JP2003534613A - 個人認証方法及びシステム - Google Patents

個人認証方法及びシステム

Info

Publication number
JP2003534613A
JP2003534613A JP2001587355A JP2001587355A JP2003534613A JP 2003534613 A JP2003534613 A JP 2003534613A JP 2001587355 A JP2001587355 A JP 2001587355A JP 2001587355 A JP2001587355 A JP 2001587355A JP 2003534613 A JP2003534613 A JP 2003534613A
Authority
JP
Japan
Prior art keywords
class
authenticity
probe image
vector
linear discriminant
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.)
Granted
Application number
JP2001587355A
Other languages
English (en)
Other versions
JP4624635B2 (ja
Inventor
キットラー，ジョセフ
Original Assignee
オムニパーセプション リミティド
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 オムニパーセプション リミティド filed Critical オムニパーセプション リミティド
Publication of JP2003534613A publication Critical patent/JP2003534613A/ja
Application granted granted Critical
Publication of JP4624635B2 publication Critical patent/JP4624635B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/20—Individual registration on entry or exit involving the use of a pass
    • G07C9/22—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder
    • G07C9/25—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder using biometric data, e.g. fingerprints, iris scans or voice recognition
    • G07C9/257—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder using biometric data, e.g. fingerprints, iris scans or voice recognition electronically
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Landscapes

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

Abstract

(57)【要約】 個人認証方法及びシステムであって、クラス特定的線形判別変換を用いて、プローブ顔画像の真偽をテストする。「クライアント承認」手法、「詐称者拒否」手法、及び「統合」手法が説明される。

Description

【発明の詳細な説明】
【０００１】 この発明は、個人認証方法及びシステムに関する。
【０００２】 コンピュータ化された個人認証の問題は、非常に大きな商業的、法執行上の利
用が見出されて、最近数年に亘ってかなり注目を浴びている。
【０００３】 実例として挙げられるのは、クレジットカード、パスポート、運転免許証等そ
の他のものの照合、犯罪者の顔写真のような規定された写真のマッチング、既知
の顔画像データベースにより、ＣＣＴＶビデオから容疑者を特定すること、建物
への入館や銀行の預入れ支払い機のようなテレサービスへのアクセスの規制等で
ある。
【０００４】 R Brunelli 及び Ｔ Poggio の IEEE trans on PAMI, Vol 15 pp 1042-1052,
1993 における「顔認識：特徴対テンプレート（"Face Recognition : Feature v
ersus Templates"）」と題する論文は、２つの基本的な手法、すなわち幾何学的
特徴ベースの手法と統計的特徴のマッチング手法との比較をし、著者は後者を支
持している。
【０００５】 顔認証に最も普通に用いられている統計表現は、カルーネン・リーベ展開であ
り、これは主成分分析（ＰＣＡ）として知られ、顔画像は、しばしば「固有顔（
‘eigenfaces’）」といわれる固有ベクトルによって定められるＰＣＡ基底を用
いて、低次元部分空間に表現される。この手法は非常に効率的なデータ圧縮手段
を備えるが、最も効率的な判別情報の圧縮を保証するものではない。
【０００６】 最近、線形判別分析（ＬＤＡ）の技術が顔認識の問題に適用された。同様に、
顔画像は低次元部分空間に表現されるが、しばしば「フィッシャー顔（‘fisher
faces’）」と言われる固有ベクトルによって定められるＬＤＡ基底を用いると
、これらは、「固有顔」を用いるＰＣＡ表現をはるかにしのぐことが示された。
しかしながら、従来のＬＤＡ表現は、多重共有「フィッシャー顔」を用いること
から、複雑で多量の計算となる行列操作を必要とする。ここに、性能すなわち処
理速度、及び、顔画像データベース、プローブ画像がテストされるデータベース
への追加すなわち更新の容易さの点で、重大な技術的問題がある。
【０００７】 本発明の第１実施形態によれば、次のステップを備える個人認証方法が提供さ
れる。すなわち、線形判別分析（ＬＤＡ）を用いて、クラス特定的（class-spec
ific）線形判別変換ａｉを、個々の訓練画像を定義するＮ個のベクトルｚｊ（ｊ
＝１，２…Ｎ）から導出するステップであって、そこでは
【０００８】
【数１６】
【０００９】 であるような前記訓練画像の数Ｎｉを個々に含むｉ番目のクラスωｉを有する前
記訓練画像のｍ個の異なるクラスがあるステップと、プローブ画像を定義するベ
クトルｚｐを、前記クラス特有の線形判別変換ａｉの上に射影するステップと、
射影ベクトルａｉ Ｔｚｐをｉ番目のクラスωｉの基準ベクトルとを比較し、前記
ｉ番目のクラスに関する前記プローブ画像の真正を比較によって評価するステッ
プとを備える。
【００１０】 本発明の他の実施形態によれば、本発明の第１実施形態によって規定される方
法を実行するためのデータ記憶手段及びデータ処理手段を備える個人認証システ
ムが提供される。
【００１１】 本発明の第３実施形態によれば、訓練画像のｍ個の異なるクラスのうちの１以
上のクラスについて、プローブ画像の真偽を評価する個人認証システムが提供さ
れ、そこでは、前記訓練画像は、個々のベクトルｚｊ（ｊ＝１，２…Ｎ）によっ
て定められ、総計Ｎ個のベクトルｚｊであり、ｉ番目のクラスωｉ内の訓練画像
の数は、
【００１２】
【数１７】
【００１３】 であるＮｉであり、個人認証システムは、前記クラスωｉ（ｉ＝１，２…ｍ）の
各々に対して、本発明の前記第１実施形態に従って定義されるような、クラス特
定的線形判別変換ａｉを記憶するデータ記憶手段と、前記データ記憶手段から前
記クラス特定的線形判別変換ａｉにアクセスし、前記プローブ画像を定義するベ
クトルｚｐを、前記アクセスされたクラス特定的線形判別変換ａｉの上に射影し
、射影ベクトルａｉ Ｔｚｐをｉ番目のクラスωｉの基準ベクトルとを比較し、そ
して前記ｉ番目のクラスωｉに関する前記プローブ画像の真偽を比較によって評
価するデータ処理手段とを備える。
【００１４】 本発明のまた他の実施形態によれば、本発明の前記第１の実施例に従って規定
される方法を実行するためのコンピュータにより実行可能な命令を有するコンピ
ュータにより読取り可能な媒体が提供される。
【００１５】 本発明の１実施例が、単なる一例として、添付図面を参照して以下説明される
。
【００１６】 本発明の実施例では、明細書において「クライアント」（‘client’）として
言及される、ｍ人の異なる個人を表す合計Ｎ個の訓練画像があると仮定する。訓
練画像の合計Ｎは、次の式で与えられる。
【００１７】
【数１８】
【００１８】 ここで、Ｎｉは、ｉ番目のクライアントを表す訓練画像の数であり、識別可能
なクライアントクラスωｉを定義する。訓練画像の数Ｎｉは、各クライアントク
ラスで同数である必要はない。代表的には、Ｎは１０３のオーダーで、ｍは１０２ のオーダーである。訓練画像は、ある計量生物学のデータから得られ、適切に
登録され、光度測定で正規化されているとみなされる。
【００１９】 この実施例では、正面の顔画像を用いるが、他の計量生物学的データの画像、
例えば横顔画像をこれに代えて用いることができる。
【００２０】 以下に説明するように、ここに記載された個人認証方法及びシステムは、クラ
イアントの一人のものであるとして提示されるプローブ顔画像の真正を評価する
ために用いられ、同一性の主張を承認するか、あるいは拒否する。この方法は、
特に、クレジットカード、パスポート、運転免許証その他のものに適用される。
【００２１】 各訓練顔画像は、ｄ＝Ｄ２であるｄ次元のベクトルｚとして考えられる、グレ
ーレベルの強度値の２次元ＤｘＤアレイによって定められる。代表的には、ｄは
、２１４の次数をもち、顔画像全体は、この巨大なｄ次元空間内の点の集まりに
マッピングされる。
【００２２】 顔画像は、全体構成が似ていて、この空間にランダムに分布しているわけでは
ない。したがって、比較的低次元の部分空間で定義可能である。従来は、ｄ次元
ベクトルＺは、訓練顔画像によって張られる低次元部分空間に射影される。これ
は、先に述べた主成分分析（ＰＣＡ）を用いて生成されるＰＣＡ射影行列Ｕを用
いて達成される。
【００２３】 射影行列Ｕは、次の式で与えられる混合共分散行列Σから導かれる。
【００２４】
【数１９】
【００２５】 ここで、ｚｊは、ｄ次元ベクトルであり、ｊ番目の訓練顔集合を定義する。μは
、次の式によって与えられる全平均ベクトルである。
【００２６】
【数２０】
【００２７】 ここでも、画像ベクトルｚの次元が訓練画像Ｎの数より大きければ、混合共分
