JP2022098475A - 指紋のシグネチャを抽出するための方法及び同方法を実施するためのデバイス - Google Patents

Abstract

【課題】 指紋のシグネチャを抽出するための方法及び同方法を実施するためのデバイスを提供する。
【解決手段】 ソース画像に示される指紋のシグネチャを抽出するための方法が説明される。この目的のため、ソース画像は、周波数領域に変換される（Ｓ１００）。次に、１つ又は複数の隆線周波数は、畳み込みニューラルネットワークを上記変換済みの画像に適用することによって決定され（Ｓ１０２）、ｎは、１以上の整数である。ソース画像は、上記ｎ個の隆線周波数の決定に応答して正規化される（Ｓ１０４）。最後に、上記指紋の１つ又は複数のシグネチャは、上記ｎ個の正規化済みの画像から抽出される（Ｓ１０６）。
【選択図】 図２

Description

技術分野
少なくとも１つの実施形態は、ソース画像によって表される指紋のシグネチャを抽出するための方法に関する。

先行技術
指紋は、人物を識別するために何世紀にもわたって使用されてきた。具体的には、指紋は、通常、事件現場で人物を識別するために使用される。これらの潜在指紋（「latent fingerprints」又は「latents」）は、無意識に残された指紋を指す。一般に、潜在指紋は、事件現場で見つかった人の指が触れるか又はつかんだ物体の表面から回収された部分的な指紋である。指紋の認証により、以前に指紋が指紋データベースに入力されている容疑者と潜在指紋とを結び付けること又は様々な事件現場から得られた潜在指紋とのつながりを確立することが可能になる。

一定の画質を保証する接触センサなどの専用電子装置によって捕捉される指紋とは異なり、潜在指紋は、一般に、それらの可視性を改善するために様々な化学及び物理開発技法を使用して得られる。これらの開発技法により、指紋の特性は改善されるが、潜在指紋は、一般に、この専用電子装置によって得られるものと比べて、非常に質が悪い。具体的には、得られる情報は部分的であり得る。その上、潜在指紋の背景において、色やテクスチャが組み合わさることで、潜在指紋が隠れる場合がある。

しかし、指紋認証システムの性能は、収集された指紋画像の質に大きく依存する。このため、その画質が一般的に低い潜在指紋において問題が生じる。この理由は、自動整合システムのアルゴリズムによるそのような潜在指紋の構造（特徴点や隆線など）の検出が難しいためである。

先行技術のこれらの様々な欠点を克服することが望ましい。具体的には、これらの指紋画像が潜在指紋である場合に、効率的な指紋のシグネチャを抽出するための方法を提案することが望ましい。

発明の開示
一実施形態によれば、ソース画像に示される指紋のシグネチャを抽出するための方法が説明される。シグネチャを抽出するための方法は、
－ 上記ソース画像を周波数領域に変換することと、
－ 畳み込みニューラルネットワークを上記変換済みの画像に適用することによって、上記ソース画像のｎ個の隆線周波数を決定することであって、ｎが、１以上の整数である、決定することと、
－ 上記ｎ個の隆線周波数の各々の決定に応答して、上記ソース画像を正規化することと、
－ 上記ｎ個の正規化済みの画像から上記指紋のｎ個のシグネチャを抽出することと
を含む。

説明される方法は、有利には、ソース画像が劣質のものである場合でさえ、指紋のシグネチャを抽出できるようにする。この理由は、適用可能な場合は、畳み込みニューラルネットワークの使用により、多数の隆線周波数の決定が可能になり、それにより、正しい隆線周波数を決定する確率が高まるためである。ニューラルネットワークを変換済みの画像に適用することにより、方法の性能が向上する。

特定の実施形態では、上記ソース画像を周波数領域に変換することは、フーリエ変換を適用することを含む。

特定の実施形態では、畳み込みニューラルネットワークを上記変換済みの画像に適用することによって、上記ソース画像のｎ個の隆線周波数を決定することは、
－ Ｎ個の隆線周波数のセットの各隆線周波数に対して、上記ソース画像がその隆線周波数として上記隆線周波数を有する確率を決定することであって、Ｎが、ｎ以上の整数である、決定することと、
－ ｎ個の最高確率と関連付けられたｎ個の隆線周波数を選択することと
を含む。

