JP6167733B2 - 生体特徴ベクトル抽出装置、生体特徴ベクトル抽出方法、および生体特徴ベクトル抽出プログラム - Google Patents

Description

本発明は、生体特徴ベクトル抽出装置、生体特徴ベクトル抽出方法、および生体特徴ベクトル抽出プログラムに関する。

信頼性の高い本人確認手段として、指紋、掌紋、静脈パターン、虹彩、顔画像、音声といった人間の生体情報を用いた認証が使用されている。また、生体認証技術において、生体情報が持つ個人識別に有用な生体特徴情報を、「０」、「１」のバイナリ列で表現した生体特徴バイナリ列として表す技術の要求が高まっている。生体特徴情報をバイナリ化することで、生体特徴情報のサイズを低減し簡単な距離計算で照合可能になり、ＩＣカードなど低スペックのＣＰＵでの生体認証、大量の生体データを超高速な比較、一旦登録した生体データを無効化する技術や同じ生体データから新たな登録データを生成するキャンセラブルな生体認証といった利用シーンが実現できる。

しかしながら、利用者が入力する生体情報は、入力の仕方や環境に応じて変化する場合がある。そのため、同一の生体情報から抽出できる生体特徴情報の再現性が低下し、照合精度が低下する場合がある。

そこで、特許文献１は、顔の構成部品ごとに顔画像特徴点を抽出する内容を開示している。特許文献２は、生体画像を周波数変換し、周波成分の主成分を生体特徴情報とし、画像の縦方向と横方向で独立してＤＰ（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）マッチングやＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）による距離計算を行うことで、位置ずれや歪みに強い照合を実現する方法を開示している。特許文献３は、指紋認証において指紋画像を隆線が２、３本含まれる小領域に分割し、登録指紋画像と入力指紋画像において相関が高い小領域どうしの対応付けを行うことで、ロバストな照合を行う方法を開示している。

特開平５−１９７７９３号公報 国際公開第２００８／１３３２３５号 国際公開第２００９／１０４４２９号

しかしながら、前述した特許文献の技術では、生体情報の位置ずれや歪みを低減するための処理を照合時に行っているため、この照合に用いる生体特徴情報をバイナリ化した場合、位置ずれや歪みの影響を受けてバイナリ列の再現性が低下してしまう。

１つの側面では、本件は、生体情報の位置ずれや歪みによらずに、生体情報から抽出できる生体特徴ベクトルの再現性を向上させることができる生体特徴ベクトル抽出装置、生体特徴ベクトル抽出方法、および生体特徴ベクトル抽出プログラムを提供することを目的とする。

１つの態様では、生体特徴ベクトル抽出装置は、生体画像を取得する取得部と、前記生体画像から複数の小領域画像を生成する小領域画像生成部と、前記小領域画像から生体局所特徴量を抽出する特徴抽出部と、前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する生体特徴ベクトル生成部と、を備え、前記小領域画像生成部は、前記複数の小領域画像間における生体画素数の比率のばらつきが規定値内に収まるように、前記複数の小領域画像を生成する。他の態様では、生体特徴ベクトル抽出装置は、生体画像を取得する取得部と、前記生体画像から複数の小領域画像を生成する小領域画像生成部と、前記小領域画像から生体局所特徴量を抽出する特徴抽出部と、前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する生体特徴ベクトル生成部と、を備え、前記小領域画像生成部は、前記生体画像の輝度重心を中心として前記生体画像を分割することによって、前記複数の小領域画像間の生体情報量のばらつきが所定値内に収まるように、前記複数の小領域画像を生成する。

生体情報の位置ずれや歪みによらずに、生体情報から抽出できる生体特徴ベクトルの再現性を向上させることができる。また、簡単な距離計算で比較可能な生体特徴ベクトルを抽出することができる。