散行列Σは、ｎ≦Ｎ個の非零の固有値をもつ。これらの（縮小サイズの次数のラ
ンクを有する）非零固有値に関連した個々の固有ベクトルｕ１，ｕ２…ｕｎは、
訓練顔画像によって張られる部分空間を表現するために用いられるＰＣＡ基底を
定め、このために、次に示す形式をもつＰＣＡ射影行列Ｕを構成するように用い
られる。
【００２８】 Ｕ＝[ｕ１，ｕ２…ｕｎ] Ｋ フクナガによる「統計的パターン認識入門」（アカデミックプレス、ニュ
ーヨーク、１９９０年）と題する論文に記載されているように、混合共分散行列
Σの固有値解析は、計算上の利便のために、ｄ’（ｄ’＜ｄ）次元部分空間で実
行される。
【００２９】 各固有ベクトルｕは、ｄ次元であり、顔状の外観をもつ画像を表現している。
顔状の外観は、それが導かれる顔画像に似ている。これは、固有ベクトルｕがと
きに「固有顔」と言われる理由である。
【００３０】 ＰＣＡ射影行列Ｕを得て、訓練顔画像を定義するＮ個のベクトルｚｊ（ｊ＝１
，２…Ｎ）は、中心化の後、固有ベクトルｕ１，ｕ２，…ｕｎによって張られる
低次元部分空間に射影され、ｎ次元ベクトルｘｊに対応してＮを生成する。ｎ次
元ベクトルｘｊは、次の式で与えられる。
【００３１】
【数２１】
【００３２】 この段階では、これまで慣習的に、線形判別分析（ＬＤＡ）が適用されていた
。ベクトルｘｊによって張られる部分空間を表現するために用いられるＬＤＡ基
底は、行列Φ−1ＳＢの非零固有値に関連する（ｍ−１）個の固有ベクトルｖ１
，ｖ２，…ｖｍ−１によって定められる。ここで、Φは、次の式で与えられるベ
クトルｘｊの混合共分散行列である。
【００３３】
【数２２】
【００３４】 そして、ＳＢは、前記クライアントクラスωｉ（ｉ＝１，２，３…）の各々にお
いて射影ベクトルXの平均値ｖｉから導出されるクラス間散乱（scatter）行列で
ある。ここで、ｖｉは、次の式で与えられる。
【００３５】
【数２３】
【００３６】 また、各固有ベクトルｖは、いくらか顔に似ている外観をもつ１つの画像を表
現しており、ときには「フィッシャー顔」と呼ばれる。これらのベクトルは、Ｌ
ＤＡ射影行列Ｖ＝［ｖ１，ｖ２…ｖｍ−１]を構築するために用いられる。
【００３７】 従来の手法を採用すると、プローブ顔画像、すなわち真正さが評価されるｍ個
のクライアントの１つのそれとして現われる顔画像を定義するベクトルZｐは、
ＰＣＡ射影行列Ｕの「固有顔」によって定められるｎ次元部分空間にまず射影さ
れ、それからＬＤＡ射影行列の「フィッシャー顔」によって定められる（ｍ−１
）次元部分空間に射影されて、ベクトルｙｐを生成する。ベクトルｙｐは、次の
式で表される。
【００３８】
【数２４】
【００３９】 主張される同一性の確認、又は非確認が、次に、関連クライアントクラスωｉ の射影平均γｉに対して射影ベクトルｙｐをテストすることにより、実行される
。ここで、 γｉ＝ｖＴγｉ である。
【００４０】 それから、射影ベクトルｙが、射影平均γｉの予め定められた距離内に入るな
ら、プローブ画像の真正が、ｉ番目のクライアントの画像として承認される（す
なわち、主張された同一性が承認される）。さもなければ、プローブ画像の真正
さは詐称者の画像として否定される（すなわち、主張された同一性が否定される
）。
【００４１】 前記式（５）を検討すると、従来の計算方法は、射影行列Ｖを定義する固有ベ
クトルｖ１，ｖ２，…ｖｍ−１によって表現された多重共有「フィッシャー顔」
を必要とし、プローブ顔画像がテストされる対象のクライアントクラスωｉに拘
わらず、常に同一である。この手法は、計算する上ではつらいものがあって、複
雑な行列操作を必要とし、それゆえ一般的に満足すべきものではない。
【００４２】 この従来の手法は、多重共有「フィッシャー顔」を必要とするが、これに対し
て、本発明は、全く異なる手法を採用した。すなわち、１次元線形判別変換によ
って定義される、単一の、クラス特定的な「フィッシャー顔」を用いる。この手
法では、多重共有「フィッシャー顔」の使用を避けることができ、計算の複雑さ
をかなり減少させる。この目的のために、個人認証方法が、２クラス問題の用語
で再定義される。すなわち、ｉ番目のクライアントのＮｉ個の訓練顔画像を含む
クライアントクラスωｉと、（Ｎ−Ｎｉ）個の残りの訓練顔画像に基づく詐称者
クラスΩｉとである。明らかに、クライアントクラスωｉと各ｍ個のクライアン
ト（ｉ＝１，２…ｍ）に関連する詐称者クラスΩｉとがある。
【００４３】 この定式化に伴い、詐称者クラスΩｉに対する射影ベクトルｘの平均νΩiは
、次の式で表現される。
【００４４】
【数２５】
【００４５】 これは、前記式（４）と比較すると、次のようにνｉの項で表わすことができる
。
【００４６】
【数２６】
【００４７】 このように、ｉ番目の詐称者クラスの平均は、ｉ番目のクライアントクラスωｉ の平均とは反対方向にシフトされる。そのシフトの大きさは、両クラスの訓練
顔画像Ｎｉ、Ｎ−Ｎｉのそれぞれの数の比によって表わされる。この比は、通常
小さいもので、したがって偽クラスΩｉの平均は、プローブ顔画像がテストされ
る対象のクライアントクラスωｉに関わりのないオリジン（origin）近くにとど
まる。
【００４８】 ２クラスωｉ、Ωｉに関するクラス間散乱行列Ｍｉは、次の式で表わされる。
【００４９】
【数２７】
【００５０】 また、詐称者クラスΩｉの共分散行列ΦΩは、次のように推定される。
【００５１】
【数２８】
【００５２】 これは、前記式（１１）を書換えることによって、次のように混合共分散行列Φ
によって表現される。
【００５３】
【数２９】
【００５４】 ここで、第２の和のベクトルはクライアントクラスに属す。実際、第２和は、ク
ライアントクラスωｉの共分散行列Φｉに関係する。すなわち、
【００５５】
【数３０】
【００５６】 このようにして、式（１２）を簡単にして、次の式が示される。
【００５７】
【数３１】
【００５８】 ｉ番目のクライアントクラスのクラス内分散行列Σｉは、詐称者クラスとクラ
イアントクラスとの共分散行列の重み付け平均によって得られる。すなわち、
【００５９】
【数３２】
【００６０】 式（１５）を代入して簡単にすると、次のようになる。
【００６１】
【数３３】
【００６２】 この２クラス問題に関するクラス特定的線形判別変換ａｉは、非零固有値に関
連する行列
【００６３】
【数３４】
【００６４】 の固有値から得られる。実際、この２クラス問題において、次の式を満たすよう
なただ１つの固有ベクトルｖｉが存在する。
【００６５】
【数３５】
【００６６】 ここで、νｉが非零であれば、λは零ではない。固有値問題にただ１つの解があ
るときには、容易に分かるように、固有ベクトルｖｉは、固有解析を実行するこ
となく、次のものとして直接見出すことができる。
【００６７】
【数３６】