特定の実施形態では、畳み込みニューラルネットワークは、Ｕ－Ｎｅｔタイプのものである。

特定の実施形態では、上記ｎ個の正規化済みの画像から上記指紋のｎ個のシグネチャを抽出することは、上記指紋に属する特徴点の特性を抽出することを含む。

特定の実施形態では、上記特徴点の特性は、上記特徴点の位置及び／又は向きを含む。

特定の実施形態では、方法は、上記ｎ個の抽出シグネチャを個人と関連付けられた参照指紋の少なくとも１つの抽出シグネチャと比較することと、上記ｎ個の抽出シグネチャの少なくとも１つが上記参照指紋の上記少なくとも１つの抽出シグネチャと同様である場合は、ソース画像に示される上記指紋が上記個人に属するという事実を識別することとをさらに含む。

特定の実施形態では、上記畳み込みニューラルネットワークのパラメータは、隆線周波数が既知である参照指紋のデータベースから学習されたものである。

ソース画像に示される指紋のシグネチャを抽出するためのデバイスが説明される。デバイスは、
－ 上記ソース画像を周波数領域に変換するための手段と、
－ 畳み込みニューラルネットワークを上記変換済みの画像に適用することによって、上記ソース画像のｎ個の隆線周波数を決定するための手段であって、ｎが、１以上の整数である、手段と、
－ 上記ｎ個の隆線周波数の各々の決定に応答して、上記ソース画像を正規化するための手段と、
－ 上記ｎ個の正規化済みの画像から上記指紋のｎ個のシグネチャを抽出するための手段と
を含む。

コンピュータプログラム製品が説明される。コンピュータプログラム製品は、上記プログラムがプロセッサによって実行されると、先行する実施形態のうちの１つに従ってシグネチャを抽出するための方法を上記プロセッサによって実施するための命令を含む。

記憶媒体が説明される。記憶媒体は、命令がプロセッサによって実行されると、先行する実施形態のうちの１つに従ってシグネチャを抽出するための方法を上記プロセッサによって実施するための上記命令を格納する。

図面の簡単な説明
上記で言及される本発明の特徴及び他の特徴は、例示的な実施形態の以下の説明を読み進めることによって、より明確に明らかになるであろう。同説明は、添付の図面に関連して行われる。

特定の実施形態による、指紋のシグネチャを抽出するための方法を実施することができるシステムのアーキテクチャを示す。 特定の実施形態による、指紋（例えば、潜在指紋）のシグネチャを抽出するための方法を概略的に示す。 特定の実施形態による、畳み込みニューラルネットワークアーキテクチャを示す。 指紋の特徴点の様々なタイプを示す。 特定の実施形態による、シグネチャ抽出デバイス１００のハードウェアアーキテクチャの例を概略的に示す。

実施形態の詳細な開示
事件現場で人物を識別するため、潜在指紋の画像とデータベースに格納された参照指紋の画像とを比較することが必要であり得る。この目的のため、各指紋画像から特性が抽出され、上記指紋のシグネチャが生成される。シグネチャは、文献では、「テンプレート」とも呼ばれる。次に、識別予定の潜在指紋と関連付けられたシグネチャと参照指紋のすべてのシグネチャとの比較が２つ一組で行われる。各参照指紋に対して、スコアが得られ、スコアは、閾値と比較される。スコアが事前に定義された閾値を上回る場合は、潜在指紋は、データベースにおいて参照指紋と関連付けられた個人に属するものとして識別される。そうでなければ、潜在指紋と参照指紋は一致せず、従って、潜在指紋は認証されない。すなわち、それは、例えば、問題の場所の普段の居住者のうちの１人によって残されたトレースであるということである。

潜在指紋の画像は並質のものであるため、その質を高めるためにシグネチャが抽出される前にこれらの画像を前処理することが知られている。使用される通常の変換のいくつかは、色の管理、コントラストの調整、縁の改善、背景の削除及びノイズのフィルタリング、並びに、画像の標準化を含む。潜在指紋画像の標準化は、上記潜在指紋とデータベースに格納された他の任意の参照指紋とを比較できるようにするための、上記潜在指紋のスケーリングからなる。標準化は、隆線周波数を使用して実施される。この隆線周波数の推定は、専用電子装置によって捕捉された良質の指紋においては容易であるが、潜在指紋の画像においてはそれほど容易ではない。この目的のため、図２を参照して、隆線周波数の特定の推定を使用したシグネチャ抽出方法が説明される。以下で説明される実施形態は、潜在指紋の画像と専用電子装置によって捕捉された指紋の画像の両方に当てはまる。

