CN1271446A - 从手指印图象求出鉴定编码的方法 - Google Patents

从手指印图象求出鉴定编码的方法 Download PDF

Info

Publication number
CN1271446A
CN1271446A CN98809306A CN98809306A CN1271446A CN 1271446 A CN1271446 A CN 1271446A CN 98809306 A CN98809306 A CN 98809306A CN 98809306 A CN98809306 A CN 98809306A CN 1271446 A CN1271446 A CN 1271446A
Authority
CN
China
Prior art keywords
bifurcated
feature
identification code
aforesaid right
tilt
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
Application number
CN98809306A
Other languages
English (en)
Inventor
R·豪克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dormakaba Schweiz AG
Original Assignee
Kaba Schliessysteme AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kaba Schliessysteme AG filed Critical Kaba Schliessysteme AG
Publication of CN1271446A publication Critical patent/CN1271446A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12Fingerprints or palmprints
    • G06V40/1347Preprocessing; Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

从手指印图象求出鉴定编码的方法,在图象范围测定至少两个以下的独立特征:指纹距离L、倾斜度G、曲率K和分叉B,并且从中确定或然率分布H。从这些或然率分布中将特征的数值(平均值、变量、最大值和级数),并且附加也将选择的分叉确定为特征值(Ci),这个特征值构成为鉴定编码C的矢量组成。用按照本发明的方法可以相对简单地形成可确定的和具有高识别可靠性的短的鉴定编码用于很多种用途。