【００６８】 このことは、式（１８）、（１９）において、ｖｉを代入し、式（１０）のＭｉ を代入すれば、明らかになる。すなわち、
【００６９】
【数３７】
【００７０】 これはまた、固有値λが次の式で表されることも示している。
【００７１】
【数３８】
【００７２】 固有ベクトルｖｉは、ｉ番目のクライアントクラスに対する線形判別変換ａｉの
基底として用いられ、次の式で与えられる。
【００７３】 ａｉ＝Ｕｖｉ （２２） 本発明に従って、プローブ画像の真偽をテストするために用いられる、１次元ク
ラス特定的「フィッシャー顔」を定義するのは、この変換である。 ここで「クライアント承認」手法と呼ぶ手法においては、プローブ画像顔を定義
するベクトルＺｐが、変換ａｉを用いて、クラス特定的「フィッシャー顔」に射
影され、射影ベクトルａｉ ＴZｐが、個別クラス（本例ではｉ番目のクラス）の
射影平均ａｉ Ｔμｐに対してテストされる。
【００７４】 この目的のために、次の式で与えられる差分値ｄｃが計算される。
【００７５】
【数３９】
【００７６】 テスト統計量ｄｃが、予め決められた閾値ｔｃより大きければ、すなわち（ｄｃ ≦ｔｃなら）、プローブ顔画像の真正が承認される、すなわち主張された同一性
（ｉ番目のそれ）が承認される。さもなければ、（すなわちｄｃ＞ｔｃ）プロー
ブ顔画像の真正が拒否される、すなわち主張された同一性が否定される。
【００７７】 閾値ｔｃは、特定の動作点、すなわち、真の主張についての誤った否定と偽の
主張についての誤った承認との間の特定の関係、を実現するために選択される。
この動作点は「受信者動作特性」（‘receiver operating characteristic'）（
ＲＯＣ）曲線より決定されるもので、この曲線は、判定閾値の関数としての2つ
の誤り率間の関係を表わしている。ＲＯＣ曲線は、評価集合として知られている
独立顔画像集合を用いて計算される。
【００７８】 代表的には、動作点は、「等誤り率」（'equal error rate'）（ＥＥＲ）に設
定される。「等誤り率」では、誤った否定の割合と誤った承認の割合の双方が同
一である。
【００７９】 ここで「詐称者拒否」（‘imposter rejection')と呼ぶもう1つの手法では、
射影ベクトルａｉ Ｔｚｐは、詐称者の射影平均すなわち次式に対してテストされ
る。
【００８０】
【数４０】
【００８１】 この目的のために、次式で与えられる差分値ｄｉが計算される。
【００８２】
【数４１】
【００８３】 本例では、詐称者の射影ベクトルａｉ Ｔｚｐは、詐称者の射影平均に近接してい
ると期待されている。このように、テスト統計値ｄｉが予め定められた閾値ｔｉ より大きいとすると（すなわちｄｉ＞ｔｉ）、プローブ顔画像の真正は承認され
、すなわち主張された同一性（ｉ番目のクライアントのそれ）が承認される。そ
うでない（ｄｉ≦ｔｉ）とすると、プローブ顔画像の真正は否定され、すなわち
主張された同一性が否定される。訓練顔画像の数Ｎが大きいとき、詐称者の平均
はそのオリジンに近づき、式２４の第２項は無視できる。この場合、差分値ｄｉ は単に射影ベクトルの絶対値｜ａｉ Ｔｚｐ｜になる。
【００８４】 図１（ａ）及び図１（ｂ）はそれぞれ、「詐称者拒否」手法を用いて得た、偽
のプローブ顔画像及びクライアントのプローブ顔画像に対するテスト統計値のヒ
ストグラムを示す。期待どおり、詐称者のプローブ顔画像は、そのオリジンすな
わち詐称者の平均μΩ（図１（ａ））に集まり、他方、クライアントのプローブ
顔画像は、そのオリジンから離れる（図１（ｂ））。図１（ｂ）における負の射
影は、「フィッシャー顔」を表現するために採用される慣行のアーチファクトで
ある。しかしながら、原理的には、クライアント顔画像の射影は、常に正である
テスト統計値ｔｉを与えるように計算される。
【００８５】 「クライアント承認」手法と「詐称者拒否」手法は、相補的であり、組合わさ
れるか又は統合されることができる。この「統合」（‘fused’)手法の一例は、
単純な直列統合スキームである。より具体的には、プローブ顔画像は、最初に「
詐称者拒否」手法を用いてテストされる。もし、このプローブ顔画像がそのテス
トに落ちる、すなわち、要求者が詐称者として否定されるなら、このプローブ顔
画像の真正は、承認されるものである。他方、プローブ顔画像がテストを通る、
すなわち要求者が詐称者として承認されるなら、プローブ顔画像は、「クライア
ント承認」手法を用いて再びテストされる。プローブ顔画像がこの第２のテスト
に合格すると、すなわち主張者がクライアントとして受け入れられると、プロー
ブ顔画像の真正が承認される。そうでなければ、真正が否定される。
【００８６】 この説明では、異なる閾値ｔｃ及びｔｉが「クライアント承認」手法と「詐称
者拒否」手法に対して、それぞれ用いられた。しかし、クライアント及び詐称者
のプローブベクトルｚｐは両方とも同じ１次元空間に射影されるから、与えられ
た動作点誤り率でクライアント画像と偽画像とを区別する、両手法に共通の閾値
を見つけることは可能である。
【００８７】 説明された個人認証方法は、Ｋ Ｍｅｓｓｅｒ他の「ＸＭ２ＶＴＳＤＶ：拡張
Ｍ２ＶＴＳデータベース」（ＡＶＢＰＡ‘９９のＰｒｏｃ，７２−７７頁，１９
９９年）と題する論文に記載されている、いわゆるローザンヌ・プロトコル（La
usanne protocol）に従う検証実験を導入することによってテストされた。
【００８８】 このプロトコルは個人認証アルゴリズムの性能を特徴付けるための標準的なフ
レームワークであり、そこでは異なる手法の結果が直接比較される。このプロト
コルでは、データベースは３つの異なるセットに区分けされている。すなわち、
２００のクライアントを含む訓練セット、２００のクライアント及び２５の詐称
者を含む評価セット、そして２００のクライアント及び７０の詐称者を含むテス
トセットである。
【００８９】 評価セット及びテストセットの偽の画像は、お互いに独立していて、クライア
ントセットから識別可能である。訓練セットは、既に説明したように、変換ａｉ によって定義される、クライアントの「フィッシャー顔」を評価するために用い
られた。評価セットは、閾値ｔｉ，ｔｃを決定するために用いられ、テストセッ
トは、独立したデータに関する誤った承認と誤った否定の率を評価するために用
いられた。
【００９０】 テストする前に、顔画像を１ピクセル内に正確に対応させ、ずれによる性能に
対する悪影響を除くようにした。そして、各画像は、画像平均の除去又はヒスト
グラムの均等化のいずれかによって、光度測定上での正規化が行われた。
【００９１】 「クライアント承認」手法が採用される場合、最適結果は、最良の結果を与え
るヒストグラム均等化による、光度測定における正規化画像を用いて得られ、他
方、「詐称者拒否」手法が採用される場合、最適結果は、正規化されていない画
像を用いて得られることが分った。
