KR102637250B1 - 생체 측정 정확도 및/또는 효율성 강화 시스템 및 방법 - Google Patents
생체 측정 정확도 및/또는 효율성 강화 시스템 및 방법 Download PDFInfo
- Publication number
- KR102637250B1 KR102637250B1 KR1020217017449A KR20217017449A KR102637250B1 KR 102637250 B1 KR102637250 B1 KR 102637250B1 KR 1020217017449 A KR1020217017449 A KR 1020217017449A KR 20217017449 A KR20217017449 A KR 20217017449A KR 102637250 B1 KR102637250 B1 KR 102637250B1
- Authority
- KR
- South Korea
- Prior art keywords
- iris
- probe
- texture information
- biometric
- delete delete
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 90
- 230000002708 enhancing effect Effects 0.000 title description 3
- 239000000523 sample Substances 0.000 claims abstract description 300
- 238000012545 processing Methods 0.000 claims abstract description 107
- 210000000554 iris Anatomy 0.000 claims description 822
- 238000005286 illumination Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 description 99
- 239000013598 vector Substances 0.000 description 82
- 230000008569 process Effects 0.000 description 39
- 238000005457 optimization Methods 0.000 description 32
- 238000010801 machine learning Methods 0.000 description 13
- 210000001747 pupil Anatomy 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 11
- 230000001965 increasing effect Effects 0.000 description 8
- 210000000744 eyelid Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004166 bioassay Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000001815 facial effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 210000003786 sclera Anatomy 0.000 description 5
- 241000282485 Vulpes vulpes Species 0.000 description 4
- 208000016339 iris pattern Diseases 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241001354471 Pseudobahia Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000000720 eyelash Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000269350 Anura Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000577979 Peromyscus spicilegus Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000011953 bioanalysis Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013383 initial experiment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
예시적인 실시예는 생체 분석 매칭을 향상시키는 시스템에 관한 것이다. 처리 장치는 홍채 생체 인식에 대한 프로브 이미지의 프로브 근거리 및 광대역 홍채 텍스처 정보를 분석하고, 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보의 생체 진본성에 기초하여, 대상의 생체 진본성을 결정하도록 구성된다. 예시적인 실시예는 또한 생체 분석 매칭 효율을 향상시키는 시스템에 관한 것이다. 처리 장치는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 가장 가까운 매칭으로부터 가장 먼 매칭까지 순서화되는 등록 홍채 생체 데이터의 목록을 포함하는, 등록 홍채 생체 데이터의 최적화 순서를 생성한다. 처리 장치는 프로브 및 등록 광대역 홍채 텍스처 정보 간의 가장 가까운 매칭부터 시작하여 생체 진본성을 위해 홍채 생체 인식 데이터를 분석한다.
Description
관련 출원에 대한 상호 참조
본 출원은 2018 년 11 월 6 일에 출원된 미국 가출원 번호 62/756,138에 대한 우선권의 이익을 주장하며, 이는 그 전체가 여기에 참조로 포함된다.
기술 분야
본 개시는 근거리 및 광대역 홍채 텍스처에 기초하여 생체 분석 매칭 정확도를 향상시키고/거나 광대역 홍채 텍스처에 기초하여 생체 분석 매칭 효율을 향상시키는 시스템 및 방법에 관한 것이다.
보안은 개인 정보를 포함하는 다양한 거래에서의 관심사이다. 홍채 인식은 전 세계 정부 및 상업 시스템에서 사용되는 생체 인식 식별 수단으로 잘 받아 들여지고 정확한 수단으로, 안전한 거래를 가능하게하고 키 및/또는 암호를 넘어서는 보안 계층을 추가한다. 홍채 인식 시스템이 제공하는 보안 강화로 인해 이러한 시스템의 사용이 전 세계적으로 증가하고 있다. 등록된 개인의 데이터베이스 크기가 증가함에 따라, 은행, 병원, 학교, 상점, 기업, 군사 시설 및 기타 정부 및/또는 상업 시스템은 생체 인식 검증의 정확성과 효율성을 개선하는 생체 인식 분석 시스템의 이점을 누릴 수 있다.
인증 프로세스의 정확성 및 효율성을 개선하기 위해 개선된 생체 분석 시스템에 대한 요구가 존재한다. 이들 및 다른 요구는 본 개시의 시스템 및 방법에 의해 해결된다.
본 개시 내용의 실시예들에 따르면, 생체 분석 매칭 정확도를 향상시키는 예시적인 시스템(예를 들어, 이중 양식 생체 분석 시스템)이 제공된다. 시스템은 적어도 하나의 카메라 및 적어도 하나의 카메라와 통신하는 처리 장치를 포함한다. 적어도 하나의 카메라는 대상의 홍채에 대한 적어도 하나의 프로브 이미지를 캡처하도록 구성될 수 있다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 가질 수 있다. 홍채 생체 데이터는 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보를 포함할 수 있다. 처리 장치는 입력으로서 적어도 하나의 프로브 이미지를 수신하고, 홍채 생체 진본성을 위해 적어도 하나의 프로브 이미지의 프로브 근거리 홍채 텍스처 정보를 분석하고, 홍채 생체 인식을 위한 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 분석하도록 구성될 수 있다. 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보의 생체 진본성에 기초하여, 처리 장치는 대상의 생체 진본성을 결정하도록 구성될 수 있으며, 따라서 바람직하게는 생체 분석 매칭 정확도를 향상시킬 수 있다.
본 명세서에 사용된 바와 같이, 근거리 홍채 텍스처는 사람이 읽을 수 없는, 즉 인간 관찰자에 의해 해결될 수 있는 것보다 더 미세한 길이 스케일에 있는, 국부적인 홍채 패턴 또는 텍스처를 의미한다. 근거리 홍채 텍스처는 단파장의 높은 공간 주파수를 중심으로하는 협대역 필터로 필터링을 유지한다. 근거리 홍채 텍스처는 전통적으로 생체 분석 시스템에서 사용되는 기능의 Daugman 공간 주파수 범위에 있다. 예를 들어 J. Daugman, "High Confidence Visual Recognition of Persons by A Test of Statistical Independence", IEEE Trans. Pattern Anal. Machine Intelligence, vol. 15, No. 11, pp. 1148-1161 (1993)를 참조할 수 있다. 근거리 홍채 텍스처 특징에는 Daugman 홍채 매칭 알고리즘의 필터 창 내에 있는 미세 홍채 특징이 포함되며 많은 자유도를 가지고 무작위로 표시될 수 있다. 근거리 홍채 텍스처는 2 차원 Gabor 필터의 위상을 통해 감지 및 시각화할 수 있으며 약 ± 10 픽셀의 스케일이 가능하므로 미리 결정된 Gabor 웨이블릿으로 제한된다. 홍채 직경은 약 80 픽셀 ~ 약 400 픽셀이라고 가정한다.
여기에 사용된 광대역 홍채 텍스처는 내구성이 높고 거칠고(coarse) 사람이 읽을 수 있거나 사람이 식별할 수 있는 패턴을 형성하는 확장된 홍채 패턴 또는 텍스처, 즉 대상자 홍채의 근적외선 이미지를 관찰하는 사람이 시각적으로 인식할 수 있는 패턴을 말한다. 광대역 홍채 텍스처는 일반적으로 구성요소의 낮은 주파수는 사람이 인식할 수 있고 구성요소의 높은 주파수는 시각적으로 인식할 수 없는 여러 주파수에 걸쳐 확장된다. 즉, 광대역 홍채 텍스처 정보는 분석의 여러 공간 주파수에서 정보를 포함할 수 있는 생리 학적 특징과 관련이 있다. 그러나 반드시 그렇게하는 것은 아니다. 광대역 홍채 텍스처는 긴 파장의 낮은 공간 주파수에서 컷오프가 있는 저역 통과 필터로 필터링을 유지한다. 광대역 홍채 텍스처는 일반적으로 Daugman 공간 주파수 범위 밖에서 감지되고 시각화된다. 광대역 홍채 텍스처는 홍채의 넓은 영역에 걸쳐 확장될 수 있으며 Daugman 근거리 홍채 텍스처의 일부 주파수를 포함할 수 있다. 광대역 홍채 텍스처는 Gabor 필터의 픽셀 범위를 초과하며 본질적으로 1 차원 또는 2 차원 일 수 있다. 광대역 홍채 텍스처는 필터링을 포함한 비전 알고리즘을 사용하거나 신경망을 사용하여 사람이 감지, 자동화 및/또는 기계 학습 및/또는 비전을 통해 결정할 수 있다. 광대역 홍채 조직 특징은 예를 들어 크립트, 햇살, 가지 균열, 점의 고리, 화염, Wolfflin 결절, 배경 텍스처, 깃의 특성, 흰 벽 타이어, 이들의 조합, 및 근적외선 홍채 이미지에 나타나는 기타 특징을 포함할 수 있다.
일부 실시예에서, 시스템은 대상의 홍채를 조명하도록 구성된 적어도 하나의 조명 원을 포함할 수 있다. 처리 장치는 적어도 하나의 조명 원과 통신할 수 있다. 적어도 하나의 조명 원은 근적외선으로 대상의 홍채를 조명하도록 구성될 수 있다. 적어도 하나의 카메라는 적어도 하나의 조명 원으로 대상을 조명하는 동안 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하도록 구성될 수 있다. 생체 진본성을 위해 프로브 근거리 홍채 텍스처 정보를 분석하는 것은 프로브 근거리 홍채 텍스처 정보를 등록 근거리 홍채 텍스처 정보와 비교하는 것을 포함할 수 있다. 생체 진본성을 위해 프로브 광대역 홍채 텍스처 정보를 분석하는 것은 프로브 광대역 홍채 텍스처 정보를 등록 광대역 홍채 텍스처 정보와 비교하는 것을 포함할 수 있다. 일부 실시예에서, 예시적인 시스템은 프로브 이미지에서 하나 이상의 광대역 홍채 텍스처의 존재 및/또는 특성/품질의 검출 및 결정을 위해 광대역 홍채 텍스처의 특정 크기, 모양, 위치, 등만이 아니라 프로브 및 등록 광대역 홍채 텍스처 정보를 비교할 수 있다. 일부 실시예에서, 광대역 홍채 텍스처가 특정 위치 및/또는 특정 크기에 있는지 및/또는 등록 이미지의 광대역 홍채 텍스처 유형이 프로브 이미지에서 검출되는지 여부가 결정될 수 있으며, 따라서 바람직하게는 생체 분석 매칭 정확도를 향상시킨다. 여기에서 더 논의되는 바와 같이, 예를 들어, 광대역 홍채 텍스처와 관련된 특징 벡터는 예를 들어 배경 텍스처, 깃(collaret), 크립트 및/또는 Wolfflin 결절을 포함하는 세트 멤버를 포함할 수 있으며, 각각은 예를 들어 0에서 3까지 0-3 스케일로 등급화될 수 있고, 서로는 다른 척도로 평가된다.
일부 실시예에서, 처리 장치는 대상의 생체 진본성에서 최종 결정 인자로서 프로브 광대역 홍채 텍스처 정보에 기초하여 생체 진본성 결정을 적용하도록 구성될 수 있다. 일부 실시예에서, 적어도 하나의 프로브 이미지는 대상의 왼쪽 및 오른쪽 홍채와 관련된 홍채 생체 데이터를 포함할 수 있다. 이러한 실시예에서, 처리 장치는 대상의 왼쪽 및 오른쪽 홍채 모두에 대한 프로브 근거리 및 광대역 홍채 텍스처 정보를 분석하도록 구성될 수 있다.
일부 실시예에서, 처리 장치는 프로브 근거리 홍채 텍스처 정보에 대해 홍채 생체 진본성이 발견되는 정도에 대응하는 근거리 스코어(예를 들어, 근거리 홍채 불일치 스코어)를 생성하도록 구성될 수 있다. 프로브 근거리 홍채 텍스처 정보의 홍채 생체 진본성에 대해 생성된 스코어가 근거리 임계 값보다 더 나은 경우(예를 들어, 이상인 경우), 처리 장치는 홍채 생체 진본성을 위한 최소 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 분석하도록 구성될 수 있다. 예를 들어 약 0 점은 완전 매칭에 해당할 수 있고 0.33 이상의 스코어는 불일치에 해당할 수 있다. 일부 실시 양태에서, 0.38의 스코어는 불일치에 대한 임계 값으로 간주될 수 있다. 일부 실시예에서, 생성된 근거리 스코어가 0.38보다 더 나은 경우(예를 들어, 이상) 광대역 홍채 텍스처 분석이 수행될 수 있다. 일부 실시예에서, 생성된 근거리 스코어가 0.2보다 큰 경우 광대역 홍채 텍스처 분석이 수행될 수 있으며, 따라서 바람직하게는 생체 분석 매칭 정확도를 향상시킨다.
일부 실시예에서, 처리 장치는 프로브 광대역 홍채 텍스처 정보에 대해 홍채 생체 진본성이 발견되는 정도에 대응하는 광대역 스코어(예를 들어, 광대역 홍채 비 유사성 스코어)를 생성하도록 구성될 수 있다. 생성된 광대역 스코어가 광대역 임계 값보다 우수하면(예를 들어, 그 이상), 대상의 긍정적인 생체 진본성이 결정될 수 있다.
본 개시 내용의 실시예들에 따르면, 생체 분석 매칭을 향상시키는 예시적인 방법이 제공된다. 방법은 적어도 하나의 카메라로 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하는 단계를 포함한다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 가질 수 있다. 홍채 생체 데이터는 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보를 포함할 수 있다. 이 방법은 적어도 하나의 프로브 이미지를 처리 장치에서 입력으로 수신하고, 처리 장치를 통해, 홍채 생체 진본성에 대한 적어도 하나의 프로브 이미지의 프로브 근거리 홍채 텍스처 정보를 분석하고, 홍채 생체 진본성을 위한 적어도 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 처리 장치를 통해 분석하는 단계를 포함한다. 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보의 생체 진본성에 기초하여, 방법은 대상의 생체 진본성을 결정하는 단계를 포함하여 바람직하게는 생체 분석 매칭 정확도를 향상시킨다.
일부 실시예에서, 방법은 적어도 하나의 조명 원으로 대상의 홍채를 조명하는 단계를 포함할 수 있다. 일부 실시예에서, 방법은 적어도 하나의 조명 원으로부터의 근적외선 광으로 대상의 홍채를 조명하는 것을 포함할 수 있다. 그러한 실시예에서, 방법은 적어도 하나의 조명 원으로 대상을 조명하는 동안 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하는 단계를 포함할 수 있다.
생체 진본성을 위한 프로브 근거리 홍채 텍스처 정보를 분석하는 것은 프로브 근거리 홍채 텍스처 정보를 등록 근거리 홍채 텍스처 정보와 비교하는 것을 포함할 수 있다. 생체 진본성을 위해 프로브 광대역 홍채 텍스처 정보를 분석하는 것은 프로브 광대역 홍채 텍스처 정보를 등록 광대역 홍채 텍스처 정보와 비교하는 것을 포함할 수 있다. 일부 실시예에서, 방법은 대상의 생체 진본성에서 최종 결정 인자로서 프로브 광대역 홍채 텍스처 정보에 기초한 생체 진본성 결정을 처리 장치를 통해 적용하는 단계를 포함할 수 있다.
일부 실시예에서, 적어도 하나의 프로브 이미지는 대상의 왼쪽 및 오른쪽 홍채와 관련된 홍채 생체 데이터를 포함할 수 있다. 이러한 실시예에서, 방법은 처리 장치를 통해 대상의 왼쪽 및 오른쪽 홍채 모두에 대한 프로브 근거리 및 광대역 홍채 텍스처 정보를 분석하는 것을 포함할 수 있다. 예를 들어, 대상의 왼쪽 홍채의 근거리 홍채 텍스처 정보만을 기반으로 인증에 의존하지 않고, 좌우 홍채 모두에 대한 근거리 및 광대역 홍채 텍스처 정보를 각각의 좌우 홍채 등록 이미지에 대해 분석할 수 있다.
본 개시 내용의 실시예들에 따르면, 생체 분석 매칭을 향상시키기 위한 명령어를 저장하는 예시적인 비-일시적 컴퓨터 판독 가능 매체가 제공된다. 명령어는 처리 장치에 의해 실행 가능하다. 처리 장치에 의한 명령어의 실행은 처리 장치가 적어도 하나의 카메라로 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하게한다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 가질 수 있다. 홍채 생체 데이터는 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보를 포함할 수 있다. 처리 장치에 의한 명령어의 실행은 처리 장치가 처리 장치에서 입력으로서 적어도 하나의 프로브 이미지를 수신하게하고, 처리 장치를 통해 적어도 하나의 프로브 이미지의 프로브 근거리 홍채 텍스처 정보를 분석하도록한다. 홍채 생체 진본성을 처리하고, 홍채 생체 진본성을 위해 적어도 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 처리 장치를 통해 분석한다. 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보의 생체 진본성을 기반으로 처리 장치에 의한 명령 실행은 처리 장치가 대상의 생체 진본성을 결정하게하여 바람직하게는 생체 분석 매칭 정확도를 향상시킨다.
생체 분석 매칭 정확도를 향상시키기 위한 시스템 및/또는 서브시스템(및/또는 방법 및/또는 서브방법)이 제공될 수 있지만, 생체 분석 매칭 효율성 향상을 위한 시스템 및 서브시스템(및/또는 방법 및/또는 서브방법)이 제공될 수 있다.
효율성과 관련하여, 본 발명의 일부 실시예에 따라, 생체 분석 효율성을 향상시키는 예시적인 시스템이 제공된다. 시스템은 적어도 하나의 카메라, 데이터베이스, 및 적어도 하나의 카메라 및 데이터베이스와 통신하는 처리 장치를 포함한다. 적어도 하나의 카메라는 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하도록 구성된다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 가지고 있다. 홍채 생체 데이터에는 프로브 근거리 홍채 텍스처 정보와 프로브 광대역 홍채 텍스처 정보가 포함된다. 데이터베이스는 등록 근거리 홍채 텍스처 정보 및 등록 광대역 홍채 텍스처 정보를 포함하는 등록 홍채 생체 데이터를 전자적으로 저장한다.
처리 장치는 입력으로서 적어도 하나의 프로브 이미지를 수신하고 등록 광대역 홍채 텍스처 정보에 대한 프로브 광대역 홍채 텍스처 정보의 생체 분석에 기초하여 등록 홍채 생체 데이터의 최적화 순서를 생성하도록 구성된다. 최적화 순서에는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 가장 가까운 매칭으로부터 가장 먼 매칭 순으로 정렬된 등록 홍채 생체 인식 데이터 목록이 포함된다. 처리 장치는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 가장 가까운 매칭부터 시작하는 프로브 및 등록 근거리 홍채 텍스처 정보에 기초하여 생체 인식에 대한 홍채 생체 데이터를 분석하도록 구성되어, 바람직하게는 생체 분석 매칭을 효율적으로 향상시킨다.
일부 실시예에서, 시스템은 대상의 홍채를 조명하도록 구성된 적어도 하나의 조명 원을 포함할 수 있다. 처리 장치는 적어도 하나의 조명 원과 통신할 수 있다. 일부 실시예에서, 적어도 하나의 조명 원은 근적외선(NIR) 광으로 대상의 홍채를 조명하도록 구성될 수 있다. 그러한 실시예에서, 적어도 하나의 카메라는 적어도 하나의 조명 원으로 대상을 조명하는 동안 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하도록 구성될 수 있다.
일부 실시예에서, 등록 광대역 홍채 텍스처 정보에 대한 프로브 광대역 홍채 텍스처 정보의 생체 분석은 프로브 및 등록 광대역 홍채 텍스처 정보 각각에 대한 특징 벡터를 생성하는 것을 포함할 수 있다. 본 명세서에서 논의된 바와 같이, 특징 벡터는 분석되는 광대역 홍채 텍스처 특징의 수 및 그러한 광대역 홍채 텍스처 특징의 존재 크기를 나타낼 수 있다. 예를 들어, 특징 벡터(F1, F2, FN)에서 F는 각각의 광대역 홍채 텍스처 특징을 나타내고 N은 광대역 홍채 텍스처 특징의 수를 나타낸다. 예를 들어 (0, 1, 0)과 같이 각 광대역 홍채 텍스처 기능에 대한 숫자 값의 크기는 기능의 유무를 나타낸다. (0, 1, 0) 예에서 광대역 특징 F1 및 F3은 존재하지 않지만 기능 F2는 존재한다. 등록 광대역 홍채 텍스처 정보에 대한 프로브 광대역 홍채 텍스처 정보의 생체 분석은 프로브 광대역 홍채 텍스처 정보의 특징 벡터와 등록 광대역 홍채 텍스처 정보 각각의 특징 벡터 사이의 거리 세트를 생성하는 것을 포함할 수 있다. 일부 실시예에서, 특징 벡터 사이의 거리 세트는 유클리드 거리 결정에 의해 정의될 수 있다. 그러나 특징 벡터는 예를 들어 F1, F2, F3 및 F4 각각이 (위의 예에서 0 내지 1과는 다르게) 0 내지 3의 척도에 있을 수 있는 경우와 같이, 다른 유형의 척도에 있는 네 가지 특징(F1, F2, F3, F4)을 포함할 수 있다.
특징 벡터 사이의 거리 세트는 프로브 및 등록 광대역 홍채 텍스처 정보의 특징 벡터 사이의 유사성을 특성화할 수 있다. 예를 들어, 프로브의 특징 벡터와 등록 광대역 홍채 텍스처 정보 사이의 작은 거리는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 높거나 가까운 매칭에 대응할 수 있다. 유사하게, 프로브의 특징 벡터와 등록 광대역 홍채 텍스처 정보 사이의 큰 거리는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 불일치 또는 원거리(예: 낮음) 매칭에 대응할 수 있다.
일부 실시예에서, 생체 진본성을 위해 홍채 생체 데이터를 분석하는 것은 프로브 근거리 홍채 텍스처 정보를 등록 근거리 홍채 텍스처 정보와 비교하는 것을 포함한다. 일부 실시예에서, 적어도 하나의 프로브 이미지는 대상의 왼쪽 및 오른쪽 홍채와 관련된 홍채 생체 데이터를 포함할 수 있다. 이러한 실시예에서, 처리 장치는 대상의 왼쪽 및 오른쪽 홍채 둘 다에 대한 등록 홍채 생체 데이터의 최적화 순서를 생성하도록 구성될 수 있다. 예를 들어, 왼쪽 홍채 등록 생체 데이터에 대한 제 1 최적화 순서가 생성될 수 있고, 오른쪽 홍채 등록 생체 데이터에 대한 제 2 최적화 순서가 생성되어 왼쪽 및 오른쪽 홍채 프로브 이미지의 독립적(또는 동시) 매칭이 가능한다. 각각의 제 1 및 제 2 최적화 순서에 대해 수행될 수 있다.
본 개시 내용의 실시예들에 따르면, 생체 분석 매칭 효율을 향상시키는 예시적인 방법이 제공된다. 방법은 적어도 하나의 카메라로 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하는 단계를 포함한다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 가지고 있다. 홍채 생체 데이터에는 프로브 근거리 홍채 텍스처 정보와 프로브 광대역 홍채 텍스처 정보가 포함된다. 이 방법은 적어도 하나의 프로브 이미지를 처리 장치에서 입력으로 수신하고, 처리 장치를 통해 프로브 광대역 홍채 텍스처 정보의 생체 분석에 기초하여 데이터베이스에 전자적으로 저장된 최적화 순서의 등록 홍채 생체 데이터를 생성하는 단계를 포함한다. 광대역 홍채 텍스처 정보를 등록함으로써 바람직하게는 생체 분석 매칭을 효율적으로 향상시킨다. 최적화 순서는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 가장 먼 매칭에 가장 가까운 매칭 순으로 정렬된 등록 홍채 생체 데이터의 목록을 포함할 수 있다. 이 방법은 프로브 근거리 홍채 텍스처 정보 및 프로브 및 등록 광대역 텍스처 정보 사이의 가장 가까운 매칭으로 시작하는 등록 근거리 홍채 텍스처 정보에 기초하여 생체 진본성에 대한 홍채 생체 데이터를 처리 장치를 통해 분석하는 단계를 포함한다.
일부 실시예에서, 방법은 적어도 하나의 조명 원으로부터의 근적외선 광으로 대상의 홍채를 조명하는 단계를 포함할 수 있다. 일부 실시예에서, 방법은 프로브 및 등록 광대역 홍채 텍스처 정보 각각에 대한 특징 벡터를 생성하는 단계, 및 프로브 광대역 홍채 텍스처 정보의 특징 벡터와 등록 광대역 홍채 텍스처 정보 각각의 특징 벡터 사이의 거리 세트를 생성하는 단계를 포함할 수 있다. 이러한 실시예에서, 프로브의 특징 벡터와 등록 광대역 홍채 텍스처 정보 사이의 작은 거리는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 근접 매칭에 대응할 수 있고, 프로브 및 등록 광대역 홍채 텍스처 정보의 특징 벡터들 사이의 큰 거리는 프로브 및 등록 광대역 홍채 텍스처 정보 간의 원거리(예를 들어, 낮음) 매칭에 해당할 수 있다.
본 개시의 실시예들에 따르면, 생체 분석 매칭 효율을 향상시키기 위한 명령을 저장하는 예시적인 비-일시적 컴퓨터 판독 가능 매체가 제공된다. 명령은 처리 장치에 의해 실행 가능한다. 처리 장치에 의한 명령의 실행은 처리 장치가 적어도 하나의 카메라로 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하게한다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 포함한다. 홍채 생체 데이터에는 프로브 근거리 홍채 텍스처 정보와 프로브 광대역 홍채 텍스처 정보가 포함된다.
처리 장치에 의한 명령의 실행은 처리 장치가 처리 장치에서 입력으로서 적어도 하나의 프로브 이미지를 수신하게하고, 등록 광대역 홍채 텍스처 정보에 대한 프로브 광대역 홍채 텍스처 정보의 생체 분석을 기반으로하는 데이터베이스에 전자적으로 저장된 홍채 생체 데이터의 최적화 순서를 처리 장치를 통해 생성하고, 따라서 바람직하게는 생체 분석 매칭을 효율적으로 향상시킨다. 최적화 순서는 프로브 및 등록 광대역 홍채 텍스처 정보 간의 가장 가까운 매칭부터 가장 먼 매칭 순으로 정렬된 등록 홍채 생체 데이터 목록을 포함한다. 처리 장치에서 명령을 실행하면 처리 장치가 처리 장치를 통해, 프로브 및 등록 광대역 텍스처 정보 사이의 가장 가까운 매칭으로 시작하도록, 프로브 근거리 홍채 텍스처 정보 및 등록 근거리 홍채 텍스처 정보를 기반으로, 한 생체 진본성을 위한 홍채 생체 데이터를 분석한다.
본 개시의 실시예들에 따르면, 컴퓨터 메모리를 위한 예시적인 향상된 데이터 저장 효율 시스템이 제공된다. 시스템은 대상의 홍채에 대한 적어도 하나의 프로브 이미지를 캡처하기 위한 수단을 포함한다. 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 가지고 있다. 홍채 생체 데이터에는 프로브 근거리 홍채 텍스처 정보와 프로브 광대역 홍채 텍스처 정보가 포함된다. 시스템은 등록 광대역 홍채 텍스처 정보에 대한 프로브 광대역 홍채 텍스처 정보의 생체 분석에 기초하여 데이터베이스에 전자적으로 저장된 등록 홍채 생체 데이터의 최적화 순서를 생성하기 위한 수단을 포함한다. 최적화 순서에는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 가장 가까운 매칭으로부터 가장 먼 매칭 순으로 정렬된 등록 홍채 생체 인식 데이터 목록이 포함된다. 이 방법은 프로브 근거리 홍채 텍스처 정보 및 등록 근거리 홍채 텍스처 정보에 기초하여 프로브 및 등록 광대역 텍스처 정보 사이의 가장 가까운 매칭으로 시작하여 생체 진본성에 대한 홍채 생체 데이터를 분석하는 수단을 포함한다.
생체 분석 매칭 정확도를 향상시키기 위한 시스템 및/또는 서브시스템(및/또는 방법 및/또는 서브방법)이 제공될 수 있는 반면, 생체 분석 매칭 효율성을 향상시키기 위한 시스템 및 서브시스템(및/또는 방법 및/또는 서브방법)이 제공될 수 있어서, 생체 분석 매칭 정확도 및 효율성을 향상시키기 위한 시스템 및/또는 서브 시스템(및/또는 방법 및/또는 서브방법)이 제공될 수 있음이 또한 고려된다.다른 목적 및 특징은 첨부 도면과 함께 고려되는 다음의 상세한 설명으로부터 명백해질 것이다. 그러나, 도면은 본 발명의 한계를 정의하는 것이 아니라 단지 예시로서 설계된다는 것을 이해해야한다.
당업자가 개시된 시스템 및 생체 분석 매칭 방법을 만들고 사용하는 것을 돕기 위해, 첨부된 도면을 참조한다:
도 1은 본 발명에 따른 생체 분석 매칭 정확도를 향상시키는 예시적인 시스템의 블록도이다.
도 2a-h는 오른쪽과 왼쪽 홍채 사이의 광대역 또는 개략적 특징에서 유사성을 보여주는 4명의 대상의 오른쪽 및 왼쪽 홍채 쌍이다.
도 3a-r은 오른쪽과 왼쪽 홍채 사이의 광대역 또는 개략적 특징에서 유사성을 보여주는 18 명의 대상의 무작위 혼합된 오른쪽 및 왼쪽 홍채 쌍이다.
도 4는 크립트(crypts)라고하는 홍채 표면의 길쭉한 구멍을 보여주는 빨간색, 녹색 및 파란색(RGB) 홍채 이미지이다.
도 5는 명백한 크립트가 없은 RGB 홍채 이미지이다.
도 6은 동공 근처의 표면에 길쭉한 구멍(크립트)을 보여주는 NIR 조명 홍채의 이미지이다.
도 7은 크립트의 증거가 없는 NIR 조명 홍채의 이미지이다.
도 8a는 홍채 텍스처가 샘플링된 360 개의 방사형 스포크 중 12 개를 보여주는 원래 홍채의 이미지이고, 도 8b는 점선 눈꺼풀 마스킹 라인을 보여주는 홍채의 이미지이며, 도 8c는 마스킹된 영역을 보여주는 101 x 361 픽셀 극성 표현이다.
도 9a-h는 크립트의 존재(도 9a-d) 및 크립트의 부재(도 9e-h)를 보여주는 극 홍채 표현으로부터 추출된 홍채 텍스처의 90 x 90 픽셀 "청크"의 이미지이다.
도 10a-f는 특히 동공 경계 근처의 크립트를 보여주는 극 표현에서 무작위로 선택된 CASIA-램프 홍채이다.
도 11a-c는 홍채 중심을 중심으로 거의 일정한 반경에서 흰색 점선으로 표시된 Wolfflin 결절을 보여주는 NIR 조명 홍채 이미지이다.
도 12a-b는 크립트있는 또는 크립트없는 출력 뉴런을 강하게 활성화시키는 네트워크에 대한 입력을 나타내는 크립트있는(도 12a) 및 크립트없는(도 12b) 홍채에 대한 AlexNet의 딥 드림의 표현이다.
도 13은 본 개시에 따라 생체 분석 매칭 정확도를 향상시키는 시스템을 구현하는 예시적인 프로세스를 예시하는 흐름도이다.
도 14는 본 개시에 따른 생체 분석 매칭 효율을 향상시키는 예시적인 시스템의 블록도이다.
도 15는 프로브 홍채의 광대역 특징과 가장 근접하게 매칭하는 홍채에 최우선 순위를 제공하도록 재정렬된 N- 멤버 등록 데이터베이스의 도식적 표현이다.
도 16은 프로브 홍채의 광대역 특징과 가장 근접하게 매칭하는 홍채에 최우선 순위를 제공하기 위해 재정렬된 N- 멤버 등록 데이터베이스의 도식적 표현이다.
도 17은 본 개시에 따른 예시적인 생체 분석 시스템을 구현하기 위한 예시적인 컴퓨팅 장치의 블록도이다.
도 18은 본 개시에 따른 예시적인 생체 분석 시스템 환경의 블록도이다.
도 1은 본 발명에 따른 생체 분석 매칭 정확도를 향상시키는 예시적인 시스템의 블록도이다.
도 2a-h는 오른쪽과 왼쪽 홍채 사이의 광대역 또는 개략적 특징에서 유사성을 보여주는 4명의 대상의 오른쪽 및 왼쪽 홍채 쌍이다.
도 3a-r은 오른쪽과 왼쪽 홍채 사이의 광대역 또는 개략적 특징에서 유사성을 보여주는 18 명의 대상의 무작위 혼합된 오른쪽 및 왼쪽 홍채 쌍이다.
도 4는 크립트(crypts)라고하는 홍채 표면의 길쭉한 구멍을 보여주는 빨간색, 녹색 및 파란색(RGB) 홍채 이미지이다.
도 5는 명백한 크립트가 없은 RGB 홍채 이미지이다.
도 6은 동공 근처의 표면에 길쭉한 구멍(크립트)을 보여주는 NIR 조명 홍채의 이미지이다.
도 7은 크립트의 증거가 없는 NIR 조명 홍채의 이미지이다.
도 8a는 홍채 텍스처가 샘플링된 360 개의 방사형 스포크 중 12 개를 보여주는 원래 홍채의 이미지이고, 도 8b는 점선 눈꺼풀 마스킹 라인을 보여주는 홍채의 이미지이며, 도 8c는 마스킹된 영역을 보여주는 101 x 361 픽셀 극성 표현이다.
도 9a-h는 크립트의 존재(도 9a-d) 및 크립트의 부재(도 9e-h)를 보여주는 극 홍채 표현으로부터 추출된 홍채 텍스처의 90 x 90 픽셀 "청크"의 이미지이다.
도 10a-f는 특히 동공 경계 근처의 크립트를 보여주는 극 표현에서 무작위로 선택된 CASIA-램프 홍채이다.
도 11a-c는 홍채 중심을 중심으로 거의 일정한 반경에서 흰색 점선으로 표시된 Wolfflin 결절을 보여주는 NIR 조명 홍채 이미지이다.
도 12a-b는 크립트있는 또는 크립트없는 출력 뉴런을 강하게 활성화시키는 네트워크에 대한 입력을 나타내는 크립트있는(도 12a) 및 크립트없는(도 12b) 홍채에 대한 AlexNet의 딥 드림의 표현이다.
도 13은 본 개시에 따라 생체 분석 매칭 정확도를 향상시키는 시스템을 구현하는 예시적인 프로세스를 예시하는 흐름도이다.
도 14는 본 개시에 따른 생체 분석 매칭 효율을 향상시키는 예시적인 시스템의 블록도이다.
도 15는 프로브 홍채의 광대역 특징과 가장 근접하게 매칭하는 홍채에 최우선 순위를 제공하도록 재정렬된 N- 멤버 등록 데이터베이스의 도식적 표현이다.
도 16은 프로브 홍채의 광대역 특징과 가장 근접하게 매칭하는 홍채에 최우선 순위를 제공하기 위해 재정렬된 N- 멤버 등록 데이터베이스의 도식적 표현이다.
도 17은 본 개시에 따른 예시적인 생체 분석 시스템을 구현하기 위한 예시적인 컴퓨팅 장치의 블록도이다.
도 18은 본 개시에 따른 예시적인 생체 분석 시스템 환경의 블록도이다.
본 발명의 실시예에 따르면, 근거리 및 광대역 홍채 텍스처(예를 들어, 이중 양식)의 조합을 사용하여 제시된 홍채와 등록된 홍채 간의 매칭이 발견되는지 여부를 결정함에 있어 신뢰도를 높이는 생체 분석 매칭을 향상시키는 예시적인 시스템이 제공된다. 매칭 결정의 신뢰도를 높이면 시스템이 추가 프로브 이미지 캡처없이 대상을 효율적으로 인증할 수 있다. 예를 들어, 매칭을 보장하기 위해 추가 프로브 이미지를 캡처하는 대신 근거리 홍채 특징을 기반으로 신뢰도가 낮은 매칭이 발견되면 시스템은 동일한 이미지에서 캡처한 광대역 홍채 특징을 사용하여 긍정적인 매칭을 확인할 수 있다. 본 명세서에서 사용되는 바와 같이, 저-신뢰도 매치는 고-신뢰도 매치와 고-신뢰도 불일치 사이의 범위 어딘가에 있는 매치, 또는 임계값보다 우수한(가령, 높은) 매칭 스코어를 가진 매치를 위한 "그레이 구역"을 의미할 수 있다.
예시적인 시스템은 딥 러닝 네트워크(예를 들어, 신경망, 컴퓨터 비전 알고리즘 등)에 의해 식별된 홍채 특성이, 통상적으로 사용되는 근거리 스케일 텍스처와 관련하여 제 2 양식으로 사용되도록, 홍채 인식을 목적으로 홍채 텍스처를 분석한다. 일부 실시예에서, 예시적인 시스템은 근거리 홍채 텍스처에 기초한 분석이 저-신뢰도 수준에 있는 경우, 근거리 홍채 텍스처에 기초한 생체 분석을 강화하기 위해 제 2 양식으로서 광대역 홍채 텍스처를 사용한다. 일부 실시예에서, 근거리 홍채 텍스처의 생체 분석은 광대역 홍채 텍스처의 생체 분석 이전에 수행될 수 있다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처의 생체 분석은 실질적으로 동시에 수행될 수 있다.
일반적으로 홍채 인식을 위한 홍채 텍스처 분석은 Daugman의 중요한 작업을 따르며, 이는 적절하게 선택된 길이 스케일의 Gabor 웨이블릿이 사실상 다른 모든 홍채 중에서 고유한 홍채의 텍스처를 인코딩할 수 있음을 보여준다. 예를 들어 ., J. Daugman, "High Confidence Visual Recognition of Persons by A Test of Statistical Independence", IEEE Trans. Pattern Anal. Machine Intelligence, vol. 15, No. 11, pp. 1148-1161 (1993)을 참조할 수 있다. Daugman의 Gabor 웨이블릿 기반 시스템의 길이 스케일은 짧기 때문에, 조명 및 기타 긴 길이 스케일 현상으로 인한 음영과 관련된 문제를 방지할 수 있다. 그러나 신뢰도가 낮은 매칭의 경우(예: 시스템에 도입된 프로브 홍채와 시스템 데이터베이스에 등록된 홍채 사이의 매칭이 최악의 허용 매칭 임계 값에 가까운 스코어와 매칭하는 경우) 문제가 발생할 수 있다. 이러한 경우 생체 인식 분석 시스템은 이러한 저-신뢰도 매칭을 참 양성으로 받아 들일지, 틀린 경우 거짓 양성 매칭을 유발할지, 아니면 거짓 음성으로 매칭을 거부하고, 틀린 경우 거짓 음성 매칭을 유발할지 결정한다.
예시적인 시스템은 저-신뢰도 매칭 케이스에 일치가 존재하는지에 대한 질문을 감당할 수 있는 제 2 양식의 형태로 새로운 증거를 도입한다. 예시적인 시스템은 시스템에 의한 매치 결정을 강화하기 위해 신뢰도가 낮은 매칭 케이스에서 제 2 양식을 사용할 수 있다는 것을 이해해야한다. 예시적인 시스템의 제 2 양식은 기계 학습, 기계 비전 및/또는 다른 신호 처리 또는 컴퓨터 비전 기술을 사용하여 결정되는 개략적 또는 광대역 홍채 텍스처의 형태일 수 있다. 신뢰도가 낮은 매칭의 경우 광대역 홍채 텍스처 매칭 결정을 사용하여 시스템의 매칭 결정을 평가할 수 있다. 근거리 및 광대역 홍채 텍스처 분석의 융합은 생체 진본성 프로세스의 전반적인 정확성을 향상시킨다.
예를 들어, 광대역 홍채 텍스처가 문제의 프로브 및 등록된 홍채 쌍에서 다른 것으로 결정되면 광대역 홍채 텍스처는 "매칭하지 않음"의 결정에 가중치를 추가할 수 있다. 추가 예로서, 광대역 홍채 텍스처는 프로브 및 등록된 홍채의 광대역 텍스처가 충분히 유사하다고 결정되면 "매칭"의 결정에 가중치를 추가할 수 있다. 개략적 또는 광대역 홍채 텍스처에서 수집한 추가 분석 및 결정은 기존의 홍채 생체 인식 매칭 시스템에서 사용하는 정보와 관련이 없으며, 따라서 의사 결정 프로세스에 정보를 추가하여 매칭 오류를 줄이는 이점을 제공한다. 특히, 위양성 및 위음성에 도움이 될 수 있는 근거리 홍채 텍스처에만 의존하는 대신 광대역 홍채 텍스처는 생체 분석 시스템에 의해 수행되는 매칭 결정을 강화하는 보조 수단을 제공한다. 따라서 광대역 홍채 텍스처는 생체 인식 매칭 평가에 정보를 추가하여 추가 생체 인식 양식으로 작동한다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처 모두 동일한 입력 정보를 사용하여 시스템에 의해 캡처될 수 있으며, 이는 예시적인 시스템이 효율적이고 효과적으로 작동할 수 있게한다. 각각의 매칭 또는 불일치 결과에 기초한 분석 동안 근거리 및 광대역 특징에 부여되는 가중치는 입력 이미지에 맞게 조정된 융합 알고리즘에 따라 달라질 수 있음을 이해해야한다. 예를 들어, 아래의 표 1은 예시적인 시스템에 의해 수행될 수 있는 다양한 알고리즘 결정을 제공한다.
| 근거리 | 광대역 | 결과 | |
| 예1 | 저-신뢰도 일치 | 불일치 | 불일치 |
| 예2 | 저-신뢰도 일치 | 고-신뢰도 일치 | 일치 |
| 예3 | 고-신뢰도 일치 | 저-신뢰도 일치 | 일치 |
| 예4 | 고-신뢰도 일치 | 고-신뢰도 일치 | 일치 |
도 1을 참조하면, 생체 분석 매칭을 향상시키는 예시적인 시스템(100)(이하 "시스템(100)")의 블록도가 제공된다. 아래에서 더 자세히 논의되는 바와 같이, 시스템(100)은 프로브 이미지와 등록 이미지 사이에 생체 인식 매칭이 존재하는지 여부를 결정하는 데 사용되는 근거리 및 광대역 홍채 조직 정보를 모두 갖는 적어도 하나의 프로브 이미지를 수집하도록 구성된다. 인증 매치 결정을 위해 근거리 홍채 텍스처 정보에만 의존하는 대신, 시스템(100)은 신뢰도가 높은 케이스에서 인증 매치 결정을 강화하거나 역할을 하는 보충 인증 매치 결정으로서 광대역 홍채 텍스처 정보에 의존 신뢰도가 낮은 경우의 최종 결정 요소이다. 인증 결정에서 보충 요소로서 광대역 홍채 조직 정보를 구현함으로써, 시스템(100)은 참 양성 및 참 음성 판정에 대한 더 고-신뢰도 및 위양성 및 위음성 판정의 감소를 보장한다. 일부 실시예에서, 근거리 홍채 조직 정보와 조합하여 사용하기보다는 광대역 홍채 조직 정보를 다른 생체 인식 양식, 예를 들어 얼굴 구조 인식, 지문 스캔, 보행 분석, 적외선 손바닥 스캔, 음성 검출, 이들의 조합, 등과 조합하여 사용할 수 있다.
시스템(100)은 적어도 하나의 조명 원(102) 및 적어도 하나의 카메라(104)를 포함한다. 조명 원(102)은 근적외선 일 수 있다. 조명 원(102)은 대상의 홍채 중 하나 또는 둘 모두를 조명하도록 구성된다. 일부 실시예에서, 조명 원(102)는 홍채를 둘러싸는 적어도 하나의 얼굴 특징을 조명하도록 구성될 수 있다. 일부 실시예에서, 단일 조명 원(102)가 홍채를 조명하기 위해 사용될 수 있다. 일부 실시예에서, 다수의 독립적으로 제어되는 조명 원(102)는 대상의 하나 또는 두 홍채를 선택적으로 조명하기 위해 사용될 수 있다. 이러한 조명은 동시에, 동기적으로, 펄스 방식으로, 등으로 발생할 수 있다.
카메라(104)는 대상의 하나 또는 두 홍채의 적어도 하나의 이미지를 캡처하도록 구성된다. 카메라(104)에 의해 캡처된 이미지는 등록 데이터(108)로서 적어도 하나의 데이터베이스(106)에 전자적으로 전송되고 저장되는 등록 이미지의 형태일 수 있다. 등록 데이터(108)는 대상을 시스템(100)에 등록하는 동안 수집될 수 있다. 이미지 등록 데이터(108)의 정보는 인증 프로세스 동안 사용될 근거리 홍채 텍스처(110)(예를 들어, 미세 홍채 텍스처) 및 광대역 홍채 텍스처(112)(예를 들어, 개략적 홍채 텍스처) 모두에 대응하는 정보 또는 데이터를 포함한다. 등록 데이터(108)는 적어도 하나의 카메라(104)에 의해 일정 기간에 걸쳐 수집될 수 있어서, 시스템(100)의 인증 프로세스는 상이한 조명 또는 환경 조건 동안 캡처된 이미지뿐만 아니라 시간이 지남에 따라 대상과 관련된 생체 변화를 고려하게 된다.
카메라(104)에 의해 캡처된 이미지는 데이터베이스(106)에 전자적으로 전송되고 저장되는 프로브 이미지(114)의 형태 일 수 있다. 프로브 이미지(114)는 근거리 홍채 텍스처(116) 및 광대역 홍채 텍스처(118)에 모두 대응하는 정보 또는 데이터를 포함한다. 인증 프로세스 동안, 적어도 하나의 프로브 이미지(114)의 캡처는 대상의 홍채와 관련된 홍채 생체 데이터(근거리 및 광대역 모두)의 캡처를 초래한다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(116, 118)의 캡처는 시스템(100)의 추가 동작이 필요하지 않도록 동일한 단계 또는 이미지에서 달성될 수 있다. 예를 들어, 근거리 홍채 특징을 포함하는 프로브 이미지(114)를 캡처할 때 발견된 데이터는 광대역 홍채 특징 벡터를 구성하는 데 필요한 데이터를 추출하는 데에도 사용될 수 있다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(116, 118)의 캡처는 2 개 이상의 연속 단계로 달성될 수 있다.
시스템(100)은 시스템(100)의 구성 요소들 간의 통신 네트워크를 제공하도록 구성된 통신 인터페이스(120)를 포함할 수 있으며, 이에 의해 시스템(100)의 구성 요소들에 의해 데이터가 전자적으로 전송 및/또는 수신될 수 있다. 시스템(100)은 카메라(104)에 의해 캡처된 데이터를 수신하고 처리하기 위한 프로세서(124)가 있는 적어도 하나의 처리 장치(122)를 포함할 수 있다. 일부 실시예에서, 처리 장치(122)는 카메라(104)에 의해 캡처된 데이터를 수신할 수 있고 이러한 캡처된 데이터를 분석 및 처리를 위해 중앙 컴퓨팅 시스템(126)에 전자적으로 전송할 수 있다. 처리 장치(122)는 카메라(104) 및 조명 원(102)의 동작을 제어하도록 프로그래밍되고 통신할 수 있다. 처리 장치(122)는 입력으로서 카메라 이미지(예를 들어, 프로브 이미지(114))를 수신하고, 카메라 이미지를 분석하고, 긍정 또는 부정 일치가 발생하는지 여부에 관한 결정에 기여한다.
처리 장치(122)는 입력으로서 근거리 홍채 텍스처(116) 및 광대역 홍채 텍스처(118) 모두를 포함하는 프로브 이미지(114)를 수신할 수 있다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(116, 118)는 단일 이미지(114)로 입력될 수 있다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(116, 118)는 별개의 개별 이미지(114)로서 입력될 수 있다. 처리 장치(122)는 등록 데이터(108)의 근거리 홍채 텍스처(110)에 대한 프로브 이미지(114)의 근거리 홍채 텍스처(116)를 분석하여, 근거리에 대한 홍채 생체 진본성을 결정할 수 있다.
처리 장치(122)는 등록 데이터(108)의 광대역 홍채 텍스처(112)에 대한 프로브 이미지(114)의 광대역 홍채 텍스처(118)를 추가로 분석하여 광대역에 대한 홍채 생체 진본성을 결정할 수 있다. 근거리 및 광대역 홍채 텍스처(116, 118)의 생체 진본성에 기초하여, 처리 장치(122)는 대상의 생체 진본성을 결정할 수 있다. 예를 들어, 처리 장치(122)는 생체 인식 매칭이 발견되었는지 여부를 결정하기 위해 등록 데이터(108)의 근거리 및 광대역 홍채 텍스처(110, 112)에 대해 프로브 이미지(114)의 근거리 및 광대역 홍채 텍스처(116, 118)를 분석할 수 있다. 광대역 홍채 텍스처(112, 118) 분석은 근거리 홍채 텍스처(110, 116) 분석의 결과를 강화하기 위한 2 차 양식으로 작용한다. 예를 들어, 근거리 홍채 텍스처(110, 116) 분석 결과 신뢰도가 낮은 포지티브 매치가 발생하면 광대역 홍채 텍스처(112, 118) 분석의 포지티브 매치가 근거리 포지티브 매치를 강화할 수 있다. 추가 예로서, 근거리 홍채 텍스처(110, 116) 분석 결과 긴-신뢰도 포지티브 매치가 발생하면, 광대역 홍채 텍스처(112, 118) 분석의 네거티브 매치는 전체 네거티브 매치를 출력할 수 있다. 일부 실시예에서, 광대역 홍채 텍스처(118)에 기초한 인증 분석은 근거리 홍채 텍스처(116)에 기초한 인증 분석이 올바른 결정을 초래했는지 여부를 확인하는 최종 결정 요소로서 사용될 수 있다. 일부 실시예에서, 인증 매칭은 프로브 이미지(114)와 N- 멤버 등록 데이터베이스(예를 들어, 등록 데이터(108)) 사이에서 수행될 수 있다. 일부 실시예에서, 등록 데이터(108) 내의 등록된 단일 홍채와 프로브 이미지(114) 사이에 인증 매칭이 수행될 수 있다.
시스템(100)은 사용자 인터페이스(130)를 포함한다. 일부 실시예에서, 사용자 인터페이스(130)는 그래픽 사용자 인터페이스(GUI)(132) 형태의 디스플레이를 포함할 수 있다. 일부 실시예에서, 인터페이스(130)는 숫자(또는 영숫자 디스플레이), 조명 원(102), 카메라(104), 이들의 조합 등을 포함한다. 예를 들어, 시스템(100)을 적절하게 사용하기 위한 명령은 GUI(132)를 통해 사용자에게 제공될 수 있다. GUI(132)는 인증 프로세스의 결과와 같은 정보를 주체에게 전달하기 위한 적어도 하나의 디스플레이 또는 표시기를 포함할 수 있다.
본 명세서에서는 단일 홍채에 기초한 인증으로서 논의되었지만, 일부 실시예에서 시스템(100)은 대상의 두 홍채에 대해 인증 분석을 수행할 수 있다는 것을 이해해야한다. 예를 들어, 단일 홍채(예를 들어, 왼쪽 홍채)의 생체 인식 매칭을 기반으로 대상을 인증하는 대신, 대상의 왼쪽 및 오른쪽 홍채 모두 해당하는 왼쪽 및 오른쪽 홍채 등록 데이터에 대해 분석될 수 있다. 인증 결과와 관련된 데이터는 인증 데이터(128)로서 데이터베이스(106)에 전자적으로 저장될 수 있다. 일부 실시예에서, 인증 데이터(128)는 예를 들어, 기계 학습, 머신 비전 등을 통해 시스템(100)의 동작을 개선하기 위해 사용될 수 있다. 예를 들어, 인증 프로세스의 반복 후에, 인증 데이터(128)는 거짓 양성 및 거짓 음성에 대해 분석되어 거짓 양성 및 거짓 음성의 가능성을 줄이기 위해 시스템의 어떤 특징(있는 경우)이 변경될 수 있는지 결정할 수 있다.
예를 들어, 시스템(100)은 초기에 프로브 이미지(114)의 근거리 홍채 텍스처(116, 110) 및 등록 데이터(108)에 기초하여 인증 분석을 수행하여, 생체 진본성 매칭이 근거리 홍채 특징에 기초하여 발견되는지를 결정할 수 있다. 경우에 따라 근거리 홍채 텍스처 인증 자체가 어렵고 오류가 발생하기 쉽다. 시스템(100)은 근거리 홍채 특징에 기초하여 생체 매칭이 발견된 정도에 대응하는 스코어를 생성할 수 있다. 근거리 인증 프로세스의 결과가 저-신뢰도 매칭, 예를 들어 최악의 허용 가능한 매칭 임계 값에 가까운 스코어를 갖는 매칭을 생성하는 경우, 시스템(100)은 다음의 광대역 홍채 텍스처(118, 112)를 기반으로 인증 분석을 수행할 수 있다. 프로브 이미지(114) 및 등록 데이터(108)는 광대역 홍채 특징에 기초하여 생체 진본성 매치가 발견되는지를 결정한다. 일부 실시예에서, 근거리 및 광대역 인증 분석은 실질적으로 동시에 수행될 수 있다.
광대역 인증 과정의 결과가 고-신뢰도의 긍정 매칭을 생성하고 근거리 인증 과정에서 저-신뢰도의 긍정 매칭을 생성했다면, 광대역 인증 결과를 이용하여 긍정 생체 매칭이 발생했는지 확인할 수 있다. 광대역 인증 프로세스의 결과와 근거리 인증 프로세스의 결과가 모두 저-신뢰도의 긍정적인 매칭을 생성하는 경우 광대역 인증 결과를 사용하여 부정적인 생체 인식 매칭이 발생했는지 확인할 수 있다.
유사하게, 광대역 인증 과정의 결과가 신뢰도가 높은 네거티브 매칭을 생성하고 근거리 인증 과정이 저-신뢰도 네거티브 매칭을 생성했다면, 광대역 인증 결과를 이용하여 네거티브 생체 매칭이 발생했음을 확인할 수 있다. 광대역 인증 과정의 결과와 근거리 인증 과정의 결과가 모두 저-신뢰도의 부정 매칭을 생성하는 경우 광대역 인증 결과를 사용하여 부정적인 생체 인식 매칭이 발생했는지 확인할 수 있다. 부정적인 생체 매칭 확인의 경우, 시스템(100)은 대상으로부터 추가 프로브 이미지(114)를 요청할 수 있다.
프로브 이미지(114)의 홍채 텍스처의 광대역 특징은 근거리 분석에서만 발견되는 특징과 비교하여 홍채의 일반적인 특징에 초점을 맞출 수 있으며, 신호 처리, 컴퓨터 비전 방법, 딥 러닝, 머신 러닝, 머신 비전 등을 포함하는, 그러나 이에 국한되지 않는, 여러 방식을 사용하여 결정될 수 있다. 기계 학습의 경우, 시스템(100)은 광대역 홍채 특징을 캡처하고 생성하기 위해 다양한 홍채에 대해 훈련할 수 있으며, 네트워크에 의해 학습된 이러한 광대역 홍채 특징은 홍채를 특징 화하는 데 사용될 수 있다. 신호 처리 또는 컴퓨터 비전의 경우, 시스템(100)은 광대역 특징을 갖는 홍채 영역(예를 들어, 칼라 렛)과 광대역 특징 너머의 영역 사이의 방사상 전이를 검출하고 선택하기 위해 필터가 있는 컴퓨터 비전 방법을 위한 알고리즘을 사용할 수 있다.
일부 실시예에서, 광대역 특징 분석은 프로브 이미지(114)의 특징이 존재하는 정도와, 특징이 발견되는 거칠게 정의된 영역, 예를 들어, 2 개의 환형 링 중 하나에서 홍채의 내측 절반 또는 외측 절반을 결정할 수 있다. 예를 들어, 시스템(100)은 동공에 가장 가까운 홍채의 안쪽 절반에서 수평 또는 수직 줄무늬의 존재를 결정할 수 있다. 프로브 홍채의 텍스처에서 발견되는 광대역 홍채 특징의 수는(처리 장치(122)에 의해) 특징 벡터로 결합될 수 있다. 일부 실시예에서, 특징 벡터는 특징 및 측정된 강도의 목록을 포함할 수 있다. 특징 벡터는 홍채의 하나 이상의 광대역 특징을 나타낼 수 있으며, 특징 벡터의 각 구성 요소는 각각의 광대역 특징과 연관되고 구성 요소 값의 크기는 광대역 특징의 강도 또는 세기를 나타낸다.
광대역 홍채 텍스처에 대한 인증 분석 동안, 프로브 이미지(114)의 프로브 홍채의 측정된 특징 벡터는 분석될 수 있고, 매칭하는 것으로 의심되는 등록 데이터(108)의 등록된 홍채의 특징 벡터와 비교할 수 있다. 프로브 홍채이지만 저-신뢰도 매칭을 나타내는 매칭 스코어가 있다. 특히, 시스템(100)은 초기에 프로브 이미지(114)와 등록 데이터(108)의 근거리 홍채 특징을 분석하고 비교할 수 있다. 이러한 근거리 홍채 특징 분석은 프로브 홍채에 가장 가까운 매칭을 갖는 등록 이미지를 결정할 수 있고, 광대역 특징 벡터를 동일한 등록 이미지와 비교하여 근거리 특징 결정을 보완할 수 있다.
예를 들어, N은 crypts, sunbursts, flames 등과 같은 홍채(F1, F2, FN)에서 발견되는 개략적 또는 광대역 특징의 수를 나타낼 수 있다. 특징 벡터는 문제의 홍채 텍스처에 존재하는 것으로 확인된 N 개의 특징 각각의 양 또는 비율을 나열하는 N 개의 특징을 포함할 수 있다. 일부 실시예에서, 각각의 광대역 특징의 양 또는 비율은 0과 1 사이의 수치로 표현될 수 있으며, 0은 광대역 특징의 완전한 부재를 나타내고 1은 광대역 특징의 검출 또는 존재의 최고 수준을 나타낸다. 일부 실시예에서, 각각의 광대역 홍채 특징의 존재 크기를 나타 내기 위해 상이한 수치 범위가 사용될 수 있다. 예를 들어, 분석중인 3 개의 광대역 특징에 대해 N = 3이면 제 1 홍채의 특징 벡터는(0, 1, 0)으로 나타낼 수 있다. 이러한 특징 벡터는 특징 F2는 존재하지만 특징 F1 및 F3은 부재 함을 나타낼 수 있다. 특징 벡터가(0.1, 0.8, 0.1) 인 제 2 홍채는 더 작은 F1 및 F3 값과 F2 값의 밀접한 관계로 인해 (0, 1, 0)의 제 1 홍채 벡터와 매칭하는 것으로 간주될 수 있다. 특히, 프로브 및 등록 홍채의 텍스처의 유사성을 기반으로 매칭을 찾을 수 있다.
그러나, (0.4, 0, 0.6)의 특징 벡터를 갖는 제 3 홍채는 F1과 F3 기능 및 존재하지 않는 F2 특징의 값의 차이로 인해 (0, 1, 0)의 제 1 홍채 벡터와 매칭하지 않는 것으로 간주될 수 있다. 일부 실시예에서, 매칭 또는 불일치의 결정은 특징의 크기가 미리 결정된 임계 범위 내에 있는지(예를 들어, ± 0.2 이내)에 기초할 수 있다. 일부 실시 양태에서, 광대역 특성이 매칭을 나타내는 정도를 결정하기 위한 2 개의 특성 벡터의 비교는 적어도 하나의 특성의 이진 비교, 유클리드 거리, 비-유클리드 거리, 내적 분석, 가중 내적 분석, 가중 거리 측정, 임계 값에 대한 두 특징 벡터의 수학적 비교 등을 포함 하나 이에 제한되지 않는 다양한 방법을 사용할 수 있다.
일부 실시예에서, 본 명세서에서 논의된 광대역 홍채 특징은 특정 광대역 특징으로서 홍채에서 크립트 존재의 측정을 포함할 수 있다. 일부 실시예에서, 크립트의 존재의 측정은 크립트의 정확한 위치, 크기 또는 상대적인 방향을 고려하지 않고 수행될 수 있다. 예를 들어, 광대역 특징의 특정 사분면 또는 방사형 위치에 대한 프로브 및 등록 이미지를 분석하는 대신 시스템은 이미지를 분석하여 광대역 특징이 홍채의 임의 위치에서 감지되는지 확인할 수 있다. 광대역 특징의 정확한 위치, 크기 또는 상대적 방향을 고려하지 않고 이미지를 분석함으로써 시스템은 캡처된 홍채의 방향이 등록 이미지의 방향과 다르더라도 잠재적인 매칭을 감지할 수 있다. 제 2 홍채의 측정 값이 특징 벡터의 위치 F1에서 크립트가 없거나 낮은 수준의 크립트를 나타내면, 이러한 결정은 근거리 홍채 특징에 기반한 저-신뢰도 인증 결과보다 더 중요한 불일치를 나타낼 수 있다. 일부 실시예에서, 시스템(100)은 크립트의 정확한 위치, 크기 및/또는 상대적 배향을 고려할 수 있다. 예를 들어, 시스템(100)은 등록 이미지에서 동공에 가장 가까운 홍채의 안쪽 부분에만 크립트가 존재하는 반면, 제 2 홍채(예를 들어, 프로브 이미지(114))에서는 유사한 크립트가 공막 근처의 홍채의 다른 부분에만 위치할 수 있다. 이러한 결정에 기초하여, 시스템(100)은 2 개의 홍채가 매칭하지 않음을 나타낼 수 있다.
일부 실시예에서, 광대역 홍채 텍스처 특징 분석의 초점은 광대역 홍채 특징의 정확한 위치 및/또는 모양에 단순히 초점을 맞추기보다는 특징의 존재(또는 특징의 특성 및/또는 품질)를 검출하는 데 있을 수 있다. 그러나, 그러한 분석의 일부 실시예는 특징 벡터의 특성에 따라 위치 및/또는 모양에 초점을 맞출 수 있다. 광대역 홍채 특징은 동공을 둘러싸는 특징의 고리(예: 크립트) 또는 홍채(예: 결절)를 느슨하게 둘러싸는 특징을 형성할 수 있다. 예를 들어, 홍채의 프로브 이미지가 크립트 링을 포함하는 경우, 시스템(100)은 등록 이미지에서 크립트 링의 존재를 결정하기 위해 등록 이미지를 분석하도록 구성될 수 있다. 시스템(100)이 등록 이미지에 크립트 링이 존재한다고 결정하면, 프로브 이미지의 크립트와 직경 및/또는 구성이 동일하거나 다른지 여부에 관계없이, 시스템(100)은 적어도 신뢰도가 낮은 매치를 출력할 수 있다.
예시적인 특징 벡터
비 제한적인 예로서, 예시적인 특징 벡터(F1, F2, F3, F4,…)가 여기에서 설명되며, 여기서 특징 벡터는 특징 1(F1)로서 배경 텍스처, 특징 2(F2)로서 칼라렛, 크립트 (F3) 및 Wolfflin 결절(F4)를 포함하는 세트 멤버(들)로 형성되며, 다음과 같이 할당된다:
(F1) Background Texture:
0 = Blank;
1 = Non-descript;
2 = Thin Radial Lines (thin being low-radian line width); and
3 = Fat Radial Lines (fat being high-radian line width.
(F2) Collaret:
0 = None;
1 = Barely Discernable;
2 = Visible; and
3 = Pronounced.
(F3) Crypts (such as openings, holes):
0 = None;
1 = within < ¼ r;
2 = within < ½ r; and
3 = ½ r;
여기서 r은 동공-공막 경계에서 실러라의 바깥 둘레(피부 근처)까지의 거리이고, 낮은 숫자가 상기 경계에 더 가깝고 더 높은 숫자가 상기 바깥 둘레에 더 가까워서 F는 크립트가 차지하는 영역의 양을 측정한다(예: 1은 크립트의 얇은 내부 고리이고, 3은 동공에서 뻗어나가는 공막의 더 많은 영역을 차지하는 크립트의 더 두꺼운 고리).
(F4) Wolfflin 결절(동공을 둘러싸는 공막의 점선 색소 고리 또는 기타 패턴):
0 = 없음;
1 = 비고리형 패턴을 형성하는 점선 착색;
2 = 부분적인 고리 패턴을 형성하는 점선 착색;
3 = 링 패턴을 형성하는 점선 착색; 및
4 = 이중 고리 패턴을 형성하는 점선 색소 침착.
현재 특징 벡터 예제에서 F4(Wolfflin Nodules)에는 0에서 4까지의 척도가 할당된 반면, 예제에서는 F1, F2 및 F3 각각에 대해 0에서 3까지의 척도가 할당되었다. 이것은 특징 벡터의 각 특징에 대해 할당된 스케일이 동일한 수의 선택을 포함할 필요가 없음을 보여주기 위한 것이다.
상기 예시적인 특징 벡터와 관련하여 및/또는 달리 말하면, 좋은 매칭 스코어는 고-신뢰도의 매칭을 나타낼 수 있고, 낮은 매칭 스코어는 불일치를 나타낼 수 있으며, 회색 영역은 매칭이 참 긍정을 나타낼 수 있지만 원하는 것보다 신뢰도가 낮은 경우를 나타낸다. 시스템(100)의 광대역 특징 분석이 양호, 낮음 및 그레이 인스턴스 중 임의의 인스턴스에서 사용될 수 있지만, 이러한 동작은 그레이 영역에서의 매치의 경우에 특히 유용할 수 있다.
시스템(100)이 프로브 이미지(114)의 특징 벡터와 등록된 홍채의 특징 벡터가 임계 값이라고하는 미리 결정된 수준을 충족하거나 초과한다고 결정하면, 광대역 홍채 특징 결정은 신뢰도를 추가할 수 있고 참 긍정 매칭 출력을 표시한다. 프로브 이미지(114)의, 그리고 등록된 홍채의 광대역 홍채 특징이 미리 결정된 임계 값을 충족하지 않는 경우, 저-신뢰도 매칭은 불일치 출력으로 강등될 수 있다. 따라서 광대역 홍채 특징 분석은 근거리 홍채 특징을 기반으로한 생체 인식 매칭에 자신감을 추가하는 제 2 생체 인식 양식을 제공한다. 예를 들어 광대역 홍채 텍스처 분석은 저-신뢰도(또는 신뢰 수준) 매칭 스코어의 경우 모호성을 해결하기 위한 보충 요소로 작동할 수 있다.
따라서 시스템(100)의 홍채 매칭 알고리즘은 위양성 및 위음성 오류를 최소화하는 데 사용될 수 있다. 이러한 오류는 근거리 홍채 특징 분석에 의존하는 생체 진본성 시스템에서 최소화하거나 다른 생체 진본성 기능과 함께 사용할 수 있다. 예를 들어 광대역 홍채 특징 분석을 사용하여 기존의 생체 인식 분석 시스템에서 저-신뢰도 매칭을 명확하게할 수 있다.
일부 실시예에서, 시스템(100)은 단일 홍채의 분석에 기초하여 대상을 인증하는 데 사용될 수 있다. 일부 실시예에서, 시스템(100)은 왼쪽 및 오른쪽 홍채 모두의 분석에 기초하여 대상을 인증하는 데 사용될 수 있다. 이러한 실시예에서, 적어도 하나의 카메라(104)는 대상의 왼쪽 및 오른쪽 홍채 모두의 프로브 이미지(114)를 생성할 수 있고, 시스템(100)은 대상의 왼쪽 및 오른쪽 홍채 등록 이미지 각각에 대해 프로브 이미지(114)를 분석한다. 일부 실시예에서, 프로브 이미지(114)의 분석은 한 쌍으로(예를 들어, 왼쪽 및 오른쪽 홍채가 함께 그룹화되고 동시에 각각의 왼쪽 및 오른쪽 등록 홍채에 매칭될 수 있음) 또는 독립적으로(예: 왼쪽 홍채 프로브는 오른쪽 홍채 등록 이미지와 매칭하는 오른쪽 홍채 프로브와는 독립적으로 왼쪽 홍채 등록 이미지와 매칭한다) 수행될 수 있다. 2 개의 저-신뢰도 매칭이 발견되면, 시스템(100)은 매칭의 신뢰 수준을 증가시키기 위해 이러한 결과를 융합할 수 있다. 예를 들어 저-신뢰도로 매칭하는 왼쪽 및 오른쪽 등록 홍채가 동일한 등록된 주제에서 나온 경우 매칭의 신뢰도를 높일 수 있다. 시스템(100)의 광대역 홍채 특징 분석은 매칭 홍채의 개략적 특징 스펙트럼이 다른 홍채와도 매칭되도록 보장하는데, 예를 들어 좌측 및 우측 홍채가 개략적 특징의 임계 레벨을 공유하도록 추가로 사용될 수 있다.
일부 실시예에서, 시스템(100)의 광대역 홍채 특징 분석은 저하된 홍채 이미지(예를 들어, 초점이 맞지 않는 이미지, 낮은 샘플링 밀도로 인한 낮은 공간 해상도를 갖는 이미지, 등)의 경우에 독립형 홍채 생체 인식 양식으로 사용될 수 있다. 이러한 실시예에서, 홍채의 광대역 텍스처는 신뢰할 수 있는 생체 인식 지표를 생성하기 위해 예를 들어 얼굴 생체 인식, 지문 분석, 음성 인식, 보행 분석 등과 결합하여 소프트 생체 인식으로 사용될 수 있다.
일부 실시예에서, 시스템(100)은 표기 오류를 찾아 홍채 데이터베이스를 큐레이팅하는데 사용될 수 있다. 이러한 오류는 생체 인식 매칭 시스템의 궁극적인 정확도를 제한할 수 있다. 일반적으로 주어진 대상의 왼쪽 홍채와 오른쪽 홍채 사이에는 광대역 특징 벡터의 상관 관계가 있기 때문에 매우 다른 왼쪽 및 오른쪽 홍채 특징 벡터를 보여주는 사례를 찾기 위해 데이터베이스를 테스트하면 잠재적인 데이터베이스 오류를 나타낼 수 있다. 따라서 광대역 특징 벡터를 사용하여 정확한 홍채 데이터베이스 유지 관리를 보장할 수 있으며 데이터베이스 검사 작업에서 중복 제거와 함께 작동할 수 있다.
일란성 쌍둥이의 홍채는 일반적으로 일치하지 않는다. 전통적인 Daugman 유형의 홍채 매칭 방법은 미세한 척도에서 일란성 쌍둥이의 홍채가 관련이 없은 대상의 홍채와 유사하다는 것을 보여준다. Daugman 유형의 방법은 또한 유전적으로 말하면 서로 더 가까운 동일한 사람의 왼쪽과 오른쪽 홍채가 매칭하지 않는 것으로 등록한다. 그러나, 도 2Aa-h에서, 주어진 대상의 왼쪽 및 오른쪽 홍채의 광대역 또는 개략적 유사성은 틀림 없다. 특히, 도 2a-b, 도 2c-d. 도 2e-f, 및 도 2g-h는 광대역 특징에서 뚜렷한 유사성을 보여준다. 따라서, 왼쪽 및 오른쪽 홍채 쌍이 서로 다른 근거리 특징을 가지더라도 동일한 대상의 왼쪽 및 오른쪽 홍채 쌍은 실질적으로 유사한 광대역 특징을 공유한다. 예를 들어, K. Hollingsworth et al., "Similarity of iris texture between 일란성 쌍둥이", 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Workshops, 2010 년 6 월 13-18 일, pp. 22-29(2010)을 참조할 수 있다
홍채 매칭을 위한 광대역 또는 개략적 홍채 텍스처의 효과를 결정하기 위해 실험이 수행되었다. 무작위로 선택된 16 명의 개인의 왼쪽 및 오른쪽 NIR 홍채 이미지 모음이 더 큰 데이터베이스에서 구성되었다. 예비 실험에서는 선택한 대상의 절반의 홍채를 사용했다. 예비 실험에서 8 명의 대상의 16 개의 홍채를 복사 용지에 레이저로 인쇄했다. 공막과 눈꺼풀 또는 속눈썹의 흔적을 제거하기 위해 큰 눈 이미지에서 홍채를 잘라 냈다. 그런 다음 홍채를 임의의 회전 방향으로 임의의 순서로 한 장의 종이에 부착하고 각 홍채에 A부터 P까지의 문자로 라벨을 붙였다. 실험 참가자는 좌우 홍채 쌍의 문자 식별자를 찾아 기록하도록 지시 받았다. 각 참가자는 매칭을 위한 기본 단서로 개략적 홍채 텍스처를 사용하여 모든 왼쪽-오른쪽 쌍을 올바르게 매칭시키는 데 성공했다. 홍채 회색 음영, 정반사 위치, 눈꺼풀 제거 후 홍채의 모양 및 전체 홍채 크기가 매칭을 위한 2 차 단서를 제공한다는 점이 주목되었다.
후속 실험을 위한 홍채는 16 개의 홍채의 제 2 세트에서 추출되었다. 한 세트 18 개의 홍채를 만들기 위해 제 1 세트의 두 대상 각각의 링어인 두 개의 무작위 홍채가 추가되었다. 각 홍채의 회색 음영이 약간 그리고 무작위적으로 이동되었다. 절단할 정확한 홍채-공막 경계를 사용하는 대신 눈꺼풀과 속눈썹을 피하고 눈의 방향에 대한 단서를 주지 않는 근원 형 경계가 생성되었다. 고립된 홍채는 회전하고 약간의 크기를 임의로 조정하고 검은 색으로 칠해진 정반사를 사용하여 단일 페이지에 무작위로 배열되었다. 실험을 위한 왼쪽 및 오른쪽 홍채는 도 3a-r에 도시되어있다. 올바른 페어링은 각 홍채 내에서 매칭하는 숫자로 표시된다(예: 1과 1, 2와 2 등). "x"는 두 개의 임의 홍채를 나타낸다. 홍채는 프린터 인공물의 역할을 제거하기 위해 전자적으로 배포되었다. 실험 참가자들은 8 쌍의 대상(1, 2, 3 및 6) 중 4 쌍을 정확하게 식별할 수 있었고, 종종 무작위 홍채 중 하나(도 3E)를 대상 4의 올바른 페어링과 혼동했다(도 3D- 에프). 나머지 3 쌍(5, 7, 8)은 더 어려웠으며 참가자의 약 절반이 정확하게 식별했다. 실험 결과 주어진 대상의 왼쪽 및 오른쪽 홍채의 NIR 이미지 간의 명백한 유사성은 Daugman 알고리즘 필터 창 외부의 규모이지만 인간 사용 가능한 규모 내에서 잘 인식되는 광대역의 사람이 읽을 수 있는 홍채 텍스처에서 비롯된 것으로 나타났다. 이 실험은 또한 광대역 홍채 텍스처를 사용하여 전통적인 생체 인식 매칭 작업을 강화할 수 있음을 강조했다. 실험은 또한 광대역 홍채 텍스처를 사용하여 근거리 홍채 텍스처를 기반으로 수행되는 인증 전에 생체 분석 시스템(예: 아래에서 논의되는 시스템 200)에서 등록 데이터의 재정렬을 최적화하기 위한 초기 생체 분석을 수행할 수 있음을 강조했다. .
광대역 홍채 특징을 기반으로 홍채를 매칭하기 위한 심층 학습 네트워크를 훈련시키는 데 추가 실험이 수행되었다. MATLAB의 신경망 도구 상자를 통해 AlexNet 네트워크가 구현되었다. 예를 들어, Krizhevsky, A. et al., "ImageNet Classification with Deep Convolutional Neural Networks", NIPS 2012: Neural Information Processing Systems, Lake Tahoe, Nevada(2012)를 참조할 수 있다. AlexNet 네트워크에는 일련의 5 개의 컨볼루션 계층(ReLu, 정규화 및 풀링 계층의 조합)과 분류를 위한 소프트 맥스 계층으로 끝나는 2 개의 완전 연결 계층이 포함된다. 네트워크는 이전에 많은 클래스의 227 x 227 RGB 이미지를 사용하여 훈련되었다. 네트워크는 마지막 레이어 중 두 개를 변경하여 재 훈련되었다. 마지막으로 완전히 연결된 층은 두 개의 뉴런만을 포함하고 마지막 층은 안과 의사에게 알려진 특정 홍채 특징의 유무를 분류했다. 사용되는 특징의 수는 홍채의 특징을 보다 포괄적으로 특성화하기 위해 확장될 수 있음을 이해해야한다. 실험을 위해 고정된 특정 기능을 크립트(crypt)(예: Fuchs’Crypt)라고한다. 크립트의 존재는 특정 인구 통계학적 인구와 관련이 있는 유전적 표지와 관련이 있는 것으로 나타났다. 예를 들어, M. Edwards et al., "Analysis of iris surface features in populations of diverse ancestry", Royal Soc. Open Sci., vol. 3: 1(2016 년 1 월)(온라인 공개). 도 4는 홍채 표면에 길쭉한 구멍으로 보이는 그러한 크립트를 갖는 홍채의 RGB 이미지를 도시한다. 도 5는 명백한 크립트가 없은 RGB 홍채 이미지를 보여준다.
더 적은 그림자를 생성하는 직접 정면 조명을 갖는 NIR 스펙트럼에서, 다른 눈의 크립트(예를 들어, Fuchs 'Crypts)가 도 7 아닌 도 6에서 볼 수 있다. 도 6 및 7의 NIR 이미지의 콘트래스트는 도 4 및 도 5의 가시광 조명 이미지에서 보이는 것 만큼 드라마틱하지 않다. 기계 학습을 사용하여 홍채를 특성화하기 위한 초기 실험으로 홍채는 크립트 유 또는 무로 분류되었다. 다음 절차는 "Crypts"및 "NoCrypts"데이터 세트를 생성하는 데 사용되었다.
도 8a-8b에 도시된 제 1 변환 단계 동안, 원본 640 x 480 8-비트 홍채 이미지는 Kind 7 마스킹된 홍채로 변환되었다. 예를 들어, P. Grother et al.,“IREX I, Performance of Iris Recognition Algorithms on Standard Images,”NIST Interagency Report 7629, p. 2(2009 년 9 월)을 참조할 수 있다. 도 8c에 도시된 제 2 변환 단계 동안, Kind 7 마스킹된 홍채는 동공-홍채 경계에서 마스킹된 눈꺼풀 영역을 포함하는 홍채-공막 경계까지 360 개의 방사형 스포크 각각을 따라 101 개의 균일한 간격의 지점에서 샘플링되었다. 폴라 샘플링은 홍채 인식 알고리즘에 사용된 것과 유사한 정규화된 직사각형으로 플로팅되었다.
제 3 변환 단계 동안에 도 9a-h에서, 홍채의 90 x 90 픽셀 청크는 도 8c와 유사한 극 홍채 표현으로부터 샘플링되었다. 마스킹된 영역을 모든 청크의 전체 영역의 5 % 미만으로 제한하면서 가능한한 많은 홍채 텍스처를 덮는 것을 목표로한다. 도 9a-d는 크립트의 존재를 보여주는 반면, 도 9e-h는 크립트가 없음을 보여준다. 도 9ca의 어둡거나 검은 영역은 눈꺼풀 마스크를 나타내는 반면, 도 9h의 밝은 영역 또는 흰색 영역은 Wolflin 결절, 예를 들어 학습할 수 있지만 실험에 의존하지 않은 조직적 특징을 나타낸다. 도 9a-h의 개별 청크는 크립트의 존재 여부에 따라 라벨이 지정되어 두 개의 라벨링된 집단이 생성되었다.
실험을 위한 홍채는 표준 유형의 640 x 480 8 비트 NIR 홍채 이미지의 형태로 49 명의 대상로부터 나왔다. 각 대상자에 대한 세 번의 거래는 총 290 개의 홍채를 제공했다. 이 중 262 개가 성공적으로 분할되어 극좌표로 변환되었다. 616 개의 90 x 90 픽셀 청크는 도 9a-h에 도시되어있다. 그 중 251 개는 크립트를 포함하는 것으로 표시되었고 나머지 365 개는 크립트 없음으로 표시되었다. 이 두 그룹의 홍채 텍스처 패치는 기계 학습 연습에 대한 입력을 형성했다.
특히, 두 그룹의 홍채 텍스처 패치는 AlexNet 딥 러닝 네트워크에 대한 입력을 형성하였고, 이러한 네트워크는 두 클래스의 홍채 텍스처 패치(크립트 유/무)를 학습하도록 수정되었다. 각 클래스 전체의 80 %를 나타내는 훈련 데이터는 두 그룹의 홍채 텍스처 패치에서 무작위로 선택되었다. 훈련은 MATLAB의 정방향 및 역방향 전파 제한 메모리 Broyden-Fletcher-Goldfarb-Shanno(LBFGS) 알고리즘을 사용하여 이미지가 여러 계층의 뉴런을 통해 앞뒤로 전파될 때 충실도 손실을 최소화했다.
전체 데이터 세트(20 epochs)를 20회 통과한 후, 충실도 손실은 점근적 한계에서 안정화되는 반면, 훈련 데이터 정확도는 거의 100 %에 가까웠다. 훈련 데이터 정확도는 훈련된 네트워크의 예측 능력을 측정하는 진정한 척도가 아니다. 일반적으로, 학습 그룹을 기반으로한 훈련 데이터는 신경망을 훈련하는 데 사용되며, 트레이너 네트워크의 효율성은 이전에 신경망에서 볼 수 없었던 테스트 그룹의 데이터 세트에서 테스트된다. 나머지 20 %의 데이터(123 개 홍채 텍스처 패치, 50 개 크립트 및 나머지는 노 크립트)를 사용한 테스트는 무작위로 선택한 테스트 데이터를 사용하여 반복된 시도에서 90 ~ 92 %의 정확도를 보여주었다. 오류율로 해석한 결과, 딥 러닝 네트워크에서 검사한 100 개의 홍채 텍스처 패치 중 8 ~ 10 개의 오류가 예상되며, 크립트가 있는 홍채 텍스처 패치가 없을 것으로 예측되거나 크립트가 없는 홍채 텍스처 패치가 얼마간 있을 것으로 예상된다. 조사할 때 한 샘플 실행에 대해 표 2에 나열된 오류 사례에는 수동으로 분류하기 어려운 모호한 텍스처가 항상 포함되었다. 따라서 지도 학습을 통해, 수정된 딥 러닝 네트워크 AlexNet은 약 90 %의 정확도로 홍채의 특정 텍스처 특징을 성공적으로 구분할 수 있다.
| 크립트 가질 것으로 예측됨 | 크립트 없을 것으로 예측됨 | |
| 크립트 있음으로 수동 선택 | 45 | 5 |
| 크립트 없음으로 수동 선택 | 5 | 68 |
CASIA-Lamp(Chinese Academy of Sciences Institution of Automation Lamp) 데이터베이스에는 대부분 대학생 인 411 명의 중국 대상자의 왼쪽 및 오른쪽 홍채 20 개가 포함되어 있다. 도 10a-f는 특히 동공 경계 근처의, 크립트를 보여주는 극 좌표에서 무작위로 선택된 CASIA-Lamp 홍채이다. 이러한 크립트는 광대역 홍채 특징 분석 동안 예시적인 시스템에 의해 탐지될 수 있다.
안과 의사에 의해 인식되고 Wolflin 결절이라고 불리는 또 다른 홍채 텍스처 특징은 홍채 중심에 대해 점의 원호를 형성하는 일정한 반경 위치에 종종 위치한 백색 얼룩으로 NIR 이미지에 나타난다. 도 11a-c는 Wolfflin 결절이 있는 홍채를 보여주는 NIR 이미지의 예이다. 예시적인 시스템과 네트워크는 식별을 위한 광대역 홍채 특징 중 하나로 Wolfflin 결절을 식별하도록 훈련될 수 있다.
시스템은 칼라렛, 방사형 스포크, 루핑(스피로그래프 형) 밝은 선 또는 어두운 선, 이들의 조합 등과 같은 추가 홍채 텍스처 특징을 식별하도록 훈련될 수 있다. 일부 특징은 방위각과 무관한 패턴을 검색하여 감지할 수 있다. 일부 특징은 방위각 방향의 특정 공간 주파수를 검색하거나 또는 극좌표 표현의 홍채에 대한 더 복잡한 신호 분석을 통해 감지할 수 있다.
시스템은 또한 사람이 읽을 수 없는 특징을 검출하도록 훈련될 수 있다. 홍채 앙상블에서 네트워크를 훈련하면 자동으로 특징을 생성할 수 있다. 딥 러닝 네트워크는 모서리를 찾기 위해 결합된, 그리고, 복잡도를 증가시키는 패턴을 형성하도록 추가로 결합된, 에지를 찾는 컨볼루션 레이어의 작은 필터로 증가하는 길이 척도에서 자체 특징을 개발할 수 있다. 딥 러닝 네트워크의 복잡한 특징은 단일 출력(분류) 뉴런에 대한 입력으로 시작하는 역 전파 신호의 출력과 관련하여 딥 드림(deep dream)이라고할 수 있다. 개, 고양이, 개구리, 트럭, 자동차 등을 구별하도록 훈련된 네트워크를 사용하는 교과서 예제는 특정 개체를 찾아내도록 요청받을 때 네트워크가 고려하는 것으로 파악되는 훈련된 클래스 중 하나의 딥 드림을 생성할 수 있다. 크립트가 있는 경우와 없는 경우의 홍채를 구별하는 수정된 AlexNet의 경우, 딥 드림은 도 12a-b에 도시된 바와 같이 카테고리 간의 뚜렷한 차이를 드러낸다. 크립트가 있는 홍채의 딥 드림에서는 뚜렷한 초점이 관찰되었지만 크립트가 없는 홍채의 딥 드림에서는 넓은 텍스처 만이 관찰되었다. 각 꿈은 해당 대상을 분류하는 뉴런에서 높은 활성화를 생성하도록 조정된 자극을 나타낼 수 있다.
도 13은 시스템(100)을 구현하는 예시적인 프로세스(200)를 예시하는 흐름도이다. 시작하기 위해, 단계(202)에서, 대상의 홍채는 적어도 하나의 조명 원으로 조명된다. 단계 204에서, 대상의 홍채의 적어도 하나의 프로브 이미지가 적어도 하나의 카메라로 캡처될 수 있다. 각 프로브 이미지에는 근거리 광대역 홍채 텍스처 정보의 형태로 홍채 생체 데이터가 있다. 단계 206에서, 처리 장치는 입력으로서 적어도 하나의 프로브 이미지를 수신할 수 있다. 단계 208 및 210에서, 근거리 및 광대역 홍채 텍스처 정보는 홍채 생체 진본성을 위해 처리 장치에 의해 분석될 수 있다. 단계 212에서, 근거리 및 광대역 홍채 텍스처 정보의 생체 진본성에 기초하여, 처리 장치는 대상의 생체 진본성을 결정할 수 있다.
본 발명의 다른 실시예에 따르면, 인증 분석을 효율적이고 정확하게 수행하기 위해 근거리 및 광대역 홍채 텍스처 분석의 조합을 사용하는 생체 분석 매칭 효율을 향상시키는 예시적인 시스템이 제공된다. 전통적으로 등록 데이터베이스에 대해 프로브 홍채 템플릿을 매칭시키는 데 소요되는 시간은 데이터베이스 크기에 따라 증가하며 대규모 데이터베이스에서는 부담이 될 수 있다. 병렬 컴퓨팅 리소스와 더 많은 코어를 무차 적으로 추가하면 전체 매칭 시간이 줄어들 수 있지만 일반적으로 추가 장비 및 유지 관리 비용이 증가한다. 그러나, 본 개시에서, 근거리 및 광대역 홍채 텍스처 분석을 모두 구현함으로써, 본 명세서에 개시된 예시적인 시스템은 인증 프로세스 동안 등록 데이터베이스의 효율적인 분석 및 검색을 제공함으로써 코어 당 매칭 시간을 줄이고 추가에 대한 필요성을 덜어 준다. 따라서 바람직하게는 생체 인식 매칭 효율을 향상시킨다. 특히, 등록 데이터베이스 내의 매칭에 대한 무작위 검색에 초점을 맞추기보다, 예시적인 시스템은 등록된 홍채의 광대역 홍채 특징 관련성을 기반으로 등록 데이터베이스를 재정렬한다. 이러한 재정렬은 가장 관련성이 높은 등록된 홍채부터 시작하여 근거리 홍채 특징을 기반으로한 생체 인식 매칭을 허용하여 더 빠른 시간 내에 긍정적 인 매칭을 찾을 수 있도록한다.
위에서 언급한 바와 같이, 전통적인 생체 분석 시스템은 일반적으로 광대역 홍채 텍스처를 무시하고 대신 근거리 홍채 텍스처 평가에 초점을 맞춘다. 근거리 홍채 특징을 기반으로한 생체 인식 분석은 등록 이미지를 저장하는 데이터베이스의 과도한 크기와 매칭 프로세스의 무작위 특성으로 인해 시간이 많이 걸리고 오류가 발생하기 쉽다. 예를 들어, 등록 이미지가 백만 개가 넘는 데이터베이스에 저장된 프로브 이미지와 등록 이미지 사이의 매칭 항목을 찾으면 시간이 오래 걸릴 수 있다. 추가 예로서, 근거리 홍채 특징에 대한 디지털 홍채 코드가 비트 10010001로 시작하는 경우 인증 매칭이 코드에서 동일한 시작 비트를 공유한다는 보장이 없다. 홍채 인코딩의 차이로 인해 홍채를 나타내는 비트는 일반적으로 불확실하다.
예시적인 시스템은 보다 효율적인 인증 프로세스를 제공하기 위한 수단으로서 광대역 또는 개략적 홍채 텍스처 분석을 통합한다. 대규모 생체 인식 홍채 데이터베이스가 국가 식별 프로그램, 여행 프로그램 등에서 점점 더 많이 사용됨에 따라 인증 프로세스에는 더 많은 검색이 필요하다. 공용 애플리케이션에서는 인증 및 트랜잭션 시간을 최소화하는 것이 중요하다. 예시적인 시스템은 모든 크기의 등록 데이터베이스에 대해 시간 효율적인 인증 프로세스를 보장하여 바람직하지 않은 지연 시간을 줄이고 생체 인식 분석 시스템의 전반적인 운영을 개선한다.
등록 프로세스 동안, 시스템은 대상에 대한 근거리 및 광대역 홍채 텍스처를 캡처하고 전자적으로 기록할 수 있다. 후속 인증 프로세스 동안 하나 이상의 프로브 이미지를 캡처할 수 있으며 시스템은 프로브 이미지에서 근거리 및 광대역 홍채 텍스처를 모두 추출할 수 있다. 등록 및 프로브 이미지의 근거리 홍채 텍스처 간의 매칭만 검색하는 대신 시스템은 광대역 홍채 텍스처 기능 사이에서 감지된 매칭을 기반으로 등록된 홍채의 데이터베이스를 처음 재정렬하기 위해 광대역 홍채 텍스처를 구현한다.
특히, 시스템은 프로브 광대역 홍채 텍스처와 등록 광대역 홍채 텍스처의 가장 가까운 매칭을 감지하도록 구성될 수 있으며 데이터베이스의 전면 또는 상단에 가장 가까운 매칭을 갖는 등록된 홍채의 재정렬된 형태를 생성할 수 있다. 프로브 이미지와 등록 이미지 사이의 무작위 또는 순차적 매칭 대신에, 예시적인 시스템은 프로브 이미지의 개략적 또는 광대역 홍채 특징에 의해 결정되는 각 프로브 홍채에 대한 최적화된 매칭 순서를 제공한다. 일부 실시예에서, 개략적 또는 광대역 홍채 텍스처는 기계 학습, 기계 비전 및/또는 다른 신호 처리 또는 컴퓨터 비전 기술을 사용하여 결정될 수 있다. 광대역 홍채 특징의 매칭을 기반으로하는 등록 데이터의 최적화 순서는 후속 근거리 인증 분석 중에 목록의 초기에 매칭이 발생할 가능성을 높인다.
최적화된 매칭 순서가 생성된 후, 시스템은 가장 가까운 광대역 홍채 텍스처 매칭부터 시작하여 재정렬된 등록 이미지에 대한 프로브 이미지의 근거리 홍채 텍스처를 분석할 수 있다. 재정렬된 등록 이미지를 기반으로 근거리 홍채 텍스처를 분석하면 보다 효율적인 방식으로 매칭 항목을 찾을 수 있다.
도 14를 참조하면, 생체 분석 매칭 효율을 향상시키는 예시적인 시스템(300)(이하 "시스템 300")의 블록도가 제공된다. 예시적인 시스템(300)은 빅 데이터베이스를 사용하여 홍채 매칭을 가속화하기 위해 개략적 홍채 텍스처를 분류하는 역할을 할 수 있는, 사람이 읽을 수 없는 특징을 식별할 수 있다. 아래에서 더 자세히 논의되는 바와 같이, 시스템(300)은 근거리 및 광대역 홍채 조직 정보를 모두 갖는 적어도 하나의 프로브 이미지를 수집하도록 구성되며, 광대역 홍채 조직 정보는 프로브 이미지(들)와 등록 이미지(들) 사이에 생체 진본성 매칭이 존재하는지 여부를 결정하기 위해 근거리 홍채 조직 정보의 분석에 앞서, 등록 이미지의 순서를 최적화하는 데 사용된다.
인증 매치 결정 동안 등록 데이터베이스를 통한 스크리닝을 위해 근거리 홍채 텍스처 정보에만 의존하는 대신, 시스템(300)은 초기 분석 또는 스크리닝 단계로서 광대역 홍채 텍스처 정보에 의존하여 등록 데이터베이스 내의 등록 이미지의 순서를 최적화한다. 특히, 광대역 홍채 조직 정보는 처음에 등록 데이터베이스의 상단 또는 전면에서 가장 가까운 광대역 홍채 매칭 항목으로 등록 데이터베이스를 재정렬하는 데 사용된다. 등록 데이터베이스의 순서가 광대역 홍채 조직 정보를 기반으로 최적화된 후, 시스템(300)은 가장 가까운 광대역 홍채 조직 정보 매칭부터 시작하여 근거리 홍채 조직 정보를 기반으로 매칭 결정을 적용한다. 근거리 홍채 조직 정보 분석 이전에 등록 이미지의 순서를 최적화함으로써, 시스템(300)은 전통적인 인증 시스템에 의해 수행되는 랜덤 매칭보다 더 효율적인 방식으로 인증 매칭이 달성될 수 있음을 보장한다.
일부 실시예에서, 근거리 홍채 조직 정보와 결합하여 사용되기보다는 광대역 홍채 조직 정보가 임의의 다른 생체 인식 양식, 예를 들어, 얼굴 구조 인식, 지문 스캐닝, 보행 분석, 적외선 손바닥 스캐닝, 음성 감지, 이들의 조합 등과 결합하여 사용될 수 있다. 따라서 광대역 홍채 특징을 사용하여 근거리 홍채 특징 이외의 생체 인식 양식에 대한 최적화 순서를 생성할 수 있다. 예를 들어, 광대역 홍채 특징을 사용하여 지문 데이터가 있는 등록 데이터베이스의 최적화 순서를 생성할 수 있으며, 가장 가까운 광대역 홍채 특징 매칭을 가진 등록된 지문부터 시작하여 등록 데이터의 최적화 순서에 대해 지문 매칭 분석을 수행할 수 있다.
시스템(300)은 적어도 하나의 조명 원(302) 및 적어도 하나의 카메라(304)를 포함한다. 조명 원(302)은 근적외선 일 수 있다. 조명 원(302)은 대상의 홍채 중 하나 또는 둘 모두를 조명하도록 구성된다. 일부 실시예에서, 조명 원(302)은 홍채를 둘러싸는 적어도 하나의 얼굴 특징을 조명하도록 구성될 수 있다. 일부 실시예에서, 단일 조명 원(302)이 홍채를 조명하기 위해 사용될 수 있다. 일부 실시예에서, 다수의 독립적으로 제어되는 조명 원(302)은 대상의 하나 또는 두 홍채를 선택적으로 조명하기 위해 사용될 수 있다. 이러한 조명은 동시에, 동기식으로, 펄스 방식, 등으로 발생할 수 있다.
카메라(304)는 대상의 하나 또는 두 홍채의 적어도 하나의 이미지를 캡처하도록 구성된다. 카메라(304)에 의해 캡처된 이미지는 등록 데이터(308)로서 적어도 하나의 데이터베이스(306)에 전자적으로 전송되고 저장되는 등록 이미지의 형태 일 수 있다. 등록 데이터(308)는 대상을 시스템(300)에 등록하는 동안 수집될 수 있다. 이미지 등록 데이터(308)의 정보는 인증 프로세스 동안 사용될 근거리 홍채 텍스처(310) 및 광대역 홍채 텍스처(312) 모두에 대응하는 정보 또는 데이터를 포함한다. 등록 데이터(308)는 적어도 하나의 카메라(304)에 의해 일정 기간 동안 수집될 수 있으므로 시스템(300)의 인증 프로세스는 다양한 조명 또는 환경 조건 동안 캡처된 이미지와, 시간에 따라 대상과 관련된 생체 변화를 고려한다.
카메라(304)에 의해 캡처된 이미지는 데이터베이스(306)에 전자적으로 전송되고 저장되는 프로브 이미지(314)의 형태 일 수 있다. 프로브 이미지(314)는 근거리 홍채 텍스처(316) 및 광대역 홍채 텍스처(318)에 모두 대응하는 정보 또는 데이터를 포함한다. 인증 프로세스 동안, 적어도 하나의 프로브 이미지(314)의 캡처는 대상의 홍채와 관련된 홍채 생체 데이터(근거리 및 광대역 모두)의 캡처를 초래한다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(316, 318)의 캡처는 시스템(300)의 추가 동작이 필요하지 않도록 동일한 단계 또는 이미지에서 달성될 수 있다. 예를 들어, 근거리 홍채 특징을 포함하는 프로브 이미지(314)를 캡처할 때 발견된 데이터는 광대역 홍채 특징 벡터를 구성하는 데 필요한 데이터를 추출하는 데에도 사용될 수 있다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(316, 318)의 캡처는 2 개 이상의 연속 단계로 달성될 수 있다.
시스템(300)은 시스템(300)의 구성 요소들 사이의 통신 네트워크를 제공하도록 구성된 통신 인터페이스(320)를 포함할 수 있으며, 이에 따라 시스템(300)의 구성 요소에 의해 데이터가 전자적으로 전송 및/또는 수신될 수 있다. 시스템(300)은 카메라(304)에 의해 캡처된 데이터를 수신하고 처리하기 위한 프로세서(324)가 있는 적어도 하나의 처리 장치(322)를 포함할 수 있다. 일부 실시예에서, 처리 장치(322)는 카메라(304)에 의해 캡처된 데이터를 수신할 수 있고 이러한 캡처된 데이터를 분석 및 처리를 위해 중앙 컴퓨팅 시스템(326)에 전자적으로 전송할 수 있다. 처리 장치(322)는 카메라(304) 및 조명 원(302)의 동작을 제어하도록 프로그래밍되고 통신할 수 있다. 처리 장치(322)는 입력 카메라 이미지(예를 들어, 프로브 이미지(314))로서 카메라 이미지를 수신하고, 분석하며, 최적화 순서를 제공한다. 등록 데이터(308)는 긍정적 또는 부정적 매칭이 발생하는지의 결정에 기여한다. 처리 장치(322)는 데이터베이스(306)와 통신할 수 있다.
처리 장치(322)는 입력으로서 근거리 홍채 텍스처(316) 및 광대역 홍채 텍스처(318) 모두를 포함하는 프로브 이미지(314)를 수신할 수 있다. 일부 실시예에서, 근거리 및 광대역 홍채 텍스처(316, 318)는 단일 이미지(314)로 입력될 수 있다. 3일부 실시예에서, 근거리 및 광대역 홍채 텍스처(316, 318)는 별개의 개별 이미지(314)로서 입력될 수 있다. 처리 장치(322)는 등록 광대역 홍채 텍스처(312)에 대한 프로브 광대역 홍채 텍스처(318)의 생체 분석의 실행에 기초하여 등록 데이터(308)의 최적화 순서(334)를 생성할 수 있다. 전통적인 생체 진본성 시스템은 일반적으로 잠재적인 매칭이 발견되거나 매칭하지 않는 것이 결정될 때까지, 프로브 이미지(314)의 근거리 홍채 텍스처(316)를 등록 데이터(308)의 근거리 홍채 텍스처(310)와 무작위 방식 또는 순서로 비교한다.
예시적인 시스템(300)은 프로브 이미지(314)와 등록 데이터(308) 사이의 매칭이 발견되는지를 결정하기 위한 시간을 감소시킴으로써 인증 프로세스의 효율성을 개선하고자한다. 처리 장치(322)는 먼저 광대역 홍채 텍스처(318, 312)의 생체 분석을 수행하여 대상의 홍채의 광대역 또는 개략적 특징에 기초하여 잠재적 매칭을 찾게 된다. 광대역 홍채 텍스처(318, 312) 분석의 결과에 기초하여, 시스템(300)은 등록 데이터(308)의 최적화 순서(334)를 출력하고 전자적으로 저장한다. 이러한 최적화 순서(334)는 프로브 및 등록 광대역 홍채 텍스처(318, 312) 사이에서 가장 가까운 매칭으로부터 가장 먼 매칭까지의 순서로 정렬된 등록 데이터(308)의 목록을 포함한다. 예를 들어, 등록 데이터(308)가 임의의 순서로 각 대상에 대해 광대역 홍채 텍스처(312) 및 근거리 홍채 텍스처(310)를 모두 갖는 대상에 대한 100 개의 등록 이미지를 포함하는 경우, 처리 장치(322)는 가장 가까운 광대역 홍채 텍스처(318, 312) 매칭을 갖는 등록 데이터(308)의 재정렬되고 최적화된 목록을 목록의 상단에 생성하고, 광대역 홍채 텍스처(318, 312) 간에 밀접성이 감소하는 순서로 목록의 끝 또는 하단에 생성한다. 이러한 최적화된 순서(334)는 근거리 홍채 특징에 기초하여 프로브 홍채를 매칭 가능성이 증가된 홍채로 리스트의 상단이 풍부해지는 것을 보장한다.
일단 최적화 순서(334)가 생성되면, 처리 장치(322)는 프로브 및 등록 광대역 간의 가장 가까운 매칭으로 시작하여 프로브 및 등록 근거리 홍채 텍스처(316, 310)에 기초하여 생체 인식에 대한 홍채 생체 데이터를 분석할 수 있다. 특히, 근거리 홍채 텍스처(316, 310)에 기초하여 매칭이 발견될 때까지 등록 데이터(308)를 무작위로 분석하는 것보다, 처리 장치(322)는 광대역 홍채 텍스처(318, 312)에 기초하여 가장 가깝게 매칭하는 등록 데이터(308)로 생체 분석을 시작한다. 근거리 홍채 텍스처(316, 310) 간의 매칭이 가장 가까운 광대역 홍채 텍스처(318, 312) 등록 데이터(308)에 대해 나타나지 않는 경우, 처리 장치(322)는 최적화 순서(334)를 순차적으로 내려가서, 매칭이 발견될 때까지(또는 매칭의 결여가 결정될 때까지) 근거리 홍채 텍스처(316, 310)를 사용하여 생체 분석을 수행한다. 가장 가까운 광대역 홍채 텍스처(318, 312)를 갖는 등록 데이터(308)에 먼저 초점을 맞추면, 근거리 홍채 텍스처(316, 310)에 기반한 매칭이 등록 데이터(308)를 무작위로 분석하는 것보다 더 짧은 기간에 발견될 가능성이 더 크다.
일부 실시예에서, 최적화 순서(334)는 프로브 및 등록 광대역 홍채 텍스처(318, 312) 각각에 대한 특징 벡터를 구현함으로써 생성될 수 있다. 예를 들어, 프로브 광대역 홍채 텍스처(318)와 등록 광대역 홍채 텍스처(312)의 특징 벡터 사이의 거리 세트는 대략적 또는 광대역 특징의 매칭에 기초하여 처리 장치(322)에 의해 생성될 수 있다. 일부 실시예에서, 특징 벡터 사이의 거리 세트는 유클리드 거리 결정에 의해 정의될 수 있다. 특징 벡터 사이의 거리 세트는 프로브의 특징 벡터와 등록 광대역 홍채 텍스처(318, 312) 사이의 유사성을 나타내거나 특성화할 수 있다.
예를 들어, 특징 벡터 사이의 짧거나 작은 거리는 프로브 및 등록 광대역 홍채 텍스처(318, 310) 사이의 근접 매칭에 대응할 수 있다. 유사하게, 특징 벡터 사이의 길거나 큰 거리는 프로브 및 등록 광대역 홍채 텍스처(318, 312) 사이의 원거리(예를 들어, 낮은) 매칭에 대응할 수 있다. 이러한 실시예에서, 최적화 순서(334)는 목록의 시작 또는 상단에 광대역 홍채 텍스처(312)에 대한 최단 또는 최단 거리를 갖는 등록 데이터(308)를 포함할 수 있으며, 특징 벡터들의 거리가 증가함에 따라 순서가 내려간다. 따라서 최단 또는 최단 거리 벡터는 목록의 맨 위 또는 시작에 배치할 수 있고, 가장 긴 또는 가장 큰 거리 벡터는 목록의 맨 아래 또는 끝에 배치할 수 있다. 처리 장치(322)는 최단 또는 최소 거리 벡터를 갖는 광대역 홍채 텍스처(312)에 대응하는 근거리 홍채 텍스처(310)로 시작하는 근거리 홍채 텍스처(316, 310)에 기초하여 생체 분석을 수행할 수 있다. 근거리 홍채 텍스처(310, 316)의 생체 분석에 기초하여, 시스템(300)은 대상의 생체 진본성을 결정할 수 있다.
일부 실시예에서, 인증 매칭은 프로브 이미지(314)와 N- 멤버 등록 데이터베이스(예를 들어, 등록 데이터(308)) 사이에서 수행될 수 있다. 이러한 매칭은 광대역 홍채 텍스처(312)의 유형, 광대역 홍채 텍스처(312)의 강도, 광대역 홍채 텍스처(312)의 크기 등에 의해 등록 데이터(308)의 순서를 최적화함으로써 수행된다. 시스템(300)은 사용자 인터페이스(330)를 포함한다. 일부 실시예에서, 사용자 인터페이스(330)는 그래픽 사용자 인터페이스(GUI)(332) 형태의 디스플레이를 포함할 수 있다. 일부 실시예에서, 인터페이스(330)는 숫자(또는 영숫자 디스플레이), 조명 원(302), 카메라(304), 이들의 조합 등을 포함할 수 있다. 예를 들어, 시스템(300)을 적절하게 사용하기 위한 지시가 GUI(332)를 통해 사용자에게 제공될 수 있다. GUI(332)는 인증 프로세스의 결과와 같은 정보를 주체에게 전달하기 위한 적어도 하나의 디스플레이 또는 표시기를 포함할 수 있다.
본 명세서에서는 단일 홍채에 기초한 최적화 순서 및 인증으로 논의되었지만, 일부 실시예에서 시스템(300)은 등록 데이터(308)의 최적화 순서 및 대상의 두 홍채에 대한 인증 분석을 수행할 수 있음을 이해해야한다. 예를 들어, 왼쪽 홍채에 대해서만 등록 데이터(308)를 재정렬하는 대신, 왼쪽 및 오른쪽 홍채 모두에 대한 등록 데이터(308)를 재정렬하고 각각의 왼쪽 및 오른쪽 홍채 프로브 이미지(314)에 매칭시킬 수 있다. 인증은 각각 왼쪽 및 오른쪽 홍채에 대해 재배열되고 최적화된 등록 데이터(308)를 사용하여 대상의 두 홍채 모두에 대해 독립적으로 수행될 수 있다. 인증 결과와 관련된 데이터는 인증 데이터(328)로서 데이터베이스(306)에 전자적으로 저장될 수 있다. 일부 실시예에서, 인증 데이터(328)는 예를 들어, 머신 러닝, 머신 비전 등을 통해 시스템(300)의 동작을 개선하기 위해 사용될 수 있다. 시스템(300)이 근거리 홍채 특징에 기초하여 생체 인식 매칭이 발견되지 않는다고 결정하는 경우, 시스템(300)은 대상으로부터 추가 프로브 이미지(314)를 요청할 수 있다.
위에서 언급한 바와 같이, 프로브 이미지(114)의 홍채 텍스처의 광대역 특징은 홍채의 (근거리 분석에 위치한 정확한 특징에 비해) 일반적인 특징에 초점을 맞출 수 있으며, 신호 처리, 컴퓨터 비전 방법, 딥 러닝, 머신 러닝, 머신 비전 등을 포함하지만 이에 국한되지 않는 임의의 개수의 기법을 사용하여 결정될 수 있다. 기계 학습의 경우, 시스템(300)은 광대역 홍채 특징을 포착하고 생성하기 위해 다양한 홍채에 대해 훈련할 수 있으며, 네트워크에 의해 학습된 그러한 광대역 홍채 특징은 홍채를 특징화하는 데 사용될 수 있다. 신호 처리 또는 컴퓨터 비전의 경우, 시스템(300)은 필터가 있는 컴퓨터 비전 방법을 위한 알고리즘을 사용하여 광대역 특징(예: 깃대)이 있는 홍채 영역과 광 대역 특징을 넘어서는 영역 사이의 방사형 전이를 감지하고 선택할 수 있다. 예를 들어, 필터를 사용하여 근거리 홍채 텍스처를 추출할 수 있고 필터를 사용하여 광대역 홍채 텍스처를 추출할 수 있으며 사람이 감지한 홍채 특징을 사용할 수 있으며 기계가 감지한 홍채 패턴을 사용할 수 있다(예: 이중 링 도트, 화염 등). 딥 러닝의 경우 네트워크에 여러 예제가 먼저 시드되면 네트워크가 개략적 특성을 분류할 수 있다. 따라서 느슨하게 감독되는 딥 러닝 네트워크는 최적의 기능 수를 발견할 수 있다. 이러한 네트워크는 프로브 홍채에 존재하는 각 특징의 수준과 등록된 홍채 목록 각각의 수준을 추가로 식별할 수 있다.
등록 데이터(308)를 최적화 순서(334)로 재정렬하는 행위는 각각의 등록 홍채가 등록 데이터(308)에 미리 계산되고 내장된 그 특성이 인코딩된 것을 포함한다는 것을 고려할 수 있다. 예를 들어, 프로브가 제공될 때 홍채의 경우 프로브 홍채와 등록된 각 홍채 사이의 거리 목록을 계산할 수 있다. 거리는 순서정렬의 기준이 될 수 있다. 일부 실시예에서, 가장 가까운 홍채로부터 가장 먼 홍채까지 카운트하는 시스템(300)에 의해 포인터가 생성될 수 있다. 이러한 포인터는 등록된 각 홍채에 할당될 수 있다. 처리 장치(322)에 의해 실행되는 매칭 엔진은 할당된 포인터를 통해 순서대로 카운팅함으로써 매칭될 등록된 홍채 각각을 호출할 수 있으며, 이에 따라 매칭 가능성이 가장 높은 것부터 매칭 가능성이 가장 낮은 것까지 시도된 매칭을 정렬할 수 있다.
등록 이미지의 순서를 최적화하기 위한 다양한 방법이 사용될 수 있다. 일부 실시예에서, 등록 이미지는 프로브 이미지의 하나 이상의 광대역 홍채 특징과 등록 이미지의 광대역 홍채 특징 사이의 가장 가까운 유사성(예를 들어, 등록 이미지의 순서 1, 2, 3 등 - 1이 가장 가까운 광대역 홍채 특징 매칭을 나타내며 점차로 유사성이 감소함)에 기초하여 배열될 수 있다. 일부 실시 양태에서, 프로브에 대한 유클리드 벡터 거리 측정은 프로브의 광대역 홍채 특징과 등록 이미지 사이의 유사성을 결정하는 데 사용될 수 있다. 일부 실시 양태에서, 프로브에 대한 비-유클리드 벡터 거리 측정은 프로브의 광대역 홍채 특징과 등록 이미지 사이의 유사성을 결정하는데 사용될 수 있다. 일부 실시예에서, 등록 이미지가 유사성 감소에 기초하여 배열된 후, 배열된 등록 이미지의 백분율 만이 매칭을 위해 사용될 수 있다(예를 들어, 상위 50 개 등록 이미지, 상위 500 개 등록 이미지, 상위 5 % 등록 이미지, 상위 15 개 % 등록 이미지, 등).
일부 실시예에서, 등록 이미지는 유사한 광대역 홍채 특징을 갖는 등록 이미지를 그룹화함으로써 배열될 수 있다(예를 들어, 크립트를 갖는 모든 등록 이미지 그룹화, 결절을 갖는 모든 등록 이미지 그룹화, 칼라렛을 갖는 모든 등록 이미지 그룹화 등). 일부 실시예에서, 동일한 광대역 홍채 특징의 존재를 갖는 등록 이미지를 먼저 그룹화하고(예를 들어, 크립트를 갖는 모든 등록 이미지를 그룹화하고), 다음에, 그룹에 의해 공유되는 광대역 홍채 특징의 강도에 기초하여 선택된 그룹 내에 등록 이미지를 배열함으로써, 등록 이미지들이 배열될 수 있다(예를 들어, 등록 이미지의 1, 2, 3 등의 순서 - 1은 광대역 특징의 가장 큰 강도를 갖는 이미지를 나타냄). 일부 실시예에서, 프로브 이미지가 단일 광대역 홍채 특징만을 포함하는 경우, 나머지 등록 이미지가 무작위 순서로 유지되는 동안 동일한 광대역 홍채 특징을 갖는 등록 이미지에 대해서만 배열이 수행될 수 있다.
일부 실시예에서, 광대역 특징 분석은 프로브 이미지(314)의 특징이 존재하는 정도 및 특징이 발견되는 개략적으로 정의된 영역, 예를 들어, 2 개의 환형 링 중 하나, 홍채의 내측 절반, 또는 홍채의 외측 절반을 결정할 수 있다. 예를 들어, 시스템(300)은 동공에 가장 가까운 홍채의 안쪽 절반에 수평 또는 수직 줄무늬의 존재를 결정할 수 있다. 프로브 홍채의 텍스처에서 발견되는 광대역 홍채 특징의 수는 (처리 장치(322)에 의해) 특징 벡터로 결합될 수 있다. 일부 실시예에서, 특징 벡터는 특징 및 측정된 강도의 목록을 포함할 수 있다.
등록 데이터(308)의 최적화된 순서화 동안, 광대역 홍채 텍스처(318)에 대한 프로브 홍채의 측정된 특징 벡터는 매칭을 찾기 위해 프로브 이미지(314)가 비교될 등록된 홍채의 목록을 구성하는데 사용될 수 있다. 예를 들어, 등록 데이터(308)의 각 홍채에 대한 특징 벡터는 생체 인식 매칭 프로세스에 앞서 시스템(300)에 의해 준비될 수 있다. 등록된 홍채 목록의 순서는 프로브 홍채 특징 벡터의 광대역 홍채 텍스처(318) 특징의 일부 또는 전부에 기초할 수 있다. 일부 실시예에서, 프로브 이미지(314)와 등록된 홍채의 비교된 특징 벡터는 프로브 이미지(314)와 각각의 등록된 홍채 사이의 거리 세트를 생성할 수 있다. 일부 실시예에서, 이러한 거리는 유클리드 측정 또는 임의의 다른 수단에 의해 정의될 수 있다.
거리 측정은 프로브 이미지(314)의 특징 벡터와 등록 데이터(308)의 각각의 등록된 홍채의 특징 벡터의 유사성을 특성화할 수 있다. 등록 데이터(308)는 작은 거리로부터 큰 거리로, 예를 들어, 개략적 또는 광대역 특징 측면에서 프로브 홍채를 가장 닮은 홍채가 목록 상단에 놓이고, 프로브 홍채를 닮지 않은 홍채들이 등록 데이터(308) 목록의 하단에 놓이도록, 정렬될 수 있다. 일부 실시예에서, 등록 홍채의 목록은 등록 홍채가 프로브 홍채와 공통적으로 공유하는 적어도 하나의 개략적 또는 광대역 조직 특징에 기초하여 정렬될 수 있다. 이러한 실시예에서, 목록의 상단은 프로브 홍채와 공통 특징 또는 특징을 공유하는 등록된 홍채를 포함할 수 있는 반면, 프로브의 특징을 공유하지 않는 등록된 홍채는 등록 데이터(308) 목록의 하단으로 강등될 수 있다.
예를 들어, N은 크립트(crypts), 선버스트(sunbursts), 플레임(flames), 등과 같은 홍채(F1, F2, FN)에서 발견되는 개략적 또는 광대역 특징의 수를 나타낼 수 있다. 특징 벡터는 문제의 홍채 텍스처에 존재하는 것으로 확인된 N 개의 특징 각각의 양 또는 비율을 나열하는 N 개의 특징을 포함할 수 있다. 일부 실시예에서, 각각의 광대역 특징의 양 또는 비율은 0과 1 사이의 수치로 표현될 수 있으며, 0은 광대역 특징의 완전한 부재를 나타내고 1은 광대역 특징의 검출 또는 존재의 최고 수준을 나타낸다. 일부 실시예에서, 각각의 광대역 홍채 특징의 존재 크기를 나타 내기 위해 상이한 수치 범위가 사용될 수 있다. 예를 들어, 분석중인 3 개의 광대역 특징에 대해 N = 3이면 제 1 홍채의 특징 벡터는(0, 1, 0)으로 나타낼 수 있다. 이러한 특징 벡터는 특징 F2는 존재하지만 특징 F1 및 F3은 부재 함을 나타낼 수 있다. 특징 벡터가(0.1, 0.8, 0.1) 인 제 2 홍채는 F1 및 F3 값이 작고 F2 값이 더 밀접한 관계로 (0, 1, 0)의 제 1 홍채 벡터와 매칭하는 것으로 간주될 수 있다. 특히, 프로브 및 등록 홍채의 텍스처의 유사성을 기반으로 매칭을 찾을 수 있다.
그러나, 특징 벡터가(0.4, 0, 0.6) 인 제 3 홍채는 F1과 F3 값의 차이와 존재하지 않는 F2 특징으로 인해 (0, 1, 0)의 제 1 홍채 벡터와 매칭하지 않는 것으로 간주될 수 있다. 일부 실시예에서, 매칭 또는 불일치의 결정은 특징의 크기가 미리 결정된 임계 범위 내에 있는지(예를 들어, ± 0.2 이내)에 기초할 수 있다. 일부 실시 양태에서, 광대역 특성이 매칭을 나타내는 정도를 결정하기 위한 2 개의 특성 벡터의 비교는 적어도 하나의 특성의 이진 비교, 유클리드 거리, 비-유클리드 거리, 내적 분석, 가중 내적 분석, 가중 거리 측정, 임계 값에 대한 두 특징 벡터의 수학적 비교 등을 포함 하나 이에 제한되지 않는 다양한 방법을 사용할 수 있다.
일부 실시예에서, 본 명세서에서 논의된 광대역 홍채 특징은 특정 광대역 특징으로서 홍채에서 "크립트"의 존재의 측정을 포함할 수 있다. 일부 실시예에서, 크립트의 존재의 측정은 크립트의 정확한 위치, 크기 또는 상대적인 방향을 고려하지 않고 수행될 수 있다. 예를 들어, 광대역 특징의 특정 사분면 또는 방사형 위치에 대한 프로브 및 등록 이미지를 분석하는 대신 시스템은 이미지를 분석하여 광대역 특징이 홍채의 임의 위치에서 감지되는지 확인할 수 있다. 광대역 특징의 정확한 위치, 크기 또는 상대적 방향을 고려하지 않고 이미지를 분석함으로써 시스템은 캡처된 홍채의 방향이 등록 이미지의 방향과 다르더라도 잠재적인 매칭을 감지할 수 있다. 크립트 자체의 존재는 잠재적인 광대역 홍채 특징 매칭을 나타낼 수 있으며, 이러한 등록 홍채는 최적화 순서(334)의 상단에 더 가깝게 배치될 수 있다. 일부 실시예에서, 시스템(300)은 크립트의 정확한 위치, 크기 및/또는 상대적인 방향을 고려할 수 있다. 예를 들어, 시스템(300)은 등록 이미지에서 동공에 가장 가까운 홍채의 안쪽 부분에만 크립트가 존재하는 반면, 제 2 홍채(예를 들어, 프로브 이미지 314)에서는 유사한 크립트가 공막 근처의 홍채의 다른 부분에만 발견된다고 결정할 수 있다. 그러한 결정에 기초하여, 시스템(300)은 2 개의 홍채가 매칭하지 않는다는 것을 표시할 수 있고 등록 홍채를 최적화 순서(334)의 하단에 더 가깝게 배치할 수 있다.
광대역 홍채 특징의 정확한 위치 및/또는 모양에 초점을 맞추기보다는, 시스템(300)은 광대역 홍채 특징의 존재를 검출하는 데 초점을 맞춘다. 일반적으로 광대역 홍채 특징은 동공을 둘러싸는 특징의 고리(예: crypts) 또는 홍채를 느슨하게 둘러싸는 특징(예: 결절)을 형성한다. 예를 들어, 홍채의 프로브 이미지가 크립트 링을 포함하는 경우, 시스템(300)은 등록 이미지에서 크립트 링의 존재를 결정하기 위해 등록 이미지를 분석하도록 구성될 수 있다. 시스템(300)이 등록 이미지에 크립트 링이 존재한다고 결정하면, 프로브 이미지의 크립트와 직경 및/또는 구성이 동일하거나 다른지 여부에 관계없이, 시스템(300)은 적어도 신뢰도가 낮은 매치를 출력할 수 있다. 이러한 광대역 홍채 특징에 기초하여 매칭이 존재하는 것으로 밝혀지면, 시스템(300)은 등록 홍채를 최적화 순서(334)의 상단에 더 가깝게 배치할 수 있다. 광대역 홍채 특징에 기초하여 가장 가까운 매칭을 갖는 등록 홍채는 이어서 근거리 홍채 특징에 기초하여 생체 인식적으로 분석될 수 있다. 근거리 홍채 특징을 기반으로 한 실제 홍채에 대한 검색 및 분석 결과는 우연한 경우보다 매칭 시도 횟수가 적어 전체 매칭 및 인증 프로세스를 가속화할 수 있다.
특히, 프로브 홍채는 이전 단계에 의해 결정된 순서대로 등록된 홍채 각각과 생체 인식 분석 및 비교(예를 들어, 매칭)될 수 있다. 최적화 순서(334)는 순전히 우연에 의해 발견되는 것보다 목록에서 더 일찍 진정한 매칭(예를 들어, 매칭 임계치를 초과하는 매칭 스코어)가 발견되는 것을 보장한다. 일부 실시예에서, N 개의 등록된 홍채의 목록에 대해, 평균적으로, 순수한 우연은 거짓 매칭을 초래한 N/2 개의 시도 후에 프로브를 인증된 홍채에 매칭시킬 것이다.
시스템(300)이 프로브 이미지(314)의 광대역 특징 벡터 및 등록된 홍채의 광대역 특징 벡터가 미리 정해진 수준(여기서 임계 값이라고 함)을 충족하거나 초과한다고 결정하면, 긍정적인 매칭이 출력되고 등록된 홍채는 최적화 순서(334)의 상단 또는 시작에 더 가깝게 배치될 수 있다. 프로브 이미지(314) 및 등록된 홍채의 광대역 홍채 특징이 미리 결정된 임계 값을 충족하지 않으면 불일치가 출력될 수 있고 등록된 홍채가 최적화 순서(334)의 하단 또는 끝에 더 가깝게 배치된다.
일부 실시예에서, 단일 광대역 홍채 특징은 생체 분석을 위해 사용될 수 있고, 그러한 광대역 홍채 특징의 존재 또는 부재는 등록 데이터(308)를 재정렬하는 데 사용될 수 있다. 일부 실시예에서, 등록 데이터(308)를 재정렬하기 위해 다중 차원의 특징 벡터에서 다수의 광대역 홍채 특징이 결합될 수 있다. 일부 실시예에서, 홍채 특징의 이진 존재 또는 부재는 최적화된 순서(334)에 사용될 수 있다. 일부 실시예에서, 프로브 및 등록된 홍채 사이의 유클리드 거리는 최적화된 순서(334)를 생성하는 데 사용된다. 일부 실시예에서, 엄밀히 유클리드 이외의 거리가 사용될 수 있다. 일부 실시예에서, 등록 데이터(308)의 일부만이 재정렬될 수 있다. 예를 들어, 인접한 홍채(프로브 홍채까지 충분히 작은 거리에 있는 홍채)를 라인에서 빼내어 라인의 앞쪽으로 승격할 수 있는 반면 나머지 등록 홍채는 원래 순서를 유지할 수 있다.
일부 실시예에서, 홍채의 대략적 또는 광대역 특징을 특성화하는 다양한 처리가 구현될 수 있다. 일부 실시예에서, 패턴 인식은 특정 유형의 텍스처의 패치의 물리적 위치뿐만 아니라 다양한 유형의 홍채 텍스처의 존재를 표시하기 위해 합리적으로 설계된 필터를 사용할 수 있다. 예를 들어 한 필터는 세로 줄무늬에 응답할 수 있고 다른 필터는 가로 줄무늬에 응답할 수 있고 제 3 필터는 바둑판 패턴에 응답할 수 있다. 필터를 사용하여 특정 패턴의 로컬 또는 글로벌 존재를 검색할 수 있다. 예를 들어, 홍채 A는 가로 줄무늬가 있는 것으로 감지되거나 홍채 B는 동공에 가장 가까운 홍채의 안쪽 절반에 세로 줄무늬가 있는 것으로 감지될 수 있다. 일부 실시예에서, 기계 학습 및/또는 기계 비전은 홍채의 한 그룹을 다른 그룹과 구별하는 특성을 찾기 위해 홍채 텍스처의 데이터베이스를 훈련하는 데 사용될 수 있다. 이러한 패턴 또는 텍스처는 시스템(300)의 기계 학습 및/또는 기계 비전 작업에 의해 추출되어, 근거리 홍채 특징 인증 이전에 등록된 데이터(308)의 최적화 순서(334)를 생성할 수 있다.
일부 실시예에서, 시스템(300)은 단일 홍채의 분석에 기초하여 등록 데이터(308)를 재정렬하고/하거나 대상을 인증하는데 사용될 수 있다. 일부 실시예에서, 시스템(300)은 등록 데이터(308)를 재정렬하고/하거나 왼쪽 및 오른쪽 홍채 모두의 분석에 기초하여 대상을 인증하는 데 사용될 수 있다. 이러한 실시예에서, 적어도 하나의 카메라(304)는 대상의 왼쪽 및 오른쪽 홍채 모두의 프로브 이미지(314)를 생성할 수 있고, 시스템(300)은 대상의 왼쪽 및 오른쪽 홍채 등록 이미지 각각에 대해 프로브 이미지(314)를 분석한다. 시스템(300)은 근거리 홍채 특징에 기초하여 후속 매치를 결정할 기회를 증가시키는 결과를 융합할 수 있다. 예를 들어, 시스템(300)은 등록된 좌측 및 우측 홍채 쌍 모두에 대해 최적화된 순서(334)를 생성하기 위해 좌측 및 우측 등록된 홍채 둘 다에 대한 광대역 홍채 특징을 생체 인식적으로 분석할 수 있다. 왼쪽 및 오른쪽 등록된 홍채가 프로브 홍채의 각각의 개략적 또는 광대역 특징과 매칭하는 것을 발견하고, 등록된 홍채를 최적화 순서(334)의 상단에 더 가깝게 배치함으로써, 시스템(300)은 근거리 특징에 기초하여 효율적인 매칭 프로세스를 보장한다.
전술한 바와 같이, 구별되는 조직 특징에 기초하여, 등록 데이터의 최적화 순서가 생성될 수 있다. 프로브 홍채의 특성에 따라 광대역 홍채 특징(예: 크립트)의 유무를 기반으로 등록 데이터의 최적화 순서를 생성함으로써 확실한 매칭을 찾는 데 필요한 매칭 수를 N/2 미만으로 줄일 수 있다(순수 우연한 인증의 경우의 숫자보다 작음).
예로서, 시스템(300)은 임의의 순서로 배열된 N 개의 등록 이미지를 갖는 데이터베이스를 포함할 수 있다(예를 들어, 홍채 텍스처에 관계없이). 평균적으로 약 N/2 개의 홍채가 정품 프로브와의 매칭이 예상되기 전에 기존 생체 인식 분석 시스템에 의해 검사된다. 사기꾼을 거부하기 위해 시스템(300)은 모든 N 개의 홍채를 분석할 것임을 이해한다. 따라서 여기에서 설명하는 예는 인증 프로브의 인스턴스를 참조한다.
전체 등록 데이터베이스의 일부는 특정 기능(예를 들어, Fuchs' Crypts)을 나타내지만 나머지 등록 데이터베이스는 그렇지 않은 것으로 가정할 수 있다. 특정 광대역 특징이 있는 모든 등록을 먼저 함께 배치하고 특정 광대역 특징이 없는 모든 등록을 선택된 그룹 아래의 등록 목록의 위치로 강등하여, 등록 데이터베이스가 재정렬된 경우 실제 매칭을 찾기 위해 시도된 평균 또는 예상 매칭 횟수를 결정하기 위한 실험이 수행되었다. 예를 들어, 크립트가 있는 등록된 모든 홍채는 최적화 순서의 맨 위에 그룹화되어, 크립트없이 등록된 홍채가 뒤따를 수 있다.
도 15는 최적화 순서가 생성되는 경우 매칭을 위한 가속도를 결정하는 데 사용되는 N-멤버 등록 데이터베이스(예를 들어, 등록 데이터(308))의 도식적 표현이다. 특히, 도 15는 특정 특징을 갖는 등록된 홍채의 분수 α 및 프로브 홍채에서 특징을 정확하게 식별할 확률 P의 관점에서 재정렬된 등록 데이터베이스를 개략적으로 예시한다. 따라서 프로브 홍채가 실제로 광대역 특징이 없은 경우 광대역 특징이 있는 것으로 잘못 평가되거나, (1-P)의 확률로 실제로 광대역 특징이 있을 때 광대역 특징이 없는 것으로 평가될 수 있다.
프로브 홍채의 광대역 특징이 올바르게 평가된 경우, 평균 αN/2 시도 후에 등록 데이터베이스의 최상위 그룹에서 인증 매칭이 발생할 수 있다. 이 이벤트의 확률은 P로 나타낼 수 있다. 그러나 프로브의 광대역 특징이 잘못 평가된 경우(확률, 1 - P), 평균적으로, αN/2 +(1-α) N = N(1 -α/2) 매치 시도는 본격 매치 이전에 발생한다. 확률로 각 결과에 가중치를 부여하면, 예상 매칭 수 Nexp는 수학식 1로 나타낼 수 있다.
(1)
시도 횟수를 등록 데이터베이스(N/2)를 재정렬하지 않고 횟수와 비교하면 수학 식 2로 표현되는 가속 또는 스피드업 계수 A가 제공된다.
(2)
예를 들어 Fuchs' Crypts를 구별하는 광대역 특징으로 사용하면 α = 0.4 및 P = 0.9로 결과 A = 2가 된다. 그러나 α = 0.2이고 P = 0.95 인 경우(지문 분류 및 견고한 평가와 같이, 5 개의 균등하게 분포된 그룹의 경우처럼) A = 4 이다. 우선 순위 그룹의 크기가 줄어들고 그룹을 구별하는 특성을 올바르게 평가할 확률이 증가함에 따라 A는 A ~ 1/α로 증가하고 분수 α가 작아짐에 따라 정확한 특성 평가 확률 및 A ~ 1/(1 - P)가 높다.
일부 실시예에서, 여러(예를 들어, N)개의 특징 각각의 정도가 이용 가능하다면, 다른 데이터베이스 정렬 방식이 구현될 수 있다. 이러한 실시예에서, 각각의 등록된 홍채는 N-차원 공간에 상주할 수 있고 프로브 및 등록 홍채 사이의 그러한 공간(예를 들어, 유클리드 거리)에서의 거리는 매칭 순서를 결정할 것이다.
도 16은 시스템(300)을 구현하는 예시적인 프로세스(400)를 예시하는 흐름도이다. 시작하기 위해, 단계(402)에서, 대상의 홍채는 적어도 하나의 조명 원으로 조명된다. 단계 404에서, 대상의 홍채의 적어도 하나의 프로브 이미지가 적어도 하나의 카메라로 캡처될 수 있다. 각각의 프로브 이미지에는 근거리 및 광대역 홍채 텍스처 정보의 형태로 홍채 생체 데이터가 포함된다. 단계 406에서, 처리 장치는 입력으로서 프로브 이미지를 수신하고 등록 광대역 홍채 텍스처 정보에 대한 프로브 광대역 홍채 텍스처 정보의 생체 분석에 기초하여 데이터베이스에 전자적으로 저장된 등록 홍채 생체 데이터의 최적화 순서를 생성할 수 있다. 최적화 순서에는 프로브 및 등록 광대역 홍채 텍스처 정보 사이의 가장 가까운 매칭부터 가장 먼 매칭 순으로 정렬된 등록 홍채 생체 인식 데이터 목록이 포함된다. 단계 408에서, 처리 장치는 프로브 및 등록 광대역 텍스처 정보 사이의 가장 가까운 매칭으로 시작하는, 프로브 근거리 홍채 텍스처 정보 및 등록 근거리 홍채 텍스처 정보에 기초하여, 생체 진본성에 대한 홍채 생체 데이터를 분석할 수 있다.
도 17은 본 개시 내용의 예시적인 실시예들에 따른 컴퓨팅 디바이스(500)의 블록도이다. 컴퓨팅 장치(500)는 예시적인 실시예를 구현하기 위한 하나 이상의 컴퓨터 실행 가능 명령어 또는 소프트웨어를 저장하기 위한 하나 이상의 비-일시적 컴퓨터 판독 가능 매체를 포함한다. 비-일시적 컴퓨터 판독 가능 매체는 하나 이상의 유형의 하드웨어 메모리, 비-일시적 유형 매체(예를 들어, 하나 이상의 자기 저장 디스크, 하나 이상의 광학 디스크, 하나 이상의 플래시 드라이브) 등이 있다. 예를 들어, 컴퓨팅 장치(500)에 포함된 메모리(506)는 본 발명의 예시적인 실시예를 구현하기 위한 컴퓨터 판독 가능 및 컴퓨터 실행 가능 명령어 또는 소프트웨어(예를 들어, 조명 원을 작동하기 위한 명령어, 카메라를 작동하기 위한 명령어, 처리 장치작동하기 위한 명령어, 통신 인터페이스를 작동하기 위한 명령어, 사용자 인터페이스를 작동하기 위한 명령어, 중앙 컴퓨팅 시스템을 작동하기 위한 명령어, 이들의 조합 등)를 저장할 수 있다. 컴퓨팅 장치(500)는 또한 구성 가능 및/또는 프로그래밍 가능 프로세서(502) 및 관련 코어(504)와, 선택적으로, 하나 이상의 추가 구성 가능 및/또는 프로그래밍 가능 프로세서(들)(502') 및 관련 코어(들)(504')(예를 들어, 다중 프로세서/코어를 갖는 컴퓨터 시스템의 경우)을 포함하며, 이는 메모리(506)에 저장된 컴퓨터 판독 가능 및 컴퓨터 실행 가능 명령 또는 소프트웨어 및 시스템 하드웨어를 제어하기 위한 기타 프로그램을 실행하기 위한 것이다. 프로세서(502) 및 프로세서(들)(502')는 각각 단일 코어 프로세서 또는 다중 코어(504 및 504') 프로세서 일 수 있다.
컴퓨팅 장치(500)의 인프라 및 리소스가 동적으로 공유될 수 있도록 가상화가 컴퓨팅 장치(500)에 사용될 수 있다. 가상 머신(514)은 다중 프로세서에서 실행되는 프로세스를 처리하도록 제공되어 프로세스가 다중 컴퓨팅 리소스가 아닌 하나의 컴퓨팅 리소스만을 사용하는 것처럼 보인다. 하나의 프로세서에 여러 가상 머신을 사용할 수도 있다. 메모리(506)는 DRAM, SRAM, EDO RAM 등과 같은 컴퓨터 시스템 메모리 또는 랜덤 액세스 메모리를 포함할 수 있다. 메모리(506)는 또한 다른 유형의 메모리 또는 이들의 조합을 포함할 수 있다.
사용자는 예시적인 실시예에 따라 제공될 수 있는 적어도 하나의 사용자 인터페이스(520)(예를 들어, 그래픽 사용자 인터페이스)를 표시할 수 있는 컴퓨터 모니터와 같은 시각적 디스플레이 장치(518)(예: 개인용 컴퓨터, 모바일 스마트 장치 등)를 통해 컴퓨팅 장치(500)와 상호 작용할 수 있다. 컴퓨팅 장치(500)는 사용자로부터 입력을 수신하기 위한 다른 I/O 장치, 예를 들어 카메라, 키보드, 지문 스캐너, 마이크 또는 임의의 적절한 다지점 터치 인터페이스(508), 포인팅 장치(510)(예: 마우스). 키보드(508) 및 포인팅 장치(510)는 시각적 디스플레이 장치(518)에 연결될 수 있다. 컴퓨팅 장치(500)는 다른 적절한 종래의 I/O 주변기기를 포함할 수 있다.
컴퓨팅 장치(500)는 또한 하드 드라이브, CD-ROM, eMMC(MultiMediaCard), SD(보안 디지털) 카드, 플래시 드라이브, 비 휘발성 저장 매체와 같은 적어도 하나의 저장 장치(524)를 포함할 수 있다. 본 명세서에 설명된 생체 분석 시스템의 예시적인 실시예를 구현하는 데이터 및 컴퓨터 판독 가능 명령 및/또는 소프트웨어를 저장하기 위한 다른 컴퓨터 판독 가능 매체. 예시적인 저장 장치(524)는 또한 예시적인 실시예들을 구현하는데 필요한 임의의 적절한 정보를 저장하기 위한 적어도 하나의 데이터베이스(526)를 저장할 수 있다. 예를 들어, 예시적인 저장 장치(524)는 프로브 이미지, 등록 데이터, 인증 데이터, 이들의 조합 등과 관련된 데이터와 같은 정보를 저장하기 위한 적어도 하나의 데이터베이스(526), 및 여기에 설명된 예시적 실시예들을 구현하는 컴퓨터 판독 가능 명령 및/또는 소프트웨어를 저장할 수 있다. 데이터베이스(526)는 데이터베이스에서 하나 이상의 항목을 추가, 삭제 및/또는 업데이트하기 위해 임의의 적절한 시간에 수동 또는 자동으로 업데이트될 수 있다.
컴퓨팅 장치(500)는 적어도 하나의 네트워크 장치(522)를 통해 하나 이상의 네트워크, 예를 들어 근거리 통신망(LAN), 광역 통신망(WAN) 또는 다양한 연결을 통해 인터넷과 인터페이스하도록 구성된 네트워크 인터페이스(512)를 포함할 수 있고, 상기 다양한 연결은 표준 전화선, LAN 또는 WAN 링크(예: 802.11, T1, T3, 56kb, X.25), 광대역 연결(예: ISDN, 프레임 릴레이, ATM), 무선 연결, CAN(Controller Area Network) 또는 위의 일부 또는 전부의 조합을 포함하지만 이에 제한되지 않는다. 네트워크 인터페이스(512)는 내장 네트워크 어댑터, 네트워크 인터페이스 카드, PCMCIA 네트워크 카드, Pa CI/PCIe 네트워크 어댑터, SD 어댑터, 블루투스 어댑터, 카드 버스 네트워크 어댑터, 무선 네트워크 어댑터, USB 네트워크 어댑터, 모뎀 또는 컴퓨팅 장치(500)를 통신할 수 있고 여기에 설명된 동작을 수행할 수 있는 임의의 유형의 네트워크에 인터페이스하기에 적합한 임의의 다른 장치를 포함한다. 또한, 컴퓨팅 장치(500)는 워크 스테이션, 데스크탑 컴퓨터, 서버, 랩톱, 핸드 헬드 컴퓨터, 태블릿 컴퓨터(예: 태블릿 컴퓨터), 모바일 컴퓨팅 또는 통신 장치(예: 스마트 폰 통신 장치), 임베디드 컴퓨팅 플랫폼, 또는 통신할 수 있고 여기에 설명된 동작을 수행하기에 충분한 프로세서 전력 및 메모리 용량을 갖는 다른 형태의 컴퓨팅 또는 통신 장치와 같은 임의의 컴퓨터 시스템 일 수 있다.
컴퓨팅 장치(500)는 임의의 운영 체제(516), 예를 들어, Microsoft® Windows® 운영 체제의 임의의 버전, Unix 및 Linux 운영 체제의 다른 릴리스, Macintosh 컴퓨터 용 MacOS®의 모든 버전, 임의의 임베디드 운영 체제, 임의의 실시간 운영 체제, 임의의 오픈 소스 운영 체제, 임의의 독점 운영 체제 또는 컴퓨팅 장치에서 실행되고 여기에 설명된 작업을 수행할 수 있는 임의의 기타 운영 체제를 실행할 수 있다. 예시적인 실시예에서, 운영 체제(516)는 네이티브 모드 또는 에뮬레이트된 모드에서 실행될 수 있다. 예시적인 실시예에서, 운영 체제(516)는 하나 이상의 클라우드 머신 인스턴스에서 실행될 수 있다.
도 18은 본 개시 내용의 예시적인 실시예들에 따른 예시적인 생체 분석 시스템 환경(600)의 블록도이다. 환경(600)은 통신 플랫폼(620)을 통해 적어도 하나의 조명 원(606), 적어도 하나의 카메라(608), 적어도 하나의 처리 장치(610), 사용자 인터페이스(612) 및 중앙 컴퓨팅 시스템(614)과 통신하도록 구성된 서버(602, 604)를 포함할 수 있고, 이러한 통신 플랫폼은 네트워크에 통신적으로 연결된 장치간에 정보가 전송될 수 있는 임의의 네트워크일 수 있다. 예를 들어, 통신 플랫폼(620)은 인터넷, 인트라넷, 가상 사설망(VPN), 광역 통신망(WAN), 근거리 통신망(LAN) 등일 수 있다. 일부 실시예에서, 통신 플랫폼(620)은 클라우드 환경의 일부일 수 있다.
환경(600)은 서버(602, 604)뿐만 아니라 통신 플랫폼(620)을 통해, 적어도 하나의 조명 원(606), 적어도 하나의 카메라(608), 적어도 하나의 처리 장치(610), 사용자 인터페이스(612) 및 중앙 컴퓨팅 시스템(614)와 통신할 수 있는 저장소 또는 데이터베이스(616, 618)를 포함할 수 있다.
예시적인 실시예에서, 서버(602, 604), 적어도 하나의 조명 원(606), 적어도 하나의 카메라(608), 적어도 하나의 처리 장치(610), 사용자 인터페이스(612) 및 중앙 컴퓨팅 시스템(614)은 컴퓨팅 장치(예를 들어, 컴퓨팅 장치(500))로 구현될 수 있다. 당 업자는 데이터베이스(616, 618)가 서버(602, 604) 중 적어도 하나에 통합될 수 있음을 인식할 것이다. 일부 실시예에서, 데이터베이스(616, 618)는 프로브 이미지, 등록 데이터, 인증 데이터, 이들의 조합 등에 관한 데이터를 저장할 수 있고, 이러한 데이터는 다수의 데이터베이스(616, 618)에 걸쳐 분산될 수 있다.
여기에 개시된 예시적인 시스템은 정확하고/하거나 효율적인 생체 진본성을 제공한다. 본 개시는 때때로 별도의 설명을 사용하여 및/또는 별도의 시스템으로 생체 분석 매칭 정확도 향상 시스템 및 생체 분석 매칭 효율 향상 시스템을 설명 하였지만, 각 시스템의 하나 이상의 구성 요소가 조합하여 제시될 수 있어서, 하나의 시스템이 정확도 및 효율 모두를 향상시키기 위해 제공될 수 있음이 당업자에 의해 이해되어야한다. 일부 실시예에서, 예시적인 시스템은 단일 생체 분석 시스템으로서 함께 기능할 수 있으며, 각 시스템은 생체 진본성을 위한 정확도 및/또는 효율성 수준을 제공한다.
본 명세서에서 예시적인 실시예가 설명되었지만, 이들 실시예는 제한적인 것으로 해석되어서는 안되며, 오히려 본 명세서에 명시 적으로 설명된 것에 대한 추가 및 수정도 본 발명의 범위 내에 포함된다는 점이 명백히 주목된다. 더욱이, 본 명세서에 기술된 다양한 실시예의 특징은 상호 배타적이지 않으며, 이러한 조합 또는 순열이 본 명세서에서 명시되지 않더라도, 본 명세서의 사상 및 범위를 벗어나지 않고서도 다양한 조합 및 순열로 존재할 수 있음을 이해해야한다.
Claims (62)
- 적어도 생체 분석 매칭 정확도를 향상시키기 위한 시스템으로서,
대상의 홍채에 대한 적어도 하나의 프로브 이미지를 캡처하도록 구성된 적어도 하나의 카메라 - 상기 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 갖고, 상기 홍채 생체 데이터는 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보를 포함함; 및
적어도 하나의 카메라와 통신하는 처리 장치를 포함하되, 상기 처리 장치는:
(i) 홍채 생체 진본성에 대해 적어도 하나의 프로브 이미지의 프로브 근거리 홍채 텍스처 정보를 분석하도록 구성되고;
(ii) 홍채 생체 진본성을 위해 적어도 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 분석하도록 구성되며; 그리고
(iii) 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보의 생체 진본성을 기반으로 대상의 생체 진본성을 결정하도록 구성되는, 시스템. - 제 1 항에 있어서, 대상의 홍채를 조명하도록 구성된 적어도 하나의 조명 원을 포함하고, 상기 처리 장치는 상기 적어도 하나의 조명 원과 통신하는 시스템.
- 제 2 항에 있어서, 상기 적어도 하나의 조명 원은 근적외선 광으로 대상의 홍채를 조명하도록 구성되는 시스템.
- 제 2 항에 있어서, 상기 적어도 하나의 카메라는 적어도 하나의 조명 원으로 대상을 조명하는 동안 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하도록 구성되는 시스템.
- 제 1 항에 있어서, 생체 진본성을 위해 프로브 근거리 홍채 텍스처 정보를 분석하는 단계는 상기 프로브 근거리 홍채 텍스처 정보를 등록 근거리 홍채 텍스처 정보와 비교하는 단계를 포함하는 시스템.
- 제 1 항에 있어서, 생체 진본성을 위해 프로브 광대역 홍채 텍스처 정보를 분석하는 단계는 상기 프로브 광대역 홍채 텍스처 정보를 등록 광대역 홍채 텍스처 정보와 비교하는 단계를 포함하는 시스템.
- 제 1 항에 있어서, 상기 처리 장치는 상기 프로브 광대역 홍채 텍스처 정보에 기초하여 상기 생체 진본성 결정을 대상의 생체 진본성에 대한 최종 결정 인자로서 적용하도록 구성되는 시스템.
- 제 1 항에 있어서, 상기 적어도 하나의 프로브 이미지는 대상의 왼쪽 및 오른쪽 홍채와 관련된 홍채 생체 데이터를 포함하는 시스템.
- 제 8 항에 있어서, 상기 처리 장치는 대상의 좌측 및 우측 홍채 둘 다에 대한 프로브 근거리 및 광대역 홍채 텍스처 정보를 분석하도록 구성되는 시스템.
- 제 1 항에 있어서, 상기 처리 장치는 상기 프로브 근거리 홍채 텍스처 정보에 대해 상기 홍채 생체 진본성이 발견되는 정도에 대응하는 근거리 스코어를 생성하도록 구성되는 시스템.
- 제 10 항에 있어서, 상기 프로브 근거리 홍채 텍스처 정보의 홍채 생체 진본성에 대해 생성된 스코어가 근거리 임계 값보다 더 우수한 경우, 상기 처리 장치는 홍채 생체 진본성에 대한 적어도 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 분석하도록 구성되는 시스템.
- 제 11 항에 있어서, 상기 처리 장치는 상기 프로브 광대역 홍채 텍스처 정보에 대해 상기 홍채 생체 진본성이 발견되는 정도에 대응하는 광대역 스코어를 생성하도록 구성되는 시스템.
- 제 12 항에 있어서, 상기 생성된 광대역 스코어가 광대역 임계 값보다 우수하면, 대상의 긍정 생체 진본성이 결정되는 시스템.
- 적어도 생체 분석 매칭 정확도를 향상시키기 위한 방법으로서,
적어도 하나의 카메라로 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하는 단계 - 상기 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 포함하고, 상기 홍채 생체 데이터는 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보를 포함함;
처리 장치를 통해, 홍채 생체 진본성을 위해 적어도 하나의 프로브 이미지의 프로브 근거리 홍채 텍스처 정보를 분석하는 단계;
처리 장치를 통해, 홍채 생체 진본성을 위해 적어도 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 분석하는 단계; 및
프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보의 생체 진본성을 기반으로 대상의 생체 진본성을 결정하는 단계를 포함하는, 방법. - 제 14 항에 있어서, 적어도 하나의 조명 원으로 대상의 홍채를 조명하는 단계를 포함하는 방법.
- 제 15 항에 있어서, 적어도 하나의 조명 원으로부터의 근적외선 광으로 대상의 홍채를 조명하는 단계를 포함하는 방법.
- 제 15 항에 있어서, 상기 적어도 하나의 조명 원으로 대상을 조명하는 동안 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하는 단계를 포함하는 방법.
- 제 14 항에 있어서, 생체 진본성을 위해 프로브 근거리 홍채 텍스처 정보를 분석하는 단계는 상기 프로브 근거리 홍채 텍스처 정보를 등록 근거리 홍채 텍스처 정보와 비교하는 단계를 포함하는 방법.
- 제 14 항에 있어서, 생체 진본성을 위해 프로브 광대역 홍채 텍스처 정보를 분석하는 단계는 상기 프로브 광대역 홍채 텍스처 정보를 등록 광대역 홍채 텍스처 정보와 비교하는 단계를 포함하는 방법.
- 제 14 항에 있어서, 상기 처리 장치를 통해, 상기 프로브 광대역 홍채 텍스처 정보에 기초하여 상기 생체 진본성 결정을 대상의 생체 진본성에서의 최종 결정 인자로서 적용하는 단계를 포함하는 방법.
- 제 14 항에 있어서, 상기 적어도 하나의 프로브 이미지는 대상의 왼쪽 및 오른쪽 홍채와 관련된 홍채 생체 데이터를 포함하고, 상기 방법은 처리 장치를 통해 대상의 왼쪽 및 오른쪽 홍채 모두의 프로브 근거리 및 광대역 홍채 텍스처 정보를 분석하는 단계를 포함하는 방법. .
- 적어도 처리 장치에 의해 실행 가능한 생체 분석 매칭 정확도를 향상시키기 위한 명령을 저장하는 비-일시적 컴퓨터 판독 가능 매체로서, 상기 처리 장치에 의한 명령의 실행으로 인해 상기 처리 장치가:
적어도 하나의 카메라로 대상의 홍채의 적어도 하나의 프로브 이미지를 캡처하고 - 적어도 하나의 프로브 이미지는 대상의 홍채와 관련된 홍채 생체 데이터를 포함하고, 상기 홍채 생체 데이터는 프로브 근거리 홍채 텍스처 정보 및 프로브 광대역 홍채 텍스처 정보를 포함함;
상기 처리 장치를 통해, 홍채 생체 진본성을 위해 적어도 하나의 프로브 이미지의 프로브 근거리 홍채 텍스처 정보를 분석하며;
상기 처리 장치를 통해, 홍채 생체 진본성에 대해 적어도 하나의 프로브 이미지의 프로브 광대역 홍채 텍스처 정보를 분석하고; 그리고,
프로브의 근거리 홍채 텍스처 정보와 프로브 광대역 홍채 텍스처 정보의 생체 인식 진본성을 기반으로 대상의 생체 진본성을 결정하는, 비-일시적 컴퓨터 판독 가능 매체. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862756138P | 2018-11-06 | 2018-11-06 | |
| US62/756,138 | 2018-11-06 | ||
| PCT/US2019/060029 WO2020097178A1 (en) | 2018-11-06 | 2019-11-06 | Systems and methods of enhancing biometric matching accuracy and/or efficiency |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210136963A KR20210136963A (ko) | 2021-11-17 |
| KR102637250B1 true KR102637250B1 (ko) | 2024-02-16 |
Family
ID=70459924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217017449A KR102637250B1 (ko) | 2018-11-06 | 2019-11-06 | 생체 측정 정확도 및/또는 효율성 강화 시스템 및 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US11157733B2 (ko) |
| KR (1) | KR102637250B1 (ko) |
| CA (1) | CA3118891C (ko) |
| WO (1) | WO2020097178A1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11138429B2 (en) * | 2018-03-12 | 2021-10-05 | Tobii Ab | Iris recognition using eye-tracking system |
| JP6869453B2 (ja) * | 2019-02-21 | 2021-05-12 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
| US20210365533A1 (en) * | 2020-05-20 | 2021-11-25 | Facebook Technologies, Llc | Systems and methods for authenticating a user of a head-mounted display |
| CN112507981B (zh) * | 2021-02-02 | 2021-05-18 | 上海聚虹光电科技有限公司 | 模型生成方法、虹膜图像质量评估方法及电子设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110075893A1 (en) | 2009-09-25 | 2011-03-31 | International Business Machines Corporation | Iris recognition system and method |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8402040B2 (en) * | 2004-08-20 | 2013-03-19 | Morphotrust Usa, Inc. | Method and system to authenticate an object |
| KR100804798B1 (ko) * | 2006-03-16 | 2008-02-20 | 주식회사 에스원 | 홍채 인식 시스템 및 그 방법, 이를 이용한 보안 시스템 및그 방법 |
| US9064145B2 (en) * | 2011-04-20 | 2015-06-23 | Institute Of Automation, Chinese Academy Of Sciences | Identity recognition based on multiple feature fusion for an eye image |
| KR20180102637A (ko) | 2016-01-12 | 2018-09-17 | 프린스톤 아이덴티티, 인크. | 바이오메트릭 분석의 시스템 및 방법 |
| US10366296B2 (en) * | 2016-03-31 | 2019-07-30 | Princeton Identity, Inc. | Biometric enrollment systems and methods |
| EP3458997A2 (en) | 2016-05-18 | 2019-03-27 | Eyelock, LLC | Iris recognition methods and systems based on an iris stochastic texture model |
-
2019
- 2019-11-06 CA CA3118891A patent/CA3118891C/en active Active
- 2019-11-06 WO PCT/US2019/060029 patent/WO2020097178A1/en active Application Filing
- 2019-11-06 KR KR1020217017449A patent/KR102637250B1/ko active IP Right Grant
- 2019-11-06 US US16/675,546 patent/US11157733B2/en active Active
-
2021
- 2021-10-21 US US17/507,218 patent/US11380135B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110075893A1 (en) | 2009-09-25 | 2011-03-31 | International Business Machines Corporation | Iris recognition system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200143163A1 (en) | 2020-05-07 |
| CA3118891A1 (en) | 2020-05-14 |
| US20220044015A1 (en) | 2022-02-10 |
| US11157733B2 (en) | 2021-10-26 |
| US11380135B2 (en) | 2022-07-05 |
| WO2020097178A1 (en) | 2020-05-14 |
| CA3118891C (en) | 2023-02-28 |
| KR20210136963A (ko) | 2021-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102637250B1 (ko) | 생체 측정 정확도 및/또는 효율성 강화 시스템 및 방법 | |
| Bhanu et al. | Deep learning for biometrics | |
| US11380119B2 (en) | Pose-aligned networks for deep attribute modeling | |
| Shan et al. | A deep learning method for microaneurysm detection in fundus images | |
| Lee et al. | Vasir: an open-source research platform for advanced iris recognition technologies | |
| Jin et al. | Construction of retinal vessel segmentation models based on convolutional neural network | |
| CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
| CN113240655B (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
| Hossain et al. | Tissue artifact segmentation and severity assessment for automatic analysis using wsi | |
| Chen et al. | Explainable AI: a multispectral palm-vein identification system with new augmentation features | |
| Jalilian et al. | Improved CNN-segmentation-based finger vein recognition using automatically generated and fused training labels | |
| Sujana et al. | An effective CNN based feature extraction approach for iris recognition system | |
| Shaus et al. | Writer Identification in Modern and Historical Documents via Binary Pixel Patterns, Kolmogorov–Smirnov Test and Fisher's Method | |
| CN113269136A (zh) | 一种基于triplet loss的离线签名验证方法 | |
| Siddiqui et al. | Attention based covid-19 detection using generative adversarial network | |
| Hahmann et al. | Combination of facial landmarks for robust eye localization using the Discriminative Generalized Hough Transform | |
| Wijaya | Capital Letter Pattern Recognition in Text to Speech by Way of Perceptron Algorithm. | |
| Hameed | Deep Semantic Segmentation Based Positive-Unlabeled Convolutional Neural Network for Low Quality Finger Vein Image Pattern Extraction | |
| Dabbara et al. | Comparative Analysis of Machine Learning Algorithms for Biometric Iris Recognition Systems | |
| Abd Razak et al. | Automatic firing pin impression identification based on feature fusion of fractal dimension and geometric moment | |
| KR102165487B1 (ko) | 비정형 피부질환 영상데이터를 활용한 피부 질환 판독 시스템 | |
| Souza et al. | Handwritten numerical character recognition based on paraconsistent artificial neural networks | |
| Rehkha | Differentiating monozygotic twins by facial features | |
| Bargan et al. | IRIS Detection using Hamming Distance Model | |
| Olatunji et al. | Feature Level Fusion Algorithm for Iris and Face |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |