TWI706272B

TWI706272B - 生物識別系統及用於生物識別之電腦實施方法

Info

Publication number: TWI706272B
Application number: TW109111130A
Authority: TW
Inventors: 沙西沙力培爾; 維卡斯格特木庫拉; 雷扎德拉卡夏尼
Original assignee: 美商眼驗股份有限公司
Priority date: 2015-09-11
Filing date: 2016-09-10
Publication date: 2020-10-01
Also published as: BR112018004755A2; HK1251933A1; AU2018256555A1; AU2019204639A1; CN110852160A; US20170076145A1; US9836643B2; CN108351961A; JP2018206442A; KR102131104B1; KR101967123B1; KR20180057646A; EP3347853A1; TWI687832B; RU2019116007A3; BR122018007961A2; BR122018007964A2; AU2016319775A1; BR122018007961B1; TW202029035A

Abstract

本文揭示用於眼部血管、眼周及面部區域之生物識別註冊及驗證技術。可基於一面部區域之一影像中經識別之一眼部區域的尺寸來界定眼周影像區域。可使用圖案化直方圖特徵描述符之一組合來針對眼部區域及眼周區域中之關注點產生特徵描述符。可基於以圍繞關注點之紋理為基礎所計算的區域值分數來判定區域的品質度量。一種用於基於眼部及眼周區域來計算一匹配分數的生物識別匹配程序可逐步包含額外眼周區域以獲得一更大匹配可信度。

Description

生物識別系統及用於生物識別之電腦實施方法

本發明係關於生物識別鑑認，且更具體而言，本發明係關於用於影像增強、品質度量、特徵擷取及針對以多區域(子眼部至面部)或其他影像為基礎之生物識別系統之資訊融合之系統及方法。

本發明係關於生物識別鑑認，且更具體而言，本發明係關於用於影像增強、品質度量、特徵擷取及針對以多區域(子眼部至面部)或其他影像為基礎之生物識別系統之資訊融合之系統及方法。生物識別系統可用以鑑認一個人之身份以同意或拒絕存取一資源。例如，影像掃描器可由一生物識別安全系統使用以基於個人之面部上(例如，個人之眼睛及其周圍區域中)的獨特結構來識別一個人。諸如在一註冊程序期間擷取之資料之自一個人擷取之生物識別資料可儲存為一用以稍後驗證個人之身份之模板。然而，生物識別掃描技術將獲益於使用眼周特徵來取代用於註冊及驗證之眼部特徵或使用除用於註冊及驗證之眼部特徵之外的眼周特徵之改良技術。

本發明揭示與可應用於眼部血管、眼周及面部區域之生物識別技術有關的系統及方法。在一態樣中，一種電腦實施方法包括以下步驟：接收一使用者之一面部區域之一影像，該面部區域包含一眼睛及圍繞該眼睛之一區域；處理該影像以界定包含該面部區域之該影像中之該眼睛之至少一部分的一眼部影像區域；界定複數個各包含圍繞該面部區域之該影像中之該眼睛之該區域之至少一部分的眼周影像區域，其中基於所界定之眼部區域之尺寸來界定該等眼周區域；基於該眼部影像區域及該等眼周區域之至少一者來計算一或多個生物識別匹配分數；及基於該一或多個生物識別匹配分數將該面部區域之該影像指定為真實或不真實。在一實施方案中，該複數個眼周影像區域包括至少四個眼周影像區域。該至少四個眼周影像區域可包括安置於該眼部影像區域下方之一眼周影像區域、安置於該眼部影像區域右邊之一眼周影像區域、安置於該眼部影像區域左邊之一眼周影像區域及安置於該眼部影像區域上方之一眼周影像區域。界定該複數個眼周影像區域可包括界定安置於該眼部影像區域下方之一下眼周影像區域，該下眼周影像區域具有實質上等於該眼部影像區域寬度之一寬度之一寬度及在該眼部影像區域之一高度之10%至300%之範圍內之一高度。界定該複數個眼周影像區域亦可包括界定安置於該眼部影像區域右邊之一右眼周影像區域，該右眼周影像區域具有在該眼部影像區域之一寬度之10%至80%之範圍內之一寬度及該眼部影像區域之一高度之120%至550%之一高度。界定該複數個眼周影像區域亦可進一步包括界定安置於該眼部影像區域左邊之一左眼周影像區域，該左眼周影像區域具有在該眼部影像區域之一寬度之10%至50%之範圍內之一寬度及該眼部影像區域之一高度之120%至550%之一高度。界定該複數個眼周影像區域亦可包括界定安置於該眼部影像區域上方之一上眼周影像區域，該上眼周影像區域具有實質上等於該眼部影像區域寬度之一寬度之一寬度及在該眼部影像區域之一高度之10%至150%之範圍內之一高度。在另一實施方案中，計算該一或多個生物識別匹配分數包括：基於該眼部影像區域及一眼部註冊模板計算一第一生物識別匹配分數；及回應於判定該第一生物識別匹配分數不滿足一第一匹配臨限值，基於該眼部影像區域、該等眼周影像區域之一第一者、該眼部註冊模板及一眼周註冊模板計算一第二生物識別匹配分數。計算該一或多個生物識別匹配分數可進一步包括，回應於判定該第二生物識別匹配分數不滿足一第二匹配臨限值，藉由在一或多個進一步生物識別匹配分數中反覆包含該等眼周影像區域之額外者直至一特定進一步生物識別匹配分數滿足一對應匹配臨限值或無可用於包含之進一步眼周影像區域來計算該等進一步生物識別匹配分數。可至少基於辨別力及/或品質來分級該複數個眼周影像區域，且可基於該等額外眼周影像區域之各自分級反覆包含該等額外眼周影像區域。可基於自該等眼周影像區域導出之一或多個面部特徵將該複數個眼周影像區域之一或多者分為子區域，且可基於該等額外眼周影像區域之叢集重要性或各自分級反覆包含該等額外眼周影像區域。在另一實施方案中，計算該一或多個生物識別匹配分數包括：基於該眼部影像區域及一註冊模板識別一第一組匹配點對；及基於該等眼周影像區域之至少一者及該註冊模板識別一第二組匹配點對。計算該一或多個生物識別匹配分數可進一步包括：藉由將該第一組匹配點對及該第二組匹配點對之一組合輸入至一離群值偵測演算法而判定一或多個內圍層匹配點；判定對應於該眼部影像區域的若干內圍層匹配點滿足一最小眼部內圍層計數；及至少部分地基於該等內圍層匹配點來計算一特定生物識別匹配分數。該最小眼部內圍層計數可等於3。在又一實施方案中，計算該一或多個生物識別匹配分數進一步包括：藉由將該第一組匹配點對輸入至一離群值偵測演算法而判定一或多個第一內圍層匹配點；藉由將該第二組匹配點對輸入至一離群值偵測演算法而判定一或多個第二內圍層匹配點；及至少部分地基於一離群值偵測演算法之一輸出使用該第一內圍層匹配點及該第二內圍層匹配點之一組合作為輸入來計算一特定生物識別匹配分數。計算該一或多個生物識別匹配分數可進一步包括判定自該離群值偵測演算法之該輸出獲得之對應於該眼部影像區域的若干內圍層匹配點滿足一最小眼部內圍層計數。該最小眼部內圍層計數可等於3。在另一態樣中，一種電腦實施方法包括以下步驟：接收一使用者之一面部區域之一影像，該面部區域包含一眼睛及圍繞該眼睛之一區域；處理該影像以：(i)界定包含該面部區域之該影像中之該眼睛之至少一部分的一眼部影像區域；及(ii)界定一或多個各包含圍繞該面部區域之該影像中之該眼睛之該區域之至少一部分的眼周影像區域；識別該眼部影像區域及該一或多個眼周影像區域之至少一者中的複數個所關注之點；針對所關注之各點，基於複數個圖案化直方圖特徵描述符之一組合以產生一特徵描述符；及將所產生之特徵描述符儲存在一生物識別模板中。在一實施方案中，處理該影像包括使用局部梯度加柏模式(LGGP)增強該影像之至少一部分。使用LGGP增強該影像之至少一部分可包括：依複數個角度之各者計算該影像之該至少一部分之一加柏相位影像；聚集所計算之加柏相位影像以形成一組合加柏相位影像；依複數個角度之各者計算該組合加柏相位影像之一局部梯度；及保持各局部梯度之一最大值以形成一增強影像。一特定圖案化直方圖特徵描述符可包括擴展多半徑局部二進位模式之一圖案化直方圖(PH-EMR-LBP)、擴展多半徑中心對稱局部二進位模式之一圖案化直方圖(PH-EMR-CSLBP)或擴展多半徑局部三進位模式之一圖案化直方圖(PH-EMR-LTP)。產生所關注之一特定點之該特徵描述符可包括藉由以下步驟產生一PH-EMR-LBP特徵描述符：界定包括所關注之該特定點之一影像區域；針對該影像區域中之各像素計算複數個局部二進位模式(LBP)程式碼以形成一多半徑LBP (MR-LBP)影像；將該MR-LBP影像分為複數個子區域；導出包括各子區域內之各MR-LBP位元位置之頻率的複數個直方圖；及組合該複數個直方圖以形成該PH-EMR-LBP特徵描述符。產生所關注之一特定點之該特徵描述符包括藉由以下步驟產生一PH-EMR-CSLBP特徵描述符：界定包括所關注之該特定點之一影像區域；針對該影像區域中之各像素計算複數個中心對稱局部二進位模式(CSLBP)程式碼以形成一多半徑CSLBP (MR-CSLBP)影像；將該MR-LBP影像分為複數個子區域；導出包括各子區域內之各MR-CSLBP位元位置之頻率的複數個直方圖；及組合該複數個直方圖以形成該PH-EMR-CSLBP特徵描述符。產生所關注之一特定點之該特徵描述符可包括藉由以下步驟產生一PH-EMR-CSLBP特徵描述符：界定包括所關注之該特定點之一影像區域；針對該影像區域中之各像素計算複數個局部三進位模式(LTP)程式碼以形成一多半徑LTP (MR-LTP)影像；將該MR-LTP影像分為複數個子區域；導出包括各子區域內之各MR-LTP位元位置之頻率的複數個直方圖；及組合該複數個直方圖以形成該PH-EMR-LTP特徵描述符。在另一實施方案中，產生所關注之一特定點之該特徵描述符包括：計算所關注之該特定點之一PH-EMR-LBP特徵描述符、PH-EMR-CSLBP特徵描述符及PH-EMR-LTP特徵描述符；及組合該PH-EMR-LBP特徵描述符、PH-EMR-CSLBP特徵描述符及PH-EMR-LTP特徵描述符以形成一組合特徵描述符。產生所關注之一特定點之該特徵描述符可進一步包括將一方差分析應用於該組合特徵描述符以形成包括來自該組合特徵描述符之特徵之一子集的一頂部特徵描述符。產生所關注之一特定點之該特徵描述符可進一步包括在該頂部特徵描述符上執行維數減少以形成所關注之該特定點之該特徵描述符。在又一實施方案中，在產生一特定圖案化直方圖特徵描述符時，使用由具有或不具有角之一方形界定之一鄰域來計算局部二進位模式特徵描述符或局部三進位模式特徵描述符。在另一態樣中，一種電腦實施方法包括以下步驟：接收一使用者之一面部區域之一影像，該面部區域包含一眼睛及圍繞該眼睛之一區域；界定包含該面部區域之該影像中之該眼睛之至少一部分的一眼部影像區域；界定一或多個各包含圍繞該面部區域之該影像中之該眼睛之該區域之至少一部分的眼周影像區域；識別該眼部影像區域及該一或多個眼周影像區域之至少一者中的複數個所關注之點；針對所關注之各點，計算圍繞所關注之該點之紋理之一區域值；及基於所關注之該等點及所計算之各自區域值來判定該面部區域之該影像之至少一部分之至少一品質度量。在一實施方案中，計算所關注之一特定點之該區域值包括：計算所關注之該特定點之一方形鄰域(BP)中之至少一局部二進位模式；及計算自所關注之該特定點偏移之一或多個點之至少一BP。計算所關注之該特定點之該區域值可進一步包括將該區域值設定為針對所關注之該特定點及複數個該等偏移點計算之區域值之一平均值。計算所關注之該特定點之至少一BP可包括針對所關注之該特定點計算複數個各具有一不同鄰域之BP，且計算該等偏移點之至少一BP可包括針對各偏移點計算複數個各具有一不同鄰域之BP。計算所關注之一特定點或偏移點之該複數個BP可包括：將該複數個BP減少為一雜訊二進位模式(NBP)；及自該NBP產生一通用二進位模式(genBP)。計算所關注之一特定點或偏移點之該複數個BP可進一步包括：自該genBP產生一加權模式H；及按如下計算所關注之該特定點或偏移點之一區域值：