【００９２】 そのテスト結果によって、「詐称者拒否」手法は、「クライアント承認」手方
に比較して、誤った否定／誤った承認のより低いレベルを与え、さらに低いレベ
ルであっても、「統合」手法を用いて実行されることができ、これらのレベルは
また、従来のＬＤＡ認証方法を用いて得られるレベルより低いことが分った。
【００９３】 すでに説明したように、従来のＬＤＡ個人認証方法は、１００以上の次元をも
つ部分空間を張る多重共有「フィッシャー顔」を用い、複雑で多量の計算が求め
られる行列操作が必要である。これに対して、本発明は、１次元部分空間を占め
るだけの変換ａｉによって定義されたクラス特定的「フィッシャー顔」を用いる
。これは、認証方法の計算効率に対して重要な影響を及ぼす。なぜなら、動作段
階（すなわち、「フィッシャー顔」が生成された後）での計算の複雑さは、部分
空間の次元性に線形に比例する。本発明のクラス特定的手法は、従来の手法より
１００倍以上速く動作するはずである。
【００９４】 さらに、テスト統計値ｄｃ，ｄｉは１次元であるから、「フィッシャー顔」に
おけるユークリッド距離を計算する必要がない。テスト統計値ｄｃ，ｄｉを閾値
ｔｃ，ｔｉと単に比較するだけで、結論に達することが可能であり、さらに計算
上の利益をあたえることになる。さらに、クライアント及び詐称者の平均の射影
【００９５】
【数４２】
【００９６】 は、予め計算されることができ、さらに速い計算に導く。
【００９７】 また、訓練段階の間、クラス特定的「フィッシャー顔」ａについては、固有値
問題を解く必要はなく、比較的簡単な方法で計算されることができる。訓練顔画
像の数Ｎが大きい場合、特にそうである。クラス間散乱行列Ｍｉはゼロに近づく
傾向があり、クラス内散乱行列Σｉは単に、全てのクラスに共通の混合共分散行
列Φとなって、さらにまた計算上の利益を与える・ 先に説明したように、クラス特定的「フィッシャー顔」ａｉを用いるさらにも
う一つの結果によると、そのような各「フィッシャー顔」は、他のどの「フィッ
シャー顔」とも独立に計算可能である。多重共有「フィッシャー顔」を用いる、
前述した従来のＬＤＡ手法と比較して、この手法によれば新たなクライアントの
登録は簡単に行える。したがって、クライアントの人数が絶えず変化し、訓練顔
画像のデータベースが追加され、又は更新される必要がある状況において、他の
ものではできないわけではないが、本発明による特別な応用例が見出される。
【００９８】 本発明の個人認証方法は、様々な異なる方法で実現できる。
【００９９】 完全に集中化された個人認証システムにおいては、プローブ顔画像は、遠隔の
中央処理ステーションに送信される。そこには、全てのクライアントの詳細が蓄
積されており、必要な処理を実行して、真偽について結論に到達する。
【０１００】 これに代えて、図２に概略的に示したように、半集中化システムを用いること
もできる。この場合、クラス特定的データ、例えば固有ベクトルｖ１，ｖ２…ｖｍ 及び平均ベクトルμ１，μ２…μｍが前もって計算され、遠隔のデータ記憶装
置例えばスマートカード１０のような携帯用データ記憶装置に記憶される。そし
て、データ処理がローカル・プロセッサ１１で実行される。ローカル・プロセッ
サ１１は、ＰＣＡ射影行列Ｕの基底ｕ１，ｕ２…ｕｎを記憶し、スマートカード
１０に対して、必要に応じてカードリーダ１２を介して、データをアクセスする
。プロセッサ１１は、このデータを用いて、関連する入力ユニット１３から受信
したプローブ顔画像を表現するベクトルｚｐを処理する。
【０１０１】 さらにまた一つの手法によれば、完全にローカルのシステムも用いられる。こ
の場合、必要なすべてのデータは、スマートカードにおいて蓄積され処理される
。この手法では、クラス特定的「フィッシャー顔」ａｉを処理する本発明は、デ
ータ記憶及び処理速度の両方の観点から、多重共有「フィッシャー顔」を処理す
る従来のＬＤＡ手法よりｍ倍も効率的である。
【０１０２】 さらに、スマートカード・データベースについて、新規のクライアントの登録
又は更新が、従来のＬＤＡ手法を用いると実用にはならないのに対して、実現可
能である。したがって、本発明は、非集中化アーキテクチャを有する個人認証シ
ステムの可能性を開くものである。
【０１０３】 本発明の前述の実施例においては、プローブ顔画像は認証システムで既知のｍ
人のクライアントの一人の画像であるとして提示され、この画像が、個々のクラ
イアントクラスに対してテストされる。本発明の他の実施例では、プローブ顔画
像の真偽は知られていない。この場合、プローブ顔画像は、一致するものを発見
し本人であることを証明するために、１以上のクライアントクラスに対してテス
トされる。この実施例では、とりわけ、犯罪者の顔写真のような規定の写真につ
いての一致判断、及び既知の顔画像のデータベースに対してＣＣＴＶビデオから
の容疑者の認定に関して、応用される。
【０１０４】 本発明が、コンピュータにより実行可能であって、本発明による個人認証方法
が実行される命令が含まれているＣＤ−ＲＯＭのようなコンピュータ可読媒体を
含むものであることは、理解されるであろう。
【図面の簡単な説明】
【図１】 (ａ）は、射影された詐称者顔画像のテスト統計値ｔｉのヒストグラムを示す
図である。 (ｂ）は、射影されたクライアント顔画像の同一テスト統計値のヒストグラム
を示す図である。
【図２】 本発明による、半集中化個人認証システムを示す概略図である。
───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ， ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，Ｇ Ｍ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ， ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ， ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，Ｂ Ｚ，ＣＡ，ＣＨ，ＣＮ，ＣＯ，ＣＲ，ＣＵ，ＣＺ，ＤＥ ，ＤＫ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ， ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，Ｉ Ｓ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ， ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，Ｐ Ｔ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＳ， ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ

Claims (34)

    【特許請求の範囲】
  1. 【請求項１】 線形判別分析（ＬＤＡ）を用いて、個々の訓練画像を定義す
    るＮ個のベクトルｚｊ（ｊ＝１，２…Ｎ）からクラス特定的線形判別変換ａｉを
    導出するステップであって、前記訓練画像のｍ個の異なるクラスがあり、ｉ番目
    のクラスωｉは前記訓練画像の個々の数Ｎｉを含み、 【数１】 であるステップと、 プローブ画像を定義するベクトルｚｐを前記クラス特定的線形判別変換ａｉの
    上へ射影するステップと、 ｉ番目のクラスωｉの基準ベクトルと前記射影ベクトルａｉ Ｔｚｐとを比較す
    るステップと、 前記比較に依存してｉ番目のクラスに関してプローブ画像の正当性を評価する
    ステップと、 を含む個人認証方法。
  2. 【請求項２】 前記ベクトルｚｊ（ｊ＝１，２…Ｎ）に主成分分析（ＰＣＡ
    ）を適用して、ＰＣＡ射影行列Ｕの基底として、ｎ次元部分空間を張る、固有ベ
    クトル（ｕ１，ｕ２…ｕｎ）を生成するステップと 前記ＰＣＡ射影行列Ｕを用いて、前記ベクトルｚｊ（ｊ＝１，２…Ｎ）を前記
    固有ベクトル（ｕ１，ｕ２…ｕｎ）の上へ射影して個々のｎ次元ベクトル生成す
    るステップと、 前記ｎ次元ベクトルｘｊ（ｊ＝１，２…Ｎ）に前記線形判別分析（ＬＤＡ）を
    適用して、式ａｉ＝Ｕｖｉによって前記クラス特定的線形判別変換ａｉに関連す
    るクラス特定的固有ベクトルｖｉ生成するステップとを 含む請求項１に記載の方法。
  3. 【請求項３】 前記ｎ次元ベクトルｘｊ（ｊ＝１，２…Ｎ）に前記線形判別
    分析（ＬＤＡ）を適用する前記ステップは、前記ｉ番目のクラスωｉのクラス内
    散乱行列Σｉを生成するステップであって、前記クラス特定的固有ベクトルｖｉ は、次の式で与えられ、 【数２】 ここで、ωｉのすべてのｘｊに対して、 【数３】 であるステップを含む請求項２に記載の方法。
  4. 【請求項４】 前記クラス内散乱行列Σｉは、前記ｎ次元ベクトルｘｊ（ｊ
    ＝１，２…Ｎ）の混合共分散行列Φに等しく、ここで 【数４】 である請求項３に記載の方法。
  5. 【請求項５】 前記ｎ次元ベクトルｘｊ（ｊ＝１，２…Ｎ）に前記線形判別
    分析（ＬＤＡ）を適用するステップは、前記ｉ番目のクラスのクラス間散乱行列
    Ｍｉを生成するステップであって、ここで、 【数５】 であるステップと、 前記ｎ次元ベクトルｘｊ（ｊ＝１，２…Ｎ）の前記共分散行列Φを生成するス
    テップであって、ここで、 【数６】 であるステップと、 Σｉ＝Φ−Ｍｉ で与えられる前記クラス内散乱行列Σｉを形成するステップと、 を有する請求項３に記載の方法。
  6. 【請求項６】 前記基準ベクトルはａｉ Ｔμｉとして定義され、ωｉのすべ
    てのｚｉに対して 【数７】 である請求項１〜５のいずれかに記載の方法。
  7. 【請求項７】 前記評価ステップは、次の式で与えられる差分値ｄｃを評価
    し、 【数８】 前記差分値により前記プローブ画像の真正を承認又は拒否すること を含む請求項６に記載の方法。
  8. 【請求項８】 ｔｃが予め定められた閾値として、ｄｃ≦ｔｃなら、前記プ
    ローブ画像の真正を承認し、ｄｃ＞ｔｃなら、前記プローブ画像の真正を拒否す
    ることを含む請求項７に記載の方法。
  9. 【請求項９】 前記評価ステップは、次の式で与えられる差分値ｄｃを評価
    し、 【数９】 該差分値によりプローブ画像の真正を承認又は拒否することを含む請求項６に記
    載の方法。
  10. 【請求項１０】 ｔｉが予め定められた閾値として、ｄｉ＞ｔｉなら、前記
    プローブ画像の真正を承認し、ｄｉ≦ｔｉなら、前記プローブ画像の真正を拒否
    するステップを有する請求項９に記載の方法。
  11. 【請求項１１】 前記評価ステップが、ｔｉを予め定められた閾値として、
    前記差分値ｄｉを評価し、ｄｉ＞ｔｉなら、前記プローブ画像の真正を承認し、
    ｄｉ≦ｔｉなら、前記差分値ｄｃを評価し、ｔｃを予め定められた閾値として、
    ｄｃ≦ｔｃなら、前記プローブ画像の真正を承認し、ｄｃ＞ｔｃなら、前記プロ
    ーブ画像の真正を拒否することを含む請求項７及び９に記載の方法。
  12. 【請求項１２】 前記予め定められた閾値ｔｃ，ｔｉが同一である請求項８
    、１０及び１１に記載の方法。
  13. 【請求項１３】 前記ｍ個の各クラスに対して前記クラス特定的な線形判別
    変換ａｉの各々を導出し、前記射影ステップを実行し、導出された前記クラス特
    定的な線形判別変換ａｉの少なくとも１つに対して比較し評価するステップを有
    する１〜１２のいずれかに記載の方法。
  14. 【請求項１４】 前記（ｍ＋１）番目のクラスとしてＮｍ＋１個の訓練画像
    を含む訓練画像の新規なクラスを登録し、Ｎ’＝Ｎ＋Ｎｍ＋１である、個々の訓
    練画像を定義するＮ’個のベクトルｚｊ（ｊ＝１，２…Ｎ’）に請求項１〜１３
    のいずれか1項に記載の方法を適用するステップを有する請求項１〜１３のいず
    れか1項に記載の方法。
  15. 【請求項１５】 前記新規クラスを考慮するために前記クラス特定的な線形
    変換ａｉを更新するステップを含む請求項１４に記載の方法。
  16. 【請求項１６】 線形判別分析（ＬＤＡ）を個々の訓練画像を定義するベク
    トルｚｊ（ｊ＝１，２…Ｎ）に適用して得られるクラス特定的線形判別変換ａｉ を提供するステップであって、ここでは、ｉ番目のクラスωｉが 【数１０】 であるような前記訓練画像の個々の数Ｎｉを含んでいる、前記訓練画像のｍ個の
