JP2815045B2

JP2815045B2 - 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

Info

Publication number: JP2815045B2
Application number: JP8353220A
Authority: JP
Inventors: 俊男亀井
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 1996-12-16
Filing date: 1996-12-16
Publication date: 1998-10-27
Anticipated expiration: 2016-12-16
Also published as: JPH10177650A; AU4836997A; US6243492B1; KR19980064651A; CA2224770A1; GB9726599D0; US6067369A; KR100291255B1; GB2320352B; CA2224770C; GB2320352A

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、指紋や掌紋などの
皮膚紋様等に関する画像の特徴を抽出する画像特徴抽出
装置，当該画像の特徴を解析する画像特徴解析装置，お
よび当該画像の照合を行う画像照合システムに関する。
なお、以下においては、皮膚紋様の画像を対象とした上
記の装置およびシステム（皮膚紋様特徴抽出装置，皮膚
紋様特徴解析装置，皮膚紋様照合システム）で代表させ
て、各種の説明を行う。ただし、所定の特徴量を有する
画像であれば、皮膚紋様の画像に限定されることなく、
本願発明の対象とすることができることは、いうまでも
ない。

【０００２】

【従来の技術】従来の「指紋や掌紋などの皮膚紋様の画
像」を照合する技術としては、特公昭６３−３４５０８
号公報に記載された「指紋照合装置」における指紋の特
徴点に基づく照合方式、いわゆるマニューシャ照合方式
がある。しかし、マニューシャ照合方式には、データ量
が多く処理時間がかかるという問題がある。

【０００３】この問題を解決するために、例えば、内田
らの文献（内田ほか「大規模指紋データベース照合のた
めの照合候補選択」（電子情報通信学会技術報告，ＰＲ
Ｕ９５−２０１（１９９６−０１），１９９６年１月刊
行））に開示された十指カードの照合候補絞り込み方法
等が提案されている。

【０００４】このような文献に記載された技術における
「指紋カード絞り込み」では、マニューシャ照合の前段
階として、指紋の大分類やコアやデルタなどの特異点間
の距離などの指紋の特徴が用いられて、マニューシャ照
合の照合候補を絞り込むための高速な粗照合が行われ
る。当該技術では、各指毎の渦状紋，右流てい状紋，左
流てい状紋，および弓状紋等の指紋紋様の大分類，なら
びに指紋のコアとデルタとの間の距離，コアとデルタと
の間を交差する隆線数が特徴量とされ、さらにそれらの
特徴量の確信度が用いられて、前記の粗照合が行われ
る。このような粗照合で用いられる特徴量は、データ量
でカード当たり高々数百バイトであり、カード当たり数
千バイト必要なマニューシャを用いた照合に比較してデ
ータ量も演算量も少なく、高速な照合が可能となる。こ
のために、内田らの文献の照合候補絞り込み技術は、マ
ニューシャ照合の前段階として照合候補を絞り込むこと
ができ、照合システム全体としてのコストパフォーマン
スを向上させることができる。

【０００５】しかし、コアとデルタとの間の距離やその
間の交差隆線数などの特徴は、デルタが指紋の端にある
ために、回転押捺が十分でない場合にはその特徴を正確
に抽出することが難しいことが少なくない。ここで、回
転押捺とは、指紋を回転させながら指紋の印象を押捺す
ることであり、警察における指紋採取では一般的に行わ
れている。また、弓状紋の紋様の場合には、もともと指
紋印象の中にデルタが存任しないために、弓状紋に対す
る絞り込み性能は良くない。

【０００６】絞り込み性能を向上させるための１つの方
法は、このような粗照合を行うための特徴量に加えて、
あるいは代替可能な良い特徴量を用いることである。こ
のような特徴量の１つとして、指紋の隆線の方向パター
ンがある。方向パターンを粗照合に利用している例とし
ては、笹川らの文献（笹川ほか「低品質画像への対応能
力を高めた個人確認用指紋照合装置」，電子情報通信学
会論文誌，Ｖｏｌ．Ｊ７２−Ｄ−II，Ｎｏ．５，ｐｐ．
７０７−７１４，１９８９））に示されている「指紋照
合装置」がある。

【０００７】しかし、指紋の隆線方向パターンのように
特数量の次元が多いと、高速な照合を行うことが困難で
あり、このような特徴量を用いる場合には次元の削減効
果があり、かつよい特徴量を抽出することが可能な特徴
抽出を行う必要がある。このような手段の１つとして、
主成分分析を用いた手法が良く知られている。例えば、
指紋の隆線方向に適用した例としては、Ｃ．Ｌ．Ｗｉｌ
ｓｏｎらの文献（Ｃ．Ｌ．Ｗｉｌｓｏｎｅｔ．ａ
ｌ．，“ＭａｓｓｉｖｅｌｙＰａｒａｌｌｅｌＮｅｕ
ｒａｌＮｅｔｗｏｒｋＦｉｎｇｅｒｐｒｉｎｔＣ
ｌａｓｓｉｆｉｃａｔｉｏｎＳｙｓｔｅｍ”，ＮＩＳ
ＴＩＲ４８８０，１９９２，Ｊｕｌ．，Ｎａｔｉｏｎ
ａｌＩｎｓｔｉｔｕｔｅｏｆＳｔａｎｄａｒｄｓ
ａｎｄＴｅｃｈｎｏｌｏｇｙ発行））に記載されてい
る方法がある。

【０００８】この文献に記載された方法では、以下のよ
うに処理が行われる。まず、Ｎ個の学習用の指紋画像デ
ータが用意される。次に、局所的な隆線の流れの特徴で
ある隆線方向が特徴ベクトルとされ、その特徴ベクトル
の分布の主成分分析が行われ、固有値の大きい主成分ベ
クトルが予め求められる。この主成分ベクトルが用いら
れて、末学習の画像の特徴ベクトルのＫａｒｈｕｎｅｎ
Ｌｏ

【外１】ｖｅ展開（以下、「ＫＬ展開」と記す）が行われ、上位
次元の特徴が用いられて指紋画像の特徴が抽出される。

【０００９】ここで、Ｃ．Ｌ．Ｗｉｌｓｏｎらの文献に
も記されている「ＫＬ展開を用いた特徴抽出」につい
て、より詳しく説明する。

【００１０】この方法では、まず学習データの特徴ベク
トル

【外２】が用いられて次式で表される分散共分散行列

【外３】が求められる。

【００１１】

【数１】

【００１２】ここで、

【外４】はＭ次元の列ベクトルとし、

【外５】は特徴ベクトル

【外６】の平均ベクトルである。ｔは行列の転置を意味する。ま
た、この分散共分散行列

【外７】の固有値をλ_i（ｉ＝１，…，Ｍ；λ_i＞λ_i+1）と
し、固有値λ_iに対応する固有ベクトルを

【外８】とする。この固有ベクトル

【外９】は主成分ベクトルであり、固有値が大きいものから順に
第１主成分ベクトル，第２主成分ベクトル，…，第Ｍ主
成分ベクトルと一般に呼ばれる。処理対象となる未学習
の画像データの特徴ベクトル

【外１０】に対しては、１つまたは複数の固有値の大きい主成分ベ
クトル

【外１１】によって張る部分空間への

【外１２】の射影成分を用いる。この射影成分として、次式で表さ
れる平均値

【外１３】まわりの射影成分ｖ_iを用いている。

【００１３】

【数２】

【００１４】以上により得られるｖ_iがＫＬ展開により
得られる特徴量である。Ｃ．Ｌ．Ｗｉｌｓｏｎらは、固
有値の大きな主成分ベクトルに対する上記の射影成分ｖ
_iを複数用いて、ｖ_iを要素とする特徴ベクトルを入力
特徴としてニューラルネットワークを用いた指紋分類を
行っている。しかし、彼らは、分類のみにこの特徴を利
用し、照合への応用については述べていない。

【００１５】皮膚紋様画像に適用した例ではないが、こ
のようにＫＬ展開を用いて抽出した特徴量を照合に用い
た例として、顔画像照合に適用した例がＡ．Ｐｅｎｔｌ
ａｎｄらの文献（Ｍ．Ｔｕｒｋ，Ａ．Ｐｅｎｔｌａｎ
ｄ，“ＥｉｇｅｎｆａｃｅｓｆｏｒＲｅｃｏｇｎｉｔ
ｉｏｎ”，ＭＩＴＭｅｄｉａＬａｂＶｉｓｉｏｎ
ａｎｄＭｏｄｅｌｉｎｇＧｒｏｕｐ，Ｔｅｃｈｎ
ｉｃａｌＲｅｐｏｒｔＮｏ．１５４およびＢ．Ｍｏ
ｇｈａｄｄａｍ，Ａ．Ｐｅｎｔｌａｎｄ，“Ｐｒｏｂａ
ｂｉｌｉｓｔｉｃＶｉｓｕａｌＬｅａｒｎｉｎｇ
ｆｏｒＯｂｊｅｃｔＤｅｔｅｃｔｉｏｎ”，Ｐｒｏ
ｃｅｅｄｉｎｇｓｏｆｔｈｅ５ｔｈＩｎｔｅｒ
ｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏ
ｍｐｕｔｅｒＶｉｓｉｏｎ，ｐｐ．７８６−７９３，
１９９５））に示されている。この文献では、顔画像の
各画素を要素とするベクトルを特徴ベクトルと見倣し
て、その特徴ベクトルをＫＬ展開し、得られた特徴ベク
トルを用いて、ユークリッド距離やマハラノビス距離を
用いて顔画像の照合を行う方法が、述べられている。

【００１６】

【発明が解決しようとする課題】前述したように、内田
らの文献に記載された方法では、コアやデルタ間の距離
やその間の交差隆線数などの特徴は、デルタが指紋の端
にあるために、回転押捺が十分でない場合にはその特徴
を正確に抽出することが難しいことが少なくない。ま
た、弓状紋の紋様の場合には、もともと指紋印象の中に
デルタが存在しないために、弓状紋の絞り込み性能は良
くない。

【００１７】さらに、前述のＣ．Ｌ．Ｗｉｌｓｏｎらの
文献には、指紋分類に適用したＫＬ展開による特徴抽出
方法については記述されているものの、この特徴を利用
して前述の内田らの文献に記載された方法のような照合
候補の絞り込み方式などの照合に適用した使用例は示さ
れていない。

【００１８】ＫＬ展開により抽出した特徴量を皮膚紋様
の照合に利用した例はないが、ＫＬ展開を用いた特徴量
に対しては、例えば、前述のＡ．Ｐｅｎｔｌａｎｄらの
示した方法のようにユークリッド距離やマハラノビス距
離などを利用して顔画像と同様に処理することが可能で
ある。しかしながら、指紋などの皮膚紋様画像には非常
に低品質な画像が多く混在し、Ａ．Ｐｅｎｔｌａｎｄら
の方法のように単純に特徴ベクトルのみを利用しても良
い情度は得られない。

【００１９】これは、内田らの方法でも同様に言えるこ
とであるが、出力されている特徴量に対する信頼性の評
価が十分に行なわれていないがためである。内田らの方
法では、特徴量と確信度とを用いてパターン間の距離が
定義されているが、確信度がヒューリスティックに与え
られており、その効果は理論的に裏付けされているもの
ではない。

【００２０】本発明は、このような問題を解決するべく
なされたものであり、その技術的課題は皮膚紋様画像等
の画像を効率良く照合するための照合技術を提供するこ
とにある。すなわち、本発明の目的は、精度が良く高速
な処理を可能ならしめる画像照合システム（皮膚紋様画
像等の画像の照合システム），ならびに画像特徴抽出装
置および画像特徴解析装置を提供することにある。

【００２１】

【課題を解決するための手段】

（１）本発明の構成本発明は、以下に示すような構成（機能を含む）を有し
ている。

【００２２】本発明の第１の画像特徴抽出装置は、画像
（皮膚紋様画像等）から特徴量を抽出する画像特徴抽出
装置において、画像の特徴ベクトルを抽出する特徴ベク
トル抽出手段と、画像の品質指標を抽出する品質指標抽
出手段と、前記特徴ベクトル抽出手段によって抽出され
た特徴ベクトルの誤差分布と前記品質指標抽出手段によ
って抽出された品質指標との間の相対関係を誤差分布情
報として記憶する誤差分布情報記憶手段と、前記品質指
標抽出手段から得られる品質指標を用いて、前記誤差分
布情報記憶手段に記憶される誤差分布情報を参照し、前
記特徴ベクトル抽出手段によって抽出された特徴ベクト
ルに対応する信頼度情報を特徴量に付与する信頼度付与
手段とを少なくとも備え、少なくとも特徴ベクトルと信
頼度情報とを画像の特徴量として抽出する。

【００２３】また、本発明の第２の画像特徴抽出装置
は、画像（皮膚紋様画像等）から特徴量を抽出する画像
特徴抽出装置において、画像の特徴ベクトルを抽出する
特徴ベクトル抽出手段と、前記特徴ベクトル抽出手段に
よって抽出された特徴ベクトルのベクトル展開に必要な
パラメータを記憶するパラメータ記憶手段と、前記パラ
メータ記憶手段に記憶されているパラメータを用いて、
前記特徴ベクトル抽出手段から得られる特徴ベクトルを
ベクトル展開するベクトル展開手段と、画像の品質指標
を抽出する品質指標抽出手段と、前記ベクトル展開手段
によるベクトル展開後の特徴ベクトルの誤差分布と前記
品質指標抽出手段によって抽出された品質指標との間の
相関関係を誤差分布情報として記憶する誤差分布情報記
憶手段と、前記品質指標抽出手段から得られる品質指標
を用いて、前記誤差分布情報記憶手段に記憶される誤差
分布情報を参照し、前記ベクトル展開手段によるベクト
ル展開後の特徴ベクトルに対応する信頼度情報を特徴量
に付与する信頼度付与手段とを少なくとも備え、少なく
とも特徴ベクトルと信頼度情報とを画像の特徴量として
抽出する。

【００２４】本発明の第１の画像特徴解析装置は、上記
の第１の画像特徴抽出装置における誤差分布情報記憶手
段に記憶される誤差分布情報を算出する画像特徴解析装
置であって、複数の画像（皮膚紋様画像等）の特徴ベク
トルを抽出する特徴ベクトル抽出手段と、複数の画像の
品質指標を抽出する品質指標抽出手段と、前記特徴ベク
トル抽出手段によって抽出された特徴ベクトルの誤差分
布と前記品質指標抽出手段によって抽出された品質指標
との間の相関関係を誤差分布情報として算出する誤差分
布情報解析手段とを少なくとも備える。

