JP2018500707A - 指紋認証方法及びその装置、プログラム及び記録媒体 - Google Patents

指紋認証方法及びその装置、プログラム及び記録媒体 Download PDF

Info

Publication number
JP2018500707A
JP2018500707A JP2017547061A JP2017547061A JP2018500707A JP 2018500707 A JP2018500707 A JP 2018500707A JP 2017547061 A JP2017547061 A JP 2017547061A JP 2017547061 A JP2017547061 A JP 2017547061A JP 2018500707 A JP2018500707 A JP 2018500707A
Authority
JP
Japan
Prior art keywords
fingerprint
feature
coder
training
classifier
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
JP2017547061A
Other languages
English (en)
Inventor
涛 ▲張▼
涛 ▲張▼
平仄 汪
平仄 汪
▲勝▼▲凱▼ ▲張▼
▲勝▼▲凱▼ ▲張▼
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.)
Xiaomi Inc
Original Assignee
Xiaomi Inc
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 Xiaomi Inc filed Critical Xiaomi Inc
Publication of JP2018500707A publication Critical patent/JP2018500707A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本発明は指紋認証方法及びその装置、プログラムおよび記録媒体に関する。方法は、指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、第１の指紋画像に対応する第１の指紋特徴と、第２の指紋画像に対応する、第１の指紋特徴と次元数が同一である第２の指紋特徴とを、取得するステップと、第１の指紋特徴と第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴と、第３の指紋特徴と次元数が同一であり、且つ、第１の指紋特徴及び第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得するステップと、第３の指紋特徴と第４の指紋特徴とのコサイン距離に基づいて第１の指紋画像と第２の指紋画像とが同一の指紋であるか否かを特定するステップと、を含む。本発明に係る技術案は品質が低い指紋画像の指紋認証時の確率を向上できる。【選択図】図１Ａ

