JP7452628B2 - 判定装置、方法及びプログラム - Google Patents

Description

本発明は、判定装置、方法及びプログラムが格納された非一時的なコンピュータ可読媒体に関し、特に、認証用画像の判定装置、方法、及びプログラムが格納された非一時的なコンピュータ可読媒体に関する。

特許文献１には、虹彩認証用の目の撮影画像を適切に撮影できなかった場合に、ユーザに所定の動作を促す電子機器が開示されている。例えば、撮影画像内の虹彩領域の面積が閾値以下の場合、当該電子機器は、ユーザに対して目を開くことを促すメッセージを提示する。

特開２０１８－１２４７３３号公報

特許文献１に記載された技術によると、撮影画像から虹彩を検出しなければ、虹彩認証用の撮影画像が適切か否かを判定することができない。

本開示は、このような問題点を解決するためになされたものであり、虹彩認証に用いる情報を効率よく取得する判定装置、方法、及びプログラムを提供することを目的とする。

本開示にかかる判定装置は、ユーザを撮影した撮影画像を取得する取得手段と、複数の目の画像と、虹彩を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築された第１の学習モデルを記憶する記憶手段と、前記撮影画像を前記第１の学習モデルに入力し、前記第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する第１の判定手段と、を備える。

本開示にかかる判定方法は、複数の目の画像と、虹彩情報を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築された第１の学習モデルを記憶するコンピュータが、ユーザを撮影した撮影画像を取得し、前記撮影画像を前記第１の学習モデルに入力し、前記第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する、ものである。

本開示にかかる判定プログラムは、複数の目の画像と、虹彩情報を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築された第１の学習モデルを記憶するコンピュータに、ユーザを撮影した撮影画像を取得する処理と、前記撮影画像を前記第１の学習モデルに入力し、前記第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する処理と、を実行させるものである。

本開示により、虹彩認証に用いる情報を効率よく取得する判定装置、方法、及びプログラムを提供することができる。

本実施形態１にかかる判定装置の構成を示すブロック図である。 本実施形態１にかか判定方法の流れを示すフローチャートである。 本実施形態２にかかる判定装置の構成を示すブロック図である。 本実施形態２にかかる判定装置を用いた虹彩認証の流れを示すフローチャートである。 本実施形態３にかかる判定装置の構成を示すブロック図である。 本実施形態４にかかる判定装置の構成を示すブロック図である。 本実施形態４にかかる判定装置を用いた虹彩認証の流れを示すフローチャートである。 本実施形態５にかかる判定装置の構成を示すブロック図である。 本実施形態５にかかる判定装置を用いた虹彩認証処理の流れを示すフローチャートである。 判定装置のハードウェア構成例を示す図である。

以下では、本開示の実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略される。

＜実施形態１＞
図１は、本実施形態１にかかる判定装置１００の構成を示すブロック図である。判定装置１００は、取得部１０１と、記憶部１１０と、第１判定部１０２とを備える。判定装置１００は、虹彩認証を行う認証装置であってもよい。

取得部１０１は、ユーザを撮影した撮影画像を取得する。記憶部１１０は、第１の学習モデル１１１を記憶する。ここで、第１の学習モデル１１１は、複数の目の画像と、虹彩情報を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築される。虹彩情報を抽出できる画像とは、例えば、目が十分に開いた画像である。虹彩情報を抽出できない画像とは、例えば、目が閉じている画像、又は目が半分閉じている画像である。

第１判定部１０２は、取得部１０１が取得した撮影画像を、記憶部１１０が記憶する第１の学習モデル１１１に入力する。そして、第１判定部１０２は、第１の学習モデル１１１からの出力に基づいて、当該撮影画像から虹彩情報を抽出できるか否かを判定する。

判定装置１００は、第１判定部１０２の判定結果に応じて虹彩認証又は虹彩登録を行ってもよい。また、判定装置１００は、第１判定部１０２の判定結果に応じて外部装置に虹彩認証又は虹彩登録を行わせてもよい。

図２は、本実施形態１にかかる認証方法の流れを示すフローチャートである。尚、判定装置１００の記憶部１１０は、第１の学習モデル１１１を記憶しているものとする。まず、取得部１０１は、ユーザを撮影した撮影画像を取得する（ステップＳ１０１）。第１の撮影画像には、少なくともユーザの目の領域が写っているものとする。

次に、第１判定部１０２は、ステップＳ１０１で取得した撮影画像を第１の学習モデル１１１に入力する（ステップＳ１０２）。次に、第１判定部１０２は、第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する（ステップＳ１０３）。

上述したようにこれまでは、虹彩認証用の撮影画像の適否を判定する際、撮影画像から虹彩を検出しなければならなかった。本実施形態にかかる判定装置は、機械学習モデルにより撮影画像の適否を判断するため、撮影画像から虹彩を検出する必要はない。本実施形態にかかる判定装置を用いることで、虹彩認証又は虹彩登録を行う際の処理負荷が軽減される。

図１０は、判定装置１００のハードウェア構成例を示す図である。判定装置１００は、プロセッサ１００１、メモリ１００２、及び記憶装置１００３を備える。記憶装置１００３には、本実施形態にかかる情報処理方法の処理が実装されたコンピュータプログラムが記憶されている。そして、プロセッサ１００１は、記憶装置１００３からコンピュータプログラムをメモリ１００２へ読み込ませ、当該コンピュータプログラムを実行する。これにより、プロセッサ１００１は、取得部１０１及び第１判定部１０２の機能を実現する。

または、取得部１０１及び第１判定部１０２は、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。また、プロセッサとして、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（field-programmable gate array）等を用いることができる。

また、判定装置１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。また、判定装置１００の機能がＳａａＳ（Software as a Service）形式で提供されてもよい。

＜実施形態２＞
本実施形態２は、上述した実施形態１の具体例である。図３は、本実施形態２にかかる判定装置１００ａの構成を示すブロック図である。判定装置１００ａは、記憶部１１０と、制御部１２０と、メモリ１３０と、通信部１４０と、カメラ１５０とを備える。

記憶部１１０は、ハードディスク、フラッシュメモリ等の記憶装置である。制御部１２０は、判定装置１００ａが備える各機能を制御する。メモリ１３０は、ＲＡＭ（Random Access Memory）等の揮発性記憶装置であり、制御部１２０の動作時に一時的に情報を保持するための記憶領域である。通信部１４０は、ネットワーク５００との通信インターフェースである。カメラ１５０は、虹彩認証用の画像を撮影する。カメラ１５０は、例えば、赤外線カメラである。

記憶部１１０は、判定プログラム１１２と、第１の学習モデル１１１と、虹彩情報ＤＢ１１３とを少なくとも記憶する。判定プログラム１１２は、本実施形態にかかる判定方法が実装されたコンピュータプログラムである。第１の学習モデル１１１は、複数の目の画像と、虹彩情報を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築されるモデルである。虹彩情報ＤＢ１１３には、虹彩画像から抽出される虹彩情報が格納される。なお、虹彩情報ＤＢ１１３には、複数のユーザの虹彩情報と、ユーザＩＤとが対応付けて格納されていてもよい。

制御部１２０は、記憶部１１０から判定プログラム１１２をメモリ１３０へ読み込ませ、判定プログラム１１２を実行する。これにより、制御部１２０は、取得部１２１、第１判定部１２２、瞳孔検出部１２３、虹彩検出部１２４、抽出部１２５、及び認証部１２６の機能を実現する。尚、取得部１２１は取得部１０１の一例であり、第１判定部１２２は第１判定部１０２の一例である。

取得部１２１は、カメラ１５０が撮影した撮影画像を取得する。撮影画像には少なくとも目が写っているものとする。撮影画像には、目尻等の領域が含まれていてもよい。第１判定部１２２は、取得部１２１が取得した撮影画像を第１の学習モデル１１１に入力し、第１の学習モデル１１１からの出力に基づいて、撮影画像から虹彩情報を抽出できるか否かを判定する。つまり、第１判定部１２２は、撮影画像が虹彩認証用の画像として適切か不適切かを判定する。

瞳孔検出部１２３は、第１判定部１２２の判定結果に応じて撮影画像から瞳孔領域を検出する。瞳孔検出部１２３は、例えば、撮影画像に含まれる黒い円を検出することにより瞳孔領域を検出してもよい。虹彩検出部１２４は、瞳孔検出部１２３が検出した瞳孔領域に基づいて、当該瞳孔領域の外側に存在する虹彩領域を検出する。

抽出部１２５は、虹彩検出部１２４が検出した虹彩領域から特徴点を抽出し、認証部１２６に虹彩情報を出力する。ここで、虹彩情報は、虹彩領域から抽出した特徴点の集合である。

認証部１２６は、抽出部１２５が抽出した虹彩情報の認証又は登録を行う。虹彩認証を行う場合、認証部１２６は、記憶部１１０が記憶する虹彩情報ＤＢ１１３との照合を行う。認証部１２６は、虹彩情報の一致の有無を出力する。虹彩情報の一致の有無は、認証の成否に対応する。ここで、認証部１２６は、虹彩情報に対応するユーザのユーザＩＤを出力してもよい。虹彩登録を行う場合、認証部１２６は、抽出部１２５が抽出した虹彩情報を虹彩情報ＤＢ１１３に新たに登録する。ここで、認証部１２６は、ユーザＩＤを新規に発行してもよい。

図４は、判定装置１００ａが虹彩認証を行う処理の流れを示すフローチャートである。まず、判定装置１００ａの取得部１２１は、カメラ１５０から虹彩認証用の撮影画像を取得する（ステップＳ２０１）。次に、第１判定部１２２は、第１の学習モデル１１１に撮影画像を入力し、撮影画像から虹彩を抽出できるか否かを判定する（ステップＳ２０２）。虹彩を抽出できないと判定した場合（ステップＳ２０２のＮｏ）、判定装置１００ａは、ステップＳ２０１に移行し、撮影画像を取得する処理に戻る。

第１判定部１２２が虹彩を抽出できると判断した場合（ステップＳ２０２のＹｅｓ），瞳孔検出部１２３は、撮影画像から瞳孔領域を検出する（ステップＳ２０３）。次に、虹彩検出部１２４は、ステップＳ２０３で検出した瞳孔領域に基づいて虹彩領域を検出する（ステップＳ２０４）。

次に、抽出部１２５は、ステップＳ２０４で検出した虹彩領域から虹彩情報を抽出する（ステップＳ２０５）。次に、認証部１２６は、抽出した虹彩情報と、虹彩情報ＤＢ１１３とを照合する（ステップＳ２０６）。虹彩情報が一致した場合（ステップＳ２０７のＹｅｓ）、認証部１２６は、虹彩認証に成功した旨を出力する（ステップＳ２０８）。一方、一致する虹彩情報が存在しない場合（ステップＳ２０７のＮｏ）、認証部１２６は、虹彩認証に失敗した旨を出力する（ステップＳ２０９）。

虹彩情報の登録を行う場合には、判定装置１００ａは、ステップＳ２０１～ステップＳ２０５の処理を実行した後、抽出した虹彩情報を虹彩情報ＤＢ１１３に登録する。ここで、判定装置１００ａは、ユーザＩＤと虹彩情報とを関連付けて虹彩情報ＤＢ１１３に登録してもよい。

以下、本実施の形態の効果について説明する。虹彩認証に用いる画像には、虹彩が写っている必要がある。しかし、目を撮影するタイミングによって、虹彩情報を取得するのに適さない画像が得られる場合がある。このような場合、虹彩認証をしても認証エラーとなってしまうため、無駄な処理を生じさせていた。一方、本実施形態にかかる判定装置１００ａは、機械学習により構築された学習モデルを用いて虹彩を抽出できるか否かを判定し、判定結果に応じて虹彩を検出するため処理の負担を軽減できる。

なお、判定装置１００ａは、必ずしも１つの装置で実現される必要はなく、機能ごとに異なる複数の装置で判定装置１００ａが実現されてもよい。例えば、判定装置１００ａは、端末とサーバで実現されてもよい。例えば、判定装置１００ａの制御部１２０が備える機能のうち、取得部１２１及び第１判定部１２２の機能は端末に備えられ、その他の機能はサーバに備えられてよい。

＜実施形態３＞
図５は、本実施形態３にかかる判定装置１００ｂの構成を示すブロック図である。判定装置１００ｂは、ネットワーク５００に接続される。ネットワーク５００は、有線であっても無線であってもよい。ネットワーク５００には、サーバ２００が接続される。なお、判定装置１００ｂとサーバ２００とを備えるシステムが、実施の形態２にかかる判定装置１００ａに対応する。

判定装置１００ｂは、カメラ１５０を有し、ユーザの撮影画像を撮影し、撮影画像をサーバ２００に送信する。サーバ２００は、受信した撮影画像について、虹彩情報ＤＢ１１３との照合を行う。

図３の判定装置１００ａの制御部１２０が備える機能のうち、取得部１２１及び第１判定部１２２の機能は判定装置１００ｂに備えられ、その他の機能はサーバ２００に備えられている。また、判定装置１００ｂは、第１判定部１２２が使用する第１の学習モデル１１１を記憶している。判定装置１００ｂの制御部１２０は、判定プログラム１１２をメモリ１３０へ読み込ませ、判定プログラム１１２を実行する。これにより、制御部１２０は、取得部１２１及び第１判定部１２２の機能を実現する。

判定装置１００ｂは、図４のステップＳ２０１及びステップＳ２０２の処理を行う。撮影画像から虹彩が抽出可能と判断した場合（ステップＳ２０２のＹｅｓ）、判定装置１００ｂは、ネットワーク５００を介してサーバ２００にステップＳ２０３以降の処理を行わせる。本実施の形態によると、判定装置１００ｂは、サーバ２００の虹彩を検出する処理の負担を軽減することができる。

＜実施形態４＞
実施形態４にかかる判定装置１００ｃは、上述した第１の判定機能と、機械学習による虹彩検出の機能とを備える。図６は、本実施形態４にかかる判定装置ｃの構成を示すブロック図である。以下では、実施形態２と異なる点について説明する。

本実施形態４にかかる記憶部１１０は、第２の学習モデル１１４を更に記憶する。第２の学習モデル１１４は、複数の目の画像と、瞳孔の位置又は虹彩の位置に関する位置情報と、を対応付けた教師データを用いた機械学習により構築される。複数の目の画像は、虹彩情報を抽出可能な画像である。

瞳孔に関する位置情報とは、例えば、目の画像の瞳孔領域の値を１、それ以外の領域の値を０とした二値画像である。このような二値画像を、第１の二値画像と呼ぶ。虹彩に関する位置情報とは、例えば、目の画像のうち虹彩の外円の内側の値を１、それ以外の領域の値を０とした二値画像である。このような二値画像を第２の二値画像と呼ぶ。

第２の学習モデル１１４は、複数の目の画像と、瞳孔の位置と虹彩の位置の両方に関する位置情報と、を対応付けた教師データを用いた機械学習により構築されてもよい。このような場合、例えば、第１の二値画像と第２の二値画像の両方が、教師データとして使用される。瞳孔の位置と虹彩の位置の両方を用いた場合、第２の学習モデル１１４は、より正確な虹彩位置を出力することができる。

制御部１２０の瞳孔検出部１２３は、撮影画像を第２の学習モデル１１４に入力し、第２の学習モデル１１４からの出力に基づいて瞳孔の位置を検出してもよい。制御部１２０の虹彩検出部１２４は、撮影画像を第２の学習モデル１１４に入力し、第２の学習モデル１１４からの出力に基づいて虹彩の位置を検出してもよい。なお、虹彩検出部１２４が、第２の学習モデル１１４を用いて虹彩を検出する場合、判定装置１００ｃは、瞳孔検出部１２３を備えなくてもよい。

図７は、判定装置１００ｃが虹彩認証を行う処理の流れを示すフローチャートである。ステップＳ２０１～ステップＳ２０２における処理は、図４と同様であるため説明を省略する。

ステップＳ２０２において撮影画像が適切と判定された場合（ステップＳ２０２のＹｅｓ）、判定装置１００ｃは、第２の学習モデル１１４を用いて虹彩領域を検出する（ステップＳ３０３）。例えば、虹彩検出部１２４は、第２の学習モデル１１４に撮影画像を入力し、出力結果に基づいて虹彩位置を検出する。

また、例えば、瞳孔検出部１２３は、第２の学習モデル１１４に撮影画像を入力し、出力結果に基づいて瞳孔位置を検出する。虹彩検出部１２４は、図４のステップＳ２０４と同様に虹彩位置を検出することができる。ステップＳ２０５～ステップＳ２０９における処理は、図４と同様であるため説明を省略する。

以下、本実施形態の効果について説明する。虹彩情報を抽出する際、撮影画像から瞳孔を検出する必要がある。しかし、まつ毛や眼鏡の写りこみ、画像取得時のノイズあるいは振動等により、瞳孔領域を真円として検出することができない場合があった。また、乱視等により瞳孔領域が、真円とはならない場合がある。本実施形態にかかる判定装置は、機械学習モデルを用いて虹彩を検出するため、瞳孔領域が真円でない場合であっても虹彩を検出することができる。

＜実施形態５＞
実施形態５にかかる判定装置１００ｄは、上述した第１の判定機能と、機械学習による右目と左目の判定機能とを備える。図８は、本実施形態５にかかる判定装置１００ｄの構成を示すブロック図である。以下では、実施形態２と異なる点について説明する。

本実施形態５にかかる記憶部１１０は、第３の学習モデル１１５を更に記憶する。第３の学習モデル１１５は、複数の目の画像と、右目と左目とを区別するためのラベルとを対応付けた教師データを用いた機械学習により構築される。記憶部１１０の虹彩情報ＤＢ１１３には、虹彩情報と左右情報とが対応付けて記憶される。左右情報とは、右目と左目とを識別するための識別情報である。

虹彩情報ＤＢ１１３には、目の画像が登録されていてもよい。このような場合、目の画像は、当該画像が右目を示すか左目を示すかを付記したメタ情報が付与された状態で、虹彩ＤＢ１１３に登録されてもよい。

制御部１２０の第２判定部１２７は、第３の学習モデル１１５を用いて撮影画像に写った目の画像が左目であるか右目であるかを判定する。第２判定部１２７は、撮影画像を第３の学習モデル１１５に入力し、第３の学習モデル１１５からの出力に基づいて撮影画像が右目の画像であるか左目の画像であるかを判定する。

図９は、判定装置１００ｄが虹彩認証を行う処理の流れを示すフローチャートである。ステップＳ２０１～ステップＳ２０５及びステップＳ２０７～ステップＳ２０９における処理は、図４と同様であるため説明を省略する。

ステップＳ２０５において虹彩情報を抽出した後、第２判定部１２７は、撮影画像を第３の学習モデル１１５に入力し、第３の学習モデル１１５からの出力に基づいて、撮影画像が右目の画像であるか左目の画像であるかを判定する（ステップＳ４０６）。

ステップＳ４０６の後、認証部１２６は、虹彩情報ＤＢ１１３が記憶する虹彩情報のうち右目又は左目のいずれか一方の虹彩情報との照合を行う（ステップＳ４０７）。ステップＳ４０６において右目の画像と判定された場合、認証部１２６は、右目を示す左右情報と対応付けられた虹彩情報との照合を行う。ステップＳ４０６において左目の画像と判定された場合、認証部１２６は、左目を示す左右情報と対応付けられた虹彩情報との照合を行う。なお、ステップＳ４０６の処理は、ステップＳ２０３の瞳孔領域を検出する処理の前に行われてもよい。

虹彩ＤＢ１１３に、メタ情報が付された目の画像が登録されている場合について説明する。このような場合、認証部１２６は、第３の学習モデル１１５が右目と判断した画像を、虹彩ＤＢ１１３上に登録されている右目の画像と照合する。認証部１２６は、第３の学習モデル１１５が左目と判断した画像を、虹彩ＤＢ１１３上に登録されている左目の画像と照合する。

なお、右目の画像と左目の画像とがそれぞれ別のデータベースに登録されていてもよい。このような場合、認証部１２６は、第３の学習モデル１１５が右目と判断した画像を、右目の画像が登録されたデータベースと照合する。同様に、認証部１２６は、第３の学習モデル１１５が左目と判断した画像を、左目の画像が登録されたデータベースと照合する。

虹彩情報の登録を行う場合には、判定装置１００ｄは、ステップＳ４０６の処理を実行した後、ステップＳ２０５で抽出した虹彩情報と、ステップＳ４０６の判定結果に応じた左右情報とを対応付けて、虹彩情報ＤＢ１１３に登録する。

以下、本実施形態の効果について説明する。虹彩認証装置に、左目の虹彩情報と、右目の虹彩情報の両方がデータベースに登録されている場合がある。このような場合、関連する技術によると、取得した目の画像と、データベースに登録されている全ての目の画像との照合を行わなければならなかった。本実施形態にかかる判定装置１００ｄは、データベースに登録された目の画像のうち、左目の画像、又は右目の画像のいずれか一方との照合を行うため、照合時間を減らすことができ、照合処理の負荷を軽減することができる。

＜変形例＞
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。判定装置１００ａ、１００ｂ、１００ｃ、及び１００ｄは、取得した目の画像、虹彩情報、撮像画像、虹彩認証結果等を、ディスプレイ等の表示装置に表示させる表示制御部を備えていてもよい。虹彩認証結果は、突合した撮影画像及び登録画像のうちの一方または双方を含んでもよく、「ＯＫ」「ＮＧ」「エラー」等の表示を含んでもよい。登録画像とは、虹彩ＤＢ１１３に登録した目の画像のことである。

表示制御部は、目の画像を表示させる際、自装置が虹彩領域と認識した部位、瞳孔領域を強調表示してもよい。表示制御部は、上述した実施形態における処理の一部またはすべてのフローを、表示装置に表示させるように設計されてもよい。

尚、上述の実施形態では、ハードウェアの構成として説明したが、これに限定されるものではない。本開示は、任意の処理を、ＣＰＵにコンピュータプログラムを実行させることにより実現することも可能である。

上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、ＤＶＤ（Digital Versatile Disc）、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

なお、本開示は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。また、本開示は、それぞれの実施形態を適宜組み合わせて実施されてもよい。

以上、実施形態（及び実施例）を参照して本願発明を説明したが、本願発明は上記実施形態（及び実施例）に限定されものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１００、１００ａ、１００ｂ、１００ｃ、１００ｄ 判定装置
１０１、１２１ 取得部
１０２、１２２ 第１判定部
１１０ 記憶部
１１１ 第１の学習モデル
１１２ 判定プログラム
１１３ 虹彩情報ＤＢ
１１４ 第２の学習モデル
１１５ 第３の学習モデル
１２３ 瞳孔検出部
１２４ 虹彩検出部
１２５ 抽出部
１２６ 認証部
１２７ 第２判定部
１３０ メモリ
１４０ 通信部
１５０ カメラ
２００ サーバ
５００ ネットワーク

Claims (7)

1. ユーザを撮影した撮影画像を取得する取得手段と、
   複数の目の画像と、虹彩を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築された第１の学習モデルを記憶する記憶手段と、
   前記撮影画像を前記第１の学習モデルに入力し、前記第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する第１の判定手段と、
   を備え、
   前記記憶手段は、複数の目の画像と、瞳孔の位置又は虹彩の位置に関する位置情報と、を対応付けた教師データを用いた機械学習により構築された第２の学習モデルをさらに記憶し、
   前記撮影画像から前記虹彩情報を抽出できると判定された場合、前記撮影画像を前記第２の学習モデルに入力し、前記第２の学習モデルからの出力に基づいて前記瞳孔の位置又は前記虹彩の位置を検出する第１検出手段と、
   前記第１検出手段の検出結果に基づき、瞳孔領域及び虹彩領域を検出する第２検出手段と、
   前記瞳孔領域及び前記虹彩領域を強調して前記撮影画像を表示する表示制御手段と、
   をさらに備える、
   判定装置。
2. 前記判定の結果に応じて、前記撮影画像に基づく虹彩認証又は虹彩登録を行う認証手段、
   をさらに備えた請求項１に記載の判定装置。
3. 前記第２の学習モデルは、複数の目の画像と、瞳孔の位置及び虹彩の位置に関する前記位置情報と、を対応付けた教師データを用いた機械学習により構築され、
   前記第１検出手段は、前記撮影画像を前記第２の学習モデルに入力し、前記第２の学習モデルからの出力に基づいて前記虹彩の位置を検出する、
   請求項１に記載の判定装置。
4. 前記記憶手段は、
   複数の目の画像と、右目と左目とを区別するためのラベルと、を対応付けた教師データを用いた機械学習により構築された第３の学習モデルをさらに記憶し、
   前記判定装置は、
   前記撮影画像を前記第３の学習モデルに入力し、前記第３の学習モデルからの出力に基づいて、前記撮影画像が右目の画像か左目の画像かを判定する第２の判定手段をさらに備える、
   請求項１から３のいずれか１項に記載の判定装置。
5. 複数の目の画像と、虹彩情報を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築された第１の学習モデルを記憶するコンピュータが、
   ユーザを撮影した撮影画像を取得し、
   前記撮影画像を前記第１の学習モデルに入力し、前記第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する、
   判定方法であって、
   前記コンピュータは、複数の目の画像と、瞳孔の位置又は虹彩の位置に関する位置情報と、を対応付けた教師データを用いた機械学習により構築された第２の学習モデルをさらに記憶し、
   前記コンピュータは、
   前記撮影画像から前記虹彩情報を抽出できると判定された場合、前記撮影画像を前記第２の学習モデルに入力し、前記第２の学習モデルからの出力に基づいて前記瞳孔の位置又は前記虹彩の位置を検出し、
   前記瞳孔の位置又は前記虹彩の位置の検出結果に基づき、瞳孔領域及び虹彩領域を検出し、
   前記瞳孔領域及び前記虹彩領域を強調して前記撮影画像を表示する
   判定方法。
6. 前記判定の結果に応じて、前記撮影画像に基づく虹彩認証又は虹彩登録を行う、
   請求項５に記載の判定方法。
7. 複数の目の画像と、虹彩情報を抽出できるか否かを示すラベルと、を対応付けた教師データを用いた機械学習により構築された第１の学習モデルを記憶するコンピュータに、
   ユーザを撮影した撮影画像を取得する処理と、
   前記撮影画像を前記第１の学習モデルに入力し、前記第１の学習モデルからの出力に基づいて虹彩情報を抽出できるか否かを判定する処理と、を実行させる判定プログラムであって、
   前記コンピュータは、複数の目の画像と、瞳孔の位置又は虹彩の位置に関する位置情報と、を対応付けた教師データを用いた機械学習により構築された第２の学習モデルをさらに記憶し、
   前記コンピュータに、
   前記撮影画像から前記虹彩情報を抽出できると判定された場合、前記撮影画像を前記第２の学習モデルに入力し、前記第２の学習モデルからの出力に基づいて前記瞳孔の位置又は前記虹彩の位置を検出する処理と、
   前記瞳孔の位置又は前記虹彩の位置の検出結果に基づき、瞳孔領域及び虹彩領域を検出する処理と、
   前記瞳孔領域及び前記虹彩領域を強調して前記撮影画像を表示する処理と
   を実行させる
   判定プログラム。

Images