其中 L包括該genBP中之連續零位之一最大長度。該等偏移點可包括自所關注之該特定點在不同方向上均勻地移位之複數個像素位置。在另一實施方案中，判定該品質度量包括：基於所關注之該等點之各自區域值產生所關注之該等點之一有序列表；及計算該有序列表中之所關注之連續點之間的距離。判定該品質度量可進一步包括按如下計算該品質度量：

其中p包括所關注之點之數目，s _n包括針對所關注之點n計算之區域值，sw _n包括所關注之點n之一加權指數，及dw _n包括對應於該有序列表中之點n之該距離之一權重。在另一實施方案中，該面部區域之該影像之該至少一部分包括該眼部區域或該等眼周區域之至少一者。該方法可進一步包括基於分別針對該等眼周影像區域之各者計算之各自品質度量來分級該等眼周影像區域。該方法可進一步包括基於各眼周影像區域之一各自辨別力之至少一者來分級該等眼周影像區域。該方法可進一步包括至少部分地基於該各自品質度量及/或該等眼周影像區域之辨別力分級而在一漸進生物識別匹配器中使用該等眼周影像區域。在又一實施方案中，該方法進一步包括：判定該眼部或眼周影像區域之一第一者與該眼部或眼周影像區域之一第二者之間的所計算之品質度量中的一差異超過一臨限值；及基於所計算之品質度量中的所判定之差異來指示一欺騙之一可能存在。上述之其他態樣包含對應系統及非暫時電腦可讀媒體。附圖及以下描述中闡述本說明書中所描述之標的之一或多個實施方案之細節。將自描述、圖式及技術方案變得明白標的之其他特徵、態樣及優點。

相關申請案之交叉參考本申請案主張名稱為「Image Enhancement, Quality Metrics, Feature Extraction, Information Fusion, Pose Estimation and Compensation, and Template Updates for Biometric Systems」之2015年9月11日申請之美國臨時專利申請案第62/217,660號之優先權及權利，該案之全部內容以引用方式併入本文中。眼睛之眼白包含複雜圖案(主要歸因於血管結構)，其等不僅易於可見及可掃描，亦對於各個人而言係唯一的。在一些情況中，其他非血管構造亦係可見且可由一生物識別匹配演算法考量。因此，眼睛之眼白上所見之此等可見結構(主要歸因於結膜及外鞏膜之血管分佈)可被掃描及有利地用作為一生物識別。此生物識別可用以鑑認一特定個人或自一較大組候選者識別一未知個人。例如，名稱為「Texture Features for Biometric Authentication」之2013年2月5日發佈之美國專利第8,369,595號及名稱為「Feature Extraction and Matching for Biometric Authentication」之2016年7月12日發佈之美國專利第9,390,327號中描述了用於成像及圖案匹配眼睛之眼白中之血管及用於血管點偵測之解決方案之實施方案，美國專利第8,369,595號及美國專利第9,390,327號之全部內容以引用方式併入本文中。此處描述用於在(例如)需要額外資訊以形成一更準確分析之情況下將眼睛之眼白外部之可見非眼部血管結構(諸如眼周或部分或甚至完整面部或其他可見可識別圖案)漸進包含至一眼部血管生物識別匹配方案中之方法以將穩健性添加至此等及其他生物識別驗證技術。眼部特徵係產生於角膜缘之外部所見及以眼瞼為界之圖案之特徵，其等主要歸因於眼睛之眼白上所見之血管圖案。此後，此等特徵在本文中可互換地稱為「眼部」或「眼部血管」。眼睛之眼白具有若干層。鞏膜係含有膠原及彈性纖維之眼睛之一不透明、纖維狀保護層。鞏膜由外鞏膜覆蓋，其具有大量通過外鞏膜及在外鞏膜上流動之特定血管及靜脈。外鞏膜由眼球結膜覆蓋，其係與眼瞼或當眼瞼睜開時與環境介接之一清晰薄膜，其亦含有唯一及豐富的血管結構。血管通過眼睛之眼白之所有此等層流動且可被偵測於眼睛之影像中。眼睛亦包含睫毛且有時包含有時使一影像中之眼睛之眼白之部分模糊之下垂眼瞼。「眼周」指稱圍繞眼睛(位於眼瞼邊緣外部及在一些例項中鄰接眼瞼邊緣)之面部之眼前區域，其經紋理化且可用於生物識別應用。眼周區域可包含一或多個可、但非必要連續及可相對於形狀及大小而呈各種形式之區域。雖然眼周區域不具有難以界定之邊界，但標準化所關注之區域可使註冊問題最小化，進一步改良生物識別系統之準確度。可使用來自使用者面部之特定可量測值(諸如眼角之間的距離、虹膜之半徑、眼部間距離及/或所導出之眼剪切圖片之寬度及高度) (同時使用眼睛偵測演算法)來實現此標準化。在使用者鑑認期間，擷取一使用者之眼睛及眼周區域之一或多個數位影像，自所擷取之影像或若干影像產生之一或多個驗證模板且使用者之身份可藉由匹配如註冊模板及驗證模板中所表示之對應眼部及眼周結構來驗證。在其他實施方案中，除恰圍繞眼睛之區域之外或替代恰圍繞眼睛之區域，可使用延伸超出眼周區域之面部之額外區域。例如，當觀察到沉重面部表情時，鼻子上及/或周圍或面部上/周圍的一或多個區域可被視為擴展眼周區域。在一實施方案中，面部特徵可補充一基於眼睛之生物識別匹配器之眼部特徵。在另一實施方案中，由一基於眼睛之生物識別匹配器使用之眼部特徵由眼周及擴展面部特徵兩者補充。在另一實施方案中，除恰圍繞眼睛之區域之外或替代恰圍繞眼睛之區域，可使用整個一面部。面部可補充一基於眼睛之生物識別匹配器之眼部特徵。眼周區域及面部區域兩者可補充由一基於眼睛之生物識別匹配器使用之眼部特徵。在各種其他實施方案中，亦可量測諸如眼周區域之膚色之其他資訊且用作為一軟性生物識別。可使用影像之不同色帶(諸如正規化紅色、綠色及藍色(RGB)通道)之強度值之直方圖來估計膚色。在驗證期間，註冊模板之直方圖資訊可用以當註冊之直方圖與驗證影像之間的距離高於一臨限值時停止一驗證程序。在一實施方案中，可藉由識別最顯著顏色之一叢集化技術來估計膚色。作為一實例，將眼周區域之RGB像素轉換為Lab色彩空間且叢集為N數目個種類。最佳N可由AIC (赤池資訊準則)或BIC (貝氏資訊準則)判定。接著，基於此等叢集之出現以升序來儲存此等叢集，且最前三個叢集係使用預定義膚色來分成一組。可使用一距離量測及/或相關性量測來判定最接近的膚色。在一實施方案中，距離量測係歐幾里德距離，儘管考量其他距離量測。接著，若註冊與驗證影像之間的距離及/或相關性高於一臨限值，則可停止驗證程序。相同程序可應用於影像之其他彩色部分(諸如虹膜)。圖1描繪用於產生一眼部及眼周註冊模板之一實例性方法。在步驟102中，使用可與由待鑑認之使用者存取之一裝置(例如，一智慧型電話、一智慧型手錶、智慧型眼鏡、一筆記型電腦、一平板電腦等等)相關聯之一影像感測器(例如，一攝影機)，以擷取一使用者之(若干)面部區域之一或多個影像。以繪示的方式，攝影機可為一數位攝影機、一三維(3D)攝影機、一光場感測器及/或一近紅外光感測器，或其他單色及/或多光譜成像感測器。影像可包含一或多個眼部區域(界定使用者之一眼睛區域之區域)及/或一或多個眼周區域，以及(在一些例項中)其他面部區域。可在静止模式或視訊模式或静止模式及視訊模式之一組合中擷取影像。可以各種波長來擷取影像。在一些實施方案中，促使(由目視或可聽或觸覺回饋)使用者移動裝置更近/更遠以觸發用於發現眼睛及/或面部之最佳距離。在步驟104中，識別一初始所關注之區域(ROI)，例如，可定位一或兩個眼睛。在各種不同前視眼睛影像上訓練的Viola-Jones演算法或類似學習演算法可用於此目的。在另一實施方案中，可使用在各種不同掠射眼睛影像上訓練的Viola-Jones演算法。其後，一旦偵測到一選定視線方向，諸如使用Haar濾波器之一演算法之一視線追蹤演算法可被用以量化視線之量以獲取一或多個影像。一旦在所擷取之(若干)影像中展示之面部上局部化該初始ROI，可執行額外計算以獲得影像上之最終ROI。通常，裁剪最終ROI以獲得一或多個眼睛之RGB及/或近紅外光影像。相應地，如本文所使用，「影像」或「所擷取之影像」亦可指稱一最終ROI之所裁剪之一影像。參考圖1，在眼部及眼周階段中，於影像增強子階段106及影像品質子階段108中預處理一或多個平均或以其他方式增強或自然擷取之影像(其等可為註冊影像或驗證影像)，且在特徵擷取子階段110中擷取來自經預處理之影像之特徵以產生一或多個眼部及眼周模板。預處理子階段106及108可包含影像增強及影像品質技術，如下文進一步闡釋。特徵擷取子階段110可包含關注點偵測及局部描述符擷取，其等在下文中詳細描述。在眼部及眼周階段中之子階段106、108及110期間執行之操作不需要相同。確切而言，考量眼部及眼周區域之特定特徵的不同操作可用於該等各自階段中。在儲存之前，於步驟112中，可加密或以其他方式來保護註冊眼部及/或眼周模板。 眼周邊界現參考圖2A及圖2B，可使用各種方法來擷取眼周區域。在獲取一使用者之面部之一影像(步驟200)時，偵測到一或多個眼睛區域(步驟202)。基於步驟202中所識別之眼剪切圖片的大小，可重新計算眼睛區域大小(步驟204)。進入眼部階段，在一實施方案中，一積分微分演算法、霍夫(Hough)圓或海森二進位大型物件(Hessian blob)偵測器係用以偵測虹膜邊界(步驟208中之虹膜區域的分段)。類似地，一種基於加柏濾波之演算法可用以偵測上眼瞼及下眼瞼，且在移除虹膜區域之後可進一步分離眼睛之眼白(步驟206中之鞏膜區域的分段)。可在自所擷取之影像減去眼睛之眼白及虹膜區域兩者之後導出眼周區域(步驟210)。在一些實施方案中，基於色彩之方法係用以分段上文所提及之區域。如圖2A及圖2B中之眼周區域階段212所展示，在一實施方案中，具有寬度W x 高度H大小(其中W及H分別係水平方向及垂直方向上之像素之數目)之最終眼部ROI周圍的眼周區域可界定為如下文所描述。眼部ROI非必要係一矩形形狀；確切而言，ROI可呈類似於眼睛之形狀之一形式，如圖2B中所展示，且W及H可被分別界定為涵蓋眼部ROI之一定界框之寬度及高度。可存在各種數目之區域；然而，下文所描述之實施方案包含四個由辨別力分級之眼周區域(1至4)，其等基本上指稱該區域在一生物識別匹配操作中係如何有用。更具體而言，眼周區域1表示具有比區域2更具辨別性或歧異性之特性之一面部區域，區域2具有相較於區域3之更大力等等。考量各種眼周區域大小(此處，由具有寬度W x 高度H之一定界框界定)。基於大規模測試哪些眼周區域具有用於執行生物識別匹配操作之足夠辨別力以實驗性地判定本文所揭示之眼周區域之範圍及值。如下文所使用，術語「實質上相等」意謂等於一特定值或在該值之+/- 10%內。在一實施方案中，四個眼周區域界定如下，其中W及H分別指稱眼部區域之寬度及高度： ●區域1： ○寬度實質上等於W。 ○高度在眼部區域之眼剪切圖片下方0.1*H至3*H(含)之範圍內。在一實施方案中，高度實質上等於0.3*H。 ●區域2： ○寬度在0.1*W至0.8*W(含)之範圍內。在一實施方案中，寬度實質上等於0.2*W。 ○高度在1.2*H (眼部區域之眼剪切圖片上方0.1*H及眼剪切圖片下方0.1*H)至5.5*H (眼剪切圖片上方1.5*H及眼剪切圖片下方3*H)(含)之範圍內。在一實施方案中，高度實質上等於1.45*H (眼剪切圖片上方0.15*H及眼剪切圖片下方0.3*H)。 ●區域3： ○寬度在0.1*W至0.5*W(含)之範圍內。在一實施方案中，寬度實質上等於0.15*W。 ○高度在1.2*H (眼部區域之眼剪切圖片上方0.1*H及眼剪切圖片下方0.1*H)至5.5*H (眼剪切圖片上方1.5*H及眼剪切圖片下方3*H)(含)之範圍內。在一實施方案中，高度實質上等於1.45*H (眼剪切圖片上方0.15*H及眼剪切圖片下方0.3*H)。 ●區域4： ○寬度實質上等於W。 ○高度在眼部區域之眼剪切圖片上方0.1*H至1.5*H(含)之範圍內。在一實施方案中，高度實質上等於0.15*H。可基於每個個人、特定群體或所有(若干)使用者之該等(若干)區域之可微分性及可靠性使用其他非矩形或甚至非連續眼周(或其他面部)子區域。在一些實施方案中，當經常觀察到下垂眼瞼時，具有WxH大小之緊張作物周圍的一最佳眼周區域可界定如下： ●區域2及區域3之寬度實質上分別等於0.2*W及0.15*W。 ●區域2及區域3之高度實質上各等於1.45*H (其自眼剪切圖片之頂部開始)。 ●區域1及區域4之寬度實質上等於W。 ●區域1及區域4之高度實質上分別等於0.45*H及0.1*H。如上文所闡釋，各種區域之高度及寬度之值之範圍相同。考量其他眼周區域大小。基於成像感測器解析度而改變W及H之值。 影像增強現將闡釋諸如圖1之步驟106中執行之該等影像增強技術。自一影像感測器擷取之影像可具有變化品質，此係歸因於(例如)曝光量及運動模糊假影。在步驟106 (其係可選)中，可註冊(即，空間上對準)及平均化若干影像以減少影像雜訊。在一些實施方案中，影像相關性方法用以量測所獲得之影像之間的相異性以對準用於平均化之影像及廢棄最不同之影像(例如，歸因於運動模糊或眼睛閃光)且因此，不適合於註冊及平均化。例如，在註冊之後可平均化具有最小運動的n個連續圖框。經平均化之連續圖框之數目(無視上文所闡釋之偶爾經捨棄之圖框)可取決於圖框速率、依給定設定之影像感測器之雜訊位準、其中擷取影像之環境條件。在一實例中，若在影像獲取期間周圍光大於800流明，則註冊及平均化兩個連續圖框。若周圍光在450流明至800流明之範圍內，則註冊及平均化3個連續圖框。若周圍光在0流明至450流明之範圍內，則註冊及平均化4個連續圖框。若所關注之區域足夠明亮以依給定設定可忽略感測器雜訊，則基於周圍光選擇圖框之數目之其他組合對於眼睛之眼白、眼周區域及面部(包含非平均化選擇)係可行的。在另一實施方案中，用以平均化之圖框之數目亦可適應於跨越連續圖框之運動假影。例如，可歸因於改變表情、眼睛及身體移動及/或環境像差而引起運動。可使用圖框之間的相關性、圖框之間的相互資訊等等來量測運動。在一實施方案中，用以平均化之圖框之數目依靠環境照明及觀察到的運動假影兩者。在一些實施方案中，影像增強演算法包含自商影像或SQI。SQI影像之一簡單版本(Q)可表示如下： Q = I/

= I/(F*I) 其中

係I之平滑版本，及F係平滑核。已知SQI方法用於其照明不變性性質，其歸因於陰影及其他照明條件而係對於具有可變照明之眼周區域有用。可使用諸如韋伯線性描述符(WLD)、相干性擴散濾波、Atrous小波、視網膜皮層(及其變體)、單一或多圖框雙邊濾波、深度學習方法及其他稀疏增強之其他影像增強。在一實施方案中，局部梯度加柏模式(LGGP)可用作為用於一特定影像或影像區域之一影像增強技術，如以下步驟中所描述。步驟1：使用偶數及奇數加柏響應按如下計算影像區域之綠色通道之加柏之相位：步驟1a：類似於帶通濾波器之一2D偶數加柏核係由2D高斯包絡調變之一餘弦函數，及2D奇數加柏係由2D高斯包絡調變之一正弦函數。偶數及奇數加柏核可導出如下：

可透過以下座標轉換來實現加柏核之任何尺度及定向：

其中σ _x及σ _y界定高斯包絡分別沿x軸及y軸之散佈，f係調變正弦或餘弦之頻率，及Ø係核之定向。在一實施方案中，頻率設定為6且高斯沿x軸及y軸之散佈設定為2.5。在一實施方案中，定向之選擇修改為6，0至5π/6之範圍內，各隔開π/6個弧度。步驟1b：按如下計算加柏影像之相位：

其中

係捲積算子。在任何給定定向下，作為一實例，

係具有等於影像區域之綠色通道之大小的大小之一影像。步驟2：聚集依各種定向之加柏響應之相位(影像)以形成一輸出影像。三個用於實現此之實例性方法係：(1)保持跨越所有定向之一給定位置(x, y)中之一像素之強度之最大值；(2)將一給定位置(x, y)中之一像素之強度設定為該特定位置中之跨越所有定向之響應之加權平均值；及(3)將跨越所有定向之一給定位置(x, y)中之一像素之強度之最大值乘以原始影像，接著正規化。步驟3：接著，針對經聚集之響應計算四個方向(0度、45度、90度及135度)中之局部梯度且保持最大梯度值以形成一輸出影像。在一實施方案中，在上述增強技術之前，可使用諸如使用一灰色世界演算法之白平衡色彩正規化。在一實施方案中，增強影像之額外處理包含諸如對比度受限的自適應直方圖均衡化(CLAHE)之影像直方圖及對比度調整。CLAHE大體上在稱為「圖塊」之影像之小區域中操作。通常，各圖塊之對比度經增強使得輸出之直方圖近似匹配由一特定分佈(例如，均勻、指數或瑞利分佈)指定之直方圖。接著，使用一內插(例如雙線性內插)組合鄰近圖塊以消除任何人工引起之邊界。在一些實施方案中，選擇在眼部血管或眼周特徵與背景之間具有最佳對比度的紅色、綠色或藍色組分之一線性或非線性組合可增強影像區域。例如，在眼部血管之一RGB影像中可偏好綠色組分，此係因為其可在血管與背景之間提供一更佳對比度。 影像及特徵品質度量返回參考圖1中之步驟108，可量測各增強影像之品質，及保持滿足一特定品質臨限值之增強影像用於進一步處理。可針對眼部及眼周區域聯合或單獨量測此品質。一影像品質度量亦可充當一匹配預測品質度量(各自生物識別樣本匹配能力之量測)且在一些情況中，可融合為一最終匹配分數以改良生物識別系統效能。在一實施方案中，一影像中之經偵測之關注點可判定該影像之品質。一基於點之品質度量(其係一無參考影像品質度量)在本文中將被稱為EV_QM。可使用三個步驟來計算EV_QM：「關注點偵測」、「區域值計算」及「品質度量分數產生」。可使用血管點偵測(VPD)來偵測關注點，如下文進一步闡釋。區域值指稱各關注點周圍的紋理之量。可使用局部三進位模式(LTP)來判定各關注點周圍的紋理。使用角位置及區域值來量測品質度量分數產生。參考圖3，在一實施方案中，可使用以下修改局部二進位模式(LBP)程序來計算區域值。計算一關注點周圍的三個具有對應不同半長度(鄰域)之方形(具有或不具有角)，其中計算器像素軌跡(如像素網格304中所描繪)。例如，此等半長度可為2個、4個、6個或其他數目個像素。關注點可在8個不同位置中進一步偏移(移位) (如像素網格302中所描繪)，在各偏移點周圍進一步產生3個方形(減去其等之角) (類似於像素網格304中所描繪之方形，其中偏移點充當中心點)。跨越該等三個方形之各者計算各關注點及偏移點之LBP，其等被進一步稱為「二進位模式」(BP)。因此，各關注點及對應偏移點具有與各關注點及對應偏移點相關聯的三個不同BP。該等三個BP可進一步減少以按如下獲得之一最終區域值(紋理分數)：步驟1：評估各BP以判定均勻性分數。若BP不均勻(例如，4個以上位元改變或2個以下位元改變)，則廢棄BP且將跨越對應偏移或關注點的分數(最終區域值)設定為零。步驟2：若所有BP都不均勻，則執行如圖3之步驟306中以圖形描繪之一濾波程序。使用以下公式添加BP1、BP2及BP3中之各要素：

存在三個可見於

之各要素中之可能值(1、0及2)。根據 Value中之對應值(分別為-1、0及1)進一步映射此等位元之各者，如步驟308中所展示。此結果進一步稱為「 雜訊二進位模式 (NBP)」。步驟3：若存在四個以上雜訊像素，則將對應關注點之分數設定為零。否則，使用各雜訊像素之最近鄰域來代替 NBP中之各雜訊像素。步驟4：最終結果係一具有半長度2之BP之長度之單一二進位模式。此最終二進位模式進一步稱為「 genBP」。步驟5：基於步驟310中所描述之公式進一步加權 genBP：

結果進一步稱為「加權模式」或 H。步驟6：計算 genBP中之連續零位之最大長度且使其進一步被稱為「 L」。步驟7：可使用圖3的公式312來計算最終區域值：

步驟8：若至少三個包含關注點及對應偏移點之點計算一區域值，則計算一區域值之關注點及該等對應偏移點之區域值經平均化且指派給s _n。否則，將s _n設定為零。在另一實施方案中，可使用圍繞關注點之區域及各關注點周圍之對應偏移點之熵來計算區域值。按如下計算關注點周圍的區域之熵：步驟1：初始化一臨限值以量化關注點及對應偏移點周圍的所關注之區域中之紋理。步驟2：藉由在所關注之區域中之所有其他強度中減去中心像素強度以判定所關注之區域中位準之數目(level_map)。步驟3：藉由使用步驟1中判定之臨限值將像素強度分組以進一步量化level_map。步驟4：計算level_map之各群組中之唯一要素之數目。步驟5：基於一關注點周圍之熵按如下計算區域之值：熵(區域值，s _n) =

其中N係群組「i」中之要素之長度。步驟6：跨越關注點及對應偏移點之平均值s _n，且將平均值指派給s _n。在另一實施方案中，可使用「D」方向上之關注點周圍的梯度資訊之熵來計算區域值。在一實施方案中，D包含0度、45度、90度及135度。可在一關注點周圍的多個尺度中計算梯度資訊。在一實施方案中，可使用角位置及對應區域值來判定品質度量分數產生。可按如下實施品質度量分數產生：步驟1：基於關注點之區域值依降序來排序關注點且注意對應關注點位置。步驟2：在基於步驟1重新配置關注點之後使對應關注點之間的距離為d = {d ₁, d ₂, d ₃, …, d _n-2, d _n-1, d _n}，其中d ₁係第一關注點與第二關注點之間的距離。d _n將為零。步驟3：使距離之權重被計算為距離之對數：dw _n= log (d)。步驟4：將加權指數計算為： sw _n= exp ^(1/[1,2,3, ^… ^,n-2,n-1,n])，其中 n係關注點之數目可使用以下公式來計算最終品質度量分數： EV_QM =

，其中p係關注點之數目可使用其他關注點偵測演算法，諸如可使用加速度測試(FAST)演算法或加速穩健特徵(SURF)演算法來計算。可針對眼部及眼周區域單獨計算EV_QM，且此外，可基於所計算之EV_QM來分級各ROI。若使用一漸進生物識別匹配器(在下文中描述)，則可以ROI分級之順序來匹配ROI。應注意，本文所描述之品質度量可用於欺騙偵測技術中。一眼睛或面部之面部特徵之再現(諸如一實體相片或印出)或出於惡意意圖在一螢幕上播放之真正使用者之數位影像或視訊經常具有相較於掃描時之一真實實體存在之減少品質(例如，較低解析度、乏晰、變色、雜訊、模糊等等)。在驗證程序期間濾出所關注之低品質點之後，一低品質再現一般不具有足夠數目個所關注之可辨識點且因此，將驗證失敗。類似技術亦可用以偵測部分欺騙。例如，一人可在通過眼睛驗證程序之一嘗試中將一有效眼睛之一印出保持在其自身之眼睛上。在執行驗證時，所判定之眼睛印出之品質(例如，所關注之可辨識點)可與所判定之眼周或其他面部區域之品質相比較。若眼睛與一或多個其他區域之間的品質中之差異超過一臨限值，則此可指示一部分欺騙之存在，且驗證可失敗。考量使用所揭示之品質度量之其他欺騙偵測技術。 關注點偵測可分別在眼部血管、眼周及面部之所擷取之一影像區域內使用各種關注點偵測演算法。例如，加速穩健特徵(SURF)演算法係一可用以識別居中於一關注點上之一影像區域內之區域之「二進位大型物件」類型特徵偵測演算法。加速度測試(FAST)演算法係一亦可用以識別一影像區域內之關注點之角偵測演算法。血管點偵測器(VPD)亦可用以識別鎖存於一影像區域內之血管結構上之點。此外，VPD亦可用以偵測眼周區域及面部上之點。在一些實施方案中，亦可依多個影像尺度識別候選點。例如，若原始影像大小係100x100 (尺度0)，則點可自100x100原始影像識別且亦當原始影像重新設定大小為50x50 (尺度1) 及25x25 (尺度2)時識別。可考量點偵測器之其他區域特定組態。 點抑制使用一關注點偵測演算法產生之候選點之數目可基於紋理之量及影像之品質而改變。再者，此等演算法可鎖存於雜訊上或無關(相對於給定應用)資訊，尤其係使用非VPD演算法。此等雜訊或無關候選點可由一候選點抑制演算法移除。在一實施方案中，一非血管點抑制(NVS)演算法用以判定候選點品質。在以下步驟中闡釋該演算法：步驟1：擷取一關注點周圍的一區域(R)。使R之大小為MxM。步驟2：擷取大小NxN之R內之局部補塊(LP)，其中N＜M。將居中於R中之LP指派為中心補塊(CP)。步驟3：稀疏地填充區域R內部之局部補塊。步驟4：計算封圍於區域R中之所有LP之直方圖分佈，且自所計算之LP之各直方圖減去CP之直方圖。步驟5：對於各減去，將散佈分數計算為已佔據之區塊之數目除以總可用區塊。步驟6：基於原始影像中之像素之分佈導出帶通濾波器之一組合( 帶通濾波器計算)。此等帶通濾波器用以量測假像素之量(諸如抵於血管資訊像素之眩光)。步驟7：基於所導出之帶通濾波器濾波自步驟4減去之補塊，且計算一角響應。步驟8：在串接框架中使用散佈分數及角響應。散佈分數係一二進位分類器：其拒絕或接受點。角響應提供在零與一之間評分之一正規化。零指示非血管分佈而一指示血管分佈。在另一實施方案中，一 帶通濾波器計算係用以判定候選點強度。基於眼睛區域統計之經分段的眼白來動態產生帶通濾波器。帶通濾波器可按如下產生：步驟1：自一RGB影像擷取鞏膜區域之綠色層。步驟2：導出該區域之一直方圖。例如，使用「N」個區塊以自一單元8影像擷取一直方圖。步驟3：計算步驟2中所導出之反相正規化直方圖的指數。步驟4：抑制指數達一因數k。因數k大體上自0.1變動至0.3，且可基於應用或資料組來調諧。步驟5：計算反相指數之響應，其中整數值在1至N之範圍內。步驟6：級聯來自步驟4且自步驟5保留的前5個要素。此提供 帶通濾波器 1。步驟7：對於 帶通濾波器 2，使用鞏膜像素(綠色通道)之正規分佈來建構一高斯。步驟8：平行使用 帶通濾波器 1及 帶通濾波器 2以建立血管點之強度。此濾波構造程序經調適以成像像素。若影像係暗的，大多數鞏膜像素落入直方圖之低尾附近。因此， 帶通濾波器 1將具有優於 帶通濾波器 2之一較高響應。此減少點之分數。類似地，一眩光飽和影像將使其所有像素在上尾中，且帶通濾波器2將具有一更高響應，消除具有一低分之點。在一實施方案中，局部二進位模式(LBP)之均勻性可經產生以判定一候選點之品質。使用8位元LBP碼，按位元之數目自0躍遷至1或反之亦然判定LBP程式碼之均勻性。若一LBP程式碼具有小於或等於「n」個躍遷，則其被視為均勻的。躍遷之範圍自0至8。在一實施方案中，n等於3。作為一實例，具有0個躍遷之LBP程式碼00000000、具有2個躍遷之01111100、具有3個躍遷之01000001係均勻的。類似地，具有4個躍遷之01010000及具有6個躍遷之01010010係不均勻的。均勻的候選點被保留在模板中。可針對一給定註冊或驗證程序，組合使用或單獨使用上文所提及之用於候選點的品質演算法。 局部特徵描述符可分別使用眼部血管、眼周及面部區域之關注點周圍之一影像補塊來產生各關注點周圍之一特徵向量。可使用一單一或多個特徵描述符演算法來產生一關注點之描述符。快速視網膜要點(FREAK)演算法係可使用以(例如)產生由FAST演算法識別之候選點之描述符之一實例性特徵描述符演算法。一FREAK描述符可為(例如)界定圍繞一候選點之目視特徵之一二進位數目串。局部二進位模式(LBP)及其變體(諸如候選點周圍的中心對稱局部二進位模式(CSLBP))係可用以描述一候選點附近之影像補塊的特徵描述符。定向梯度之直方圖(HoG)、LBP之直方圖(HLBP)、CSLBP之直方圖(HCSLBP)、擴展多半徑LBP之圖案化直方圖(PH-EMR-LBP)、擴展多半徑CSLBP之圖案化直方圖(PH-EMR-CSLBP)或擴展多半徑局部三進位模式之圖案化直方圖(PH-EMR-LTP)及維數減少之後之二進位模式之圖案化直方圖(PHBP-DR)係可用以描述候選點周圍之影像鄰域之特徵描述符的其他實例。其他特徵描述符演算法或演算法之組合可用以產生一影像區域之候選點的局部影像描述符。在一實施方案中，涉及以下步驟以產生PH-EMR-LBP描述符：步驟1：計算各像素周圍的3x3像素同心方形及5x5像素同心方形兩者之LBP程式碼，以形成一多半徑LBP (MR-LBP)影像(注意，相較於規則LBP，前述技術使用一方形或矩形鄰域，其可包含或排除角)而非用於LBP程式碼導出之中心像素周圍的像素之一圓形軌跡。在一3x3像素區域中，比較中心像素與其最近的八個相鄰像素產生一3x3 LBP程式碼。結果係一8位元碼，其位元值係0或1 (若相鄰像素之強度值大於中心像素之強度，則位元值為1，否則為0)。類似地，在一5x5像素區域中，比較中心像素與其最近的八個相鄰像素附近之像素(即，十六個像素)產生一5x5 LBP程式碼(結果係一16位元碼)。因此，對於一影像中之一給定像素，一MR-LBP具有一24位元碼(8個位元來自3x3 LBP程式碼，及16個位元來自5x5 LBP程式碼)。步驟2：各關注點周圍之一MxM補塊(步驟1之輸出)經分段為可具有K個重疊像素之NxN子區域。步驟3：單獨導出各子區域內之各24位元MR-LBP之直方圖，且級聯以輸送PH-EMR-LBP (注意，相較於規則LBP，基於補塊中之LBP位元位置的頻率而不是二進位碼的十進位等效來計算此直方圖)。可基於影像之空間頻率、解析度及雜訊來調諧M、N及K之參數值。在一實施方案中，涉及以下步驟以產生PH-EMR-CSLBP描述符：步驟1：計算各像素處之3x3像素中心對稱局部二進位模式(CSLBP)程式碼及5x5像素中心對稱局部二進位模式(CSLBP)程式碼兩者以形成一多半徑CS-LBP (MR-CSLBP)影像。在一3x3區域中，使用8個邊界像素比較對角像素之強度值產生一4位元3x3 CS-LBP程式碼(自左上方像素開始，考慮到如在順時針方向上自1至8編號之邊界像素，藉由將像素1、像素2、像素3及像素4分別與像素5、像素6、像素7及像素8相比較而產生4位元CS-LBP程式碼)。位元值係0或1 (若像素1之強度值大於5，則位元值為1，否則為0—對於其他組合情況類似)。同樣地，在一5x5區域中，比較外環的16個對角像素以產生一8位元5x5 CS-LBP程式碼。因此，對於一影像中之一給定像素，一MR-CS-LBP具有一12位元碼(4個位元來自3x3 CS-LBP程式碼，及8個位元來自5x5 CS-LBP程式碼)。步驟2：各關注點周圍的一MxM補塊(步驟1之輸出)分段為可具有K個重疊像素之NxN子區域。步驟3：單獨導出各子區域內之各12位元MR-CS-LBP之直方圖，且級聯以輸送PH-EMR-CS-LBP。類似於先前描述符，可基於影像之空間頻率、解析度及雜訊來調諧M、N及K之參數值。在一實施方案中，涉及以下步驟以產生PH-EMR-LTP描述符：步驟1：計算各像素處之3x3像素局部三進位模式程式碼及5x5像素局部三進位模式程式碼兩者以形成具有一步長(SS)之一多半徑LTP (MR-LTP)影像。在一3x3區域中，比較中心像素與其最近的八個相鄰像素產生一3x3 LTP程式碼。結果係一16位元碼，其值係0或1 (若各相鄰像素之強度值大於中心像素之強度加上SS，則位元值為1，否則為0；且若各相鄰像素之強度值小於中心像素之強度減去SS，則位元值為1，否則為0)。類似地，在一5x5區域中，比較中心像素與其最近的八個相鄰像素附近之像素(即，十六個像素)產生一5x5 LTP程式碼(結果係一32位元碼)。因此，對於一影像中之一給定像素，一MR-LTP具有一48位元碼(16個位元來自3x3 LBP程式碼，及32個位元來自5x5 LBP程式碼)。步驟2：各關注點周圍的一MxM補塊(步驟1之輸出)分段為可具有K個重疊像素之NxN子區域。步驟3：單獨導出各子區域內之各48位元MR-LTP之直方圖，且級聯以輸送PH-EMR-LTP。類似於先前描述符，可基於影像之空間頻率、解析度及雜訊來調諧M、N及K之參數值。在一實施方案中，可使用以下步驟導出一PHBP-DR描述符：步驟1：藉由將M、N及K值分別設定為9、3及1而導出一給定關注點之PH-EMR-LBP。此等組態輸送具有範圍自0至9之值(由於吾人在3x3子區域中具有9個像素)之長度為384之一特徵向量(24x16；跨越16個子區域之24位元碼之各者之直方圖。注意，在具有1個像素重疊之一9x9補塊中16個3x3子區域係可行的)。步驟2：藉由將M、N及K值分別設定為7、3及1而導出一給定關注點之PH-EMR-CS-LBP。此等組態輸送具有範圍自0至9之值(由於吾人在3x3子區域中具有9個像素)之長度為108之一特徵向量(12x9；跨越9個子區域之12位元碼之各者之直方圖。注意，在具有1個像素重疊之一7x7補塊中9個3x3子區域係可行的)。步驟3：藉由將M、N及K值分別設定為9、3及1而導出一給定關注點之PH-EMR-LTP PH-EMR-LBP。此等組態輸送具有範圍自0至9之值(由於吾人在3x3子區域中具有9個像素)之長度為768之一特徵向量(48x16；跨越16個子區域之48位元碼之各者之直方圖。注意，在具有1個像素重疊之一9x9補塊中16個3x3子區域係可行的)。在將影像之強度值正規化為0-255之後，將SS設定為5。步驟4：級聯特徵向量1、2及3以形成長度為1260之一特徵向量。步驟5：使用一方差分析，僅保持最頂部720個特徵。在一些例項中，當預計算此等高度變體特徵，僅在為了減少計算複雜性而註冊及驗證程序期間產生此等720個特徵。步驟6：最終，諸如主成分分析(PCA)之一維數減少方法用以擷取PHBP-DR。可針對眼部及眼周區域執行一單獨PCA分析以分別產生103個長特徵向量及98個長特徵向量。對於面部，眼周特徵可用作為一單獨PCA分析或可執行一單獨PCA分析。眼部、眼周及面部之特徵向量之其他長度係可行的。在生物識別註冊程序結束後，一註冊模板可包含一組候選點及眼部血管ROI之描述符，及一組候選點及一眼周區域之描述符。在一些實施方案中，一註冊模板亦可包含一組候選點及一面部之描述符及/或一組候選點及擴展眼周區域之描述符。注意，分別處理左眼之眼部血管及眼周ROI及模板與右眼之眼部血管及眼周ROI及模板。考量一組關注點之多個描述符。為了安全及隱私，廢棄用以產生眼部血管面部及眼周區域之模板的原始影像及經處理之影像。 漸進生物識別匹配器在一生物識別匹配程序之一實施方案中，使用一漸進生物識別匹配器產生一最終匹配分數。作為一初始步驟，匹配局部影像描述符以使用一距離量測在眼部區域及眼周區域兩者之註冊模板與驗證模板之間發現匹配點對。作為一實例，可分別在眼部區域及眼周區域之註冊描述符向量與驗證描述符向量之間計算關注點之描述符之間的一歐幾里德距離，且低於一特定距離臨限值之對可保留為匹配點對。在存在雜訊或其他像差之情況下，匹配點對可具有若干離群值或否則錯誤額外匹配。藉由假定匹配點對註冊影像與匹配點對驗證影像之位置之間的一似真單應性，離群值(在所假定之單應性下對準之後的空間非重疊匹配點)可自匹配點對移除。在一些實施方案中，一隨機取樣一致性(RANSAC)或其他離群值偵測方法可用以判定使一驗證影像中之候選點與一註冊影像中之電對準所需之轉換，同時就編碼在註冊模板及驗證模板中之所關注之眼部區域之幾何形狀而言拒絕不配合真正匹配之間的一假設轉換之離群值。在一些實施方案中，可單獨執行不同ROI (諸如眼部血管及眼周ROI)之RANSAC，且存續內圍層點之收集可輸送至一最終RANSAC用最終分數計算及其他相關計算。在一些實施方案中，在進行至最終匹配之前，可需要來自所關注之某些或所有子區域(例如，鞏膜ROI之頂部所見之血管補片及點)之內圍層點之一最小數目。最後，藉由使用由RANSAC或等效物配合於匹配點對之位置之單應性組合在RANSAC (N)之後發現之內圍層之數目、來自轉換矩陣之回收規模(RS)及來自轉換矩陣之回收角度(RA)產生分數。在一實施方案中，使用以下公式來計算匹配分數：

其中Cx及Cy分別係註冊模板與驗證模板之間的內圍層匹配點之x座標及y座標之向量之間的相關，N係此等對準點之數目，RA係表示由自內圍層匹配驗證點之位置至用於註冊之註冊點之轉換引起之角度中之變化之回收角度，及RS係表示由上述轉換引起之規模中之變化之回收規模。RA及RS自由RANSAC或類似操作引起之相似性或同類幾何轉換矩陣導出。考量諸如自身份之轉換/註冊矩陣之距離之其他量測，尤其若空間上預正規化所關注之區域(諸如眼部血管及眼周)。在一些實施方案中，M-SAC、群組-SAC及/或最佳-RANSAC可取代RANSAC。可分別、組合(SVP)或依一順序方式針對眼睛之眼白(SV)及眼周區域(SP)兩者產生匹配分數。依漸進方式，若對於所關注之起始區域中存在一穩健決策之不足資訊或品質，則不同ROI漸進包含於匹配器中。例如，若無法使用眼睛之眼白中之血管資訊達成某些源品質或一確定決策，則匹配器可視需要自有關眼周之位置(及可能超出眼周，如鼻子及面部)漸進添加更多資訊以在確證一生物識別匹配中達成所要確實性。在一實施方案中，單獨計算來自眼部及眼周區域之匹配點對且接著針對RANSAC組合以產生最終匹配分數。在另一實施方案中，單獨計算來自眼部及眼周區域之匹配點對且接著針對RANSAC組合以產生最終匹配分數。然而，限制最終內圍層產生以具有來自眼部區域的至少N個點。在另一實施方案中，單獨計算來自眼部及眼周區域之匹配點對，眼部及眼周區域之各自內圍層分別由特定ROI RANSAC發現，且接著針對一最終RANSAC組合特定區域RANSAC濾波模板要素之收集以產生最終匹配分數。然而，限制最終內圍層產生以具有來自眼部血管區域之RANSAC的至少N個點。在一些實施方案中，N之一典型最小值係3。在一些實施方案中，實施一漸進生物識別匹配器以基於比較匹配分數與臨限值而作出最終決策。舉實例而言：步驟1：若SV ＞ 3.2，鑑認使用者，且略過步驟2及步驟3。步驟2：若SVP ＞ 3.4，鑑認使用者，且略過步驟3。步驟3：若SP ＞ 3.2，鑑認使用者。結束程序。若上述漸進程序未鑑認使用者，則可再呼叫來自註冊庫之另一註冊模板或可獲取一新驗證影像，直至達到一特定離開條件(諸如一時限)。考量SV、SVP及SP臨限值之其他組合。若所關注之區域之一或多者歸因於由(例如)眼鏡或眩光假影引起之像差而不可用於掃描，則系統可使用其他可用區域。圖5描繪使用漸進匹配用於生物識別註冊及鑑認之一方法之一實施方案，包含其中基於眼部血管及眼周區域產生註冊模板之一註冊相位及其中可基於所擷取之影像及註冊模板執行漸進匹配之一驗證相位。可根據本文所描述之各種技術來執行圖5中所繪示之步驟。在一些情況中，一單一生物識別表徵可分為多個ROI，接著，漸進匹配該等ROI。例如，一眼周區域之顯著區域可分為n個部分，接著，漸進匹配該n個部分。在一實施方案中，可量測及分級一些或所有眼周ROI之品質，且匹配程序可視需要基於ROI之各自等級漸進添加各ROI以在確證一生物識別匹配中達成所要確實性。在另一實施方案中，一基於影像之距離度量或類似者偵測可扭曲諸如眼周之所關注之一些生物識別區域的使用者姿勢、照明條件或面部姿勢。可在註冊期間誘發此等變動或可基於一模板更新政策而將此等變動添加至一滾動模板庫。在驗證時，匹配器可基於前述影像相似性度量而嘗試自庫擷取最相關模板。在另一實施方案中，若匹配程序會遇一新姿勢或面部表情，使用最接近表情及應用漸進生物識別匹配器之一特殊情況。例如，一特殊情況可使用叢集化程序將眼周區域分為若干片段，且在各片段內產生分數及轉換矩陣。最終分數可由所有個別片段分數之一加權融合判定。此等權重由跨越所有轉換矩陣觀察到的之量判定。其他分數融合係可行的。圖5繪示根據本文所描述之技術之用於產生安全生物識別模板及執行使用者驗證之一局部系統之一實施方案。一使用者裝置500可包含一影像感測器530、處理器540(一處理單元)、記憶體550、生物識別硬體及/或軟體560及將包含記憶體550之各種系統組件耦合至處理器540之一系統匯流排。使用者裝置500可包含(但不限於)一智慧型電話、智慧型手錶、智慧型眼鏡、平板電腦、可攜式電腦、電視、遊戲裝置、音樂播放器、行動電話、膝上型電腦、掌上型電腦、智慧型或啞終端機、網路電腦、個人數位助理、無線裝置、資訊家電、工作站、迷你電腦、主機電腦或操作為可執行本文所描述之功能性之一通用電腦或一專用硬體裝置之其他計算裝置。生物識別硬體及/或軟體560包含一用於在由影像感測器530擷取之影像上執行操作之影像處理模組562。例如，影像處理模組562可在一使用者510之眼睛及周圍面部區域之影像上執行分段及增強以助於隔離血管結構及所關注之其他特徵。模板模組564基於血管分佈影像產生生物識別模板且可在模板上執行各種混淆及拌碼操作。驗證模組566藉由在擷取一生物識別讀數之後形成之一生物識別驗證模板與一先前儲存之註冊模板之間執行匹配操作來驗證一使用者510之身份。在一些實施方案中，可在除使用者裝置500之外的裝置上執行某些功能性。例如，一使用者裝置可代以僅包含諸如一攝影機之一生物識別感測器，且可在一可存取至諸如網際網路之一網路上之使用者裝置500之遠程伺服器上執行影像處理及驗證功能。更一般而言，此處所描述之系統及技術可在包含一後端組件(例如，作為一資料伺服器)或包含一中介軟體組件(例如，一應用伺服器)或包含一前端組件(例如，具有一圖形使用者介面之一用戶端電腦或一使用者可透過其與此處所描述之系統及技術之一實施方案互動之一網頁瀏覽器)或此等後端組件、中介軟體組件或前端組件之任何組合之一計算系統中實施。系統之組件可由數位資料通信之任何形式或媒體(例如，一通信網路)互連。通信網路之實例包含一區域網路(「LAN」)、一廣域網路(「WAN」)及網際網路。計算系統可包含用戶端及伺服器。一用戶端及伺服器大體上彼此遠離且可透過一通信網路互動。用戶端與伺服器之關係憑藉在各自電腦上運行且彼此具有一用戶端-伺服器關係之電腦程式而產生。已描述若干實施例。然而，應瞭解可在不會背離本發明之精神及範疇之情況下實行各種修改。本說明書中所描述之標的之實施方案及操作可在數位電子電路中實施、在電腦軟體、韌體或硬體(其包含本說明書中所揭示之結構及其結構等效物)中實施或在其等之一或多者之組合中實施。本說明書中所描述之標的之實施例可實施為一或多個電腦程式(即編碼在電腦儲存媒體上以由資料處理設備執行或以控制資料處理設備之操作的電腦程式指令之一或多個模組)。替代地或另外，該等程式指令可編碼在一人工產生之傳播信號(例如一機器產生之電信號、光學信號或電磁信號，其經產生以編碼資訊用於傳輸至適合接收器設備以由一資料處理設備執行)上。一電腦儲存媒體可為或包含於一電腦可讀儲存裝置、一電腦可讀儲存基板、一隨機存取記憶體陣列或裝置或串行存取記憶體陣列或裝置或其等之一或多者之一組合中。再者，儘管一電腦儲存媒體並非係一傳播信號，但一電腦儲存媒體可為一源或編碼在一人工產生之傳播信號中的電腦程式指令之目的地。電腦儲存媒體亦可為或包含於一或多個單獨實體組件或媒體(例如，多個CD、磁碟或其他儲存裝置)中。本說明書中所描述之操作可實施為由儲存在一或多個電腦可讀儲存裝置上或自其他源接收之資料上的一資料處理設備執行之操作。術語「資料處理設備」涵蓋用於處理資料的所有種類之設備、裝置及機器(其等包含(舉實例而言)一可程式化處理器、一電腦、一晶片上之一系統或前述之多者或組合)。該設備可包含專用邏輯電路(例如一FPGA (現場可程式閘陣列)或一ASIC (特定應用積體電路))。除硬體之外，該設備亦包含產生所討論之電腦程式之一執行環境之程式碼(例如構成處理器韌體之程式碼)、一協定堆疊、一資料庫管理系統、一作業系統、一跨平台運行時間環境、一虛擬機或其等之一或多者之一組合。該設備及執行環境可實現諸如網頁服務、分散式計算及網格式運算基礎設施之各種不同計算模型基礎設施。一電腦程式(亦稱為一程式、軟體、軟體應用、指令程式碼或程式碼)可以任何形式之程式設計語言(其包含編譯或解釋語言，宣告或程序式語言)寫入且該電腦程式可以任何形式(其包含作為一獨立程式或作為一模組、組件、副常式、目標或適於在一計算環境中使用的其他單元)部署。一電腦程式可但不需要對應於一檔案系統中之一檔案。一程式可被儲存於保持其他程式或資料(例如，儲存於一標示語言資源中之一或多個指令程式碼) 之一檔案之一部分中、儲存於專用於所討論之程式之一單一檔案中，或儲存於多個協調檔案(例如儲存一或多個模組、副程式或程式碼之部分的檔案)中)。一電腦程式可經部署以在一電腦或多個電腦(其等位於一位置處或跨越多個位置分佈且藉由一通信網路互連)上執行。本說明書中所描述之標的之實施例可在包含一後端組件(例如，作為一資料伺服器)或包含一中介軟體組件(例如，一應用伺服器)或包含一前端組件(例如，具有一圖形使用者介面之一用戶端電腦或一使用者可透過其與本說明書中所描述之標的之一實施方案互動之一網頁瀏覽器)或一或多個此等後端組件、中介軟體組件或前端組件之任何組合之一計算系統中實施。系統之組件可由數位資料通信之任何形式或媒體(例如，一通信網路)互連。通信網路之實例包含一區域網路(「LAN」)及一廣域網路(「WAN」)、一網路間(例如，網際網路)及同級間網路(例如，自主同級間網路)。計算系統可包含用戶端及伺服器。一用戶端及伺服器大體上彼此遠離且可透過一通信網路互動。用戶端與伺服器之關係憑藉在各自電腦上運行且彼此具有一用戶端-伺服器關係之電腦程式而產生。在一些實施例中，一伺服器將資料(例如，一HTML頁面)傳輸至一用戶端裝置(例如，為了顯示資料給一使用者及自與該用戶端裝置互動之一使用者接收使用者輸入)。可自伺服器處之用戶端裝置接收用戶端裝置處所產生之資料(例如，使用者互動之一結果)。一或多個電腦之一系統可經組態以憑藉將軟體、韌體、硬體或其等之一組合安裝在該系統上而執行特定操作或動作，軟體、韌體、硬體或其等之一組合在操作中致使該系統執行該等動作。一或多個電腦程式可經組態以憑藉包含指令而執行特定操作或動作，該等指令在由資料處理設備執行時致使該設備執行該等動作。儘管本說明書含有諸多特定實施方案細節，但此等細節不應視為任何發明或可申請之範疇之限制，而應視為特定發明之特定實施方案特有之特徵之描述。本說明書中在單獨實施方案之背景內容中所描述之特定特徵亦可在一單一實施方案中組合實施。相反，在一單一實施方案之背景內容中所描述之各種特徵亦可在多個實施方案中單獨或以任何適合子組合實施。再者，儘管特徵可在上文描述為以特定組合起作用且甚至最初如此申請，但來自一申請組合之一或多個特徵在一些情況中可自該組合去除，且該申請組合可係關於一子組合或一子組合之變動。類似地，儘管在圖式中以一特定順序描繪操作，但此不應理解為要求此等操作以所展示之該特定順序或以循序次序執行，或要求執行所繪示之所有操作以達成期望結果。在某些情況中，多工及平行處理可係有利的。再者，上文所描述之實施方案中的各種系統組件之分離不應理解為在所有實施方案中皆要求此分離，且應瞭解所描述之程式組件及系統大體上可在一單一軟體產品中整合在一起或封裝成多個軟體產品。因此，已描述標的之特定實施方案。其他實施方案在隨附申請專利範圍之範疇內。在一些情況中，申請專利範圍中所列舉之動作可以一不同順序執行且仍達成期望結果。此外，附圖中所描繪之程序未必需要所展示之特定順序或循序次序來達成期望結果。在某些實施方案中，多工及平行處理可係有利的。

102:步驟 104:步驟 106:影像增強子階段/預處理子階段 108:影像品質子階段/預處理子階段 110:特徵擷取子階段 112:步驟 200:步驟 202:步驟 204:步驟 206:步驟 208:步驟 210:步驟 212:眼周區域階段 302:像素網格 304:像素網格 306:步驟 308:步驟 310:步驟 312:步驟 500:使用者裝置 510:使用者 530:影像感測器 540:處理器 550:記憶體 560:生物識別硬體及/或軟體 562:影像處理模組 564:模板模組 566:驗證模組 H:高度 W:寬度

在圖式中，相同參考符號大體上指稱在不同面向綜觀之相同部件。另外，圖式係為強化闡釋實施方案之原理之用，無需按比例繪製。在以下描述中，參考以下圖式描述各種實施方案，其中：圖1描繪根據一實施方案之用於產生一眼部及眼周註冊模板之一實例性方法。圖2A及圖2B描繪根據一實施方案之用於界定眼部及眼周區域及對應面部影像之一實例性方法。圖3描繪根據一實施方案之一實例性修改局部二進位模式(genBP)程序。圖4描繪根據一實施方案之用於與註冊及驗證階段之生物識別漸進匹配的一實例性技術。圖5描繪根據一實施方案之用於執行生物識別掃描及分析之一實例性系統。

102:步驟 104:步驟 106:影像增強子階段/預處理子階段 108:影像品質子階段/預處理子階段 110:特徵擷取子階段 112:步驟

Claims

一種用於生物識別鑑認(biometric authentication)之電腦實施方法，其包括：接收一使用者之一面部(facial)區域之一影像，該面部區域包含一眼睛及圍繞該眼睛之一區域；處理該影像以界定包含該面部區域之該影像中之該眼睛之至少一部分之一眼部(ocular)影像區域，其中該眼睛中之該至少一部份包括該眼睛之一鞏膜區域(scleral region)；界定複數個眼周(periocular)影像區域，該複數個眼周影像區域各包含圍繞該面部區域之該影像中之該眼睛之該區域之至少一部分，其中該等眼周影像區域之各者與該眼部影像區域之尺寸不同，及其中界定該眼周影像區域之一特定者包括：藉由包含該鞏膜區域之該眼部影像區域之一高度與一第一數值因子相乘，以計算一區域高度；藉由包含該鞏膜區域之該眼部影像區域之一寬度與一第二數值因子相乘，以計算一區域寬度；將該特定眼周影像區域高度設定為相等於經計算之該區域高度；及將該特定眼周影像區域寬度設定為相等於經計算之該區域寬度；基於該眼部影像區域及該等眼周區域之至少一者來計算一或多個生物識別匹配分數(biometric match scores)；及基於該一或多個生物識別匹配分數，將該面部區域之該影像指定為真實(authentic)或不真實(not authentic)。
如請求項1之方法，其中該複數個眼周影像區域包括至少四個眼周影像區域。
如請求項2之方法，其中該至少四個眼周影像區域包括安置於該眼部影像區域下方之一下眼周影像區域、安置於該眼部影像區域右邊之一右眼周影像區域、安置於該眼部影像區域左邊之一左眼周影像區域，及安置於該眼部影像區域上方之一上眼周影像區域。
如請求項1之方法，其中界定該複數個眼周影像區域包括界定安置於該眼部影像區域右邊之一右眼周影像區域，該右眼周影像區域之一寬度之範圍介於該眼部影像區域之一寬度之10%至80%，及一高度之範圍介於該眼部影像區域之一高度之120%至550%。
如請求項1之方法，其中界定該複數個眼周影像區域包括界定安置於該眼部影像區域左邊之一左眼周影像區域，該左眼周影像區域之一寬度之範圍介於該眼部影像區域之一寬度之10%至50%，及一高度之範圍介於該眼部影像區域之一高度之120%至550%。
如請求項1之方法，其中計算該一或多個生物識別匹配分數包括：基於該眼部影像區域及一眼部註冊模板(ocular enrollment template)來計算一第一生物識別匹配分數；及回應於判定該第一生物識別匹配分數不滿足(meet)一第一匹配臨限值，基於該眼部影像區域、該等眼周影像區域之一第一者、該眼部註冊模板及一眼周註冊模板來計算一第二生物識別匹配分數。
如請求項6之方法，其中計算該一或多個生物識別匹配分數進一步包括，回應於判定該第二生物識別匹配分數不滿足一第二匹配臨限值，藉由反覆地(iteratively)將該等眼周影像區域之額外者包含於計算一或多個進一步生物識別匹配分數中，直至一特定進一步生物識別匹配分數滿足一對應匹配臨限值或無可用於包含之進一步眼周影像區域，以計算該等進一步生物識別匹配分數。
如請求項7之方法，其中至少基於辨別力(discriminative power)及/或品質來分級該複數個眼周影像區域，且其中基於該等額外眼周影像區域之各自分級，反覆地包含該等額外眼周影像區域。
如請求項7之方法，進一步包括基於自該等眼周影像區域導出之一或多個面部特徵，將該複數個眼周影像區域之一或多者分為子區域，其中基於該等額外眼周影像區域之叢集重要性或各自分級，反覆地包含該等額外眼周影像區域。
如請求項1之方法，其中計算該一或多個生物識別匹配分數包括：基於該眼部影像區域及一註冊模板來識別一第一組匹配點對；及基於該等眼周影像區域之至少一者及該註冊模板來識別一第二組匹配點對。
如請求項10之方法，其中計算該一或多個生物識別匹配分數進一步包括：藉由將該第一組匹配點對及該第二組匹配點對之一組合輸入至一離群值偵測演算法(outlier detection algorithm)來判定一或多個內圍層匹配點；判定對應於該眼部影像區域之一數目之內圍層匹配點(a number of inlier mateched points)滿足一最小眼部內圍層計數；及至少部分地基於該等內圍層匹配點來計算一者之該生物識別匹配分數。
如請求項11之方法，其中該最小眼部內圍層計數等於3。
如請求項10之方法，其中計算該一或多個生物識別匹配分數進一步包括：藉由將該第一組匹配點對輸入至一離群值偵測演算法來判定一或多個第一內圍層匹配點；藉由將該第二組匹配點對輸入至該離群值偵測演算法來判定一或多個第二內圍層匹配點；及至少部分地基於該離群值偵測演算法之一輸出，使用該第一內圍層匹配點及該第二內圍層匹配點之一組合作為輸入，來計算一者之該生物識別匹配分數。
如請求項13之方法，其中計算該一或多個生物識別匹配分數進一步包括判定自該離群值偵測演算法之該輸出獲得之對應於該眼部影像區域的一數目之內圍層匹配點，其滿足一最小眼部內圍層計數。
如請求項14之方法，其中該最小眼部內圍層計數等於3。
一種生物識別鑑認系統，其包括：至少一記憶體，用於儲存電腦可執行指令；及至少一處理單元，用於執行經儲存於該至少一記憶體上之該等指令，其中該等指令之執行程式化該至少一處理單元以執行操作，該等操作包括：接收一使用者之一面部區域之一影像，該面部區域包含一眼睛及圍繞該眼睛之一區域；處理該影像以界定包含該面部區域之該影像中之該眼睛之至少一部分之一眼部影像區域，其中該眼睛中之該至少一部份包括該眼睛之一鞏膜區域；界定複數個眼周(periocular)影像區域，該複數個眼周影像區域各包含圍繞該面部區域之該影像中之該眼睛之該區域之至少一部分，其中該等眼周影像區域之各者與該眼部影像區域之尺寸不同，及其中界定該眼周影像區域一特定者包括：藉由包含該鞏膜區域之該眼部影像區域之一高度與一第一數值因子相乘以計算一區域高度；藉由包含該鞏膜區域之該眼部影像區域之一寬度與一第二數值因子相乘，以計算一區域寬度；藉由將該特定眼周影像區域高度設定為相等於經計算之該區域高度；及將該特定眼周影像區域寬度設定為相等於經計算之該區域寬度；基於該眼部影像區域及該等眼周區域之至少一者來計算一或多個生物識別匹配分數；及基於該一或多個生物識別匹配分數，將該面部區域之該影像指定為真實或不真實。
如請求項16之系統，其中該複數個眼周影像區域包括至少四個眼周影像區域。
如請求項17之系統，其中該至少四個眼周影像區域包括安置於該眼部影像區域下方之一下眼周影像區域、安置於該眼部影像區域右邊之一右眼周影像區域、安置於該眼部影像區域左邊之一左眼周影像區域及安置於該眼部影像區域上方之一上眼周影像區域。
如請求項16之系統，其中界定該複數個眼周影像區域包括界定安置於該眼部影像區域右邊之一右眼周影像區域，該右眼周影像區域之一寬度之範圍介於該眼部影像區域之一寬度之10%至80%，及一高度之範圍介於該眼部影像區域之一高度之120%至550%之一範圍內之一高度。
如請求項16之系統，其中界定該複數個眼周影像區域包括界定安置於該眼部影像區域左邊之一左眼周影像區域，該左眼周影像區域之一寬度之範圍介於該眼部影像區域之一寬度之10%至50%，及之一高度之範圍介於該眼部影像區域之一高度之120%至550%。
如請求項16之系統，其中計算該一或多個生物識別匹配分數包括：基於該眼部影像區域及一眼部註冊模板來計算一第一生物識別匹配分數；及回應於判定該第一生物識別匹配分數不滿足一第一匹配臨限值，基於該眼部影像區域、該等眼周影像區域之一第一者、該眼部註冊模板及一眼周註冊模板來計算一第二生物識別匹配分數。
如請求項21之系統，其中計算該一或多個生物識別匹配分數進一步包括，回應於判定該第二生物識別匹配分數不滿足一第二匹配臨限值，藉由反覆地(iteratively)將該等眼周影像區域之額外者包含於計算一或多個進一步生物識別匹配分數中，直至一特定進一步生物識別匹配分數滿足一對應匹配臨限值或無可用於包含之進一步眼周影像區域，以計算該等進一步生物識別匹配分數。
如請求項22之系統，其中至少基於辨別力及/或品質來分級該複數個眼周影像區域，且其中基於該等額外眼周影像區域之各自分級，反覆地包含該等額外眼周影像區域。
如請求項22之系統，其中該等操作進一步包括基於自該等眼周影像區域導出之一或多個面部特徵，將該複數個眼周影像區域之一或多者分為子區域，其中基於該等額外眼周影像區域之叢集重要性或各自分級，反覆地包含該等額外眼周影像區域。
如請求項16之系統，其中計算該一或多個生物識別匹配分數包括：基於該眼部影像區域及一註冊模板來識別一第一組匹配點對；及基於該等眼周影像區域之至少一者及該註冊模板來識別一第二組匹配點對。
如請求項25之系統，其中計算該一或多個生物識別匹配分數進一步包括：藉由將該第一組匹配點對及該第二組匹配點對之一組合輸入至一離群值偵測演算法來判定一或多個內圍層匹配點；判定對應於該眼部影像區域的一數目之內圍層匹配點滿足一最小眼部內圍層計數；及至少部分地基於該等內圍層匹配點來計算一者之該生物識別匹配分數。