JP6197613B2 - 生体情報抽出装置、生体情報抽出方法、および生体情報抽出プログラム - Google Patents

Description

本発明は、生体情報抽出装置、生体情報抽出方法、および生体情報抽出プログラムに関する。

生体情報を登録する際に、生体の姿勢情報を登録する技術が開示されている（例えば、特許文献１参照）。

国際公開第２０１１−６１６８２号 特開２００３−１４１５４２号公報 特開２００７−９４６３７号公報 特開２００７−２７０３５号公報

生体情報の登録処理時の生体の姿勢と、認証処理時の生体の姿勢との間には誤差が生じるおそれがある。この場合、認証精度が低下するおそれがある。

１つの側面では、本件は、認証精度を向上させるための生体情報を抽出することができる生体情報抽出装置、生体情報抽出方法、および生体情報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、生体情報抽出装置は、ユーザの生体から照合用生体情報を取得する生体情報取得部と、事前に登録された登録生体情報と前記照合用生体情報との照合を行う照合部と、登録の際に登録生体情報と、前記生体の姿勢特徴量とを対応付けて登録する登録部と、前記登録部によって登録された複数の姿勢特徴量を１つ以上のクラスに分類し、事前に登録された登録生体情報を、該登録生体情報に対応する前記姿勢特徴量が属するクラスに関連付ける分類部と、を備え、前記登録部は、前記照合部による照合が成功した場合に、前記姿勢特徴量が属する前記クラスを判定し、前記姿勢特徴量を当該クラスに属する新たな姿勢特徴量として登録することと、当該クラスに関連付けられた前記登録生体情報が登録されていない場合に、前記姿勢特徴量に対応付けられた前記照合用生体情報を当該クラスに関連する登録生体情報として追加登録する。

認証精度を向上させるための生体情報を抽出することができる。

（ａ）は実施例１に係る生体情報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。 生体情報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。 （ａ）〜（ｃ）は生体センサの例を表す図である。 登録処理の一例を表すフローチャートである。 （ａ）および（ｂ）は生体センサの中心を原点とした座標系を表す図である。 手の特徴点を表す図である。 照合処理の一例を表すフローチャートである。 ステップＳ１３の照合の詳細を表すフローチャートの一例である。 追加登録の判定を表すフローチャートの一例である。 姿勢特徴量を複数のクラスに分類する分類処理の一例を表すフローチャートである。 データベースに登録されている登録データセットの姿勢特徴量履歴の詳細を表す図である。 姿勢特徴量の平均値を表す図である。 分類後の照合処理の一例を表すフローチャートである。 追加登録の判定を表すフローチャートの一例である。 （ａ）および（ｂ）は２次元指紋画像を表す図である。 生体情報抽出装置を複数の端末およびサーバを含むシステムで実現する例である。 図１６のシステムのハードウェア構成図である。

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に係る生体情報抽出装置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、生体情報抽出装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４、生体センサ１０５、通信部１０６、属性情報取得部１０７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情報抽出プログラムは、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、後述する各処理の結果などを表示する。

生体センサ１０５は、ユーザの生体情報を取得する生体情報取得部として機能するセンサであり、本実施例においては、ユーザの手のひらの画像を非接触で取得する。図１（ｂ）を参照して、生体センサ１０５は、一例として、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）カメラなどである。生体センサ１０５は、手のひらの外形等を取得するとともに、近赤外線を利用することによって静脈パターンを取得する。

通信部１０６は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）などへの接続インタフェースである。属性情報取得部１０７は、キーボード、マウスなどの入力機器であり、例えば、利用者を識別するためのＩＤなどを入力するための装置である。

記憶装置１０３に記憶されている生体情報抽出プログラムは、実行可能にＲＡＭ１０２に展開される。ＣＰＵ１０１は、ＲＡＭ１０２に展開された生体情報抽出プログラムを実行する。それにより、生体情報抽出装置１００による各処理が実行される。生体情報抽出プログラムが実行されることによって、登録処理、認証処理、分類処理などが実行される。

登録処理は、各ユーザに関連づけて、生体センサ１０５が取得した生体情報をデータベースに登録する処理である。本実施例においては、手のひら画像から抽出された静脈パターンが、手のひらの姿勢特徴量とともにデータベースに登録される。認証処理は、生体センサ１０５が取得した照合用生体情報とデータベースに登録された登録生体情報との類似度が第４の所定のしきい値以上であれば当該ユーザが登録されたユーザと同一人物であると判定する処理である。本実施例においては、認証処理時に取得された静脈パターンとデータベースに登録された静脈パターンとの類似度が第４の所定のしきい値以上であれば当該ユーザが登録されたユーザと同一人物であると判定される。また、認証成功であれば、認証処理時に取得された姿勢特徴量がユーザに関連付けてデータベースに登録される。分類処理とは、ユーザに関連付けて登録された複数の姿勢特徴量を１つ以上のクラスに分類する処理である。各処理の詳細については後述する。

図２は、生体情報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。生体情報抽出プログラムの実行によって、登録データ作成部１１、姿勢特徴量抽出部１２、照合データ作成部１３、照合処理部１４、照合後処理部１５、姿勢特徴量分類部１６、登録データ更新判定部１７、データベース１８などが実現される。