図１は、図２を参照して以下で説明される、指紋のシグネチャを抽出するための方法を実施することができるシステムのアーキテクチャを示す。システム１は、インターネットを通じてサーバ１２に接続されたクライアント１０を含む。サーバ１２は、例えば、参照指紋のシグネチャを格納するデータベースを含む。変形形態では、データベースは、サーバ１２の外部のものである。例えば、データベースは、正しい指紋の少なくとも１つの画像及びその指紋が属する個人の識別を参照指紋の各シグネチャと関連付ける。各シグネチャは、１つ又は複数の指紋を指し、それら自体は、個人を指す。サーバ１２は、図３を参照して説明されるように訓練済みのニューラルネットワークをメモリに格納する。ニューラルネットワークの訓練は、例えば、サーバ１２によって実行される。変形実施形態では、訓練済みのニューラルネットワークは、クライアントデバイス１０に送信され、クライアントデバイス１０のメモリに格納される。クライアントデバイス１０は、図２を参照して説明されるように、指紋のシグネチャを抽出するための方法を実施する。

変形実施形態では、デバイス１０及び１２は、機器の単一のアイテム内に統合される。

図２は、特定の実施形態による、指紋（例えば、潜在指紋）のシグネチャを抽出するための方法を概略的に示す。指紋のシグネチャを抽出することは、「コード化」という用語によっても知られている。

ステップＳ１００では、例えば、フーリエ変換によって、指紋のソース画像が周波数領域に変換される。フーリエ変換は、例えば、高速フーリエ変換ＦＦＴである。他の変換は、それらが空間領域から周波数領域に画像を変換することを条件に、使用することができる。従って、変形実施形態では、ウェーブレット変換が使用される。

ステップＳ１０２では、図３を参照して説明されるニューラルネットワークなど、訓練済みの（すなわち、その重みが既知である）ＣＮＮタイプ（「畳み込みニューラルネットワーク（Convolutional Neural Network）」の頭字語）のニューラルネットワークに変換済みの画像が導入される。ニューラルネットワークのパラメータは、例えば、ニューラルネットワークの出力データ（この事例では、隆線周波数）が既知である指紋データベースにおいて学習されているものである。ニューラルネットワークは、ステップＳ１００で使用されたものと同じ変換を使用して変換された指紋の画像を使用して訓練されていることになる。

訓練済みのＣＮＮニューラルネットワークを変換済みの画像に適用することにより、Ｎ個の隆線周波数ｆｉのセットに対して（Ｎは、真に正の整数であり、ｉは、上記隆線周波数を識別するインデックスである）、指紋画像が周波数ｆｉと等しい隆線周波数を有する確率ｐｉ（例えば、周波数が５ピクセル、６ピクセル、…、２１ピクセル、…、４０ピクセルの周期に対応する確率）が得られるようになる。例えば、Ｎ＝３６である。

特定の実施形態では、「完全畳み込みネットワーク」と呼ばれるＵ－Ｎｅｔタイプのネットワークが適用される。Ｕ－Ｎｅｔネットワークは、収縮部分と膨張経路とで構成され、Ｕ字形のアーキテクチャを与える。収縮部分は、畳み込みの適用の繰り返しからなる典型的な畳み込みネットワークであり、各畳み込みの後に、正規化線形ユニット（ＲｅＬＵ）及び最大プーリング演算が続く。収縮の間、空間情報は低減し、特性についての情報は増加する。膨張経路は、収縮経路から得られる高分解能機能性を用いて、昇順での一連の畳み込み及び連結を通じて、地理特性情報と空間特性情報を組み合わせる。

ステップＳ１０４では、ｎ個の最高確率と関連付けられたｎ個の隆線周波数の各々を使用して（ｎは、Ｎ以下の真に正の整数である）、指紋画像が正規化される。従って、ｎ個の正規化済みの画像Ｉｉ（ｉ∈［１；ｎ］）が得られる（すなわち、１つの隆線周波数あたり１つの正規化済みの画像）。

上記隆線周波数の逆数に等しい周期Ｐｉは、ｎ個の最高確率と関連付けられたｎ個の隆線周波数の各々に対応する。従って、このステップＳ１０４は、隆線間の周期が同じであるように、すべての画像を標準化できるようにし、それは、参照周期Ｐｒｅｆと呼ばれる。例えば、Ｐｒｅｆ＝１０ピクセルである。

従って、ソース画像は、修正後のその隆線周期が参照周期Ｐｒｅｆと等しくなるように正規化される。Ｗ及びＨがそれぞれ、ピクセル数を単位とするソース画像の幅及び高さである場合は、ｎ個の周期Ｐｉの各々に対して、正規化済みの画像Ｉｉの寸法がＷ^*Ｐｒｅｆ／Ｐｉ及びＨ^*Ｐｒｅｆ／Ｐｉと等しくなるようにリサンプリングすることによって、ソース画像が正規化される。例えば、Ｐ１＝５、Ｐ２＝１０、Ｐ３＝１５ピクセルと等しいニューラルネットワークによって３つの隆線周波数延いては３つの異なる周期が得られる場合は、ソース画像から３つの正規化済みの画像が得られる。第１の正規化済みの画像Ｉ１は、正規化済みの画像の寸法が２^*Ｗ及び２^*Ｈと等しくなるようにソース画像をリサンプリングすることによって、周期Ｐ１を考慮することによって得られる。第２の正規化済みの画像Ｉ２は、周期Ｐ２がＰｒｅｆと等しいため、ソース画像自体として得られる。第３の正規化済みの画像Ｉ３は、正規化済みの画像の寸法が１０／１５^*Ｗ及び１０／１５^*Ｈと等しくなるようにソース画像をリサンプリングすることによって、周期Ｐ３を考慮することによって得られる。画像のリサンプリングは、画像処理の分野では周知の方法である。画像のリサンプリングは、一般に、補間フィルタを使用するピクセルの補間（例えば、三次補間、二次補間、最近隣補間、双線形補間など）を含む。説明される実施形態は、これらのリサンプリング方法のみに限定されない。画像の寸法の増大又は縮小を可能にするいかなるリサンプリング方法も使用することができる。

特定の実施形態では、ｎ＝１（すなわち、最高確率と関連付けられた１つの周波数のみ）が考慮される。この事例では、単一の正規化済みの画像Ｉ１が得られる。しかし、ニューラルネットワークによる隆線周波数の予測は不完全であるため、ネットワークから出現した確率ベクトルが高くマーク付けされたピークを呈さない場合は、正しい周波数が実際に抽出されることを保証するために、ｎ個の最高確率と関連付けられたｎ個の周波数に対応するｎ個の主要なピーク（ｎ≧２）（例えば、最高確率と関連付けられた３つの周波数（すなわち、ｎ＝３））が考慮される。

ステップＳ１０６では、ｎ個の正規化済みの画像の各々から、指紋からのシグネチャの抽出が行われる。より正確には、シグネチャを生成するために、上記指紋から特性が抽出される。このシグネチャは、後続の識別のために指紋の有用な情報をコード化したものである。従って、ｎ個のシグネチャＳｉ（ｉ∈［１；ｎ］）が得られる（この事例では、１つの標準画像Ｉｉあたり１つ）。特定の実施形態では、抽出される特性は、図４に示される特定のポイントの場所（特徴点と呼ばれる）であり、分岐点（ａ）、線の終端点（ｂ）、島状（ｃ）又は湖状（ｄ）に相当する。より一般的には、特徴点は、隆起線の連続性が変化する所に位置するポイントである。図４に示されない他のタイプの特徴点が存在する。従って、指紋のシグネチャは、一定数の特徴点で構成され、各特徴点は、パラメータ（例えば、座標、向きなど）のセットを表す。例えば、１５～２０個の特徴点が正しく位置することで、数百万の例の中で指紋を識別することが可能である。変形実施形態では、指紋のシグネチャを得るために、特徴点に加えて、他の情報（例えば、指紋の一般的なパターンなど）又はより複雑な情報（隆線の形など）が使用される。

シグネチャの抽出は、一般に、有用な情報の大部分を引き出すための画像のフィルタリング（例えば、コントラストの増加、ノイズの低減）や、特徴点が抽出される白黒画像を得るためのフィルタリング済みの画像のスケルトン化を含む。抽出された特徴点の中で、最も信頼できるもの（例えば、約１５個）のみが保持される。

これらのｎ個のシグネチャは、有利には、問題の指紋が、データベースに指紋が格納されている人物に属するかどうかを判断するために使用することができる。この目的のため、問題の指紋と関連付けられたｎ個のシグネチャＳｉとデータベースの指紋のＭ個の抽出シグネチャ（Ｍは、正の整数である）との比較が２つ一組で行われる。抽出された上記ｎ個のシグネチャＳｉの少なくとも１つが、データベースに格納された参照指紋の抽出シグネチャと同様である場合は、問題の指紋は、データベースにおいてこの参照指紋と関連付けられた個人に属するものとして識別される。

指紋のシグネチャは従来方式では特徴点を定義する点群であるため、２つのシグネチャ間の比較は、本質的には、２つの点群間の比較である。比較スコアは、これらの２つの点群がどのポイントで重なり合うかを推定するマークである。２つの点群が重なり合う場合は、スコアは高くなり、そうでなければ、スコアは低くなる。スコアが高い場合は、シグネチャは同様であり、そこから、指紋が同じ個人に属すると結論付けることができる。この目的のため、指紋シグネチャを比較するためのいかなる方法も使用することができる。

従って、特定の実施形態では、２つ一組でのｎ×Ｍ比較が実行される。各比較に対して、スコアが計算される。得られた最大スコアは保持される。この最大スコアが事前に定義された閾値より高い場合は、その計算のために使用されたシグネチャは同様である。従って、問題の指紋は、データベースにおいて参照指紋と関連付けられた個人に属するものとして識別され、そのシグネチャは、この最大スコアを計算するために使用されたものである。そうでなければ、問題の指紋は、データベースのどの参照指紋とも一致せず、従って、認証されない。

図３は、特定の実施形態による、畳み込みニューラルネットワークアーキテクチャを示す。畳み込みニューラルネットワークアーキテクチャは、処理層のスタックによって形成され、
－ 少なくとも１つの畳み込み層ＣＯＮＶ１及びＣＯＮＶ２
－ 少なくとも１つの補正層ＲｅＬＵ
－ 中間画像のサイズを低減することによって（サブサンプリングによる場合が多い）情報を圧縮できるようにする少なくとも１つのプーリング層ＰＯＯＬ
－ 少なくとも１つのいわゆる「完全に接続された」線形結合層ＦＣ
を含む。

畳み込み層は、畳み込みカーネルによる１つの畳み込み又は相次ぐ多数の畳み込みを含む。畳み込みカーネルによる入力データの各畳み込みの出力側では、上記入力データを表す特性セットが得られる。得られる特性は、事前に定義されたものではなく、訓練段階の間にニューラルネットワークによって学習されたものである。訓練段階の間、畳み込みカーネルは、所定の問題に対する関連特性を抽出するために「学習する」ように発展する。

補正層は、各畳み込みの出力側で得られたデータに対していわゆる活性化数学関数を実行する。例えば、ｆ（ｘ）＝ｍａｘ（０，ｘ）によって定義されるＲｅＬＵ（「正規化線形ユニット（Rectified Linear Unit）」の頭字語）補正が使用される。この関数は、「非飽和活性化関数」とも呼ばれ、畳み込み層の受信フィールドに影響を及ぼすことなく、決定関数及びネットワーク全体の非線形プロパティを増加する。他の関数（例えば、双曲線正接関数）も適用することができる。

プーリング層は、２つの畳み込みの間の中間層である。各プーリング段階の目的は、入力として受信するデータの重要な特性を維持しながら、これらの入力データのサイズを低減することである。プーリング段階は、畳み込みニューラルネットワークにおける計算の数を低減できるようにする。具体的には、最もよく使用されるプーリングタイプは、最大及び平均であり、表面の最大値及び平均値がそれぞれ考慮される。

線形結合層は、畳み込みであるか否かにかかわらず、常に、ニューラルネットワークの最終段階を構成する。この段階は、入力としてベクトルを受信し（入力ベクトルと呼ばれる）、出力として新しいベクトルを生成する（出力ベクトルと呼ばれる）。この目的のため、線形結合層は、線形結合を入力ベクトルの成分に適用する。線形結合段階は、事前に定義されたクラスの数Ｎに従ってニューラルネットワークの入力データを分類できるようにする。本事例では、各クラスは、隆線周波数値に対応する。従って、サイズＮの出力ベクトルが返される。出力ベクトルの各成分は、隆線周波数と関連付けられ、ニューラルネットワークの入力側の指紋画像が上記隆線周波数を有する確率を表す。

畳み込みニューラルネットワークアーキテクチャの最も一般的な形態は、少数のＣｏｎｖ－ＲｅＬＵ層に続いてプール層を積層し、十分に小さなサイズの空間に入力が低減されるまでこのスキームを繰り返したものである。

入力ベクトルの各成分は、異なる方法で出力ベクトルに寄与し得る。これを行うため、線形結合が適用される際には、この成分が表す特性に与えることが望まれる重要性に従って、異なる重みが各成分に適用される。線形結合段階の線形結合の後には、一般に、出力ベクトルを確率分布に変換する層が続く。畳み込みニューラルネットワークは、畳み込みカーネルを変更するために学習するのと同じ方法で、線形結合段階の重みの値を学習する。線形結合段階の重み及び畳み込みカーネルの特性は、畳み込みニューラルネットワークのパラメータを構成すると言われている。

ステップＳ１０２で使用されるニューラルネットワークのパラメータは、ステップＳ１００で使用されたものと同一の変換によって周波数領域に変換された指紋の画像及び既知の隆線周波数から学習によって得られたものである。従って、ニューラルネットワークの入力画像及び期待出力が分かっていることで、ニューラルネットワークのパラメータを決定すること（すなわち、学習すること）が可能である。この学習は、費用関数を使用することによって従来方式で行われる。すなわち、費用関数を最小化しながら、必要な出力（すなわち、既知の隆線周波数）を得られるようにするニューラルネットワークのパラメータを決定するということである。従って、学習の間、ニューラルネットワークは、周波数領域に変換された指紋の画像を入力として受信し、隆線周波数確率ベクトルを出力として得る。指紋の隆線周波数に対応するその成分は１であり、その他の成分はすべて０である。従って、学習は、ネットワークができる限りロバストであるように、考えられるすべての隆線周波数のできる限り多くの指紋画像を与えることからなる。

ニューラルネットワークが正しく訓練されていることをチェックするのが普通である。これを行うため、ニューラルネットワークの訓練に対する目的は果たさなかったが、その隆線周波数が既知である指紋画像（検証画像と呼ばれる）が使用される。従って、ニューラルネットワークがこれらの検証画像に対する正しい隆線周波数を供給しているかがチェックされる。一般に、誤り率が高過ぎる場合は、ニューラルネットワークはもう一度訓練される。

図５は、特定の実施形態による、シグネチャ抽出デバイス１００のハードウェアアーキテクチャの例を概略的に示す。一実施形態では、シグネチャ抽出デバイスは、クライアントデバイス１０に含まれる。

図５に示されるハードウェアアーキテクチャの例によれば、シグネチャ抽出デバイス１００は、通信バス１０００によって接続された、プロセッサ又はＣＰＵ（中央処理装置）１００１と、ランダムアクセスメモリＲＡＭ １００２と、読み取り専用メモリＲＯＭ １００３と、ハードディスクなど又は記憶媒体リーダ（例えば、ＳＤ（セキュアデジタル）カードリーダ）などのストレージユニット１００４と、シグネチャ抽出デバイス１００が情報の送信又は受信を行えるようにするための少なくとも１つの通信インタフェース１００５とを含む。

プロセッサ１００１は、ＲＯＭ １００３から、外部のメモリ（図示せず）から、記憶媒体（ＳＤカードなど）から又は通信ネットワークから、ＲＡＭ １００２にロードされた命令を実行することができる。シグネチャ抽出デバイス１００が始動すると、プロセッサ１００１は、ＲＡＭ １００２から命令を読み取り、それらの命令を実行することができる。これらの命令は、プロセッサ１００１によって図２に関連して説明される方法のすべて又は一部を実施するコンピュータプログラムを形成する。一般に、シグネチャ抽出デバイス１００は、図２に関連して説明される方法のすべて又は一部を実施するように構成された電子回路を含む。