Description

从手指印图象求出鉴定编码的方法
本发明涉及到从手指印图象以及从数字灰值图象中按照权利要求1和25前序部分求出鉴定编码的方法和装置。这些方法和装置用于实时或借助于电子照相机,例如摄像机从图象文件中自动鉴定一个人的手指印。因此可以从以数字形式出现的手指印图象中生成编码,用编码可以鉴定所属的人。已知用各种方法可以得到手指印图象。最多的是将手指按在适当的光学装置上以生成对比度,光学装置借助于棱镜和阻档全反射原理产生皮肤纹路图象。但是也可以直接用电子,例如电容式照出皮肤纹路照片。为了表征手指印到目前为止使用所有类型的细节(分支,指纹终点,夹杂物,岛,中断,交叉,三叉等)。这些特别适用于广泛的法庭应用,这些应用要求非常复杂,准确的对这些细节特征的分析(位置和细节的种类及其定向),这些要求有相当大的存储容量,复杂的程序和长的处理时间以及大的计算工作量。
用到目前为止的细节表征方法有一系列的重要缺点:一方面光学照片的误差和不准确度导致细节混淆,也就是说照片误差产生虚假的细节,而这些细节实际上根本不存在,并且相反由于不好的照片实际的细节有可能没有被识别。此外实际的一个人的手指指纹包括有细节误差,例如皮肤受伤,由于脏东西或由于难于测量的皮肤纹路,这样在图象上好象有中断。例如由于简单的切伤沿着切口可以形成大的纹路组,也就是说虚假的纹路终点。因此照出的一个人的细节照片不同于,复杂的处理程序所要求的。由于这个原因借助于到目前为止的方法识别手指印不仅在计算费用上而且在存储容量上都是很贵的。
其它已知的简单的从指纹距离或者倾斜度中求出鉴定编码的方法还没有用短编码得出足够的识别可靠性。
另一方面在很多日常应用中将简单的方法用于人的鉴定和查证却存在着很大的需求,例如出入授权、用信用卡付款、用于法律或社会目的的鉴定,例如护照检查,或者个人身份证检查,例如社会福利程序等。对于所有这些非法庭应用有必要寻找一种简单和可靠的生物测定识别编码,这种识别编码需要很少的存储位置和因此也可以在廉价的数据载体上使用作为鉴定媒介。特别是对于廉价的磁卡,用一维或二维条形码的证件或其它价格适当的数据载体,特别是用EEPROM芯片存储器的智能卡和不接触式的数据载体系统。这无论如何对所有商业活动中涉及到相对很少币值的应用也是有必要的,例如在日常消费品领域,在相对很多使用者的自动售货机上。此时鉴定载体必须非常便宜,也就是说用很小的存储容量和在小的分散的检查站的计算机上用相对简单的处理可以可靠的应用。
因此本发明的任务是,创建一种方法用必要的编码长度与计算费用有一个比较好的比例,涉及到识别精度和特别是在足够高的识别精度时产生比较短和比较简单的编码,这种识别编码小于100字节,例如只有36字节或者还可以更少。编码涉及到图象误差和照片误差以及图象剪裁的选择方面也应该是不敏感的。此外例如也应该能够在用简单,廉价的计算机的分散的站上有可能产生编码。
此任务是按照本发明权利要求1的方法和权利要求25的装置解决的。
通过使用至少两个独立的,以及正交的特征指纹距离L、倾斜度G、曲率K和分叉B得到两个单个特征识别精度的乘积,并且从特征或然率分布中确定压缩的特征值中用简单的方法确定编码特征,这个编码特征很少依赖于照片和图象误差。用按照本发明的方法可以,从很少的特征值以及很短的鉴定编码出发,对于简单使用必要时通过扩展特征数以及加长编码也可以达到比较高的识别精度。本发明有利的扩展结构在有关的权利要求中予以说明。
在以下各种处理步骤的叙述中以及借助于附图和例子详细地叙述本发明。附图表示:
附图1在x方向确定纹路距离L
附图2从灰值图象中确定纹路距离
附图3在x和y方向确定L
附图4或然率分布HL与距离长度L的函数关系
附图5具有确定等级值的分级
附图6确定倾斜度G
附图7确定曲率K
附图8各种图象倾斜度分布HG的等级值
附图9-11各种手指印图象I
附图12在变成骨骼状的图象上确定分叉B
附图13确定分叉距离LB
附图14确定分叉面积F
附图15确定分叉B的其它例子
附图16分块和用网栅与图象覆盖
附图17显示可能的图象裁剪
附图18按照本发明方法的简图
附图19a,b定义的分叉举例
附图20按照本发明实施本方法的装置
附图21分叉等级的图解说明
为了测定图象借助于已知的方法得到一个手指印的数字灰值图象具有适当的网栅例如512×512象素(附图9-11)。这个数字图象或者可以直接用于确定特征或者可以从中通过图象预处理,用特殊的二进制化和变为骨骼化,产生指纹图象(附图12和15)。
从这种一次产生的图象中随后得出各种特征,并且在进一步处理步骤中压缩成为鉴定编码C,这个鉴定编码在编码长度和识别精度方面对应于所希望的应用。
指印特征
使用以下四个独立的以及正交的特征并且确定其或然率分布:
L指纹距离
G倾斜度
K曲率
B分叉(指纹分支)
特征指纹距离L
指纹距离(距离长度)L,如用附图1和2图解说明的,定义为在两个相继的指纹5之间的距离,此时指纹的宽度为0,也就是说相当于两个相继指纹中线的距离,指纹是在X投影射线方向照得的。对于经过预处理的,变为骨骼的图象这相当于指纹距离(指纹宽度为0,附图1),而从数字灰值图象中按照附图2在两个相继的指纹之间的距离L是按照以下公式计算的:L=L2+1/2×(L1+L3)。如果L1和L3在适当选择的灰值阈值10时相当于指纹宽度。用这个阈值10也可以进行二进制化,当超过阈值时灰值De被称为1,和在阈值10以下时灰值为0。为了消除单个图象点(象素)的误差也可以作为条件规定,例如必须一共至少有指纹宽度L1,L3和还有距离L2三个相继的图象点。如附图1所示,在照相射线方向例如在横坐标x上求出出现的距离Lxl、Lx2等。通过以适当的分级dy改变y按照附图3测定整个照片,则可以将所有测定的出现的距离HLx(x,y)作为距离长度Lx的函数按照附图4记录下来。这表示在照片范围上在x方向所有出现的距离Lx的或然率分布或柱状图。