    異なるクラスが存在するステップと、 プローブ画像を定義するベクトルｚｐを前記クラス特定的線形判別変換ａｉに
    射影の上に射影するステップと、 射影されたａｉ Ｔｚｐをｉ番目のクラスωｉの基準ベクトルと比較するステッ
    プと、 比較に基いてｉ番目のクラスに関してプローブ画像の真正を評価するステップ
    と、 を備える個人認証方法。
  17. 【請求項１７】 前記クラス特定的線形判別変換ａｉは、請求項２〜５のい
    ずれか１項に規定される方法のステップを用いて導出される請求項１６に記載の
    方法。
  18. 【請求項１８】 前記基準ベクトルは、ωｉのすべてのｚｉに対して、 【数１１】 である、ａｉ Ｔμｉとして定義され、前記評価ステップは、請求項７〜１２のい
    ずれか１項に規定される方法のステップによって実行される請求項１６又は１７
    に記載の方法。
  19. 【請求項１９】 請求項１〜１５のいずれか1項に記載の方法を実行するデ
    ータ記憶及びデータ処理手段を含む個人認証システム。
  20. 【請求項２０】 訓練画像のｍ個の異なるクラスのうち１以上のクラスに関
    してプローブ画像の真正を評価するためのもので、前記訓練画像は、個々のベク
    トルｚｊ（ｊ＝１，２…Ｎ）によって定義され、合計Ｎ個のベクトルが存在し、
    ｉ番目のクラスωｉの訓練画像の数は 【数１２】 となるＮｉである個人認証システムであって、 前記各クラスωｉ（ｉ＝１，２…ｍ）に対して、請求項１〜５のいずれか１項
    に規定されるとおりの、クラス特定的な線形判別変換ａｉを記憶するデータ記憶
    手段と、 前記クラス特定的な線形判別変換ａｉを前記データ記憶手段から取得し、前記
    プローブ画像を定義するベクトルｚｐを、取得したクラス特定的線形判別変換ａｉ の上に射影し、前記射影ベクトルａｉ Ｔｚｐを前記ｉ番目のクラスωｉの基準
    ベクトルと比較し、前記比較に基いて前記ｉ番目のクラスωｉに関して前記プロ
    ーブ画像の真正を評価するデータ処理手段とを備える個人認証システム。
  21. 【請求項２１】 前記基準ベクトルは、ωｉのすべてのｚｉに対して、 【数１３】 となるａｉ Ｔμｉとして定義され、前記データ記憶手段に記憶され、前記データ
    処理手段によってアクセス可能である請求項２０に記載の認証システム。
  22. 【請求項２２】 前記評価ステップは、次の式 【数１４】 によって与えられる差分値ｄｃを評価し、前記差分値に基いて前記プローブ画像
    の真正を承認又は拒否することを含む請求項２１に記載の認証システム。
  23. 【請求項２３】 ｔｃが予め定められた閾値として、ｄｃ≦ｔｃなら、前記
    プローブ画像の真正を承認し、ｄｃ＞ｔｃなら、前記プローブ画像の真正を拒否
    することを含む請求項２２に記載の認証システム。
  24. 【請求項２４】 評価ステップは、次の式 【数１５】 で与えられる差分値ｄｉを評価することを含む請求項２１に記載の認証システム
    。
  25. 【請求項２５】 ｔｉが予め定められた閾値として、ｄｉ＞ｔｉなら、前記
    プローブ画像の真正を承認し、ｄｉ≦ｔｉなら、前記プローブ画像の真正を拒否
    することを含む請求項２４に記載の認証システム。
  26. 【請求項２６】 前記評価ステップが、ｔｉを予め定められた閾値として、
    前記差分値ｄｉを評価し、ｄｉ＞ｔｉなら、前記プローブ画像の真正を承認し、 ｄｉ≦ｔｉなら、前記差分値ｄｃを評価し、 ｔｃを予め定められた閾値として、 ｄｃ≦ｔｃなら、前記プローブ画像の真正を承認し、 ｄｃ＞ｔｃなら、前記プローブ画像の真正を拒否することを含む 請求項２２及び請求項２４に記載の認証システム。
  27. 【請求項２７】 前記データ記憶手段及びデータ処理手段は異なるサイトに
    配置されている請求項２０〜２６のいずれか1項に記載の認証システム。
  28. 【請求項２８】 前記データ記憶手段は可搬型である請求項２７に記載の認
    証システム。
  29. 【請求項２９】 前記データ記憶手段はスマートカードその他同様のもので
    ある請求項２８に記載の認証システム。
  30. 【請求項３０】 前記データ記憶手段は予め計算済みのデータを蓄積する請
    求項２０〜２９のいずれか1項に記載の認証システム。
  31. 【請求項３１】 請求項１〜１８のいずれか１項に規定されたステップを実
    行するコンピュータにより実行可能な命令を含むコンピュータにより読取り可能
    な媒体。
  32. 【請求項３２】 添付図面の図を参照して本明細書で説明された個人認証方
    法。
  33. 【請求項３３】 添付図面の図を参照して本明細書で説明された個人認証シ
    ステム。
  34. 【請求項３４】 添付図面の図を参照して本明細書で説明されたコンピュー
    タにより読取り可能な媒体。
JP2001587355A 2000-05-26 2001-05-25 個人認証方法及びシステム Expired - Fee Related JP4624635B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GBGB0013016.1A GB0013016D0 (en) 2000-05-26 2000-05-26 Personal identity authentication process and system
GB0013016.1 2000-05-26
PCT/GB2001/002324 WO2001091041A1 (en) 2000-05-26 2001-05-25 Personal identity authentication process and system