データベース１８には、各ユーザに関連付けて複数の登録データが登録されている。例えば、図２で例示するように、登録データセット１には、ユーザ１に対して属性情報１が登録されるとともに、登録データ１＿１〜登録データ１＿ｍが登録されている（ｍ≧１）。姿勢特徴量履歴１には、ユーザ１の認証成功時の姿勢特徴量が記録されている。また、後述する分類処理後には、姿勢特徴量履歴１に、各クラスに分類された姿勢特徴量と、当該姿勢特徴量に対応付けられた登録データが登録される。

なお、複数組の生体センサ１０５および属性情報取得部１０７が設けられていてもよい。または、利用シーンに応じて、複数組の中から所望の組が選択的に装着されていてもよい。

図３（ａ）および図３（ｂ）は、生体センサ１０５の例を表す図である。図３（ａ）で例示するように、生体センサ１０５には、手のひらを置くためのガイド１０８が設けられていてもよい。ガイド１０８が設けられることによって、手のひらの姿勢が固定されやすくなる。それにより、登録処理時または認証処理時における手のひらの姿勢のばらつきが抑制される。しかしながら、図３（ｂ）で例示するように、認証処理時にガイドが設けられないことがある。

例えば、ガイドに対応していない生体センサを利用する機器にリプレイスすると、以降の認証時にガイドを用いない場合がある。また、登録時は入力に不慣れなために入力の補助としてガイドを用いるものの、認証試行を繰り返すことで入力に習熟し、ある時期から認証時にガイドを利用しなくなる場合もある。あるいは、登録用に共用のガイドを用意するものの、各利用者にはガイドを用意せず、認証時にはガイドを使用しない場合もある。

この場合、図３（ｃ）で例示するように、手のひらの姿勢にばらつきが生じるおそれがある。それにより、登録処理時と認証処理時とで、手のひらの姿勢に差が生じ、認証精度が低下するおそれがある。

また、登録処理時と認証処理時とで利用する機器が異なる場合、機器の利用方法が異なる場合や利用者と機器との位置関係が異なる場合等にも、登録処理時と認証処理時とで用いる生体情報取得装置の角度と位置とが異なることで、認証処理時の姿勢が登録処理時と大きく異なることがある。

利用する機器が異なる例としては、生体認証を用いてログインするシステムにおいて、社内で据え置き用のデスクトップＰＣに接続された生体情報取得装置を用いて登録し、社外で持ち出し用のタブレットＰＣに内蔵された生体情報取得装置を用いて認証を行う事例があげられる。

また、機器の利用方法が異なる例としては、生体認証を用いてタブレットＰＣのロック解除を行うシステムにおいて、タブレットＰＣを机上に置いた状態で登録し、タブレットＰＣを持った状態で認証を行う事例があげられる。

利用者と機器との位置関係が異なる場合としては、机上等で自由に移動できるノートＰＣ、マウスやキーボードに搭載した生体センサを用いるシステムにおいて、生体センサが移動することで、登録処理時と認証処理時の利用者との位置関係が異なる事例があげられる。

そこで、生体情報を入力する際の姿勢ごとに登録データを用意し、照合処理に利用する事が効果的である。例えば、特許文献２では、顔認証において、顔パターンと入力時の状態の情報を示す付加コードを登録データとして複数登録（追加登録）し、複数の登録データを認証に利用している。なお、あらかじめ登録しておいたパスワードによる認証が成功すれば、認証の際に入力した顔パターンと付加コードを追加登録することも可能である。この技術では、付加コードごとに登録データを用意して認証に利用し、認証時間の増大や本人拒否率の悪化を防いでいる。

しかしながら、特許文献２の技術では、利用者自らが生体情報を入力する際の姿勢を分類するため、利用者が無意識に入力している姿勢に対応する登録データの登録が漏れることがある。また、付加コードを指定して入力した際に、その付加コードに対応する姿勢を再現できないことがあり、複数回、追加登録しなければいけない場合がある。複数回の登録作業は、システムの管理者や利用者に大きな手間がかかり、作業に要する時間もかかる。

また、特許文献３，４では、顔認証において、被験者の顔向き条件、照明条件、表情などの入力した際の情報をもとに、登録データを分類している。認証時の情報に対応するクラスの登録データが未登録の場合は、入力された生体情報から登録データを作成して追加で登録する。クラスごとに登録データを用意して認証に利用し、認証時間の増大や本人拒否率の悪化を防いでいる。

しかしながら、特許文献３，４の技術では、クラス分けの条件となる顔向き条件や表情をあらかじめ決定した上で分類に利用している。一方、手のひらの生体情報を入力する場合には、人それぞれで手のひらの姿勢の個人差がある。また、利用する機器の種類、利用方法や利用者と機器の位置関係が変更されると手のひらの姿勢が変動しやすくなる。これらのことから、固定した分類を行うと手のひらの姿勢の取りこぼしが起こる可能性がある。

上記特許文献２〜４の技術では、クラスに関連付けられる登録データを一度登録すると、そのクラスに関連付けられる登録データを追加することや更新することができない。最初に登録された登録データよりもクラスを代表するのにより適した登録データが作成できても更新することができず、認証精度のさらなる向上が不可能となる。

その一方で、認証に利用した手のひら静脈のパターンなどの認証データをデータベースに常に保存してしまうと、必要な保存領域が多くなりコストが高くなる。また、認証データが漏えいした際のセキュリティリスクが高くなる。例えば、ヒルクライム攻撃で認証データの中身を解析された場合、認証データが多いほど詳細な解析に成功されやすくなり、悪用される可能性が高くなる。これらのことから、必要最小限の登録データを保存することが好ましい。さらに、同一の装置を用いた場合でも、利用方法が異なると姿勢が大きく異なることがあるため、装置のＩＤのみで分類を行うことは困難である。

本実施例に係る生体情報抽出装置１００は、認証精度を向上させることができる生体情報を抽出する。以下、生体情報抽出装置１００が実行する登録処理、照合処理、分類処理、および分類後の照合処理の詳細について説明する。

（登録処理）
図４は、登録処理の一例を表すフローチャートである。図４で例示するように、まず、生体センサ１０５はユーザの手のひら画像を取得し、属性情報取得部１０７は当該ユーザの属性情報を取得する（ステップＳ１）。次に、登録データ作成部１１は、手のひら画像から登録データ（登録生体情報）を作成する（ステップＳ２）。本実施例においては、登録データは、静脈パターンである。

次に、姿勢特徴量抽出部１２は、ステップＳ１で取得した手のひら画像から姿勢特徴量を抽出する（ステップＳ３）。姿勢特徴量とは、生体の姿勢を特徴付ける量である。本実施例においては、姿勢特徴量として、図５（ａ）および図５（ｂ）のような生体センサ１０５の中心を原点とした座標系における、手のひらの特徴点の座標値などを用いることができる。なお、図５（ａ）は生体センサ１０５および手のひらの横面図であり、図５（ｂ）は生体センサ１０５および手のひらの上面図である。手の特徴点として、図６のような手首の親指側の付け根の点１、各指の間の点２〜５、手首の小指側の付け根の点６、手のひらの中心点７などを用いることができる。中心点７は、一例として、点１〜６の重心である。姿勢特徴量抽出部１２は、抽出した姿勢特徴量を属性情報および静脈パターンと関連付けてデータベース１８に登録する（ステップＳ４）。以上の処理によって、登録処理が終了する。

（認証処理）
図７は、認証処理の一例を表すフローチャートである。図７で例示するように、まず、生体センサ１０５はユーザの手のひら画像を取得し、属性情報取得部１０７は当該ユーザの属性情報を取得する（ステップＳ１１）。次に、照合データ作成部１３は、ステップＳ１１で取得した手のひら画像から照合データ（照合用生体情報）を作成する（ステップＳ１２）。本実施例では、照合データは静脈パターンである。

次に、照合処理部１４は、照合データと登録データとの照合を行う（ステップＳ１３）。図８は、ステップＳ１３の照合の詳細を表すフローチャートの一例である。図８で例示するように、照合処理部１４は、変数Ｒに１を代入する（ステップＳ２１）。次に、照合処理部１４は、変数ＲがステップＳ１１で取得した属性情報と一致する属性情報と関連付けられた登録データ数以下であるか否かを判定する（ステップＳ２２）。ステップＳ２２で「Ｙｅｓ」と判定された場合、照合処理部１４は、変数ＲがステップＳ１１で取得した属性情報と一致する属性情報と関連付けられた登録データのうちＲ番目の登録データと照合データとを照合する（ステップＳ２３）。

次に、照合処理部１４は、Ｒ番目の登録データと照合データとの照合スコア（類似度）が第４の所定のしきい値以上であるか否かを判定する（ステップＳ２４）。ステップＳ２４で「Ｎｏ」と判定された場合、Ｒ＋１を変数Ｒに代入し（ステップＳ２５）、その後にステップＳ２２から実行される。ステップＳ２４で「Ｙｅｓ」と判定された場合、照合処理部１４は、照合成功と判定する（ステップＳ２６）。それにより、フローチャートの実行が終了する。ステップＳ２２で「Ｎｏ」と判定された場合、照合処理部１４は、照合失敗と判定する（ステップＳ２７）。それにより、フローチャートの実行が終了する。

図７に戻り、照合処理部１４は、照合が成功したか否かを判定する（ステップＳ１３）。ステップＳ１３で「Ｙｅｓ」と判定された場合、姿勢特徴量抽出部１２は、ステップＳ１１で取得した手のひら画像から姿勢特徴量を抽出する（ステップＳ１４）。

次に、登録データ更新判定部１７は、ステップＳ１４で抽出された姿勢特徴量がどのクラスに分類されているかを判定し、該当するクラスに割り当てる（ステップＳ１５）。姿勢特徴量の分類については後述する。次に、登録データ更新判定部１７は、当該クラスに登録データが登録されているか否かを判定する（ステップＳ１６）。すなわち、登録データ更新判定部１７は、登録データを追加登録可能であるか否かを判定する。

図９は、登録データを追加登録するか否かを判定するフローチャートの一例である。図９で例示するように、登録データ更新判定部１７は、当該クラスの登録データが未登録であるか否かを判定する（ステップＳ３１）。ステップＳ３１で「Ｙｅｓ」と判定された場合、登録データ更新判定部１７は、当該クラスで保存されている姿勢特徴量の数が第１の所定数以上であるか否かを判定する（ステップＳ３２）。ステップＳ３２で「Ｙｅｓ」と判定された場合、登録データ更新判定部１７は、登録データを作成して保存すると判定する（ステップＳ３３）。ステップＳ３１またはステップＳ３２で「Ｎｏ」と判定された場合、登録データ更新判定部１７は、登録データを作成せず、保存しないと判定する（ステップＳ３４）。