与此相似确定在正交方向(也就是在立坐标y上)的距离Ly(x,y)和通过选择的距离dx改变x经过整个照片范围求出的。从而得出或然率HLy,同样是在整个照片范围得到的。
为了求出在x方向和在y方向的距离长度Lx、Ly,应该将坐标网格定义为定向的:这里y坐标相当于手指纵坐标,以便得到定义的或然率分布。如附图4所示,柱状图HLx和Hly是完全不同的。
附图5表示柱状图HLx的分级,此时对于每个级Hc=l,2,3,
缛范ㄆ骄栒礖q,最大值Hmax和标准偏差或变量Hvar,并且被使用作为鉴定编码C的特征值Ci。例如柱状图HLx和HLy每个可以分成8、12或16级,并且对于每个级确定一个、两个或三个数值(Hq,Hmax,Hvar)。
特征倾斜度G
和特征距离长度相似也求出倾斜度G的或然率,也就是说在整个照片范围均匀地测定第一个方向导数的或然率并且此外例如还求出每个投影方向。倾斜度被确定为靠在皮肤纹路5上投影射线(例如在x方向)与皮肤纹路切点的切线。如附图6所示,在投影方向上求出倾斜度和在整个照片范围在投影方向x上其或然率分布HGx,并且与此相似在投影方向y上求出倾斜度的或然率分布HGy,以便均匀地得到整个照片范围的倾斜度方向G(x,y)。
如后面叙述的,这个或然率分布G也可以覆盖在照片上求出,当对网络(30)的每个网格确定一个倾斜度值(附图16)和因此求出倾斜度网栅。
作为图解说明确定了附图9、10和11的三个手指印图象的倾斜度或然率分布HG,并且表示在附图8上。附图9的照片11表示人1的手指印和照片12a、12b是第二个人的,此时附图10表示没受干扰的手指印图象12a,和附图11是同一个人的同一个手指受到干扰以及受伤20的图象12b,干扰和受伤位于中心中间偏上的白印是可以看见的。从这三个照片中求出在整个图象上的或然率分布HG并且表示为从0至180°倾斜度角度的函数。从中被分为16级的分级,也就是说每个级为180°∶16=11.25°角度范围和确定每个级的平均值Hq并且表示在附图8上。对每个图象得出一条曲线具有16个特征值。如清晰地看出,按照附图9和10的图象12a和12b的曲线几乎一样。也就是说具有相应定义的阈值S两个图象的分级是一样的。这个人2的鉴定仍然是可能的,虽然图象12a和图象12b有区别,一方面是由于受伤干扰20和另一方面也由于照片范围不一样。如在附图11上记录的,照片范围12a的边缘与照片范围12b是不对应的(照片范围的不同定义)。
然而到目前为止细节处理有可能在图象12b在受伤位置20似乎出现许多伪细节(纹路),并且因此鉴定是非常麻烦的以及甚至是不可能的。从附图9上人1图象I1的曲线与人2的曲线12a和12b可以看出来是很不一样的。因此用16个特征值Ci作为特征G的子编码C1已经相当有益于鉴定编码C的识别可靠性。这个例子还说明,按照本发明在大的图象范围求出上述特征的或然率分布和从而从压缩的特征值中求出一个鉴定编码,这个鉴定编码比较少地受到局部图象干扰和误差的影响,因此达到了相应比较高的识别可靠性。这与已知的细节处理是相反的。
如同确定距离L中叙述的,特征倾斜度G也可以直接从数字的灰值图象中确定,例如对于网栅(30)的每个网格确定倾斜度值和因此如附图16叙述的倾斜度网栅。
特征曲率K
按照附图7确定曲率K,是在皮肤纹路或指纹5与投影方向x和y的切点求出指纹的第二个方向导数。例如这被确定为靠在指纹有关切点的近似园半径R的倒数。用到目前为止确定特征的相似方法,在这里也可以在整个图象范围在两个正交的方向x和y上,也就是说确定曲率的或然率分布HKx和Hky(或者通过每个网格30确定K值)。为了排除不重要的,很小的曲率半径,这些是变成骨骼图象的不规律性时有可能产生的,可以使用选定规律,例如附图15所示对于最小的曲率半径Rmin,例如Rmin=0.3-0.5mm,在图象中央还有可能测得的最小的曲率半径,然而例如在分叉B5的更小的曲率是不再可能测定的。
如在确定距离L时已经叙述的,倾斜度G和在任何情况下曲率K也可以从数字灰值图象中或从二进制的,但是还没有变成骨骼的图象中推导出来。
按照本发明只使用独立的特征指纹距离L、倾斜度G、曲率K和分叉B(皮肤纹路分支),从中必须使用至少两个这样的特征用于确定编码。
特征L、G、K不是细节特征;这些特征是通过其或然率分布表征的。如果将特殊的特征分叉B也这样选择并且纳入进来,图象误差以及例如在边缘上的单个分叉的误差,这些有时可以被测得有时不可能被测得,没有或不会有重大的影响。
重要的是,被寻找的短编码C尽可能少地受到单个图象误差或单个特征(例如各种单个的细节)的影响。因此只有使用清楚定义的分叉B作为单个细节特征,此时这个分叉与其它细节相比对于由于指纹干扰,例如通过切伤的图象误差或虚假误差不敏感。由于切伤有可能不仅产生新的指纹终端而且产生虚假细节,然而没有分支。
重要的是,这里使用的完全确定的分叉B特征与传统的细节处理使用了另外一种方法。那里测定各种细节种类和从每种细节中确定其位置,其样式和其方向,其中为了处理和确定编码引用了各种单个细节的相对位置。然而按照本发明,这里只选定一种细节类型即明确定义的分叉,此外这个分叉使用了与至今为止的或然率分布或单个选择的分叉完全另外的方法,如下面叙述的。
特征分叉B
附图12表示了附图10的二进制和变成骨骼的灰值图象,将这使用作为确定分叉的例子。在这个图象中确定分叉Bi=B1-B12,这适合于分叉数N=12。此外制定了适当的选定规则以及定义判据,则小的干扰或其它类型的细节(例如岛)不会作为虚假分叉被计入。例如以下规范用作为规则:被记录的分叉的所有三个叉必须有最小长度为0.5-1mm和一个叉必须至少1-1.5mm长。此外也可以规定两个分叉之间的最小距离为例如0.7-1mm。按照这样的定义判据例如在附图12中的(B13)、(B14)和在附图15中的(B7)、(B8)、(B9)不算作分叉。
可以将分叉B作为定义的单个的和选择的分叉使用于编码生成,如在附图19和21中说明的,或者可以按照附图13、14确定分叉距离LB的或然率分布以及分叉之间相邻三角面积的或然率分布。
按照附图13分叉距离LB是这样确定的:
确定从N个分叉中的每个Bi到每个其它分叉Bj的距离LBi-j。得出N(N-1)个分叉距离LBi-j。在例子中N=12从而得出132个距离,将其综合在柱状图上:作为或然率分布HLB是距离LB的函数。
与之相似按照附图14确定分叉Bi和Bj之间的三角面积Fi-j。从每个分叉Bi出发,到每个其它分叉Bj定义第一个三角边,其中将距离第一个分叉Bi最近的分叉Bk(其中k不等于j)确定为第三个三角点,例如从B1出发,面积F1-2-3(其中i=1,j-2,k=3)和面积F1-3-2(其中i=1,j=3,k=2)以及F1-4-2至F1-12-2。用选定规则确保,每个只测定一个面积,例如如果出现两个相邻的分叉Bk,则只将距离Bj最近的分叉使用作为Bk。
从B10出发到B1产生面积F10-1-12(i=10,j=1,k=12),也就是说从每个Bj作为基准指纹出发准确的产生一个三角,从而总的还是N(N-1)=132个面积Fi-j,这些又构成为或然率分布是面积F函数的柱状图。
附图15表示了从其它手指印图象中确定分叉的另外例子,其中通过相应的选定规则,例如相互靠得很近的分叉B7,B8,B9不算作分叉处理,则这里只还有分叉B1至B6和因此分叉距离LB数以及相邻的三角面积F每个为N(N-1)=30。用其它的定义判据例如也可能只将B9定义为分叉而B7和B8不定义为分叉。
确定特征值
从柱状图中求出表征柱状图的简单的特征值Ci,例如平均值Hq,最大值Hmax和变量Hvar。
此外也可以将或然率分布分成级Hc,并且例如确定每个级的特征值、平均值和变量(附图5)。
选择的分叉特征
如果将单个明确定义的具有一定分叉特征的分叉使用于求出编码特征Ci和因此使用于求出鉴定编码C时,分叉特征B也可以附加地非统计地使用。其中如在附图19a和b例子中图解说明的,确定其位置,也就是确定点P1的位置坐标x1、y1以及定向角Wa和开口角Wb。明确定义的开口角Wb例如可以这样确定,将开口角定义为点P1、P2和P1、P3之间连线的夹角,此时将点P2和P3选择与点P1有一个适当的距离r1,例如r1=0.5-1mm。点P4与点P1有一个最小距离r2例如为1-1.5mm,另一方面构成分叉的定义判据,因此不会使小的图象干扰错误地算作为分叉。在附图19a的例子中表示了一个相对小的分叉角Wb,例如对应于在附图21上的分叉B6,而附图19b上的例子说明了一个大的开口角Wb,例如在附图21上的分叉B8。被鉴定的分叉现在可以分级用于编码形成,也就是说成为分类判据,例如对分叉引入一个加权。第一个分级判据是开口角Wb,此时大的开口角包含有比较高的加权。例如分级判据可以是:加权与开口角Wb成比例。其它的分类判据是分叉与中央基准点的距离RBi,例如这里作为与曲率中点Km的距离RBi(附图21),其中中央分叉比其它距离远的有加重的加权。作为其它选择判据也可以放弃离边缘近的分叉,例如附图21上的B2,这个分叉靠近指纹图象的外轮廓。从分叉特征和分级判据上例如可以定义一个分叉优先权BP=Wb/RB。因此将所有分叉按照BP用下降的顺序分类。为了生成短的编码长度可以在按照分叉优先权分类的等级顺序使用各自第一个记录。对于附图21的顺序例如可以如下:B8、B6、B5、B7、B4。
特别是将倾斜度和分叉特征组合可以形成具有相对高的识别可靠性的浓缩编码。特别有利的是一种鉴定编码,这个鉴定编码一方面是由倾斜度网格中每个块IS的倾斜度特征和另一方面由分级的分叉B构成的。此外还要求中央基准点和指纹图象的定向。
图象预处理和测定方法
特征L和G可以直接从数字灰值图象中确定不需要用其它的图象预处理。
确定特征B和还有K常常用一种指纹细化作为图象预处理,例如二进制化和变成骨骼化。然后也从这个变成骨骼的图象中确定其它的特征L、G、K。
但是分叉B在有利的变型中借助于神经细胞网络也可以直接从数字灰值图象中确定。
特征可以用以下方法测定,如在附图16中用块分布和网格分布图解说明的:
a在整个图象范围(对于所有特征L、G、K、B)
b在每个相对小的块中,例如分成为3×5至5×7块IS,在其中对每块IS求出或然率分布并且从中推导出特征值Ci。
c将图象I与网栅30重叠,其中对每个网格只确定特征的一个数值。网格大小应选择适当(例如5×5象素)。
用这些测定方法a,b,c测得下列特征
               a           b               c特征
               L           -               -
               G           G               G
               K           K               K
               B           -               (B)
在编码比较时应该注意,分块IS与平移和旋转有关。特征同样依赖于照片的平移和旋转。对于编码比较应该考虑这个。
与旋转有关的是特征曲率K以及从分叉B中推导出来的分叉长度BL和分叉面积F和选择的分叉相对位置。特征倾斜度G要求确定图象调整坐标y。相反特征倾斜度G与图象扩张(图象放大或缩小)无关。
因为至少有两个特征(L,G,K,B)作为子编码(C1,C2)包括在鉴定编码C=(C1,C2)中,在编码比较中这些子编码(C1,C2)也可以相应地不同地使用,也就是说对应于与图象定义的关系,和与有关特征和与有关柱状图处理以及选择的分叉特征的关系。
