组件可以被容宿在一种电子设备上，该电子设备包括负责检查由图像传感器生成的图像数据的认证平台。

处理系统1200可包括处理器1202、主存储器1206、非易失性存储器1210、网络适配器1212(例如，网络接口)、视频显示器1218、输入/输出设备1220、控制设备1222(例如，键盘、指点设备、或者诸如按钮之类的机械输入)、包括存储介质1226的驱动单元1224、或者信号生成设备1230，它们通信地连接到总线1216。总线1216被图示为抽象概念，它表示一个或多个物理总线和/或点到点连接，这些连接由适当的桥接器、适配器或控制器连接。因此，总线1216可包括系统总线、外围组件互连(Peripheral Component Interconnect，PCI)总线、快速PCI总线、HyperTransport总线、工业标准体系结构(Industry StandardArchitecture，ISA)总线、小型计算机系统接口(Small Computer System Interface，SCSI)总线、通用串行总线(Universal Serial Bus，USB)、集成电路间(Inter-IntegratedCircuit，I²C)总线、或者符合电气与电子工程师学会(Institute of Electrical andElectronics Engineers，IEEE)标准1394的总线。

处理系统1200可以与计算机服务器、路由器、桌面型计算机、平板计算机、移动电话、视频游戏机、可穿戴电子设备(例如，手表或健身追踪器)、网络连接(“智能”)设备(例如，电视或家庭助理设备)、增强或虚拟现实系统(例如，头戴式显示器)或者能够执行指定要由处理系统1200采取的(一个或多个)动作的一组指令(顺序的或者其他形式的)的另一电子设备共享相似的计算机处理器体系结构。

虽然主存储器1206、非易失性存储器1210和存储介质1226被示为单个介质，但术语“存储介质”和“机器可读介质”应当被理解为包括存储一组或多组指令1228的单个介质或多个介质。术语“存储介质”和“机器可读介质”也应当被理解为包括能够存储、编码或携带一组指令以供处理系统1200执行的任何介质。

一般而言，被执行来实现本公开的实施例的例程可以实现为操作系统或者特定应用、组件、程序、对象、模块或指令序列(统称为“计算机程序”)的一部分。计算机程序通常包括一个或多个指令(例如，指令1204、1208、1228)，这些指令在各种时间被设置在计算设备的各种存储器和存储设备中。当由处理器1202读取和执行时，指令使得处理系统1200执行操作以执行本公开的各种方面。

虽然已在全功能计算设备的背景下描述了实施例，但本领域的技术人员将会明白，各种实施例能够作为程序产品以各种形式分发。无论用于实际引起分发的机器或计算机可读介质的特定类型如何，本公开都适用。机器和计算机可读介质的另外示例包括可记录型介质，例如易失性存储器设备、非易失性存储器设备1210、可移除盘、硬盘驱动器、光盘(例如，紧凑盘只读存储器(Compact Disk Read-Only Memory，CD-ROM)和数字多功能盘(Digital Versatile Disk，DVD))、基于云的存储，以及传输型介质，例如数字和模拟通信链路。

网络适配器1212使得处理系统1200能够通过处理系统1200和外部实体支持的任何通信协议在网络1214中与处理系统1200外部的实体进行数据调解。网络适配器1212可包括网络适配器卡、无线网络接口卡、交换机、协议转换器、网关、桥接器、集线器、接收器、中继器、或者包括集成电路的收发器(例如，实现通过蓝牙或Wi-Fi的通信)。

附注

前述对要求保护的主题的各种实施例的描述是为了说明和描述的目的而提供的。它并不打算是穷举性的或者将要求保护的主题限制到所公开的精确形式。本领域技术人员将清楚许多修改和变化。选择和描述实施例是为了最好地描述本发明的原理及其实际应用，从而使得相关领域的技术人员能够理解要求保护的主题、各种实施例以及适合于所设想的特定用途的各种修改。

虽然“具体实施方式”部分描述了某些实施例和设想的最佳模式，但无论“具体实施方式”部分看起来多么详细，该技术都可以以许多方式实现。实施例在其实现细节上可以有很大的不同，同时仍被本说明书所涵盖。在描述各种实施例的某些特征或方面时使用的特定术语不应当被理解为暗示该术语在此被重定义为仅限于与该术语相关联的技术的任何具体特性、特征或方面。一般而言，以下权利要求中使用的术语不应当被解释为将该技术限制到在说明书中公开的具体实施例，除非在此明确定义了这些术语。因此，本技术的实际范围不仅涵盖所公开的实施例，而且涵盖实施或实现实施例的所有等同方式。

说明书中使用的语言主要是为了可读性和指导目的而选择的。它可能不是为了限定或限定主题而选择的。因此，希望本技术的范围不受这个“具体实施方式”部分所限制，而是受根据基于此的申请而授权的任何权利要求所限制。因此，对各种实施例的公开旨在进行说明，而不是限制所述权利要求中记载的技术的范围。

工作实用性

本公开可被应用到计算机安保中的生物计量认证。

Claims (25)

1.一种方法，包括：

接收输入，该输入指示出用于对拥有电子设备的人员进行认证的请求，所述电子设备包括相机；

获得与所述人员所声称的给定个体相关联的数字简档；

在所述电子设备的相机朝向解剖学区域的同时，使得向所述人员呈现用于执行姿态的指令，所述姿态引起所述解剖学区域的形变；

基于对由所述相机生成的数字图像的分析，估计(i)血液在所述人员的解剖学区域处于自然状态时的第一流动模式，以及(ii)血液在所述人员的解剖学区域处于形变状态时的第二流动模式；

基于所述数字简档和所述第一流动模式，预测如果所述给定个体将执行所述姿态，则将预期血液通过所述给定个体的解剖学区域的第三流动模式；并且

基于所述第二流动模式与所述第三流动模式的比较，确定是否将所述人员认证为所述给定个体。

2.如权利要求1所述的方法，其中，所述数字简档包括(i)第一血管模式，该第一血管模式提供关于当所述解剖学区域处于自然状态时所述解剖学区域中的血管的空间信息，以及(ii)第二血管模式，该第二血管模式提供关于当所述解剖学区域处于形变状态时所述解剖学区域中的血管的空间信息。

3.如权利要求2所述的方法，其中，所述预测包括：

向所述第一血管模式、所述第二血管模式和所述第一流动模式应用算法，该算法通过模拟在将由所述姿态引起的所述解剖学区域的形变期间通过所述血管的血液流动来生成所述第三流动模式作为输出。

4.如权利要求1所述的方法，其中，所述估计包括：

检查所述数字图像以识别颜色的变化，所述颜色的变化指示出血液流动通过所述解剖学区域中的血管。

5.如权利要求1所述的方法，

其中，所述第一流动模式被表示为第一向量，其中每个元素包括指示出在处于自然状态时通过所述人员的解剖学区域的相应部分的估计血液流动的值，并且

其中，所述第二流动模式被表示为第二向量，其中每个元素包括指示出在处于形变状态时通过所述人员的解剖学区域的相应部分的估计血液流动的值，并且

其中，所述第三流动模式被表示为第三向量，其中每个元素包括指示出在处于形变状态时通过所述给定个体的解剖学区域的相应部分的估计血液流动的值。

6.如权利要求5所述的方法，其中，所述确定包括：

向所述第二向量和第三向量应用算法，以产生指示出所述第二流动模式和所述第三流动模式之间的相似性的得分，并且

基于所述得分确立所述人员是所述给定个体的可能性。

7.如权利要求1所述的方法，其中，所述获得包括：

访问存储了与不同个体相关联的多个数字简档的生物计量数据库，并且

基于所述输入，从所述多个数字简档之中选择所述数字简档。

8.如权利要求7所述的方法，其中，所述输入标识所述人员所声称的给定个体。

9.一种非暂态介质，其上存储有指令，所述指令当被电子设备的处理器执行时，使得所述电子设备执行操作，所述操作包括：

识别模型，该模型要被训练来预测在解剖学区域形变时通过所述解剖学区域中的静脉网络的血液流动；

获得

(i)与自然状态下的所述解剖学区域相对应的第一系列的血管模式，

(ii)与形变状态下的所述解剖学区域相对应的第二系列的血管模式，

(iii)一系列流动模式，该一系列流动模式对于所述第一系列中的每个血管模式，传达当所述解剖学区域处于所述自然状态时血液如何流经该血管模式，以及

(iv)一系列形变流动模式，该一系列形变流动模式对于所述第二系列中的每个血管模式，传达当所述解剖学区域处于所述形变状态时血液如何流经该血管模式；并且

将(i)所述第一系列的血管模式、(ii)所述第二系列的血管模式、(iii)所述一系列流动模式和(iv)所述一系列形变流动模式作为训练数据提供给所述模型，以产生经训练的模型，所述经训练的模型在被应用到与人员相关联的血管模式时能够预测通过该人员的解剖学区域中的静脉网络的血液流动。

10.如权利要求9所述的非暂态介质，其中，所述第一系列中的每个血管模式与所述第二系列中的相应血管模式相关联，并且其中，所述第一系列和第二系列中的相应血管模式与相同个体相关联。

11.如权利要求9所述的非暂态介质，其中，所述第一系列中的每个血管模式指示出当所述解剖学区域处于所述自然状态时皮下血管之间的空间关系，并且其中，所述第二系列中的每个血管模式指示出当所述解剖学区域处于所述形变状态时所述皮下血管之间的空间关系。

12.如权利要求9所述的非暂态介质，其中，所述第一系列中的每个血管模式与不同的个体相关联。

13.如权利要求9所述的非暂态介质，其中，所述解剖学区域是手指。

14.如权利要求9所述的非暂态介质，其中，所述解剖学区域是手的手掌面或手背面。

15.如权利要求9所述的非暂态介质，其中，所述解剖学区域是脸部。

16.如权利要求9所述的非暂态介质，其中，所述模型包括神经网络，该神经网络具有基于所述提供的结果而被调整的参数。

17.一种方法，包括：

使得呈现通知，该通知指示待认证的人员执行姿态，该姿态引起解剖学区域的形变；

获取由电子设备在所述人员执行所述姿态时生成的所述解剖学区域的数字图像；

基于所述数字图像，估计通过所述解剖学区域中的皮下血管的血液流动的特性；并且

基于估计的特性与与给定个体相关联的简档的比较，确定是否将所述人员认证为所述给定个体。

18.如权利要求17所述的方法，其中，所述数字图像是结合由所述电子设备发出的可见光、红外光或紫外光生成的。

19.如权利要求17所述的方法，其中，所述特性是由所述皮下血管形成的静脉网络的形变。

20.如权利要求17所述的方法，其中，所述特性与血液流经所述皮下血管的方向性、速度、体积、相位或压力有关。

21.一种电子设备，包括：

处理器；

图像传感器，被配置为产生人员的解剖学区域的数字图像；

通信模块，被配置为启动经由网络与认证平台的连接，所述认证平台被容宿在另一电子设备上；

存储器，其上存储有指令，所述指令当被所述处理器执行时，使得所述处理器：

向所述通信模块转发所述数字图像以便通过所述网络传输到所述认证平台，

从所述通信模块接收由所述认证平台基于对所述数字图像的分析而获得的认证决定，并且

输出所述认证决定。

22.如权利要求21所述的电子设备，其中，所述数字图像是响应于确定所述人员已被请求执行姿态而由所述图像传感器产生的，并且其中，所述处理器还被配置为将对所述姿态的指示转发给所述认证平台。

23.如权利要求21所述的电子设备，其中，所述电子设备还包括：

用来输出所述认证决定的用户界面(UI)输出机构。

24.如权利要求23所述的电子设备，其中，所述UI输出机构是显示器。

25.如权利要求23所述的电子设备，其中，所述UI输出机构是扬声器。