Publications (2)

Publication Number Publication Date
JP2003534613A true JP2003534613A (ja) 2003-11-18
JP4624635B2 JP4624635B2 (ja) 2011-02-02

Family

ID=9892547

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001587355A Expired - Fee Related JP4624635B2 (ja) 2000-05-26 2001-05-25 個人認証方法及びシステム

Country Status (8)

Country Link
US (1) US7436985B2 (ja)
EP (1) EP1285400B1 (ja)
JP (1) JP4624635B2 (ja)
CN (1) CN1302424C (ja)
AU (1) AU2001258622A1 (ja)
CA (1) CA2410275C (ja)
GB (1) GB0013016D0 (ja)
WO (1) WO2001091041A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140513A (ja) * 2002-07-16 2009-06-25 Nec Corp パターン特徴抽出方法及びその装置
WO2010004958A1 (ja) * 2008-07-10 2010-01-14 日本電気株式会社 個人認証システム、個人認証方法
US8116571B2 (en) 2002-07-16 2012-02-14 Nec Corporation Pattern feature extraction via fourier amplitudes of a block image

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7424425B2 (en) * 2002-05-19 2008-09-09 International Business Machines Corporation Optimization of detection systems using a detection error tradeoff analysis criterion
US8239917B2 (en) * 2002-10-16 2012-08-07 Enterprise Information Management, Inc. Systems and methods for enterprise security with collaborative peer to peer architecture
US7840806B2 (en) * 2002-10-16 2010-11-23 Enterprise Information Management, Inc. System and method of non-centralized zero knowledge authentication for a computer network
US20040193923A1 (en) * 2003-01-16 2004-09-30 Hammond Frank J. Systems and methods for enterprise security with collaborative peer to peer architecture
GB0316631D0 (en) * 2003-07-16 2003-08-20 Omniperception Ltd Facial liveness assessment system
GB0326186D0 (en) * 2003-11-10 2003-12-17 Omniperception Ltd 2d face authentication system
KR100543707B1 (ko) * 2003-12-04 2006-01-20 삼성전자주식회사 서브그룹별 ｐｃａ 학습을 이용한 얼굴인식방법 및 장치
CN100468467C (zh) * 2006-12-01 2009-03-11 浙江工业大学 基于人脸鉴别技术的门禁和考勤装置
US7961956B1 (en) * 2009-09-03 2011-06-14 Thomas Cecil Minter Adaptive fisher's linear discriminant
ES2339100B2 (es) * 2010-01-14 2010-09-21 Universidad Politecnica De Madrid Dispositivo y procedimiento automatico para establecer el sexo al que pertenecen los rostros que aparecen en imagenes.
CN102750519A (zh) * 2012-05-30 2012-10-24 北京城市网邻信息技术有限公司 一种图像的识别及过滤方法和装置
JP2014029623A (ja) * 2012-07-31 2014-02-13 Canon Inc 情報処理装置及び情報処理方法
CN103839041B (zh) * 2012-11-27 2017-07-18 腾讯科技（深圳）有限公司 客户端特征的识别方法和装置
CN103440292B (zh) * 2013-08-16 2016-12-28 新浪网技术(中国)有限公司 基于比特向量的多媒体信息检索方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62130482A (ja) * 1985-11-30 1987-06-12 Nec Corp 文字認識方式

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5164992A (en) * 1990-11-01 1992-11-17 Massachusetts Institute Of Technology Face recognition system
GB9201006D0 (en) * 1992-01-17 1992-03-11 Philip Electronic And Associat Classifying faces
US5550928A (en) 1992-12-15 1996-08-27 A.C. Nielsen Company Audience measurement system and method
GB9611138D0 (en) * 1996-05-29 1996-07-31 Domain Dynamics Ltd Signal processing arrangements
US6671404B1 (en) * 1997-02-14 2003-12-30 Hewlett-Packard Development Company, L.P. Method and apparatus for recognizing patterns
US5917928A (en) * 1997-07-14 1999-06-29 Bes Systems, Inc. System and method for automatically verifying identity of a subject
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
US6594629B1 (en) * 1999-08-06 2003-07-15 International Business Machines Corporation Methods and apparatus for audio-visual speech detection and recognition

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62130482A (ja) * 1985-11-30 1987-06-12 Nec Corp 文字認識方式

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140513A (ja) * 2002-07-16 2009-06-25 Nec Corp パターン特徴抽出方法及びその装置
US8116571B2 (en) 2002-07-16 2012-02-14 Nec Corporation Pattern feature extraction via fourier amplitudes of a block image
WO2010004958A1 (ja) * 2008-07-10 2010-01-14 日本電気株式会社 個人認証システム、個人認証方法
US8553983B2 (en) 2008-07-10 2013-10-08 Nec Corporation Personal authentication system and personal authentication method
JP5418991B2 (ja) * 2008-07-10 2014-02-19 日本電気株式会社 個人認証システム、個人認証方法

Also Published As

Publication number Publication date
US20030172284A1 (en) 2003-09-11
US7436985B2 (en) 2008-10-14
CA2410275A1 (en) 2001-11-29
EP1285400B1 (en) 2012-08-15
AU2001258622A1 (en) 2001-12-03
CA2410275C (en) 2012-10-09
EP1285400A1 (en) 2003-02-26
CN1444753A (zh) 2003-09-24
GB0013016D0 (en) 2000-07-19
JP4624635B2 (ja) 2011-02-02
CN1302424C (zh) 2007-02-28
WO2001091041A1 (en) 2001-11-29

Similar Documents

Publication Publication Date Title
US7130454B1 (en) Real-time facial recognition and verification system
CN104756135B (zh) 用于与配备有相机的设备相关的生物特征验证的系统和方法
US8320643B2 (en) Face authentication device
JP2003534613A (ja) 個人認証方法及びシステム
Schouten et al. Biometrics and their use in e-passports
CN102902959A (zh) 基于二代身份证存储证件照的人脸识别方法及系统
Jaafar et al. A review of multibiometric system with fusion strategies and weighting factor
US20070147683A1 (en) Method, medium, and system recognizing a face, and method, medium, and system extracting features from a facial image
Davuluri et al. A Novel Approach to Human Iris Recognition And Verification Framework Using Machine Learning Algorithm
Ramasamy et al. Securing one-time password generation using elliptic-curve cryptography with self-portrait photograph for mobile commerce application
Abdo et al. Iris recognition based on histogram equalization and discrete cosine transform
Sudhakar et al. Facial identification of twins based on fusion score method
US20090028444A1 (en) Method, medium, and apparatus with object descriptor generation using curvature gabor filter
Kumari et al. Gender classification by principal component analysis and support vector machine
Patil et al. An approach for secure identification and authentication for biometrics using iris
Arunachalamand et al. Finger knuckle print recognition using MMDA with fuzzy vault
Ashiba et al. Implementation face based cancelable multi-biometric system
Olufade et al. Biometric authentication with face recognition using principal component analysis and feature based technique
Kamil et al. Makeup-invariant face identification and verification using fisher linear discriminant analysis-based gabor filter bank and histogram of oriented gradients
Fagbolu et al. Secured banking operations with face-based automated teller machine
Ilyas et al. Wavelet-Based Facial recognition
Soviany et al. An optimized multimodal biometric system with hierachical classifiers and reduced features
Nandini et al. Multi-biometrics approach for facial recognition
Kumar et al. A Review on Various Approaches of Face Recognition
Zakharov et al. Embedding Non-Distortive Cancelable Face Template Generation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20080523

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100525

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100824

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20101005

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20101104

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20131112

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees