JP5660126B2 - 識別装置、識別方法、及びプログラム - Google Patents

Description

本発明は、登録された生体データの中から入力された生体データと同じユーザの生体データを識別する識別装置に関する。

パーソナルコンピュータ（以降、ＰＣ）などの情報処理機器におけるセキュリティの一例として、生体情報（バイオメトリクス）による個人認証がある。生体情報による個人認証に指紋が用いられる場合、静電容量式指紋センサや光学式指紋センサにより、ユーザの指から指紋が画像情報として採取される。ユーザの指紋は、例えば、指紋センサの採取面に接触しうる隆線と、同採取面に接触しない谷線とからなる紋様の画像情報として採取される。採取された指紋画像である生体データから特徴情報が抽出され、抽出された特徴情報と予め登録されている特徴情報とが照合されることにより、ユーザが本人であるか否かの判定、すなわち、個人認証が行われる。生体データとしての指紋画像の特徴情報には、例えば、隆線の分岐点や端点の位置情報などがある。なお、生体データは、ユーザの生体から採取されるデータであり、例えば、指紋画像である。特徴情報は、生体データから抽出された、ユーザの生体の特徴に関する情報である。

また、入力された生体データ又は特徴情報と登録された生体データ又は特徴情報とを照合する方法として、１対Ｎ認証と呼ばれる方法がある。１対Ｎ認証は、識別子を入力するなどのユーザを特定するための処理を実施せずに、予め登録されている複数の生体データ又は特徴情報から、入力された生体データのユーザと一致するユーザの生体データ又は特徴情報を識別する方法である。１対Ｎ認証では、入力された生体データ又は特徴情報が登録された全ての生体データ又は特徴情報に対して照合される場合、処理が煩雑になるため、照合対象となる生体データ又は特徴情報を絞り込んでから照合が行われることがある。例えば、クラス分類を用いて、入力された生体データ又は特徴情報が生体データの類似性に基づいて分類されたクラスに登録される生体データ又は特徴情報に照合対象が絞り込まれる技術がある。

特開２００６−３９７７７号公報 特開２００６−７２４２９号公報

しかしながら、クラス分類を用いて１対Ｎ認証が行われる場合には、生体データの登録時又は識別時にクラス分類が失敗すると、登録されている本人であっても拒否されたり、登録されていない人が受け入れられたりする可能性がある。すなわち、クラス分類を用いて1対Ｎ認証が行われる場合には、認証精度が低下するおそれがある。

例えば、生体情報を入力するためのセンサデバイスが指などの生体よりも小さい場合には、分類に必要なだけの生体情報が得られないことにより、クラス分類が失敗する可能性がある。

図２４は、接触型センサデバイスによって取得された指紋の画像の例である。外側の破線で示される枠は、精度よく照合するために必要とされる範囲を示す。内側の実線で示される枠は、接触型センサデバイスによって読み取られる指紋画像の範囲を示す。

図２４に示されるように、照合に必要とされる範囲に対して、センサデバイスの読み取り範囲が小さい場合には、クラス分類を行うための情報の不足によって、登録時および識別時の生体データのクラス分類が失敗する可能性が高くなる。

生体データのクラス分類が失敗すると、登録された本人であるにもかかわらず認証が失敗する確率（本人拒否率）が上昇したり、登録された本人以外の他人が認証される確率（他人受入率）が上昇したりする。クラス分類の失敗の結果として、認証精度が低下してしまうことがある。

本発明の一態様は、認証精度を向上する照合装置を提供することを目的とする。

本発明の態様の一つは、識別装置である。識別装置は、入力生体データの特徴に基づいて、複数の登録生体データがいずれか少なくとも１つのクラスに分類されて登録されている複数のクラスから、前記入力生体データを分類する２つ以上のクラスを決定する分類決定部と、
前記入力生体データと、前記入力生体データが分類された前記２つ以上の各クラスに登録されている各登録生体データとの類似度を算出する算出部と、
前記入力生体データとの類似度に基づいて、前記２つ以上の各クラスに登録されている登録生体データの中から前記入力生体データのユーザと同じユーザのデータを識別する識別部と
を備える。

本発明の他の態様の一つは、上述した識別方法である。また、本発明の他の態様は、情報処理装置に識別方法を実行させるプログラム、及び当該プログラムを記録したコンピュータ読み取り可能な記録媒体を含むことができる。

開示の識別装置によれば、認証精度を向上することができる。

識別装置の構成例を示す図である。 識別装置の外観の一例を示す図である。 入力された指紋画像の一例を示す図である。 信頼度の算出に用いられるニューラルネットワークの例を示す図である。 格納部に保持されるデータのデータ構造の一例を示す図である。 ユーザ情報のデータ構造の一例を示す図である。 照合対象抽出用情報のデータ構造の一例を示す図である。 類似度と他人受入率の関係の例を示す図である。 識別装置の生体データの登録処理のフローの例を示す図である。 識別装置の生体データの識別処理のフローの例を示す図である。 識別装置の生体データの識別処理のフローの例を示す図である。 指紋の特異点の例を示す図である。 Ｗｈｏｒｌ型の指紋の紋様の特徴の例を示す図である。 右Ｌｏｏｐ型の指紋の紋様の特徴の例を示す図である。 左Ｌｏｏｐ型の指紋の紋様の特徴の例を示す図である。 Ａｒｃｈ型の指紋の紋様の特徴の例を示す図である。 Ｔｅｎｔｅｄ Ａｒｃｈ型の指紋の紋様の特徴の例を示す図である。 Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型それぞれの特徴を表形式にまとめたものである。 識別装置の構成例を示す図である。 特異点と中心軸とに基づくクラス分類と信頼度とが定められた表の例を示す。 入力データの例を示す図である。 入力データの例を示す図である。 登録時と識別時とで、生体データの入力範囲が異なる場合の生体データの例を示す図である。 識別装置の構成例を示す図である。 入力された生体データ（指紋画像）の入力範囲と部分領域抽出部によって抽出された部分領域との関係の例を示す図である。 入力された生体データ（指紋画像）の入力範囲と部分領域抽出部によって抽出された部分領域との関係の例を示す図である。 入力された生体データ（指紋画像）の入力範囲と部分領域抽出部によって抽出された部分領域との関係の例を示す図である。 特異点を含まない生体データ（指紋画像）の例を示す。 特徴情報の生成処理フローの例を示す図である。 識別装置の構成例を示す図である。 接触型センサデバイスによって取得された指紋の画像の例である。

以下、図面を参照して、本発明の実施をするための形態（以下、実施形態という）について説明する。以下の実施形態の構成は例示であり、本発明は実施形態の構成に限定されない。

＜第１実施形態＞
第１実施形態において、識別装置は、登録時に生体情報の特徴情報を１つ又はそれ以上のクラスに分類して登録する。識別装置は、照合時にも、入力された生体情報を１つ又はそれ以上のクラスに分類する。識別装置は、入力された生体情報と同じ１つ以上のクラスに登録される特徴情報のそれぞれと入力された生体情報とを照合して、入力された生体情報の識別を行う。第１実施形態では、生体情報として指紋を用いる個人認証の処理について説明される。

＜＜識別装置の構成＞＞
図１は、識別装置の構成例を示す図である。また、図２は、識別装置の外観の一例を示す図である。

識別装置１は、例えば、図２に示されるように、指紋センサおよびディスプレイを備えるコンピュータである。識別装置1は、例えば、識別装置１としてのコンピュータにログインするユーザの認証を行う。図２に示されるコンピュータは、プロセッサ，主記憶装置，補助記憶装置，入力装置，出力装置，及びネットワークインターフェース等を備える。

コンピュータは、プロセッサが記録媒体に記録されたプログラムを主記憶装置の作業領域にロードして実行し、プログラムの実行を通じて、所定の目的に合致した機能を実現することができる。

プロセッサは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＤＳＰ（Ｄａｔａ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）である。主記憶装置は、例えば、ＲＡＭ（Ｒａｎｄａｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）やＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）を含む。主記憶装置は、ＣＰＵに作業領域を提供する。補助記憶装置は、例えば、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ），又は，ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの不揮発性の記録媒体である。また、補助記憶装置は、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）やＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）などのディスク記録媒体、又は、フラッシュメモリ等の可搬記録媒体を含む。

入力装置は、指紋センサに加え，キーボード，ポインティングデバイス，マウス，カメラのような映像や画像の入力装置，およびマイクロフォンなどの音声の入力装置を含む。出力装置は、ディスプレイに加え，プリンタ，及びスピーカなどの音声の出力装置を含む。

ネットワークインターフェースは、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）インターフェースボートや、無線通信のための無線通信回路である。

指紋センサは、例えば、静電容量式指紋センサや光学式指紋センサである。また、指紋センサは、ＰＣに内蔵されていてもよいし、外付けの別装置であってもよい。第１実施形態では、静電容量式指紋センサを指紋センサとして用いる場合について説明される。

識別装置１として使用されるコンピュータは、プロセッサによる記録媒体上のプログラムを実行することによって、特徴抽出部１２，登録部１３，照合対象抽出部１４，照合部１５，閾値設定部１６，判定部１７として動作する。入力部１１は、識別装置１として使用されるコンピュータに備えられた静電容量式指紋センサである。また、格納部１８は、静的に、又は、プログラムの実行を通じて補助記憶装置の記憶領域に作成される。

入力部１１は、静電容量式指紋センサであり、ユーザの指の長さよりも十分に短く、また、指の幅よりも狭い小面積の矩形状の指紋画像の採取面を有している。入力部１１は、採取面に接して相対的に移動するユーザの指の指紋を映像化し、ユーザの指の指紋について複数の部分画像を連続的に採取する。入力部１１は、採取されたユーザの指紋の複数の部分画像を特徴抽出部１２に出力する。

特徴抽出部１２は、入力部１１から、ユーザの指紋の部分画像を入力として得る。特徴抽出部１２は、入力された複数の部分画像から、ユーザの指の指紋の画像を生体データとして再構成し、再構成された生体データから特徴情報を抽出する。

図３は、入力された指紋画像の一例を示す図である。静電容量式指紋センサによって採取される指紋画像は、採取面に接触しうる隆線と採取面に接触しない谷線とからなる紋様である。マニューシャ（特徴点）には、例えば、指紋の隆線が途切れた端である端点、及び、指紋の隆線が２つ以上に分岐した分岐点がある。

特徴抽出部１２は、再構成された生体データ（指紋画像）から、端点及び分岐点を抽出し、抽出された端点及び分岐点の位置及び方向を検出する。生体データ（指紋画像）から抽出された端点や分岐点の情報は、当該生体データの特徴情報と呼ばれる。

特徴抽出部１２は、分類部１２１を含む。識別装置１には、指紋の紋様の特徴に基づいた複数のクラスが予め設定されている。分類部１２１は、生体データを識別装置１に予め設定された複数のクラスのうちの１つ以上のクラスに分類する。

分類部１２１は、信頼度算出部１２１ａを含む。信頼度算出部１２１ａは、入力された生体データの、それぞれのクラスに対する信頼度を算出する。信頼度は、生体データの、それぞれのクラスらしさ、すなわち、それぞれのクラスに分類されるための条件を満たす度合いを示す数値である。

信頼度算出部１２１ａは、例えば、予め設定された複数の指紋パターンを教師データとする学習器によって実現される。例えば、信頼度算出部１２１ａは、ニューラルネットワーク又は遺伝的アルゴリズムなどの非線形的なクラス分類を実現する学習器を利用することができる。

図４は、信頼度の算出に用いられるニューラルネットワークの例を示す図である。信頼度算出部１２１ａは、例えば、図４に示されるニューラルネットワークを用いて信頼度を算出する。

ニューラルネットワークは、図４に示されるように、入力層、中間層、出力層の３層からなる誤差逆伝播法によって実現される。ニューラルネットワークが信頼度算出部１２１ａの信頼度の算出に用いられる場合には、出力層にはクラスの数だけニューロンが準備される。ニューラルネットワークに含まれる各ニューロンは、予め教師データとしての生体データの各クラスに対する信頼度を学習済みである。

信頼度算出部１２１ａは、ニューラルネットワークに、例えば、特徴情報に含まれる端点の数及び分岐点の数などの生体データの特徴情報を入力し、出力層の各ニューロンから出力を得る。信頼度算出部１２１ａは、出力層の各ニューロンの出力結果を、入力された生体データの各クラスに対する信頼度とする。

分類部１２１は、信頼度算出部１２１ａによって算出された生体データの特徴情報の各クラスに対する信頼度が分類閾値を超えるクラスに生体データの特徴情報を分類する。このとき、信頼度が分類閾値を超えるクラスが複数ある場合には、分類部１２１は、生体データの特徴情報を該当する複数のクラスに分類する。

特徴抽出部１２は、登録処理時には、ユーザ識別子，生体データの特徴情報，信頼度算出部１２１ａによって算出された各クラスに対する信頼度，及び分類部１２１によって分類されたクラスを登録部１３に出力する。特徴抽出部１２は、識別処理時には、分類部１２１によって生体データの特徴情報が分類されたクラスを照合対象抽出部１４に出力し、ユーザの生体データの特徴情報と、特徴情報の各クラスに対する信頼度とを照合部１５に出力する。

登録部１３は、格納部１８に情報を格納するとともに、格納部１８に保持される情報の更新を行う。登録部１３は、特徴抽出部１２から、ユーザ識別子と、該ユーザの生体データの特徴情報と、各クラスに対する信頼度と、分類されたクラスとを入力として得る。登録部１３は、情報の更新日時などの必要な情報と共に、特徴抽出部１２から入力された生体データに関する情報を格納部１８に格納する。

格納部１８には、ユーザ情報１８１と照合対象抽出用情報１８２とが保持されている。ユーザ情報１８１は、識別装置１に登録されているユーザの生体データに関する情報であって、ユーザごとにデータが保持される。照合対象抽出用情報１８２は、入力された生体データの識別処理時に、入力された生体データの照合対象を効率よく抽出するために用いられる、各クラスに登録される生体データに関する情報を含むクラスに関する情報である。

図５は、格納部１８に保持されるデータのデータ構造の一例を示す図である。格納部１８には、ユーザ情報総数と、ユーザ情報１８１と、特徴情報総数と、照合対象抽出用情報１８２とが格納されている。ユーザ情報総数は、格納部１８に保持されるユーザ情報の数を示す数値である。特徴情報総数は、格納部18に保持される特徴情報の数を示す数値である。一人のユーザにつき複数の生体データを登録する場合があるので、ユーザ情報総数と特徴情報総数は異なる数値を示すことがある。また、ユーザ情報総数と特徴情報総数とは、新たにユーザ情報及び特徴情報が格納部１８に格納される際に、登録部１３によって更新される。

図６は、ユーザ情報１８１のデータ構造の一例を示す図である。ユーザ情報１８１は、識別装置１に登録されるユーザに関する情報であって、ユーザ識別子，ユーザ名，グループ名，生成時刻，更新時刻，生体データ情報数，及び生体データごとの生体データ情報１８１１を含む。

ユーザ識別子は、ユーザを識別するための識別子であり、各ユーザ間で重複しない英数字の文字列である。ユーザ名は、ユーザの本名であってもニックネームであってもよく、生体データの登録時にユーザによって指定される。例えば、ユーザ名は、識別装置１としてのコンピュータにログインする際のユーザ名である。グループ名は、当該ユーザが属するグループの名前であって、例えば、部署ごとのグループである。生成時刻は、当該ユーザ情報が格納部１８に格納された時刻である。更新時刻は、当該ユーザ情報が更新された時刻である。生成時刻及び更新時刻は、当該ユーザ情報が登録及び更新される際に、登録部１３によって格納される。生体データ情報数は、識別装置１に登録されている当該ユーザの生体データの生体データ情報１８１１の数を示す数値である。生体データ情報数は、当該ユーザの生体データの生体データ情報１８１１が新たに登録される際に、登録部１３によって更新される。生体データ情報１８１１は、生体データ情報数が示す数値の分だけ当該ユーザ情報１８１に含まれる。

生体データ情報１８１１は、当該ユーザの識別装置１に登録される生体データの特徴情報に関する情報である。生体データ情報１８１１は、特徴情報識別子，生体データ種別，更新時刻，特徴情報，クラス数，クラスごとのクラス情報１８１１−１を含む。

特徴情報識別子は、識別装置１に登録される生体データの特徴情報を識別するための識別子であって、特徴情報間で重複のない英数字の文字列である。生体データ種別は、生体データの種類を示す。生体データ種別には、例えば、指紋，掌紋，鼻紋，掌形，掌静脈，指静脈，声紋，顔貌，耳介等がある。第１実施形態において、識別装置１の入力部１１によって、ユーザの指紋画像が生体データとして入力されるので、生体データ情報１８１１の生体データ種別には、“指紋”が格納される。更新時刻は、当該生体データ情報１８１１が更新された時刻であって、更新される際に登録部１３によって格納される。特徴情報は、特徴抽出部１２から登録部１３に入力され、登録部１３によって登録された生体データの特徴情報である。クラス数は、識別装置１に設定されたクラスの数を示す数値である。

クラス情報１８１１−１は、識別装置１に設定された各クラスに関する情報であって、クラス識別子と信頼度とを含む。クラス識別子は、クラスを識別するための識別子であって、クラス間で重複のない英数字の文字列である。信頼度は、信頼度算出部１２１ａによって算出された特徴情報の当該クラスに対する信頼度である。

図７は、照合対象抽出用情報１８２のデータ構造の一例を示す図である。照合対象抽出用情報１８２は、予め設定されるクラスごとに登録される生体データのリストを有する。

照合対象抽出用情報１８２は、登録クラスリスト数と、登録クラスごとの登録クラスリスト１８２１とを含む。登録クラスリスト数は、登録クラスリストの数であって、識別装置１に登録されているクラスの数と同じ数値である。

登録クラスリスト１８２１は、クラスに登録されている生体データの特徴情報のリストである。登録クラスリスト１８２１は、クラス識別子，クラス構成要素数，及びクラス構成要素数が示す数値分のクラス構成要素情報１８２１−１を含む。

クラス構成要素数は、当該クラスに分類される生体データの特徴情報の数を示す数値である。クラス構成要素数は、当該クラスに新たに生体データの特徴情報が登録される際に、登録部１３によって更新される。

クラス構成要素情報１８２１−１は、当該クラスに分類されている生体データの特徴情報に関する情報である。クラス構成要素情報１８２１−１は、信頼度，ユーザ識別子，生体情報種別，特徴情報識別子，及び特徴情報格納位置情報を含む。信頼度は、信頼度算出部１２１ａによって算出された当該生体データの特徴情報の当該クラスに対する信頼度である。特徴情報格納位置情報は、当該特徴情報が保持される位置、すなわち、当該特徴情報が格納されるユーザ情報１８１の生体データ情報１８１１を示す。

登録部１３は、特徴抽出部１２から、ユーザ識別子と、該ユーザの生体データの特徴情報と、各クラスに対する信頼度と、分類されたクラスとを入力として得ると、例えば、図６及び図７に示されるようなデータ構造のユーザ情報１８１と照合対象抽出用情報１８２とに登録する。

照合対象抽出部１４は、生体データの識別処理時に、入力された生体データの特徴情報が分類部１２１によって分類されたクラスを、特徴抽出部１２から入力として得る。

以降、生体データの識別処理時に識別装置１に入力される生体データの特徴情報は入力データと称される。識別装置１に登録されている生体データの特徴情報、すなわち、格納部１８に保持される生体データの特徴情報は登録データと称される。

照合対象抽出部１４は、登録データの中から、入力データが分類された１つ以上のクラスに含まれる登録データのうち、抽出用閾値以上の信頼度を有する登録データを、入力データの照合対象として抽出する。抽出用閾値は、入力データが分類された１つ以上のクラスに含まれる登録データが多い場合に、さらに、照合対象を絞り込むために用いられ、分類閾値と同じかそれより大きい値である。

照合対象抽出部１４は、格納部１８の照合対象抽出用情報１８２から、該当する登録データのリストを照合対象抽出結果情報として生成する。照合対象抽出結果情報は、入力データが分類されたクラスごとに生成される。照合対象抽出結果情報のデータ構造は、登録クラスリストと同一のデータ構造を利用できる。

なお、抽出用閾値と入力データ及び登録データをクラスに分類する際に用いられる分類閾値とが一致する場合には、登録クラスリストをそのまま照合対象抽出結果情報として用いることができる。

照合対象抽出部１４は、照合対象抽出結果情報を照合部１５と閾値設定部１６とに出力する。

照合部１５は、生体データの識別処理時に、特徴抽出部１２からユーザの生体データの特徴情報（入力データ）と特徴情報の各クラスに対する信頼度を入力として得る。照合部１５は、照合対象抽出部１４から入力データが分類されたクラスごとの照合対象抽出結果情報を入力として得る。

照合部１５は、入力データと、入力データが分類されたクラスごとの照合対象抽出結果情報に含まれる登録データとを照合し、入力データの各登録データに対する類似度を求める。マニューシャ法の場合は、入力データと登録データとの特徴情報間で対応づけられるマニューシャ（特徴点）同士のユークリッド距離の差や角度の差を用いて類似度を算出する。又は、マニューシャを利用する場合には、さらに特徴情報間で対応づけられる１組のマニューシャ間の隆線本数，１組のマニューシャ間の隆線及び谷線に沿った距離に基づいて類似度を算出してもよい。

照合部１５は、入力データが分類されたクラスごとの照合対象抽出結果情報に含まれる各登録データに対する入力データの類似度を算出すると、照合対象抽出結果情報と、算出された類似度と、入力データの各クラスに対する信頼度とを判定部１７に出力する。

閾値設定部１６は、照合対象抽出部１４から入力データが分類されたクラスごとの照合対象抽出結果情報を入力として得る。閾値設定部１６は、入力データが分類された各クラスに対して、識別判定閾値を設定する。識別判定閾値は、入力データのユーザと同じユーザの登録データであることを判定するための、入力データと登録データとの類似度の閾値である。

例えば、閾値設定部１６は、識別装置１の他人受入率（ＦＡＲ：Ｆａｌｓｅ Ａｃｃｅｐｔ Ｒａｔｅ）から、各クラスの他人受入率を求め、各クラスの他人受入率に応じて各クラスの識別判定閾値を決定する。クラスｉに設定される識別判定閾値はＴｉと表記される。識別装置１全体に期待される他人受入率はＦＡＲと表記される。クラスｉの他人受入率はＦＡＲ(Ｔｉ)と表記される。クラスｉにおいて照合対象抽出部１４によって照合対象として抽出された登録データの数、すなわち、クラスｉにおいて抽出用閾値より大きい信頼度の登録データが識別装置１に登録される特徴情報の総数に占める割合はＲｉと表記される。

識別装置１の他人受入率ＦＡＲとクラスｉの他人受入率ＦＡＲ(Ｔｉ)の関係は以下の式１で示される。

特徴情報数Ｎに対して、１対１認証の他人受入率ＦＡＲ１１である認証手段を用いて１対Ｎ認証を行うとき、１対Ｎ認証の他人受入率ＦＡＲ１Ｎは式２のように推測される。

式２より、特徴情報が絞り込まれることによって、１対Ｎ認証のＦＡＲ１Ｎが低減される。反対に、他人受入率ＦＡＲ１Ｎが一定である場合には、特徴情報数Ｎが絞り込まれた分だけ他人受入率ＦＡＲ１１が大きな値となる。すなわち、他人受入率ＦＡＲ１１を大きな値に緩和するには、特徴情報数Ｎを絞り込めばよい。

例えば、クラス１の登録データが占める割合Ｒ１が０．１、識別装置１に期待される他人受入率ＦＡＲが０．０００１である場合には、式１よりクラス１に期待される他人受入率ＦＡＲ(Ｔ１)は０．００１である。すなわち、照合対象の特徴情報を０．１に絞り込まれることによって、クラス１に期待される他人受入率ＦＡＲ（Ｔ１）は識別装置１に期待される他人受入率ＦＡＲの１０倍に緩和される。閾値設定部１６は、クラス１に期待される他人受入率ＦＡＲ（Ｔ１）が０．００１となるように、クラス１の識別判定閾値Ｔ１を決定する。

図８は、類似度と他人受入率の関係の例を示す図である。類似度と他人受入率の関係は離散的なデータとなるため、図８は、テーブルで定められた類似度と他人受入率の関係に、線形補完等で内挿されたものである。

図８に示されるように、類似度と他人受入率との間には、他人受入率が小さくなるほど類似度は大きくなり、他人受入率が大きくなるほど類似度は小さくなる関係がある。したがって、クラスｉに期待される他人受入率ＦＡＲ（Ｔｉ）を、特徴情報数Ｎを絞り込むことによって、識別装置１に期待される他人受入率ＦＡＲよりも緩和することができ、クラスｉの識別判定閾値を小さい値に設定することができる。

閾値設定部１６は、クラスｉに期待される他人受入率ＦＡＲ（Ｔｉ）が求められると、例えば、格納部１８に保持される図８に示されるような類似度と他人受入率との関係の表に基づいて、クラスｉの識別判定閾値を決定する。

閾値設定部１６は、入力データが分類された各クラスについて識別判定閾値を求める。閾値設定部１６は、各クラスの識別判定閾値を求める際に、各クラスで共通した類似度と他人受入率との関係の表（図８）を用いてもよいし、クラスごとに異なる類似度と他人受入率との関係の表を用いてもよい。

閾値設定部１６は、入力データが分類された各クラスの識別判定閾値を判定部１７に出力する。

判定部１７は、入力データが分類されたクラスごとの照合対象抽出結果情報，各照合対象抽出結果情報に含まれる各登録データに対する入力データの類似度，入力データの各クラスに対する信頼度，及び入力データが分類された各クラスの識別判定閾値を入力として得る。判定部１７は、入力データが分類されたクラスのうち、入力データの信頼度が高いクラスから順に、入力データに対する登録データの類似度と、当該クラスの識別判定閾値とを比較する。まず、判定部１７は、最も入力データの信頼度が高いクラスについて、各登録データの類似度と識別判定閾値との比較を行う。

判定部１７は、当該クラスの識別判定閾値を超える類似度の登録データがある場合には、当該登録データは入力データと同一のユーザの生体データであることを判定する。判定部１７は、当該登録データに対応付けられているユーザ識別子（照合対象抽出結果情報に含まれる）を識別結果として出力する。

また、当該クラスの識別判定閾値を超える類似度の登録データが複数ある場合には、判定部１７は、最も類似度が大きい登録データを、入力データと同一のユーザの生体データであることを判定する。判定部１７は、当該登録データに対応付けられたユーザ識別子を識別結果として出力する。

一方、登録データのうち、当該クラスの識別判定閾値を超える登録データがない場合には、判定部１７は、次に信頼度の高いクラスについて、各登録データの類似度と識別判定閾値との比較を行う。

判定部１７は、入力データと同一のユーザの生体データである登録データが識別されるまで、上記の処理を繰り返す。

入力データが分類された全てのクラスについて、各登録データの類似度と識別判定閾値との比較が行われた結果、入力データと同一のユーザの生体データであると識別される登録データがない場合には、判定部１７は識別失敗を出力する。

また、判定部１７は、入力データが分類された各クラスで最大の類似度を有し、且つ、類似度が識別判定閾値を超える登録データを抽出し、抽出された登録データの中で最大の類似度を有する登録データを識別結果としてもよい。入力データが分類された各クラスで最大の類似度を有し、且つ、類似度が識別判定閾値を超える登録データがない場合には、判定部１７は、識別失敗を判定する。

分類部１２１は、態様における分類決定部に相当する。照合部１５は、態様における算出部に相当する。判定部１７は、態様における識別部に相当する。閾値設定部１６は、設定部に相当する。

＜＜生体データの登録処理のフロー＞＞
図９は、識別装置１の生体データの登録処理のフローの例を示す図である。識別装置１は、ユーザの操作によって生体データの登録が指示されると、生体データの登録処理を開始する。

ユーザが入力部１１を通じて生体データを入力する（ＯＰ１）。特徴抽出部１２は入力部１１に入力された生体データから特徴を抽出し、特徴情報を生成する（ＯＰ２）。

信頼度算出部１２１ａが、特徴抽出部１２によって生成された特徴情報を用いて、入力された生体データの特徴情報の各クラスに対する信頼度を算出する（ＯＰ３）。分類部１２１は、算出された信頼度が分類閾値を超えるクラスに入力された生体データの特徴情報を分類する（ＯＰ４）。分類部１２１によって、入力された生体データの特徴情報は、１つ以上のクラスに分類される。

登録部１３は、分類部１２１によって分類されたクラスの登録クラスリストに入力された生体データの登録情報を登録する（ＯＰ５）。

以上のように、識別装置１は、生体データの特徴情報の各クラスに対する信頼度を算出し、信頼度に基づいて生体データの特徴情報をクラス分類し、１つ以上のクラスに生体データの特徴情報を登録する。

＜＜生体データの識別処理のフロー＞＞
図１０Ａ及び図１０Ｂは、識別装置１の生体データの識別処理のフローの例を示す図である。識別装置１は、例えば、識別装置１としてのコンピュータにユーザがログインすると、ユーザの当該コンピュータの使用を認証するための生体データの識別処理を開始する。

ユーザによって入力部１１を通じて生体データが入力される（ＯＰ１１）。特徴抽出部１２は入力部１１に入力された生体データから特徴を抽出し、特徴情報を生成する（ＯＰ１２）。

信頼度算出部１２１ａが、特徴抽出部１２によって生成された特徴情報を用いて、入力された生体データの特徴情報（以降、入力データ）の各クラスに対する信頼度を算出する（ＯＰ１３）。分類部１２１は、算出された信頼度が分類閾値を超えるクラスに入力データを分類する（ＯＰ１４）。分類部１２１によって、入力データは、１つ以上のクラスに分類される。

照合対象抽出部１４は、格納部１８に保持される照合対象抽出用情報１８２の中から、入力データが分類されたクラスに登録され、抽出用閾値よりも大きい信頼度を有する特徴情報（以降、登録データ）を抽出する（ＯＰ１５）。照合対象抽出部１４は、入力データが分類されたクラスごとに、照合対象抽出結果情報（図７参照）を生成する。

照合部１５は、特徴抽出部１２から入力される入力データと、照合対象抽出部１４から入力される入力データが分類されたクラスごとの照合対象抽出結果情報に含まれる各特徴情報とを照合し、類似度を算出する（ＯＰ１６）。閾値設定部１６は、入力データが分類されたクラスそれぞれに識別判定閾値を設定する（ＯＰ１７）。

判定部１７は、照合部１５によって算出された各登録データの類似度と、閾値設定部１６によって設定された各クラスの識別判定閾値とを比較し、登録データの中から入力データのユーザの生体データを判定する（ＯＰ１８）。具体的な処理は、以下の通りである（図１０Ｂ）。

判定部１７は、入力データが分類されたクラスの中から、入力データの信頼度が最も高いクラスを選択する（ＯＰ２１）。判定部１７は、選択されたクラスの識別判定閾値と、選択されたクラスの抽出用閾値より大きい信頼度の登録データの類似度とを比較する（ＯＰ２２）。判定部１７は、識別判定閾値を超える登録データがあるか否かを判定する（ＯＰ２３）。

識別判定閾値を超える登録データがある場合には（ＯＰ２３：Ｙｅｓ）、判定部１７は、識別判定閾値を超える登録データのうち最も類似度が高い登録データを、入力データと同じユーザの生体データであると識別し、識別結果を成功とする（ＯＰ２４）。その後処理が、ＯＰ１９（図１０Ａ）に進む。

識別判定閾値を超える登録データがない場合には（ＯＰ２３：Ｎｏ）、判定部１７は、入力データが分類された全てのクラスについてチェックしたか否かを判定する（ＯＰ２５）。

チェックしていないクラスが残っている場合には（ＯＰ２５：Ｎｏ）、処理がＯＰ２１に戻り、判定部１７は、入力データが分類されたクラスの中から次に入力データの信頼度が高いクラスを選択し、ＯＰ２２、ＯＰ２３の処理を繰り返す。

入力データが分類された全てのクラスについてチェックが完了した場合には（ＯＰ２５：Ｙｅｓ）、入力データが分類された全てのクラスにおいて入力データと同じユーザの生体データが識別されないことが示される。したがって、判定部１７は、識別結果を失敗とする（ＯＰ２６）。その後処理がＯＰ１９に進む。

判定部１７は、識別結果を出力する（ＯＰ１９）。識別結果が成功の場合には、判定部１７は、入力データと同一のユーザの生体データであると識別された登録データのユーザ識別子を出力する。識別結果が失敗の場合には、判定部１７は、識別失敗を出力する。

＜＜第１実施形態の作用効果＞＞
第１実施形態の識別装置１は、登録時に生体データを１つ以上のクラスに分類して登録し、識別時にも入力された生体データを１つ以上のクラスに分類する。識別装置１は、入力された生体データが分類されたクラスに登録されている生体データと入力された生体データとを照合し、入力された生体データと同一のユーザの生体データを識別する。登録時及び識別時に、分類閾値よりも信頼度が大きいクラスが複数ある場合には生体データを複数のクラスに分類することで、１つのクラスのみに分類する場合に比べてクラス分類の失敗を低減することができ、認証性能を向上させることができる。

＜第２実施形態＞
第２実施形態において、識別装置は、特徴情報として指紋の特異点を用いる。また、第２実施形態において、識別装置は、特異点に基づいた指紋の紋様に着目してクラス分類を行う。なお、第２実施形態では、第１実施形態と共通する部分の説明は省略される。

図１１は、指紋の特異点の例を示す図である。特異点は、例えば、指紋の紋様中の隆線が急激に変化する部分である。

特異点には、例えば、隆線のなす曲率が高い指紋中心と、隆線又は谷線が３方向に広がっている三角州とがある。指紋中心はコア、三角州はデルタとも呼ばれる。

指紋中心には、指先を上方向と定めた場合に、上側に凸形状となっている指紋中心と下側に凸形状となっているものとがある。第２実施形態では、上側に凸形状の指紋中心は上凸コアと呼ばれる。下側に凸形状の指紋中心は下凸コアと呼ばれる。

指紋中心は、曲率が高い部分から次第に曲率が緩くなって隆線が伸びていく形状である。このとき、指紋中心から隆線が伸びていく方向を平均した方向は中心軸と呼ばれる。

第２実施形態では、特徴情報として、図１１に示されるような、指紋中心や三角州などの特異点と中心軸とが用いられる。また、第２実施形態では、特異点と中心軸の位置関係によって分類される指紋の紋様の分類がクラスとして用いられる。

特異点と中心軸とに基づいた指紋の紋様の分類には、例えば、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型がある。

図１２Ａ，図１２Ｂ，図１２Ｃ，図１２Ｄ，及び図１２Ｅは、特異点と中心軸とに基づいた指紋の紋様の分類の例を示す。図１３は、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型それぞれの特徴を表にまとめたものである。図１２Ａ，図１２Ｂ，図１２Ｃ，図１２Ｄ，及び図１２Ｅにおいて、指紋中心，三角州，及び中心軸は記号化されて表示されている。

図１２Ａは、Ｗｈｏｒｌ型の指紋の紋様の特徴の例を示す図である。Ｗｈｏｒｌ型に分類される指紋の紋様の特徴は、１つの上凸コアと１つの下凸コアと２つのデルタとが存在すること、及び２つのデルタは中心軸を挟んで位置することである（図１３参照）。

図１２Ｂは、右Ｌｏｏｐ型の指紋の紋様の特徴の例を示す図である。右Ｌｏｏｐ型に分類される指紋の紋様の特徴は、１つの上凸コアと１つのデルタとが存在すること、及びデルタが中心軸の左側に位置することである（図１３参照）。

図１２Ｃは、左Ｌｏｏｐ型の指紋の紋様の特徴の例を示す図である。左Ｌｏｏｐ型に分類される指紋の紋様の特徴は、１つの上凸コアと１つのデルタとが存在すること、及びデルタが中心軸の右側に位置することである（図１３参照）。

図１２Ｄは、Ａｒｃｈ型の指紋の紋様の特徴の例を示す図である。Ａｒｃｈ型に分類される指紋の紋様の特徴は、１つの上凸コアが存在すること、及び中心軸が存在しないことである（図１３参照）。

図１２Ｅは、Ｔｅｎｔｅｄ Ａｒｃｈ型の指紋の紋様の特徴の例を示す図である。Ｔｅｎｔｅｄ Ａｒｃｈ型に分類される指紋の紋様の特徴は、１つの上凸コアと１つのデルタとが存在すること、及び中心軸のほぼ延長上にデルタが存在することである（図１３参照）。

第２実施形態において、識別装置は、指紋の紋様の分類、すなわち、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型をそれぞれクラスとして用いる。

図１４は、第２実施形態における、識別装置の構成例を示す図である。第２実施形態において、識別装置１Ｂは、第１実施形態における識別装置１の構成に、さらに、特異点検出部１２２と中心軸検出部１２３とを含む。

特異点検出部１２２は、入力部１１から入力された指紋画像（生体データ）から、特異点（指紋中心と三角州）を検出する。中心軸検出部１２３は、生体データから中心軸を検出する。特異点検出部１２２によって検出された特異点と、中心軸検出部１２３によって検出された中心軸とは、特徴情報として扱われる。

分類部１２１は、特異点検出部１２２によって検出された特異点と中心軸検出部１２３によって検出された中心軸とを含む特徴情報のクラス分類を信頼度に基づいて行う。

図１５は、特異点と中心軸とに基づくクラス分類と信頼度とが定められた表の例を示す。第２実施形態において、分類部１２１及び信頼度算出部１２１ａは、図１５に示される表に基づいて、特徴情報が分類されるクラスと各クラスに対する信頼度とを決定する。図１５に示される例では、１つの入力データが該当する可能性のあるクラスが多くなるほど、各クラスに対する信頼度が低くなるように信頼度が設定されている。例えば、入力データが、１つの上凸コア，１つの下凸コア，２つのデルタを含む場合には、入力データが該当する可能性のあるクラスはＷｈｏｒｌ型のみなので、当該入力データの信頼度は１００となる。例えば、入力データに１つの上凸コアしか含まれない場合には、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型のいずれにも該当する可能性がある。この場合、Ｗｈｏｒｌ型の信頼度は３０，右Ｌｏｏｐ型及び左Ｌｏｏｐ型の信頼度は２０，Ａｒｃｈ型及びＴｅｎｔｅｄ Ａｒｃｈ型の信頼度は１５となる。また、図１５に示される表では、特異点の数に加え、特徴情報に含まれる特異点又は中心軸を基準とする上下左右の範囲の広さにも基づいて、特徴情報が該当する可能性のあるクラスが定義される。図１５に示される表における信頼度の設定は例であり、信頼度は、例えば、予め求められた各クラスの正規分布のデータに合わせて決定される。

図１６は、入力データの例を示す図である。入力データＤ１は、ユーザの指先側の狭い範囲のみが入力された例である。入力部１１から入力される指紋画像（生体データ）が、常に指紋の全体像を含むとは限らず、図１６に示される例における入力データＤ１のように、指紋の一部分の画像しか入力されない場合もある。

入力データＤ１は、上凸コアのみを画像の下側に有する。入力データＤ１の場合、上凸コアの下側が所定の閾値よりも狭いので、図１５及び図１６に示されるように、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型に該当する可能性がある。例えば、信頼度算出部１２１ａが図１５に示される表を用いる場合には、入力データＤ１に対する各クラスの信頼度は、Ｗｈｏｒｌ型は３０，右Ｌｏｏｐ型及び左Ｌｏｏｐ型は２０，Ａｒｃｈ型及びＴｅｎｔｅｄ Ａｒｃｈ型は１５と決定される。

例えば、入力データＤ１において上凸コアの下側が所定の閾値よりも十分に広い入力データの場合には、当該入力データはＡｒｃｈ型に該当する可能性が高くなる。例えば、信頼度算出部１２１ａが図１５に示される表を用いる場合には、入力データＤ１に対する信頼度は、Ａｒｃｈ型は１００、その他のクラスの信頼度は０と決定される。

図１７は、入力データの例を示す図である。入力データＤ２は、ユーザの指紋の一部分が入力された例である。

入力データＤ２は、１つの上凸コアと中心軸の左側にデルタを有する。また、入力データＤ２の上凸コアの中心軸の左側は所定の閾値よりも十分に広くない。したがって、入力データＤ２は、図１５及び図１７に示されるように、Ｗｈｏｒｌ型及び右Ｌｏｏｐ型に該当する可能性がある。例えば、信頼度算出部１２１ａが図１５に示される表を用いる場合には、入力データＤ２に対する信頼度は、Ｗｈｏｒｌ型は６０、右Ｌｏｏｐ型は４０，その他のクラスは０と決定される。

分類部１２１は、信頼度算出部１２１ａによって算出された信頼度と分類閾値とを比較して、生体データの特徴情報が分類される１つ以上のクラスを決定する。このとき、分類閾値はＷｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型それぞれで、異なっていてもよい。理想的な状態で入力された生体データがＷｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型のいずれか１つに分類される場合、クラスごとに分類される分布が異なる。例えば、所定数のサンプル生体データがある場合、Ａｒｃｈ型に分類される生体データの割合に比べて、Ｗｈｏｒｌ型に分類される生体データの割合が大きくなるという結果が得られる。この結果を参照すると、例えば、１つの上凸コアのみを含む生体データが入力された場合には、当該生体データはＡｒｃｈ型よりもＷｈｏｒｌ型である確率の方が高くなるので、例えば、Ｗｈｏｒｌ型の分類閾値は低く、Ａｒｃｈ型の分類閾値は高く設定される。このとき、図１５に示される表のように、Ｗｈｏｒｌ型の信頼度が最も高く割り当てられている場合には、Ｗｈｏｒｌ型から優先的に識別処理が行われることになる。したがって、或る生体データの識別処理時に、当該生体データが分類される可能性の高いクラスにより多くの生体データが登録されることになるため、識別処理をより効率よく行うことができる。

その後、生体データの特徴情報は、登録部１３へ出力され、登録部１３によって格納部１８に格納される。又は、生体データの特徴情報は、照合部１５へ出力され、照合処理が行われる。

第２実施形態において、識別装置１Ｂは、指紋の紋様の特異点及び中心軸に基づいて、生体データをＷｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，及びＴｅｎｔｅｄ Ａｒｃｈ型の中で該当する可能性のある１つ以上のクラスに分類する。生体データが指紋の一部分しか含まない場合でも、生体データが該当する可能性のある１つ以上のクラスに分類され、登録又識別が行われることによってクラス分類の失敗の発生率を下げることができ、誤認証が防がれ、認証精度が向上する。

＜第３実施形態＞
第３実施形態において、識別装置は、ユーザの指の面積に対して小さい面積の生体データを取得する。第３実施形態では、第１実施形態及び第２実施形態と共通する部分の説明は省略される。

図１８は、登録処理時と識別処理時とで、生体データの入力範囲が異なる場合の生体データの例を示す図である。図１８では、同一のユーザの同一の指において、登録処理時及び認証処理時に入力される指紋画像の例が示される。ユーザの指の指紋の範囲は点線で示される。指紋センサで読み取られた指紋の入力範囲は実線で囲まれた範囲である。また、図１８では、例えば、指紋センサの採取面積が狭い場合に取得される指紋画像が示される。

例えば、指先のような生体部位の範囲に対して、指紋センサなどの生体データ入力装置の採取面が十分大きい場合には、ユーザの生体データの入力の際に位置ずれあっても、生体データが欠けることがない。そのため、登録時の生体データと識別時の生体データとでクラス分類結果が一致しやすく、高い類似度が算出されやすい。

一方、生体部位の範囲に対して、生体データ入力装置の採取面積が小さい場合には、ユーザが生体データを入力するときに位置ずれがあると、登録時と識別時とで生体情報の入力範囲が異なる。図１８に示される例では、登録時には、生体データの入力範囲に上凸コアが含まれているが、識別時には、生体データの入力範囲には上凸コアは含まれず、デルタが１つ含まれる。図１８に示される例では、同じユーザの同じ指の指紋であったとしても、登録時と識別時とで入力範囲に含まれる特異点が異なるため、クラス分類の結果が異なってしまい、類似度も低くなり、認証されにくくなる。

第３実施形態において、識別装置に入力される生体データの入力範囲は生体部位よりも小さい場合が想定される。

図１９は、識別装置１Ｃの構成例を示す図である。識別装置１Ｃは、第２実施形態における識別装置１Ｂの構成に加え、部分領域抽出部１２４を有する。

部分領域抽出部１２４（抽出部に相当）は、入力部１１から入力された生体データ（指紋画像）を得る。部分領域抽出部１２４は、入力された指紋画像から部分領域を抽出する。部分領域は、指紋認証アルゴリズムの特性から要求される指紋画像の最小の長さ及び幅で規定される面積、又は、運用に利用される指紋センサ（入力部１１）の採取面の最小の長さ及び幅で規定される面積を基準とする。

部分領域抽出部１２４は、入力された指紋画像の面積に基づいて、複数回指紋データを採取するか否かを判定する。例えば、部分領域抽出部１２４は、生体データ（指紋画像）の入力範囲が部分領域の長さ,幅に基づいて定められた入力回数判定閾値以上の場合に、生体データから複数の部分領域を抽出する。生体データの入力範囲が部分領域の長さ,幅に基づいて定められた入力回数判定閾値より小さい場合には、部分領域抽出部１２４は、部分領域を抽出するとともに、入力部１１に対して複数回生体データを取得するように指示する。入力回数判定閾値は、入力部１１によって複数回生体データが取得されるべきかを判定するための生体データの入力範囲の大きさの閾値であって、部分領域の範囲より十分に大きい。

部分領域抽出部１２４は、入力された生体データの接触範囲の端から最も近い特異点を含むようにして部分領域を抽出する。なお、部分領域は、特異点が部分領域の周辺から所定の距離となるように調整されて抽出される。

図２０Ａ，図２０Ｂ，及び図２０Ｃは、入力された生体データ（指紋画像）の入力範囲と部分領域抽出部１２４によって抽出された部分領域との関係の例を示す図である。

図２０Ａは、生体データの入力範囲が入力回数判定閾値以上の場合の例を示す。図２０Ａに示される例の場合、部分領域抽出部１２４は、１回の入力された生体データから複数の部分領域を抽出する。部分領域Ｄ３１は、入力された生体データの上端に最も近い特異点を含む範囲が抽出された例である。部分領域Ｄ３２は、入力された生体データの下端に最も近い特異点を含む範囲が抽出された例である。部分領域Ｄ３３は、入力された生体データの左端に最も近い特異点を含む範囲が抽出された例である。

図２０Ｂは、生体データの入力範囲が部分領域とほぼ同じ大きさの場合の例を示す。例えば、ユーザは指紋センサの採取面に十分指を接触させているものの、指紋センサの採取面の寸法が小さい場合である。部分領域Ｄ４１は、入力された生体データの上端に最も近い特異点を含む範囲が抽出された例であり、図２０Ａにおける部分領域Ｄ３１と同じ範囲である。部分領域Ｄ４２は、入力された生体データの下端に最も近い特異点を含む範囲が抽出された例であり、図２０Ａにおける部分領域Ｄ３２と同じ範囲である。部分領域Ｄ４３は、入力された生体データの左端に最も近い特異点を含む範囲が抽出された例であり、図２０Ａにおける部分領域Ｄ３３と同じ範囲である。

図２０Ｃは、生体データの入力範囲が部分領域よりも小さい場合の例を示す。例えば、指紋センサの採取面の寸法は部分領域に対して十分大きいものの、ユーザの指と指紋センサの採取面との接触面積が小さい場合である。部分領域Ｄ５１は、入力された生体データの上端に最も近い特異点を含む範囲が抽出された例であり、図２０Ａにおける部分領域Ｄ３１と、図２０Ｂにおける部分領域Ｄ４１と同じ範囲である。部分領域Ｄ５２は、入力された生体データの下端に最も近い特異点を含む範囲が抽出された例であり、図２０Ａにおける部分領域Ｄ３２と、図２０Ｂにおける部分領域Ｄ４２と同じ範囲である。部分領域Ｄ５３は、入力された生体データの左端に最も近い特異点を含む範囲が抽出された例であり、図２０Ａにおける部分領域Ｄ３３と、図２０Ｂにおける部分領域Ｄ４３と同じ範囲である。

図２０Ｂ及び図２０Ｃのいずれの場合にも、入力範囲が入力回数判定閾値よりも小さいので、部分領域抽出部１２４は、入力部１１に複数回生体データを取得するように指示を出す。

指紋画像が複数回取得される場合には、部分領域抽出部１２４は、所定の条件が満たされた場合に指紋画像の入力完了を入力部１１に指示する。例えば、部分領域抽出部１２４は、分類部１２１によるクラス分類の結果が同じ部分領域ごとの特徴情報が所定数に達した場合に、部分領域抽出部１２４が生体データの入力完了を検出する。

例えば、図２０Ｂにおける部分領域Ｄ４１の特徴情報が分類されたクラスを信頼度の順に並び換え、同じ結果が得られる部分領域の生体データが所定回数（例えば３回）入力された場合に生体データの入力完了が検出される。

部分領域抽出部１２４は、生体データの入力範囲が入力回数判定閾値よりも小さく、さらに部分領域よりも小さい値の部分領域抽出判定閾値よりも小さい場合には、入力された生体データからの部分領域の抽出が不可能であると判定する。この場合、部分領域抽出部１２４は、入力された生体データを破棄し、入力部１１に生体データの取得を指示する。

特異点検出部１２２及び中心軸検出部１２３は、部分領域抽出部１２４によって抽出された部分領域の生体データから、特異点及び中心軸を検出し、部分領域ごとに特徴情報を生成する。

分類部１２１は、特異点検出部１２２及ぶ中心軸検出部１２３によって生成された部分領域の特徴情報をＷｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，Ｔｅｎｔｅｄ Ａｒｃｈ型の少なくとも１つに分類する。

図２０Ａ，図２０Ｂ，及び図２０Ｃにおける、部分領域Ｄ３１，Ｄ４１，Ｄ５１は、同一ユーザの同一指の同一の範囲である。同じく、部分領域Ｄ３２，Ｄ４２，Ｄ５２は、同一ユーザの同一指の同一の範囲である。部分領域Ｄ３３，Ｄ４３，Ｄ５３は、同一ユーザの同一指の同一の範囲である。

部分領域Ｄ３１，Ｄ４１，Ｄ５１は、いずれも上凸コアを１つ含み、上凸コアの下側が狭いので、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，Ｔｅｎｔｅｄ Ａｒｃｈ型のすべてに該当する可能性がある。信頼度算出部１２１ａが図１５に示される表を用いる場合には、信頼度は、Ｗｈｏｒｌ型は３０、右Ｌｏｏｐ型及び左Ｌｏｏｐ型は２０，Ａｒｃｈ型及びＴｅｎｔｅｄ Ａｒｃｈ型は１５となる。

部分領域Ｄ３２，Ｄ４２，Ｄ５２は、いずれも上凸コアと下凸コアとを１つずつ含むので、Ｗｈｏｒｌ型に該当する可能性がある。信頼度算出部１２１ａが図１５に示される表を用いる場合には、Ｗｈｏｒｌ型に対する信頼度は１００となる。

部分領域Ｄ３３，Ｄ４３，Ｄ５３は、いずれもデルタを１つ含み、デルタの上側が広いので、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型に該当する可能性がある。信頼度算出部１２１ａが図１５に示される表を用いる場合には、信頼度は、Ｗｈｏｒｌ型は４０，右Ｌｏｏｐ型及び左Ｌｏｏｐ型は３０となる。

したがって、図２０Ａ，図２０Ｂ，図２０Ｃのいずれの例においても、同一ユーザの同一指の同一の範囲の部分領域の特徴情報のクラス分類は同じになる。部分領域の特徴情報を用いて登録及び認証する場合にも、適正にクラス分類が行われる。

入力された生体データに特異点が含まれない場合には、部分領域抽出部１２４は、最も特徴的な形状を持つ領域を含むようにして部分領域を抽出する。この時抽出された部分領域は、特異点および中心軸が含まれないことが特徴情報となる。この特徴情報は、分類部１２１によって、Ｗｈｏｒｌ型，右Ｌｏｏｐ型，左Ｌｏｏｐ型，Ａｒｃｈ型，Ｔｅｎｔｅｄ Ａｒｃｈ型に分類される。

図２１は、特異点を含まない生体データ（指紋画像）の例を示す。図２１では、特異点は含まれないものの、単調な波形の隆線が並行に近い状態で並んでいる。この場合、部分領域抽出部１２４は、各隆線の曲率が最も高くなる箇所を検出し、各隆線の曲率が最も高くなる箇所を可能な限り多く含む範囲で部分領域を抽出する。なお、図２１に示される例の場合には、分類部１２１は、上凸コアを含むとみなして特徴情報を分類してもよい。また、図２１において、部分領域として抽出されるのは、隆線の曲率が最も高くなる箇所に限定されず、例えば、所定の範囲の隆線に関して、隆線の接線の傾きの変化量の平均が最も高くなる範囲が部分領域として抽出されてもよい。

特徴抽出部１２は、抽出された部分領域のそれぞれに対して、特徴情報を生成し、クラス分類をし、信頼度を算出する。例えば、３つの部分領域が抽出された場合には、クラス分類結果，信頼度，特徴情報がそれぞれ３つずつ得られる。

複数の部分領域の特徴情報から同じクラス分類結果が得られた場合には、最も高い信頼度が得られた部分領域の特徴情報のみを残して、低い信頼度が得られた部分領域の特徴情報は破棄されてもよい。このようにすることで、ＰＣもしくは認証サーバの処理能力が低い場合に、効率よい処理を実現することができる。

生体データの登録処理の場合には、各部分領域の特徴情報は登録部１３によって格納部１８のユーザ情報１８１及び照合対象抽出用情報１８２に格納される。

生体データの識別処理の場合には、抽出された部分領域の数だけ識別処理が繰り返される。例えば、部分領域が３つ抽出された場合には、識別処理は最大３回繰り返される。このとき、各部分領域の特徴情報の各クラスに対する信頼度の中で大きい信頼度を有する特徴情報から順に識別処理が行われ、登録データの中から同一のユーザの生体情報が識別されれば、処理が完了する。例えば、部分領域が３つ抽出された場合に、１つ目の部分領域の特徴情報の類似度が、分類されたクラスの識別判定閾値を超えれば、２つ目、３つ目の部分領域に対して識別処理が省略される。

図２２は、特徴情報の生成処理フローの例を示す図である。識別装置１Ｃは、例えば、ユーザの操作によって生体データの登録が指示された場合、又は、ユーザが識別装置１Ｃとしてのコンピュータにログインする場合に、生体データの特徴情報の生成処理を開始する。

識別装置１Ｃの特徴抽出部１２は、入力部１１を通じて生体データ（指紋画像）の入力を受ける（ＯＰ３１）。部分領域抽出部１２４は、入力部１１を通じて入力された生体データの入力範囲を検出する（ＯＰ３２）。

次に、部分領域抽出部１２４は、生体データの入力範囲が入力回数判定閾値以上か否かを判定する（ＯＰ３３）。部分領域抽出部１２４は、生体データの入力範囲が入力回数判定閾値以上か否かを判定することによって、生体データの入力が１回で十分か、又は、複数回の入力が必要かを判定する。

生体データの入力範囲が入力回数判定閾値以上の場合には（ＯＰ３３：Ｙｅｓ）、部分領域抽出部１２４は、生体データの入力が１回で良いことを判定する。部分領域抽出部１２４は、生体データから特異点を抽出する（ＯＰ３４）。

部分領域抽出部１２４は、検出された特異点が少なくとも１つ含まれるようにして、生体データから部分領域を少なくとも１つ抽出する（ＯＰ３５）。このとき、生体データに特異点が存在しない場合には、部分領域抽出部１２４は、特異点とみなしてよい特徴的な箇所（例えば、図２１参照）を含むようにして部分領域を抽出する。

特異点検出部１２２及び中心軸検出部１２３は、部分領域抽出部１２４によって抽出された少なくとも１つの部分領域ごとに、特異点及び中心軸を検出し、特徴情報を生成する（ＯＰ３６）。このとき、部分領域に特異点が含まれていない場合には、特異点検出部１２２は、特異点が含まれていないことを当該部分領域の特徴情報とする。又は、部分領域に特異点が含まれていないが特異点とみなしてよい特徴が含まれている場合には、特異点検出部１２２はその特徴を特異点とみなして特徴情報を生成してもよい。生成された特徴情報は、分類部１２１によってクラス分類される。

生体データの入力範囲が入力回数判定閾値より小さい場合には（ＯＰ３３：Ｎｏ）、部分領域抽出部１２４は、生体データの入力が複数回必要であることを判定する。部分領域抽出部１２４は、生体データの入力範囲が部分領域を抽出するための条件を満たすか否かを判定する（ＯＰ３７）。すなわち、部分領域抽出部１２４は、生体データの入力範囲が部分領域抽出判定閾値以上か否かを判定する。生体データの入力範囲が部分領域抽出判定閾値以上か否かを判定することによって、部分領域抽出部１２４は、生体データから部分領域が抽出可能か否かを判定する。

生体データの入力範囲が条件を満たさない場合、すなわち、部分領域抽出判定閾値よりも小さい場合には（ＯＰ３７：Ｎｏ）、部分領域抽出部１２４は、生体データからの部分領域の抽出は不可能であることを判定する。部分領域抽出部１２４は、生体データを破棄し、入力部１１に生体データの採取を指示する。その後、処理がＯＰ３１に戻る。

生体データの入力範囲が条件を満たす場合には、すなわち、生体データの入力範囲が部分領域抽出判定閾値以上の場合には（ＯＰ３７：Ｙｅｓ）、部分領域抽出部１２４は、生体データから部分領域の抽出が可能であることを判定する。

部分領域抽出部１２４は、生体データから特異点を検出する（ＯＰ３８）。部分領域抽出部１２４は、検出された特異点を少なくとも１つ含むようにして部分領域を抽出する。このとき、生体データに特異点が存在しない場合には、部分領域抽出部１２４は、特異点とみなしてよい特徴的な箇所（例えば、図２１参照）を含むようにして部分領域を抽出する。また、生体データが特異点を複数含み、１つの部分領域にすべての特異点が含まれない場合には、部分領域抽出部１２４は、全ての特異点が抽出されるように部分領域を複数抽出する。

特異点検出部１２２及び中心軸検出部１２３は、部分領域抽出部１２４によって抽出された部分領域から特異点及び中心軸を検出し、特徴情報を生成する（ＯＰ３９）。このとき、部分領域に特異点が含まれていない場合には、特異点検出部１２２は、特異点が含まれていないことを当該部分領域の特徴情報とする。又は、部分領域に特異点が含まれていないが特異点とみなしてよい特徴が含まれている場合には、特異点検出部１２２はその特徴を特異点とみなして特徴情報を生成してもよい。生成された特徴情報は、分類部１２１によってクラス分類される。

生体データの特徴情報が生成され、分類されると、部分領域抽出部１２４は、入力完了条件が満たされたか否かを判定する（ＯＰ４０）。入力完了条件が満たされていない場合には（ＯＰ４０：Ｎｏ）、部分領域抽出部１２４は、入力部１１に生体データの採取を指示する。入力完了条件が満たされた場合には（ＯＰ４０：Ｙｅｓ）、特徴情報の生成処理が終了する。

第３実施形態の識別装置１Ｃは、生体データの登録処理時及び識別処理時に、入力された生体データから部分領域を抽出し、部分領域の特徴情報を生成し、部分領域の特徴情報を用いてクラス分類を行う。これによって、例えば、指紋センサの採取面が指に比べて小さい場合や、ユーザの指の位置ずれが発生した場合など、生体データの入力範囲が指紋全体に比べて小さい場合でも、適正に特徴情報がクラス分類され、登録及び認証が行われる。

＜第４実施形態＞
第４実施形態において、識別装置は、入力された生体データが登録処理及び識別処理に適しているかを判定し、適さない場合には、ユーザに対して再度生体データの入力を促すメッセージを出力する。登録処理及び識別処理に適さないデータとは、例えば、どのクラスにも分類されないデータである。第４実施形態では、第１実施形態から第３実施形態と共通する箇所の説明は省略される。

図２３は、第４実施形態における識別装置１Ｄの構成例を示す図である。識別装置１Ｄは、第２実施形態の識別装置１Ｂの構成に加えて、入力判定部１９，入力状態推定部２０，及びメッセージ生成部２１を備える。

入力判定部１９は、特徴抽出部１２から、入力された生体データ（指紋画像）と特徴情報とを入力として得る。入力判定部１９は、例えば、特徴情報の各クラスに対する信頼度がいずれも分類閾値に達していない場合に、生体データが登録処理及び識別処理に適していないと判定する。また、例えば、入力判定部１９は、入力された生体データが、面積，幅，長さ等の寸法情報，コントラスト，特徴点の個数，特異点の有無などに基づいて、登録処理及び識別処理に適したデータであるか判定してもよい。寸法情報には、例えば、対象とするユーザの年齢，性別，利用する指の種類等によって推定される最小のものが用いられる。

入力判定部１９は、入力状態検出部１９１を含む。入力状態検出部１９１（検出部に相当）は、生体データが登録処理及び識別処理に適したデータでないと判定された場合に、生体データの入力状態を検出する。生体データの入力状態は、例えば、指紋センサの採取面と指との接触面積，特異点の種別，各特異点から接触範囲境界への距離，接触範囲境界から指紋センサの採取面の撮像範囲への距離等を用いて検出される。

入力状態検出部１９１は、位置検出部１９１ａと姿勢検出部１９１ｂとを含む。位置検出部１９１ａは、指と指紋センサの相対的な位置関係として、例えば、右過ぎ，左過ぎ，奥過ぎ，手前過ぎを検出する。姿勢検出部１９１ｂは、指の姿勢として、例えば、指を立たせている姿勢と寝かせている姿勢とを検出する。例えば、図１６に示される入力データのように、生体データで指紋中心が接触範囲の下方に位置している場合には、姿勢検出部１９１ｂが指の立たせ過ぎ状態を検出する。反対に、生体データに指紋中心がなく、三角州のみが検出されている場合には、姿勢検出部１９１ｂは寝かせ過ぎ状態を検出する。識別装置１Ｄがスライド型指紋センサを備える場合では、指のセンサに対する相対的な速さ、方向等に基づいて入力状態が検出されてもよい。

入力判定部１９は、入力状態検出部１９１によって検出された生体データの入力状態を入力状態推定部２０に出力する。

入力状態推定部２０（推定部に相当）は、入力判定部１９からユーザの入力状態を入力として得る。入力状態推定部２０は、信頼度を高めるための生体データの入力状態の改善方法を推定する。例えば、入力判定部１９から右過ぎという状態が入力された場合には、入力状態推定部２０は、指を左に動かす必要があることを推定する。また、例えば、入力判定部１９から立たせ過ぎ状態が入力された場合には、入力状態推定部２０は、指を寝かせる必要があることを推定する。入力状態推定部２０は、推定した結果をメッセージ生成部２１に出力する。

メッセージ生成部２１（報知部に相当）は、生体データが登録処理及び識別処理に適していないと判定された場合には、入力状態推定部２０から入力状態の推定結果を入力として得る。メッセージ生成部２１は、入力状態の推定結果を文字列，アイコン，音声等によってユーザが認識可能なメッセージを生成する。生成されたメッセージは、識別装置１Ｄに備えられているディスプレイやスピーカ等から出力される。

メッセージ生成部２１は、生体データが登録及び識別に適していると判定された場合には、判定部１７から識別結果を入力として得る。識別結果が識別失敗の場合に、メッセージ生成部２１は、識別失敗とユーザに生体データの入力を促すメッセージとを生成する。生成されたメッセージは、識別装置１Ｄに備えられたディスプレイ，スピーカ等から出力される。

第４実施形態の識別装置１Ｄは、入力された生体データが登録処理及び識別処理に適しているか否かを判定し、適していない場合には、生体データの入力状態を改善するための方法を推定し、ユーザに報知する。これによって、ユーザは再度生体データの入力時に、より適正な位置，姿勢で入力することができ、このようにして入力された生体データは、登録処理及び識別処理に適する可能性が高くなる。生体データが登録処理及び識別処理に適したデータとして入力されることによって、生体データが適正に分類され、登録及び識別処理が適正に行われる。

＜その他＞
本発明は上述した実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で実施可能である。

上記実施形態では、識別装置はコンピュータによって実現される場合について説明された。これに変えて、識別装置は、個人認証専用の装置によっても実現可能である。

また、識別装置は、複数のコンピュータにユーザ情報や特徴情報を保持させ、当該複数のコンピュータに照合部１５の処理を分散させるように構成されてもよい。複数のコンピュータに照合部１５の処理を分散させることによって、認証時の入力データと登録データとの照合に要する時間を短縮することができる。

また、識別装置は、指紋に限らず、掌紋，鼻紋，掌形，手のひら静脈，指静脈，声紋，顔貌，歩容，耳介等の生体情報を用いた個人認証に適用可能である。

１，１Ｂ，１Ｃ，１Ｄ 識別装置
１１ 入力部
１２ 特徴抽出部
１３ 登録部
１４ 照合対象抽出部
１５ 照合部
１６ 閾値設定部
１７ 判定部
１８ 格納部
１９ 入力判定部
２０ 入力状態推定部
２１ メッセージ生成部
１２１ 分類部
１２１ａ 信頼度算出部
１２２ 特異点検出部
１２３ 中心軸検出部
１２４ 部分領域抽出部
１９１ 入力状態検出部
１９１ａ 位置検出部
１９１ｂ 姿勢検出部

Claims (7)

1. 入力生体データの特徴に基づいて、複数の登録生体データがいずれか少なくとも１つのクラスに分類されて登録されている複数のクラスから、前記入力生体データが分類される２つ以上のクラスを決定する分類決定部と、
   前記入力生体データと、前記入力生体データが分類された前記２つ以上のクラスのそれぞれに登録されている各登録生体データとの類似度を算出する算出部と、
   前記入力生体データとの類似度に基づいて、前記２つ以上のクラスのそれぞれに登録されている登録生体データの中から前記入力生体データのユーザと同じユーザのデータを識別する識別部と、
   前記２つ以上のクラスのそれぞれについて、前記入力生体データのユーザと同じユーザのデータであることを識別するための閾値を設定する設定部と、を備え、
   前記クラスは、生体データの特徴に基づいて予め複数設定され、
   前記分類決定部は、
   前記入力生体データの特徴に基づいて、前記入力生体データの前記複数のクラスそれぞれに対する信頼度を算出する信頼度算出部をさらに備え、
   前記信頼度に基づいて前記入力生体データが分類される２つ以上のクラスを決定し、
   前記識別部は、
   前記２つ以上のクラスのそれぞれに登録されている登録生体データの中で、前記入力生体データとの類似度が前記２つ以上のクラスのそれぞれについて設定された前記閾値を超える登録生体データがある場合に、前記入力生体データのユーザと該登録生体データのユーザが同一であることを識別する、
   識別装置。
2. 前記設定部は、識別装置に求められる他人受入率と、前記２つ以上のクラスのそれぞれに対して求められる他人受入率とから、前記２つ以上のクラスのそれぞれの前記閾値を設定する請求項１に記載の識別装置。
3. 登録時に入力される生体データを、前記分類決定部によって決定された２つ以上のクラスに登録する登録部をさらに備える請求項１または２に記載の識別装置。
4. 入力生体データから少なくとも１つの部分領域を抽出する抽出部をさらに備え、
   前記分類決定部は、前記少なくとも１つの部分領域のそれぞれに含まれる特徴に基づいて、前記少なくとも１つの部分領域のそれぞれが分類される２つ以上のクラスを決定し、
   前記算出部は、前記少なくとも１つの部分領域と前記少なくとも１つの部分領域が分類された前記２つ以上のクラスのそれぞれに登録されている部分領域との類似度を算出する請求項１から３のいずれか１項に記載の識別装置。
5. 前記入力生体データの入力状態を検出する検出部と、
   前記入力生体データの入力状態を改善する方法を推定する推定部と、
   前記入力生体データの入力状態を改善する方法をユーザに報知する報知部と、
   をさらに備える請求項１から４のいずれか１項に記載の識別装置。
6. コンピュータが、
   入力生体データの特徴に基づいて、複数の登録生体データがいずれか少なくとも１つのクラスに分類されて登録されている複数のクラスから、前記入力生体データを分類する２つ以上のクラスを決定し、
   前記入力生体データと、前記入力生体データが分類された前記２つ以上のクラスのそれぞれに登録されている各登録生体データとの類似度を算出し、
   前記入力生体データとの類似度に基づいて、前記２つ以上のクラスのそれぞれに登録されている登録生体データの中から前記入力生体データのユーザと同じユーザのデータを識別し、
   前記２つ以上のクラスのそれぞれについて、前記入力生体データのユーザと同じユーザのデータであることを識別するための閾値を設定し、
   前記クラスは、生体データの特徴に基づいて予め前記コンピュータに複数設定され、
   前記クラスを決定する処理は、
   前記入力生体データの特徴に基づいて、前記入力生体データの前記複数のクラスそれぞれに対する信頼度を算出し、
   前記信頼度に基づいて前記入力生体データが分類される２つ以上のクラスを決定する、処理を含み、
   前記識別する処理は、
   前記２つ以上のクラスのそれぞれに登録されている登録生体データの中で、前記入力生体データとの類似度が前記２つ以上のクラスのそれぞれについて設定された前記閾値を超える登録生体データがある場合に、前記入力生体データのユーザと該登録生体データのユーザが同一であることを識別する処理を含む、
   識別方法。
7. コンピュータに、
   入力生体データの特徴に基づいて、複数の登録生体データがいずれか少なくとも１つのクラスに分類されて登録されている複数のクラスから、前記入力生体データを分類する２つ以上のクラスを決定するステップと、
   前記入力生体データと、前記入力生体データが分類された前記２つ以上のクラスのそれぞれに登録されている各登録生体データとの類似度を算出するステップと、
   前記入力生体データとの類似度に基づいて、前記２つ以上のクラスのそれぞれに登録されている登録生体データの中から前記入力生体データのユーザと同じユーザのデータを識別するステップと、
   前記２つ以上のクラスのそれぞれについて、前記入力生体データのユーザと同じユーザのデータであることを識別するための閾値を設定するステップと、を実行させ、
   前記クラスは、生体データの特徴に基づいて予め前記コンピュータに複数設定され、
   前記クラスを決定するステップは、
   前記入力生体データの特徴に基づいて、前記入力生体データの前記複数のクラスそれぞ
   れに対する信頼度を算出するステップと、
   前記信頼度に基づいて前記入力生体データが分類される２つ以上のクラスを決定するステップと、を含み、
   前記識別するステップは、
   前記２つ以上のクラスのそれぞれに登録されている登録生体データの中で、前記入力生体データとの類似度が前記２つ以上のクラスのそれぞれについて設定された前記閾値を超える登録生体データがある場合に、前記入力生体データのユーザと該登録生体データのユーザが同一であることを識別するステップを含む、
   プログラム。

Images