図２及び３に関連して説明される方法は、例えば、ＤＳＰ（デジタル信号プロセッサ）又はマイクロコントローラなどのプログラマブルマシンによって命令セットを実行することによってソフトウェア形態で実施することも、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）などのマシン又は専用コンポーネントによってハードウェア形態で実施することもできる。

１ システム
１０ クライアントデバイス
１２ サーバ
１００ シグネチャ抽出デバイス
１０００ 通信バス
１００１ プロセッサ
１００２ ランダムアクセスメモリ
１００３ 読み取り専用メモリ
１００４ ストレージユニット
１００５ 通信インタフェース

Claims (10)

1. ソース画像に示される指紋のシグネチャを抽出するための方法であって、
   － 前記ソース画像を周波数領域に変換すること（Ｓ１００）と、
   － 訓練済みの畳み込みニューラルネットワークを前記変換済みの画像に適用することであって、前記ニューラルネットワークが、Ｎ個の隆線周波数のセットの各隆線周波数に対して、前記ソース画像がその隆線周波数として前記隆線周波数を有する確率を出力として決定し、Ｎが、正の整数である、適用することと、
   － ｎ個の最高確率と関連付けられたｎ個の隆線周波数を選択することであって、ｎ≧２及びＮ以下である、選択することと、
   － 前記ｎ個の隆線周波数の各々の決定に応答して、前記ソース画像を正規化すること（Ｓ１０４）と、
   － 前記ｎ個の正規化済みの画像から前記指紋のｎ個のシグネチャを抽出すること（Ｓ１０６）と
   を含む、方法。
2. 前記ソース画像を前記周波数領域に変換すること（Ｓ１００）が、フーリエ変換を適用することを含む、請求項１に記載の方法。
3. 前記畳み込みニューラルネットワークが、Ｕ－Ｎｅｔタイプのものである、請求項１又は２に記載の方法。
4. 前記ｎ個の正規化済みの画像から前記指紋のｎ個のシグネチャを抽出すること（Ｓ１０６）が、前記指紋に属する特徴点の特性を抽出することを含む、請求項１～３のいずれか一項に記載の方法。
5. 前記特徴点の特性が、前記特徴点の位置及び／又は向きを含む、請求項４に記載の方法。
6. 前記ｎ個の抽出シグネチャを個人と関連付けられた参照指紋の少なくとも１つの抽出シグネチャと比較することと、前記ｎ個の抽出シグネチャの少なくとも１つが前記参照指紋の前記少なくとも１つの抽出シグネチャと同様である場合は、前記ソース画像に示される前記指紋が前記個人に属するという事実を識別することとをさらに含む、請求項１～５のいずれか一項に記載の方法。
7. 前記畳み込みニューラルネットワークのパラメータが、前記隆線周波数が既知である参照指紋のデータベースから学習されたものである、請求項１～６のいずれか一項に記載の方法。
8. ソース画像に示される指紋のシグネチャを抽出するためのデバイスであって、
   － 前記ソース画像を周波数領域に変換するための手段と、
   － 訓練済みの畳み込みニューラルネットワークを前記変換済みの画像に適用するための手段であって、前記ニューラルネットワークが、Ｎ個の隆線周波数のセットの各隆線周波数に対して、前記ソース画像がその隆線周波数として前記隆線周波数を有する確率を出力として決定し、Ｎが、正の整数である、手段と、
   － ｎ個の最高確率と関連付けられたｎ個の隆線周波数を選択するための手段であって、ｎ≧２及びＮ以下である、手段と、
   － 前記ｎ個の隆線周波数の各々の決定に応答して、前記ソース画像を正規化するための手段と、
   － 前記ｎ個の正規化済みの画像から前記指紋のｎ個のシグネチャを抽出するための手段と
   を含む、デバイス。
9. プログラムがプロセッサによって実行されると、請求項１～７のいずれか一項に記載の方法を前記プロセッサによって実施するための命令を含むことを特徴とするコンピュータプログラム製品。
10. 命令がプロセッサによって実行されると、請求項１～７のいずれか一項に記載の方法を前記プロセッサによって実施するための前記命令を格納することを特徴とする記憶媒体。

Images