Description

相互参照
本願は、出願番号がＣＮ２０１５１０７１２８９６．０であって、出願日が２０１５年１０月２８日である中国特許出願に基づき優先権を主張し、当該中国特許出願のすべての内容を本願に援用する。
本発明は、画像認証技術分野に関し、特に、指紋認証方法及びその装置に関する。
１９８０年代頃には指紋認証についての研究は開始されてから、１９９０年代以降に至っては指紋認証は民生分野においても軍用分野においてもすでに十分に発展し、幅広く適用されている。しかしながら、従来技術における指紋認証としては、通常に、ユーザの指紋があまり乾燥でなく、且つ、指紋画像が十分に鮮明であることを要求し、これにより、指紋の全局的特徴点及び局所的特徴点に対する抽出を確保するが、指紋画像の品質が比較的低い場合、指紋における全局的特徴点及び局所的特徴点を認証できないため指紋認証の不正確を招来してしまう恐れがあるので、一定の程度で、ユーザの指紋認証製品についての体験を制限する。
従来技術に既存している問題を解消するために、本発明の実施例は品質が低い指紋画像の指紋認証時の確率を向上するための指紋認証方法及びその装置を提供する。
本発明の実施例の第１の局面によれば、指紋認証方法を提供し、
指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを、取得するステップと、
前記第１の指紋特徴と前記第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得するステップと、
前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定するステップと、を含む。
一実施例において、前記オート・コーダー・デコーダー・ネットワークは少なくとも一つのコーダー層を含んでおり、
前記方法はさらに、
タグ無し指紋サンプルで前記少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、前記各コーダー層に対応するコード特徴表示パラメータを取得するステップと、
前記各コーダー層に対応するコード特徴表示パラメータに対して、該コーダー層に対応するデコーダー層によってデータ再構成を行い、前記タグ無し指紋サンプルの指紋再構成データを取得するステップと、
前記指紋再構成データと前記タグ無し指紋サンプルとの再構成誤差を特定するステップと、
前記再構成誤差に基づき前記各コーダー層のコード特徴表示パラメータを調整するステップと、
前記再構成誤差が最小値となると、前記オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止し、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを取得するステップと、を含む。
一実施例において、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
前記方法は更に、
タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを入力して第１の出力結果を取得するステップと、
前記第１の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングするステップと、
前記分類器から出力された結果と前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニングを停止するステップと、を含む。
一実施例において、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
前記方法は更に、
タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して第２の出力結果を取得するステップと、
前記第２の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングすると共に、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整するステップと、
前記分類器から出力された結果と前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニング、及び前記各コーダー層のコード特徴表示パラメータに対する微調整を停止するステップと、を含む。
一実施例において、前記方法は更に、
トレーニング済みの前記オート・コーダー・デコーダー・ネットワークによって前記タグ無し指紋サンプルの第１の設定次元数のコード特徴表示パラメータを抽出するステップと、
前記第１の設定次元数のコード特徴表示パラメータに対して、線形判別分析ＬＤＡトレーニングを行って、前記ＬＤＡの第２の設定次元数の射影行列を取得するステップと、を含む。
一実施例において、前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定するステップは、
前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離を、所定閾値と比較するステップと、
前記コサイン距離が前記所定閾値より大きい場合、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であると特定するステップと、
前記コサイン距離が前記所定閾値以下である場合、前記第１の指紋画像と前記第２の指紋画像とが異なる指紋であると特定するステップと、を含む。
本発明の実施例の第２の局面によれば、指紋認証装置を提供し、
指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって、特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを取得するように構成されている第１の抽出モジュールと、
前記第１の抽出モジュールにより抽出された前記第１の指紋特徴と、前記第２の指紋特徴とに対して、次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得するように構成されている次元圧縮処理モジュールと、
前記次元圧縮処理モジュールにより次元圧縮された前記第３の指紋特徴と、前記第４の指紋特徴のコサイン距離に基づいて、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定するように構成されている認証モジュールと、を含む。
一実施例において、前記オート・コーダー・デコーダー・ネットワークは少なくとも一つのコーダー層を含んでおり、
前記装置は更に、
タグ無し指紋サンプルで前記少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、前記各コーダー層に対応するコード特徴表示パラメータを取得するように構成されている第１のトレーニングモジュールと、
前記第１のトレーニングモジュールをトレーニングして得られた前記各コーダー層に対応するコード特徴表示パラメータに対して、該コーダー層に対応するデコーダー層によって、データ再構成を行い、前記タグ無し指紋サンプルの指紋再構成データを取得するように構成されている第１の再構成モジュールと、
前記第１の再構成モジュールにより特定された前記指紋再構成データと、前記タグ無し指紋サンプルとの再構成誤差を特定するように構成されている第１の特定モジュールと、
前記第１の特定モジュールにより特定された前記再構成誤差に基づき、前記各コーダー層のコード特徴表示パラメータを調整するように構成されている調整モジュールと、
前記第１の特定モジュールにより特定された前記再構成誤差が最小値となると、前記オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止して、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを取得するように構成されている第１の制御モジュールと、を含む。
一実施例において、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
前記装置は更に、
タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを入力して第１の出力結果を取得するように構成されている第１の処理モジュールと、
前記第１の処理モジュールにより得られた前記第１の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングするように構成されている第２のトレーニングモジュールと、
前記分類器により出力された結果と、前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニングを停止するよう前記第２のトレーニングモジュールを制御するように構成されている第２の制御モジュールと、を含む。
一実施例において、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
前記装置は更に、
タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して第２の出力結果を取得するように構成されている第２の処理モジュールと、
前記第２の処理モジュールにより得られた前記第２の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングすると共に、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整するように構成されている第３のトレーニングモジュールと、
前記分類器により出力された結果と、前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニング、及び前記各コーダー層のコード特徴表示パラメータに対する微調整を停止するよう前記第３のトレーニングモジュールを制御するように構成されている第３の制御モジュールと、を含む。
一実施例において、前記装置は更に、
トレーニング済みの前記オート・コーダー・デコーダー・ネットワークによって前記タグ無し指紋サンプルの第１の設定次元数のコード特徴表示パラメータを抽出するように構成されている第２の抽出モジュールと、
前記第２の抽出モジュールにより抽出された前記第１の設定次元数のコード特徴表示パラメータに対して線形判別分析ＬＤＡトレーニングを行い、前記ＬＤＡの第２の設定次元数の射影行列を取得するように構成されている第４のトレーニングモジュールと、を含む。
一実施例において、前記認証モジュールは、
前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離を、所定閾値と比較するように構成されている比較サブモジュールと、
前記比較サブモジュールの比較結果は前記コサイン距離が前記所定閾値より大きいと表す場合、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であることを特定するように構成されている第１の特定サブモジュールと、
前記比較サブモジュールの比較結果は前記コサイン距離が前記所定閾値以下であると表す場合、前記第１の指紋画像と前記第２の指紋画像とが異なる指紋であると特定するように構成されている第２の特定サブモジュールと、を含む。
本発明の実施例の第３の局面によれば、指紋認証装置を提供し、
プロセッサと、
プロセッサにより実行可能な指令を記憶するためのメモリと、を含み、
前記プロセッサは、
指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを取得し、
前記第１の指紋特徴と前記第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得し、
前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定する。
本発明の実施例に係る技術案は、以下の有益な効果を有する。
ＡＥＤネットワークは既に多くの指紋画像トレーニングを介して指紋特徴を得たため、ＡＥＤネットワークにより抽出された第１の指紋画像の第１の指紋特徴と第２の指紋画像の第２の指紋特徴は指紋認証に役立てる指紋特徴を含み得ることで、従来技術における、指紋の大局全局的特徴点及び局所的特徴点を介しなければ指紋認証を実現できないことを回避可能となり、指紋画像の品質が比較的低い場合、ＡＥＤネットワークは指紋認証に役立つ特徴を認識することによって、第１の指紋画像の品質が比較的低い場合に指紋の大局全局的特徴点及び局所的特徴点が抽出されなくても、指紋認証の実現を依然として確保し、品質が低い指紋画像の指紋認証時の確率を大幅に向上する。なお、第１の指紋特徴と第２の指紋特徴に対して次元圧縮処理を行うことで、指紋認証過程における演算の難しさを大いに低減することができる。
