TW201941018A - 指紋辨識模組的控制方法 - Google Patents

Abstract

一種指紋辨識模組的控制方法，適用於包含一分類器的一控制模組及一指紋辨識模組，並包含下列步驟：該指紋辨識模組操作在一個休眠模式；藉由該控制模組觸發該指紋辨識模組；藉由該指紋辨識模組擷取一個影像；藉由該控制模組提取該影像的多個影像特徵；藉由該分類器根據該等影像特徵，判斷該影像是否屬於一個手指集合；當該分類器判斷該影像屬於該手指集合時，該控制模組產生一個匹配成功結果。利用該控制模組判斷該影像是否屬於該手指集合，使得能夠排除該指紋辨識模組的非指紋誤報，進而達到降低非必要的電量損耗。

Description

指紋辨識模組的控制方法

本發明是有關於一種控制方法，特別是指一種指紋辨識模組的控制方法。

指紋辨識模組已廣泛應用於各種行動裝置，如智慧型手機、平板電腦、筆記型電腦等等，為避免指紋辨識模組一直處於偵測與辨識的運作狀態，而過度消耗電池的電力，習知的指紋辨識模組通常會交替的操作在休眠模式及正常模式，例如每操作在休眠模式一預定時間之後，再操作在正常模式一次。然而，在各種行動裝置的實際使用狀況下，例如長時間的放在手提包或口袋中，該指紋辨識模組操作在該正常模式時，都是擷取到口袋中的硬幣的影像、潮濕的衣物布料的影像、電磁干擾觸發的空白影像等等的錯誤訊息(即不是真正的手指指紋)。因此，習知的指紋辨識模組這種交替操作在休眠模式及正常模式的控制方法還存有改善的空間。

因此，本發明的目的，即在提供一種排除非指紋辨識模組的誤報以降低非必要的電量損耗的指紋辨識模組的控制方法。

於是，本發明指紋辨識模組的控制方法，適用於一個包含一個分類器的控制模組及一個指紋辨識模組，並包含步驟(a)~(f)。

於步驟(a)，該指紋辨識模組操作在一個休眠模式。於步驟(b)，藉由該控制模組觸發該指紋辨識模組。於步驟(c)，藉由該指紋辨識模組擷取一個影像。於步驟(d)，藉由該控制模組提取該影像的多個影像特徵。於步驟(e)，藉由該分類器根據該等影像特徵，判斷該影像是否屬於一個手指集合。於步驟(f)，當該分類器判斷該影像屬於該手指集合時，該控制模組產生一個匹配成功結果。

在一些實施態樣中，其中，在步驟(e)及(f)之間，還包含步驟(g)，當該分類器判斷該影像屬於該手指集合時，該影像辨識模組執行一個匹配流程，當該匹配流程指示該影像與一個預定指紋不匹配時，則執行步驟(a)。

其中，在步驟(f)，當該分類器判斷該影像屬於該手指集合時，該控制模組還根據該影像辨識模組所執行的該匹配流程指示該影像與該預定指紋匹配時，該控制模組才會產生該匹配成功結果。

在另一些實施態樣中，該控制方法還包含步驟(h)及(i)，其中，步驟(h)在步驟(c)及(d)之間。於步驟(h)，藉由該影像辨識模組執行一個匹配流程。於步驟(i)，當該匹配流程指示該影像與一個預定指紋匹配時，該影像辨識模組產生該匹配成功結果。

其中，在步驟(d)，當該匹配流程指示該影像與該預定指紋不匹配時，該控制模組才會提取該影像的多個影像特徵。

在另一些實施態樣中，其中，在步驟(d)的該等影像特徵相關於一個灰度伴隨矩陣(Co-ccurrence Matrix)、一個局部二值模式(Local Binary Patterns；LBP)、及一個方向梯度直方圖(Histogram of Oriented Gradient；HOG)之其中至少一種。

在一些實施態樣中，其中，在步驟(d)中，當該等影像特徵是相關於該灰度伴隨矩陣時，該等影像特徵包含該影像中的交叉點的數量、該灰度伴隨矩陣的一個熵值、及該影像的一個對比度。

在另一些實施態樣中，其中，該分類器屬於支持向量機(Support Vector Machine；SVM)、深度神經網路、聚類(Cluster)之其中一種技術。

本發明的功效在於：藉由該控制模組的該分類器判斷該影像的該等影像特徵是否屬於該手指集合，使得當該影像屬於該手指集合時，該指紋辨識模組才會執行該匹配流程，或者，雖然該指紋辨識模組先判斷該影像不匹配時，而該控制模組判斷該影像屬於該手指集合，都會產生該匹配結果，使得能夠排除該指紋辨識模組的非指紋誤報，進而達到降低非必要的電量損耗。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，本發明指紋辨識模組的控制方法的第一實施例適用於一個包含一個分類器11的控制模組1及一個指紋辨識模組2。該指紋辨識模組2與習知的指紋辨識模組相似，也是操作在一個正常模式及一個休眠模式之間，但其差異的地方在於：操作在哪個模式的時機與條件不同，且可以執行該正常模式下的部分功能。

參閱圖1與圖2，該控制方法包含步驟S1~S7。

於步驟S1，該指紋辨識模組2操作在該休眠模式。也就是說，此時，該指紋辨識模組2處於省電的狀態，並不會擷取影像或作任何影像辨識與指紋偵測。

於步驟S2，藉由該控制模組1觸發該指紋辨識模組2。

於步驟S3，藉由該指紋辨識模組2擷取一個影像。由步驟S2及S3可知，該控制模組1例如是每隔一預定時間，觸發該指紋辨識模組2由該休眠模式喚醒，進而擷取該影像，也就是說，該指紋辨識模組2並不是完整地執行該正常模式，例如，並未偵測影像或辨識影像，而是僅僅被觸發喚醒，以擷取該影像。

於步驟S4，藉由該控制模組1提取該影像的多個影像特徵。更詳細地說，該等影像特徵相關於一個灰度伴隨矩陣(Co-ccurrence Matrix)、一個局部二值模式(Local Binary Patterns)、及一個方向梯度直方圖(Histogram of Oriented Gradient；HOG)之其中至少一種。在本實施例中，該等影像特徵包含該影像中的交叉點的數量、該灰度伴隨矩陣的一個熵值(Entropy)、及該影像的一個對比度。其中，該熵值及該對比度相關於該灰度伴隨矩陣。

於步驟S5，藉由該分類器11根據該等影像特徵，判斷該影像是否屬於一個手指集合。當該分類器11判斷該影像屬於該手指集合時，執行步驟S6。

該分類器11屬於支持向量機(Support Vector Machine；SVM)、深度神經網路(Deep Neural Network)、聚類(Cluster)之其中一種技術，但不限於此，在本實施例中，該分類器11屬於支持向量機(SVM)的技術。該分類器11利用機器學習的方式，對該手指集合及一個非手指集合進行分類，例如事先提供多個手指指紋的影像作為手指集合的訓練集、及多個非手指指紋的影像作為非手指集合的訓練集，以生成分類器模型。在本實施例中，該分類器是以影像中的交叉點的數量、該灰度伴隨矩陣的該熵值、及該影像的該對比度共三個維度進行機器學習的分類。當該分類器11根據該三個維度的該三個影像特徵及該分類器模型，判斷該影項屬於該手指集合時，表示該影像為指紋的圖像。

舉例來說，該分類器11是藉由提取該影像中關於脊線的資訊，判斷每個脊線點的鄰域脊線點個數，當鄰域脊線點個數大於2時，判斷為一個交叉點，並統計滿足這種條件下的脊線點數量，而獲得該影像中的交叉點的數量。

於步驟S6，該影像辨識模組執行一個匹配流程，該匹配流程即相當於習知的該指紋辨識模組操作在該正常模式時，所執行的對該影像作完整的偵測及辨識。當該匹配流程指示該影像與一個預定指紋不匹配時，則執行步驟S1。當該匹配流程指示該影像與該預定指紋匹配時，即表示該影像符合一個預定使用者的手指指紋，則執行步驟S7。

於步驟S7，該控制模組1產生一個匹配成功結果。例如傳送至該行動裝置的一個處理單元，以執行螢幕解鎖或網路付款的功能。

參閱圖1與圖3，本發明指紋辨識模組的控制方法的第二實施包含步驟S1~S8。其中，步驟S1~S7與該第一實施例大致上相同，不同的地方在於：步驟執行的順序。

於步驟S1，該指紋辨識模組2操作在該休眠模式。

於步驟S2，藉由該控制模組1觸發該指紋辨識模組2。

於步驟S3，藉由該指紋辨識模組2擷取一個影像。

於步驟S6，該影像辨識模組執行一個匹配流程。當該匹配流程指示該影像與一個預定指紋不匹配時，則執行步驟S4。當該匹配流程指示該影像與該預定指紋匹配時，即表示該影像符合一個預定使用者的手指指紋，則執行步驟S8。

於步驟S8，該指紋辨識模組2產生一個匹配成功結果。例如傳送至該行動裝置的一個處理單元，以執行螢幕解鎖或網路付款的功能。

於步驟S4，藉由該控制模組1提取該影像的多個影像特徵。

於步驟S5，藉由該分類器11根據該等影像特徵，判斷該影像是否屬於一個手指集合。當該分類器11判斷該影像屬於該手指集合時，執行步驟S7。當該分類器11判斷該影像不屬於該手指集合時，執行步驟S1。

於步驟S7，當該控制模組1產生該匹配成功結果。

綜上所述，由第一實施例可知，藉由該分類器11對該影像的該等影像特徵先作判斷，能夠減少習知指紋辨識模組2直接辨識非指紋的誤報，所造成非必要的電量損耗，而達到更加省電的效果，再由第二實施例可知，當該指紋辨識模組2發生誤判時，也就是將手指指紋辨識為非手指指紋時，藉由該分類器11的判斷仍能正常產生該匹配成功結果，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

1‧‧‧控制模組

11‧‧‧分類器

2‧‧‧指紋辨識模組

S1~S8‧‧‧步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一方塊圖，說明本發明指紋辨識模組的控制方法所適用的一控制模組及一指紋辨識模組； 圖2是一流程圖，說明本發明指紋辨識模組的控制方法的一第一實施例；及 圖3是一流程圖，說明本發明指紋辨識模組的控制方法的一第二實施例。

Claims (6)

1. 一種指紋辨識模組的控制方法，適用於一個包含一個分類器的控制模組及一個指紋辨識模組，並包含下列步驟： (a)該指紋辨識模組操作在一個休眠模式； (b)藉由該控制模組觸發該指紋辨識模組； (c)藉由該指紋辨識模組擷取一個影像； (d)藉由該控制模組提取該影像的多個影像特徵； (e)藉由該分類器根據該等影像特徵，判斷該影像是否屬於一個手指集合；及 (f)當該分類器判斷該影像屬於該手指集合時，該控制模組產生一個匹配成功結果。
2. 如請求項1所述的指紋辨識模組的控制方法，其中，在步驟(e)及(f)之間，還包含步驟(g)， (g)當該分類器判斷該影像屬於該手指集合時，該影像辨識模組執行一個匹配流程，當該匹配流程指示該影像與一個預定指紋不匹配時，則執行步驟(a)， 其中，在步驟(f)，當該分類器判斷該影像屬於該手指集合時，該控制模組還根據該影像辨識模組所執行的該匹配流程指示該影像與該預定指紋匹配時，該控制模組才會產生該匹配成功結果。
3. 如請求項1所述的指紋辨識模組的控制方法，還包含步驟(h)及(i)，其中，步驟(h)在步驟(c)及(d)之間， (h)藉由該影像辨識模組執行一個匹配流程， (i)當該匹配流程指示該影像與一個預定指紋匹配時，該影像辨識模組產生該匹配成功結果， 其中，在步驟(d)，當該匹配流程指示該影像與該預定指紋不匹配時，該控制模組才會提取該影像的多個影像特徵。
4. 如請求項1所述的指紋辨識模組的控制方法，其中，在步驟(d)的該等影像特徵相關於一個灰度伴隨矩陣(Co-ccurrence Matrix)、一個局部二值模式(Local Binary Patterns)、及一個方向梯度直方圖(Histogram of Oriented Gradient；HOG)之其中至少一種。
5. 如請求項4所述的指紋辨識模組的控制方法，其中，在步驟(d)中，當該等影像特徵是相關於該灰度伴隨矩陣時，該等影像特徵包含該影像中的交叉點的數量、該灰度伴隨矩陣的一個熵值、及該影像的一個對比度。
6. 如請求項1所述的指紋辨識模組的控制方法，其中，該分類器屬於支持向量機(Support Vector Machine；SVM)、深度神經網路、聚類(Cluster)之其中一種技術。