JP6449516B2 - 眼球血管および顔認識のための画像および特徴品質、画像強化および特徴抽出、ならびにバイオメトリックシステムのための眼球血管と顔領域および／またはサブ顔領域との融合 - Google Patents

Description

（関連出願の相互参照）
本願は、２０１５年９月１１日に出願され、“Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ，
Ｑｕａｌｉｔｙ Ｍｅｔｒｉｃｓ， Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ， Ｉｎｆｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ， Ｐｏｓｅ Ｅｓｔｉｍａｔｉｏｎ ａｎｄ Ｃｏｍｐｅｎｓａｔｉｏｎ， ａｎｄ Ｔｅｍｐｌａｔｅ Ｕｐｄａｔｅｓ ｆｏｒ Ｂｉｏｍｅｔｒｉｃ Ｓｙｓｔｅｍｓ”と題された米国仮特許出願第６２／２１７，６６０号に対する優先権およびその利益を主張するものであり、該米国仮特許出願の全体は、参照により本明細書中に援用される。

本開示は、バイオメトリック認証に関し、より具体的には、マルチ領域（眼下から顔）または他の画像ベースのバイオメトリックシステムのための画像強化、品質メトリック、特徴抽出、および情報融合のためのシステムならびに方法に関する。

バイオメトリックシステムは、個人の識別を認証し、情報源へのアクセスの許可または拒否のいずれかを行うために使用されることができる。例えば、画像スキャナが、バイオメトリックセキュリティシステムによって使用され、例えば、個人の眼およびその周囲領域における、個人の顔内の一意の構造に基づいて、個人を識別することができる。登録プロセスの間、捕捉されたもの等の個人から捕捉されたバイオメトリックデータは、後に、個人の識別を照合するために使用される、テンプレートとして記憶されることができる。しかしながら、バイオメトリック走査技術は、登録および照合のために、眼球特徴の代わりに、またはそれに加え、眼球周囲特徴を使用する際、改良された技法から利益を享受するであろう。

眼球血管、眼球周囲、および顔領域に適用可能なバイオメトリック技法に関連するシステムならびに方法が、開示される。一側面では、コンピュータ実装方法は、ユーザの顔領域の画像を受信するステップであって、顔領域は、眼および眼を囲繞する面積を含むステップと、画像を処理し、顔領域の画像内の眼の少なくとも一部を含む、眼球画像領域を画定するステップと、それぞれ、顔領域の画像内の眼を囲繞する面積の少なくとも一部を含む、複数の眼球周囲画像領域を画定するステップであって、眼球周囲領域は、画定された眼球領域の寸法に基づいて画定される、ステップと、眼球画像領域および眼球周囲領域のうちの少なくとも１つに基づいて、１つまたはそれを上回るバイオメトリックマッチングスコアを計算するステップと、１つまたはそれを上回るバイオメトリックマッチングスコアに基づいて、顔領域の画像を真正または非真正として指定するステップとを含む。

一実装では、複数の眼球周囲画像領域は、少なくとも４つの眼球周囲画像領域を備える。少なくとも４つの眼球周囲画像領域は、眼球画像領域の下方に配置される眼球周囲画像領域、眼球画像領域の右に配置される眼球周囲画像領域、眼球画像領域の左に配置される眼球周囲画像領域、および眼球画像領域の上方に配置される眼球周囲画像領域を備えることができる。

複数の眼球周囲画像領域を画定するステップは、眼球画像領域の下方に配置される下側眼球周囲画像領域を画定するステップを含むことができ、下側眼球周囲画像領域は、眼球画像領域幅の幅と実質的に等しい幅および眼球画像領域の高さの１０％〜３００％の範囲内の高さを有する。複数の眼球周囲画像領域を画定するステップはまた、眼球画像領域の右に配置される右眼球周囲画像領域を画定するステップを含むことができ、右眼球周囲画像領域は、眼球画像領域の幅の１０％〜８０％の範囲内の幅および眼球画像領域の高さの１２０％〜５５０％の高さを有する。複数の眼球周囲画像領域を画定するステップはさらに、眼球画像領域の左に配置される左眼球周囲画像領域を画定するステップを含むことができ、左眼球周囲画像領域は、眼球画像領域の幅の１０％〜５０％の範囲内の幅および眼球画像領域の高さの１２０％〜５５０％の高さを有する。複数の眼球周囲画像領域を画定するステップはまた、眼球画像領域の上方に配置される上側眼球周囲画像領域を画定するステップを含むことができ、上側眼球周囲画像領域は、眼球画像領域幅の幅と実質的に等しい幅および眼球画像領域の高さの１０％〜１５０％の範囲内の高さを有する。

別の実装では、１つまたはそれを上回るバイオメトリックマッチングスコアを計算するステップは、眼球画像領域および眼球登録テンプレートに基づいて、第１のバイオメトリックマッチングスコアを計算するステップと、第１のバイオメトリックマッチングスコアが第１のマッチング閾値に満たないことの判定に応答して、眼球画像領域、眼球周囲画像領域のうちの第１のもの、眼球登録テンプレート、および眼球周囲登録テンプレートに基づいて、第２のバイオメトリックマッチングスコアを計算するステップとを含む。１つまたはそれを上回るバイオメトリックマッチングスコアを計算するステップはさらに、第２のバイオメトリックマッチングスコアが第２のマッチング閾値に満たないことの判定に応答して、特定のさらなるバイオメトリックマッチングスコアのいずれかが対応するマッチング閾値を満たす、またはさらなる眼球周囲画像領域が含有のために利用不可能となるまで、さらなるバイオメトリックマッチングスコアを計算する際に、眼球周囲画像領域の付加的なものを反復的に含むことによって、１つまたはそれを上回るさらなるバイオメトリックマッチングスコアを計算するステップを含むことができる。複数の眼球周囲画像領域は、少なくとも、弁別力および／または品質に基づいて、ランク付けされることができ、付加的眼球周囲画像領域は、付加的眼球周囲画像領域の個別のランク付けに基づいて、反復的に含まれることができる。複数の眼球周囲画像領域のうちの１つまたはそれを上回るものは、眼球周囲画像領域から導出される１つまたはそれを上回る顔特徴に基づいて、サブ領域に分割されることができ、付加的眼球周囲画像領域は、付加的眼球周囲画像領域のクラスタ重要度または個別のランク付けに基づいて、反復的に含まれることができる。

さらなる実装では、１つまたはそれを上回るバイオメトリックマッチングスコアを計算するステップは、眼球画像領域および登録テンプレートに基づいて、第１のマッチング点の対のセットを識別するステップと、眼球周囲画像領域および登録テンプレートのうちの少なくとも１つに基づいて、第２のマッチング点の対のセットを識別するステップとを含む。１つまたはそれを上回るバイオメトリックマッチングスコアを計算するステップはさらに、第１および第２のマッチング点の対のセットの組み合わせを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る正対応マッチング点を判定するステップと、眼球画像領域に対応する正対応マッチング点の数が最小眼球正対応カウントを満たすことを判定するステップと、少なくとも部分的に、正対応マッチング点に基づいて、特定のバイオメトリックマッチングスコアを計算するステップとを含むことができる。最小眼球正対応カウントは、３に等しくあることができる。

さらに別の実装では、１つまたはそれを上回るバイオメトリックマッチングスコアを計算するステップはさらに、第１のマッチング点の対のセットを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る第１の正対応マッチング点を判定するステップと、第２のマッチング点の対のセットを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る第２の正対応マッチング点を判定するステップと、第１および第２の正対応マッチング点の組み合わせを入力として使用して、少なくとも部分的に、誤対応検出アルゴリズムの出力に基づいて、特定のバイオメトリックマッチングスコアを計算するステップとを含む。１つまたはそれを上回るバイオメトリックマッチングを計算するステップはさらに、眼球画像領域に対応する誤対応検出アルゴリズムの出力から得られた正対応マッチング点の数が最小眼球正対応カウントを満たすことを判定するステップを含むことができる。最小眼球正対応カウントは、３に等しくあることができる。

別の側面では、コンピュータ実装方法は、ユーザの顔領域の画像を受信するステップであって、顔領域は、眼および眼を囲繞する面積を含むステップと、画像を処理し、（ｉ）顔領域の画像内の眼の少なくとも一部を含む、眼球画像領域を画定し、（ｉｉ）それぞれ、顔領域の画像内の眼を囲繞する面積の少なくとも一部を含む、１つまたはそれを上回る眼球周囲画像領域を画定するステップと、眼球画像領域および１つまたはそれを上回る眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別するステップと、着目点毎に、複数のパターン化ヒストグラム特徴記述子の組み合わせに基づいて、特徴記述子を生成するステップと、生成された特徴記述子をバイオメトリックテンプレート内に記憶するステップとを含む。

一実装では、画像を処理するステップは、ローカル勾配ガボールパターン（ＬＧＧＰ）を使用して、画像の少なくとも一部を強化するステップを含む。ＬＧＧＰを使用して、画像の少なくとも一部を強化するステップは、複数の角度のそれぞれにおいて、画像の少なくとも一部に関するガボール位相画像を計算するステップと、計算されたガボール位相画像を集約し、組み合わせられたガボール位相画像を形成するステップと、複数の角度のそれぞれにおいて、組み合わせられたガボール位相画像のローカル勾配を計算するステップと、各ローカル勾配の最大値を留保し、強化された画像を形成するステップとを含むことができる。

特定のパターン化ヒストグラム特徴記述子は、拡張型マルチ半径ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＢＰ）、拡張型マルチ半径中心対称ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＣＳＬＢＰ）、または拡張型マルチ半径ローカルターナリーパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＴＰ）を備えることができる。特定の着目点に関する特徴記述子を生成するステップは、特定の着目点を備える画像領域を画定するステップと、画像領域内のピクセル毎に、複数のローカルバイナリパターン（ＬＢＰ）コードを計算し、マルチ半径ＬＢＰ（ＭＲ−ＬＢＰ）画像を形成するステップと、ＭＲ−ＬＢＰ画像を複数のサブ領域に分割するステップと、各サブ領域内の各ＭＲ−ＬＢＰビット場所の周波数を備える、複数のヒストグラムを導出するステップと、複数のヒストグラムを組み合わせ、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を形成するステップとによって、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を生成するステップを含むことができる。特定の着目点に関する特徴記述子を生成するステップは、特定の着目点を備える画像領域を画定するステップと、画像領域内のピクセル毎に、複数の中心対称ローカルバイナリパターン（ＣＳＬＢＰ）コードを計算し、マルチ半径ＣＳＬＢＰ（ＭＲ−ＣＳＬＢＰ）画像を形成するステップと、ＭＲ−ＬＢＰ画像を複数のサブ領域に分割するステップと、各サブ領域内の各ＭＲ−ＣＳＬＢＰビット場所の周波数を備える、複数のヒストグラムを導出するステップと、複数のヒストグラムを組み合わせ、ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を形成するステップとによって、ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を生成するステップを含むことができる。特定の着目点に関する特徴記述子を生成するステップは、特定の着目点を備える画像領域を画定するステップと、画像領域内のピクセル毎に、複数のローカルターナリーパターン（ＬＴＰ）コードを計算し、マルチ半径ＬＴＰ（ＭＲ−ＬＴＰ）画像を形成するステップと、ＭＲ−ＬＢＰ画像を複数のサブ領域に分割するステップと、各サブ領域内の各ＭＲ−ＬＴＰビット場所の周波数を備える、複数のヒストグラムを導出するステップと、複数のヒストグラムを組み合わせ、ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を形成するステップとによって、ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を生成するステップを含むことができる。

別の実装では、特定の着目点に関する特徴記述子を生成するステップは、特定の着目点に関するＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を計算するステップと、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を組み合わせ、組み合わせられた特徴記述子を形成するステップとを含む。特定の着目点に関する特徴記述子を生成するステップはさらに、分散分析を組み合わせられた特徴記述子に適用し、組み合わせられた特徴記述子からの特徴のサブセットを備える、上位特徴記述子を形成するステップを含むことができる。特定の着目点に関する特徴記述子を生成するステップはさらに、上位特徴記述子に次元縮退を行い、特定の着目点に関する特徴記述子を形成するステップを含むことができる。

さらなる実装では、特定のパターン化ヒストグラム特徴記述子を生成するステップにおいて、ローカルバイナリパターンまたはローカルターナリーパターン特徴記述子は、角を伴うまたは伴わない正方形によって画定された近傍を使用して計算される。

別の側面では、コンピュータ実装方法は、ユーザの顔領域の画像を受信するステップであって、顔領域は、眼および眼を囲繞する面積を含むステップと、顔領域の画像内の眼の少なくとも一部を含む、眼球画像領域を画定するステップと、それぞれ、顔領域の画像内の眼を囲繞する面積の少なくとも一部を含む、１つまたはそれを上回る眼球周囲画像領域を画定するステップと、眼球画像領域および１つまたはそれを上回る眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別するステップと、着目点毎に、着目点を囲繞するテクスチャに関する領域値を計算するステップと、着目点および個別の計算された領域値に基づいて、顔領域の画像の少なくとも一部に関する少なくとも１つの品質メトリックを判定するステップとを含む。

一実装では、特定の着目点に関する領域値を計算するステップは、特定の着目点に関する正方形近傍内の少なくとも１つのローカルバイナリパターン（ＢＰ）を計算するステップと、特定の着目点からオフセットされた１つまたはそれを上回る点に関する少なくとも１つのＢＰを計算するステップとを含む。特定の着目点に関する領域値を計算するステップはさらに、領域値を特定の着目点および複数のオフセット点に関して計算された領域値の平均に設定するステップを含むことができる。特定の着目点に関する少なくとも１つのＢＰを計算するステップは、それぞれ、特定の着目点に関する異なる近傍を有する、複数のＢＰを計算するステップを含むことができ、オフセット点に関する少なくとも１つのＢＰを計算するステップは、それぞれ、オフセット点毎に異なる近傍を有する、複数のＢＰを計算するステップを含むことができる。特定の着目点またはオフセット点に関する複数のＢＰを計算するステップは、複数のＢＰを雑音バイナリパターン（ＮＢＰ）に低減させるステップと、汎用バイナリパターン（ｇｅｎＢＰ）をＮＢＰから作成するステップとを含むことができる。特定の着目点またはオフセット点に関する複数のＢＰを計算するステップはさらに、加重されたパターンＨをｇｅｎＢＰから作成するステップと、特定の着目点またはオフセット点に関する領域値を以下のように計算するステップであって、

式中、Ｌは、ｇｅｎＢＰ内の連続ゼロの最大長を含む、ステップとを含むことができる。オフセット点は、特定の着目点から異なる方向に均一にシフトされた複数のピクセル場所を備えることができる。

別の実装では、品質メトリックを判定するステップは、着目点の個別の領域値に基づいて、着目点の順序付けられたリストを作成するステップと、順序付けられたリスト内の連続着目点間の距離を計算するステップとを含む。品質メトリックを判定するステップはさらに、品質メトリックを以下のように計算するステップであって、

式中、ｐは、着目点の数を含み、ｓ_ｎは、着目点ｎに関して計算された領域値を含み、ｓｗ_ｎは、着目点ｎに関する加重指数を含み、ｄｗ_ｎは、順序付けられたリスト内の点ｎに対応する距離に関する加重を含む、ステップを含むことができる。

さらなる実装では、顔領域の画像の少なくとも一部は、眼球領域または眼球周囲領域のうちの少なくとも１つを備える。本方法はさらに、眼球周囲画像領域毎に別個に計算された個別の品質メトリックに基づいて、眼球周囲画像領域をランク付けするステップを含むことができる。本方法はさらに、各眼球周囲画像領域の個別の弁別力のうちの少なくとも１つに基づいて、眼球周囲画像領域をランク付けするステップを含むことができる。本方法はさらに、少なくとも部分的に、個別の品質メトリックおよび／または眼球周囲画像領域の弁別力ランク付けに基づいて、眼球周囲画像領域をプログレッシブバイオメトリックマッチャ内で使用するステップを含むことができる。

さらに別の実装では、本方法はさらに、眼球または眼球周囲画像領域のうちの第１のものと眼球または眼球周囲画像領域のうちの第２のものとの間の計算された品質メトリックの差異が閾値を超えることを判定するステップと、計算された品質メトリックの判定された差異に基づいて、偽装の存在の尤度を示すステップとを含む。

前述の他の側面は、対応するシステムおよび非一過性コンピュータ可読媒体を含む。本明細書に説明される主題の１つまたはそれを上回る実装の詳細は、付随の図面および以下の説明に記載される。主題の他の特徴、側面、および利点は、説明、図面、および請求項から明白となるであろう。
本発明は、例えば、以下を提供する。
（項目１）
コンピュータ実装方法であって、
ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含むことと、
前記画像を処理し、前記顔領域の画像内の前記眼の少なくとも一部を含む、眼球画像領域を画定することと、
それぞれが前記顔領域の画像内の前記眼を囲繞する面積の少なくとも一部を含む複数の眼球周囲画像領域を画定することであって、前記眼球周囲領域は、前記画定された眼球領域の寸法に基づいて画定される、ことと、
前記眼球画像領域および前記眼球周囲領域のうちの少なくとも１つに基づいて、１つまたはそれを上回るバイオメトリックマッチングスコアを計算することと、
前記１つまたはそれを上回るバイオメトリックマッチングスコアに基づいて、前記顔領域の画像を真正または非真正として指定することと、
を含む、方法。
（項目２）
前記複数の眼球周囲画像領域は、少なくとも４つの眼球周囲画像領域を備える、項目１に記載の方法。
（項目３）
前記少なくとも４つの眼球周囲画像領域は、前記眼球画像領域の下方に配置される眼球周囲画像領域、前記眼球画像領域の右に配置される眼球周囲画像領域、前記眼球画像領域の左に配置される眼球周囲画像領域、および前記眼球画像領域の上方に配置される眼球周囲画像領域を備える、項目２に記載の方法。
（項目４）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の下方に配置される下側眼球周囲画像領域を画定することを含み、前記下側眼球周囲画像領域は、眼球画像領域幅の幅と実質的に等しい幅および前記眼球画像領域の高さの１０％〜３００％の範囲内の高さを有する、項目１に記載の方法。
（項目５）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の右に配置される右眼球周囲画像領域を画定することを含み、前記右眼球周囲画像領域は、前記眼球画像領域の幅の１０％〜８０％の範囲内の幅および前記眼球画像領域の高さの１２０％〜５５０％の高さを有する、項目１に記載の方法。
（項目６）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の左に配置される左眼球周囲画像領域を画定することを含み、前記左眼球周囲画像領域は、前記眼球画像領域の幅の１０％〜５０％の範囲内の幅および前記眼球画像領域の高さの１２０％〜５５０％の高さを有する、項目１に記載の方法。
（項目７）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の上方に配置される上側眼球周囲画像領域を画定することを含み、前記上側眼球周囲画像領域は、眼球画像領域幅の幅と実質的に等しい幅および前記眼球画像領域の高さの１０％〜１５０％の範囲内の高さを有する、項目１に記載の方法。
（項目８）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することは、
前記眼球画像領域および眼球登録テンプレートに基づいて、第１のバイオメトリックマッチングスコアを計算することと、
前記第１のバイオメトリックマッチングスコアが第１のマッチング閾値に満たないことの判定に応答して、前記眼球画像領域、前記眼球周囲画像領域のうちの第１のもの、前記眼球登録テンプレート、および眼球周囲登録テンプレートに基づいて、第２のバイオメトリックマッチングスコアを計算することと、
を含む、項目１に記載の方法。
（項目９）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、前記第２のバイオメトリックマッチングスコアが第２のマッチング閾値に満たないことの判定に応答して、特定のさらなるバイオメトリックマッチングスコアのいずれかが対応するマッチング閾値を満たす、またはさらなる眼球周囲画像領域が含有のために利用不可能となるまで、前記さらなるバイオメトリックマッチングスコアを計算する際に、前記眼球周囲画像領域の付加的なものを反復的に含むことによって、１つまたはそれを上回るさらなるバイオメトリックマッチングスコアを計算することを含む、項目８に記載の方法。
（項目１０）
前記複数の眼球周囲画像領域は、少なくとも、弁別力および／または品質に基づいて、ランク付けされ、前記付加的眼球周囲画像領域は、前記付加的眼球周囲画像領域の個別のランク付けに基づいて、反復的に含まれる、項目９に記載の方法。
（項目１１）
前記眼球周囲画像領域から導出される１つまたはそれを上回る顔特徴に基づいて、前記複数の眼球周囲画像領域のうちの１つまたはそれを上回るものをサブ領域に分割することをさらに含み、前記付加的眼球周囲画像領域は、前記付加的眼球周囲画像領域のクラスタ重要度または個別のランク付けに基づいて、反復的に含まれる、項目９に記載の方法。
（項目１２）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することは、
前記眼球画像領域および登録テンプレートに基づいて、第１のマッチング点の対のセットを識別することと、
前記眼球周囲画像領域および前記登録テンプレートのうちの少なくとも１つに基づいて、第２のマッチング点の対のセットを識別することと、
を含む、項目１に記載の方法。
（項目１３）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、
前記第１および第２のマッチング点の対のセットの組み合わせを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る正対応マッチング点を判定することと、
前記眼球画像領域に対応する前記正対応マッチング点の数が最小眼球正対応カウントを満たすことを判定することと、
少なくとも部分的に、前記正対応マッチング点に基づいて、特定のバイオメトリックマッチングスコアを計算することと、
を含む、項目１２に記載の方法。
（項目１４）
前記最小眼球正対応カウントは、３に等しい、項目１３に記載の方法。
（項目１５）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、
前記第１のマッチング点の対のセットを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る第１の正対応マッチング点を判定することと、
前記第２のマッチング点の対のセットを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る第２の正対応マッチング点を判定することと、
前記第１および第２の正対応マッチング点の組み合わせを入力として使用して、少なくとも部分的に、誤対応検出アルゴリズムの出力に基づいて、特定のバイオメトリックマッチングスコアを計算することと、
を含む、項目１３に記載の方法。
（項目１６）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、前記眼球画像領域に対応する前記誤対応検出アルゴリズムの出力から得られた正対応マッチング点の数が最小眼球正対応カウントを満たすことを判定することを含む、項目１３に記載の方法。
（項目１７）
前記最小眼球正対応カウントは、３に等しい、項目１６に記載の方法。
（項目１８）
システムであって、
コンピュータ実行可能命令を記憶するための少なくとも１つのメモリと、
前記少なくとも１つのメモリ上に記憶される命令を実行するための少なくとも１つの処理ユニットであって、前記命令の実行は、前記少なくとも１つの処理ユニットを、
ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含むことと、
前記画像を処理し、前記顔領域の画像内の前記眼の少なくとも一部を含む、眼球画像領域を画定することと、
それぞれが前記顔領域の画像内の前記眼を囲繞する面積の少なくとも一部を含む複数の眼球周囲画像領域を画定することであって、前記眼球周囲領域は、前記画定された眼球領域の寸法に基づいて画定される、ことと、
前記眼球画像領域および前記眼球周囲領域のうちの少なくとも１つに基づいて、１つまたはそれを上回るバイオメトリックマッチングスコアを計算することと、
前記１つまたはそれを上回るバイオメトリックマッチングスコアに基づいて、前記顔領域の画像を真正または非真正として指定することと、
を含む動作を行うようにプログラムする、少なくとも１つの処理ユニットと、
を備える、システム。
（項目１９）
前記複数の眼球周囲画像領域は、少なくとも４つの眼球周囲画像領域を備える、項目１８に記載のシステム。
（項目２０）
前記少なくとも４つの眼球周囲画像領域は、前記眼球画像領域の下方に配置される眼球周囲画像領域、前記眼球画像領域の右に配置される眼球周囲画像領域、前記眼球画像領域の左に配置される眼球周囲画像領域、および前記眼球画像領域の上方に配置される眼球周囲画像領域を備える、項目１９に記載のシステム。
（項目２１）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の下方に配置される下側眼球周囲画像領域を画定することを含み、前記下側眼球周囲画像領域は、眼球画像領域幅の幅と実質的に等しい幅および前記眼球画像領域の高さの１０％〜３００％の範囲内の高さを有する、項目１８に記載のシステム。
（項目２２）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の右に配置される右眼球周囲画像領域を画定することを含み、前記右眼球周囲画像領域は、前記眼球画像領域の幅の１０％〜８０％の範囲内の幅および前記眼球画像領域の高さの１２０％〜５５０％の高さを有する、項目１８に記載のシステム。
（項目２３）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の左に配置される左眼球周囲画像領域を画定することを含み、前記左眼球周囲画像領域は、前記眼球画像領域の幅の１０％〜５０％の範囲内の幅および前記眼球画像領域の高さの１２０％〜５５０％の高さを有する、項目１８に記載のシステム。
（項目２４）
前記複数の眼球周囲画像領域を画定することは、前記眼球画像領域の上方に配置される上側眼球周囲画像領域を画定することを含み、前記上側眼球周囲画像領域は、眼球画像領域幅の幅と実質的に等しい幅および前記眼球画像領域の高さの１０％〜１５０％の範囲内の高さを有する、項目１８に記載のシステム。
（項目２５）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することは、
前記眼球画像領域および眼球登録テンプレートに基づいて、第１のバイオメトリックマッチングスコアを計算することと、
前記第１のバイオメトリックマッチングスコアが第１のマッチング閾値に満たないことの判定に応答して、前記眼球画像領域、前記眼球周囲画像領域のうちの第１のもの、前記眼球登録テンプレート、および眼球周囲登録テンプレートに基づいて、第２のバイオメトリックマッチングスコアを計算することと、
を含む、項目１８に記載のシステム。
（項目２６）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、前記第２のバイオメトリックマッチングスコアが第２のマッチング閾値に満たないことの判定に応答して、特定のさらなるバイオメトリックマッチングスコアのいずれかが対応するマッチング閾値を満たす、またはさらなる眼球周囲画像領域が含有のために利用不可能となるまで、前記さらなるバイオメトリックマッチングスコアを計算する際に、前記眼球周囲画像領域の付加的なものを反復的に含むことによって、１つまたはそれを上回るさらなるバイオメトリックマッチングスコアを計算することを含む、項目２５に記載のシステム。
（項目２７）
前記複数の眼球周囲画像領域は、少なくとも、弁別力および／または品質に基づいて、ランク付けされ、前記付加的眼球周囲画像領域は、前記付加的眼球周囲画像領域の個別のランク付けに基づいて、反復的に含まれる、項目２６に記載のシステム。
（項目２８）
前記動作はさらに、前記眼球周囲画像領域から導出される１つまたはそれを上回る顔特徴に基づいて、前記複数の眼球周囲画像領域のうちの１つまたはそれを上回るものをサブ領域に分割することを含み、前記付加的眼球周囲画像領域は、前記付加的眼球周囲画像領域のクラスタ重要度または個別のランク付けに基づいて、反復的に含まれる、項目２６に記載のシステム。
（項目２９）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することは、
前記眼球画像領域および登録テンプレートに基づいて、第１のマッチング点の対のセットを識別することと、
前記眼球周囲画像領域および前記登録テンプレートのうちの少なくとも１つに基づいて、第２のマッチング点の対のセットを識別することと、
を含む、項目１８に記載のシステム。
（項目３０）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、
前記第１および第２のマッチング点の対のセットの組み合わせを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る正対応マッチング点を判定することと、
前記眼球画像領域に対応する前記正対応マッチング点の数が最小眼球正対応カウントを満たすことを判定することと、
少なくとも部分的に、前記正対応マッチング点に基づいて、特定のバイオメトリックマッチングスコアを計算することと、
を含む、項目２９に記載のシステム。
（項目３１）
前記最小眼球正対応カウントは、３に等しい、項目３０に記載のシステム。
（項目３２）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、
前記第１のマッチング点の対のセットを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る第１の正対応マッチング点を判定することと、
前記第２のマッチング点の対のセットを誤対応検出アルゴリズムに入力することによって、１つまたはそれを上回る第２の正対応マッチング点を判定することと、
前記第１および第２の正対応マッチング点の組み合わせを入力として使用して、少なくとも部分的に、誤対応検出アルゴリズムの出力に基づいて、特定のバイオメトリックマッチングスコアを計算することと、
を含む、項目３０に記載のシステム。
（項目３３）
前記１つまたはそれを上回るバイオメトリックマッチングスコアを計算することはさらに、前記眼球画像領域に対応する前記誤対応検出アルゴリズムの出力から得られた正対応マッチング点の数が最小眼球正対応カウントを満たすことを判定することを含む、項目３０に記載のシステム。
（項目３４）
前記最小眼球正対応カウントは、３に等しい、項目３３に記載のシステム。
（項目３５）
コンピュータ実装方法であって、
ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含むことと、
前記画像を処理し、（ｉ）前記顔領域の画像内の前記眼の少なくとも一部を含む、眼球画像領域を画定し、（ｉｉ）それぞれが前記顔領域の画像内の前記眼を囲繞する面積の少なくとも一部を含む１つまたはそれを上回る眼球周囲画像領域を画定することと、
前記眼球画像領域および前記１つまたはそれを上回る眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別することと、
着目点毎に、複数のパターン化ヒストグラム特徴記述子の組み合わせに基づいて、特徴記述子を生成することと、
前記生成された特徴記述子をバイオメトリックテンプレート内に記憶することと、
を含む、方法。
（項目３６）
前記画像を処理することは、ローカル勾配ガボールパターン（ＬＧＧＰ）を使用して、前記画像の少なくとも一部を強化することを含む、項目３５に記載の方法。
（項目３７）
ＬＧＧＰを使用して、前記画像の少なくとも一部を強化することは、
複数の角度のそれぞれにおいて、前記画像の少なくとも一部に関するガボール位相画像を計算することと、
前記計算されたガボール位相画像を集約し、組み合わせられたガボール位相画像を形成することと、
複数の角度のそれぞれにおいて、前記組み合わせられたガボール位相画像のローカル勾配を計算することと、
各ローカル勾配の最大値を留保し、強化された画像を形成することと、
を含む、項目３６に記載の方法。
（項目３８）
特定のパターン化ヒストグラム特徴記述子は、拡張型マルチ半径ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＢＰ）、拡張型マルチ半径中心対称ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＣＳＬＢＰ）、または拡張型マルチ半径ローカルターナリーパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＴＰ）を備える、項目３５に記載の方法。
（項目３９）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点を備える画像領域を画定することと、
前記画像領域内のピクセル毎に、複数のローカルバイナリパターン（ＬＢＰ）コードを計算し、マルチ半径ＬＢＰ（ＭＲ−ＬＢＰ）画像を形成することと、
前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
各サブ領域内の各ＭＲ−ＬＢＰビット場所の周波数を備える、複数のヒストグラムを導出することと、
前記複数のヒストグラムを組み合わせ、前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を形成することと、
によって、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を生成することを含む、項目３８に記載の方法。
（項目４０）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点を備える画像領域を画定することと、
前記画像領域内のピクセル毎に、複数の中心対称ローカルバイナリパターン（ＣＳＬＢＰ）コードを計算し、マルチ半径ＣＳＬＢＰ（ＭＲ−ＣＳＬＢＰ）画像を形成することと、
前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
各サブ領域内の各ＭＲ−ＣＳＬＢＰビット場所の周波数を備える、複数のヒストグラムを導出することと、
前記複数のヒストグラムを組み合わせ、前記ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を形成することと、
によって、ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を生成することを含む、項目３８に記載の方法。
（項目４１）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点を備える画像領域を画定することと、
前記画像領域内のピクセル毎に、複数のローカルターナリーパターン（ＬＴＰ）コードを計算し、マルチ半径ＬＴＰ（ＭＲ−ＬＴＰ）画像を形成することと、
前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
各サブ領域内の各ＭＲ−ＬＴＰビット場所の周波数を備える、複数のヒストグラムを導出することと、
前記複数のヒストグラムを組み合わせ、前記ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を形成することと、
によって、ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を生成することを含む、項目３８に記載の方法。
（項目４２）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点に関するＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を計算することと、
前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を組み合わせ、組み合わせられた特徴記述子を形成することと、
を含む、項目３８に記載の方法。
（項目４３）
特定の着目点に関する前記特徴記述子を生成することはさらに、分散分析を前記組み合わせられた特徴記述子に適用し、前記組み合わせられた特徴記述子からの特徴のサブセットを備える、上位特徴記述子を形成することを含む、項目４２に記載の方法。
（項目４４）
特定の着目点に関する前記特徴記述子を生成することはさらに、前記上位特徴記述子に次元縮退を行い、前記特定の着目点に関する特徴記述子を形成することを含む、項目４３に記載の方法。
（項目４５）
特定のパターン化ヒストグラム特徴記述子を生成することにおいて、ローカルバイナリパターンまたはローカルターナリーパターン特徴記述子は、角を伴うまたは伴わない正方形によって画定された近傍を使用して計算される、項目３５に記載の方法。
（項目４６）
システムであって、
コンピュータ実行可能命令を記憶するための少なくとも１つのメモリと、
前記少なくとも１つのメモリ上に記憶される命令を実行するための少なくとも１つの処理ユニットであって、前記命令の実行は、前記少なくとも１つの処理ユニットを、
ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含むことと、
前記画像を処理し、（ｉ）前記顔領域の画像内の前記眼の少なくとも一部を含む、眼球画像領域を画定し、（ｉｉ）それぞれが前記顔領域の画像内の前記眼を囲繞する面積の少なくとも一部を含む１つまたはそれを上回る眼球周囲画像領域を画定することと、
前記眼球画像領域および前記１つまたはそれを上回る眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別することと、
着目点毎に、複数のパターン化ヒストグラム特徴記述子の組み合わせに基づいて、特徴記述子を生成することと、
前記生成された特徴記述子をバイオメトリックテンプレート内に記憶することと、
を含む動作を行うようにプログラムする、少なくとも１つの処理ユニットと、
を備える、システム。
（項目４７）
前記画像を処理することは、ローカル勾配ガボールパターン（ＬＧＧＰ）を使用して、前記画像の少なくとも一部を強化することを含む、項目４６に記載のシステム。
（項目４８）
ＬＧＧＰを使用して、前記画像の少なくとも一部を強化することは、
複数の角度のそれぞれにおいて、前記画像の少なくとも一部に関するガボール位相画像を計算することと、
前記計算されたガボール位相画像を集約し、組み合わせられたガボール位相画像を形成することと、
複数の角度のそれぞれにおいて、前記組み合わせられたガボール位相画像のローカル勾配を計算することと、
各ローカル勾配の最大値を留保し、強化された画像を形成することと、
を含む、項目４７に記載のシステム。
（項目４９）
特定のパターン化ヒストグラム特徴記述子は、拡張型マルチ半径ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＢＰ）、拡張型マルチ半径中心対称ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＣＳＬＢＰ）、または拡張型マルチ半径ローカルターナリーパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＴＰ）を備える、項目４６に記載のシステム。
（項目５０）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点を備える画像領域を画定することと、
前記画像領域内のピクセル毎に、複数のローカルバイナリパターン（ＬＢＰ）コードを計算し、マルチ半径ＬＢＰ（ＭＲ−ＬＢＰ）画像を形成することと、
前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
各サブ領域内の各ＭＲ−ＬＢＰビット場所の周波数を備える、複数のヒストグラムを導出することと、
前記複数のヒストグラムを組み合わせ、前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を形成することと、
によって、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を生成することを含む、項目４９に記載のシステム。
（項目５１）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点を備える画像領域を画定することと、
前記画像領域内のピクセル毎に、複数の中心対称ローカルバイナリパターン（ＣＳＬＢＰ）コードを計算し、マルチ半径ＣＳＬＢＰ（ＭＲ−ＣＳＬＢＰ）画像を形成することと、
前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
各サブ領域内の各ＭＲ−ＣＳＬＢＰビット場所の周波数を備える、複数のヒストグラムを導出することと、
前記複数のヒストグラムを組み合わせ、前記ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を形成することと、
によって、ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を生成することを含む、項目４９に記載のシステム。
（項目５２）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点を備える画像領域を画定することと、
前記画像領域内のピクセル毎に、複数のローカルターナリーパターン（ＬＴＰ）コードを計算し、マルチ半径ＬＴＰ（ＭＲ−ＬＴＰ）画像を形成することと、
前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
各サブ領域内の各ＭＲ−ＬＴＰビット場所の周波数を備える、複数のヒストグラムを導出することと、
前記複数のヒストグラムを組み合わせ、前記ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を形成することと、
によって、ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を生成することを含む、項目４９に記載のシステム。
（項目５３）
特定の着目点に関する前記特徴記述子を生成することは、
前記特定の着目点に関するＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を計算することと、
前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を組み合わせ、組み合わせられた特徴記述子を形成することと、
を含む、項目４９に記載のシステム。
（項目５４）
特定の着目点に関する前記特徴記述子を生成することはさらに、分散分析を前記組み合わせられた特徴記述子に適用し、前記組み合わせられた特徴記述子からの特徴のサブセットを備える、上位特徴記述子を形成することを含む、項目５３に記載のシステム。
（項目５５）
特定の着目点に関する前記特徴記述子を生成することはさらに、前記上位特徴記述子に次元縮退を行い、前記特定の着目点に関する特徴記述子を形成することを含む、項目５４に記載のシステム。
（項目５６）
特定のパターン化ヒストグラム特徴記述子を生成することにおいて、ローカルバイナリパターンまたはローカルターナリーパターン特徴記述子は、角を伴うまたは伴わない正方形によって画定された近傍を使用して計算される、項目４６に記載のシステム。
（項目５７）
コンピュータ実装方法であって、
ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含む、ことと、
前記顔領域の画像内の前記眼の少なくとも一部を含む、眼球画像領域を画定することと、
それぞれが前記顔領域の画像内の前記眼を囲繞する面積の少なくとも一部を含む１つまたはそれを上回る眼球周囲画像領域を画定することと、
前記眼球画像領域および前記１つまたはそれを上回る眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別することと、
着目点毎に、前記着目点を囲繞するテクスチャに関する領域値を計算することと、
前記着目点および前記個別の計算された領域値に基づいて、前記顔領域の画像の少なくとも一部に関する少なくとも１つの品質メトリックを判定することと、
を含む、コンピュータ実装方法。
（項目５８）
特定の着目点に関する前記領域値を計算することは、
前記特定の着目点に関する正方形近傍内の少なくとも１つのローカルバイナリパターン（ＢＰ）を計算することと、
前記特定の着目点からオフセットされた１つまたはそれを上回る点に関する少なくとも１つのＢＰを計算することと、
を含む、項目５７に記載の方法。
（項目５９）
前記特定の着目点に関する前記領域値を計算することはさらに、前記領域値を前記特定の着目点および複数の前記オフセット点に関して計算された領域値の平均に設定することを含む、項目５８に記載の方法。
（項目６０）
前記特定の着目点に関する少なくとも１つのＢＰを計算することは、それぞれが前記特定の着目点に関する異なる近傍を有する複数のＢＰを計算することを含み、前記オフセット点に関する少なくとも１つのＢＰを計算することは、それぞれがオフセット点毎に異なる近傍を有する複数のＢＰを計算することを含む、項目５８に記載の方法。
（項目６１）
特定の着目点またはオフセット点に関する前記複数のＢＰを計算することは、
前記複数のＢＰを雑音バイナリパターン（ＮＢＰ）に低減させることと、
汎用バイナリパターン（ｇｅｎＢＰ）を前記ＮＢＰから作成することと、
を含む、項目６０に記載の方法。
（項目６２）
特定の着目点またはオフセット点に関する前記複数のＢＰを計算することはさらに、
加重されたパターンＨを前記ｇｅｎＢＰから作成することと、
前記特定の着目点またはオフセット点に関する領域値を以下のように計算することであって、

式中、Ｌは、前記ｇｅｎＢＰ内の連続ゼロの最大長を含む、ことと、
を含む、項目６１に記載の方法。
（項目６３）
前記オフセット点は、前記特定の着目点から異なる方向に均一にシフトされた複数のピクセル場所を備える、項目５８に記載の方法。
（項目６４）
前記品質メトリックを判定することは、
前記着目点の個別の領域値に基づいて、前記着目点の順序付けられたリストを作成することと、
前記順序付けられたリスト内の連続着目点間の距離を計算することと、
を含む、項目５７に記載の方法。
（項目６５）
前記品質メトリックを判定することはさらに、前記品質メトリックを以下のように計算することであって、

式中、ｐは、前記着目点の数を含み、ｓ_ｎは、着目点ｎに関して計算された前記領域値を含み、ｓｗ_ｎは、着目点ｎに関する加重指数を含み、ｄｗ_ｎは、前記順序付けられたリスト内の点ｎに対応する距離に関する加重を含む、こと
を含む、項目６４に記載の方法。
（項目６６）
前記顔領域の画像の少なくとも一部は、前記眼球領域、または、前記眼球周囲領域のうちの少なくとも１つを備える、項目５７に記載の方法。
（項目６７）
前記眼球周囲画像領域毎に別個に計算された個別の品質メトリックに基づいて、前記眼球周囲画像領域をランク付けすることをさらに含む、項目５７に記載の方法。
（項目６８）
各眼球周囲画像領域の個別の弁別力のうちの少なくとも１つに基づいて、前記眼球周囲画像領域をランク付けすることをさらに含む、項目６７に記載の方法。
（項目６９）
少なくとも部分的に、前記個別の品質メトリックおよび／または前記眼球周囲画像領域の弁別力ランク付けに基づいて、前記眼球周囲画像領域をプログレッシブバイオメトリックマッチャ内で使用することをさらに含む、項目６８に記載の方法。
（項目７０）
前記眼球画像領域または眼球周囲画像領域のうちの第１のものと前記眼球画像領域または眼球周囲画像領域のうちの第２のものとの間の計算された品質メトリックの差異が閾値を超えることを判定することと、
計算された品質メトリックの前記判定された差異に基づいて、偽装の存在の尤度を示すことと、
をさらに含む、項目５７に記載の方法。
（項目７１）
システムであって、
コンピュータ実行可能命令を記憶するための少なくとも１つのメモリと、
前記少なくとも１つのメモリ上に記憶される命令を実行するための少なくとも１つの処理ユニットであって、前記命令の実行は、前記少なくとも１つの処理ユニットを、
ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含むことと、
前記顔領域の画像内の前記眼の少なくとも一部を含む、眼球画像領域を画定することと、
それぞれが前記顔領域の画像内の前記眼を囲繞する面積の少なくとも一部を含む１つまたはそれを上回る眼球周囲画像領域を画定することと、
前記眼球画像領域および前記１つまたはそれを上回る眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別することと、
着目点毎に、前記着目点を囲繞するテクスチャに関する領域値を計算することと、
前記着目点および前記個別の計算された領域値に基づいて、前記顔領域の画像の少なくとも一部に関する少なくとも１つの品質メトリックを判定することと、
を含む動作を行うようにプログラムする、少なくとも１つの処理ユニットと、
を備える、システム。
（項目７２）
特定の着目点に関する前記領域値を計算することは、
前記特定の着目点に関する正方形近傍内の少なくとも１つのローカルバイナリパターン（ＢＰ）を計算することと、
前記特定の着目点からオフセットされた１つまたはそれを上回る点に関する少なくとも１つのＢＰを計算することと、
を含む、項目７１に記載のシステム。
（項目７３）
前記特定の着目点に関する領域値を計算することはさらに、前記領域値を前記特定の着目点および複数の前記オフセット点に関して計算された領域値の平均に設定することを含む、項目７２に記載のシステム。
（項目７４）
前記特定の着目点に関する少なくとも１つのＢＰを計算することは、それぞれが前記特定の着目点に関する異なる近傍を有する複数のＢＰを計算することを含み、前記オフセット点に関する少なくとも１つのＢＰを計算することは、それぞれがオフセット点毎に異なる近傍を有する複数のＢＰを計算することを含む、項目７２に記載のシステム。
（項目７５）
特定の着目点またはオフセット点に関する前記複数のＢＰを計算することは、
前記複数のＢＰを雑音バイナリパターン（ＮＢＰ）に低減させることと、
汎用バイナリパターン（ｇｅｎＢＰ）を前記ＮＢＰから作成することと、
を含む、項目７４に記載のシステム。
（項目７６）
特定の着目点またはオフセット点に関する前記複数のＢＰを計算することはさらに、
加重されたパターンＨを前記ｇｅｎＢＰから作成することと、
前記特定の着目点またはオフセット点に関する領域値を以下のように計算することであって、

式中、Ｌは、前記ｇｅｎＢＰ内の連続ゼロの最大長を含む、ことと、
を含む、項目７５に記載のシステム。
（項目７７）
前記オフセット点は、前記特定の着目点から異なる方向に均一にシフトされた複数のピクセル場所を備える、項目７２に記載のシステム。
（項目７８）
前記品質メトリックを判定することは、
前記着目点の個別の領域値に基づいて、前記着目点の順序付けられたリストを作成することと、
前記順序付けられたリスト内の連続着目点間の距離を計算することと、
を含む、項目７１に記載のシステム。
（項目７９）
前記品質メトリックを判定することはさらに、前記品質メトリックを以下のように計算することであって、

式中、ｐは、前記着目点の数を含み、ｓ_ｎは、着目点ｎに関して計算された前記領域値を含み、ｓｗ_ｎは、着目点ｎに関する加重指数を含み、ｄｗ_ｎは、前記順序付けられたリスト内の点ｎに対応する距離に関する加重を含む、こと
を含む、項目７８に記載のシステム。
（項目８０）
前記顔領域の画像の少なくとも一部は、前記眼球領域または前記眼球周囲領域のうちの少なくとも１つを備える、項目７１に記載のシステム。
（項目８１）
前記動作はさらに、前記眼球周囲画像領域毎に別個に計算された個別の品質メトリックに基づいて、前記眼球周囲画像領域をランク付けすることを含む、項目７１に記載のシステム。
（項目８２）
前記動作はさらに、各眼球周囲画像領域の個別の弁別力のうちの少なくとも１つに基づいて、前記眼球周囲画像領域をランク付けすることを含む、項目８１に記載のシステム。
（項目８３）
前記動作はさらに、少なくとも部分的に、前記個別の品質メトリックおよび／または前記眼球周囲画像領域の弁別力ランク付けに基づいて、前記眼球周囲画像領域をプログレッシブバイオメトリックマッチャ内で使用することを含む、項目８２に記載のシステム。
（項目８４）
前記動作はさらに、
前記眼球または眼球周囲画像領域のうちの第１のものと前記眼球または眼球周囲画像領域のうちの第２のものとの間の計算された品質メトリックの差異が閾値を超えることを判定することと、
計算された品質メトリックの前記判定された差異に基づいて、偽装の存在の尤度を示すことと、
を含む、項目７１に記載のシステム。

図面中、同様の参照文字は、概して、異なる図全体を通して同一部分を指す。また、図面は、必ずしも、正確な縮尺ではなく、代わりに、概して実装の原理の例証に応じて、強調が置かれる。以下の説明では、種々の実装は、以下の図面を参照して説明される。

図１は、ある実装による、眼球および眼球周囲登録テンプレートを作成するための例示的方法を描写する。

図２Ａおよび２Ｂは、ある実装による、眼球および眼球周囲領域ならびに対応する顔画像を画定するための例示的方法を描写する。

図３は、ある実装による、例示的修正されたローカルバイナリパターン（ｇｅｎＢＰ）プロセスを描写する。

図４は、ある実装による、登録および照合位相を伴う、バイオメトリックプログレッシブマッチングのための例示的技法を描写する。 図４は、ある実装による、登録および照合位相を伴う、バイオメトリックプログレッシブマッチングのための例示的技法を描写する。

図５は、ある実装による、バイオメトリック走査および分析を行うための例示的システムを描写する。

白眼は、容易に可視および走査可能であるだけではなく、また、各個人に一意である、複雑なパターン（主に、血管構造に起因する）を含む。ある場合には、他の非血管形成もまた、可視であり得、バイオメトリックマッチングアルゴリズムによって考慮されることができる。したがって、主に、結膜および上強膜の血管系に起因する、白眼上に見られるこれらの可視構造は、走査され、有利には、バイオメトリックとして使用されることができる。本バイオメトリックは、特定の個人を認証する、または未知の個人をより大きい候補セットから識別するために使用されることができる。白眼内の血管を撮像およびパターンマッチングするため、ならびに血管点検出、特徴抽出、およびマッチングのためのソリューションの実装が、例えば、２０１３年２月５日に発行され、「Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｂｉｏｍｅｔｒｉｃ Ａｕｔｈｅｎｔｉｃａｔｉｏｎ」と題された米国特許第８，３６９，５９５号と、２０１６年７月１２日に発行され、「Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ａｎｄ Ｍａｔｃｈｉｎｇ ｆｏｒ Ｂｉｏｍｅｔｒｉｃ
Ａｕｔｈｅｎｔｉｃａｔｉｏｎ」と題された米国特許第９，３９０，３２７号（その全体が、参照することによって本明細書に組み込まれる）に説明されている。ロバスト性をこれらおよび他のバイオメトリック照合技法に追加するために、例えば、付加的情報がより正確な分析を形成するために必要とされる場合、眼球周囲または部分的もしくはさらには完全な顔または他の可視識別可能パターン等の白眼の外側の可視非眼球血管構造を眼球血管バイオメトリックマッチングスキームにプログレッシブに含めるための方法が、本明細書に説明される。

眼球特徴は、主に、白眼上に見られる血管パターンに起因する、角膜輪部の外部に見られ、眼瞼によって境界される、パターンから生じるものである。故に、そのような特徴は、本明細書では、眼球または眼球血管と同義的に称される。白眼は、いくつかの層を有する。強膜は、コラーゲンおよび弾性繊維を含有する、眼の不透明な線維質の保護的な層である。強膜は、特に、それを通貫し、かつそれにわたる、多数の血管および静脈を有する、上強膜によって被覆される。上強膜は、眼瞼が開かれると、眼瞼または環境と界面接触する、薄い透明な膜である、眼球結膜によって被覆され、これもまた、一意かつ豊富な血管構造を含有する。血管は、白眼のこれらの層の全てを通貫し、眼の画像内において検出されることができる。眼はまた、睫毛および時として眼瞼下垂を含み、時として、画像内の白眼の部分を曖昧にし得る。

眼球周囲は、眼を囲繞する顔の直近領域（眼瞼縁の外部にあり、いくつかの事例では、それに当接する）を指し、これは、テクスチャ化され、バイオメトリック用途のために使用されることができる。眼球周囲領域は、連続的であり得るが、必ずしもそうではなく、形状およびサイズに関して種々の形態をとり得る、１つまたはそれを上回る領域を含むことができる。眼球周囲領域は、明確に画定された境界を有していないが、着目領域を標準化することは、位置合わせ問題を最小限にし、バイオメトリックシステムの正確度をさらに改良することができる。そのような標準化は、眼角間の距離、虹彩の半径、眼球間距離、および／または導出される眼クロップの幅ならびに高さ等のユーザの顔からある測定可能値を使用して達成されることができる（眼検出アルゴリズムを使用しながら）。ユーザ認証の際、ユーザの眼および眼球周囲領域の１つまたはそれを上回るデジタル画像が、捕捉され、１つまたはそれを上回る照合テンプレートが、捕捉された画像または複数の画像から生成され、ユーザの識別は、登録および照合テンプレート内に表されるような対応する眼球および眼球周囲構造をマッチングさせることによって照合されることができる。

他の実装では、眼球周囲領域を越えて延在する顔の付加的領域が、眼を直接囲繞する領域に加え、またはその代わりに、使用されることができる。例えば、肉づきのよい顔貌が観察されるとき、鼻の上および／または周囲もしくは顔の上／周囲の１つまたはそれを上回る領域は、延在された眼球周囲領域と見なされ得る。一実装では、顔特徴は、眼ベースのバイオメトリックマッチャのための眼球特徴を補完することができる。別の実装では、眼ベースのバイオメトリックマッチャによって使用される眼球特徴は、眼球周囲および延在される顔特徴の両方によって補完される。別の実装では、顔全体が、眼を直接囲繞する領域に加え、またはその代わりに、使用されることができる。顔は、眼ベースのバイオメトリックマッチャのための眼球特徴を補完することができる。眼球周囲および顔領域は両方とも、眼ベースのバイオメトリックマッチャによって使用される眼球特徴を補完することができる。

種々の他の実装では、眼球周囲領域の肌質等の他の情報もまた、測定され、ソフトバイオメトリックとして使用されることができる。肌質は、正規化された赤色、緑色、および青色（ＲＧＢ）チャネル等の画像の異なる色帯の強度値のヒストグラムを使用して推定されることができる。照合の際、登録テンプレートのヒストグラム情報は、登録および照合画像のヒストグラム間の距離が閾値より高いとき、照合プロセスを停止するために使用されることができる。

一実装では、肌質は、最も顕著な色を識別する、クラスタ化技法によって推定されることができる。一実施例として、眼球周囲領域のＲＧＢピクセルが、Ｌａｂ色空間に変換され、Ｎ数のクラスにクラスタ化される。最適Ｎは、ＡＩＣ（赤池情報基準）またはＢＩＣ（ベイズ情報基準）によって判定されることができる。次に、これらのクラスタは、その発生に基づいて、昇順にソートされ、上位３つのクラスタが、事前に定義された肌質でグループ化される。最も近い肌質が、距離測定および／または相関測定を用いて判定されることができる。一実装では、距離測定は、ユークリッド距離であるが、他の距離測定も、検討される。次に、照合手技は、登録および照合画像間の距離および／または相関が閾値より高い場合、停止されることができる。同一プロセスは、虹彩等の画像の他の着色部分にも適用されることができる。

図１は、眼球および眼球周囲登録テンプレートを作成するための例示的方法を描写する。ステップ１０２では、ユーザの顔領域の１つまたはそれを上回る画像が、ユーザによるアクセスが認証されるべきデバイス（例えば、スマートフォン、スマートウォッチ、スマートグラス、ノートブック型コンピュータ、タブレットコンピュータ等）と関連付けられ得る、画像センサ、例えば、カメラを使用して捕捉される。例証として、カメラは、デジタルカメラ、３次元（３Ｄ）カメラ、明視野センサ、および／または近赤外線センサ、もしくは他のモノクロおよび／またはマルチスペクトル撮像センサであり得る。画像は、いくつかの事例では、１つまたはそれを上回る眼球領域（ユーザの眼面積を画定する領域）および／または１つまたはそれを上回る眼球周囲領域ならびに他の顔領域を含むことができる。画像は、静止モードまたは動画モードもしくはその組み合わせのいずれかにおいて捕捉されることができる。画像は、種々の波長で捕捉されることができる。いくつかの実装では、ユーザは、デバイスをより近づける／より離すように移動させ、眼および／または顔を見出すための最適距離をトリガするように促される（視覚、または可聴、または触覚フィードバックによって）。

ステップ１０４では、初期着目領域（ＲＯＩ）が、識別され、例えば、一方または両方の眼が、特定されてもよい。ヴィオラジョーンズアルゴリズムまたは種々の異なる前方視眼画像上で訓練される類似学習アルゴリズムが、本目的のために使用されることができる。別の実装では、種々の異なる視線の眼の画像上で訓練されたヴィオラジョーンズアルゴリズムが、使用されることができる。その後、ハールフィルタを使用するもの等の注視追跡アルゴリズムが、いったん選択された注視方向が検出されると、注視の量を量子化し、１つまたはそれを上回る画像を取得するために使用されることができる。

いったん初期ＲＯＩが、捕捉された画像に示される顔上で特定されると、付加的算出が、画像上で最終ＲＯＩを得るために行われることができる。典型的には、最終ＲＯＩは、１つまたはそれを上回る眼のＲＧＢおよび／または近赤外線画像を得るために、クロッピングされる。故に、本明細書で使用されるように、「画像」または「捕捉された画像」はまた、最終ＲＯＩのクロッピングされた画像も指し得る。

図１を参照すると、眼球および眼球周囲段階では、登録画像または照合画像であり得る、１つまたはそれを上回る平均され、または別様に強化された、または自然捕捉された画像が、画像強化サブ段階１０６および画質サブ段階１０８において前処理されることができ、前処理された画像からの特徴は、特徴抽出サブ段階１１０において抽出され、１つまたはそれを上回る眼球および眼球周囲テンプレートを生成する。前処理サブ段階１０６および１０８は、以下にさらに説明される、画像強化および画質技法を含むことができる。特徴抽出サブ段階１１０は、以下に詳細に説明される、着目点検出およびローカル記述子抽出を含むことができる。眼球および眼球周囲段階におけるサブ段階１０６、１０８、および１１０の間に行われる動作は、同一ではない必要がある。むしろ、眼球および眼球周囲領域の特定の特徴を考慮する、異なる動作が、それらの個別の段階において使用され得る。登録眼球および／または眼球周囲テンプレートは、記憶に先立って、ステップ１１２において、暗号化または別様に保護されることができる。
眼球周囲境界

ここで図２Ａおよび２Ｂを参照すると、眼球周囲領域が、種々の方法を使用して抽出されることができる。ユーザの顔の画像が取得されるとすぐに（ステップ２００）、１つまたはそれを上回る眼領域が、検出される（ステップ２０２）。ステップ２０２において識別された眼クロップのサイズに基づいて、眼領域サイズが、再計算されることができる（ステップ２０４）。眼球段階に先行して、一実装では、積分微分アルゴリズム、ハフ円、またはヘッシアンブロブ検出器が、使用され、虹彩境界を検出することができる（ステップ２０８における虹彩領域のセグメント化）。同様に、ガボールフィルタ処理ベースのアルゴリズムが、上側および下側眼瞼を検出するために使用されることができ、さらに、白眼が、虹彩領域を除去後、分離されることができる（ステップ２０６における強膜領域のセグメント化）。眼球周囲領域は、白眼および虹彩領域の両方を捕捉された画像から減算した後に導出されることができる（ステップ２１０）。いくつかの実装では、色ベースの方法が、前述の領域をセグメント化するために使用される。

一実装では、図２Ａおよび２Ｂにおける眼球周囲領域段階２１２によって示されるように、サイズ幅Ｗ×高さＨ（ＷおよびＨは、それぞれ、水平および垂直方向におけるピクセルの数）の最終眼球ＲＯＩの周囲の眼球周囲領域は、以下に説明されるように、画定されることができる。眼球ＲＯＩは、必ずしも、長方形形状ではない。むしろ、ＲＯＩは、図２Ｂに示されるように、眼の形状に類似する形態をとることができ、ＷおよびＨは、それぞれ、眼球ＲＯＩを包含する境界ボックスの幅および高さとして画定されることができる。種々の数の領域が存在することができる。しかしながら、以下に説明される実装は、本質的に領域がバイオメトリックマッチング動作において有用な程度を指す、弁別力によってランク付けされる、４つの眼球周囲領域（１〜４）を含む。より具体的には、眼球周囲領域１は、顔領域を表し、これは、領域２より明確である、すなわち、弁別性がある特性であって、領域２は、領域３と比較してより優れた弁別力を有する等と続く。種々の眼球周囲領域サイズが、検討される（ここでは、幅Ｗ×高さＨの境界ボックスによって画定される）。本明細書に開示される眼球周囲領域の範囲および値は、どの眼球周囲領域がバイオメトリックマッチング動作を行う目的のために十分な弁別力を有するかの大規模試験に基づいて、実験的に判定された。以下で使用されるように、用語「実質的に等しい」とは、特定の値と等しい、または値の＋／−１０％以内であることを意味する。

一実装では、４つの眼球周囲領域が、以下のように画定され、ＷおよびＨは、それぞれ、眼球領域の幅および高さを指す。
・領域１：
幅は、Ｗと実質的に等しい。
高さは、眼球領域の眼クロップの下方の０．１^＊Ｈ〜３^＊Ｈの範囲内である（それらの値も含む）。一実装では、高さは、０．３^＊Ｈと実質的に等しい。
・領域２：
幅は、０．１^＊Ｗ〜０．８^＊Ｗの範囲内である（それらの値も含む）。一実装では、幅は、０．２^＊Ｗと実質的に等しい。
高さは、１．２^＊Ｈ（眼球領域の眼クロップの０．１^＊Ｈ上方および眼クロップの０．１^＊Ｈ下方）〜５．５^＊Ｈ（眼クロップの１．５^＊Ｈ上方および眼クロップの３^＊Ｈ下方）の範囲内である（それらの値も含む）。一実装では、高さは、１．４５^＊Ｈ（眼クロップの０．１５^＊Ｈ上方および眼クロップの０．３^＊Ｈ下方）と実質的に等しい。
・領域３：
幅は、０．１^＊Ｗ〜０．５^＊Ｗの範囲内である（それらの値も含む）。一実装では、幅は、０．１５^＊Ｗと実質的に等しい。
高さは、１．２^＊Ｈ（眼球領域の眼クロップの０．１^＊Ｈ上方および眼クロップの０．１^＊Ｈ下方）〜５．５^＊Ｈ（眼クロップの１．５^＊Ｈ上方および眼クロップの３^＊Ｈ下方）の範囲内である（それらの値も含む）。一実装では、高さは、１．４５^＊Ｈ（眼クロップの０．１５^＊Ｈ上方および眼クロップの０．３^＊Ｈ下方）と実質的に等しい。
・領域４：
幅は、Ｗと実質的に等しい。
高さは、眼球領域の眼クロップの０．１^＊Ｈ〜１．５^＊Ｈ上方の範囲内である（それらの値も含む）。一実装では、高さは、０．１５^＊Ｈと実質的に等しい。

他の非長方形またはさらに非連続的眼球周囲（または他の顔）サブ領域も、個人、ある人口、またはユーザの全て毎に、それらの領域の微分可能性および信頼性に基づいて、使用されることができる。いくつかの実装では、眼瞼下垂が、頻繁に観察されるとき、サイズＷ×Ｈの厳密なクロップの周囲の最適眼球周囲領域は、以下のように画定されることができる。
・領域２および３の幅は、それぞれ、０．２^＊Ｗおよび０．１５^＊Ｗと実質的に等しい。・領域２および３の高さは、それぞれ、１．４５^＊Ｈと実質的に等しい（眼クロップの上部から開始する）。
・領域１および４の幅は、Ｗと実質的に等しい。
・領域１および４の高さは、それぞれ、０．４５^＊Ｈおよび０．１^＊Ｈと実質的に等しい。

種々の領域に関する高さおよび幅の値の範囲は、上記に説明されたものと同一である。他の眼球周囲領域サイズも、検討される。ＷおよびＨの値は、撮像センサ分解能に基づいて変動することができる。
画像強化

図１のステップ１０６において行われるもの等の画像強化技法が、ここで説明されるであろう。画像センサから捕捉される画像は、例えば、露光およびモーションブラーアーチファクトに起因して、可変品質を有し得る。随意である、ステップ１０６では、いくつかの画像が、画像雑音を低減させるために位置合わせ（すなわち、空間的に整合される）および平均化されることができる。いくつかの実装では、画像相関方法が、平均化するための画像を整合し、最も異なる（例えば、モーションブラーまたは瞬目に起因して）、したがって、位置合わせおよび平均化に対して好適でないものを破棄するために、得られた画像間の非類似性を測定するために使用される。例えば、最小限の運動を伴うｎ連続フレームが、位置合わせ後に平均化されることができる。平均化される、連続フレームの数（上記で説明される不定期のドロップされたフレームを除く）は、フレームレート、所与の設定における画像センサの雑音レベル、画像が捕捉されている環境条件に依存し得る。

一実施例では、周囲光が、画像取得の間、８００ルーメンを上回る場合、２つの連続フレームが、位置合わせされ、平均される。周囲光が、４５０〜８００ルーメンの範囲内である場合、３つの連続フレームが、位置合わせされ、平均される。周囲光が、０〜４５０ルーメンの範囲内である場合、４つの連続フレームが、位置合わせされ、平均される。周囲光に基づいて、フレームの数を選択する他の組み合わせも、着目領域が、センサ雑音が所与の設定において無視可能であるほど十分に明るい場合の非平均化オプションを含め、白眼、眼球周囲領域、および顔のために可能性として考えられる。

別の実装では、平均するために使用されるフレームの数はまた、連続フレームを横断して運動アーチファクトに適合されることができる。例えば、運動は、表情の変化、眼および身体の移動、および／または環境異常に起因して生じ得る。運動は、フレームを横断した相関、フレームを横断した相互情報等を使用して、測定されることができる。一実装では、平均するために使用されるフレームの数は、環境光および観察される運動アーチファクトの両方に依拠する。

いくつかの実装では、画像強化アルゴリズムは、自己商画像、すなわち、ＳＱＩを含む。ＳＱＩ画像の単純バージョン（Ｑ）は、以下のように表されることができる。

式中、

は、Ｉの平滑化されたバージョンであって、Ｆは、平滑カーネルである。ＳＱＩ方法は、その光不変性性質に関して公知であって、これは、陰影および他の光条件に起因して可変照明を伴う眼球周囲領域に有用である。ウェバー線形記述子（ＷＬＤ）、コヒーレンス拡散フィルタ、アトラスウェーブレット、レティネックス（およびその変形）、シングルまたはマルチフレームバイラテラルフィルタリング、深層学習法、および他の疎強化等の他の画像強化も、使用されることができる。

一実装では、ローカル勾配ガボールパターン（ＬＧＧＰ）が、以下のステップに説明されるように、特定の画像または画像領域のための画像強化技法として使用されることができる。

ステップ１：以下のように、偶数および奇数ガボール応答を使用して、画像領域の緑色チャネルに関するガボールの位相を計算する。

ステップ１ａ：帯域通過フィルタに類似する、２Ｄ偶数ガボールカーネルは、２Ｄガウシアンエンベロープによって変調された余弦関数であって、２Ｄ奇数ガボールは、２Ｄガウシアンエンベロープによって変調された正弦関数である。偶数および奇数ガボールカーネルは、以下のように導出されることができる。

ガボールカーネルの任意のスケールおよび配向が、以下の座標変換を通して達成されることができる。

式中、σ_ｘおよびσ_ｙは、それぞれ、ｘおよびｙ−軸に沿ったガウシアンエンベロープの広がりを定義し、ｆは、変調サインまたはコサインの周波数であり、φは、カーネルの配向である。一実装では、周波数は、６に設定され、ｘおよびｙ−軸に沿ったガウシアンの広がりは、２．５に設定される。一実装では、配向の選択肢は、π／６ラジアンずつ離れ、０から５π／６まで及ぶ、６に切り詰められる。

ステップ１ｂ：ガボール画像の位相が、以下のように計算される。

式中、

は、コンボリューション演算子である。任意の所与の配向において、実施例として、

は、画像領域の緑色チャネルのサイズと等しいサイズの画像である。

ステップ２：種々の配向におけるガボール応答（画像）の位相は、出力画像を形成するために集約される。これを達成するための３つの例示的方法は、（１）全ての配向を横断した所与の場所（ｘ、ｙ）におけるピクセルの強度の最大値を留保し、（２）その特定の場所における全ての配向を横断した所与の場所（ｘ、ｙ）におけるピクセルの強度を応答の加重された平均に設定し、（３）全ての配向を横断した所与の場所（ｘ、ｙ）におけるピクセルの強度の最大値をオリジナル画像で乗算した後、正規化を続けることである。

ステップ３：４つの方向（０、４５、９０、および１３５度）におけるローカル勾配が、次いで、集約された応答に関して計算され、最大勾配値が、出力画像を形成するために留保される。

一実装では、グレーワールドアルゴリズムを使用して、ホワイトバランシング等の色正規化白色が、前述の強化技法の前に使用されることができる。

一実装では、強化された画像の付加的処理は、コントラスト制限付適応ヒストグラム均等化（ＣＬＡＨＥ）等の画像ヒストグラムおよびコントラスト調節を含む。ＣＬＡＨＥは、概して、タイルと称される画像の小さな領域内で動作する。典型的には、各タイルのコントラストは、出力のヒストグラムが、特定の分布（例えば、均一、指数、またはレイリー分布）によって規定されるヒストグラムとほぼマッチングするように、強化される。近傍タイルが、次いで、任意の人為的に誘起された境界を排除するために、補間（例えば、バイリニア補間）を使用して組み合わせられた。いくつかの実装では、眼球血管または眼球周囲特徴と背景との間の最良コントラストを有する、赤色、緑色、または青色の色成分の線形または非線形の組み合わせを選択することは、画像領域を強化することができる。例えば、緑色成分は、血管と背景との間のより良好なコントラストを提供し得るため、眼球血管のＲＧＢ画像において好ましくあり得る。
画像および特徴品質メトリック

図１におけるステップ１０８に戻って参照すると、各強化された画像の品質が、測定されることができ、ある品質閾値を満たすものは、さらなる処理のために留保される。そのような品質は、併せて、または別個に、眼球および眼球周囲領域に関して測定されることができる。画質メトリックはまた、マッチング予測に役立つ品質メトリック（マッチングする個別のバイオメトリックサンプルの能力の測定基準）として作用することができ、いくつかのシナリオでは、最終マッチングスコアに融合され、バイオメトリックシステム性能を改良することができる。

一実装では、画像内で検出された着目点は、画像の品質を判定することができる。基準画質メトリックが存在しない、１つの点ベースの品質メトリックは、本明細書では、ＥＶ＿ＱＭと称されるであろう。ＥＶ＿ＱＭは、３つのステップ、すなわち、着目点検出、領域値計算、および品質メトリックスコア生成を使用して、計算されることができる。着目点は、以下にさらに説明される、血管点検出（ＶＰＤ）を使用して検出されることができる。領域値は、各着目点の周囲のテクスチャの量を指す。各着目点の周囲のテクスチャは、ローカルターナリーパターン（ＬＴＰ）を使用して判定されることができる。品質メトリックスコア生成は、角場所および領域値を使用して測定される。

図３を参照すると、一実装では、領域値が、以下の修正されたローカルバイナリパターン（ＬＢＰ）プロセスを使用して計算されることができる。対応する異なる半長（近傍）を伴う、３つの正方形（角を伴うまたは伴わない）が、着目点の周囲で計算され、そのピクセル軌跡が算出される（ピクセルグリッド３０４に描写されるように）。例えば、これらの半長は、２、４、６、または他の数のピクセルであることができる。着目点は、８つの異なる場所においてさらにオフセット（シフト）され（ピクセルグリッド３０２に描写されるように）、３つの正方形（その角を差し引く）を各オフセット点の周囲にさらに作成することができる（ピクセルグリッド３０４に描写されるものに類似し、オフセット点が中心点としての役割を果たす）。着目およびオフセット点毎のＬＢＰが、３つの正方形のそれぞれを横断して計算され、これはさらに、バイナリパターン（ＢＰ）と称される。したがって、各着目点および対応するオフセット点は、それらと関連付けられた３つの異なるＢＰを有する。

３つのＢＰはさらに、以下のように、最終領域値（テクスチャスコア）を得るために低減されることができる。

ステップ１：各ＢＰが、均一性スコアを判定するために評価される。ＢＰが、均一ではない場合（例えば、４ビットより多い変化または２ビットより少ない変化）、ＢＰは、破棄され、対応するオフセットまたは着目点を横断するスコア（最終領域値）は、ゼロに設定される。

ステップ２：ＢＰが全て、均一である場合、フィルタ処理プロセスが、図３のステップ３０６に図式的に描写されるように行われる。ＢＰ１、ＢＰ２、およびＢＰ３内の各要素は、以下の式を使用して追加される。

の各要素内に見られ得る、３つの可能性として考えられる値（１、０、および２）が存在する。これらのビットはそれぞれ、ステップ３０８に示されるように、Ｖａｌｕｅ内の対応する値（それぞれ、−１、０、および１）に従ってさらにマップされる。本結果はさらに、雑音バイナリパターン（ＮＢＰ）と称される。

ステップ３：４つを上回る雑音ピクセルが存在する場合、対応する着目点に関するスコアは、ゼロに設定される。そうでなければ、ＮＢＰ内の各雑音ピクセルは、その最近傍と置換される。

ステップ４：最終結果は、半長２に関するＢＰの長さを伴う、単一バイナリパターンとなる。本最終バイナリパターンはさらに、ｇｅｎＢＰと称される。

ステップ５：ｇｅｎＢＰはさらに、ステップ３１０に説明される式に基づいて加重される。

結果はさらに、加重パターン、すなわち、Ｈと称される。

ステップ６：ｇｅｎＢＰ内の連続ゼロの最大長を計算し、これはさらに、Ｌと称される。

ステップ７：最終領域値ｓ_ｎは、ステップ３１２に説明される式を使用して計算されることができる。

ステップ８：着目点および対応するオフセット点を含む、点のうちの少なくとも３つが、領域値を算出する場合、着目点の領域値および領域値を算出するそれらのオフセットされた対応する点は、平均され、ｓ_ｎに割り当てられる。そうでなければ、ｓ_ｎは、ゼロに設定される。

別の実装では、領域値は、着目点および各着目点の周囲の対応するオフセット点を囲繞する領域のエントロピを使用して計算されることができる。着目点の周囲の領域のエントロピは、以下のように計算される。

ステップ１：閾値を初期化し、着目点および対応するオフセット点の周囲の着目領域内のテクスチャを量子化する。

ステップ２：中心ピクセル強度を着目領域内の全ての他の強度とともに減算することによって、着目領域内のレベルの数（ｌｅｖｅｌ＿ｍａｐ）を判定する。

ステップ３：ｌｅｖｅｌ＿ｍａｐはさらに、ステップ１において判定された閾値を使用して、ピクセル強度をグループ化することによって量子化される。

ステップ４：ｌｅｖｅｌ＿ｍａｐの各グループ内の一意の要素の数が、計算される。

ステップ５：着目点の周囲のエントロピに基づく領域の値が、以下のように計算される。

式中、Ｎは、グループ「ｉ」内の要素の長さである。

ステップ６：着目点および対応するオフセット点を横断してｓ_ｎを平均し、平均された値をｓ_ｎに割り当てる。

別の実装では、領域値は、「Ｄ」方向における着目点の周囲の勾配情報のエントロピを使用して計算されることができる。一実装では、Ｄは、０、４５、９０、および１３５度を含む。勾配情報は、着目点の周囲の複数のスケールにおいて計算されることができる。

一実装では、角場所および対応する領域値が、品質メトリックスコア生成を判定するために使用されることができる。品質メトリックスコア生成は、以下のように実装されることができる。

ステップ１：その領域値に基づく着目点を降順でソートし、対応する着目点場所に着目する。

ステップ２：ステップ１に基づいてそれらを並べ替えた後、対応する着目点間の距離をｄ＝｛ｄ_１，ｄ_２，ｄ_３，…，ｄ_ｎ−２，ｄ_ｎ−１，ｄ_ｎ｝とし、ｄ１は、第１および第２の着目点間の距離である。ｄ_ｎは、ゼロとなるであろう。

ステップ３：距離の加重を距離の対数として算出する、すなわち、ｄｗ_ｎ＝ｌｏｇ（ｄ）となる。

ステップ４：加重指数を以下のように算出する。

（式中、ｎは、着目点の数である。）

最終品質メトリックスコアが、以下の式を使用して算出されることができる。

（式中、ｐは、着目点の数である。）

加速化セグメント試験（ＦＡＳＴ）または高速ロバスト特徴（ＳＵＲＦ）アルゴリズムを使用する計算等、他の着目点検出アルゴリズムも、使用されることができる。

ＥＶ＿ＱＭは、眼球および眼球周囲領域に関して別個に計算されることができ、さらに、各ＲＯＩは、計算されたＥＶ＿ＱＭに基づいて、ランク付けされることができる。ＲＯＩは、プログレッシブマッチャ（以下に説明される）が使用されている場合、それらがランク付けされた順番でマッチングされることができる。着目すべきこととして、本明細書に説明される品質メトリックは、偽装検出技法において使用されることができる。悪意による、画面上に再生された本物のユーザの物理的写真もしくは印刷物またはデジタル画像もしくはビデオ等、眼または顔の顔特徴の再現は、多くの場合、走査時における実際の物理的存在と比較して、低品質である（例えば、より低い分解能、ぼやけた、退色、雑音、ぼけている等）。照合プロセスの際、着目低品質点をフィルタ処理後、低品質再現は、概して、十分な数の認識可能着目点を有しておらず、したがって、照合に失敗するであろう。

類似技法は、部分的偽装を検出するためにも使用されることができる。例えば、ある人物が、眼照合プロセスに合格することを試みようとして、有効な眼の印刷物を自身の眼の上に保持し得る。照合を行う際、眼印刷物の判定された品質（例えば、認識可能着目点）が、眼球周囲または他の顔領域の判定された品質と比較されることができる。眼と１つまたはそれを上回る他の領域との間の品質の差異が、閾値を超える場合、これは、部分的偽装の存在を示し得、照合は、失敗するであろう。開示される品質メトリックを使用した他の偽装検出技法も、検討される。
着目点検出

種々の着目点検出アルゴリズムが、眼球血管、眼球周囲、および顔の捕捉された画像領域内で別個に使用されることができる。例えば、高速ロバスト特徴（ＳＵＲＦ）アルゴリズムは、着目点上に心合される画像領域内の面積を識別するために使用され得る、「ブロブ」タイプ特徴検出アルゴリズムである。加速化セグメント試験（ＦＡＳＴ）アルゴリズムからの特徴は、同様に画像領域内の着目点を識別するために使用され得る、角検出アルゴリズムである。血管点検出器（ＶＰＤ）もまた、画像領域内の血管系上に付着する点を識別するために使用されることができる。さらに、ＶＰＤはまた、眼球周囲領域および顔上の点を検出するためにも使用されることができる。いくつかの実装では、候補点もまた、複数の画像スケールにおいて識別されることができる。例えば、オリジナル画像サイズが１００×１００（スケール０）である場合、点は、１００×１００オリジナル画像から識別されることができ、また、オリジナル画像が、５０×５０（スケール１）および２５×２５（スケール２）にサイズ調整されるときも同様である。点検出器の他の領域特有構成も、検討されることができる。
点抑制

着目点検出アルゴリズムを使用して生成される候補点の数は、テクスチャの量および画像の品質に基づいて変動し得る。さらに、そのようなアルゴリズムは、特に、非ＶＰＤアルゴリズムを用いる場合、雑音または非関連（所与の用途に関して）情報を被り得る。そのような雑音または非関連候補点は、候補点抑制アルゴリズムによって除去されることができる。

一実装では、非血管点抑制（ＮＶＳ）アルゴリズムが、候補点品質を判定するために使用される。アルゴリズムは、以下のステップに説明される。

ステップ１：着目点の周囲の領域（Ｒ）を抽出する。ＲのサイズをＭ×Ｍとする。

ステップ２：サイズＮ×ＮのＲ内のローカルパッチ（ＬＰ）を抽出し、Ｎ＜Ｍである。Ｒ内に心合されたＬＰを中心パッチ（ＣＰ）として割り当てる。

ステップ３：領域Ｒの内側のローカルパッチが、疎らに取り込まれる。

ステップ４：領域Ｒ内に包囲された全てのＬＰのヒストグラム分布を計算し、ＣＰのヒストグラムをＬＰに関して各計算されたヒストグラムから減算する。

ステップ５：減算毎に、広がりスコアを総利用可能ビンによって除算された占有されているビンの数として計算する。

ステップ６：オリジナル画像内のピクセルの分布に基づいて、帯域通過フィルタの組み合わせを導出する（帯域通過フィルタ算出）。これらの帯域通過フィルタは、血管情報ピクセルに対するグレア等のスプリアスピクセルの量を測定するために使用される。

ステップ７：ステップ４から減算されたパッチは、導出された帯域通過フィルタに基づいてフィルタ処理され、角応答が、計算される。

ステップ８：広がりスコアおよび角応答をカスケードフレームワーク内で使用する。広がりスコアは、バイナリ分類子である。すなわち、点を否認または承認するかのいずれかである。角応答は、ゼロと１との間の正規化されたスコア化を提供する。ゼロは、非血管性を示す一方、１は、血管性を示す。

別の実装では、帯域通過フィルタ算出が、候補点強度を判定するために使用される。帯域通過フィルタは、セグメント化白眼領域統計に基づいて、動的に生成される。帯域通過フィルタは、以下のように生成されることができる。

ステップ１：強膜領域の緑色層をＲＧＢ画像から抽出する。

ステップ２：領域のヒストグラムを導出する。例えば、「Ｎ」ビンを使用して、ヒストグラムをＲＧＢ画像から抽出する。

ステップ３：ステップ２において導出された逆正規化ヒストグラムの指数関数を計算する。

ステップ４：指数関数を係数ｋによって抑制する。係数ｋは、概して、０．１〜０．３に変動し、用途またはデータセットに基づいて調整されることができる。

ステップ５：１〜Ｎに及ぶ整数値を伴う逆指数関数の応答を計算する。

ステップ６：ステップ４からの最初の５つの要素とステップ５からの残りのものを連結する。これは、帯域通過フィルタ１を提供する。

ステップ７：帯域通過フィルタ２に関して、強膜ピクセル（緑色チャネル）の正規分布を用いてガウス分布を構築する。

ステップ８：帯域通過フィルタ１および帯域通過フィルタ２を並行して使用し、血管点の強度を確立する。

本フィルタ構築プロセスは、画像ピクセルへの適応である。画像が暗い場合、強膜ピクセルの大部分は、ヒストグラムの左端の近傍に来る。したがって、帯域通過フィルタ１は、帯域通過フィルタ２より高い応答を有するであろう。これは、点のスコアを低減させる。同様に、グレア飽和画像は、全てのそのピクセルを上側に有し、帯域通過フィルタ２は、より高い応答を有し、低スコアを伴う点を排除するであろう。

一実装では、ローカルバイナリパターン（ＬＢＰ）の均一性が、候補点の品質を判定するために生成されることができる。８ビットＬＢＰコードを使用して、０から１またはその逆のビット毎遷移の数は、ＬＢＰコードの均一性を判定する。ＬＢＰコードは、「ｎ」遷移未満またはそれと等しい場合、均一と見なされる。遷移の範囲は、０〜８である。一実装では、ｎは、３に等しい。実施例として、０遷移を伴うＬＢＰコード００００００００、２遷移を伴う０１１１１１００、３遷移を伴う０１０００００１は、均一である。同様に、４遷移を伴う０１０１００００および６遷移を伴う０１０１００１０は、非均一である。均一である候補点は、テンプレート内に留保される。

候補点に関する前述の品質アルゴリズムは、組み合わせて、または別個に、所与の登録または照合プロセスのために使用されることができる。
ローカル特徴記述子

各着目点の周囲の特徴ベクトルは、眼球血管、眼球周囲、および顔領域に関する着目点の周囲の画像パッチを使用して、別個に生成されることができる。着目点に関する記述子は、単一または複数の特徴記述子アルゴリズムを使用して生成されることができる。高速網膜キーポイント（ＦＲＥＡＫ）アルゴリズムは、例えば、ＦＡＳＴアルゴリズムによって識別される候補点に関する記述子を生成するために使用され得る、一例示的特徴記述子アルゴリズムである。ＦＲＥＡＫ記述子は、例えば、候補点を囲繞する視覚的特徴を定義する、バイナリ数字のストリングであることができる。候補点の周囲のローカルバイナリパターン（ＬＢＰ）および中心対称ローカルバイナリパターン（ＣＳＬＢＰ）等のその変形は、候補点の近傍の画像パッチを記述するために使用され得る、特徴記述子の実施例である。配向勾配のヒストグラム（ＨｏＧ）、ＬＢＰのヒストグラム（ＨＬＢＰ）、ＣＳＬＢＰのヒストグラム（ＨＣＳＬＢＰ）、拡張型マルチ半径ＬＢＰのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＢＰ）、拡張型マルチ半径ＣＳＬＢＰのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＣＳＬＢＰ）、拡張型マルチ半径ローカルターナリーパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＴＰ）、および次元縮退後のパターン化ヒストグラムバイナリパターン（ＰＨＢＰ−ＤＲ）は、候補点の周囲の画像近傍を記述するために使用され得る、特徴記述子の他の実施例である。他の特徴記述子アルゴリズムまたはアルゴリズムの組み合わせも、画像領域の候補点に関するローカル画像記述子を生成するために使用されることができる。

一実装では、以下のステップが、ＰＨ−ＥＭＲ−ＬＢＰ記述子を生成する際に伴われる。

ステップ１：各ピクセルの周囲の３×３ピクセルおよび５×５ピクセル同心正方形の両方に関するＬＢＰコードを計算し、マルチ半径ＬＢＰ（ＭＲ−ＬＢＰ）画像を形成する（通常ＬＢＰとは対照的に、前述の技法は、ＬＢＰコード逸脱に関して、中心ピクセルの周囲のピクセルの円軌跡ではなく、角を含有または除外し得る、正方形または長方形近傍を使用することに留意されたい）。３×３ピクセル領域では、中心ピクセルとその直近の８つの近傍ピクセルの比較は、３×３ＬＢＰコードを生成する。結果は、８ビットコードとなり、そのビット値は、０または１のいずれかである（近傍ピクセルの強度値が、中心ピクセルの強度を上回る場合、１であって、そうでなければ、０となる）。同様に、５×５ピクセル領域では、中心ピクセルとその次の直近の８つの近傍ピクセル（すなわち、１６のピクセル）の比較は、５×５ＬＢＰコードを生成する（結果は、１６ビットコードとなる）。故に、ＭＲ−ＬＢＰは、画像内の所与のピクセルに関して、２４ビットコード（３×３ＬＢＰコードからの８および５×５ＬＢＰコードからの１６）を有する。

ステップ２：各着目点の周囲のＭ×Ｍパッチ（ステップ１の出力）が、Ｋ重複ピクセルを有し得る、Ｎ×Ｎサブ領域の中にセグメント化される。

ステップ３：各サブ領域内の２４ビットＭＲ−ＬＢＰ毎のヒストグラムが、別個に導出され、ＰＨ−ＥＭＲ−ＬＢＰをもたらすために連結される（通常ＬＢＰとは対照的に、本ヒストグラムは、バイナリコードの十進相当のものではなく、パッチ内のＬＢＰビット場所の周波数に基づいて、計算されることに留意されたい）。

Ｍ、Ｎ、およびＫに関するパラメータ値は、画像の空間周波数、分解能、および雑音に基づいて調整されることができる。

一実装では、以下のステップは、ＰＨ−ＥＭＲ−ＣＳＬＢＰ記述子を生成する際に伴われる。

ステップ１：各ピクセルにおいて、３×３ピクセルおよび５×５ピクセル中心対称ローカルバイナリパターン（ＣＳＬＢＰ）コードの両方を計算し、マルチ半径ＣＳ−ＬＢＰ（ＭＲ−ＣＳＬＢＰ）画像を形成する。３×３領域では、８つの境界ピクセルを使用した対角線ピクセルの強度値の比較は、４ビット３×３ＣＳ−ＬＢＰコードを生成する（左上ピクセルから開始し、境界ピクセルは、時計回り方向に１〜８の番号が付与されるものとし、４ビットＣＳ−ＬＢＰコードは、それぞれ、ピクセル１、２、３、および４と５、６、７、および８を比較することによって生成される）。値は、０または１である（１の強度値が５を上回る場合、１であって、そうでなければ、０であって、同様に、他の組み合わせに関しても同様である）。同様に、５×５領域では、外側円の１６の対角線ピクセルが、比較され、８ビット５×５ＣＳ−ＬＢＰコードを生成する。故に、ＭＲ−ＣＳ−ＬＢＰは、画像内の所与のピクセルに関して１２ビットコード（３×３ＣＳ−ＬＢＰコードからの４および５×５ＣＳ−ＬＢＰコードからの８）を有する。

ステップ２：各着目点の周囲のＭ×Ｍパッチ（ステップ１の出力）が、Ｋ重複ピクセルを有し得る、Ｎ×Ｎサブ領域の中にセグメント化される。

ステップ３：各サブ領域内の１２ビットＭＲ−ＣＳ−ＬＢＰ毎のヒストグラムが、別個に導出され、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰをもたらすために連結される。

前述の記述子と同様に、Ｍ、Ｎ、およびＫに関するパラメータ値は、画像の空間周波数、分解能、および雑音に基づいて調整されることができる。

一実装では、以下のステップは、ＰＨ−ＥＭＲ−ＬＴＰ記述子を生成する際に伴われる。

ステップ１：各ピクセルにおいて、３×３ピクセルおよび５×５ピクセルローカルターナリーパターンコードの両方を計算し、ステップサイズ（ＳＳ）を伴うマルチ半径ＬＴＰ（ＭＲ−ＬＴＰ）画像を形成する。３×３領域では、中心ピクセルとその直近の８つの近傍ピクセルの比較は、３×３ＬＴＰコードを生成する。結果は、１６ビットコードとなり、その値は、０または１である（各近傍ピクセルの強度値が中心ピクセル＋ＳＳの強度を上回る場合、１であって、そうでなければ、０であって、各近傍ピクセルの強度値が中心ピクセル−ＳＳの強度未満である場合、１であって、そうでなければ、０である）。同様に、５×５領域では、中心ピクセルとその次の直近の８つの近傍ピクセル（すなわち、１６ピクセル）の比較は、５×５ＬＴＰコードを生成する（結果は、３２ビットコードとなる）。故に、ＭＲ−ＬＴＰは、画像内の所与のピクセルに関して４８ビットコード（３×３ＬＢＰコードからの１６および５×５ＬＢＰコードからの３２）を有する。

ステップ２：各着目点の周囲のＭ×Ｍパッチ（ステップ１の出力）が、Ｋ重複ピクセルを有し得る、Ｎ×Ｎサブ領域の中にセグメント化される。

ステップ３：各サブ領域内の４８ビットＭＲ−ＬＴＰ毎のヒストグラムが、別個に導出され、ＰＨ−ＥＭＲ−ＬＴＰをもたらすために連結される。

前述の記述子と同様に、Ｍ、Ｎ、およびＫに関するパラメータ値は、画像の空間周波数、分解能、および雑音に基づいて調整されることができる。

一実装では、ＰＨＢＰ−ＤＲは、以下のステップを使用して導出されることができる。

ステップ１：所与の着目点に関するＰＨ−ＥＭＲ−ＬＢＰは、Ｍ、Ｎ、およびＫ値を、それぞれ、９、３、および１に設定することによって導出される。これらの構成は、長さ３８４の特徴ベクトル（２４×１６、すなわち、１６のサブ領域を横断して２４ビットコードのそれぞれのヒストグラム）をもたらす。０〜９に及ぶ値を伴って（３×３サブ領域内に９つのピクセルを有するため）、１６の３×３サブ領域は、１つのピクセル重複を伴って、９×９パッチ内で可能であることに留意されたい。

ステップ２：所与の着目点に関するＰＨ−ＥＭＲ−ＣＳ−ＬＢＰは、Ｍ、Ｎ、およびＫ値を、それぞれ、７、３、および１に設定することによって導出される。これらの構成は、長さ１０８の特徴ベクトル（１２×９、すなわち、９つのサブ領域を横断して１２のビットコードのそれぞれのヒストグラム）をもたらす。０〜９に及ぶ値を伴って（３×３サブ領域内に９つのピクセルを有するため）、９つの３×３サブ領域は、１つのピクセル重複を伴って、７×７パッチ内で可能であることに留意されたい。

ステップ３：所与の着目点に関するＰＨ−ＥＭＲ−ＬＴＰＰＨ−ＥＭＲ−ＬＢＰは、Ｍ、Ｎ、およびＫ値を、それぞれ、９、３、および１に設定することによって導出される。これらの構成は、長さ７６８の特徴ベクトル（４８×１６、すなわち、１６のサブ領域を横断して４８のビットコードのそれぞれのヒストグラム）をもたらす。０〜９に及ぶ値を伴って（３×３サブ領域内に９つのピクセルを有するため）、１６の３×３サブ領域は、１つのピクセル重複を伴って、９×９パッチ内で可能であることに留意されたい。ＳＳは、画像の強度値が０〜２５５に正規化された後、５に設定される。

ステップ４：特徴ベクトル１、２、および３は、連結され、長さ１２６０の特徴ベクトルを形成する。

ステップ５：分散分析を使用して、上位７２０の特徴のみが、留保される。いくつかの事例では、これらの高変形特徴は、事前に計算されるため、これらの７２０の特徴のみが、算出複雑性を低減させるために、登録および照合プロセスの間に生成される。

ステップ６：最後に、主成分分析（ＰＣＡ）等の次元縮退方法が、ＰＨＢＰ−ＤＲを抽出するために使用される。別個のＰＣＡ分析が、眼球および眼球周囲領域に関して行われ、それぞれ、１０３および９８長の特徴ベクトルを生成することができる。顔に関して、眼球周囲特徴のいずれかは、そのまま使用されることができる、または別個のＰＣＡ分析が、行われることができる。眼球、眼球周囲、および顔に関する他の長さの特徴ベクトルも、可能性として考えられる。

バイオメトリック登録プロセスの終了時、登録テンプレートは、眼球血管ＲＯＩに関する候補点および記述子のセットと、眼球周囲領域に関する候補点および記述子のセットとを含むことができる。いくつかの実装では、登録テンプレートはまた、顔に関する候補点および記述子のセットおよび／または延在された眼球周囲領域に関する候補点および記述子のセットを含むことができる。眼球血管および眼球周囲ＲＯＩと左および右眼に関するテンプレートは、別個に処理されることに留意されたい。着目点のセットに関する複数の記述子が、検討される。眼球血管、顔、および眼球周囲領域に関するテンプレートを生成するために使用されるオリジナルおよび処理された画像は、セキュリティおよびプライバシ理由から破棄されることができる。
プログレッシブマッチャ

バイオメトリックマッチングプロセスの一実装では、最終マッチングスコアが、プログレッシブマッチャを使用して生成される。初期ステップとして、ローカル画像記述子が、距離測定を使用して、眼球および眼球周囲領域の両方に関する登録ならびに照合テンプレート間のマッチング点対を見つけるためにマッチングされる。実施例として、記述子着目点間のユークリッド距離が、眼球および眼球周囲領域の登録ならびに照合記述子ベクトル間で別個に計算されることができ、ある距離閾値を下回る対は、マッチング点対として留保されることができる。

雑音または他の収差の存在下では、マッチング点対は、いくつかの誤対応または別様に誤った余剰マッチングを有し得る。マッチング点対登録および照合画像の場所間の一見信頼できそうなホモグラフィを仮定することによって、誤対応（仮定されたホモグラフィ下の整合後の空間的非重複マッチング点）は、マッチング点対から除去されることができる。

いくつかの実装では、ランダムサンプルコンセンサス（ＲＡＮＳＡＣ）または他の誤対応検出方法が、登録および照合テンプレート内でエンコードされた眼球着目領域の幾何学形状の観点から、本物のマッチング間の仮定された変換に適合しない誤対応を否認しながら、照合画像内の候補点と登録画像内の点を整合させるために必要とされる変換を判定するために使用されることができる。いくつかの実装では、異なるＲＯＩ（眼球血管および眼球周囲ＲＯＩ等）のＲＡＮＳＡＣが、別個に行われることができ、残った正対応点の収集は、最終スコア計算および他の関連算出のための最終ＲＡＮＳＡＣにもたらされることができる。いくつかの実装では、あるまたは全ての着目サブ領域からの最小数の正対応点（例えば、強膜ＲＯＩの上部に見られる血管パッチおよび点）が、最終マッチングに進む前に要求されることができる。最終的に、スコアは、ＲＡＮＳＡＣまたは均等物によるマッチング点対の場所に適合されたホモグラフィ性を使用して、ＲＡＮＳＡＣ後に見出された正対応の数（Ｎ）、変換行列から復元されたスケール（ＲＳ）、および変換行列から復元された角度（ＲＡ）を組み合わせることによって生成される。

一実装では、マッチングスコアは、以下の式を使用して計算される。

式中、ＣｘおよびＣｙは、それぞれ、登録および照合テンプレート間の正対応マッチング点のｘならびにｙ座標のベクトル間の相関であって、Ｎは、これらの整合された点の数であって、ＲＡは、正対応マッチングされた照合点の場所の位置合わせのための登録点への変換から生じる角度の変化を表す、復元された角度であって、ＲＳは、前述の変換から生じるスケールの変化を表す、復元されたスケールである。ＲＡおよびＲＳは、ＲＡＮＳＡＣまたは類似動作から生じる類似性または類似幾何学的変換行列から導出される。特に、着目領域（眼球血管および眼球周囲等）が空間的に事前に正規化された場合、識別からの変換／位置合わせ行列の距離等の他の測定も、検討される。

いくつかの実装では、Ｍ−ＳＡＣ、Ｇｒｏｕｐ−ＳＡＣおよび／またはＯｐｔｉｍａｌ−ＲＡＮＳＡＣが、ＲＡＮＳＡＣに取って代わることができる。

マッチングスコアは、白眼（ＳＶ）および眼球周囲領域（ＳＰ）の両方のために、別個に、組み合わせられて（ＳＶＰ）、または順次様式で生成されることができる。プログレッシブアプローチでは、開始着目領域内にロバストな決定のために不十分な情報または品質が存在する場合、異なるＲＯＩが、マッチャの中にプログレッシブに含まれる。例えば、あるソース品質または確かな決定が、白眼内の血管情報を使用して達成されることができない場合、マッチャは、バイオメトリックマッチングをアサートする際、必要に応じて、眼球周囲に関する場所（ならびに潜在的に鼻および顔のようなそれを越えた場所）からのより多くの情報をプログレッシブに追加し、所望の確実性を達成することができる。

一実装では、眼球および眼球周囲領域からのマッチング点対は、別個に計算され、次いで、ＲＡＮＳＡＣのために組み合わせられ、最終マッチングスコアを生成する。

別の実装では、眼球および眼球周囲領域からのマッチング点対は、別個に計算され、次いで、ＲＡＮＳＡＣのために組み合わせられ、最終マッチングスコアを生成する。しかしながら、最終正対応生成は、眼球領域からの少なくともＮの点を有するように制約される。

さらなる実装では、眼球および眼球周囲領域からのマッチング点対は、別個に計算され、その個別の正対応は、ＲＯＩ特有のＲＡＮＳＡＣによって別個に発見され、次いで、領域特有のＲＡＮＳＡＣフィルタ処理されたテンプレート要素の収集は、最終ＲＡＮＳＡＣのために組み合わせられ、最終マッチングスコアを生成する。しかしながら、最終正対応生成は、眼球血管領域のＲＡＮＳＡＣからの少なくともＮの点を有するように制約される。いくつかの実装では、Ｎに関する典型的最小値は、３である。

いくつかの実装では、プログレッシブマッチャは、マッチングスコアと閾値の比較に基づいて、最終決定を行うように実装される。一例として、
ステップ１：ＳＶ＞３．２である場合、ユーザは、認証され、ステップ２および３は、スキップされる。
ステップ２：ＳＶＰ＞３．４である場合、ユーザは、認証され、ステップ３は、スキップされる。
ステップ３：ＳＰ＞３．２である場合、ユーザは、認証される。
プロセスを終了する。

前述のプログレッシブプロセスがユーザを認証しない場合、登録バンクからの別の登録テンプレートが、呼び出されることができる、またはある終了条件（時間制限等）に到達するまで、新しい照合画像が取得されることができる。ＳＶ、ＳＶＰ、およびＳＰ閾値の他の組み合わせも、検討される。着目領域のうちの１つまたはそれを上回るものが、例えば、眼鏡またはグレアアーチファクトから生じる収差に起因して、走査のために利用不可能である場合、システムは、他の利用可能な領域を使用することができる。

図５は、登録テンプレートが眼球血管および眼球周囲領域に基づいて作成される、登録フェーズと、プログレッシブマッチングが捕捉された画像および登録テンプレートに基づいて行われることができる、照合フェーズとを含む、プログレッシブマッチングを使用する、バイオメトリック登録および認証のための方法の一実装を描写する。図５に図示されるステップは、本明細書に説明される種々の技法に従って行われることができる。

ある場合には、単一バイオメトリック特徴が、複数のＲＯＩに分割されることができ、これは、次いで、プログレッシブにマッチングされる。例えば、眼球周囲領域の有意な領域は、ｎの部分に分割されることができ、これは、次いで、プログレッシブにマッチングされる。

一実装では、一部または全部の眼球周囲ＲＯＩの品質が、測定され、ランク付けされることができ、マッチングプロセスは、バイオメトリックマッチングをアサートする際、必要に応じて、その個別のランク付けに基づいて、各ＲＯＩをプログレッシブに追加し、所望の確実性を達成することができる。

別の実装では、画像ベースの距離メトリックまたは類似物が、眼球周囲等のいくつかのバイオメトリック着目領域を歪曲させ得る、ユーザ姿勢、光条件、または顔ジェスチャを検出する。これらの変形例は、登録の間に誘起される、またはテンプレート更新ポリシに基づいて、登録テンプレートバンクに追加されることができる。照合時、マッチャは、前述の画像類似性メトリックに基づいて、最も関連するテンプレートをバンクから読み出そうとすることができる。

別の実装では、マッチングプロセスが、新しい姿勢または表情に遭遇する場合、最も近い表現が、使用され、プログレッシブマッチャの特殊ケースが、適用される。例えば、特殊ケースは、クラスタ化プロセスを使用して、眼球周囲領域をいくつかのセグメントに分割することができ、各セグメント内で、スコアおよび変換行列が、生成される。最終スコアは、全ての個々のセグメントスコアの加重された融合によって判定されることができる。これらの加重は、全ての変換行列を横断して観察された変形量によって判定される。他のスコア融合も、可能性として考えられる。

図５は、本明細書に説明される技法に従って、セキュアバイオメトリックテンプレートを生成し、ユーザ照合を行うためのローカライズされたシステムの一実装を図示する。ユーザデバイス５００は、画像センサ５３０と、プロセッサ５４０と、メモリ５５０と、バイオメトリックハードウェアおよび／またはソフトウェア５６０と、メモリ５５０を含む種々のシステムコンポーネントをプロセッサ５４０に結合するシステムバスとを含むことができる。ユーザデバイス５００は、限定ではないが、スマートフォン、スマートウォッチ、スマートグラス、タブレットコンピュータ、ポータブルコンピュータ、テレビ、ゲームデバイス、音楽プレーヤ、携帯電話、ラップトップ、パームトップ、スマートまたはダム端末、ネットワークコンピュータ、携帯情報端末、無線デバイス、情報器具、ワークステーション、ミニコンピュータ、メインフレームコンピュータ、または本明細書に説明される機能性を実行することができる、汎用コンピュータまたは特殊目的ハードウェアデバイスとして動作される、他のコンピューティングデバイスを含むことができる。

バイオメトリックハードウェアおよび／またはソフトウェア５６０は、画像センサ５３０によって捕捉された画像に操作を行うための画像処理モジュール５６２を含む。例えば、画像処理モジュール５６２は、セグメント化および強化をユーザ５１０の眼ならびに周囲顔面積の画像に行い、血管構造および他の着目特徴の隔離を補助することができる。テンプレートモジュール５６４は、血管系画像に基づいて、バイオメトリックテンプレートを作成し、種々の曖昧化およびスクランブリング操作をテンプレートに行うことができる。照合モジュール５６６は、バイオメトリック読取値の捕捉に応じて形成されるバイオメトリック照合テンプレートと以前に記憶された登録テンプレートとの間でマッチング操作動作を行うことによって、ユーザ５１０の識別を検証する。いくつかの実装では、ある機能性が、ユーザデバイス５００以外のデバイスに行われることができる。例えば、ユーザデバイスは、代わりに、カメラ等のバイオメトリックセンサのみを含むことができ、画像処理および照合機能は、インターネット等のネットワークを経由してユーザデバイス５００にアクセス可能な遠隔サーバ上で行われることができる。

より一般的には、本明細書に説明されるシステムおよび技法は、バックエンドコンポーネント（例えば、データサーバとして）を含む、またはミドルウェアコンポーネント（例えば、アプリケーションサーバ）を含む、またはフロントエンドコンポーネント（例えば、ユーザが本明細書に説明されるシステムおよび技法の実装と相互作用できる、グラフィカルユーザインターフェースまたはウェブブラウザを有するクライアントコンピュータ）を含む、またはそのようなバックエンド、ミドルウェア、もしくはフロントエンドコンポーネントの任意の組み合わせを含む、コンピューティングシステム内に実装されることができる。システムのコンポーネントは、デジタルデータ通信の任意の形態または媒体（例えば、通信ネットワーク）によって、相互接続されることができる。通信ネットワークの実施例は、ローカルエリアネットワーク（「ＬＡＮ」）と、広域ネットワーク（「ＷＡＮ」）と、インターネットとを含む。

コンピューティングシステムは、クライアントと、サーバとを含むことができる。クライアントおよびサーバは、概して、相互に遠隔にあり、通信ネットワークを通して相互作用することができる。クライアントとサーバとの関係は、それぞれのコンピュータ上で起動し、相互にクライアント−サーバ関係を有するコンピュータプログラムによって生じる。いくつかの実施形態が、説明されている。それにもかかわらず、種々の修正が、本発明の精神および範囲から逸脱することなく、成され得ることが理解されるであろう。

本明細書に説明される主題および動作の実装は、デジタル電子回路内に、または本明細書に開示される構造およびそれらの構造的均等物を含む、コンピュータソフトウェア、ファームウェア、もしくはハードウェア内に、またはそれらうちの１つもしくはそれを上回るものの組み合わせ内に、実装されることができる。本明細書に説明される主題の実施形態は、１つまたはそれを上回るコンピュータプログラム、すなわち、データ処理装置による、またはそれの動作を制御するため、実行のためにコンピュータ記憶媒体上でエンコードされる、コンピュータプログラム命令の１つまたはそれを上回るモジュールとして実装されることができる。代替として、またはそれに加えて、プログラム命令は、データ処理装置による実行のための好適な受信機装置への伝送のための情報をエンコードするために生成される、人為的生成伝搬信号、例えば、マシン生成電気、光学、または電磁信号上でエンコードされることができる。コンピュータ記憶媒体は、コンピュータ可読記憶デバイス、コンピュータ可読記憶基板、ランダムもしくはシリアルアクセスメモリアレイもしくはデバイス、またはそれらのうちの１つまたはそれを上回るものの組み合わせであり得る、またはその中に含まれることができる。さらに、コンピュータ記憶媒体は伝搬信号ではないが、コンピュータ記憶媒体は、人為的生成伝搬信号内でエンコードされる、コンピュータプログラム命令のソースまたは宛先であり得る。コンピュータ記憶媒体はまた、１つまたはそれを上回る別個の物理的コンポーネントまたは媒体（例えば、複数のＣＤ、ディスク、または他の記憶デバイス）であり得る、またはその中に含まれることができる。

本明細書に説明される動作は、１つまたはそれを上回るコンピュータ可読記憶デバイス上に記憶される、または他のソースから受信されるデータに対して、データ処理装置によって実施される動作として実装されることができる。

「データ処理装置」という用語は、実施例として、プログラム可能プロセッサ、コンピュータ、チップ上のシステム、または前述のものの複数もしくは組み合わせを含む、データを処理するための全ての種類の装置、デバイス、およびマシンを包含する。装置は、専用論理回路、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（特定用途向け集積回路）を含むことができる。装置はまた、ハードウェアに加えて、当該コンピュータプログラムのための実行環境を作成するコード、例えば、プロセッサファームウェア、プロトコルスタック、データベース管理システム、オペレーティングシステム、クロスプラットフォームランタイム環境、仮想マシン、またはそれらのうちの１つもしくはそれを上回るものの組み合わせを構成するコードも含むことができる。装置および実行環境は、ウェブサービス、分散コンピューティング、およびグリッドコンピューティングインフラストラクチャ等、種々の異なるコンピューティングモデルインフラストラクチャを実現することができる。

コンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、スクリプト、またはコードとしても知られる）が、コンパイルまたは解釈される言語、宣言型または手続型言語を含む、プログラム可能言語の任意の形態において書き込まれることができ、これは、スタンドアローンのプログラムとして、またはモジュール、コンポーネント、サブルーチン、オブジェクト、もしくはコンピューティング環境における使用のために好適な他のユニットとしてを含む、任意の形態において展開されることができる。コンピュータプログラムは、ファイルシステム内のファイルに対応してもよいが、そうである必要はない。プログラムは、他のプログラムまたはデータ（例えば、マークアップ言語リソース内に記憶される１つまたはそれを上回るスクリプト）を保持するファイルの一部内に、当該プログラム専用である単一ファイル内に、または複数の協調ファイル（例えば、１つまたはそれを上回るモジュール、サブプログラム、またはコードの一部を記憶するファイル）内に記憶されることができる。コンピュータプログラムは、１つのコンピュータ上で、または１つの場所に位置する、もしくは複数の場所にわたって分散され、通信ネットワークによって相互接続される、複数のコンピュータ上で実行されるように展開されることができる。

本明細書に説明される主題の実施形態は、例えば、データサーバとして、バックエンドコンポーネントを含むコンピューティングシステムにおいて、またはミドルウェアコンポーネント、例えば、アプリケーションサーバを含むコンピューティングシステムにおいて、またはフロントエンドコンポーネント、例えば、ユーザが本明細書に説明される主題の実装と相互作用できる、グラフィカルユーザインターフェースまたはウェブブラウザを有するクライアントコンピュータを含むコンピューティングシステムにおいて、または１つまたはそれを上回るそのようなバックエンド、ミドルウェア、もしくはフロントエンドコンポーネントの任意の組み合わせを含む、コンピューティングシステム内に実装されることができる。本システムのコンポーネントは、デジタルデータ通信の任意の形態または媒体、例えば、通信ネットワークによって、相互接続されることができる。通信ネットワークの実施例は、ローカルエリアネットワーク（「ＬＡＮ」）と、広域ネットワーク（「ＷＡＮ」）と、ネットワーク間（例えば、インターネット）と、ピアツーピアネットワーク（例えば、アドホックピアツーピアネットワーク）とを含む。

コンピューティングシステムは、クライアントと、サーバとを含むことができる。クライアントおよびサーバは、概して、相互に遠隔にあり、典型的には、通信ネットワークを通して相互作用することができる。クライアントとサーバとの関係は、それぞれのコンピュータ上で起動し、相互にクライアント−サーバ関係を有するコンピュータプログラムによって生じる。いくつかの実施形態では、サーバは、データ（例えば、ＨＴＭＬページ）をクライアントデバイスに（例えば、クライアントデバイスと相互作用するユーザにデータを表示し、そこからユーザ入力を受信することを目的として）伝送する。クライアントデバイスにおいて生成されたデータ（例えば、ユーザの相互作用の結果）は、サーバにおけるクライアントデバイスから受信されることができる。

１つまたはそれを上回るコンピュータのシステムは、動作時にシステムにアクションを実施させる、システム上にインストールされる、ソフトウェア、ファームウェア、ハードウェア、またはそれらの組み合わせを有することによって、特定の動作またはアクションを実施するように構成されることができる。１つまたはそれを上回るコンピュータプログラムは、データ処理装置によって実行されると、装置にアクションを実施させる命令を含むことによって、特定の動作またはアクションを実施するように構成されることができる。

本明細書は多くの具体的実装詳細を含有するが、これらは、任意の発明または請求され得るものの範囲に対する制限として解釈されるべきではなく、特定の発明の特定の実装に固有である特徴の説明として解釈されるべきである。別個の実装の文脈において本明細書に説明されるある特徴はまた、単一の実装における組み合わせにおいて実装されることもできる。逆に、単一の実装の文脈において説明される種々の特徴もまた、複数の実装において別個に、または任意の好適な副組み合わせにおいて実装されることができる。さらに、特徴は、ある組み合わせにおいて作用するものとして前述され、さらに、そのようなものとして最初に請求され得るが、請求される組み合わせからの１つまたはそれを上回る特徴は、いくつかの場合では、組み合わせから削除されることができ、請求される組み合わせは、副組み合わせまたは副組み合わせの変形例を対象としてもよい。

同様に、動作は特定の順序において図面内に描写されているが、これは、望ましい結果を達成するために、そのような動作が示される特定の順序において、もしくは連続的順序において実施される、または全ての例証される動作が実施されることを要求するものとして理解されるべきではない。ある状況では、マルチタスクおよび並列処理が、有利となり得る。さらに、前述される実装における種々のシステムコンポーネントの分離は、全ての実装におけるそのような分離を要求するものとして理解されるべきではなく、説明されるプログラムコンポーネントおよびシステムは、概して、単一のソフトウェア製品においてともに統合される、または複数のソフトウェア製品にパッケージ化され得ることを理解されたい。

したがって、主題の特定の実装が、説明されている。他の実装も、以下の請求項の範囲内である。いくつかの場合では、請求項に記載されるアクションは、異なる順序において実施され、依然として、望ましい結果を達成することができる。加えて、付随の図に描写されるプロセスは、望ましい結果を達成するために、必ずしも、示される特定の順序、または連続的順序を要求しない。ある実装では、マルチタスクおよび並列処理が、有利となり得る。

Claims (18)

1. コンピュータ実装方法であって、
   ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含む、ことと、
   前記画像を処理することにより、（ｉ）前記顔領域の前記画像内の前記眼の少なくとも一部を含む眼球画像領域を画定し、（ｉｉ）それぞれが前記顔領域の前記画像内の前記眼を囲繞する面積の少なくとも一部を含む１つまたは複数の眼球周囲画像領域を画定することであって、前記画像を処理することは、ローカル勾配ガボールパターン（ＬＧＧＰ）を使用して前記画像の少なくとも一部を強化することを含み、前記ＬＧＧＰを使用して前記画像の少なくとも一部を強化することは、
   複数の角度のそれぞれにおいて、前記画像の少なくとも前記一部に関するガボール位相画像を計算することと、
   前記計算されたガボール位相画像を集約することにより、組み合わせられたガボール位相画像を形成することと、
   複数の角度のそれぞれにおいて、前記組み合わせられたガボール位相画像のローカル勾配を計算することと、
   各ローカル勾配の最大値を保持することにより、強化された画像を形成することと
   によって行われる、ことと、
   前記眼球画像領域および前記１つまたは複数の眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別することと、
   各着目点に対して、複数のパターン化ヒストグラム特徴記述子の組み合わせに基づいて、特徴記述子を生成することと、
   前記生成された特徴記述子をバイオメトリックテンプレート内に記憶することと
   を含む、方法。
2. 特定の着目点に対して前記特徴記述子を生成することは、拡張型マルチ半径ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＢＰ）、拡張型マルチ半径中心対称ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＣＳＬＢＰ）、または拡張型マルチ半径ローカルターナリーパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＴＰ）を生成することを含む、請求項１に記載の方法。
3. 特定の着目点に対して前記特徴記述子を生成することは、
   前記特定の着目点を含む画像領域を画定することと、
   前記画像領域内の各ピクセルに対して、複数のローカルバイナリパターン（ＬＢＰ）コードを計算することにより、マルチ半径ＬＢＰ（ＭＲ−ＬＢＰ）画像を形成することと、
   前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
   各サブ領域内の各ＭＲ−ＬＢＰビット場所の周波数を含む複数のヒストグラムを導出することと、
   前記複数のヒストグラムを組み合わせることにより、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を形成することと
   によって、前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を生成することを含む、請求項２に記載の方法。
4. 特定の着目点に対して前記特徴記述子を生成することは、
   前記特定の着目点を含む画像領域を画定することと、
   前記画像領域内の各ピクセルに対して、複数の中心対称ローカルバイナリパターン（ＣＳＬＢＰ）コードを計算することにより、マルチ半径ＣＳＬＢＰ（ＭＲ−ＣＳＬＢＰ）画像を形成することと、
   前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
   各サブ領域内の各ＭＲ−ＣＳＬＢＰビット場所の周波数を含む複数のヒストグラムを導出することと、
   前記複数のヒストグラムを組み合わせることにより、ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を形成することと
   によって、前記ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を生成することを含む、請求項２に記載の方法。
5. 特定の着目点に対して前記特徴記述子を生成することは、
   前記特定の着目点を含む画像領域を画定することと、
   前記画像領域内の各ピクセルに対して、複数のローカルターナリーパターン（ＬＴＰ）コードを計算することにより、マルチ半径ＬＴＰ（ＭＲ−ＬＴＰ）画像を形成することと、
   前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
   各サブ領域内の各ＭＲ−ＬＴＰビット場所の周波数を含む複数のヒストグラムを導出することと、
   前記複数のヒストグラムを組み合わせることにより、ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を形成することと
   によって、前記ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を生成することを含む、請求項２に記載の方法。
6. 特定の着目点に対して前記特徴記述子を生成することは、
   前記特定の着目点に対して、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を計算することと、
   前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を組み合わせることにより、組み合わせられた特徴記述子を形成することと
   を含む、請求項２に記載の方法。
7. 特定の着目点に対して前記特徴記述子を生成することは、分散分析を前記組み合わせられた特徴記述子に適用することにより、前記組み合わせられた特徴記述子からの特徴のサブセットを含む上位特徴記述子を形成することをさらに含む、請求項６に記載の方法。
8. 特定の着目点に対して前記特徴記述子を生成することは、前記上位特徴記述子に次元縮退を行うことにより、前記特定の着目点に対する前記特徴記述子を形成することをさらに含む、請求項７に記載の方法。
9. 特定のパターン化ヒストグラム特徴記述子を生成することにおいて、ローカルバイナリパターンまたはローカルターナリーパターン特徴記述子は、角を伴うかまたは角を伴わない正方形によって画定された近傍を使用して計算される、請求項１に記載の方法。
10. コンピュータ実行可能な命令を記憶するための少なくとも１つのメモリと、
    前記少なくとも１つのメモリ上に記憶される前記命令を実行するための少なくとも１つの処理ユニットと
    を備えるシステムであって、前記命令の実行は、
    ユーザの顔領域の画像を受信することであって、前記顔領域は、眼および前記眼を囲繞する面積を含む、ことと、
    前記画像を処理することにより、（ｉ）前記顔領域の前記画像内の前記眼の少なくとも一部を含む眼球画像領域を画定し、（ｉｉ）それぞれが前記顔領域の前記画像内の前記眼を囲繞する面積の少なくとも一部を含む１つまたは複数の眼球周囲画像領域を画定することであって、前記画像を処理することは、ローカル勾配ガボールパターン（ＬＧＧＰ）を使用して前記画像の少なくとも一部を強化することを含み、前記ＬＧＧＰを使用して前記画像の少なくとも一部を強化することは、
    複数の角度のそれぞれにおいて、前記画像の少なくとも前記一部に関するガボール位相画像を計算することと、
    前記計算されたガボール位相画像を集約することにより、組み合わせられたガボール位相画像を形成することと、
    複数の角度のそれぞれにおいて、前記組み合わせられたガボール位相画像のローカル勾配を計算することと、
    各ローカル勾配の最大値を保持することにより、強化された画像を形成することと
    によって行われる、ことと、
    前記眼球画像領域および前記１つまたは複数の眼球周囲画像領域のうちの少なくとも１つ内の複数の着目点を識別することと、
    各着目点に対して、複数のパターン化ヒストグラム特徴記述子の組み合わせに基づいて、特徴記述子を生成することと、
    前記生成された特徴記述子をバイオメトリックテンプレート内に記憶することと
    を含む動作を行うように前記少なくとも１つの処理ユニットをプログラムする、システム。
11. 特定の着目点に対して前記特徴記述子を生成することは、拡張型マルチ半径ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＢＰ）、拡張型マルチ半径中心対称ローカルバイナリパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＣＳＬＢＰ）、または拡張型マルチ半径ローカルターナリーパターンのパターン化ヒストグラム（ＰＨ−ＥＭＲ−ＬＴＰ）を生成することを含む、請求項１０に記載のシステム。
12. 特定の着目点に対して前記特徴記述子を生成することは、
    前記特定の着目点を含む画像領域を画定することと、
    前記画像領域内の各ピクセルに対して、複数のローカルバイナリパターン（ＬＢＰ）コードを計算することにより、マルチ半径ＬＢＰ（ＭＲ−ＬＢＰ）画像を形成することと、
    前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
    各サブ領域内の各ＭＲ−ＬＢＰビット場所の周波数を含む複数のヒストグラムを導出することと、
    前記複数のヒストグラムを組み合わせることにより、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を形成することと
    によって、前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子を生成することを含む、請求項１１に記載のシステム。
13. 特定の着目点に対して前記特徴記述子を生成することは、
    前記特定の着目点を含む画像領域を画定することと、
    前記画像領域内の各ピクセルに対して、複数の中心対称ローカルバイナリパターン（ＣＳＬＢＰ）コードを計算することにより、マルチ半径ＣＳＬＢＰ（ＭＲ−ＣＳＬＢＰ）画像を形成することと、
    前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
    各サブ領域内の各ＭＲ−ＣＳＬＢＰビット場所の周波数を含む複数のヒストグラムを導出することと、
    前記複数のヒストグラムを組み合わせることによって、ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を形成することと
    によって、前記ＰＨ−ＥＭＲ−ＣＳＬＢＰ特徴記述子を生成することを含む、請求項１１に記載のシステム。
14. 特定の着目点に対して前記特徴記述子を生成することは、
    前記特定の着目点を含む画像領域を画定することと、
    前記画像領域内の各ピクセルに対して、複数のローカルターナリーパターン（ＬＴＰ）コードを計算することにより、マルチ半径ＬＴＰ（ＭＲ−ＬＴＰ）画像を形成することと、
    前記ＭＲ−ＬＢＰ画像を複数のサブ領域に分割することと、
    各サブ領域内の各ＭＲ−ＬＴＰビット場所の周波数を含む複数のヒストグラムを導出することと、
    前記複数のヒストグラムを組み合わせることにより、ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を形成することと
    によって、前記ＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を生成することを含む、請求項１１に記載のシステム。
15. 特定の着目点に対して前記特徴記述子を生成することは、
    前記特定の着目点に対して、ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を計算することと、
    前記ＰＨ−ＥＭＲ−ＬＢＰ特徴記述子、ＰＨ−ＥＭＲ−ＣＳ−ＬＢＰ特徴記述子、およびＰＨ−ＥＭＲ−ＬＴＰ特徴記述子を組み合わせることにより、組み合わせられた特徴記述子を形成することと
    を含む、請求項１１に記載のシステム。
16. 特定の着目点に対して前記特徴記述子を生成することは、分散分析を前記組み合わせられた特徴記述子に適用することにより、前記組み合わせられた特徴記述子からの特徴のサブセットを含む上位特徴記述子を形成することをさらに含む、請求項１５に記載のシステム。
17. 特定の着目点に対して前記特徴記述子を生成することは、前記上位特徴記述子に次元縮退を行うことにより、前記特定の着目点に対する前記特徴記述子を形成することをさらに含む、請求項１６に記載のシステム。
18. 特定のパターン化ヒストグラム特徴記述子を生成することにおいて、ローカルバイナリパターンまたはローカルターナリーパターン特徴記述子は、角を伴うかまたは角を伴わない正方形によって画定された近傍を使用して計算される、請求項１０に記載のシステム。
    

Images