（ａ）は実施例１に係る生体特徴ベクトル抽出装置のハードウェア構成を説明するためのブロック図であり、（ｂ）は生体センサの模式図である。 生体特徴ベクトル抽出プログラムの実行によって実現される各機能のブロック図である。 登録生体特徴ベクトルを作成するための登録処理の一例を表すフローチャートである。 小領域画像の生成を表す図である。 矩形の例を表す図である。 登録生体特徴ベクトルが格納されているユーザに対する認証処理の一例を表すフローチャートである。 本実施例に係る小領域画像の生成処理の一例を表すフローチャートである。 小領域画像の例を表す図である。 小領域画像の例を表す図である。 （ａ）および（ｂ）は小領域画像の例を表す図である。 生体特徴ベクトルの算出法を説明するための図である。 フローチャートの例である。 登録生体特徴バイナリ列を作成するための登録処理の一例を表すフローチャートである。 登録生体特徴バイナリ列が格納されているユーザに対する認証処理の一例を表すフローチャートである。

以下、図面を参照しつつ、実施例について説明する。

図１（ａ）は、実施例１に係る生体特徴ベクトル抽出装置１００のハードウェア構成を説明するためのブロック図である。図１（ｂ）は、後述する生体センサ１０５の模式図である。図１（ａ）を参照して、生体特徴ベクトル抽出装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４、生体センサ１０５などを備える。これらの各機器は、バスなどによって接続されている。

ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。

記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。本実施例に係る生体特徴ベクトル抽出プログラムは、記憶装置１０３に記憶されている。表示装置１０４は、液晶ディスプレイ、エレクトロルミネッセンスパネル等であり、生体特徴ベクトル抽出装置１００の処理結果などを表示する。

生体センサ１０５は、ユーザの生体画像を取得するセンサである。生体センサ１０５は、ユーザの体の一部に接触して生体画像を取得する接触型センサ、非接触で生体画像を取得する非接触型センサのいずれでもよい。本実施例においては、生体センサ１０５は、一例として、非接触で手のひらの静脈画像を取得するセンサであり、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）カメラなどである。例えば、生体センサ１０５は、近赤外線を利用することによって、手のひら静脈画像を取得する。

記憶装置１０３に記憶されている生体特徴ベクトル抽出プログラムは、実行可能にＲＡＭ１０２に展開される。ＣＰＵ１０１は、ＲＡＭ１０２に展開された生体特徴ベクトル抽出プログラムを実行する。それにより、生体特徴ベクトル抽出装置１００による各処理が実行される。

図２は、生体特徴ベクトル抽出プログラムの実行によって実現される各機能のブロック図である。生体特徴ベクトル抽出プログラムの実行によって、制御部１０および生体特徴ベクトル格納部２０が実現される。制御部１０は、小領域画像生成部１１、特徴抽出部１２、生体特徴ベクトル生成部１３、および認証処理部１４として機能する。

小領域画像生成部１１は、生体センサ１０５が取得する静脈画像から複数の小領域画像を生成する。特徴抽出部１２は、小領域画像生成部１１によって生成された各小領域画像から生体局所特徴量を抽出する。生体特徴ベクトル生成部１３は、特徴抽出部１２が抽出した生体局所特徴量から生体特徴ベクトルを生成する。認証処理部１４は、生体特徴ベクトル生成部１３が生成した生体特徴ベクトルと、生体特徴ベクトル格納部２０が格納している登録生体特徴ベクトルとを照合する。以下、各部の詳細について説明する。

図３は、登録生体特徴ベクトルを作成するための登録処理の一例を表すフローチャートである。図３を参照して、生体センサ１０５は、ユーザの手のひらの静脈画像を取得する（ステップＳ１）。次に、小領域画像生成部１１は、生体センサ１０５が取得した静脈画像から複数の小領域画像を生成する（ステップＳ２）。小領域画像生成部１１は、複数の小領域画像間において、生体情報量のばらつきが所定値内（しきい値以下）に収まるように小領域画像を生成する。

図４は、小領域画像の生成を表す図である。小領域画像生成部１１は、Ｎ個の小領域画像を生成する。ここで、Ｎは２以上の任意の数でよいが、以下の例ではＮ＝１６の場合について説明する。静脈画像をＩとする。また、Ｉの大きさを、一例として２００ピクセル×２００ピクセルとする。

小領域画像生成部１１は、Ｉ上の原点Ｏを、中指の付け根といった位置ずれによらない特定点（基準として用いることができる点）に定める。また、小領域画像生成部１１は、Ｎ＝１６個の注目点を、一例としてｆ_ｎ（ｘ，ｙ）＝（４０ｉ，４０ｊ−２０）（ただし、ｉ＝１，２，３，４、ｊ＝−１，０，１，２）と定める。続いて、小領域画像生成部１１は、１６個の注目点ｆ_ｎそれぞれに対し、最も距離が小さい特徴点を探索して、これをｆ_ｎに対応づける。特徴点とは、静脈パターンの端点、分岐点、交差点等の生体特徴を表す点である。ただし、ある注目点ｆ_ｎから所定の値Ｌ以内の距離に特徴点がなかった場合、小領域画像生成部１１は、ｆ_ｎに対応する特徴点は「該当なし」とする。最後に、小領域画像生成部１１は、各特徴点から小領域画像を定める。例えば、特徴点を中心としたｍピクセル×ｎピクセルの矩形、特徴点を中心とした長径ａ、短径ｂの楕円などとすることができる。ここで、図４ではｍ＝ｎ＝３０の矩形とした例を表す。なお、小領域画像は、少なくとも一部の画素が重複しておらず、一部の画素を共有していてもよい。ただし、ｆ_ｎに対応する特徴点がなかった場合、小領域画像生成部１１は、小領域画像を定めない。なお、注目点ｆ_ｎの取り方は任意で、上記の例では注目点を等間隔にとったが、間隔は一定でなく、例えば中心に近いほど間隔を狭くしてもよい。

小領域画像生成部１１は、複数の小領域画像間において生体情報量のばらつきが所定値内に収まるように、複数の小領域画像を生成する。例えば、小領域画像生成部１１は、静脈画像において静脈パターンが見られる画素値を１、そうでない画素値を０とする。次に、小領域画像生成部１１は、各小領域画像内での静脈存在度（小領域画像における生体画素数の比率）を、小領域画像内の画素値の和／小領域画像が含む画素数、とした場合、静脈存在度が所定値または所定範囲内になるようにｍ，ｎを求め、各小領域画像を決定してもよい。なお、小領域画像の形状は、特に限定されるものではない。

再度図３を参照して、ステップＳ２の実行後、特徴抽出部１２は、各小領域画像において生体局所特徴量を抽出する（ステップＳ３）。生体局所特徴量は、一例として小領域画像における輝度勾配や輝度変化を表すものとし、例えば、小領域画像内での勾配平均、輝度値の分散などが挙げられる。一例として、特徴抽出部１２は、各小領域画像内の輝度勾配の大きさを生体局所特徴量として抽出する。ただし、特徴点がなかったｆ_ｎに対しては生体局所特徴量を０としてもよい。本実施例においては、Ｎ個のｆ_ｎに対し1つずつ生体局所特徴量が算出され、計Ｎ個の生体局所特徴量が得られる。図５は、注目点と、特徴点と、小領域画像と、特徴量との対応関係を表す図である。

再度図３を参照して、ステップＳ３の実行後、生体特徴ベクトル生成部１３は、Ｎ個の生体局所特徴量を結合してＮ次の生体特徴ベクトルを生成する（ステップＳ４）。生体特徴ベクトルは、Ｎ個の生体局所特徴量を所定の規則に従って並べたものである。生体特徴ベクトル生成部１３は、Ｎ個のｆ_ｎに対して１つずつ特徴量が算出されたとき、Ｎ個の生体局所特徴量を並べたものを生体特徴ベクトルとする。並べ方は、ｆ_１，ｆ_２，…ｆ_ｎの順に並べてもよいし、所定の規則に従って順番を入れ替えてもよい。

再度図３を参照して、ステップＳ４の実行後、生体特徴ベクトル生成部１３は、生成した生体特徴ベクトルをユーザのＩＤと関連付けて、生体特徴ベクトル格納部２０に格納する（ステップＳ５）。以上の処理によって、各ユーザの登録生体特徴ベクトルが格納される。

図６は、登録生体特徴ベクトルが格納されているユーザに対する認証処理の一例を表すフローチャートである。図６を参照して、生体特徴ベクトル抽出装置１００は、図３のステップＳ１〜ステップＳ５と同様の処理により、生体特徴ベクトル（以下、入力生体特徴ベクトル）を生成する（ステップＳ１１）。次に、認証処理部１４は、入力生体特徴ベクトルと所定の登録生体特徴ベクトルとの距離を算出する（ステップＳ１２）。このときの距離は、例えばＬ１ノルム、Ｌ２ノルムなどが挙げられる。

認証処理部１４は、ステップＳ１２で算出された距離が所定の閾値Ｔｈ未満であるか否かを判定する（ステップＳ１３）。ステップＳ１３で「Ｙｅｓ」と判定された場合、認証処理部１４は、認証成功と判定する（ステップＳ１４）。ステップＳ１３で「Ｎｏ」と判定された場合、認証処理部１４は、生体特徴ベクトル格納部２０に他の登録生体特徴ベクトルが格納されているか否かを判定する（ステップＳ１５）。ステップＳ１５で「Ｙｅｓ」と判定された場合、ステップＳ１２が再度実行される。この場合、生体特徴ベクトル格納部２０に格納されている他の登録生体特徴ベクトルが用いられる。ステップＳ１５で「Ｎｏ」と判定された場合、認証処理部１４は、認証失敗と判定する（ステップＳ１６）。

本実施例によれば、静脈画像などの生体画像から複数の小領域画像が生成される際に、小領域画像間で生体情報量のばらつきが所定値内に収まる。それにより、位置ずれや歪みの影響が抑制され、生体情報の位置ずれや歪みによらずに、生体情報から抽出できる生体特徴ベクトルの再現性を向上させることができる。また、各小領域画像から抽出された生体局所特徴量から生体特徴ベクトルを生成することから、簡単な距離計算によって、高速に生体認証を行うことができる。

また、生体特徴ベクトルを生成することによって、認証に用いる情報をバイナリ化することが容易となる。ここでバイナリ化とは、生体特徴ベクトルをある操作によって０と１との２進数の数列として表すことで、この２進数の数列を生体特徴バイナリ列と呼ぶ。また、生体特徴バイナリ列もハミング距離など距離の計算によって、利用者の識別を行うことができる。バイナリ化の方式は公知の範囲で数多く存在しており、最終的に２進数の数列が出力されるものならば、バイナリ化の方式は問わない。

実施例１では、Ｎ個の注目点をｆ_ｎそれぞれに対して最も距離が小さい特徴点を探索し、各特徴点から小領域画像を定めたが、それに限られない。実施例２では、静脈画像の輝度重心に基づいて各小領域画像を生成する。

図７は、本実施例に係る小領域画像の生成処理の一例を表すフローチャートである。図７を参照して、小領域画像生成部１１は、生体センサ１０５が取得した静脈画像の輝度重心Ｇ（ｐ，ｑ）を算出する（ステップＳ２１）。輝度重心は、例えば、下記式に従って算出することができる。ｉおよびｊは、画素の座標を表し、Ｐ（ｉ，ｊ）は各画素の輝度値を表している。

次に、小領域画像生成部１１は、図８のように、生体画像に対して算出した輝度重心Ｇ（ｐ，ｑ）を通る２本の直線（例えばｉ＝ｐ，ｊ＝ｑ）を引き、これらの直線で分割される４個の小領域画像を生成する（ステップＳ２２）。このように輝度重心を用いることで、小領域画像間で生体情報量のばらつきが規定値内に収まるようになる。また、図８の２種の画像の例のように、位置ずれが発生していても、同じ特徴点（端点、分岐点、交差点）が同じ小領域画像に含まれるようになる。

小領域画像生成部１１は、各小領域画像をさらに複数の小領域画像に分割してもよい。具体的には、図９を参照して、４個の各小領域画像に対してさらに同様の操作を行うことによって、４×４＝１６個の小領域画像を生成してもよい。小領域画像生成部１１は、ステップＳ２２の実行後、この操作を繰り返すことで、小領域画像が所定の数になったか否かを判定する（ステップＳ２３）。ステップＳ２３で「Ｎｏ」と判定された場合、小領域画像生成部１１は、各小領域画像に対して重心（ｐ，ｑ）を求める。その後、ステップＳ２２が実行される。

なお、輝度重心ではなく、輝度を１／ｎに内分する点を用いることで、任意の個数の小領域画像を生成することができる。なお、上記の例では、生体画像を分割することによって小領域画像を生成したが、図１０（ａ）のように小領域の周囲ｋピクセルをトリミングしてもよく、図１０（ｂ）のようにオーバーラップさせてもよい。小領域画像生成部１１は、小領域画像間で生体情報量のばらつきが所定値内に収まるまで各小領域画像をさらに複数の小領域画像に分割してもよい。

本実施例によれば、画像全体にわたる位置ずれから局所的な歪みまで吸収し、特定の特徴点が同一の小領域に含まれるようにできる。すなわち、まず画像全体の重心を算出することで大域的な位置ずれを吸収でき、続いて各小領域画像に対して再帰的に処理を行うことで細かい位置ずれや歪みも吸収することができる。

（生体局所特徴量抽出の他の例）
複数の小領域画像のそれぞれに対して、複数のフィルタでフィルタリングすることによって特徴量を抽出してもよい。例えば、特徴抽出部１２は、各小領域画像での静脈パターンの方向成分を示す特徴となる、ガボールフィルタの係数を用いた生体局所特徴量を抽出してもよい。

ガボールフィルタは、下記式で表される。ただし、ｘ´＝ｘｃｏｓθ＋ｙｓｉｎθであり、ｙ´＝−ｘｃｏｓθ＋ｙｓｉｎθであり、σ＝√（λｌｏｇ２／２π）である。θは、フィルタの方向、λは調和関数の周波数、φは調和関数の位相オフセット、σはガウス関数の標準偏差、γは２次元ガウシアンの向きを表すパラメータである。

ガボールフィルタは、線形フィルタの一種であり、上記式はガウス関数と調和関数とを掛けたもので、特定の周波数領域を増幅して他はカットする帯域フィルタをなす。特定の周波数領域は上記式の各パラメータによって決定されるが、波長を示すλと位相を示すθとを変化させて複数のフィルタを作成してもよい。線状の静脈パターンにおいて、波長は静脈の太さを、位相は静脈の向きを示すため、静脈画像にガボールフィルタを適用すれば特定の太さ・向きをもつ静脈領域においてガボール係数が増幅される。係数が増幅されるとその周辺領域での係数の標準偏差（平均や分散などでもよい）が大きくなり、すなわち標準偏差が静脈パターンの局所的な太さ・向きを表す特徴量となる。

例えば、ある小領域画像で水平方向（θ＝０°）の静脈パターンが存在していたとき、それにθ＝０°のガボールフィルタを適用した場合、ガボール係数は増幅され、小領域画像におけるガボール係数の標準偏差は大きくなる。一方で、θ＝９０°のガボールフィルタを適用した場合は、ガボール係数は増幅されず、係数の標準偏差は小さくなる。

続いて、この場合における生体特徴ベクトルの算出法について、図１１を参照して述べる。まず前述したいずれかの方法を用いて静脈画像からＮ個の小領域画像を生成する。以下ではＮ＝１６とする。次に、静脈画像に対してガボールフィルタの波長λと位相θとを変えた複数のフィルタを静脈画像に適用する。このとき、フィルタを適用した画像をガボール応答画像と呼ぶ。例えばλを４ピクセル、８ピクセル、１６ピクセルの３通り、θを０°、４５°、９０°、１３５°の４通りとした場合、全ての組み合わせでフィルタを適用し、計ｍ枚（例えばｍ＝１２）のガボール応答画像が得られる。続いて、各ガボール応答画像に対して、前述した小領域画像ごとに小領域画像に含まれる画素値（以下、ガボール係数）の標準偏差（平均や分散でもよい）を算出し、これらを生体局所特徴量とする。生体局所特徴量は１２×１６＝１９２個となる。これら１９２個の生体局所特徴量を所定の規則に従って並べたものを生体特徴ベクトルとする。並べ方は、例えば、λ＝４ピクセル、θ＝０°のガボール応答画像における１６個の生体局所特徴量を左上から右下へ向かって並べ、続いてλ＝４ピクセル、θ＝４５°のガボール応答画像における１６個の生体局所特徴量をならべ、これを１２枚のガボール応答画像の分繰り返す。もしくはその後、所定の規則に従って順番を入れ替えてもよい。また、小領域の決定の際にガボール係数を用いることもできる。具体的には、Ｎ個の各小領域においてｍ枚のガボール応答画像でのガボール係数の合計値が等しくなるように小領域画像を決める。その後、ｍ枚のガボール応答画像における各小領域でのガボール応答画像の標準偏差を算出し、これらを所定の規則に従って並べたものを生体特徴ベクトルとする。

以上の処理の流れを、図１２のフローチャートで表す。特徴抽出部１２は、Ｍ個のガボールフィルタをＮ個の小領域画像に適用し、ガボール係数を算出する（ステップＳ３１）。次に、特徴抽出部１２は、Ｎ個の小領域画像におけるガボール係数の標準偏差の算出をＭ通り行う（ステップＳ３２）。次に、特徴抽出部１２は、Ｎ×Ｍ個の標準偏差を生体局所特徴量として抽出する（ステップＳ３３）。

登録生体特徴ベクトルと入力生体登録ベクトルとで並べ方の規則が一致していれば、両者の距離（例えば各成分の二乗和）を計算することで、本人の認証時は距離が小さく、他人の認証時は距離が大きくなり、閾値処理で認証判定ができる。一方で、登録生体特徴ベクトルと入力生体特徴ベクトルとで並べ方の規則が一致していない場合、本人どうしであっても生体特徴ベクトルの距離は大きくなる。すなわち、生体特徴ベクトルの並べ方の規則を変更することで再登録ができ、キャンセラブルな生体認証を実現できる。

ここで、バイナリ化の具体例について説明する。生体特徴ベクトルを、上記で得た１９２次元のものとする。まず、この生体特徴ベクトルに対して必要ならば次元削減処理を行う。次元削減処理は、例えば主成分分析などを用いて行い、生体特徴ベクトルのサイズを小さくする目的で行う。なお、次元削減処理には、主成分分析以外の手法を用いることも可能である。ここでは、１９２次元の生体特徴ベクトルを１２８次元に削減したとする。続いて、次元削減した生体特徴ベクトルに対して生体特徴バイナリ列生成処理を行う。この方法として、例えば、次元削減した生体特徴ベクトルの各成分の平均値をＳとしたとき、Ｓ以上の成分を１とし、Ｓ未満の成分を０とすることで行う。以上の処理によって、１２８次元の生体特徴バイナリ列生成処理を得ることができる。なお、次元削減処理は必ずしも行う必要はなく、生体特徴ベクトルをそのままバイナリ化して生体特徴バイナリ列を生成してもよい。また、ここでは１つの生体特徴ベクトルの成分から１つのバイナリ値を生成することで、生体特徴バイナリ列を作成したが、生体特徴ベクトルの複数の成分から１つのバイナリ値を生成したり、生体特徴ベクトルの1つの成分から複数のバイナリ値を生成したりすることで、生体特徴バイナリ列を生成することもできる。

図１３は、生体特徴バイナリ列を作成するための登録処理の一例を表すフローチャートである。図１３を参照して、生体センサ１０５は、ユーザの手のひらの静脈画像を取得する（ステップＳ４１）。次に、小領域画像生成部１１は、生体センサ１０５が取得した静脈画像からＮ個の小領域画像を生成する（ステップＳ４２）。小領域画像生成部１１は、複数の小領域画像間において、生体情報量のばらつきが所定値内（しきい値以下）に収まるように小領域画像を生成する。

次に、特徴抽出部１２は、各小領域画像において生体局所特徴量を抽出する（ステップＳ４３）。次に、生体特徴ベクトル生成部１３は、Ｎ個の生体局所特徴量を結合してＮ次の生体特徴ベクトルを生成する（ステップＳ４４）。次に、生体特徴ベクトル生成部１３は、生体特徴ベクトルから生体特徴バイナリ列を作成する（ステップＳ４５）。次に、生体特徴ベクトル生成部１３は、作成した生体特徴バイナリ列をユーザのＩＤと関連付けて、生体特徴ベクトル格納部２０に格納する（ステップＳ４６）。以上の処理によって、各ユーザの登録生体特徴バイナリ列が格納される。

図１４は、登録生体特徴バイナリ列が格納されているユーザに対する認証処理の一例を表すフローチャートである。図１４を参照して、生体特徴ベクトル抽出装置１００は、図１３のステップＳ４１〜ステップＳ４５と同様の処理により、生体特徴バイナリ列を作成する（ステップＳ５１）。次に、認証処理部１４は、入力生体特徴バイナリ列と所定の登録生体特徴バイナリ列との距離を算出する（ステップＳ５２）。

認証処理部１４は、ステップＳ５２で算出された距離が所定の閾値Ｔｈ未満であるか否かを判定する（ステップＳ５３）。ステップＳ５３で「Ｙｅｓ」と判定された場合、認証処理部１４は、認証成功と判定する（ステップＳ５４）。ステップＳ５３で「Ｎｏ」と判定された場合、認証処理部１４は、生体特徴ベクトル格納部２０に他の登録生体特徴バイナリ列が格納されているか否かを判定する（ステップＳ５５）。ステップＳ５５で「Ｙｅｓ」と判定された場合、ステップＳ５２が再度実行される。この場合、生体特徴ベクトル格納部２０に格納されている他の登録生体特徴バイナリ列が用いられる。ステップＳ５５で「Ｎｏ」と判定された場合、認証処理部１４は、認証失敗と判定する（ステップＳ５６）。

上記各例においては、生体画像として手のひら静脈画像を用いたが、それに限られない。手のひらの静脈以外の生体情報としては、指紋、掌紋、虹彩、手のひら静脈以外の血管パターンなどの他の生体情報を利用することができる。

以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ 制御部
１１ 小領域画像生成部
１２ 特徴抽出部
１３ 生体特徴ベクトル生成部
１４ 認証処理部
２０ 生体特徴ベクトル格納部
１００ 生体特徴ベクトル抽出装置
１０５ 生体センサ

Claims (14)

1. 生体画像を取得する取得部と、
   前記生体画像から複数の小領域画像を生成する小領域画像生成部と、
   前記小領域画像から生体局所特徴量を抽出する特徴抽出部と、
   前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する生体特徴ベクトル生成部と、を備え、
   前記小領域画像生成部は、前記複数の小領域画像間における生体画素数の比率のばらつきが規定値内に収まるように、前記複数の小領域画像を生成することを特徴とする生体特徴ベクトル抽出装置。
2. 生体画像を取得する取得部と、
   前記生体画像から複数の小領域画像を生成する小領域画像生成部と、
   前記小領域画像から生体局所特徴量を抽出する特徴抽出部と、
   前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する生体特徴ベクトル生成部と、を備え、
   前記小領域画像生成部は、前記生体画像の輝度重心を中心として前記生体画像を分割することによって、前記複数の小領域画像間の生体情報量のばらつきが所定値内に収まるように、前記複数の小領域画像を生成することを特徴とする生体特徴ベクトル抽出装置。
3. 前記小領域画像生成部は、前記輝度重心を交点とする直線で前記生体画像を分割することによって、前記複数の小領域画像を生成することを特徴とする請求項２記載の生体特徴ベクトル抽出装置。
4. 前記特徴抽出部は、前記複数の小領域画像それぞれに対して、複数のフィルタでフィルタリングしたうえで、前記小領域画像の生体局所特徴を抽出することを特徴とする請求項１〜３のいずれか一項に記載の生体特徴ベクトル抽出装置。
5. 前記特徴抽出部は、前記フィルタとしてガボールフィルタを適用することを特徴とする請求項４記載の生体特徴ベクトル抽出装置。
6. 前記小領域画像生成部は、前記生体画像を複数の矩形領域に分割することを特徴とする請求項１〜５のいずれか一項に記載の生体特徴ベクトル抽出装置。
7. 前記取得部は、前記生体画像として手のひら静脈画像を取得することを特徴とする請求項１〜６のいずれか一項に記載の生体特徴ベクトル抽出装置。
8. 前記生体特徴ベクトル生成部は、前記特徴抽出部で抽出した前記小領域画像の生体局所特徴量を所定の順番で並べた生体特徴ベクトルを生成し、
   前記生体特徴ベクトルを距離計算により比較照合して本人であるか否かを判定する判定部を備えることを特徴とする請求項１〜７のいずれか一項に記載の生体特徴ベクトル抽出装置。
9. 前記生体特徴ベクトル生成部は、ベクトルの成分の数を元の数より少ない所定数に削減した生体特徴ベクトルを生成することを特徴とする請求項１〜８のいずれか一項に記載の生体特徴ベクトル抽出装置。
10. 前記生体特徴ベクトル生成部は、「０」、「１」のバイナリ列で表現した生体特徴バイナリ列として前記生体特徴ベクトルを生成することを特徴とする請求項１〜９のいずれか一項に記載の生体特徴ベクトル抽出装置。
11. 生体画像を取得し、
    前記生体画像から複数の小領域画像を生成する際に、前記複数の小領域画像間における生体画素数の比率のばらつきが規定値内に収まるように、前記複数の小領域画像を生成し、
    前記小領域画像から生体局所特徴量を抽出し、
    前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する、ことを特徴とする生体特徴ベクトル抽出方法。
12. 生体画像を取得し、
    前記生体画像から複数の小領域画像を生成する際に、前記生体画像の輝度重心を中心として前記生体画像を分割することによって、前記複数の小領域画像間の生体情報量のばらつきが所定値内に収まるように、前記複数の小領域画像を生成し、
    前記小領域画像から生体局所特徴量を抽出し、
    前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する、ことを特徴とする生体特徴ベクトル抽出方法。
13. 生体画像を取得し、
    前記生体画像から複数の小領域画像を生成する際に、前記複数の小領域画像間における生体画素数の比率のばらつきが規定値内に収まるように、前記複数の小領域画像を生成し、
    前記小領域画像から生体局所特徴量を抽出し、
    前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する、
    処理をコンピュータに実行させることを特徴とする生体特徴ベクトル抽出プログラム。
14. 生体画像を取得し、
    前記生体画像から複数の小領域画像を生成する際に、前記生体画像の輝度重心を中心として前記生体画像を分割することによって、前記複数の小領域画像間の生体情報量のばらつきが所定値内に収まるように、前記複数の小領域画像を生成し、
    前記小領域画像から生体局所特徴量を抽出し、
    前記生体局所特徴量を所定の規則に従って結合することで前記生体画像を識別するための特徴を示す生体特徴ベクトルを生成する、
    処理をコンピュータに実行させることを特徴とする生体特徴ベクトル抽出プログラム。

Images