【００２５】また、本発明の第２の画像特徴解析装置
は、上記の第２の画像特徴抽出装置における誤差分布情
報記憶手段に記憶される誤差分布情報を算出する画像特
徴解析装置であって、複数の画像（皮膚紋様画像等）か
ら特徴ベクトルを抽出する特徴ベクトル抽出手段と、前
記特徴ベクトル抽出手段によって抽出された特徴ベクト
ルの分布を解析し、ベクトル展開に必要なパラメータを
算出するパラメータ算出手段と、前記パラメータ算出手
段によって算出されたパラメータを記憶するパラメータ
記憶手段と、前記パラメータ記憶手段に記憶されるパラ
メータを用いて、前記特徴ベクトル抽出手段から得られ
る特徴ベクトルをベクトル展開するベクトル展開手段
と、複数の画像の品質指標を抽出する品質指標抽出手段
と、前記ベクトル展開手段によるベクトル展開後の特徴
ベクトルの誤差分布と前記品質指標抽出手段によって抽
出された品質指標との間の相関関係を誤差分布情報とし
て算出する誤差分布情報解析手段とを少なくとも備え
る。

【００２６】本発明の画像照合システムは、画像（皮膚
紋様画像等）から特徴量を抽出し、その特徴量を用いて
入力された画像と登録された画像との同一性を判定する
ことにより、画像の照合を行う画像照合システムにおい
て、上記の第１または第２の画像特徴抽出装置から得ら
れる特徴ベクトル，および当該特徴ベクトルに対する信
頼度情報を照合に必要な特徴量として少なくとも用い、
照合対象となる画像間の類似度を算出することによって
画像の同一性の判定を行う。

【００２７】（２）以上の構成等の基礎となる本発明
の考え方を以下に示す。

【００２８】ある２つの特徴ベクトルが与えられたとき
に、その特徴ベクトル間の距離はさまざまな形で定義さ
れる。例えば、「画像解析ハンドブック」（高木ほか監
修，東京大学出版会，１９９１）のｐｐ．６５２−６５
８には、以下のユークリッド距離，重み付きユークリッ
ド距離，およびマハラノビス距離などが紹介されてい
る。例えば、ｎ次元の２つの特徴ベクトルを

【外１４】と

【外１５】とすると、それぞれの距離は以下のように記述できる。
特に、マハラノビス距離は、特徴ベクトルが正規分布に
従うと仮定した場合には、もっとも自然な距離を与える
ことが知られている。

【００２９】

【数３】

【００３０】ここで、ｘ_iおよびｙ_iは、それぞれ、ベ
クトル

【外１６】および

【外１７】の要素である。また、ｗ_iは重み係数である。さらに、

【外１８】は特徴ベクトルの分布の分散共分散行列である。

【００３１】特徴ベクトル

【外１９】および

【外２０】がＫＬ展開された特徴ベクトルである場合には、式
（６）は次式のように書き直すことができる。このこと
は、前述のＡ．Ｐｅｎｔｌａｎｄらの文献にも示されて
いる。

【００３２】

【数４】

【００３３】ここで、λ_iは分散共分散行列

【外２１】の固有値であり、この固有値λ_iは特徴ベクトル全体の
分布またはその中の特徴ベクトルのクラス毎に計算され
る量である。ＫＬ展開を行った特徴に対するマハラノビ
ス距離は、式（７）に示されるように、行列演算を必要
とせず、式（５）と同じ形式の二乗和程度の演算を行え
ば良く、演算量の軽減が可能である。

【００３４】ここで、特徴ベクトルの分布を特徴ベクト
ルの誤差と相関のある特徴量Ｑを基準にクラスＣ（Ｑ）
に分ける場合を考える。「特徴ベクトルの誤差との相関
のある特徴量」をここでは「品質指標」と呼ぶことにす
る。

【００３５】特徴ベクトルを判別するための距離値と品
質指標との関係を説明するために、まずここでは品質指
標Ｑに対応した同じ対象物から得られる異なる特徴ベク
トルについて考える。この特徴ベクトルはもともとの特
徴ベクトルの分布の分散共分散行列を用いてＫＬ展開し
たものとする。展開後の特徴ベクトルのクラスＣ（Ｑ）
毎の各次元ｉの分散値をλ_i（Ｃ（Ｑ））とする。特徴
ベクトルの

【外２２】と

【外２３】とが同じクラスＣ（Ｑ）に属すとするならば、２つの特
徴ベクトル

【外２４】および

【外２５】の間のマハラノビス距離は次式で表される。

【００３６】

【数５】

【００３７】ここで、λ_i（Ｃ（Ｑ））は、同じ対象物
から得られる異なる特徴ベクトルの分布の分散値である
ので、これは特徴ベクトルの誤差分散を意味する。ただ
し、上式でマハラノビス距離と呼ぶためには、厳密には
クラスＣ（Ｑ）の分布として正規分布を仮定し、その分
布の分散共分散行列の固有ベクトルがＫＬ展開に用いた
分散共分散行列の固有ベクトルと等しい必要がある。

【００３８】さて、品質指票Ｑと誤差分散λ_i（Ｃ
（Ｑ））とに対して、図２２に示すように、「品質指標
が良い程、誤差分散が小さい」という相関関係があると
する（図２２ではある次元ｉの相関についてのみ示して
いる）。同じ画像から得られた異なった特徴ベクトルの

【外２６】と

【外２７】との距離を測るときに、特徴ベクトル

【外２８】と特徴ベクトル

【外２９】との品質指標が同じである場合を考える。

【００３９】まず、品質指標が図２２に示す¹Ｑであ
り、それに対応する誤差分散が¹λ_iである場合には、
２つの特徴ベクトルの距離Ｄ₁（

【外３０】，

【外３１】）は次式となる。

【００４０】

【数６】

【００４１】一方、上記と同じ特徴ベクトル

【外３２】および

【外３３】に対する品質指標が²Ｑである場合には、２つの特徴ベ
クトルの距離Ｄ₂（

【外【外３４】，

【外３５】）は次式となる。

【００４２】

【数７】

【００４３】ここで、各次元ｉの誤差分散が¹λ_i＞²
λ_iであるとすれば、これらの２つの距離の大小関係
は、Ｄ₁（

【外３６】，

【外３７】）＜Ｄ₂（

【外３８】，

【外３９】）となる。つまり、ユークリッド距離の意味では同じ距
離差である２つの特徴ベクトル

【外４０】および

【外４１】の間の距離に対して、品質指標が悪い（誤差分散¹λ_i
が大きい）場合には距離差を小さめに見積り、品質指標
が良い場合には距離差を信頼できるものとして大きめに
見積もるというように、品質指標に対して適応的に距離
値を変化させることが可能となる。

【００４４】このように品質指標に応じて適応的に距離
差を変換できるということは重要である。これにより、
例えば、低品質な画像から得られたデータでも、誤った
棄却を少なくすることが効果的に達成される。

【００４５】このように特徴抽出の精度を距離値に対し
て反映させる例として、前述の内田らの方法のように確
信度という値（これは特徴抽出の精度を反映させる量と
してヒューリスティックに決めた値）を用いて距離値を
定義する場合がある。しかし、この例では確信度と特徴
量差との積をとることによって距離値を定義しており、
確信度と特徴量との次元が全く異なっており、例えて言
えば身長に体重の差を乗じて距離値を定義しているよう
なものである。このような方法では、良好な結果を得ら
れる場合はあったとしても、統計的・理論的に精度が良
くなる保証は全くない。

【００４６】一方、上記の説明のように、品質指標（確
信度と言ってもよい）を特徴ベクトルの誤差分散という
形で特徴ベクトルと同じ次元の値に変換することによ
り、特徴ベクトルと同じ次元の値による距離尺度の定義
が可能となる。その１つの形態として、正規分布などの
仮定すべき条件はあるものの統計的に裏付けのあるマハ
ラノビス距離を定義できるのである。このように、統計
的に裏付けのある距離値を定義することによって、良い
判別性能が得られるのである。

【００４７】上記の例では、同じ対象物から得られた異
なる特徴ベクトルに対する距離について説明した。しか
し、これは、同一対象物に対する特徴ベクトルの場合に
は、特徴ベクトルの分布に対して正規分布となるという
仮定を行うことで厳密な意味でのマハラノビス距離とい
う統計的に意味のある距離値を与えることができること
を、説明したかったがためである。上記の品質指標を用
いることの本質的な利点は、図２２に示したような品質
指標と特徴ベクトルの誤差分布との相関関係を距離定義
に反映することであり、厳密な意味でのマハラノビス距
離を定義することではない。

【００４８】上記の品質指標に応じた適応的なマハラノ
ビス距離の定義は、同じ対象物に属する異なる特徴ベク
トルの品質指標毎の特徴ベクトルの誤差分散を求めるこ
とによって算出できる量である。このような量を求める
ことは、対象物の種類が少数であり、かつ同一性を確認
する場合のような特殊な場合の照合では適用可能であ
る。しかし、犯罪捜査で用いられる遺留指紋照合のよう
に未知の対象物の同定を行う場合には、このような距離
の定義では不適当であり、対象物が異なるときの距離も
定義する必要がある。

【００４９】このような場合には、例えば、以下に述べ
るような距離値を定義すればよいであろう。

【００５０】距離定義において最も重要な要素は、品質
指標（あるいは確信度）に対して誤差分散を関連付ける
ことであるので、距離値の定義においては次の〜に
示す条件を仮定する。

【００５１】特徴ベクトルに重畳する誤差は、品質
指標に依存し、特徴ベクトルには依存しない。

【００５２】特徴ベクトルに重畳する誤差の分布
は、正規分布である。

【００５３】２つの特散ベクトルの差に対応する誤
差は、それぞれの特徴ベクトルの誤差から推定してもよ
い。

【００５４】以上の条件をもとに、マハラノビス距離に
類似した距離関数として次式に示す距離関数

【外４２】（

【外４３】，

【外４４】）を定義する。

【００５５】

【数８】

【００５６】ここで、^xλ_iおよび^yλ_iはそれぞれ特
徴ベクトルの要素ｘ_iおよびｙ_iの品質指標に対応した
誤差分布の分散であり、

【外４５】はｘ_i−ｙ_iに重畳する誤差の推定量である。誤差分散
^xλ_iおよび^yλ_iは、それぞれ予め図２２に示したよ
うな相関関係を調べておくことで求めることができる。

【００５７】しかし、通常のマハラノビス距離は固有値
（λ_i）の小さい部分でノイズの影響を大きく受けやす
いために識別性能が劣化するという問題点が指摘されて
いる（例えば、加藤ほか「改良マハラノビス距離を用い
た高精度な手書き文字認識」，電子情報通信学会論文
誌，Ｖｏｌ．Ｊ７９−Ｄ−II，Ｎｏ．１，ｐｐ．４５−
５２，１９９６）。この問題を解決するために、次式を
利用して距離関数を定義してもよい。

【００５８】

【数９】

【００５９】ここで、αは同一のパターンから得られた
特徴ベクトルの差の集合であり、Ｐ（ｄ_i｜α）はその
集合における差の分布、つまり誤差分布である。また、
βは個別の対象物によらずパターン全体から得られる特
徴ベクトルの差の集合であり、Ｐ（ｄ_i｜β）はそのベ
クトル差の分布である。分布関数Ｐ（ｄ_i｜α）および
Ｐ（ｄ_i｜β）として正規分布を仮定すると、まず分布
関数として次式が得られる。

【００６０】

【数１０】

【００６１】ただし、

【外４６】および

【外４７】は、それぞれ分布関数Ｐ（ｄ_i｜α）およびＰ（ｄ_i｜
β）の分散である。この分布関数に基づいて、式（１
３）を展開すると、次式の距離関数が得られる。

【００６２】

【数１１】

【００６３】すなわち、式（１９）の右辺の第１項の平
方根を求めれば、式（１１）で定義したマハラノビス距
離に類似した距離関数を構成することができる。両者の
違いは、式（１９）では特徴ベクトルの各次元毎に重み
係数

【数１２】が付与されている点である。この重み係数は、誤差分布
と全体のパターンの分布とに応じて求められるものであ
る。誤差分布が全体のパターン分布に比較して十分小さ
い場合には、重み係数は大きな値となり、その次元を重
視することを意味する。一方、誤差分布と全体のパター
ン分布とが同程度であるような場合には、重み係数は小
さな値となり、相対的にその次元を無視する効果を得る
ことができ、ノイズの影響を受けやすい固有値λ_iが小
さい特徴量を含んでいても良好な結果が得られる。

【００６４】以上のような考え方に基づいて、上記の
（１）に示す構成が導出される。ただし、以上述べた点
は、主にＫＬ展開を特徴量とした場合における効果であ
る。このような効果を述べた理由は、品質指標に応じて
誤差分布を求め、それを照合に反映させる本発明の有効
性を統計的・理論的に示すことが容易にできるためであ
る。本発明の対象となる特徴量が、必ずしもＫＬ展開を
行った特徴量に限られるものではない。本発明において
最も重要な点は、品質指標に応じて適応的に特徴量の誤
差を測定し、その誤差に基づく信頼性によって画像の照
合を行う枠組を提供する点にある。ＫＬ展開を用いて特
徴量を抽出するのは、その効果的な実現形態の１つに過
ぎない。

【００６５】

【発明の実施の形態】以下に、実施例を挙げ、図面を参
照し、本発明について詳細に説明する。なお、先にも述
べたが、ここでは、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のうちで、皮膚紋様特徴抽
出装置（皮膚紋様画像を処理対象の画像とする画像特徴
抽出装置），皮膚紋様特徴解析装置（皮膚紋様画像を処
理対象の画像とする画像特徴解析装置），および皮膚紋
様照合システム（皮膚紋様画像を処理対象の画像とする
画像照合システム）に特化させて、説明を行う。

【００６６】

【実施例】下記の（１）〜（７）に、皮膚紋様照合シス
テムおよび皮膚紋様特徴解析装置について、いくつかの
実施例を示す。なお、皮膚紋様特徴抽出装置は皮膚紋様
照合システムの構成要素として組み込まれるものである
ので、以下では、皮膚紋様特徴抽出装置の実施例を独立
して挙げることはしない（皮膚紋様照合システムの構成
要素として組み込まれる皮膚紋様特徴抽出装置は「特徴
抽出部」と呼ぶことにする）。

【００６７】（１）本発明の皮膚紋様照合システムの
第１の実施例図１は、本発明の皮膚紋様照合システムの第１の実施例
の基本構成を示すブロック図である。

【００６８】図１に示すように、本実施例の皮膚紋様照
合システムは、皮膚紋様（皮膚紋様画像）からその皮膚
紋様の特徴データを抽出する特徴抽出部１１と、特徴抽
出部１１から抽出される特徴データをデータベース化し
て管理するデータベース部１２と、特徴抽出部１１から
抽出される特徴データを用いて当該特徴データとデータ
ベース部１２に保存される各特徴データとの照合を行う
照合部１３と、全体を制御するための制御部１４（図１
では図面が複雑になるためにその接続関係を省略してい
る）とを含んで構成されている。なお、先に述べたよう
に、特徴抽出部１１が、皮膚紋様特徴抽出装置に該当す
る。

【００６９】特徴抽出部１１は、指紋または掌紋などの
皮膚紋様を画像として入力する画像入力手段１０１と、
画像入力手段１０１から入力された皮膚紋様画像から特
徴ベクトルを抽出する特徴ベクトル抽出手段１０２と、
特徴ベクトル抽出手段１０２で抽出された特徴ベクトル
を主成分ベクトル記憶手段１０４に記憶された主成分ベ
クトルを用いてＫＬ展開して特徴情報を生成するベクト
ル展開手段１０３と、特徴ベクトルの特徴量に対応する
主成分ベクトルを記憶する主成分ベクトル記憶手段１０
４と、特徴ベクトルの特徴量と品質指標との間の相関量
を表す誤差分布情報を記憶する誤差分布情報記憶手段１
０５と、画像入力手段１０１で入力された品質指標を抽
出する品質指標抽出手段１０６と、品質指標抽出手段１
０６で抽出された品質指標と誤差分布情報記憶手段１０
５に記憶された誤差分布情報とを用いてベクトル展開手
段１０３により抽出される特徴量の信頼度を付与する信
頼度付与手段１０７とを備え、ベクトル展開手段１０３
で得られる特徴情報および信頼度付与手段１０７で得ら
れる信頼度情報を皮膚紋様の特徴データとして出力す
る。

【００７０】データベース部１２は、データ記憶手段１
０９に記憶させる特徴データを登録や照会に応じて管理
するデータベース管理手段１０８と、特徴抽出部１１か
ら得られる特徴データを記憶するデータ記憶手段１０９
とを備える。

【００７１】照合部１３は、特徴抽出部１１から得られ
る特徴データとデータベース部１２に保存されている各
データとの類似度を算出する類似度算出手段１１０と、
類似度算出手段１１０の算出結果から一致／不一致の判
定を行う判定手段１１１とを備え、皮膚紋様の照合を行
い照合結果を出力する。

【００７２】図２は、本実施例の皮膚紋様照合システム
の動作を説明するための図である。

【００７３】図３は、品質指標抽出手段１０６の構成の
一例を示すブロック図である。

【００７４】図４は、誤差分布情報記憶手段１０５内の
２次元のテーブルの一例を示す図である。

【００７５】次に、このように構成された本実施例の皮
膚紋様照合システムの動作について説明する。ここで
は、本実施例の皮膚紋様照合システムを用いて指紋照合
を行う場合を例に説明する。

【００７６】第１に、特徴抽出部１１の処理について説
明する。

【００７７】特徴抽出部１１内の画像入力手段１０１
は、スキャナや２次元ＣＣＤ（ＣｈａｒｇｅＣｏｕｐ
ｌｅｄＤｅｖｉｃｅ）カメラなどを用いて、ディジタ
ル二次元画像として指紋紋様を入力する。近年ではネッ
トワークを介して遠隔地に画像を伝送する技術も発達し
ているため、必要があれば遠隔地からの指紋画像を電子
的なネットワークを利用して入力するように構成しても
よい。なお、ここでは５００ＤＰＩ（ＤｏｔＰｅｒ
Ｉｎｃｈ）の解像度で撮像された５１２×５１２画素の
大きさの画像を取り扱うものとして説明する。

【００７８】特徴ベクトル抽出手段１０２は、画像入力
手段１０１から入力された皮膚紋様の画像（ここでは、
指紋画像）から特徴ベクトルを抽出する。特徴ベクトル
として抽出する特徴は、隆線方向や隆線ピッチなどさま
ざまな特徴が考えられるが、ここでは隆線方向特徴に注
目し、特開平８−７０９７号公報に記載された隆線方向
抽出装置を利用して特徴ベクトルを抽出する場合につい
て説明する。

【００７９】ここでの説明では、画像入力手段１０１か
ら入力された指紋画像（ディジタル画像）の水平・垂直
座標をｘ，ｙと表し、画像データをｆ（ｘ，ｙ）（ｘ＝
１，２，…，５１２；ｙ＝１，２，…，５１２）と表す
ことにする。特開平８−７０９７号公報に記載された隆
線方向抽出装置では、画像データｆ（ｘ，ｙ）内に予め
設定された局所領域Ｃ毎にその局所領域Ｃの隆線方向を
抽出することができる。抽出される隆線方向θ（Ｃ）
は、ラジアン単位で０≦θ（Ｃ）＜πの範囲の値であ
る。局所領域Ｃとしては、５１２×５１２画素の画像の
水平・垂直方向それぞれ３２画素おきに設定され、計２
５６（＝１６×１６）個の局所領域Ｃ（Ｃ＝１，２，
…，２５６）が設定される。

【００８０】図２に、隆線方向の抽出例を図示する。図
２では、線分の向きによって隆線方向を表現しており、
その線分の長さによってその信頼度を表現している。隆
線方向を特開平８−７０９７号公報のように０≦θ
（Ｃ）＜πの範囲の角度で表現すると、本来θ＝０とθ
＝πとが同じ隆線方向を意味するものであるにもかかわ
らず、数値としてはθ＝０とθ＝πとで不連続となるの
で、特徴ベクトルとしては不都合である。このため、抽
出された隆線方向θ（Ｃ）を次式に従って演算し、ベク
トル形式の表現に変換する。

【００８１】

【数１３】

【００８２】ここで、ｕ_x（Ｃ）およびｕ_y（Ｃ）は変
換後の隆線方向データを表す。

【００８３】以上のようにして、特徴ベクトル抽出手段
１０２は、全局所領域Ｃのベクトル形式の隆線方向デー
タｕ_x（Ｃ）およびｕ_y（Ｃ）を要素とする５１２次元
のベクトルを特徴ベクトル

【外４８】として出力する。つまり、特徴ベクトル

【外４９】の要素は、次式で表すことができる。

【００８４】

【数１４】

【００８５】ベクトル展開手段１０３は、主成分ベクト
ル記憶手段１０４に記憶された主成分ベクトルに基づい
て、特徴ベクトル抽出手段１０２より抽出された特徴ベ
クトル

【外５０】をＫＬ展開する。主成分ベクトル記憶手段１０４に記憶
される主成分ベクトルとしては、例えば、後述の「皮膚
紋様特徴解析装置の第１の実施例」によって算出された
結果が用いられる。ここでは、Ｌ個の主成分ベクトルが
記憶されているとし、これらをベクトル

【外５１】（ｉ＝１，２，…，Ｌ）と表すことにする。このベクト
ル

【外５２】は、特徴ベクトル

【外５３】と同じ次元数を持つベクトルであり、以下では列ベクト
ルとして表記する。

【００８６】ベクトル展開手段１０３は、特徴ベクトル

【外５４】と主成分ベクトル

【外５５】とを用いて、Ｌ個の各主成分ベクトル毎に次式に従って
演算を行い特徴ベクトル

【外５６】をＫＬ展開する。

【００８７】

【数１５】

【００８８】したがって、ＫＬ展開には、式（２４）で
表されるＬ次元の特徴ベクトル

【外５７】を得ることができる。後述の「皮膚紋様特徴解析装置の
第１の実施例」の説明でも述べるが、次元数Ｌとして
は、数次程度で精度が得られるので、例えば５次元の場
合でも、もともとの隆線方向特徴の次元数５１２次元に
比較してデータ量を約１００分の１程度に減少させるこ
とができる。

【００８９】

【数１６】

【００９０】また、予め複数の画像から採取した特徴ベ
クトル

【外５８】の平均値である平均値ベクトル

【外５９】を求めてある場合には、式（２３）の代わりに前述の式
（３）に従って演算することによって特徴ベクトル

【外６０】を展開しても構わない。

【００９１】次に、品質指標抽出手段１０６は、以下に
示すような処理を行って、品質指標を抽出する。

【００９２】この品質指標は、特徴ベクトル

【外６１】に加わっている誤差と相関があるデータであれば、どの
ようなデータであっても構わない。ここでは、前述の特
開平８−７０９７号公報に示されている隆線方向の抽出
時の信頼度を利用して品質指標を計算する場合を例に説
明する。

【００９３】図３に、隆線方向の信頼度を用いて品質指
標データを計算する場合の品質指標抽出手段１０６の構
成例を示す。この品質指標抽出手段１０６は、画像デー
タ３１を入力として隆線方向の信頼度を抽出する隆線方
向信頼度抽出手段３０１と、主成分ベクトルを記憶する
第２の主成分ベクトル記憶手段３０２と、隆線方向信頼
度抽出手段３０１から得られる信頼度データと第２の主
成分ベクトル記憶手段３０２に記憶される主成分ベクト
ルとを用いて品質指標データ３２を生成するデータ変換
手段３０３とを備える。

【００９４】隆線方向信頼度抽出手段３０１は、特開平
８−７０９７号公報に記載された隆線方向抽出装置によ
って構成される。この隆線方向抽出装置では、前述の各
局所領域Ｃに対する隆線方向θ（Ｃ）と共に、その隆線
方向θ（Ｃ）の抽出の信頼度（以下、これをｑ（Ｃ）と
記す）を算出することができる。したがって、隆線方向
信頼度抽出手段３０１は、この信頼度データを出力する
ことで、隆線方向の信頼度ｑ（Ｃ）を抽出する。なお、
この場合の隆線方向信頼度抽出手段３０１の構成は、特
徴ベクトル抽出手段１０２の構成と重複する部分がある
ので、両者を共通化しても構わない。

【００９５】第２の主成分ベクトル記憶手段３０２は、
主成分ベクトル記憶手段１０４に記憶される前述のＬ個
の主成分ベクトル

【外６２】と同じデータを記憶している。これもまた、特徴抽出部
１１としては構成が重複するので、主成分ベクトル記憶
手段１０４と第２の主成分ベクトル記憶手段３０２とを
共通化しても構わない。

【００９６】データ変換手段３０３は、前述の方向の信
頼度ｑ（Ｃ）と主成分ベクトル

【外６３】とを利用して、次式によって表される値を品質指標Ｑ_i
として算出する。

【００９７】

【数１７】

【００９８】ここで、Ψ_i（Ｃ）は主成分ベクトル

【外６４】の各要素である。画像の品質指標Ｑ_iは、Ｌ個の主成分
ベクトル

【外６５】に各々対応してＬ個計算される。次式のように、Ｌ個の
Ｑ_iを要素とするベクトルを

【外６６】と表す。

【００９９】

【数１８】

【０１００】データ変換手段３０３は、このベクトル量

【外６７】を品質指票データ３２として出力する。

【０１０１】誤差分布情報記憶手段１０５は、予め誤差
分布情報（後述の皮膚紋様特徴解析装置の第１の実施例
等によって算出しておいた誤差分布情報）を記憶してい
る。後述の特徴解析装置の第１の実施例は、特徴ベクト
ル

【外６８】の各要素ｖ_iに対応するベクトル

【外６９】の要素Ｑ_iが与えられたときのｖ_iの誤差の標準偏差σ
（ｖ_i；Ｑ_i）を算出するものである。誤差分布情報記
憶手段１０５は、離散化したＱ_iに対するｖ_iの標準偏
差を図４に示すような２次元のテーブルとして格納して
いる。

【０１０２】信頼度付与手段１０７は、品質指標抽出手
段１０６から得られる品質指標ベクトル

【外７０】に対応する標準偏差の値を誤差分布情報記憶手段１０５
内のテーブル値を参照することで算出し、信頼度を表す
ベクトルを出力する。例えば、品質指標データのベクト
ル

【外７１】の要素Ｑ₁が、α₁≦Ｑ₁＜α₂であるならば、図４の
σ_1,2の標準偏差の値を出力する。同様に、他の要素Ｑ
_iについてもＱ_iの値に応じてテーブル値を参照し、標
準偏差の値を出力する。出力される値を各要素Ｑ_iに応
じてσ_iと表すことにすると、信頼度付与手段１０７は
信頼度を表すベクトルとして次式のベクトル

【外７２】を出力することになる。

【０１０３】

【数１９】

【０１０４】第２に、データベース部１２の処理につい
て説明する。データベース部１２は、制御部１４から送
られる制御信号に従って、データを登録したり、照会要
求に応じてデータを照合部１３に送ったりする。

【０１０５】データの登録の時には、データベース管理
手段１０８は、例えばデータＩＤ（ＩＤｅｎｔｉｆｉｃ
ａｔｉｏｎ）などのデータの管理情報と共に特徴抽出部
１１から得られる特徴ベクトル

【外７３】および信頼度ベクトル

【外７４】をデータ記憶手段１０９に登録する。

【０１０６】データ記憶手段１０９は、ＤＲＡＭ（Ｄｙ
ｎａｍｉｃＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒ
ｙ）などの半導体メモリとハードディスクなどの記憶媒
体とが用いられて構成される。

【０１０７】通常の指紋照合装置では、１指あたりの指
紋のデータ量が大きいために（例えば、浅井ほか「マニ
ューシャネットワーク特徴による自動指紋照合−照合過
程−」（電子情報通信学会論文誌，ｖｏｌ．Ｊ７２−Ｄ
−II，Ｎｏ．５，ｐｐ．７３３−７４０，１９８９）に
記載されている照合方式では１指あたりおよそ１０００
バイトのデータ量となる）、全てのデータをＤＲＡＭ上
に登録させておくことはコスト的に難しく、ハードディ
スクなどのアクセスが遅い記憶媒体を用いざるを得なか
った。また、ＤＲＡＭなどのメモリを用いて高速化して
も、データ転送量が多くなるためにデータの転送が処理
のボトルネックとなる場合が多かった。

【０１０８】しかし、本実施例、ひいては本発明の皮膚
紋様照合システムでは、登録する特徴ベクトル

【外７５】および信頼度ベクトル

【外７６】の次元数Ｌを５次元としても、１つの指紋あたりのデー
タ量は１０次のデータだけであり、１次元あたり１バイ
トとすれば１０バイトのデータ登録量で済ませられる。
例えば、一千万指（＝１０⁷指）のデータを登録した場
合でも、高々１００Ｍバイト程度の容量にしかならな
い。このため、データ記憶手段１０９においては、ＤＲ
ＡＭなどのアクセスが高速な半導体メモリ上に照合対象
となる全てのデータを登録することがコスト的に可能と
なる。データ記憶手段１０９において、ハードディスク
も合わせて記憶媒体とするのは、あくまでバックアップ
用であり、障害時の復旧用として用いるためである。ま
た、ＤＲＡＭとハードディスクとの代わりにフラッシュ
メモリなどの不揮発性メモリを用いた半導体ディスクを
用いてもよい。

【０１０９】照会時には、データベース管理手段１０８
は、データ記憶手段１０９に登録されている各特徴ベク
トル

【外７７】および信頼度ベクトル

【外７８】を照合部１３に送る。

【０１１０】第３に、照合部１３の処理について説明す
る。

【０１１１】照合部１３は、制御部１４からの要求（照
会要求）に応じて、特徴抽出部１１から送られるデータ
とデータベース部１２から送られる各データとの一致／
不一致を判定し、一致と見做されたデータのデータＩＤ
などの管理情報を照合結果として出力する。以下に、こ
の照合部１３について詳しく説明する。

【０１１２】照合部１３内の類似度算出手段１１０は、
特徴抽出部１１から送られる特徴ベクトルおよび信頼度
ベクトルと、データベース部１２から送られる特徴ベク
トルおよび信頼度ベクトルのデータとを用いて、その間
の類似度を算出する。ここでは、特徴抽出部１１から送
られる特徴ベクトルおよび信頼度ベクトルをそれぞれ

【外７９】および

【外８０】と表記し、データベース部１２から送られる特徴ベクト
ルおよび信頼度ベクトルのデータをそれぞれ

【外８１】および

【外８２】と表記することにする。

【０１１３】類似度算出手段１１０は、先に説明した式
（１９）に基づいて定義した次式の類似度ｚ（

【外８３】，

【外８４】，

【外８５】，

【外８６】）の値を算出する。

【０１１４】

【数２０】

【０１１５】ここで、

【外８７】および

【外８８】はそれぞれ特徴ベクトル

【外８９】および

【外９０】の要素を表し、

【外９１】および

【外９２】はそれぞれ信頼度ベクトル

【外９３】および

【外９４】の要素を表す。

【０１１６】この計算で得られる類似度ｚ（

【外９５】，

【外９６】，

【外９７】，

【外９８】）は、値が小さい程類似していることを示す尺度であ
り、値が小さい程２つのデータが似ていることを意味す
る。

【０１１７】なお、類似度算出手段１１０は、上記の式
によらず次式のように計算することによって類似度を算
出することもできる。

【０１１８】

【数２１】

【０１１９】式（２９）を用いて類似度を計算する場合
には、予め照会側（特徴抽出部１１から送られてくる
側）の信頼度ベクトル

【外９９】やデータベース側（データベース部１２から送られてく
る側）の信頼度ベクトル

【外１００】の各要素を平方根の逆数１／（σ_i ^1/2）の形で予め計
算しておくことによって、より演算量を少くすることが
可能であり、速度を向上させることができる。なお、式
（２９）は分布関数として、正規分布ではなく双指数分
布（ｋｅｘｐ（−ａｘ）の関数形をしている）を仮
定したときに導くことができる距離の定義式である。双
指数分布は、特異なノイズが多い場合の推定に用いられ
ることがあり、式（２９）による方が式（２８）による
よりも、低品質な画像を取り扱う場合には、良い精度で
識別を行うことができる。

【０１２０】また、

【外１０１】および

【外１０２】はそれぞれパラメータである。これらのパラメータは、
予め定めておくものである。その定め方の１つの方法と
しては、次のように計算すれば、容易に定めることがで
きる。

【０１２１】すなわち、同一の指紋から得られた個別の
画像のＫ個の対（例えば、Ｋ＝１００００で一万指の
対）を用意する。用意されたデータから、特徴抽出部１
１によって演算される特徴ベクトル

【外１０３】と信頼度ベクトル

【外１０４】とを各データに対して算出しておく。対となるデータを

【外１０５】，

【外１０６】および

【外１０７】，

【外１０８】（ｊ＝１，２，…，Ｋ）と表記するとして、例えば次式
に従ってパラメータ

【外１０９】および

【外１１０】を算出する。

【０１２２】

【数２２】

【０１２３】判定手段１１１は、類似度算出手段１１０
によって得られた類似度ｚ（

【外１１１】，

【外１１２】，

【外１１３】，

【外１１４】）に基づき、データベース部１２に登録されているデー
タについて同一と見倣せるデータの情報を照合結果とし
て出力する。

【０１２４】なお、類似度算出手段１１０における式
（２８）や式（２９）の累積の計算では、累積計算の各
ステップにおいて予めしきい値よりも大きい距離値にな
った場合には「同一と見倣せないデータ」と判定し累積
計算を打ち切ってもよい。このように処理を打ち切るこ
とによって、演算量の大幅な削減が可能となる。

【０１２５】（２）本発明の皮膚紋様特徴解析装置の
第１の実施例図５は、本発明の皮膚紋様特徴解析装置の第１の実施例
（皮膚紋様特徴解析装置５１）の基本構成を示すブロッ
ク図である。

【０１２６】本実施例の皮膚紋様特徴解析装置５１は、
皮膚紋様画像のデータセットからその特徴ベクトルを抽
出し、その特徴ベクトルの分布情報を解析するものであ
って、特徴ベクトルの分布の主成分ベクトルおよび品質
指標と特徴ベクトルとの誤差の相関関係の情報である誤
差分布情報を算出する。

【０１２７】図５に示すように、この皮膚紋様特徴解析
装置５１は、皮膚紋様の画像データから特徴ベクトルを
抽出する特徴ベクトル抽出手段５０１と、特徴ベクトル
抽出手段５０１から得られる特徴ベクトルの皮膚紋様画
像のデータ分布の主成分ベクトルを算出する主成分ベク
トル算出手段５０２と、主成分ベクトル算出手段５０２
によって得られる主成分ベクトルを記憶する主成分ベク
トル記憶手段５０３と、主成分ベクトル記憶手段５０３
の主成分ベクトルを用いて、特徴ベクトル抽出手段５０
１によって得られる特徴ベクトルをＫＬ展開するベクト
ル展開手段５０４と、皮膚紋様画像から品質指標情報を
抽出する品質指標抽出手段５０５と、品質指標抽出手段
５０５から得られる品質指標情報とベクトル展開手段５
０４によって得られた特徴ベクトルとの誤差分布の相関
関係を解析する誤差分布情報解析手段５０６とを含んで
構成されている。

【０１２８】図６は、本実施例の皮膚紋様特徴解析装置
５１の処理を示す流れ図である。この処理は、画像デー
タ特徴ベクトル抽出ステップ６０１と、分散共分散行列
算出用統計計算ステップ６０２と、全データ終了判定ス
テップ６０３と、平均値ベクトルおよび分散共分散行列
算出ステップ６０４と、主成分ベクトル算出ステップ６
０５と、品質指標算出ステップ６０６と、特徴ベクトル
抽出ステップ６０７と、特徴ベクトルＫＬ展開ステップ
６０８と、特徴ベクトル誤差算出ステップ６０９と、誤
差分布情報算出用統計計算ステップ６１０と、全データ
終了判定ステップ６１１と、誤差分布情報出力ステップ
６１２とからなる。

【０１２９】図７は、本実施例の皮膚紋様特徴解析装置
５１の解析結果（品質指標に対する誤差の標準偏差の実
験結果）の一例を示す図である。

【０１３０】次に、このように構成された本実施例の皮
膚紋様特徴解析装置５１の動作について説明する。ここ
では、先に説明した皮膚紋様照合システムの第１の実施
例（指紋を対象とした皮膚紋様照合システム）の主成分
ベクトル記憶手段１０４および誤差分布情報記憶１０５
に記憶させておく主成分ベクトルおよび誤差分布情報の
データを算出する場合の動作を例に説明する。

【０１３１】本発明の皮膚紋様特徴解析装置では、皮膚
紋様画像のデータセットを用意する必要があり、ここで
の説明では先に説明した指紋の照合を行う皮膚紋様照合
システムの第１の実施例に対応させて指紋画像のデータ
を用意する。この指紋データとして、Ｎ指の対の指紋デ
ータ計２Ｎ（＝Ｎ′）指分のデータがあるとする。Ｎと
しては、一万指程度あれば比較的良好な結果が得られる
が、多ければ多い程よりよい結果が得られる。これらの
画像データセットは、皮膚紋様照合システムの第１の実
施例で述べたようなスキャナなどの適当な画像入力手段
を用いて入力しても構わないが、市販の指紋画像データ
ベースを画像データセットとして用いても構わない。例
えば、米国のＮａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅ
ｏｆＳｔａｎｄａｒｄｓａｎｄＴｅｃｈｎｏｌｏ
ｇｙ（以下、ＮＩＳＴと略す）が発行している指紋画像
データベースＮＩＳＴＳｐｅｃｉａｌＤａｔａｂａ
ｓｅ１４などが利用可能である。ただし、ＮＩＳＴの
データベースを利用する場合には、５１２×５１２画素
に指紋を切り出す必要がでてくる。これは、特開平１−
２７１８８４号公報に開示されている指紋中心検出方式
によって、指紋画像中の中心位置を定め、その点を基準
に切り出しておけばよい。

【０１３２】以下、図６の流れ図を用いて説明する。

【０１３３】まず、主成分ベクトルの抽出動作について
説明する（図６ステップ６０１〜６０５参照）。

【０１３４】ステップ６０１〜６０５の処理では、Ｋ個
のデータの各々について指紋画像データの特徴ベクトル
が抽出され、そのベクトルの分布の分散共分散行列を求
めるための演算が行われ、得られた分散共分散行列から
主成分ベクトルが求められる。

【０１３５】特徴ベクトル抽出手段５０１は、図１中の
特徴ベクトル抽出手段１０２と同様に、式（２２）で表
される指紋の隆線方向をＭ次元の特徴ベクトル

【外１１５】（ｉ＝１，２，…，Ｍ）として抽出する（ステップ６０
１）。

【０１３６】主成分ベクトル算出手段５０２は、得られ
た特徴ベクトル

【外１１６】について、まず式（１）で述べた分散共分散行列

【外１１７】を求めるための演算を行う（ステップ６０２）。この演
算は、式（１）を用いると、まずＮ′個の

【外１１８】について式（２）により平均値

【外１１９】を計算した後に、もう一度Ｎ′個の

【外１２０】を用いて式（１）によって分散共分散行列を計算する必
要がある。したがって、２Ｎ個の

【外１２１】データをメモリ上に保持するか、あるいは、特徴ベクト
ル

【外１２２】の抽出を画像データから再度行う必要がでてくる。この
ため、主成分ベクトル算出手段５０２は、ここでは、式
（１）を変形して得られる次の式（３４）に従って演算
を行う。

【０１３７】

【数２３】

【０１３８】つまり、ステップ６０２の処理では、平均
値ベクトル

【外１２３】を求めるためのベクトルの累和演算と、式（３４）の右
辺第１項の

【数２４】を算出するためのＭ×Ｍ行列である

【外１２４】

【外１２５】の累和の演算とを行えばよい。これらの演算は１つ１つ
の特徴ベクトル

【外１２６】が抽出された時点で計算可能であるので、全データの特
徴ベクトル

【外１２７】を同時に保持したり、画像データから特徴ベクトル

【外１２８】を再度抽出したりする必要はない。

【０１３９】主成分ベクトル算出手段５０２は、データ
セットの全ての画像についてステップ６０１および６０
２の処理が繰り返された後に（ステップ６０３参照）、
得られた結果に基づいて、平均値ベクトル

【外１２９】および分散共分散行列

【外１３０】をそれぞれ式（３５）および式（３４）に基づいて算出
する（ステップ６０４）。

【０１４０】次に、主成分ベクトル算出手段５０２は、
ステップ６０４の処理において得られた分散共分散行列

【外１３１】から特徴ベクトル

【外１３２】の分布の主成分分析を行い、主成分ベクトルを求める
（ステップ６０５）。なお、主成分分析は、広く知られ
ている方法であり、例えば、前述のＣ．Ｌ．Ｗｉｌｓｏ
ｎらの文献でも簡単に記述されており、前述の「画像解
析ハンドブック」（ｐｐ．４０−４２）にも解説されて
いる。

【０１４１】Ｍ×Ｍ次元の分散共分散行列

【外１３３】に対して、Ｍ個の主成分ベクトル

【外１３４】（ｉ＝１，２，…，Ｍ；主成分ベクトルに対応する固有
値が大きい順に第１主成分ベクトル，第２主成分ベクト
ル，…，第Ｍ主成分ベクトルと呼ぶ）を計算することが
できる。このうち数個のベクトルを用いればよく、この
主成分ベクトルの選定は、ＫＬ展開した後の特徴ベクト
ルを用いて実際に照合処理を行うなどして実験的に定め
ればよい。指紋画像の場合には、上位の２つの主成分ベ
クトルが特に良好な特性を持っており、主成分ベクトル
の固有値が大きい上位５〜６個の主成分ベクトルを用い
れば十分である。以下では、Ｌ個の主成分ベクトルを選
択した場合について説明する。

【０１４２】主成分ベクトル算出手段５０２は、Ｌ個の
主成分ベクトル

【外１３５】を、主成分ベクトル記憶手段５０３に保存する。

【０１４３】以上により、主成分ベクトル

【外１３６】の抽出が終了する。

【０１４４】次に、誤差分布の解析動作について説明す
る（図６ステップ６０６〜６１２参照）。

【０１４５】誤差分布の解析では、対のデータセットか
ら得られるＫＬ展開後の特徴ベクトルの対の間での誤差
分布と品質指標との間の相関関係が解析される。

【０１４６】この誤差分布の解析では、対のデータセッ
トは前述のＮ個の対の指紋画像データセットが用いられ
る。もっとも、このデータセットは主成分ベクトルの抽
出の際に用いたデータセットと同じである必要はなく、
ある程度大量の同一指紋から得られた異なる画像データ
のセットであればよい。

【０１４７】ステップ６０６〜６１１の処理では、対と
なる各画像データの品質指標とＫＬ展開とにより特徴ベ
クトルが抽出され、その誤差分布情報が求められる。

【０１４８】品質指標抽出手段５０５は、前述の「皮膚
紋様照合システムの第１の実施例」における処理と同様
に、対となるデータの品質指標を算出する（ステップ６
０６）。得られる品質指標を

【外１３７】（ｉ＝１，２，…，Ｎ；ｊ＝１，２）とすると、次式で
表される量となる。

【０１４９】

【数２５】

【０１５０】なお、ここで、ｑ_i,j,l（Ｃ）およびΨ_l
（Ｃ）は、それぞれ式（２５）で説明した隆線方向信頼
度およびＫＬ展開に用いる主成分ベクトルである。算出
された品質指標

【外１３８】は、誤差分布情報解析手段５０６に送られる。

【０１５１】一方、特徴ベクトル抽出手段５０１は、対
となる画像データの特徴ベクトルを抽出する（ステップ
６０７）。抽出された対の特徴ベクトルを

【外１３９】（ｉ＝１，２，…，Ｎ；ｊ＝１，２）とする。

【０１５２】ベクトル展開手段５０４は、得られたＭ次
元の特徴ベクトル

【外１４０】に対して、ＫＬ展開を行う（ステップ６０８）。すなわ
ち、主成分ベクトル記憶手段５０３に記憶されたＬ個の
主成分ベクトル

【外１４１】（ｌ＝１，２，…，Ｌ）を用いて、式（３８）に従って
ＫＬ展開を行い、ＫＬ展開後の特徴ベクトル

【外１４２】を得る。

【０１５３】

【数２６】

【０１５４】得られた特徴ベクトル

【外１４３】は、誤差分布情報解析手段５０６に送られる。

【０１５５】誤差分布情報解析手段５０６は、品質指標
抽出手段５０５から送られる対の各データの品質指標

【外１４４】およびベクトル展開手段５０４から送られる特徴ベクト
ル

【外１４５】を用いて、品質指標と誤差分布との相関関係を解析す
る。より具体的には、対の特徴ベクトル

【外１４６】と品質指票

【外１４７】とが送られたときに、前述の図４に示した品質指標

【外１４８】の値と各要素（この各要素は

【外１４９】の各要素と対応している）とに応じた

【外１５０】の誤差の標準偏差のテーブルを作成する。つまり、品質
指標

【外１５１】の各要素ｋ毎に、その値を離散化し、離散化した品質指
標値に対応するテーブルエントリ毎に式（４０）に示す
誤差の標準偏差を計算する（ステップ６０９）。

【０１５６】

【数２７】

【０１５７】ここで、Ｎ_k,lは各テーブルエントリ毎の
データ数であり、式（４０）の２つの総和記号のうち右
辺のはじめの総和記号Σ_iの演算は、テーブルエントリ
毎の対のデータにわたる和である。式（４０）では、同
じ指紋から得られる異なった特徴ベクトルｖ_i,j,lの平
均値からのずれを誤差と定義しており、対のデータの
（つまり２つのデータしかない）場合には式（４１）に
示すように単に値の差ｖ_i,1,l−ｖ_i,2,lを２つのデー
タの差の誤差と見倣していることになる。同じ画像から
複数得られる場合には、平均値の推定精度は良くなり誤
差の推定精度も向上するので、できるだけデータセット
は多い方が望ましい。

【０１５８】誤差分布情報解析手段５０６は、実際に
は、以下のように処理を行う。

【０１５９】まず、予め品質指標の

【外１５２】の値の分布幅を調べておいて、その分布から

【外１５３】の各要素を離散化するためのしきい値を求めておく。例
えば、品質指標ベクトル

【外１５４】の各要素の値域がＱ_minからＱ_maxの範囲に分布する場
合には、この値域を例えば等間隔に２５６（＝ｎ）区分
するようにしきい値を求める。このしきい値を、それぞ
れα₁，α₂，…，α_n-1とする。

【０１６０】次に、品質指標

【外１５５】の各要素ｋ毎に、値をα_iと比較した上で離散化し、ど
のテーブルエントリに対応するか調べる。対応するエン
トリ毎に、式（４１）の誤差の総和部分Σ_i（ｖ_i,1,l
−ｖ_i,2,l）²を求めるための演算を行う（ステップ６
１０）。なお、データエントリ中に標準偏差を求めるた
めのデータが１個以下しかない場合には、式（４１）の
演算を実施できないので、この場合には適当な規定値を
標準偏差としてセットする。規定値としてセットする値
としては、誤差が大きいものと推測して、計算して得ら
れるσ_i,jの最大値程度にしておけばよい。また、前述
のように「２５６段階」というように品質指標の値を細
かく離散化した場合には、標準偏差を計算するときに、
データ不足を補うために前後の品質指標値に対応する統
計量を平均化して標準偏差を求めた方がよい。

【０１６１】データセット中の全ての対データについて
ステップ６０６〜６１１の処理が終了し場合には（ステ
ップ６１１参照）、誤差の標準偏差のテーブルエントリ
毎に式（４０）で定義される標準偏差を計算し、計算結
果を誤差分布情報として出力する（ステップ６１２）。

【０１６２】以上により、先に説明した皮膚紋様照合シ
ステムの第１の実施例に用いられる主成分ベクトルや誤
差分布情報を算出することができる。図７に、特徴ベク
トルのある次元ｉにおける品質指標値に対する誤差の標
準偏差の実験結果のグラフを示す。

【０１６３】（３）本発明の皮膚紋様照合システムの
第２の実施例および本発明の皮膚紋様特徴解析装置の第
２の実施例

【０１６４】上記の（１）および（２）で述べた皮膚紋
様照合システムの第１の実施例および皮膚紋様特徴解析
装置の第１の実施例では、品質指標として隆線方向抽出
における固有値の値を用いた場合について説明した。こ
こで説明する実施例では、これとは別に、入力された特
徴ベクトルと特徴ベクトル本来の分布からの距離とを用
いて品質指標を算出する場合の皮膚紋様照合システムお
よび皮膚紋様特徴解析装置について説明する。

【０１６５】まず、本実施例における品質指標の測定の
原理について説明する。

【０１６６】本実施例では、ノイズがない状態で特徴ベ
クトルが分布する閉空間までの距離を特徴ベクトルの品
質を測る尺度基準として採用し、特徴ベクトルが分布す
る閉空間をサンプル点によって代表させ、最も近いサン
プル点までの距離を品質指標として定義する。

【０１６７】以下、品質指標抽出の原理について具体的
に説明する。ノイズの重畳がなく品質が良いパターンか
ら得られた特徴ベクトルの分布は、その特徴ベクトルと
同じ次元数を持つベクトルが張る空間内のある一定の範
囲の閉空間中に局在する。例えば、図８に示したΩが特
徴パターンが分布する閉空間であるとする。品質指標が
十分に良く、特徴ベクトルに対してノイズが重畳してい
ないと見倣せる特徴ベクトルのデータサンプルが与えら
れる場合を考える。このようなデータサンプルを、図８
の中では閉空間Ω内のサンプル点として表している。

【０１６８】閉空間中Ω中のデータサンプル数ｎ_sが十
分大きければ、閉空間Ω中にはデータサンプルが密に存
在し、最も近い特徴ベクトルとの間の距離は０に近づ
く。つまり、サンプルデータ数が無限に多い理想的な極
限状態では、閉空間Ω中の任意の特徴ベクトル

【外１５６】について、次式が成り立つ。

【０１６９】

【数２８】

【０１７０】ここで、本来ノイズがない状態では閉空間
Ω中の特徴ベクトル

【外１５７】となるパターンが、ノイズ

【外１５８】の重畳により、図８に示すように閉空間Ωの外側の特徴
ベクトル

【外１５９】として抽出された場合を、考える。

【０１７１】本実施例で定義する品質指標の値は、特徴
ベクトル分布空間Ω中の

【外１６０】に最も近いサンプル点

【外１６１】との距離

【数２９】である。この距離は、サンプル数が無限に多い理想的な
極限状態では、閉空間Ωまでの距離と同値となる。

【０１７２】したがって、予めノイズが少ない特徴ベク
トルをデータベースに登録しておき、そのデータベース
中のデータとの間の距離の最小値を求めることで、近似
的に特徴ベクトルが分布する閉空間Ωまでの距離を測定
することができる。

【０１７３】次に、具体的な実施例について説明する。
本実施例の皮膚紋様照合システムまたは皮膚紋様特徴解
析装置では、（１）または（２）で述べた皮膚紋様照合
システムまたは皮膚紋様特徴解析装置の第１の実施例に
おける品質指標抽出手段１０６または５０５，信頼度付
与手段１０７，誤差分布情報記憶手段１０５，および誤
差分布情報解析手段５０６についてその構成や動作に変
更を加えるものであり、それ以外の部分に関しては、基
本的な構成や動作に変更はない。ただし、図１または図
５ではベクトル展開手段１０３または５０４と品質指標
抽出手段１０６または５０５との間の接続関係を示して
いないが、本実施例における品質指標抽出手段はＫＬ展
開後の特徴ベクトルを入力するものとし、ベクトル展開
手段１０３または５０４からその特徴ベクトルを入力す
るものとする。

【０１７４】図９は、本実施例における品質指標抽出手
段９０の構成を示すブロック図である。この品質指標抽
出手段９０は、データベース９０３内の特徴ベクトルと
入力の特徴ベクトルとの間の距離を算出する距離算出手
段９０１と、距離算出手段９０１から得られる距離の中
で最も距離が小さい値を更新・保持する距離更新手段９
０２と、ＫＬ展開した特徴ベクトルを入力として予めＫ
Ｌ展開した特徴ベクトルを複数登録してあるデータベー
ス９０３と、全体を制御する制御手段９０４とを備え
る。

【０１７５】図１０は、品質指標抽出手段９０の処理を
示す流れ図である。この処理は、特徴ベクトル距離算出
ステップ１００１と、距離最小値更新ステップ１００２
と、全データ処理終了判定ステップ１００３とからな
る。

【０１７６】図１１および図１２は、本実施例の動作を
説明するための図である。

【０１７７】次に、このように構成された本実施例の皮
膚紋様照合システムまたは皮膚紋様特徴解析装置におけ
る品質指標抽出手段９０の動作について説明する。ここ
では、図１０に示した品質指標抽出手段９０の処理のフ
ローに従って説明を行う。

【０１７８】まず、距離算出手段９０１は、入力された
特徴ベクトルとデータベース９０３中の特徴ベクトルと
の類似度（距離）を計算する（ステップ１００１）。

【０１７９】データベース９０３中に登録しておく特徴
ベクトルは、予め高品質な複数の画像を用いて抽出した
ＫＬ展開後の特徴ベクトルである。高品質か否かの判定
は、目視によって選んでも構わないが、次のような基準
により自動的に判定しても構わない。つまり、同一紋様
から少なくとも２つ以上の画像から得られるＫＬ展開後
の特徴ベクトルの誤差の標準偏差を調べ、誤差の標準偏
差が十分に小さい画像をノイズが少ない高品質な画像と
判定する。データベース９０３中に登録しておく特徴ベ
クトルの数は、指紋の場合には一万指程度あればよい。

【０１８０】特徴ベクトルの距離は、例えば式（４）に
示したユークリッド距離を用いて算出される。

【０１８１】距離更新手段９０２は、距離算出手段９０
１で算出された距離の大きさが最小であれば、距離の最
小値として更新・保持する（ステップ１００２）。

【０１８２】制御手段９０４は、データベース９０３中
の全ての特徴ベクトルについての距離算出および最小値
の更新が終了しているか否かを判断し（ステップ１００
３）、全てのデータに対する処理が終了するまでステッ
プ１００１および１００２の処理を繰り返す制御を行
う。

【０１８３】品質指標抽出手段９０は、最終的に得られ
た距離の最小値を品質指標値Ｑとして出力する。本実施
例の場合の品質指標は、皮膚紋様照合システムまたは皮
膚紋様特徴解析装置の第１の実施例で示した品質指標と
は違い、ベクトル量ではなくスカラ量である。

【０１８４】本実施例の皮膚紋様特徴解析装置は、前述
の品質指標抽出手段９０から得られる品質指標値Ｑを用
いて、誤差分布情報解析手段により品質指標に対する誤
差分布のテーブルを作成する。これは、皮膚紋様特徴解
析装置の第１の実施例での説明における各品質指標ベク
トル

【外１６２】の各要素Ｑ_iを同一の品質指標値Ｑであると見倣して品
質指標値に対する誤差の標準偏差を算出することによっ
て実現される。

【０１８５】もっとも、この演算によって得られるテー
ブルは、図４に示したような２次元テーブルである必要
はなく、図１１に示すような１次元テーブルで十分であ
るので、誤差分布情報としてはこの１次元テーブルを出
力する。前述のようにして実際に得られた誤差の標準偏
差の１次元テーブルの例をグラフ表現した図を、図１２
に示す。

【０１８６】本実施例の皮膚紋様照合システムは、前述
の品質指標抽出手段９０によって得られる品質指標値Ｑ
を用いて、照合を行う。この場合の動作について、図１
を用いて説明する。

【０１８７】図１中の品質指標抽出手段１０６における
処理は、品質指標抽出手段９０によって行われる。ただ
し、図１では、品質指標抽出手段１０６の入力は画像入
力手段１０１であるが、品質指標抽出手段９０はベクト
ル展開手段１０３から得られるＫＬ展開された特徴ベク
トルを入力とする。

【０１８８】誤差分布情報記憶手段１０５は、前述の皮
膚紋様特徴解析装置によって得られる誤差分布情報を１
次元テーブルとしてメモリ上に記憶しておく。

【０１８９】信頼度付与手段１０７は、品質指標抽出手
段１０６（ここでは品質指標抽出手段９０によって実現
される）から得られるスカラ量の品質指標値Ｑをテーブ
ル参照のエントリとして用いて、誤差分布情報記憶手段
１０５に１次元テーブルとして記憶されている誤差分布
情報を参照し、品質指標値に対する誤差の標準偏差を出
力する。

【０１９０】上記で説明した以外の処理は、先に述べた
皮膚紋様照合システムの第１の実施例と同様に処理を行
うことで、照合処理を実現することができる。

【０１９１】（４）本発明の皮膚紋様照合システムの
第３の実施例および本発明の皮膚紋様特徴解析装置の第
３の実施例

【０１９２】ここでは、隆線方向パターンの標準パター
ンとの距離を用いた品質指標を用いる場合の皮膚紋様照
合システムおよび皮膚紋様特徴解析装置（それぞれの第
３の実施例）について説明する。

【０１９３】図１３は、本実施例における品質指標抽出
手段の基本構成を示すブロック図である。

【０１９４】本実施例における品質指標抽出手段１３０
は、入力される隆線方向パターンおよびその信頼度を記
憶する第１方向パターン記憶手段１３０１と、第１方向
パターン記憶手段１３０１および第３方向パターン記憶
手段１３０６に記憶されている方向パターンおよびその
信頼度を用いて２つのパターン間の距離を算出する距離
算出手段１３０２と、距離算出手段１３０２によって算
出された距離値が最適値であるか否を判定し距離値およ
びそのときのアフィンパラメータを更新・保持するパラ
メータ更新手段１３０３と、隆線方向の標準パターンお
よびその信頼度を記憶する第２方向バターン記憶手段１
３０４と、第１方向パターン記憶手段１３０１または第
２方向パターン記憶手段１３０４に記憶される方向パタ
ーンおよびその信頼度をアフィン変換するアフィン変換
手段１３０５と、アフィン変換手段１３０５によって変
換された方向パターンおよびその信頼度を記憶する第３
方向パターン記憶手段１３０６と、アフィン変換のパラ
メータをはじめとして全体の動作を制御する制御手段１
３０７とを備える。

【０１９５】図１４は、本実施例における品質指標抽出
手段１３０の処理を示す流れ図である。この処理は、ア
フィン変換ステップ１４０１と、距離算出ステップ１４
０２と、距離およびアフィンパラメータ更新・保持ステ
ップ１４０３と、全探索範囲処理終了判定ステップ１４
０４とからなる。

【０１９６】次に、このように構成された本実施例の皮
膚紋様照合システムまたは皮膚紋様特徴解析装置におけ
る品質指標抽出手段１３０の動作について説明する（図
１４参照）。

【０１９７】入力されるパターンは、皮膚紋様照合シス
テムの第１の実施例で説明した降線方向パターンθ
（Ｃ）と、その隆線方向抽出の信頼度ｑ（Ｃ）とする。
第２方向パターン記憶手段１３０４に記憶する標準パタ
ーンΘ（Ｃ）およびその信頼度Ｑ（Ｃ）は、例えば一万
（＝ｎ）指の隆線方向パターンθ_i（ｉ＝１，２，…，
ｎ）からその平均値を次式により予め算出しておく。

【０１９８】

【数３０】

【０１９９】アフィン変換手段１３０５は、予め設定し
た並進・回転の変位量の探索範囲内の値（Δｘ，Δｙ，
Δθ）に応じて、アフィンパラメータを定め、方向パタ
ーンおよびその信頼度をアフィン変換する（ステップ１
４０１）。

【０２００】アフィン変換は広く知られたアルゴリズム
であり、例えば前述の「画像ハンドブック」（ｐｐ．４
２３−４２９）にも解説があるので、ここでは詳しい説
明は省略する。ただし、方向パターンのアフィン変換
は、通常の画像のアフィン変換と比べて異なる点があり
注意が必要である。それは、隆線方向パターンθ（Ｃ）
の各要素の値は、座標系に対して相対的に定義される方
向であり、アフィン変換のような座標系の回転に対して
その値は不変ではない。したがって、座標系の回転Δθ
に対しては、方向パターンの要素値θ（Ｃ）にΔθの補
正を加える。

【０２０１】アフィン変換後の隆線方向パターンおよび
信頼度は、第３方向パターン記憶手段１３０６に記憶さ
れる。アフィン変換し第３方向パターン記憶手段１３０
６に登録しておく部分は、第１方向パターン記憶手段１
３０１に記憶される方向パターンと同じ大きさとする。
アフィン変換する際に参照点がない部分に関しては、信
頼度を０の値に設定する。なお、予め第２方向パターン
記憶手段１３０４に登録しておく隆線方向パターンおよ
びその信頼度の標準パターンを大きめに作っておくと、
参照点がない部分を少なくすることができ、精度を向上
させることができる。

【０２０２】並進・回転の変位量（Δｘ，Δｙ，Δθ）
の範囲としては、隆線方向パターンθ（Ｃ）が１６×１
６の大きさであるので、例えば並進の変位量Δｘ，Δｙ
として［−４，−３，…，＋３，＋４］の範囲とし、回
転Δθとして［−３０，−２０，…，＋２０，＋３０］
の範囲として、９×９×７＝５６７個の変位について探
索すればよい。また、特開平１−２７１８８４号公報に
開示された指紋中心検出方式などを利用して、指紋の中
心点を基準に並進の探索範囲を限定すれば、探索範囲を
狭められるので高速化することができる。

【０２０３】距離算出手段１３０２は、第１方向パター
ン記憶手段１３０１上の隆線方向パターンθ（Ｃ）およ
びその信頼度ｑ（Ｃ）と、標準パターンΘ_x（Ｃ），Θ
_y（Ｃ）およびその信頼度Ｑ（Ｃ）とを用いて、次式に
従って距離Ｄを算出する（ステップ１４０２）。

【０２０４】

【数３１】

【０２０５】ただし、

【数３２】

【０２０６】ここで、Ｆ（・）はアフィン変換を表し、
γはパラメータで例えば０．５程度の値とすればよい。

【０２０７】パラメータ更新手段１３０３は、対象パタ
ーンに対する距離値Ｄが最小値であるか否かを判定し、
最小値であればその距離値とアフィンパラメータとを更
新・保持する（ステップ１４０３）。

【０２０８】品質指標抽出手段１３０は、制御部１３０
７の制御に従って、ステップ１４０１〜１４０３の処理
を繰り返し（ステップ１４０４参照）、並進・回転の変
位量の全ての探索範囲について式（４７）の計算を行
い、その値の最小値を品質指標として出力する。

【０２０９】本実施例の皮膚紋様照合システムまたは皮
膚紋様特徴解析装置は、上述のような動作を行う品質指
標抽出手段１３０を構成要素として備えることによって
実現される。品質指標抽出手段１３０から出力された品
質指標はスカラ量であり、「品質指標抽出手段から得ら
れるデータの形式」としては皮膚紋様照合システムまた
は皮膚紋様特徴解析装置の第２の実施例と全く同様な形
式にすることが可能である。このため、本実施例の皮膚
紋様照合システムまたは皮膚紋様特徴解析装置における
他の動作はそれぞれの第２の実施例と同様に行えばよい
ので、その説明は省略する。

【０２１０】なお、最小値を与えるアフィンパラメータ
を利用して、入力パターンをアフィン変換すれば入力隆
線方向パターンの座標整合を行うことができるので、皮
膚紋様照合システムおよび皮膚紋様特徴解析装置におけ
る第１の実施例における入力画像あるいは特徴抽出した
方向パターンなどの特徴量に対して、アフィン変換を加
えて座標整合を行っても構わない。

【０２１１】本実施例では、並進・回転の変位量に対す
る距離算出に対してその都度アフィン変換を行うように
しているが、探索範囲の全ての変位量に対してアフィン
変換を行ったデータを予め作成しデータベースを作成し
ておき、皮膚紋様照合システムまたは皮膚紋様特徴解析
装置の第２の実施例のように登録されたデータベース内
のデータとの距離差を算出して処理を行っても構わな
い。このように、処理時間のかかるアフィン変換の処理
を予め済ませておくことで、高速化を図ることができ
る。

【０２１２】（５）本発明の皮膚紋様照合システムの
第４の実施例複数の処理手段で得られた複数の品質指標を用いて指紋
の照合を行う場合の皮膚紋様照合システムの実施例（第
４の実施例）について、図１５を用いて説明する。

【０２１３】本実施例の皮膚紋様照合システムは、第１
〜第３の実施例で説明した各種の品質指標抽出手段を利
用して照合を行い、各品質指標抽出において共通利用で
きる処理手段などは共有化して実現している。

【０２１４】図１５は、本実施例の皮膚紋様照合システ
ムの基本構成を示すブロック図である。

【０２１５】本実施例の皮膚紋様照合システム（指紋の
照合システム）は、皮膚紋様からその画像の特徴データ
を抽出する特徴抽出部１５１と、その特徴データをデー
タベースとして持ちかつ管理するデータベース部１５２
と、データベースに登録された特徴データと照会にかけ
られたデータの特徴データとを照合する照合部１５３
と、全体を制御する制御部１５４とを含んで構成されて
いる。

【０２１６】上記の中で、特徴抽出部１５１以外の構成
は、第１の実施例で述べた構成と全く同一で構わないの
で、説明は省略する。

【０２１７】特徴抽出部１５１は、指紋を入力する画像
入力手段１５０１と、画像入力手段１５０２から入力さ
れた画像の隆線方向パターンとその隆線方向抽出の信頼
度とを抽出する隆線方向抽出手段１５０２と、座標整合
手段１５０８から得られる方向パターンを特徴ベクトル
としてその分布の主成分ベクトルを記憶する主成分ベク
トル記憶手段１５０３と、主成分ベクトル記憶手段１５
０３を用いて特徴ベクトルをＫＬ展開するベクトル展開
手段１５０４と、ベクトル展開手段１５０４から得られ
る特徴ベクトルに基づいて予め登録しておいた特徴ベク
トルとの距離の最小値を求めることにより第２の品質指
標を求める空間距離算出手段１５０５と、座標整合手段
１５０８から得られる位置合わせを行った隆線方向パタ
ーンの信頼度と主成分ベクトルとを用いて特徴ベクトル
の各次元毎にその信頼度の寄与を調べて第３の品質指標
を求める寄与度算出手段１５０６と、指紋の中心を検出
する中心点検出手段１５０７と、中心点検出手段１５０
７から得られる指紋の中心座標を基準にして隆線方向パ
ターンおよびその信頼度の座標整合を行いかつその時の
適合度から第１の品質指標を算出する座標整合手段１５
０８と、第１誤差分布情報記憶手段１５１３に記憶され
る誤差の標準偏差を第１の品質指標をエントリとして参
照する第１信頼度付与手段１５０９と、第２誤差分布情
報記憶手段１５１４に記憶される誤差の標準偏差を第２
の品質指標をエントリとして参照する第２信頼度付与手
段１５１０と、第３誤差分布情報記憶手段１５１５に記
憶される誤差の標準偏差を第３の品質指標をエントリと
して参照する第３信頼度付与手段１５１１と、第１信頼
度付与手段１５０９，第２信頼度付与手段１５１０，お
よび第３信頼度付与手段１５１１から得られる３つの誤
差の標準偏差に基づいて誤差の標準偏差を推定し特徴ベ
クトルの信頼度として出力する信頼度推定手段１５１２
と、第１の品質指標に対応した特徴ベクトルの誤差の標
準偏差をルックアップテーブルとして記憶しておく第１
誤差分布情報記憶手段１５１３と、第２の品質指標に対
応した特徴ベクトルの誤差の標準偏差をルックアップテ
ーブルとして記憶しておく第２誤差分布情報記憶手段１
５１４と、第３の品質指標に対応した特徴ベクトルの誤
差の標準偏差をルックアップテーブルとして記憶してお
く第３誤差分布情報記憶手段１５１５とを備え、皮膚紋
様画像から特徴ベクトルと推定した誤差の標準偏差とを
特徴データとして出力する。

【０２１８】上述の各処理手段は、信頼度推定手段１５
１２を除いて、第１〜第３の実施例で述べたものによっ
て容易に実現できるので、以下では信頼度推定手段１５
１２以外は簡略に説明する。

【０２１９】次に、このように構成された本実施例の皮
膚紋様照合システムの動作について説明する。

【０２２０】隆線方向抽出手段１５０２は、第１の実施
例と同様に、特開平８−７０９７号公報に開示された方
式により隆線方向パターンとその信頼度とを抽出する。

【０２２１】座標整合手段１５０８は、第３の実施例で
述べた品質指標抽出手段１３０と同様に、方向パターン
を入力として、隆線方向の標準パターン位置合わせを行
い、最も標準パターンと整合するときの標準パターンと
の距離値（式（４７）による距離の最小値）を第１の品
質指標として出力する。なお、座標整合における並進・
回転の変位の探索範囲は、中心点検出手段１５０７を基
準に設定する。また、最も座標整合するときのアフィン
変換係数に基づいて方向パターンとその信頼度とをアフ
ィン変換し、隆線方向パターンと信頼度の位置を正規化
しておく。なお、座標整合手段１５０８から出力される
方向パターンは、第１の実施例の説明における式（２
２）で示したように、ベクトル形式で表現した特徴ベク
トルとする。

【０２２２】ベクトル展開手段１５０４は、第１の実施
例で説明したように、式（２３）に従って主成分ベクト
ル記憶手段１５０３の主成分ベクトルを用いてＫＬ展開
を行う。

【０２２３】空間距離算出手段１５０５は、第２の実施
例で説明した品質指標抽出手段９０と同様に、特徴ベク
トルと予め登録してあるデータベース中の特徴ベクトル
との最小距離を求めることで、第２の品質指標を抽出す
る。

【０２２４】寄与度算出手段１５０６は、第１の実施例
に示した品質指標抽出手段１０６と同様に、特徴ベクト
ルの各次元毎の隆線方向パターンの信頼度を式（２５）
に従って算出し、得られる寄与度を第３の品質指標とし
て出力する。

【０２２５】第１信頼度付与手段１５０９，第２信頼度
付与手段１５１０，および第３信頼度付与手段１５１１
のそれぞれは、上述のようにして得られた第１，第２，
および第３の品質指標のそれぞれを用いて、特徴ベクト
ルの各次元毎の誤差の標準偏差をテーブルルックアップ
により求め、信頼度としてそれぞれ出力する。

【０２２６】第１信頼度付与手段１５０９，第２信頼度
付与手段１５１０，および第３信頼度付与手段１５１１
によって参照される誤差の標準偏差のテーブルは、それ
ぞれ第１誤差分布情報記憶手段１５１３，第２誤差分布
情報記憶手段１５１４，および第３誤差分布情報記憶手
段１５１５に記憶しておく。これらはそれぞれ、第３の
実施例，第２の実施例，および第１の実施例において説
明したのと同様に、特徴ベクトルの誤差分布を解析する
ことで得られる。

【０２２７】さて、このように第１信頼度付与手段１５
０９、第２信頼度付与手段１５１０，および第３信頼度
付与手段１５１１から得られた特徴ベクトルの各次元の
誤差の標準偏差である信頼度をベクトル表記し、それぞ
れ

【外１６３】，

【外１６４】，および

【外１６５】とする。

【０２２８】信頼度推定手段１５１２は、与えられた３
つの信頼度ベクトルから１つの信頼度ベクトル

【外１６６】を推定する。この推定は、以下の演算に従って行われ
る。

【０２２９】

【数３３】

【０２３０】なお、

【外１６７】は、推定した信頼度ベクトル

【外１６８】の各要素を表し、^jσ_iは、信頼度ベクトル

【外１６９】の各要素を表す。

【０２３１】ところで、上式の代わりに以下の式に従っ
て信頼度ベクトル

【外１７０】を推定しても構わない。

【０２３２】

【数３４】

【０２３３】したがって、信頼度推定手段１５１２は、
得られた信頼度ベクトル

【外１７１】とＫＬ展開した特徴ベクトルとを特徴抽出部１５１の処
理結果として出力する。

【０２３４】このように複数の品質指標値から得られた
信頼度を統合して用いることで、互いの品質指標抽出の
欠点を補い良好な結果を得ることができる。

【０２３５】（６）本発明の皮膚紋様照合システムの
第５の実施例次に、特徴ベクトルとして画像のフーリエ特徴を用いた
場合の本発明の皮膚紋様照合システム（指紋の照合シス
テム）の実施例（第５の実施例）について説明する。

【０２３６】まず、図１６を用いて、その原理について
説明する。

【０２３７】指紋の代表的な紋様として、弓状紋，てい
状紋，および渦状紋などがある。これらの紋様は独自な
形状をしており、それらの画像のフーリエ変換の２次元
パワースペクトラムは、図１６に示すような特徴を有し
ている。

【０２３８】図１６のａ１は弓状紋であり、ｂ１はてい
状紋であり、ｃ１は渦状紋である。ａ２，ｂ２，および
ｃ２はそれぞれ弓状紋，てい状紋，および渦状紋の指紋
画像のフーリエパワースペクトラム（直流成分がスペク
トラムの中心）の特徴的な部分を模式化して示す図であ
る。

【０２３９】図１６のａ２，ｂ２，およびｃ２に示した
低周波成分は指紋の押捺ムラや指紋の全体印象や背景に
起因するもので、指紋を識別する上では重要な特徴量で
はない。また、水平周波数が０の部分と、垂直周波数が
０の部分とは、画像端における画像の不連続性に起因す
るノイズであって、これもまた指紋を識別する上では無
関係な特徴である。一方、ａ２では「こ」の字状に、ｃ
２ではリング状に現われる特徴は、指紋の隆線に起因す
る特徴であり、次の〜に示す特徴をおおよそ意味し
ている。