このように、姿勢特徴量が該当したクラスに関連付けられた登録データが登録されておらず、かつ、該クラスに該当する姿勢特徴量が第１の所定数以上登録されている場合に、追加登録可能であると判定する。姿勢特徴量が第１の所定数以上登録されている場合は、該クラスの姿勢による入力の頻度が高いことを示している。本条件による追加登録の制限を加えることで、入力頻度が高い姿勢に対応した登録データを厳選して追加登録でき、処理時間の短縮と認証精度の向上が可能となる。

ステップＳ１６で「Ｎｏ」と判定された場合、照合後処理部１５は、ステップＳ１４で抽出した姿勢特徴量をデータベース１８の姿勢特徴量履歴に登録する（ステップＳ１９）。ステップＳ１６で「Ｙｅｓ」と判定された場合、登録データ作成部１１は、ステップＳ１２で作成した照合データから登録データを作成する（ステップＳ１７）。次に、登録データ作成部１１は、ステップＳ１７で作成した登録データを、ステップＳ１５で割り当てられたクラスと関連付けてデータベース１８に追加登録する（ステップＳ１８）。次に、ステップＳ１９が実行される。

認証処理の実行により、照合が成功するたびに姿勢特徴量が姿勢特徴量履歴に登録される。各クラスに登録データを追加登録可能であれば、照合データが登録データとして追加登録される。それにより、各クラスに登録データが登録されていくことになる。

（分類処理）
図１０は、姿勢特徴量を複数のクラスに分類する分類処理の一例を表すフローチャートである。なお、本フローチャートは、例えば所定のユーザ（利用者Ａ）が認証に成功した直後に実施してもよい。あるいは、利用者Ａが認証処理を試行する可能性が低い時間帯に、実施してもよい。姿勢特徴量分類部１６は、利用者Ａについて認証処理中でないか否かを判定する（ステップＳ４１）。

ステップＳ４１で「Ｙｅｓ」と判定された場合、姿勢特徴量分類部１６は、当該ユーザに関連づけて登録されている姿勢特徴量が第２の所定数以上であるか否かを判定する（ステップＳ４２）。この際、本フローチャートでの確認で初めて登録されている姿勢特徴量が第２の所定数以上となった場合に、「Ｙｅｓ」と判定する。なお、ステップＳ４２で「Ｎｏ」と判定された場合、姿勢特徴量の個数が不十分で分類に適さないと判断できるので、分類の初期値として、登録されている姿勢特徴量を１つのクラスに分類してもよい。この場合、該１つのクラスに関連付けられる登録生体情報は、登録時に登録した生体情報とする。ステップＳ４２で「Ｙｅｓ」と判定された場合、姿勢特徴量分類部１６は、姿勢特徴量の分類を実施する（ステップＳ４３）。その後、フローチャートの実行が終了する。なお、ステップＳ４１〜Ｓ４２で「Ｎｏ」と判定された場合、姿勢特徴量分類部１６は、姿勢特徴量の分類を行わない（ステップＳ４４）。その後、フローチャートの実行が終了する。

ステップＳ４２の第２の所定数は、分類後に想定されるクラスの上限数以上であることが望ましい。なお、クラスの上限数については後述する。

姿勢特徴量分類部１６は、姿勢特徴量の分類後に、保存されている登録データを、それぞれの姿勢特徴量が属する各クラスに関連付ける。その際、あるクラスに関連する登録データが複数保存されていてもよい。この場合、複数の該登録データの中から、該クラスに関連する登録データを1つに決めてもよい。例えば、姿勢特徴量分類部１６が、各クラスに属する姿勢特徴量の代表点を決定するような分類手法を用いる場合、該クラスに属する姿勢特徴量と該代表点の距離が1番近い該姿勢特徴量に対応づけられている登録データを、該クラスに関連する登録データとして決めてもよい。また、各クラスに関連する登録データ以外で、保存されている登録データを削除してもよい。さらに、各クラスに関連する登録データに対応する姿勢特徴量以外で保存されている姿勢特徴量を削除してもよい。

あるいは、姿勢特徴量分類部１６は、認証の失敗数と成功数の履歴を保存しておき、第５の所定の個数以上履歴が保存されて、かつ、認証に失敗した確率が第３の所定の数値を下回った場合に、分類と保存されている登録データの各クラスへの関連付けを再度実施してもよい。あるいは、姿勢特徴量分類部１６は、分類後に保存された姿勢特徴量と当該姿勢特徴量が所属するクラスの代表点との距離が第６の所定の数値以上となる頻度が第７の所定の回数を超えた場合に、分類と保存されている登録データの各クラスへの関連付けを再度実施してもよい。

これらの再分類により、以前の分類ではカバーできなかった姿勢も反映させた新しい分類が作成できる。それにより、本人拒否率を低下させることが可能となる。

分類手法として、階層的クラスタリングと非階層的クラスタリングを用いることができる。

階層的クラスタリングとして、例えば、最短距離法やウォード法を用いることができる。階層的クラスタリングを用いる場合、姿勢特徴量分類部１６は、登録されている姿勢特徴量をそれぞれ1つのクラスとした初期状態から、分類を開始する。姿勢特徴量分類部１６は、各分類手法に応じて定められる距離関数を用いて、クラスを併合していく。姿勢特徴量分類部１６は、距離のしきい値をあらかじめ設けておき、クラスの上限数以下となり、かつ併合する際のクラスの距離が距離のしきい値よりも大きくなった場合に、分類を終了する。このような階層的クラスタリングによる分類では、入力の姿勢が異なるほど、各姿勢特徴量を同じクラスに併合するまでにステップ数を要する。このため、入力の姿勢が異なるほど、各姿勢特徴量を異なるクラスに分類しやすくなり、より多くの種類の姿勢に対応したクラスに分類することがきる。

また、非階層的クラスタリングとして、例えば、ｋ−ｍｅａｎｓ法やファジーｃ−ｍｅａｎｓ法を用いることができる。以下、ｋ−ｍｅａｎｓ法によりｋ個のクラス数に分類する一例について説明する。図１１は、データベース１８に登録されている登録データセットｎの姿勢特徴量履歴ｎの詳細を表す図である。図１１で例示するように、姿勢特徴量履歴ｎには、姿勢特徴量ｎ１〜姿勢特徴量ｎｍが登録されている。各姿勢特徴量には、保存日時、手の特徴点の座標などが登録されている。

姿勢特徴量分類部１６は、姿勢特徴量ｎ１，ｎ２，…，ｎｍの中から、初期の代表点（Ｃ１，Ｃ２，…，Ｃｋ）を選択する。例えば、姿勢特徴量分類部１６は、保存日時が等間隔になるように初期の代表点を選択してもよい。次に、姿勢特徴量分類部１６は、代表点以外の各姿勢特徴量と各代表点との距離を求め、最も距離が短い代表点のクラスに各姿勢特徴量を割り当てる。一例として、姿勢特徴量Ｎｊ＝{（ＸＮｊ＿１，ＹＮｊ＿１，ＺＮｊ＿１），…，（ＸＮｊ＿ｌ，ＹＮｊ＿ｌ，ＹＮｊ＿ｌ）}と代表点Ｃｉ＝{（ＸＣｉ＿１，ＹＣｉ＿１，ＺＣｉ＿１），…，（ＸＣｉ＿ｌ，ＹＣｉ＿ｌ，ＺＣｉ，ｌ）}との距離Ｌは、以下の式（１）または式（２）のように表すことができる。

姿勢特徴量分類部１６は、各クラスに属する姿勢特徴量の平均値を求め、新たな代表点とする。代表点Ｃｉのクラスｌの姿勢特徴量Ｎｉ１，Ｎｉ２，…，Ｎｉｊの平均値Ａｉは、図１２のように表すことができ、平均値（ＸＡｉ＿ａ，ＹＡｉ＿ａ，ＺＡｉ＿ａ）は、下記式（３）のように表すことができる。ただし、１≦ａ≦ｌである。

ｋ−ｍｅａｎｓ法のような階層的クラスタリングを用いることで、あらかじめ定めたk個のクラス数に姿勢特徴量を確実に分類できる。これにより、各利用者の登録データの格納領域を明確に定めることができ、データ保存領域を効率よく使用できる。また、クラスの数ｋを、入力に利用される機器の種類よりも大きく設定することで、各入力の姿勢に対応した姿勢特徴量のクラスが作成されやすくなる。

前述のような効果がある一方で、クラスの数ｋとクラスの上限値とが固定で、再分類が何度も実行されるときは、登録データ以外の新たな姿勢で入力されているにも関わらず、新たな姿勢に対応するクラスが追加で作成できていないことがある。

このような場合の対処として、クラスの数ｋとクラスの上限値を、再分類の際に変更してもよい。例えば、姿勢特徴量分類部１６は、再分類前の各クラスのクラス内分散を求める。該クラス内分散が第８の所定の数値以上となるものがある場合に、姿勢特徴量分類部１６は、クラスの数ｋとクラスの上限値を増加させて、再分類を実施する。クラスの数ｋとクラスの上限値の増加分として、例えば、クラス内分散が第８の所定の数値以上となるクラスの個数を用いることができる。

あるいは、クラス内分散を求めるより簡易的で、システムへの負荷が軽微な方法として、姿勢特徴量分類部が実施する分類の回数に応じて、変更してもよい。クラスの数ｋとクラスの上限値ｋは、例えば、分類の回数に比例して、増加してもよい。

クラスの数ｋとクラスの上限値を適切に増加させることで、新たな姿勢に対応するクラスを作成できる。さらに、新たな手のひらの姿勢に対応した登録データが登録されていくので、認証精度向上につながる。

なお、クラスの数ｋと前記クラスの上限値は、1人の利用者が登録可能な登録データの個数以下が望ましい。

（分類後の照合処理）
図１３は、分類後の照合処理の一例を表すフローチャートである。分類後の照合処理は、図７のステップＳ１３において、対象となっているユーザの姿勢特徴量が分類済みである場合に実行される。まず、照合処理部１４は、各クラスの姿勢特徴量と、ステップＳ１１で取得された手のひら画像から得られた姿勢特徴量との距離が近い順に、登録データを並び替える（ステップＳ５１）。

次に、照合処理部１４は、変数Ｒに１を代入する（ステップＳ５２）。次に、照合処理部１４は、変数ＲがステップＳ１１で取得した属性情報と一致する属性情報と関連付けられた登録データ数以下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、照合処理部１４は、変数ＲがステップＳ１１で取得した属性情報と一致する属性情報と関連付けられた登録データのうちＲ番目の登録データと照合データとを照合する（ステップＳ５４）。

次に、照合処理部１４は、Ｒ番目の登録データと照合データとの照合スコア（類似度）が第４の所定のしきい値以上であるか否かを判定する（ステップＳ５５）。ステップＳ５５で「Ｎｏ」と判定された場合、Ｒ＋１を変数Ｒに代入し（ステップＳ５６）、その後にステップＳ５３から実行される。ステップＳ５５で「Ｙｅｓ」と判定された場合、照合処理部１４は、照合成功と判定する（ステップＳ５７）。それにより、フローチャートの実行が終了する。ステップＳ５３で「Ｎｏ」と判定された場合、照合処理部１４は、照合失敗と判定する（ステップＳ５８）。それにより、フローチャートの実行が終了する。

（登録データ更新判定部の追加登録・更新登録機能）
なお、登録データ更新判定部１７は、図１４のフローで示される判定処理を実施してもよい。図１４で例示するように、登録データ更新判定部１７は、当該クラスの登録データが未登録であるか否かを判定する（ステップＳ６１）。ステップＳ６１で「Ｙｅｓ」と判定された場合、登録データ更新判定部１７は、当該クラスで保存されている姿勢特徴量の数が第２の所定数以上であるか否かを判定する（ステップＳ６２）。ステップＳ６２で「Ｙｅｓ」と判定された場合、登録データ更新判定部１７は、登録データを作成して保存すると判定する（ステップＳ６３）。ステップＳ６１で「Ｎｏ」と判定された場合、登録データ更新判定部１７は、当該クラスの登録データの姿勢特徴量よりも入力した姿勢特徴量の方がクラスの代表点から近いか否かを判定する（ステップＳ６４）。ステップＳ６４で「Ｙｅｓ」と判定された場合、ステップＳ６３が実行される。ステップＳ６２またはステップＳ６４で「Ｎｏ」と判定された場合、登録データ更新判定部１７は、登録データを作成せず、保存しないと判定する（ステップＳ６５）。

このように、登録データ更新判定部１７は、照合処理部１４による新たな照合が成功した場合、姿勢特徴量が属するクラスの代表点と当該姿勢特徴量との間の距離が、当該クラスに先に登録されている姿勢特徴量と代表点との間のどの距離よりも短い場合にも、照合データを登録データとして追加登録可能であると判定する。または、登録データ作成部１１は、既存の当該クラスに先に登録されている登録デ―タを破棄し、代わりに入力された照合データを更新登録してもよい。

本条件による登録データの追加処理、あるいは更新処理を加えることで、クラスの代表点により近い登録データを登録することができる。姿勢特徴量に対応付けられる登録データは、該クラスの代表点に近いほど、該クラスがカバーできる姿勢のより多くに対応することができるため、比較する登録データと認証データの姿勢のばらつきが少なくなり、照合処理時間の短縮と認証精度の向上が可能となる。

本実施例によれば、ユーザの生体から取得された生体情報と該ユーザの登録生体情報との照合が成功した場合に、該生体情報から姿勢特徴量を抽出し、該姿勢特徴量と該生体情報を対応付けた上で該ユーザの新たな登録生体情報として登録している。このように、照合が成功した場合の生体情報を登録しているため、利用者が無意識に入力している姿勢に対応する登録データを登録することができる。したがって、認証精度を向上させるための生体情報を抽出することができる。

また、姿勢特徴量分類部１６が姿勢特徴量を自動で分類するため、各クラスに関連付けられる登録データを自動で追加登録していくことで、効率の良い登録処理と照合処理を実現することができる。また、先に登録された登録データよりもクラスを代表するのにより適した登録データが作成できた場合に、登録データを更新あるいは追加登録して認証に利用できることで、認証精度の向上が可能となる。

入力時の姿勢が複数種類ある場合でも、各姿勢のクラスに関連付けられた登録データを認証に利用することで、位置合わせの時間短縮による認証時間の増加の抑制が可能となる。また、通常から姿勢が大きく変動しても、その姿勢に近いクラスの登録データを有する可能性が高いため、本人の認証に失敗しづらくなり，本人拒否率の増大の防止が可能となる。

また、登録データ更新判定部が登録データを更新すると判定しなければ登録データが追加されないことで、必要最小限の登録データのみを保存することが可能である。これにより、システムの保存領域を少なくしてコストを抑えることが可能である。さらに、ヒルクライム攻撃等による解析の難易度が上昇し、データ漏えい時のセキュリティリスクが低くなる。

また、本実施例に係る分類は、装置のＩＤに依存した分類ではないため、同一の装置を異なる利用方法で用いることで入力時の姿勢が大きく異なる場合でも、適切な分類が可能である。最初の登録作業時の登録データを１つとすることで、利用者の負担を少なくすることができ、利便性が高くなる。ただし、最初の登録作業時の登録データを複数としてもよい。

また、分類後の照合処理において、いずれかの登録データとの照合が成功した場合に照合処理を打ち切ることによって、照合に要する時間を短縮化することができる。なお、図１３のフローチャートでは、手のひら画像から得られた姿勢特徴量と各クラスの姿勢特徴量との距離が近い順に登録データを並び替えているが、それに限られない。例えば、手のひら画像から得られた姿勢特徴量と各クラスの姿勢特徴量との距離のうち最も短い距離の姿勢特徴量に対応付けられた登録データとの照合だけを行ってもよい。

また、照合に用いる登録データの順番として、例えば新しく追加登録された順、最後に認証された日が新しい順を採用してもよい。利用者が生体情報の入力に習熟していた場合、直近の入力と同じ姿勢で入力される頻度が高くなるため、最新の入力状況をもとに登録データを選択することで入力される認証データに近い登録データから照合される確率が高くなる。また、より短時間で認証処理を終了させることが可能となる。

なお、上記例では手のひらの生体情報として静脈パターンを用いたが、掌紋、掌形などを手のひらの生体情報として用いてもよい。また、姿勢特徴量を２次元指紋画像または３次元指紋画像から抽出してもよい。この場合、一例として、図１５（ａ）のように２次元指紋画像の左上を原点とした直交座標を用いてもよい。図１５（ｂ）のように、指紋中心位置の座標を姿勢特徴量として用いてもよい。指紋中心位置は、指の姿勢に応じて（Ｘ１，Ｙ１）となり、また、（Ｘ２，Ｙ２）となりうる。なお、３次元指紋画像を用いてもよい。この場合、一例として、手のひら静脈画像と同様に、センサを基準とした３次元座標を用いることができる。この場合の姿勢特徴量として、指紋中心位置の３次元座標を用いてもよい。このように、指紋画像から姿勢特徴量を抽出することで、指紋認証にも本実施例を適用することができる。

また、上記例では、属性情報によってユーザを特定してから照合を行っているが、属性情報を取得せずに、照合データを不特定多数の登録データと照合してもよい。この場合においては、ユーザごとに姿勢特徴量を分類せずに、不特定多数のユーザに対して、姿勢特徴量を分類すればよい。

なお、実施例１において、生体センサ１０５が、ユーザの生体から照合用生体情報を取得する生体情報取得部として機能する。また、照合処理部１４が、事前に登録された登録生体情報と照合用生体情報との照合を行う照合部として機能する。また、登録データ作成部１１が、照合部による照合が成功した場合に、生体の姿勢特徴量と対応付けて照合用生体情報を追加の登録生体情報として登録する登録部）として機能する。また、姿勢特徴量分類部１６が、登録部によって登録された複数の姿勢特徴量を１つ以上のクラスに分類する分類部として機能する。

実施例１では、各機能が１台の生体情報抽出装置に備わる例について説明したが、それに限られない。例えば、実施例１の各機能は、端末、サーバなどに分散していてもよい。図１６は、実施例１の生体情報抽出装置１００を複数の端末およびサーバを含むシステムで実現する例である。登録データ作成部１１、姿勢特徴量抽出部１２、および照合データ作成部１３は、生体センサ１０５および属性情報取得部１０７を備える利用者用端末２００内に実現されてもよい。照合処理部１４、照合後処理部１５、姿勢特徴量分類部１６、および登録データ更新判定部１７は、データベース１８を備える登録処理・認証処理サーバ３００内に実現されてもよい。

図１７は、図１６のシステムのハードウェア構成図である。図１７を参照して、利用者用端末２００は、ＣＰＵ、ＲＡＭ、記憶装置、表示装置、生体センサ、通信部、属性情報取得部などを備える。登録処理・認証処理サーバ３００は、ＣＰＵ、ＲＡＭ、記憶装置、表示装置、通信部などを備える。生体情報抽出プログラムは、いずれか１以上の装置内に記憶され、各装置で実行される。

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。

１１ 登録データ作成部
１２ 姿勢特徴量抽出部
１３ 照合データ作成部
１４ 照合処理部
１５ 照合後処理部
１６ 姿勢特徴量分類部
１７ 登録データ更新判定部
１８ データベース
１００ 生体情報抽出装置
１０５ 生体センサ
１０７ 属性情報取得部

Claims (14)

1. ユーザの生体から照合用生体情報を取得する生体情報取得部と、
   事前に登録された登録生体情報と前記照合用生体情報との照合を行う照合部と、
   登録の際に登録生体情報と、前記生体の姿勢特徴量とを対応付けて登録する登録部と、
   前記登録部によって登録された複数の姿勢特徴量を１つ以上のクラスに分類し、事前に登録された登録生体情報を、該登録生体情報に対応する前記姿勢特徴量が属するクラスに関連付ける分類部と、を備え、
   前記登録部は、前記照合部による照合が成功した場合に、前記姿勢特徴量が属する前記クラスを判定し、前記姿勢特徴量を当該クラスに属する新たな姿勢特徴量として登録することと、当該クラスに関連付けられた前記登録生体情報が登録されていない場合に、前記姿勢特徴量に対応付けられた前記照合用生体情報を当該クラスに関連する登録生体情報として追加登録することを特徴とする生体情報抽出装置。
2. 前記登録部は、前記照合部による照合が成功した場合に、前記姿勢特徴量が属する前記クラスに関連付けられた前記登録生体情報が登録されておらず、前記クラスに属する前記姿勢特徴量が第１の所定数以上登録されている場合に、前記姿勢特徴量に対応付けられた前記照合用生体情報を当該クラスに関連する登録生体情報として追加登録することを特徴とする請求項１に記載の生体情報抽出装置。
3. 前記登録部は、前記照合部による照合が成功した場合に、前記姿勢特徴量が属する前記クラスの代表点と当該姿勢特徴量との間の距離が、当該クラスに先に登録されている姿勢特徴量と前記代表点との間のどの距離よりも短いならば、前記姿勢特徴量に対応付けられた前記照合用生体情報を当該クラスに関連する登録生体情報として追加登録することを特徴とする請求項２に記載の生体情報抽出装置。
4. 前記登録部は、前記姿勢特徴量に対応付けられた前記照合用生体情報を前記クラスに関連する登録生体情報として追加登録する際に、該姿勢特徴量が属するクラスに関連する他の登録生体情報を消去することを特徴とする請求項３に記載の生体情報抽出装置。
5. 前記分類部は、前記登録部によって登録された姿勢特徴量の個数が第２の所定のしきい値未満の場合に、該姿勢特徴量を１つのクラスに分類することと、前記登録された姿勢特徴量の個数が初めて第２の所定のしきい値以上となった場合に、前記姿勢特徴量を複数のクラスに分類することを特徴とする請求項１に記載の生体情報抽出装置。
6. 前記分類部は、前記照合部による照合の試行が終了した際に、過去の照合履歴を保存し、該過去の照合履歴をもとに、過去に照合に失敗した確率を求めることと、前記過去に照合に失敗した確率が第３の所定の数値を上回った場合に、姿勢特徴量を再度分類し、事前に登録された登録生体情報を該登録生体情報に対応する前記姿勢特徴量が属するクラスに関連付けることを再度実施することを特徴とする請求項５に記載の生体情報抽出装置。
7. 前記分類部は、分類を実施する際に、過去に実施した分類の回数に応じて分類するクラスの上限数を決定することを特徴とする請求項６に記載の生体情報抽出装置。
8. 前記分類部は、階層的クラスタリングにより、前記クラスの上限数以下のクラスに前記姿勢特徴量を分類し、前記クラスに属する姿勢特徴量の平均値を前記クラスの代表点とすることを特徴とする請求項３〜７いずれか一項に記載の生体情報抽出装置。
9. 前記分類部は、非階層的クラスタリングにより、前記クラスの上限数以下であらかじめ定めた数のクラスに前記姿勢特徴量を分類し、前記クラスに属する姿勢特徴量の平均値を前記クラスの代表点とすることを特徴とする請求項３〜７いずれか一項に記載の生体情報抽出装置。
10. 前記照合部は、前記生体情報取得部によって生体情報が取得された場合の姿勢特徴量が属するクラスの登録生体情報と前記生体情報取得部によって取得された照合用生体情報とを照合することを特徴とする請求項３〜５のいずれか一項に記載の生体情報抽出装置。
11. 前記照合部は、前記生体情報取得部によって生体情報が取得された場合の姿勢特徴量が各クラスの姿勢特徴量との距離が短い順に、各クラスの登録生体情報と前記生体情報取得部によって取得された照合用生体情報とを照合することを特徴とする請求項３〜５のいずれか一項に記載の生体情報抽出装置。
12. 前記照合部は、前記各クラスの登録生体情報との照合を行う場合に、いずれかのクラスの登録生体情報と照合用生体情報との類似度が第４の所定のしきい値以上となった場合に、認証成功と判定して照合を打ち切ることを特徴とする請求項８記載の生体情報抽出装置。
13. 生体情報取得部によって、ユーザの生体から照合用生体情報を取得し、
    事前に登録された登録生体情報と前記照合用生体情報との照合を行い、
    登録の際に登録生体情報と、前記生体の姿勢特徴量とを対応付けて登録し、
    登録された複数の姿勢特徴量を１つ以上のクラスに分類し、事前に登録された登録生体情報を、該登録生体情報に対応する前記姿勢特徴量が属するクラスに関連付け、
    前記照合が成功した場合に、前記姿勢特徴量が属する前記クラスを判定し、前記姿勢特徴量を当該クラスに属する新たな姿勢特徴量として登録することと、当該クラスに関連付けられた前記登録生体情報が登録されていない場合に、前記姿勢特徴量に対応付けられた前記照合用生体情報を当該クラスに関連する登録生体情報として追加登録することを特徴とする生体情報抽出方法。
14. 生体情報取得部によって、ユーザの生体から照合用生体情報を取得し、
    事前に登録された登録生体情報と前記照合用生体情報との照合を行い、
    登録の際に登録生体情報と、前記生体の姿勢特徴量とを対応付けて登録し、
    登録された複数の姿勢特徴量を１つ以上のクラスに分類し、事前に登録された登録生体情報を、該登録生体情報に対応する前記姿勢特徴量が属するクラスに関連付け、
    前記照合が成功した場合に、前記姿勢特徴量が属する前記クラスを判定し、前記姿勢特徴量を当該クラスに属する新たな姿勢特徴量として登録することと、当該クラスに関連付けられた前記登録生体情報が登録されていない場合に、前記姿勢特徴量に対応付けられた前記照合用生体情報を当該クラスに関連する登録生体情報として追加登録する、
    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情報抽出プログラム。

Images