以上の一般的な記述及び以下の詳細な記述は、例示のものに過ぎず、本開示を限定するものではないと理解すべきである。
ここでの図面は、本明細書の一部として、本発明に適切な実施例を示し、明細書と合わせて本発明の原理を解釈する。
例示的な実施例における指紋認証方法を示すプロチャートである。 例示的な実施例におけるＡＥＤネットワークの構造を模式的に示す図である。 例示的な実施例における指紋認証方法を示すプロチャートである。 例示的な実施例におけるＡＥＤネットワークの構造を模式的に示す図である。 例示的な実施例における如何にＡＥＤネットワークをトレーニングするかを模式的に示す図である。 例示的な実施例における如何にタグ付指紋サンプルでＡＥＤネットワークのパラメータを微調整するかを示すプロチャートである。 他の例示的な実施例における如何にタグ付指紋サンプルでＡＥＤネットワークに接続されている分類器のパラメータを微調整するかを示すプロチャートである。 他の例示的な実施例におけるＡＥＤネットワーク及び分類器の構造を模式的に示す図である。 例示的な実施例における指紋認証方法を示すプロチャートである。 例示的な実施例における指紋認証装置を示すブロック図である。 例示的な実施例における他の指紋認証装置を示すブロック図である。 例示的な実施例における指紋認証装置に適用するブロック図である。
ここで、図面に示された例示的な実施例を詳細に説明する。以下の内容において、図面を言及するとき、特に説明しない限り、異なる図面における同じ数字が同一または同等の要素を示す。以下の例示的な実施例に記載の実施の形態は、本発明と一致するあらゆる実施の形態を代表するわけではない。逆に、それらは、添付された特許請求の範囲に詳細に記載される、本発明の一部の方面と一致する装置及び方法の例にすぎない。
図１Ａは例示的な実施例における指紋認証方法を示すプロチャートである。図１Ｂは例示的な実施例におけるオート・コーダー・デコーダー・ネットワークの構造を模式的に示す図である。該指紋認証方法は、指紋センサが取り付けられている指紋認証装置（例えば、指紋認証機能を有するスマートフォン及びタブレットＰＣ、指紋のタイムレコーダー）に適用できる。図１Ａに示すように、該指紋認証方法は下記のステップＳ１０１〜Ｓ１０３を含む。
ステップＳ１０１において、指紋センサにより採集された第１の指紋画像とデータベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、第１の指紋画像に対応する第１の指紋特徴及び第２の指紋画像に対応する第２の指紋特徴を取得し、ここで、第１の指紋特徴と第２の指紋特徴とは次元数が同一である。
一実施例において、データベースには、既に採集された一定範囲内のユーザの指紋画像、例えば、Ａ会社の社員全体の指紋画像は記憶され得る。ユーザＢが指紋認証を要する場合、指紋センサによりユーザＢの第１の指紋画像を採集すればよい。一実施例において、オート・コーダー・デコーダー（Ａｕｔｏ Ｅｎｃｏｄｅ Ｄｅｃｏｄｅ、ＡＥＤと略称）ネットワークはコーダー層及びデコーダー層を含み得る。第１の指紋画像は、コーダー層に入力され、コーダー層から出力されて第１の指紋画像のコード特徴となり、該コード特徴は、更に該コーダー層に対応するデコーダー層に入力されて、デコーダー層から出力されて第１の指紋画像の第１の指紋特徴となる。相応に、第１の指紋画像と同様に、データベースにおける第２の指紋画像は処理されて第２の指紋画像の第２の指紋特徴を得られる。
ステップＳ１０２において、第１の指紋特徴及び第２の指紋特徴に対して次元圧縮処理を行ってそれぞれ第３の指紋特徴と第４の指紋特徴を取得し、ここで、第３の指紋特徴と第４の指紋特徴とは次元数が同一であり、且つ、第１の指紋特徴と第２の指紋特徴の次元数より小さい。
一実施例において、既にトレーニング済みの線形判別分析（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ、ＬＤＡと略称）によって第１の指紋特徴と第２の指紋特徴とに対して次元圧縮処理を行なうことができる。一実施例において、既にトレーニング済みのオート・コーダー・デコーダー・ネットワークによってタグ無し指紋サンプルの第１の設定次元数の指紋特徴を抽出し、第１の設定次元数の指紋特徴に対して線形判別分析ＬＤＡトレーニングを行い、ＬＤＡの第２の設定次元数の射影行列を取得する。例えば、タグ無し指紋サンプルは、ＡＥＤネットワークから出力された、第１の設定次元数が５００次元であるコード特徴表示パラメータが、ＬＤＡトレーニングを介して、トレーニング済みのＬＤＡから、第２の設定次元数が２００次元であるコード特徴表示パラメータまで次元圧縮することができる。これにより、コサイン距離を演算する際の演算量を低減することはできる。
ステップＳ１０３において、第３の指紋特徴と第４の指紋特徴のコサイン距離に基づき、第１の指紋画像と第２の指紋画像とが同一の指紋であるか否かを特定する。
一実施例において、第３の指紋特徴と第４の指紋特徴のコサイン距離を所定閾値と比較させて、コサイン距離が所定閾値より大きい場合、第１の指紋画像と第２の指紋画像とが同一の指紋であると特定するが、コサイン距離が所定閾値以下である場合、第１の指紋画像と第２の指紋画像とが同一の指紋ではないことを特定する。
例示的な状況としては、図１Ｂに示すように、ユーザＢが指紋認証を要する場合、指紋センサ１１によってユーザＡの第１の指紋画像は採取されて、データベース１２に既に記憶されている第２の指紋画像とともにトレーニング済みのオート・コーダー・デコーダー・ネットワーク１３に入力されることで、オート・コーダー・デコーダー・ネットワーク１３から第１の指紋画像の第１の指紋特徴と第２の指紋画像の第２の指紋特徴とは出力される。例えば、第１の指紋特徴と第２の指紋特徴のいずれも５００次元の指紋特徴であり、ＬＤＡモジュール１４の射影行列を用いることで５００次元の第１の指紋特徴と第２の指紋特徴に対して次元圧縮処理を行う。例えば、ＬＤＡモジュール１４を用いることで第１の指紋特徴と第２の指紋特徴とを５００次元から２００次元まで次元圧縮させ、即ち、ＬＤＡモジュール１４は、第１の指紋特徴が次元圧縮されてなる第３の指紋特徴と、第２の指紋特徴が次元圧縮されてなる第４の指紋特徴とを出力した。例えば、第３の指紋特徴と第４の指紋特徴の次元数のいずれも２００次元である。距離演算モジュール１５は、この二つの、２００次元である第３の指紋特徴と第４の指紋特徴のコサイン距離を演算し、結果出力モジュール１６は、該コサイン距離と閾値とを比較し、即ち、該閾値によってコサイン距離を分割して、コサイン距離が該閾値より大きい場合、結果出力モジュール１６は第１の指紋画像と第２の指紋画像が同じ指紋に属するという結果を出力するが、コサイン距離が該閾値以下である場合、結果出力モジュール１６は第１の指紋画像と第２の指紋画像が異なる指紋に属するという結果を出力する。
本実施例において、ＡＥＤネットワークは既に多くの指紋画像トレーニングを介して指紋特徴を得たため、ＡＥＤネットワークにより抽出された第１の指紋画像の第１の指紋特徴と第２の指紋画像の第２の指紋特徴は、指紋認証に役立てる指紋特徴を含み得ることで、従来技術における、指紋の全局的特徴点及び局所的特徴点を介しなければ指紋認証を実現できないことを回避可能となり、指紋画像の品質が比較的低い場合、ＡＥＤネットワークは指紋認証に役立つ特徴を認識することによって、第１の指紋画像の品質が比較的低い場合に指紋の全局的特徴点及び局所的特徴点が抽出されなくても、指紋認証の実現を依然として確保し、品質が低い指紋画像の指紋認証時の確率を大幅に向上する。なお、第１の指紋特徴と第２の指紋特徴に対して次元圧縮処理を行うことで、指紋認証過程における演算の難しさを大いに低減することができる。
一実施例において、オート・コーダー・デコーダー・ネットワークは少なくとも一つのコーダー層を含み、前記指紋認証方法は更に、
タグ無し指紋サンプルで、少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、各コーダー層に対応するコード特徴表示パラメータを取得するステップと、
コーダー層に対応するデコーダー層によって、各コーダー層に対応するコード特徴表示パラメータに対してデータ再構成を行って、タグ無し指紋サンプルの指紋再構成データを取得するステップと、
指紋再構成データとタグ無し指紋サンプルとの再構成誤差を特定するステップと、
再構成誤差に基づき、各コーダー層のコード特徴表示パラメータを調整するステップと、
再構成誤差が最小値となると、オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止して、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを取得するステップと、を含む。
一実施例において、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、方法は更に、
タグ付指紋サンプルを１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して第１の出力結果を取得するステップと、
第１の出力結果を分類器に入力して、タグ付指紋サンプルで分類器をトレーニングするステップと、
分類器から出力された結果とタグ付指紋サンプルとの再構成誤差が最小である場合、分類器に対するトレーニングを停止するステップと、を含む。
一実施例において、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、方法は更に、
タグ付指紋サンプルを１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して第２の出力結果を取得するステップと、
第２の出力結果を分類器に入力して、タグ付指紋サンプルで分類器をトレーニングするとともに１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整するステップと、
分類器から出力された結果とタグ付指紋サンプルとの再構成誤差が最小である場合、分類器に対するトレーニング、及び各コーダー層のコード特徴表示パラメータに対する微調整を停止するステップと、を含む。
一実施例において、方法は更に、
トレーニング済みのオート・コーダー・デコーダー・ネットワークによってタグ無し指紋サンプルの第１の設定次元数のコード特徴表示パラメータを抽出するステップと、
第１の設定次元数のコード特徴表示パラメータに対して線形判別分析ＬＤＡトレーニングを行い、ＬＤＡの第２の設定次元数の射影行列を取得するステップと、を含む。
一実施例において、第３の指紋特徴と第４の指紋特徴のコサイン距離に基づき、第１の指紋画像と第２の指紋画像とが同一の指紋であるか否かを特定するステップは、
第３の指紋特徴と第４の指紋特徴のコサイン距離を、所定閾値と比較するステップと、
コサイン距離が所定閾値より大きい場合、第１の指紋画像と第２の指紋画像とが同じ指紋であると特定するステップと、
コサイン距離が所定閾値以下である場合、第１の指紋画像と第２の指紋画像とが同一の指紋ではないことを特定するステップと、を含む。
具体的には、如何に指紋認証を実現するかについては、下記の実施例を参照する。
このようにして、本発明の実施例に係る上記方法は、従来技術における、指紋の全局的特徴点及び局所的特徴点を介しなければ指紋認証を実現できないことを回避可能となり、第１の指紋画像の品質が比較的低い場合に指紋の全局的特徴点及び局所的特徴点が抽出されなくても、指紋認証の実現を依然として確保し、品質が低い指紋画像の指紋認証時の確率を大幅に向上し、指紋認証過程における演算の難しさも大いに低減できる。
以下、具体的な実施例で本発明の実施例に係る技術案を説明する。
図２Ａは例示的な実施例における指紋認証方法を示すプロチャートである。図２Ｂは例示的な実施例におけるＡＥＤネットワークの構造を模式的に示す図である。図２Ｃは例示的な実施例における如何にＡＥＤネットワークをトレーニングするかを模式的に示す図である。本実施例は本発明の実施例に係わる上記方法を用いて、如何にタグ無し指紋サンプルでＡＥＤネットワークとＬＤＡとをトレーニングするかということを例として例示的な説明を行う。図２Ａに示すように、前記指紋認証方法は下記のステップを含む。
ステップＳ２０１において、タグ無し指紋サンプルで少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、各コーダー層に対応するコード特徴表示パラメータを取得する。
ステップＳ２０２において、コーダー層に対応するデコーダー層によって各コーダー層に対応するコード特徴表示パラメータに対してデータ再構成を行って、タグ無し指紋サンプルの指紋再構成データを取得する。
ステップＳ２０３において、指紋再構成データとタグ無し指紋サンプルの再構成誤差を特定する。
ステップＳ２０４において、再構成誤差に基づき各コーダー層のコード特徴表示パラメータを調整する。
ステップＳ２０５において、再構成誤差が最小値となると、オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止する。
一実施例において、ＡＥＤネットワークは少なくとも一つのコーダー層を含む。例えば、図２Ｂに示すＡＥＤネットワーク２０は三つのコーダー層（それぞれコーダー層２１、コーダー層２２、コーダー層２３である）を含む。図２Ｃに示すように、コーダー層２１をトレーニングすることを例として説明を行い、大量の（例えば、６０万枚のタグ無し指紋サンプル）タグ無し指紋サンプルに対して、それぞれのタグ無し指紋サンプルをコーダー層２１に入力して、コーダー層２１から一つのタグ無し指紋サンプルのコード特徴表示パラメータを取得し、該コード特徴表示パラメータが即ち入力されたタグ無し指紋サンプルの一つの表示（標識）であり、該コード特徴表示パラメータが該タグ無し指紋サンプルと一致するか否かを検証するために、コード特徴表示パラメータをデコーダー層２４に入力して、再構成誤差演算モジュール２５によって演算してデコーダー層２４の出力情報とタグ無し指紋サンプルとの再構成誤差を取得する。再構成誤差が最小値とならないと、再構成誤差に基づき、再構成誤差が最小値となるまでコーダー層２１のコード特徴表示パラメータを調整することができ、該コード特徴表示パラメータがコーダー層２１において該タグ無し指紋サンプルを表すことができると見なせる。
上記コーダー層２１のトレーニング方式と類似するトレーニング方式によって、コーダー層２２とコーダー層２３に対して、その別々に対応するデコーダー層で、コーダー層２２とコーダー層２３が該タグ無し指紋サンプルを表れるまでコーダー層２２とコーダー層２３の各々に対応するコード特徴表示パラメータが該タグ無し指紋サンプルと一致するか否かを検証することができる。本発明はこれを詳しく説明しない。
本実施例において、ＡＥＤネットワークはトレーニングされることによって、指紋画像をコーディングすることができ、コード特徴表示パラメータで指紋画像を表し、タグ無し指紋サンプルの数が一定の数となると、トレーニング済みのＡＥＤネットワークに指紋画像における指紋認証に役立つ画像特徴を認識させることによって、品質が低い指紋画像による全局的特徴点および局所的特徴点の抽出失敗に起因して指紋認証が間違う状況を回避することができる。
図３Ａは例示的な実施例における如何にタグ付指紋サンプルでＡＥＤネットワークのパラメータを微調整するかを示すプロチャートである。図３Ｂは他の例示的な実施例における如何にタグ付指紋サンプルでＡＥＤネットワークに接続される分類器のパラメータを微調整するかを示すプロチャートである。図３Ｃは他の例示的な実施例におけるＡＥＤネットワークと分類器の構造を模式的に示す図である。
図３Ａに示すように、前記指紋認証方法は下記のステップを含む。
ステップＳ３０１において、タグ付指紋サンプルを１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して、第１の出力結果を取得する。
ステップＳ３０２において、第１の出力結果を分類器に入力して、タグ付指紋サンプルで分類器をトレーニングする。
ステップＳ３０３において、分類器の出力した結果とタグ付指紋サンプルの再構成誤差が最小である場合、分類器に対するトレーニングを停止する。
図３Ｃに示すように、上記図２Ａに示す実施例を介してＡＥＤをトレーニングした後、ＡＥＤネットワーク２０の複数のコーダー層（図３Ｃに示すコーダー層２１、コーダー層２２、コーダー層２３）のコード特徴表示パラメータを得られ、各コーダー層によってタグ無し指紋サンプルの異なる表現を得られる。当業者は、本発明がＡＥＤネットワークの層数を限定しないことを理解すべきである。
ＡＥＤネットワークによる分類を実現するために、ＡＥＤネットワークの最上層のコーダー層（例えば、コーダー層２３）に一つの分類器３１を加えることができる。該分類器３１は、例えば、ロジスティック回帰、ＳＶＭ等の分類器であり得る。基準的な多層ニューラルネットワークの監督トレーニング方法（例えば、最急降下法）によってタグ付指紋サンプルの第１の出力結果を用いて分類器３１をトレーニングし、再構成誤差演算モジュール３２で演算して得られた分類器の出力結果とタグ付指紋サンプルとの再構成誤差が最小である場合、分類器３１に対する分類を停止することによって、ＡＥＤネットワーク２０の分類機能を実現する。
図３Ｂに示すように、前記指紋認証方法は下記のステップを含む。
ステップＳ３１１において、タグ付指紋サンプルを１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して、第１の出力結果を取得する。
ステップＳ３１２において、第１の出力結果を分類器に入力して、タグ付指紋サンプルで分類器をトレーニングするとともに、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整する。
ステップＳ３１３において、分類器の出力結果とタグ付指紋サンプルの再構成誤差が最小である場合、分類器に対するトレーニング、及び各コーダー層のコード特徴表示パラメータに対する微調整を停止する。
上記図３Ａに示す内容と類似するように、基準的な多層ニューラルネットワークの監督トレーニング方法（例えば、最急降下法）によって、タグ付指紋サンプルを有する第１の出力結果で分類器３１をトレーニングし、コーダー層２１、コーダー層２２とコーダー層２３の各層に対応するコード特徴表示パラメータを微調整する。再構成誤差演算モジュール３２で演算して得られた分類器の出力した結果とタグ付指紋サンプルとの再構成誤差が最小である場合、分類器３１に対する分類を停止する。ＡＥＤネットワーク２０は分類を実現できることを基に、ＡＥＤネットワーク２０に対する微調整を実現でき、タグ付指紋サンプルのデータが十分に多い場合、ＡＥＤネットワークのエンドエンド学習（ｅｎｄ−ｔｏ−ｅｎｄ ｌｅａｒｎｉｎｇ）を実現させ、これにより、ＡＥＤネットワークと分類器との指紋認証時の確実率を向上できる。
図４は例示的な実施例における指紋認証方法を示すプロチャートである。本実施例は本発明の実施例により提供された上記方法を用いて、如何にコサイン距離に基づいて指紋認証を行うかということを例として例示的な説明を行う。図４に示すように、下記のステップを含む。
ステップＳ４０１において、指紋センサにより採集された第１の指紋画像とデータベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、第１の指紋画像に対応する第１の指紋特徴及び第２の指紋画像に対応する第２の指紋特徴を取得し、ここで、第１の指紋特徴と第２の指紋特徴とは次元数が同一である。
ステップＳ４０２において、第１の指紋特徴と第２の指紋特徴とに対して次元圧縮処理を行い、第３の指紋特徴と第４の指紋特徴をそれぞれ得て、ここで、第３の指紋特徴と第４の指紋特徴とは次元数が同一であり、且つ、第１の指紋特徴と第２の指紋特徴の次元数より小さい。
ステップＳ４０１及びステップＳ４０２に対する関連記載内容としては、上記図１Ａに示される実施例についての記載内容を参照する。ここに、詳しく説明しない。
ステップＳ４０３において、第３の指紋特徴と第４の指紋特徴のコサイン距離を、所定閾値と比較させて、コサイン距離が所定閾値より大きい場合、ステップＳ４０４を実行するが、コサイン距離が所定閾値以下である場合、ステップＳ４０５を実行する。
ステップＳ４０４において、コサイン距離が所定閾値より大きい場合、第１の指紋画像と第２の指紋画像とが同じ指紋であると特定する。
ステップＳ４０５において、コサイン距離が所定閾値以下である場合、第１の指紋画像と第２の指紋画像とが同一の指紋ではないことを特定する。
ステップＳ４０３において、サンプルデータベースにおける大量の指紋サンプルをトレーニングして一つの適宜の所定閾値を取得し、所定閾値がユーザが許可可能な認識誤差率であり得る。例えば、サンプルデータベースには類内サンプルが１０万対あり、類間サンプルが１００万対ある場合、千分の一の認識誤差率を確保するために、対毎にコサイン距離に基づいて演算を行って０〜１の値を取得し、ここで、類内サンプルのコサイン距離の値が１０万あり、類間サンプルのコサイン距離の値が１００万あり、即ち、１１０万のコサイン距離の値を取得し、該１１０万のコサイン距離の値を基にそれに認識誤差率を組み合わせて一つの適宜の所定閾値を特定すればよい。
本実施例は、上記実施例の有益な技術效果を基に、第３の指紋特徴と第４の指紋特徴のコサイン距離に基づいて指紋を認証し、所定閾値が大量の指紋サンプルのトレーニングによって得られ、且つ、ユーザの許可可能な認識誤差率を組み合わせたため、一定の程度で指紋認証製品のユーザ体験を向上できる。
図５は例示的な実施例における指紋認証装置を示すブロック図である。図５に示すように、指紋認証装置は、
指紋センサにより採集された第１の指紋画像とデータベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、第１の指紋画像に対応する第１の指紋特徴、及び第２の指紋画像に対応する、第１の指紋特徴と次元数が同一である第２の指紋特徴を取得するように構成されている第１の抽出モジュール５１と、
第１の抽出モジュール５１により抽出された第１の指紋特徴と第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴、及び第３の指紋特徴と次元数が同一であり、且つ、第１の指紋特徴と第２の指紋特徴の次元数より小さい第４の指紋特徴を取得するように構成されている次元圧縮処理モジュール５２と、
次元圧縮処理モジュール５２により次元圧縮された第３の指紋特徴と第４の指紋特徴のコサイン距離に基づき、第１の指紋画像と第２の指紋画像とが同一の指紋であるか否かを特定するように構成されている認証モジュール５３と、を含む。
図６は例示的な実施例における他の指紋認証装置を示すブロック図である。図６に示すように、上記図５に示される実施例を基に、一実施例において、オート・コーダー・デコーダー・ネットワークは少なくとも一つのコーダー層を含み、装置はさらに、
タグ無し指紋サンプルで少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、各コーダー層に対応するコード特徴表示パラメータを取得するように構成されている第１のトレーニングモジュール５４と、
第１のトレーニングモジュール５４をトレーニングして得られた各コーダー層に対応するコード特徴表示パラメータに対して、該コーダー層に対応するデコーダー層によって、データ再構成を行って、タグ無し指紋サンプルの指紋再構成データを取得するように構成されている第１の再構成モジュール５５と、
第１の再構成モジュール５５により特定された指紋再構成データと、タグ無し指紋サンプルとの再構成誤差を特定するように構成されている第１の特定モジュール５６と、
第１の特定モジュール５６により特定された再構成誤差に基づき、各コーダー層のコード特徴表示パラメータを調整するように構成されている調整モジュール５７と、
第１の特定モジュール５７により特定された再構成誤差が最小値となると、オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止して、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを取得するように構成されている第１の制御モジュール５８と、を含む。
一実施例において、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層は分類器に接続可能であり、装置はさらに、
タグ付指紋サンプルを１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して、第１の出力結果を取得するように構成されている第１の処理モジュール５９と、
第１の処理モジュール５９により得られた第１の出力結果を分類器に入力して、タグ付指紋サンプルで分類器をトレーニングするように構成されている第２のトレーニングモジュール６０と、
分類器により出力された結果とタグ付指紋サンプルとの再構成誤差が最小である場合、分類器に対するトレーニングを停止するよう第２のトレーニングモジュール６０を制御するように構成されている第２の制御モジュール６１と、を含む。
一実施例において、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層は更に分類器に接続可能であり、装置はさらに、
タグ付指紋サンプルを、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して、第２の出力結果を取得するように構成されている第２の処理モジュール６２と、
第２の処理モジュール６２により得られた第２の出力結果を分類器に入力して、タグ付指紋サンプルで分類器をトレーニングするとともに１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整するように構成されている第３のトレーニングモジュール６３と、
分類器により出力された結果とタグ付指紋サンプルとの再構成誤差が最小である場合、分類器に対するトレーニング、及び各コーダー層に対するコード特徴表示パラメータの微調整を停止するよう第３のトレーニングモジュール６３を制御するように構成されている第３の制御モジュール６４と、を含む。
一実施例において、装置はさらに、
トレーニング済みのオート・コーダー・デコーダー・ネットワークによってタグ無し指紋サンプルの第１の設定次元数のコード特徴表示パラメータを抽出するように構成されている第２の抽出モジュール６５と、
第２の抽出モジュール６５により抽出された第１の設定次元数のコード特徴表示パラメータに対して、線形判別分析ＬＤＡトレーニングを行って、ＬＤＡの第２の設定次元数の射影行列を取得するように構成されている第４のトレーニングモジュール６６と、を含む。
一実施例において、認証モジュール５３は、
第３の指紋特徴と第４の指紋特徴のコサイン距離を、所定閾値と比較するように構成されている比較サブモジュール５３１と、
比較サブモジュール５３１の比較結果はコサイン距離が所定閾値より大きいと表すと、第１の指紋画像と第２の指紋画像とが同じ指紋であると特定するように構成されている第１の特定サブモジュール５３２と、
比較サブモジュール５３１の比較結果はコサイン距離が所定閾値以下であると表すと、第１の指紋画像と第２の指紋画像とが同一の指紋ではないとを特定するように構成されている第２の特定サブモジュール５３３と、を含む。
上記の実施例における装置に関しては、各モジュールが操作を実行する具体的な方式は既に該方法に係わる実施例において詳細に記載されているので、ここに詳しく説明しない。
図７は例示的な実施例における指紋認証装置に適用するブロック図である。例えば、装置７００は、携帯電話、コンピュータ、デジタル放送端末、メッセージ受発信手段、ゲームコンソール、タブレットデバイス、医療機器、フィットネス機器、パーソナルデジタルアシスタント等であってもよい。
図７を参照して、装置７００は、プロセッサアセンブリ７０２、メモリ７０４、電源アセンブリ７０６、マルチメディアアセンブリ７０８、オーディオアセンブリ７１０、入力／出力（Ｉ／Ｏ）インターフェイス７１２、センサアセンブリ７１４、及び通信アセンブリ７１６のような一つ以上のアセンブリを含んでよい。
プロセッサアセンブリ７０２は、一般的には装置７００の全体の操作を制御するものであり、例えば、表示、電話呼び出し、データ通信、カメラ操作、及び記録操作と関連する操作を制御する。プロセッサアセンブリ７０２は、一つ以上のプロセッサ７２０を含み、これらによって命令を実行することにより、上記の方法の全部、或は一部のステップを実現するようにしてもよい。なお、プロセッサアセンブリ７０２は、一つ以上のモジュールを含み、これらによってプロセッサアセンブリ７０２と他のアセンブリの間のインタラクションを容易にするようにしてもよい。例えば、プロセッサアセンブリ７０２は、マルチメディアモジュールを含み、これらによってマルチメディアアセンブリ７０８とプロセッサアセンブリ７０２の間のインタラクションを容易にするようにしてもよい。
メモリ７０４は、各種類のデータを記憶することにより装置７００の操作を支援するように構成される。これらのデータの例は、装置７００において操作されるいずれのアプリケーションプログラム又は方法の命令、連絡対象データ、電話帳データ、メッセージ、画像、ビデオ等を含む。メモリ７０４は、いずれの種類の揮発性メモリ、不揮発性メモリ記憶デバイスまたはそれらの組み合わせによって実現されてもよく、例えば、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｂｅｒ）、磁気メモリ、フラッシュメモリ、磁気ディスク、或いは光ディスクである。
電源アセンブリ７０６は、装置７００の多様なアセンブリに電力を供給する。電源アセンブリ７０６は、電源管理システム、一つ以上の電源、及び装置７００のための電力の生成、管理及び割り当てに関連する他のアセンブリを含んでもよい。
マルチメディアアセンブリ７０８は、前記装置７００とユーザの間に一つの出力インターフェイスを提供するスクリーンを含む。上記の実施例において、スクリーンは液晶モニター（ＬＣＤ）とタッチパネル（ＴＰ）を含んでもよい。スクリーンがタッチパネルを含むことにより、スクリーンはタッチスクリーンを実現することができ、ユーザからの入力信号を受信することができる。タッチパネルは一つ以上のタッチセンサを含んでおり、タッチ、スライド、及びタッチパネル上のジェスチャを検出することができる。前記タッチセンサは、タッチ、或はスライドの動作の境界だけでなく、前記のタッチ、或はスライド操作に係る継続時間及び圧力も検出できる。上記の実施例において、マルチメディアアセンブリ７０８は、一つのフロントカメラ、及び／又はリアーカメラを含む。装置７００が、例えば撮影モード、或はビデオモード等の操作モードにある場合、フロントカメラ、及び／又はリアーカメラは外部からマルチメディアデータを受信できる。フロントカメラとリアーカメラのそれぞれは、一つの固定型の光レンズ系、或は可変焦点距離と光学ズーム機能を有するものであってもよい。
オーディオアセンブリ７１０は、オーディオ信号をインターフェースするように構成されてもよい。例えば、オーディオアセンブリ７１０は、一つのマイク（ＭＩＣ）を含み、装置７００、例えば呼出しモード、記録モード、及び音声認識モード等の操作モードにある場合、マイクは外部のオーディオ信号を受信することができる。受信されたオーディオ信号は、さらにメモリ７０４に記憶されたり、通信アセンブリ７１６を介して送信されたりされる。上記の実施例において、オーディオアセンブリ７１０は、オーディオ信号を出力するための一つのスピーカーをさらに含む。
入力／出力（Ｉ／Ｏ）インターフェイス７１２は、プロセッサアセンブリ７０２と周辺インターフェイスモジュールの間にインターフェイスを提供するものであり、上記周辺インターフェイスモジュールは、キーボード、クリックホイール、ボタン等であってもよい。これらのボタンは、ホームボタン、ボリュームボタン、起動ボタン、ロッキングボタンを含んでもよいが、これらに限定されない。
センサアセンブリ７１４は、装置７００に各方面の状態に対する評価を提供するための一つ以上のセンサを含む。例えば、センサアセンブリ７１４は、装置７００のＯＮ／ＯＦＦ状態、装置７００のディスプレイとキーパッドのようなアセンブリの相対的な位置決めを検出できる。また、例えば、センサアセンブリ７１４は、装置７００、或は装置７００の一つのアセンブリの位置変更、ユーザと装置７００とが接触しているか否か、装置７００の方位、又は加速／減速、装置７００の温度の変化を検出できる。センサアセンブリ７１４は、何れの物理的接触がない状態にて付近の物体の存在を検出するための近接センサを含んでもよい。センサアセンブリ７１４は、撮影アプリケーションに適用するため、ＣＭＯＳ、又はＣＣＤ図像センサのような光センサを含んでもよい。上記の実施例において、該センサアセンブリ７１４は、加速度センサ、ジャイロスコープセンサ、磁気センサ、圧力センサ、及び温度センサをさらに含んでもよい。
通信アセンブリ７１６は、装置７００と他の機器の間に有線、又は无線形態の通信を提供する。装置７００は、例えばＷｉＦｉ、２Ｇ、３Ｇ、或はこれらの組み合わせのような、通信規格に基づいた无線ネットワークに接続されてもよい。一つの例示的な実施例において、通信アセンブリ７１６は、放送チャンネルを介して外部の放送管理システムからの放送信号、又は放送に関連する情報を受信する。一つの例示的な実施例において、前記通信アセンブリ７１６は、近距離無線通信（ＮＦＣ）モジュールをさらに含むことにより、近距離通信を推進するようにする。例えば、ＮＦＣモジュールは、ＲＦＩＤ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）技術、ＩｒＤＡ（Ｉｎｆｒａｒｅｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ）技術、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）技術、ＢＴ（Ｂｌｕｅｔｏｏｔｈ）技術、他の技術に基づいて実現できる。
例示的な実施例において、装置７００は、一つ以上のＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＤＳＰＤ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、コントローラ、マイクロコントローラ、マイクロプロセッサ、または他の電子部品によって実現されるものであり、上記方法を実行する。
例示的な実施例において、さらに、命令を含む不揮発的なコンピュータで読み取り可能な記憶媒体、例えば命令を含むメモリ７０４を提供しており、装置７００のプロセッサ７２０により上記命令を実行して上記方法を実現する。例えば、前記不揮発的なコンピュータで読み取り可能な記憶媒体は、ＲＯＭ、ＲＡＭ（Ｒａｎｄｏｍ−Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ ＲＯＭ）、磁気テープ、フロッピーディスク、光データ記憶デバイス等である。
当業者は、本明細書に開示された発明の詳細を考慮し、実施することにより、本発明の他の実施方案を容易に想定することができる。本出願は、本発明のいかなる変形、用途、又は適応的な変化を含むことを目的としており、いかなる変形、用途、又は適応的な変化は、本発明の一般原理に基づいて、且つ本開示において公開されていない本技術分野においての公知常識又は慣用技術手段を含む。明細書及び実施例は、例示的なものを開示しており、本発明の保護範囲と主旨は、特許請求の範囲に記述される。
本発明は、上記において開示された構成又は図面に示した構造に限定されるものではなく、本発明の範囲内であれば、様々な補正又は変更を行うことができる。本発明の範囲は、特許請求の範囲により制限される。
本発明は、画像認証技術分野に関し、特に、指紋認証方法及びその装置、プログラム及び記録媒体に関する。
従来技術に既存している問題を解消するために、本発明の実施例は品質が低い指紋画像の指紋認証時の確率を向上するための指紋認証方法及びその装置、プログラム及び記録媒体を提供する。
本発明の実施例の第３の局面によれば、指紋認証装置を提供し、
プロセッサと、
プロセッサにより実行可能な指令を記憶するためのメモリと、を含み、
前記プロセッサは、
指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを取得し、
前記第１の指紋特徴と前記第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得し、
前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定する。
本発明のその他の態様は、
プロセッサに実行されることにより、前記方法を実現することを特徴とするプログラムを提供する。
本発明のその他の態様は、
前記プログラムが記録された記録媒体を提供する。

Claims (13)

  1. 指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを、取得するステップと、
    前記第１の指紋特徴と前記第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを、取得するステップと、
    前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定するステップと、を含むことを特徴とする指紋認証方法。
  2. 前記オート・コーダー・デコーダー・ネットワークは、少なくとも一つのコーダー層を含んでおり、
    前記方法はさらに、
    タグ無し指紋サンプルで前記少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、前記各コーダー層に対応するコード特徴表示パラメータを取得するステップと、
    前記各コーダー層に対応するコード特徴表示パラメータに対して、該コーダー層に対応するデコーダー層によってデータ再構成を行い、前記タグ無し指紋サンプルの指紋再構成データを取得するステップと、
    前記指紋再構成データと前記タグ無し指紋サンプルとの再構成誤差を特定するステップと、
    前記再構成誤差に基づき、前記各コーダー層のコード特徴表示パラメータを調整するステップと、
    前記再構成誤差が最小値となると、前記オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止し、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを取得するステップと、を含むことを特徴とする請求項１に記載の方法。
  3. 前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
    前記方法は更に、
    タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを入力して第１の出力結果を取得するステップと、
    前記第１の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングするステップと、
    前記分類器から出力された結果と前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニングを停止するステップと、を含むことを特徴とする請求項２に記載の方法。
  4. 前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
    前記方法は更に、
    タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して第２の出力結果を取得するステップと、
    前記第２の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングすると共に、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整するステップと、
    前記分類器から出力された結果と前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニング、及び前記各コーダー層のコード特徴表示パラメータに対する微調整を停止するステップと、を含むことを特徴とする請求項２に記載の方法。
  5. 前記方法は更に、
    トレーニング済みの前記オート・コーダー・デコーダー・ネットワークによって、前記タグ無し指紋サンプルの第１の設定次元数のコード特徴表示パラメータを抽出するステップと、
    前記第１の設定次元数のコード特徴表示パラメータに対して、線形判別分析ＬＤＡトレーニングを行って、前記ＬＤＡの第２の設定次元数の射影行列を取得するステップと、を含むことを特徴とする請求項２に記載の方法。
  6. 前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定するステップは、
    前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離を、所定閾値と比較するステップと、
    前記コサイン距離が前記所定閾値より大きい場合、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であると特定するステップと、
    前記コサイン距離が前記所定閾値以下である場合、前記第１の指紋画像と前記第２の指紋画像とが異なる指紋であると特定するステップと、を含むことを特徴とする請求項１に記載の方法。
  7. 指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって、特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを取得するように構成されている第１の抽出モジュールと、
    前記第１の抽出モジュールにより抽出された前記第１の指紋特徴と、前記第２の指紋特徴とに対して、次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得するように構成されている次元圧縮処理モジュールと、
    前記次元圧縮処理モジュールにより次元圧縮された前記第３の指紋特徴と、前記第４の指紋特徴のコサイン距離に基づいて、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定するように構成されている認証モジュールと、を含むことを特徴とする指紋認証装置。
  8. 前記オート・コーダー・デコーダー・ネットワークは、少なくとも一つのコーダー層を含んでおり、
    前記装置は更に、
    タグ無し指紋サンプルで前記少なくとも一つのコーダー層の各コーダー層のコード特徴パラメータをトレーニングして、前記各コーダー層に対応するコード特徴表示パラメータを取得するように構成されている第１のトレーニングモジュールと、
    前記第１のトレーニングモジュールをトレーニングして得られた前記各コーダー層に対応するコード特徴表示パラメータに対して、該コーダー層に対応するデコーダー層によって、データ再構成を行い、前記タグ無し指紋サンプルの指紋再構成データを取得するように構成されている第１の再構成モジュールと、
    前記第１の再構成モジュールにより特定された前記指紋再構成データと、前記タグ無し指紋サンプルとの再構成誤差を特定するように構成されている第１の特定モジュールと、
    前記第１の特定モジュールにより特定された前記再構成誤差に基づき、前記各コーダー層のコード特徴表示パラメータを調整するように構成されている調整モジュールと、
    前記第１の特定モジュールにより特定された前記再構成誤差が最小値となると、前記オート・コーダー・デコーダー・ネットワークに対するトレーニングを停止して、１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを取得するように構成されている第１の制御モジュールと、を含むことを特徴とする請求項７に記載の装置。
  9. 前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
    前記装置は更に、
    タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークを入力して第１の出力結果を取得するように構成されている第１の処理モジュールと、
    前記第１の処理モジュールにより得られた前記第１の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングするように構成されている第２のトレーニングモジュールと、
    前記分類器により出力された結果と、前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニングを停止するよう前記第２のトレーニングモジュールを制御するように構成されている第２の制御モジュールと、を含むことを特徴とする請求項８に記載の装置。
  10. 前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの最後のコーダー層に分類器が接続されており、
    前記装置は更に、
    タグ付指紋サンプルを前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークに入力して第２の出力結果を取得するように構成されている第２の処理モジュールと、
    前記第２の処理モジュールにより得られた前記第２の出力結果を前記分類器に入力して、前記タグ付指紋サンプルで前記分類器をトレーニングすると共に、前記１回目のトレーニング後のオート・コーダー・デコーダー・ネットワークの各コーダー層のコード特徴表示パラメータを微調整するように構成されている第３のトレーニングモジュールと、
    前記分類器により出力された結果と、前記タグ付指紋サンプルとの再構成誤差が最小である場合、前記分類器に対するトレーニング、及び前記各コーダー層のコード特徴表示パラメータに対する微調整を停止するよう前記第３のトレーニングモジュールを制御するように構成されている第３の制御モジュールと、を含むことを特徴とする請求項８に記載の装置。
  11. 前記装置は更に、
    トレーニング済みの前記オート・コーダー・デコーダー・ネットワークによって、前記タグ無し指紋サンプルの第１の設定次元数のコード特徴表示パラメータを抽出するように構成されている第２の抽出モジュールと、
    前記第２の抽出モジュールにより抽出された前記第１の設定次元数のコード特徴表示パラメータに対して線形判別分析ＬＤＡトレーニングを行い、前記ＬＤＡの第２の設定次元数の射影行列を取得するように構成されている第４のトレーニングモジュールと、を含むことを特徴とする請求項８に記載の装置。
  12. 前記認証モジュールは、
    前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離を、所定閾値と比較するように構成されている比較サブモジュールと、
    前記比較サブモジュールの比較結果は前記コサイン距離が前記所定閾値より大きいと表す場合、前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であることを特定するように構成されている第１の特定サブモジュールと、
    前記比較サブモジュールの比較結果は前記コサイン距離が前記所定閾値以下であると表す場合、前記第１の指紋画像と前記第２の指紋画像とが異なる指紋であると特定するように構成されている第２の特定サブモジュールと、を含むことを特徴とする請求項７に記載の装置。
  13. プロセッサと、
    プロセッサにより実行可能な指令を記憶するためのメモリと、を含み、
    前記プロセッサは、
    指紋センサにより採集された第１の指紋画像と、データベースに記憶されている第２の指紋画像とに対して、オート・コーダー・デコーダー・ネットワークによって特徴抽出を行い、前記第１の指紋画像に対応する第１の指紋特徴と、前記第２の指紋画像に対応する、前記第１の指紋特徴と次元数が同一である第２の指紋特徴とを取得し、
    前記第１の指紋特徴と前記第２の指紋特徴とに対して次元圧縮処理を行い、それぞれ第３の指紋特徴と、前記第３の指紋特徴と次元数が同一であり、且つ、前記第１の指紋特徴及び前記第２の指紋特徴の次元数より小さい第４の指紋特徴とを取得し、
    前記第３の指紋特徴と前記第４の指紋特徴とのコサイン距離に基づいて前記第１の指紋画像と前記第２の指紋画像とが同一の指紋であるか否かを特定することを特徴とする指紋認証装置。
JP2017547061A 2015-10-28 2015-12-29 指紋認証方法及びその装置、プログラム及び記録媒体 Pending JP2018500707A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510712896.0 2015-10-28
CN201510712896.0A CN105335713A (zh) 2015-10-28 2015-10-28 指纹识别方法及装置
PCT/CN2015/099511 WO2017071083A1 (zh) 2015-10-28 2015-12-29 指纹识别方法及装置

Publications (1)

Publication Number Publication Date
JP2018500707A true JP2018500707A (ja) 2018-01-11

Family

ID=55286229

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017547061A Pending JP2018500707A (ja) 2015-10-28 2015-12-29 指紋認証方法及びその装置、プログラム及び記録媒体

Country Status (8)

Country Link
US (1) US9904840B2 (ja)
EP (1) EP3163508A1 (ja)
JP (1) JP2018500707A (ja)
KR (1) KR101992522B1 (ja)
CN (1) CN105335713A (ja)
MX (1) MX361142B (ja)
RU (1) RU2642369C2 (ja)
WO (1) WO2017071083A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019536127A (ja) * 2016-10-19 2019-12-12 ポリテクニコ ディ トリノ ユーザ機器を認証する装置及び方法
KR20200093631A (ko) * 2018-04-19 2020-08-05 선전 센스타임 테크놀로지 컴퍼니 리미티드 이미지 검색 방법 및 장치

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10713466B2 (en) 2014-03-07 2020-07-14 Egis Technology Inc. Fingerprint recognition method and electronic device using the same
CN105825098B (zh) * 2016-03-16 2018-03-27 广东欧珀移动通信有限公司 一种电子终端的屏幕解锁方法、图像采集方法及装置
US10452951B2 (en) * 2016-08-26 2019-10-22 Goodrich Corporation Active visual attention models for computer vision tasks
CN107885312A (zh) * 2016-09-29 2018-04-06 青岛海尔智能技术研发有限公司 一种手势控制方法及装置
CN106599807A (zh) * 2016-12-01 2017-04-26 中科唯实科技（北京）有限公司 一种基于自编码的行人检索方法
GB2563599A (en) * 2017-06-19 2018-12-26 Zwipe As Incremental enrolment algorithm
JP6978665B2 (ja) * 2017-07-25 2021-12-08 富士通株式会社 生体画像処理装置、生体画像処理方法及び生体画像処理プログラム
CN107478869A (zh) * 2017-08-08 2017-12-15 惠州Tcl移动通信有限公司 一种移动终端指纹模组的测试夹具和测试方法
TWI676911B (zh) * 2017-10-12 2019-11-11 神盾股份有限公司 指紋識別方法以及使用指紋識別方法的電子裝置
US11727100B1 (en) 2022-06-09 2023-08-15 The Government of the United States of America, as represented by the Secretary of Homeland Security Biometric identification using homomorphic primary matching with failover non-encrypted exception handling
US11909854B2 (en) * 2022-06-09 2024-02-20 The Government of the United States of America, as represented by the Secretary of Homeland Security Third party biometric homomorphic encryption matching for privacy protection
CN116311389B (zh) * 2022-08-18 2023-12-12 荣耀终端有限公司 指纹识别的方法和装置
US12067750B2 (en) 2022-10-27 2024-08-20 The Government of the United States of America, as represented by the Secretary of Homeland Security Methods and systems for establishing accurate phenotype metrics

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10177650A (ja) * 1996-12-16 1998-06-30 Nec Corp 画像特徴抽出装置，画像特徴解析装置，および画像照合システム
JP2006330873A (ja) * 2005-05-24 2006-12-07 Japan Science & Technology Agency 指紋照合装置、方法およびプログラム
JP2008521109A (ja) * 2004-11-16 2008-06-19 インターナショナル・ビジネス・マシーンズ・コーポレーション バイオメトリクスを表現するための装置、方法、プログラム記憶装置、およびコンピュータ・プログラム（指紋バイオメトリック・マシン）
JP2010039778A (ja) * 2008-08-05 2010-02-18 Hitachi Computer Peripherals Co Ltd 次元削減方法、パターン認識用辞書生成装置、及びパターン認識装置

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6069914A (en) * 1996-09-19 2000-05-30 Nec Research Institute, Inc. Watermarking of image data using MPEG/JPEG coefficients
TW312770B (en) * 1996-10-15 1997-08-11 Japen Ibm Kk The hiding and taking out method of data
US6373970B1 (en) * 1998-12-29 2002-04-16 General Electric Company Image registration using fourier phase matching
US20030088531A1 (en) * 2000-12-07 2003-05-08 Tatsunari Nishi Method and system for high precision classification of large quantity of information described with mutivariable
US7058815B2 (en) * 2001-01-22 2006-06-06 Cisco Technology, Inc. Method and system for digitally signing MPEG streams
US7142699B2 (en) * 2001-12-14 2006-11-28 Siemens Corporate Research, Inc. Fingerprint matching using ridge feature maps
US7092584B2 (en) * 2002-01-04 2006-08-15 Time Warner Entertainment Company Lp Registration of separations
US7254275B2 (en) * 2002-12-17 2007-08-07 Symbol Technologies, Inc. Method and system for image compression using image symmetry
US7787667B2 (en) * 2003-10-01 2010-08-31 Authentec, Inc. Spot-based finger biometric processing method and associated sensor
KR100745980B1 (ko) * 2006-01-11 2007-08-06 삼성전자주식회사 분류기 통합을 위한 스코어 합성 방법 및 장치
KR100797897B1 (ko) * 2006-11-27 2008-01-24 연세대학교 산학협력단 생체정보 최적화 변환 함수를 이용한 인증시스템
US8520979B2 (en) * 2008-08-19 2013-08-27 Digimarc Corporation Methods and systems for content processing
US8934545B2 (en) * 2009-02-13 2015-01-13 Yahoo! Inc. Extraction of video fingerprints and identification of multimedia using video fingerprinting
US8863096B1 (en) * 2011-01-06 2014-10-14 École Polytechnique Fédérale De Lausanne (Epfl) Parallel symbolic execution on cluster of commodity hardware
US8831350B2 (en) * 2011-08-29 2014-09-09 Dst Technologies, Inc. Generation of document fingerprints for identification of electronic document types
CN102646190B (zh) * 2012-03-19 2018-05-08 深圳市腾讯计算机系统有限公司 一种基于生物特征的认证方法、装置及系统
RU2486590C1 (ru) * 2012-04-06 2013-06-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Юго-Западный государственный университет" (ЮЗ ГУ) Способ и устройство инвариантной идентификации отпечатков пальцев по ключевым точкам
CN102750528B (zh) * 2012-06-27 2015-06-03 西安理工大学 一种基于手掌特征提取身份识别方法
US9401153B2 (en) * 2012-10-15 2016-07-26 Digimarc Corporation Multi-mode audio recognition and auxiliary data encoding and decoding
US9305559B2 (en) * 2012-10-15 2016-04-05 Digimarc Corporation Audio watermark encoding with reversing polarity and pairwise embedding
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
US9232242B2 (en) * 2012-12-11 2016-01-05 Cbs Interactive, Inc. Techniques to broadcast a network television program
CN103324944B (zh) * 2013-06-26 2016-11-16 电子科技大学 一种基于svm和稀疏表示的假指纹检测方法
KR20150039908A (ko) * 2013-10-04 2015-04-14 노두섭 영상 인식 장치 및 방법
KR101791518B1 (ko) * 2014-01-23 2017-10-30 삼성전자주식회사 사용자 인증 방법 및 장치
CA2882968C (en) * 2015-02-23 2023-04-25 Sulfur Heron Cognitive Systems Inc. Facilitating generation of autonomous control information
KR102396514B1 (ko) * 2015-04-29 2022-05-11 삼성전자주식회사 지문 정보 처리 방법 및 이를 지원하는 전자 장치
CN104899579A (zh) * 2015-06-29 2015-09-09 小米科技有限责任公司 人脸识别方法和装置
US10339178B2 (en) * 2015-06-30 2019-07-02 Samsung Electronics Co., Ltd. Fingerprint recognition method and apparatus
FR3041423B1 (fr) * 2015-09-22 2019-10-04 Idemia Identity And Security Procede d'extraction de caracteristiques morphologiques d'un echantillon de materiel biologique
KR20170055811A (ko) * 2015-11-12 2017-05-22 삼성전자주식회사 디스플레이를 구비한 전자 장치 및 전자 장치에서 디스플레이의 동작을 제어하기 위한 방법
CN105354560A (zh) * 2015-11-25 2016-02-24 小米科技有限责任公司 指纹识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10177650A (ja) * 1996-12-16 1998-06-30 Nec Corp 画像特徴抽出装置，画像特徴解析装置，および画像照合システム
JP2008521109A (ja) * 2004-11-16 2008-06-19 インターナショナル・ビジネス・マシーンズ・コーポレーション バイオメトリクスを表現するための装置、方法、プログラム記憶装置、およびコンピュータ・プログラム（指紋バイオメトリック・マシン）
JP2006330873A (ja) * 2005-05-24 2006-12-07 Japan Science & Technology Agency 指紋照合装置、方法およびプログラム
JP2010039778A (ja) * 2008-08-05 2010-02-18 Hitachi Computer Peripherals Co Ltd 次元削減方法、パターン認識用辞書生成装置、及びパターン認識装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RUXIN WANG ET AL.: ""Fingerprint Classification Based on Depth Neural Network"", ARXIV.ORG, JPN7017004163, 18 September 2014 (2014-09-18), US, pages 1 - 14, ISSN: 0003703652 *
YASI WANG ET AL.: ""Dimensionality Reduction Strategy Based on Auto-encoder"", PROCEEDINGS OF THE 7TH INTERNATIONAL CONFERENCE ON INTERNET MULTIMEDIA COMPUTING AND SERVICE, JPN7017004164, 19 August 2015 (2015-08-19), US, pages 1 - 4, XP058074290, ISSN: 0003773009, DOI: 10.1145/2808492.2808555 *
山田 道夫、外２名: ""指紋画像ファイルのための特徴点抽出による高能率圧縮符号化方式"", 電子情報通信学会論文誌, vol. 76, no. 3, JPN6017048283, 25 March 1993 (1993-03-25), JP, pages 547 - 556, ISSN: 0003703650 *
橋本 和真、外３名: ""半教師有り再帰的オートエンコーダの生体医学分野のテキストへの適用"", 言語処理学会第１９回年次大会 発表論文集, JPN6017048284, 4 March 2013 (2013-03-04), JP, pages 838 - 841, ISSN: 0003703651 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019536127A (ja) * 2016-10-19 2019-12-12 ポリテクニコ ディ トリノ ユーザ機器を認証する装置及び方法
JP7024788B2 (ja) 2016-10-19 2022-02-24 ポリテクニコ ディ トリノ ユーザ機器を認証する装置及び方法
KR20200093631A (ko) * 2018-04-19 2020-08-05 선전 센스타임 테크놀로지 컴퍼니 리미티드 이미지 검색 방법 및 장치
US11328171B2 (en) 2018-04-19 2022-05-10 Shenzhen Sensetime Technology Co., Ltd. Image retrieval method and apparatus
KR102460065B1 (ko) * 2018-04-19 2022-10-27 선전 센스타임 테크놀로지 컴퍼니 리미티드 이미지 검색 방법 및 장치

Also Published As

Publication number Publication date
CN105335713A (zh) 2016-02-17
WO2017071083A1 (zh) 2017-05-04
US9904840B2 (en) 2018-02-27
MX361142B (es) 2018-11-27
US20170124379A1 (en) 2017-05-04
KR101992522B1 (ko) 2019-06-24
KR20180063774A (ko) 2018-06-12
EP3163508A1 (en) 2017-05-03
RU2642369C2 (ru) 2018-01-24
MX2016005225A (es) 2017-08-31

Similar Documents

Publication Publication Date Title
JP2018500707A (ja) 指紋認証方法及びその装置、プログラム及び記録媒体
JP7110413B2 (ja) データ更新方法及び装置、電子機器並びに記憶媒体
TWI717146B (zh) 圖像處理方法及裝置、電子設備和儲存介質
CN109446994B (zh) 手势关键点检测方法、装置、电子设备及存储介质
CN104484200B (zh) 对固件进行升级的方法及装置
TW202105246A (zh) 人臉識別方法、電子設備和儲存介質
EP2978265B1 (en) Method and apparatus for automatically connecting to a wireless network
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
EP3176709A1 (en) Video categorization method and apparatus, computer program and recording medium
US10122916B2 (en) Object monitoring method and device
CN105302315A (zh) 图片处理方法及装置
CN111242303B (zh) 网络训练方法及装置、图像处理方法及装置
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
US10824891B2 (en) Recognizing biological feature
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN105653032A (zh) 显示调整方法及装置
US20150229756A1 (en) Device and method for authenticating a user of a voice user interface and selectively managing incoming communications
CN110717399A (zh) 人脸识别方法和电子终端设备
US20160350584A1 (en) Method and apparatus for providing contact card
CN110135349A (zh) 识别方法、装置、设备及存储介质
CN115132224A (zh) 异常声音处理方法、装置、终端及存储介质
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN105392056B (zh) 电视情景模式的确定方法及装置
US20160050398A1 (en) Method and apparatus for adjusting video quality based on network environment
CN111860552B (zh) 基于核自编码器的模型训练方法、装置及存储介质

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20171219

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180314

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180404