【０２４０】スペクトラム分布中心の直流成分から
の距離は、平均的な隆線ピッチを表している。

【０２４１】スペクトラム分布中心の向きは、指紋
紋様が右流れの傾向にあるか左流れの傾向にあるかを示
している。

【０２４２】スペクトラムの分布形状がピーク状で
あるかリング状であるかということは、弓状紋に近い紋
様か渦状紋に近い紋様かを表している。

【０２４３】したがって、例えば、パワースペクトラム
のうち、指紋隆線の特徴を表すバンド帯域をサンプリン
グし、低周波成分や高周波成分を除去することで、指紋
の紋様の全体的な特徴量を抽出することができる。

【０２４４】図１６のａ３，ｂ３，およびｃ３は、例え
ば、極座標形式（動径ρ，角φ）で表した特徴量のう
ち、ある動径ρを一定にしたときの特徴量（０≦φ＜
π）を摸式的に表現したグラフである。

【０２４５】次に、上述の原理をふまえて、本実施例の
皮膚紋様照合システムについて説明する。

【０２４６】図１７は、本実施例の皮膚紋様照合システ
ムにおける特徴ベクトル抽出手段（図１中の特徴ベクト
ル抽出手段１０２に該当する処理手段であり、前述の特
徴量を抽出するための特徴ベクトル抽出手段）の基本構
成の例を示すブロック図である。

【０２４７】この特徴ベクトル抽出手段は、指紋画像を
フーリエ変換するフーリエ変換手段１７０１と、フーリ
エ変換されたフーリエ成分のパワースペクトラムを算出
するパワー算出手段１７０２と、パワースペクトラムを
平滑化する平滑化手段１７０３と、平滑化したパワース
ペクトラムのスペクトル成分をサンプリングし特徴ベク
トルを出力するサンプリング手段１７０４とを備える。

【０２４８】図１８は、本実施例の皮膚紋様照合システ
ムの動作を説明するための図である。

【０２４９】次に、このように構成された本実施例の皮
膚紋様照合システムにおける特徴ベクトル抽出手段の動
作について説明する。

【０２５０】フーリエ変換手段１７０１は、２次元画像
に対してデジタルフーリエ変換を行う。デジタルフーリ
エ変換は良く知られた方法であり、例えば前述の「画像
解析ハンドブック」（ｐｐ．５−１１）に解説があるの
で、ここでは説明を省略する。指紋画像をｈ（ｘ，ｙ）
と表し、フーリエ変換をＦ（・）と表し、フーリエ変換
手段１７０１によって変換されたフーリエ成分をＨ
（ｕ，ｖ）と表すことにする。なお、（ｘ，ｙ）は実空
間上での座標を表し、（ｕ，ｖ）は周波数領域での座標
を表す。したがって、フーリエ変換手段１７０１におけ
る操作は、次式で表現される。

【０２５１】Ｈ（ｕ，ｖ）＝Ｆ（ｈ（ｘ，ｙ））（５２）

【０２５２】パワー算出手段１７０２は、複素数である
フーリエ成分Ｈ（ｕ，ｖ）の絶対値‖Ｈ（ｕ，ｖ）‖を
算出する。したがって、パワー算出手段１７０２の操作
は次式で表現される。

【０２５３】

【数３５】

【０２５４】ここで、

【外１７２】および

【外１７３】はそれぞれフーリエ成分の実成分と虚成分とを表す。

【０２５５】平滑化手段１７０３は、例えばよく知られ
た２次元ガウス関数Ｇ（ｕ，ｖ；σ）を用いてフーリエ
パワースペクトラム‖Ｈ（ｕ，ｖ）‖の畳み込み演算
（ガウシアンフィルタリング）を行うことによって平滑
化する。平滑化した画像をＪ（ｕ，ｖ）と表すと、平滑
化手段１７０３の操作は次式で表現される。

【０２５６】

【数３６】

【０２５７】なお、２次元ガウス関数のパラメータσ
は、入力画像が５１２×５１２の場合には、約３〜７画
素（単位は周波数領域（ｕ，ｖ）の２次元画像の画素）
に設定すればよい。

【０２５８】サンプリング手段１７０４は、得られたＪ
（ｕ，ｖ）の画素を周波数領域で帯域制限をかけるよう
にするため、次式の条件を満たす座標（ｕ，ｖ）の画素
を図１８に示すように適当な間隔でサンプリングする。

【０２５９】ｒ₁ ＜ｕ²＋ｖ² ＜ｒ₂ （５６）ｖ ≧ ０（５７）

【０２６０】なお、ｒ１＝２０とし、ｒ２＝８０とし、
サンプリングの間隔ｄを１０×１０画素程度として、２
００弱の点を参照し、特徴ベクトル

【外１７４】を作成し出力する。

【０２６１】また、得られた特徴ベクトル

【外１７５】の大きさ

【外１７６】は、目的とする指紋紋様の信号成分の強弱を反映してお
り、特徴ベクトル抽出の品質指標値として用いることも
できる。

【０２６２】特徴ベクトルに関する処理以外の処理は、
これまでに説明したきた実施例などと同様に処理するこ
とで、本実施例の皮膚紋様照合システムを構築すること
ができる。

【０２６３】なお、このように得られた隆線方向パター
ン以外の特徴に基づく特徴抽出から得られる特徴量を隆
線方向パターンと合わせて用いても構わない。

【０２６４】（７）本発明の皮膚紋様照合システムの
第６の実施例および本発明の皮膚紋様特徴解析装置の第
４の実施例

【０２６５】これまでの実施例では、ＫＬ展開を行った
特徴ベクトルを用いた場合の照合や解析について説明を
行ったが、本発明の皮膚紋様照合システムおよび皮膚紋
様特徴解析装置は必ずしもＫＬ展開による特徴を用いた
照合技術や解析技術に限定されるものではない。ここで
は、その例として、指紋紋様中のコアやデルタなどの特
異点間特徴を利用した場合の実施例について説明する。

【０２６６】指紋紋様中のコアやデルタの数は、通常は
渦状紋で最大数を取り、その数は各々２個の計４個であ
る。この４個の特異点を結ぶ線分は₄Ｃ₂＝６本あり、
その長さやその線分と隆線とが交わる交点の数（交差隆
線数）の計１２次元の特徴が特徴量として用いられる。
また、これらの特徴量に対しては確信度を付与すること
ができる。確信度は、本発明でいう品質指標とすること
ができるので、以下では品質指標と呼ぶことにする。こ
れらの特徴量およびその特徴量に対応する品質指標を、
ここでは以下のようにベクトル表記する。

【０２６７】

【数３７】

【０２６８】ただし、てい状紋のようにコアやデルタの
数が各２個に達せずに特異点間の特徴量がない場合や、
コアやデルタを検出できなかった場合には、確信度の値
域外の値（例えば−１）を品質指標値とする（ここで、
確信度の値は、０〜１の値とする）。

【０２６９】図１９は、本発明の皮膚紋様照合システム
（指紋照合システム）の第６の実施例の基本構成を示す
ブロック図である。第１の実施例（図１参照）の構成と
の主な相違は、ＫＬ展開を行うためのベクトル展開手段
等を備えていない点である。

【０２７０】すなわち、本実施例の皮膚紋様照合システ
ムは、画像入力手段１９０１，特徴ベクトル抽出手段１
９０２，誤差分布情報記憶手段１９０３，品質指標抽出
手段１９０４，および信頼度付与手段１９０５を備える
特徴抽出部１９１と、データベース管理手段１９０６お
よびデータ記憶手段１９０７を備えるデータベース部１
９２と、類似度算出手段１９０８および判定手段１９０
９を備える照合部１９３とを含んで構成されている。

【０２７１】次に、このように構成された本実施例の皮
膚紋様照合システムの動作について説明する。

【０２７２】特徴ベクトル抽出手段１９０２は、コアや
デルタ間の特異点間の距離や交差隆線数による特徴量

【外１７７】を抽出する。

【０２７３】品質指標抽出手段１９０４は、上述の確信
度を品質指標として抽出する。

【０２７４】誤差分布情報記憶手段１９０３は、誤差分
布情報として特徴ベクトル

【外１７８】の各要素ｖ_i毎に、品質指標に応じた誤差の標準偏差σ
_i（ｑ_i）をルックアップテーブル形式で格納する。た
だし、品質指標値が−１である場合、つまりデータが欠
損している場合には、予め定めた定数を与える。この値
は、通常の得られる誤差の標準偏差の１０００倍程度の
大きさにしておけばよい（あるいは、予め標準偏差の逆
数を出力するような場合には０を与えればよい）。

【０２７５】信頼度付与手段１９０５は、品質指標をエ
ントリとして誤差分布情報記憶手段１９０３のテーブル
を参照することで、信頼度のベクトル

【外１７９】を出力する。

【０２７６】以降の処理は、第１の実施例における処理
と同様に行えばよい。

【０２７７】誤差分布情報記憶手段１９０３に登録して
おく誤差の標準偏差のテーブルは、図２０に示す皮膚紋
様特徴解析装置２０１を用いて処理すればよい。

【０２７８】この皮膚紋様特徴解析装置２０１が、本発
明の皮膚紋様特徴解析装置の第４の実施例に該当する。

【０２７９】本実施例の皮膚紋様特徴解析装置２０１
は、特徴ベクトル抽出手段２００１と、品質指標抽出手
段２００２と、誤差分布情報解析手段２００３とを含ん
で構成されている。

【０２８０】次に、このように構成された本実施例の皮
膚紋様特徴解析装置２０１の動作について説明する。

【０２８１】特徴ベクトル抽出手段２００１は、データ
セットの画像から、式（６８）の特徴ベクトル

【外１８０】を抽出する。また、品質指標抽出手段２００２は、デー
タセットの画像から、式（５９）の品質指標を抽出す
る。

【０２８２】誤差分布情報解析手段２００３は、皮膚紋
様特徴解析装置の第１の実施例における誤差分布情報解
析手段５０６と同様に、誤差分布を解析し、特徴ベクト
ルの各次元毎に品質指標

【外１８１】に応じた誤差の標準偏差を求め、２次元のルックアップ
テーブルを作成する。この際に、データに対する品質指
標が−１であるとき、つまり特徴量に欠損があるときに
は、そのデータのその特徴次元を無視して誤差の統計計
算には含めないようにしておく。

【０２８３】以上のように、必ずしもＫＬ展開を必要と
せずとも、精度のよい皮膚紋様照合システムや皮膚紋様
特徴解析装置を構成することが可能となる。

【０２８４】ところで、上述の（１）〜（７）に示した
実施例の説明では、１指の指紋を対象にして説明を行っ
たが、本発明を１０指指紋カードに適用することができ
ることはいうまでもない。本発明を１０指指紋カードに
適用した場合には、特徴抽出部に関しては上述の（１）
や（５）などで述べた処理と全く同様に、１指に対する
処理を１０指に対して繰り返し行えばよい。データベー
ス部や照合部に関しては、１０指分の特徴ベクトルと信
頼度ベクトルとを１つのデータのまとまりとして取り扱
えば、１指の場合と全く同様に処理を行うことができ
る。なお、１０指の場合には、ＫＬ展開によって展開し
た１指の特徴量（例えば、５次元特徴ベクトル）を１０
指分集めて５０次元特徴ベクトルと見倣し、この特徴ベ
クトルに対してさらに主成分分析を行い、ＫＬ展開を再
び行い、上位の１〜２次元だけを用いることで、１０指
分のデータを削減することができる。この場合の信頼度
としては、例えば各指の信頼度ベクトルを

【外１８２】（Ｃ）として式（２５）に従って演算を行えばよい。こ
のようにＫＬ展開をカード単位の特徴量に繰り返すこと
で、さらに特徴次元数を削減できる。特に、カード単位
の特徴量は、上述の（１）で述べたように途中で処理を
打ち切る場合に有効であり、カード単位の特徴をはじめ
の段階で処理することで、少ない演算の段階で多くの指
紋カードを不一致判定できるので、照合に関する平均演
算量を大幅に削減することができる。

【０２８５】また、これまでの説明では指紋に関する処
理について述べたが、例えば掌紋の場合にも指紋の場合
と同様に皮膚隆線があり本発明を適用することが可能で
ある。掌紋の場合には、例えば、図２１に示すように拇
指を除いた４指の付け根部分に隆線によるデルタが存在
する。紙に押捺された掌紋内の４つのデルタ部分を例え
ば５００ｄｐｉで５１２×５１２画素に対応する大きさ
に切り出して画像入力すれば、これらの掌紋の部分画像
を（１０指ではなく）４指の指紋カードのように見倣し
て全く同様に処理できる。

【０２８６】なお、本発明は以上に述べた実施例にのみ
限定されず、その他各種の付加変更が可能である。例え
ば、図１の皮膚紋様照合システムをはじめとした各実施
例の各装置は、汎用コンピュータを用いて上記のように
動作するようにプログラムすることによっても実現でき
る。

【０２８７】

【発明の効果】以上説明したように、本発明の画像照合
システム（皮膚紋様照合システム等），ならびに画像特
徴抽出装置（皮膚紋様特徴抽出装置等）および画像特徴
解析装置（皮膚紋様特徴解析装置等）によれば、統計的
な裏付けがある信頼度抽出が可能になり、照合の識別性
能を向上させることができ、かつ高速でコストパフォー
マンスがよい照合システムを実現することができるとい
う効果が生じる。

【０２８８】また、本発明の画像特徴解析装置を用いる
ことにより、上記の照合システムに必要な各種パラメー
タを容易に精度よく求めることができるという効果があ
る。

【図面の簡単な説明】

【図１】本発明の画像照合システム（皮膚紋様照合シス
テム）の第１の実施例の構成を示すブロック図である。

【図２】隆線方向パターンとその信頼度とをグラフ的に
表した図（線分の向きが隆線方向を表し、線分の大きさ
が信頼度を表す）である。

【図３】図１中の品質指標抽出手段の一例の構成を示す
ブロック図である。

【図４】図１中の誤差分布情報記憶手段に記憶される誤
差の標準偏差テーブルを説明するための図である。

【図５】本発明の画像特徴解析装置（皮膚紋様特徴解析
装置）の第１の実施例の構成を示すブロック図である。

【図６】図５に示す皮膚紋様特徴解析装置の処理を示す
流れ図である。

【図７】図５に示す皮膚紋様特徴解析装置における誤差
の標準偏差テーブルの一例をグラフ表現した図である。

【図８】本発明の画像照合システム（皮膚紋様照合シス
テム）または画像特徴解析装置（皮膚紋様特徴解析装
置）の第２の実施例における品質指標抽出手段の原理を
説明するための図である。

【図９】本発明の画像照合システム（皮膚紋様照合シス
テム）または画像特徴解析装置（皮膚紋様特徴解析装
置）の第２の実施例における品質指標抽出手段の構成を
示すブロック図である。

【図１０】図９に示す品質指標抽出手段の処理を示す流
れ図である。

【図１１】本発明の画像特徴解析装置（皮膚紋様特徴解
析装置）の第２の実施例における誤差の標準偏差テーブ
ルを説明するための図である。

【図１２】本発明の画像特徴解析装置（皮膚紋様特徴解
析装置）の第２の実施例における誤差の標準偏差テーブ
ルの一例をグラフ表現した図である。

【図１３】本発明の画像照合システム（皮膚紋様照合シ
ステム）または画像特徴解析装置（皮膚紋様特徴解析装
置）の第３の実施例における品質指標抽出手段の構成を
示すブロック図である。

【図１４】図１３に示す品質指標抽出手段の処理を示す
流れ図である。

【図１５】本発明の画像照合システム（皮膚紋様照合シ
ステム）の第４の実施例の構成を示すブロック図であ
る。

【図１６】指紋画像のフーリエ変換による特徴を説明す
るための図である。

【図１７】本発明の画像照合システム（皮膚紋様照合シ
ステム）の第５の実施例における特徴ベクトル抽出手段
の構成を示すブロック図である。

【図１８】図１７に示す特徴ベクトル抽出手段を説明す
るための図である。

【図１９】本発明の画像照合システム（皮膚紋様照合シ
ステム）の第６の実施例の構成を示すブロック図であ
る。

【図２０】本発明の画像特徴解析装置（皮膚紋様特徴解
析装置）の第４の実施例の構成を示すブロック図であ
る。

【図２１】本発明を掌紋に適用する場合の例を説明する
ための図である。

【図２２】本発明の考え方を説明するための図である。

【符号の説明】

１１，１５１，１９１特徴抽出部１２，１５２，１９２データベース部１３，１５３，１９３照合部１４，１５４，１９４制御部３１画像データ３２品質指標データ５１，２０１皮膚紋様特徴解析装置９０，１０６，１３０，５０５，１９０４，２００２
品質指標抽出手段１０１，１５０１，１９０１画像入力手段１０２，５０１，１９０２，２００１特徴ベクトル抽
出手段１０３，５０４，１５０４ベクトル展開手段１０４，５０３，１５０３主成分ベクトル記憶手段１０５，１９０３誤差分布情報記憶手段１０７，１９０５信頼度付与手段１０８，１５１８，１９０６データベース管理手段１０９，１５１９，１９０７データ記憶手段１１０，１５１６，１９０８類似度算出手段１１１，１５１７，１９０９判定手段３０１隆線方向信頼度抽出手段３０２第２の主成分ベクトル記憶手段３０３データ変換手段５０２主成分ベクトル算出手段５０６，２００３誤差分布情報解析手段９０１，１３０２距離算出手段９０２距離更新手段９０３データベース９０４，１３０７制御手段１３０１第１方向パターン記憶手段１３０３パラメータ更新手段１３０４第２方向パターン記憶手段１３０５アフィン変換手段１３０６第３方向パターン記憶手段１５０２隆線方向抽出手段１５０５空間距離算出手段１５０６寄与度算出手段１５０７中心点検出手段１５０８座標整合手段１５０９第１信頼度付与手段１５１０第２信頼度付与手段１５１１第３信頼度付与手段１５１２信頼度推定手段１５１３第１誤差分布情報記憶手段１５１４第２誤差分布情報記憶手段１５１５第３誤差分布情報記憶手段１７０１フーリエ変換手段１７０２パワー算出手段１７０３平滑化手段１７０４サンプリング手段

Claims

(57)【特許請求の範囲】

【請求項１】皮膚紋様画像から特徴量を抽出する画像
特徴抽出装置において、皮膚紋様画像の特徴ベクトルを抽出する特徴ベクトル抽
出手段と、皮膚紋様画像の品質指標を抽出する品質指標抽出手段
と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相対関係を誤差分布情報として記
憶する誤差分布情報記憶手段と、前記品質指標抽出手段から得られる品質指標を用いて、
前記誤差分布情報記憶手段に記憶される誤差分布情報を
参照し、前記特徴ベクトル抽出手段によって抽出された
特徴ベクトルに対応する信頼度情報を特徴量に付与する
信頼度付与手段とを少なくとも備え、少なくとも特徴ベクトルと信頼度情報とを皮膚紋様画像
の特徴量として抽出すること特徴とする画像特徴抽出装
置。
【請求項２】皮膚紋様画像から特徴量を抽出する画像
特徴抽出装置において、皮膚紋様画像の特徴ベクトルを抽出する特徴ベクトル抽
出手段と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルのベクトル展開に必要なパラメータを記憶するパラ
メータ記憶手段と、前記パラメータ記憶手段に記憶されているパラメータを
用いて、前記特徴ベクトル抽出手段から得られる特徴ベ
クトルをベクトル展開するベクトル展開手段と、皮膚紋様画像の品質指標を抽出する品質指標抽出手段
と、前記ベクトル展開手段によるベクトル展開後の特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相関関係を誤差分布情報として記
憶する誤差分布情報記憶手段と、前記品質指標抽出手段から得られる品質指標を用いて、
前記誤差分布情報記憶手段に記憶される誤差分布情報を
参照し、前記ベクトル展開手段によるベクトル展開後の
特徴ベクトルに対応する信頼度情報を特徴量に付与する
信頼度付与手段とを少なくとも備え、少なくとも特徴ベクトルと信頼度情報とを皮膚紋様画像
の特徴量として抽出すること特徴とする画像特徴抽出装
置。
【請求項３】予め設定した画像の局所領域毎に皮膚紋
様の流れ特徴を抽出し、その各局所領域の流れ特徴を特
徴ベクトルとして算出する特徴ベクトル抽出手段を備え
ることを特徴とする請求項１または請求項２記載の画像
特徴抽出装置。
【請求項４】品質指標をエントリとしてその品質指標
に対する特徴ベクトルの誤差分布の標準偏差や分散をル
ックアップテーブルとして参照できるように構成されて
いる誤差分布情報記憶手段を備えることを特徴とする請
求項１または請求項２記載の画像特徴抽出装置。
【請求項５】特徴ベクトルの主成分分析によって得ら
れる主成分ベクトルを１つないし複数記憶する主成分ベ
クトル記憶手段を少なくとも有するパラメータ記憶手段
を備えることを特徴とする請求項２記載の画像特徴抽出
装置。
【請求項６】予め用意した複数の特徴ベクトルを登録
するデータベース部と、入力された特徴ベクトルと前記
データベース部中の各特徴ベクトルとの距離を算出する
距離算出部とを少なくとも備え、前記データベース部中
の各特徴ベクトルとの距離の最小値を品質指標として抽
出する品質指標抽出手段を備えることを特徴とする請求
項１または請求項２記載の画像特徴抽出装置。
【請求項７】請求項３に記載した特徴ベクトル抽出手
段，請求項４に記載した誤差分布情報記憶手段，請求項
５に記載したパラメータ記憶手段，および請求項６に記
載した品質指標抽出手段のうちの全てまたはいずれか複
数の手段を備えることを特徴とする請求項１または請求
項２記載の画像特徴抽出装置。
【請求項８】請求項１，請求項３，請求項４，請求項
６，または請求項７に記載した誤差分布情報記憶手段に
記憶される誤差分布情報を算出する画像特徴解析装置で
あって、複数の皮膚紋様画像の特徴ベクトルを抽出する特徴ベク
トル抽出手段と、複数の皮膚紋様画像の品質指標を抽出する品質指標抽出
手段と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相関関係を誤差分布情報として算
出する誤差分布情報解析手段とを少なくとも備えること
を特徴とする画像特徴解析装置。
【請求項９】請求項２，請求項４，請求項５，請求項
６，または請求項７に記載した誤差分布情報記憶手段に
記憶される誤差分布情報を算出する画像特徴解析装置で
あって、複数の皮膚紋様画像から特徴ベクトルを抽出する特徴ベ
クトル抽出手段と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルの分布を解析し、ベクトル展開に必要なパラメータを算出するパラメータ
算出手段と、前記パラメータ算出手段によって算出されたパラメータ
を記憶するパラメータ記憶手段と、前記パラメータ記憶手段に記憶されるパラメータを用い
て、前記特徴ベクトル抽出手段から得られる特徴ベクト
ルをベクトル展開するベクトル展開手段と、複数の皮膚紋様画像の品質指標を抽出する品質指標抽出
手段と、前記ベクトル展開手段によるベクトル展開後の特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相関関係を誤差分布情報として算
出する誤差分布情報解析手段とを少なくとも備えること
を特徴とする画像特徴解析装置。
【請求項１０】予め設定した画像の局所領域毎に皮膚
紋様の流れ特徴を抽出し、その各局所領域の流れ特徴を
特徴ベクトルとして算出する特徴ベクトル抽出手段を備
えることを特徴とする請求項８または請求項９記載の画
像特徴解析装置。
【請求項１１】特徴ベクトルの誤差分布の標準偏差や
分散を離散化した品質指標毎に算出し、品質指標をエン
トリとしてその品質指標に対する誤差分布の標準偏差や
分散をルックアップテーブルとして出力する誤差分布情
報解析手段を備えることを特徴とする請求項８または請
求項９記載の画像特徴解析装置。
【請求項１２】ベクトル展開に必要なパラメータを算
出する際に、特徴ベクトル分布解析を主成分分析によっ
て行い、得られる主成分ベクトルの１つないし複数を少
なくともパラメータとして算出するパラメータ算出手段
を備えることを特徴とする請求項９記載の画像特徴解析
装置。
【請求項１３】予め用意した複数の特徴ベクトルを登
録するデータベース部と、入力された特徴ベクトルと前
記データベース部中の各特徴ベクトルとの距離を算出す
る距離算出部とを少なくとも備え、前記データベース部
中の特徴ベクトルと入力された特徴ベクトルとの距離の
最小値を品質指標として抽出する品質指標抽出手段を備
えることを特徴とする請求項８または請求項９記載の画
像特徴解析装置。
【請求項１４】請求項１０に記載した特徴ベクトル抽
出手段，請求項１１に記載した誤差分布情報解析手段，
請求項１２に記範したパラメータ算出手段，および請求
項１３に記載した品質指標抽出手段のうちの全てまたは
いずれか複数の手段を備えることを特徴とする請求項８
または請求項９記載の画像特徴解析装置。
【請求項１５】皮膚紋様画像から特徴量を抽出し、そ
の特徴量を用いて入力された皮膚紋様画像と登録された
皮膚紋様画像との同一性を判定することにより、皮膚紋
様画像の照合を行う画像照合システムにおいて、請求項１，請求項２，請求項３，請求項４，請求項５，
請求項６，および請求項７記載の画像特徴抽出装置のい
ずれかから得られる特徴ベクトル，ならびに当該特徴ベ
クトルに対する信頼度情報を照合に必要な特徴量として
少なくとも用い、照合対象となる皮膚紋様画像間の類似
度を算出することによって皮膚紋様画像の同一性の判定
を行うことを特徴とする画像照合システム。
【請求項１６】画像から特徴量を抽出する画像特徴抽
出装置において、画像の特徴ベクトルを抽出する特徴ベクトル抽出手段
と、画像の品質指標を抽出する品質指標抽出手段と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相対関係を誤差分布情報として記
憶する誤差分布情報記憶手段と、前記品質指標抽出手段から得られる品質指標を用いて、
前記誤差分布情報記憶手段に記憶される誤差分布情報を
参照し、前記特徴ベクトル抽出手段によって抽出された
特徴ベクトルに対応する信頼度情報を特徴量に付与する
信頼度付与手段とを少なくとも備え、少なくとも特徴ベクトルと信頼度情報とを画像の特徴量
として抽出すること特徴とする画像特徴抽出装置。
【請求項１７】画像から特徴量を抽出する画像特徴抽
出装置において、画像の特徴ベクトルを抽出する特徴ベクトル抽出手段
と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルのベクトル展開に必要なパラメータを記憶するパラ
メータ記憶手段と、前記パラメータ記憶手段に記憶されているパラメータを
用いて、前記特徴ベクトル抽出手段から得られる特徴ベ
クトルをベクトル展開するベクトル展開手段と、画像の品質指標を抽出する品質指標抽出手段と、前記ベクトル展開手段によるベクトル展開後の特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相関関係を誤差分布情報として記
憶する誤差分布情報記憶手段と、前記品質指標抽出手段から得られる品質指標を用いて、
前記誤差分布情報記憶手段に記憶される誤差分布情報を
参照し、前記ベクトル展開手段によるベクトル展開後の
特徴ベクトルに対応する信頼度情報を特徴量に付与する
信頼度付与手段とを少なくとも備え、少なくとも特徴ベクトルと信頼度情報とを画像の特徴量
として抽出すること特徴とする画像特徴抽出装置。
【請求項１８】請求項１６に記載した誤差分布情報記
憶手段に記憶される誤差分布情報を算出する画像特徴解
析装置であって、複数の画像の特徴ベクトルを抽出する特徴ベクトル抽出
手段と、複数の画像の品質指標を抽出する品質指標抽出手段と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相関関係を誤差分布情報として算
出する誤差分布情報解析手段とを少なくとも備えること
を特徴とする画像特徴解析装置。
【請求項１９】請求項１７に記載した誤差分布情報記
憶手段に記憶される誤差分布情報を算出する画像特徴解
析装置であって、複数の画像から特徴ベクトルを抽出する特徴ベクトル抽
出手段と、前記特徴ベクトル抽出手段によって抽出された特徴ベク
トルの分布を解析し、ベクトル展開に必要なパラメータ
を算出するパラメータ算出手段と、前記パラメータ算出手段によって算出されたパラメータ
を記憶するパラメータ記憶手段と、前記パラメータ記憶手段に記憶されるパラメータを用い
て、前記特徴ベクトル抽出手段から得られる特徴ベクト
ルをベクトル展開するベクトル展開手段と、複数の画像の品質指標を抽出する品質指標抽出手段と、前記ベクトル展開手段によるベクトル展開後の特徴ベク
トルの誤差分布と前記品質指標抽出手段によって抽出さ
れた品質指標との間の相関関係を誤差分布情報として算
出する誤差分布情報解析手段とを少なくとも備えること
を特徴とする画像特徴解析装置。
【請求項２０】画像から特徴量を抽出し、その特徴量
を用いて入力された画像と登録された画像との同一性を
判定することにより、画像の照合を行う画像照合システ
ムにおいて、請求項１６または請求項１７記載の画像特徴抽出装置か
ら得られる特徴ベクトル，および当該特徴ベクトルに対
する信頼度情報を照合に必要な特徴量として少なくとも
用い、照合対象となる画像間の類似度を算出することに
よって画像の同一性の判定を行うことを特徴とする画像
照合システム。