子编码可以任意地从特征值Ci中构成。
图象剪裁
附图17说明了与图象定义的关系,此时这里是从同一个手指拍照的一次是图象13和另一次是图象14,其中这些图象13、14显示了不同的范围和无论如何还有手指印纵坐标y不同的定向。为了能够比较一样的图象范围,也可以从已经给定的手指印中裁剪一个中央部分并且作为图象裁剪IA使用于特征测定和编码生成。此时最好将手指印的中央区Z和其周围ZU首先引入用于特征测定和编码生成,因为这里信息内容也比边缘范围多。
在定义好位置和图象调整时,借助于相应的照相装置,例如双指导向分块图象也可以可靠地进行比较。
定向和中央基准点
为了确定指纹图象的定向和中央基准点以及为了定义具有坐标零点的坐标系,可以按照已知的方法例如确定所谓的“中心点”。然而这是很复杂的并且常常也没有明确的中心点可以确定。简单的方法是,从曲率K特征中确定曲率半径重心Km作为中央基准点。此外确定靠近曲率的近似园(见附图7R)的圆心,并且从这些均匀测得的近似园的圆心确定其重心具有坐标xm,ym。但是首先也可以近似地例如作为具有外轮廓A(见附图21)的图象平面的重心确定中央基准点。同样可以借助于如附图20叙述的导向装置32使用定义的被引导的手指图象照片。其它可能性在于,从图象块IS中的倾斜度分布的变量Hvar中确定中央基准点,此时中央基准点是通过这个块确定的,这个块具有变量的最小值。为此也可以改变图象块。
如果照片位置定义得不好,则这样选择特征、确定方法和编码测定,使这些在位置上相对独立,例如特征G、K按照测定方法a,然而其中在大多数情况下应该辅助地确定方向。为了编码比较也可以将图象转动一个小的角度,以及在x和y方向推移。
作为按照本发明方法的实施变型,可以每个根据定义和所提出任务例如使用以下特征的组合用于确定鉴定编码C。
1.特征指纹距离L、倾斜度G和分叉B。
这些例如也可以从灰值图象中确定,和专门使用在简单的、比较短的编码(L和G),例如也可以具有或然率分布的分级。
从变成骨骼的图象中可以使用以下特征:
2.特征倾斜度G和曲率K
3.特征倾斜度G和分叉B
4.特征曲率K和分叉B,这些是两个旋转变化的。
5.特征倾斜度G、曲率K和分叉B,这些专门用于比较高的精确度,此时对应于比较高的精确度形成比较长的编码(也用选择的分叉)。
在适当选择特征组合以后,也可以这样选择精度,用精度确定特征和其或然率分布,以及从中确定特征值Ci,最后产生具有编码长度的鉴定编码C,这个编码对应于所期望的精度要求:也就是例如通过细小的分块和分级和通过确定更多的特征值Ci,从中编码长度可以满足所希望的要求。
鉴定编码C不仅可以按顺序而且也可以迭代地求出。
编码比较
用这些按照本发明的,相对紧凑的鉴定编码C(用很少的存储容量)可以用简单的方法进行所有已知的鉴定、查证和证实任务,也可以分散、简单和合理地进行。其中为了比较两个编码Ca和Cb,例如现实的手指印图象的编码Ca与从对应的存储器(这可以是数据库或也可以是鉴定媒介IM)中的比较样板Cb借助于数学方法确定误差值D=Ca-Cb,并且与可预先规定的阈值(认可阈值)S进行比较。如果D<S时,认为两个编码Ca和Cb是一样的,并且相应地从属于一个人的。
其中可以预先规定单独的,对于人专门的阈值S。例如这关系到从一定的人求出的鉴定编码C是否好有关,并且另一方面也关系到对于这个人的鉴定任务如何重要有关。
同样可以预先规定对于应用专门的阈值S,对应于有关的应用,也就是每此根据这个期望什么样的识别可靠性,也就是允许什么FAR错误认可率和允许什么FRR错误拒绝率。
为了确定这个一致性,例如可以在预先规定的一致性阈值S情况下确定特征矢量C的几何距离D。从由特征值Ci构成的编码得出,手指印1与手指印2是一样的,如果符合下式:
D=∑(Cli-C2i)2<S
或者鉴定编码也可以按照以下方法求相关:
将一个手指ai其中i=1,N时的特征,与第二个手指bi其中i=1,N时的特征按照以下公式构成一个相关Kor:
-1≤Kor=∑(ai-aq)(bi-bq)/(∑(ai-aq)2(bi-bq)2)1/2≤+1,其中在i=1,N时,
其中aq是数值ai的平均值,并且bq是数值bi的平均值。
当ai=bi时手指是一样的,也就是说相关为1。当Kor=0时特征是不相关的,当Kor=-1时数值是逆相关的。
作为其它的比较方法可以根据编码C的种类也可以使用回归分析或瞬时分析。通过这些将各种特征,以及特征值Ci和鉴定编码C=(C1,C2)的相应子编码C1、C2也可以进行不同的处理。
附图18用图解说明按照本发明方法用于确定相对短的鉴定编码C。从至少两个正交特征L、G、K、B中选择52如同在以下处理步骤中一方面根据图象定义51和另一方面根据任务60选择,也就是根据任务所要求的识别可靠性,从中得出对错误认可率FAR和错误拒绝率FRR的要求。根据图象定义51(也就是说调整质量、裁剪质量、照相质量和图象质量)相应地选择不敏感的特征和测定方法。同样可以进行图象预处理53用于直接从灰值图象,从二进制图象或从细化的,变成骨骼的指纹图象中确定特征。在下一个步骤54可以进行可能的图象调整,中央基准点以及坐标零点,例如Km,以及选择图象裁剪IA或分块IS。从中求出具有相应的细网栅以及相应的数据量的柱状图H。附加在柱状图上在步骤56中确定单个定义的具有定向角Wa和开口角Wb的特征分叉B,并且在步骤57中按照分叉优先权BP进行分叉的分级,选择以及加权。在步骤58确定特征值Ci和在步骤59进行鉴定编码C的组合。也就是说组合成相应的比较长的或比较短的编码长度,按照步骤60直到达到所希望的识别可靠性FAR和FRR。与编码C组合相对应的,在步骤61中可以选择比较方法和阈值用于鉴定比较。在步骤62中进行鉴定比较Ca-Cb=D<S。因此按照本发明的方法可以万能地使用于宽阔的应用领域,并且也可以在计算费用和编码长度方面最佳地与所希望的任务相协调。
附图20表示实施本方法的装置,具有电子照相机31和具有电子处理站34和具有处理算法35用于确定特征值Ci并且从中确定鉴定编码C以及Ca,也就是对应于被照手指1、2照片确定现实的鉴定编码,并且在被存储的比较编码Cb以及现实的编码Ca之间进行编码比较Ca-Cb。这个编码比较也可以在对应的读取站WR上进行。对应于编码比较,也就是说对应于现实的人的查证为了控制对应的功能站可以行使准入功能46。照相机31在这里有导向和调整装置32用挡块将一个或也可能两个相邻照相手指1、2进行调整和定位。此外还安排了侧面挡块用于调整手指纵坐标和上挡块用于手指图象的定位,并且因而确定了中央基准点以及指纹图象的中心。这样的两手指照相装置例如在PCT CH97/00241=WO 98/09246中已经公开。用按照本发明的装置可以分散地进行编码比较Ca-Cb,不必要具有比较编码Cb的中央数据库的存在。按照本发明的装置也可以将相应的鉴定媒介IM出示给被授权的人,其中包括人的比较编码Cb和在鉴定媒介IM以及在其存储器43中的其它信息,并且此时可以与相应的读取站WR进行编码通信40。其中被授权人的比较编码Cb只存储在鉴定媒介上并且不存储在检查站以及数据库中。这使比较好的数据保护成为可能。
作为其它变型,编码比较Ca-Cb也就是现实的编码Ca与人的比较编码Cb借助于处理器41也可以在鉴定媒介IM本身上进行。然后必须只将现实的编码Ca从读取站WR向鉴定媒介传输。在另外的变型中装置也可以与上级系统47与主计算机和与比较编码Cb数据库48相连。鉴定媒介IM可以包括有设备的其它相应功能站46的准入授权和功能授权。
预先选择的数据库搜索
在要求快速数据库搜索的应用中,例如从居民数据库中大量比较编码Cb中仅仅借助于生物测定的识别特征进行单个人的正式鉴定,鉴定可以分阶段进行。其中不与整个的生物测定鉴定编码Ca,而只与子编码以及只与单个的特征值Ci进行比较,这样就可以非常快的进行搜索。在第一步中例如只比较子编码C1和然后余下的减少的数量在第二步中与第二个子编码C2进行比较等。直到与数据库中余下的很少的剩余量进行完全的编码比较。从而得到比按照整个鉴定编码C快得多的搜索。优点是将这种搜索按照原始生物测定数据进行分级,也就是说例如倾斜度和选择的分叉特征可以分级使用。一种其它的方法是按照象限分段(“象限树”)形成倾斜度块。其中将图象分成四象限,从其中每个构成一个倾斜度柱状图。下一步是将每个象限再分成四个象限等,直到最后在被分析的块中收敛成主指纹切线的倾斜度柱状图。
在叙述中和附图上使用了以下符号:
L         指纹距离
G         倾斜度
K         曲率
B         分叉(分支)
LB        分叉距离
F         分叉面积
H         或然率分布,柱状图H(L),H(G),H(K),H(B:LB,F)
Hc        H的分级
Hq        平均值
Hmax      最大值
Hvar      H的变量
De        灰值
I1、I2    手指印图象
IA        图象剪裁
IS        图象块
C             鉴定编码(特征矢量Ci)
Ca            现实的编码
Cb            比较编码
C1、C2        子编码
Ci            特征值
D             误差值(“编码距离”)
S             阈值,认可阈值
Z             中心
ZU            周围
R             K半径
x             横坐标
y             竖坐标,沿手指的坐标
dx,dy        网栅
FAR           错误认可率
FRR           错误拒绝率
IM            鉴定媒介,数据载体
WR            读取站
BP            分叉优先权
P1-P4         Wb定义
r1,r2        距离
Wa            定向角
Wb            开口角B
P1(x1,y1)    B的位置坐标
Km            曲率半径重心
xm,ym        Km的坐标
RBi           中心基准点到Bi的距离
A             手指图象I的外轮廓
1,2          手指
5             指纹
10            灰阈值
20            图象干扰,受伤
30            网栅
31            照相机
32            导向和调整装置
34            电子处理装置,处理站
35            处理算法
40            编码通信
42            处理器
43            存储器
46            准入功能(功能站)
47            上级系统,主计算机
48            数据库
51            图象定义
52            特征L,G,K,B选择
53            图象预处理,变成骨骼化
54            图象剪裁,分块
55            形成柱状图
56            确定分叉
57            分级,选择B
58            确定特征值Ci
59            确定鉴定编码C
60            应用,要求(FAR,FRR)
61            比较方法,选择阈值S
62            鉴定比较Ca-Cb

Claims (32)

1.从手指印图象以及从数字灰值图象中求出鉴定编码的方法,其特征在于,至少求出两个下面的独立特征:指纹距离L,倾斜度G,曲率K和分叉B,并且从至少一个特征中确定或然率分布H,从其特征值(平均值,变量,最大值)中确定作为压缩的特征值Ci,这个压缩的特征值构成为鉴定编码C的矢量成分。
2.按照权利要求1的方法,其特征为,使用了特征倾斜度G。
3.按照权利要求1或2的方法,其特征为,在至少两个正交方向(x,y)求出或然率分布H。
4.按照上述权利要求之一的方法,其特征为,进行图象预处理,例如通过二进制化和变成骨骼化。
5.按照上述权利要求之一的方法,其特征为,将或然率分布进行分级Hc,其中对于每个级确定至少一个特征的数值作为特征值Ci。
6.按照上述权利要求之一的方法,其特征为,将照片I分成很多块IS,并且对于每个块IS确定特征(J,G,K,B)的或然率分布H。
7.按照上述权利要求之一的方法,其特征为,从图象裁剪IA中推导出鉴定编码C,这个图象裁剪包括手指印图象的中心Z及其周围ZU。
8.按照上述权利要求之一的方法,其特征为,这样选择鉴定编码C的长度,对于所希望的应用应能满足精度要求以及识别可靠性(FAR,FRR)。
9.按照上述权利要求之一的方法,其特征为,特征的子编码C1、C2是不同地确定的和/或为了编码比较是不同地使用的。
10.按照上述权利要求之一的方法,其特征为,使用定义的单个分叉B作为特征。
11.按照权利要求10的方法,其特征为,特征分叉B借助于神经细胞网络直接从数字灰值图象中确定。
12.按照权利要求10的方法,其特征为,将特征分叉B按照其开口角Wb和/或按照其在手指印图象中的位置进行分级。
13.按照权利要求10的方法,其特征为,为了分级定义了分叉优先权BP,其中分叉优先权随着变大的开口角Wb和随着距图象中心距离RBi的减小而增加。
14.按照权利要求10的方法,其特征为,分叉优先权的定义是BP=Wb/RBi。
15.按照上述权利要求之一的方法,其特征为,将中心基准点定义为手指印的坐标原点。
16.按照权利要求15的方法,其特征为,将曲率半径重心Km确定为中心基准点。
17.按照权利要求15的方法,其特征为,确定在图象块IS中的倾斜度分布的变量Hvar,并且中心基准点是由含有最大变量的块确定的。
18.按照上述权利要求之一的方法,其特征为,在照相时借助于导向和调整装置(32)至少近似地决定手指纵坐标(y)和中心基准点。
19.按照上述权利要求之一的方法,其特征为,使用特征倾斜度G和分叉B。
20.按照权利要求19的方法,其特征为,从倾斜度网栅中每块IS的倾斜度特征和从分级的分叉B中形成鉴定编码C。
21.按照上述权利要求之一的方法,其特征为,形成子编码,并且对应于子编码分级地与数据库(48)中大量的比较编码Cb进行比较Ca-Cb。
22.按照权利要求21的方法,其特征为,借助于倾斜度块和象限分段(象限树)方法进行分级比较。
23.按照上述权利要求之一的方法,其特征为,
得到和确定现实的鉴定编码Ca,并且与在相应的鉴定媒介IM上存储的个人比较编码Cb借助于相应的读取站WR分散地进行比较。
24.按照上述权利要求之一的方法,其特征为,鉴定编码C是顺序地和/或迭代地求出的。
25.执行按照上述权利要求之一方法的装置,其特征为,具有电子照相机(31)、电子处理装置站(34)和具有处理算法(35)用于确定鉴定编码C、Ca和用于与被存储的比较编码Cb进行编码比较Ca-Cb以及具有准入功能(46)以用于控制相应的功能站。
26.按照权利要求25的装置,其特征为,导向和调整装置(32)具有侧面的和上面的挡块以用于将一个或两个相邻的照相手指(1,2)调整和定位。
27.按照权利要求25或26的装置,其特征为,分散地进行编码比较Ca-Cb。
28.按照权利要求25至27之一的装置,其特征为,被授权人的相应的鉴定媒介IM,这个鉴定媒介包括人的比较编码Cb和其它信息,用于与相应的读取站WR进行编码通信(40)。
29.按照权利要求28的装置,其特征为,将现实编码Ca传输给鉴定媒介IM,并且借助于鉴定媒介IM的处理器(42)与比较编码Cb进行编码比较。
30.按照权利要求25的装置,其特征为,上级系统(47)具有主计算机和用于比较编码Cb的数据库(48)和分散的功能站(46)。
31.被授权人的鉴定媒介IM与按照权利要求1至24之一的方法得到的人的被存储的比较编码Cb,用于与相应的读取站WR进行编码通信(40)。
32.按照权利要求31的鉴定媒介对于相应的功能站(46)具有准入授权和功能授权。
CN98809306A 1997-07-18 1998-07-16 从手指印图象求出鉴定编码的方法 Pending CN1271446A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CH176897 1997-07-18
CH1768/1997 1997-07-18

Publications (1)

Publication Number Publication Date
CN1271446A true CN1271446A (zh) 2000-10-25

Family

ID=4218141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN98809306A Pending CN1271446A (zh) 1997-07-18 1998-07-16 从手指印图象求出鉴定编码的方法

Country Status (10)

Country Link
EP (1) EP0996924B1 (zh)
JP (1) JP2001510920A (zh)
KR (1) KR20010021988A (zh)
CN (1) CN1271446A (zh)
AT (1) ATE237163T1 (zh)
AU (1) AU761123B2 (zh)
BR (1) BR9811511A (zh)
CA (1) CA2296353A1 (zh)
DE (1) DE59807883D1 (zh)
WO (1) WO1999004358A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100357958C (zh) * 2004-03-10 2007-12-26 Lg电子有限公司 指纹图像的二进制编码方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6158381A (en) * 1998-02-27 2000-12-12 Ideas To Market, L.P. Time-temperature indicator
KR100374695B1 (ko) * 2000-07-10 2003-03-03 주식회사 디토정보기술 직접 융선 추출을 이용한 자동 지문 인식 시스템
KR100430054B1 (ko) * 2001-05-25 2004-05-03 주식회사 씨크롭 리니어 지문 검출센서를 이용한 지문획득 방법
SE524727C2 (sv) 2002-05-07 2004-09-21 Precise Biometrics Ab Generering av frekvenskoder i samband med transformering och komprimering av fingeravtrycksdata
KR100456463B1 (ko) * 2002-11-01 2004-11-10 한국전자통신연구원 지문 영상의 전역적 정보 및 지역적 특성 정보의 조합을이용한 지문 인증방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3668633A (en) * 1970-01-29 1972-06-06 Dactylog Co Orientation and linear scan device for use in an apparatus for individual recognition
DE68928154T2 (de) * 1988-04-23 1997-10-30 Nippon Electric Co Fingerabdruckverarbeitungssystem, geeignet für das Ermitteln des Kernes eines Fingerabdruckbildes durch Krümmungsparameter
JPH0465776A (ja) * 1990-07-05 1992-03-02 Ezel Inc 画像の比較方法
JPH04332089A (ja) * 1991-05-07 1992-11-19 Takayama:Kk 指紋データの登録方法
AU2779092A (en) * 1991-10-07 1993-05-03 Cogent Systems, Inc. Method and system for detecting features of fingerprint in gray level image
JP2725599B2 (ja) * 1994-06-21 1998-03-11 日本電気株式会社 隆線方向抽出装置
AU735527B2 (en) 1996-08-27 2001-07-12 Kaba Schliesssysteme Ag Method and apparatus for the indentification of not-enrolled fingerprints

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100357958C (zh) * 2004-03-10 2007-12-26 Lg电子有限公司 指纹图像的二进制编码方法

Also Published As

Publication number Publication date
WO1999004358A1 (de) 1999-01-28
AU8203998A (en) 1999-02-10
BR9811511A (pt) 2000-09-12
AU761123B2 (en) 2003-05-29
CA2296353A1 (en) 1999-01-28
ATE237163T1 (de) 2003-04-15
KR20010021988A (ko) 2001-03-15
EP0996924A1 (de) 2000-05-03
DE59807883D1 (de) 2003-05-15
JP2001510920A (ja) 2001-08-07
EP0996924B1 (de) 2003-04-09

Similar Documents

Publication Publication Date Title
US10311099B2 (en) Method and system for 3D model database retrieval
JP5795650B2 (ja) 顔認識
CN1818927A (zh) 指纹识别方法与系统
CN101057248A (zh) 指纹生物统计机器
CN102365645A (zh) 通过关联面部来组织数字图像
CN1494037A (zh) 人员识别仪器、人员识别方法和通行控制器
JP2014029732A (ja) 画像の検索および読み出しに関する基準を用いて画像内容の描写を生成する方法
CN1959706A (zh) 物体识别方法及装置、物体识别用程序及其存储介质
CN111601380B (zh) 基于位置指纹的位置定位方法、装置、设备及存储介质
CN109389105B (zh) 一种基于多任务的虹膜检测和视角分类方法
US20180012052A1 (en) Systems and methods for sorting image acquisition settings for pattern stitching and decoding using multiple captured images
WO2010043954A1 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN103871044A (zh) 一种图像签名生成方法和图像验证方法及装置
CN1271446A (zh) 从手指印图象求出鉴定编码的方法
CN1147652A (zh) 文字辨识系统数据库的组建方法
CN114359553A (zh) 一种基于物联网的签章定位方法、系统及存储介质
CN112102049A (zh) 一种模型训练方法、业务处理方法、装置及设备
CN110008986B (zh) 批量风险案件识别方法、装置及电子设备
CN113066223A (zh) 发票自动验证方法及装置
CN116071348B (zh) 基于视觉检测的工件表面检测方法及相关装置
CN110832481A (zh) 不具有用户的先前信息的在线用户验证
CN114743048A (zh) 检测异常秸秆图片的方法和检测装置
CN1410941A (zh) 曲线识别系统
US6973206B2 (en) Method and system for quality based fingerprint matching
CN111429232A (zh) 产品推荐方法、装置和电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication