TWI799071B - 屏下指紋感測裝置以及指紋感測方法 - Google Patents

屏下指紋感測裝置以及指紋感測方法 Download PDF

Info

Publication number
TWI799071B
TWI799071B TW111101048A TW111101048A TWI799071B TW I799071 B TWI799071 B TW I799071B TW 111101048 A TW111101048 A TW 111101048A TW 111101048 A TW111101048 A TW 111101048A TW I799071 B TWI799071 B TW I799071B
Authority
TW
Taiwan
Prior art keywords
color
value
color correction
processor
correction value
Prior art date
Application number
TW111101048A
Other languages
English (en)
Other versions
TW202236165A (zh
Inventor
林冠儀
楊宸
謝博強
劉佩珊
Original Assignee
神盾股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 神盾股份有限公司 filed Critical 神盾股份有限公司
Publication of TW202236165A publication Critical patent/TW202236165A/zh
Application granted granted Critical
Publication of TWI799071B publication Critical patent/TWI799071B/zh

Links

Images

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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/13—Sensors therefor
    • G06V40/1318—Sensors therefor using electro-optical elements or layers, e.g. electroluminescent sensing
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection

Abstract

本發明提出一種屏下指紋感測裝置以及指紋感測方法。屏下指紋感測裝置包括指紋感測器以及處理器。處理器對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第一平坦化校正，以判斷當前感測環境是否為強光環境。當處理器判斷當前感測環境為強光環境時，處理器對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第二平坦化校正，以判斷目標物件是否為真實手指。

Description

屏下指紋感測裝置以及指紋感測方法
本發明是有關於一種生物特徵感測技術，且特別是有關於一種屏下指紋感測裝置以及指紋感測方法。
目前指紋感測技術已被應用在各種電子設備中，以提供安全性的身分辨別功能。然而，當他人使用假手指進行指紋感測時，目前的指紋感測往往無法有效地判斷真假手指。並且，在指紋感測過程中，當感測環境改變時，目前指紋感測技術也容易受到感測環境改變的影響而導致無法正確地判斷真假手指。
有鑑於此，本發明提供一種屏下指紋感測裝置以及指紋感測方法，可有效地判斷進行指紋感測的目標物件是否為真實手指。
本發明的屏下指紋感測裝置適用於具有顯示裝置的電子設備。屏下指紋感測裝置包括指紋感測器以及處理器。指紋感測器設置於顯示裝置下方。指紋感測器具有像素陣列。像素陣列具有第一顏色像素、第二顏色像素以及第三顏色像素。當指紋感測器感測目標物件時，第一顏色像素、第二顏色像素以及第三顏色像素分別輸出第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值。處理器耦接指紋感測器。處理器對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第一平坦化校正，以產生第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值。處理器根據第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值判斷當前感測環境是否為強光環境。當處理器判斷當前感測環境為強光環境時，處理器對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第二平坦化校正，以產生第四顏色校正數值、第五顏色校正數值以及第六顏色校正數值。處理器根據第四顏色校正數值、第五顏色校正數值以及第六顏色校正數值判斷目標物件是否為真實手指。
本發明的指紋感測方法包括以下步驟：當指紋感測器感測目標物件時，通過指紋感測器的像素陣列的第一顏色像素、第二顏色像素以及第三顏色像素分別輸出第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值；對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第一平坦化校正，以產生第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值；根據第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值判斷當前感測環境是否為強光環境；當前感測環境為強光環境時，對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第二平坦化校正，以產生第四顏色校正數值、第五顏色校正數值以及第六顏色校正數值；以及根據第四顏色校正數值、第五顏色校正數值以及第六顏色校正數值判斷目標物件是否為真實手指。
基於上述，本發明的屏下指紋感測裝置以及指紋感測方法可對於指紋感測器所取得的不同顏色的顏色原始數值進行平坦化校正，以根據校正後的數值來有效地判斷目標物件是否為真實手指。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
為了使本發明之內容可以被更容易明瞭，以下特舉實施例做為本揭示確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
圖1是本發明的一實施例的屏下指紋感測裝置的電路示意圖。圖2是本發明的一實施例的像素陣列的示意圖。參考圖1以及圖2，屏下指紋感測裝置100包括處理器110、指紋感測器120以及儲存裝置130。處理器110耦接指紋感測器120以及儲存裝置130。在本實施例中，屏下指紋感測裝置100適用於具有顯示裝置的電子設備(或稱終端設備)。指紋感測器120可為光學式指紋感測器。指紋感測器120可設置於顯示裝置下方，並且可用於感測位於顯示裝置上方法的目標物件。在屏下指紋感測裝置100進行指紋感測時，電子設備的顯示裝置或設置在屏下的其他光源元件可提供照明光至目標物件，以使指紋感測器120可接收目標物件的表面(即手指表面)所反射的感測光，以產生指紋影像。
在本實施例中，屏下指紋感測裝置100可為指紋感測模組，並且指紋感測模組為整合在具有顯示裝置的電子設備中，其中電子設備例如是智慧型手機，但本發明並不限於此。處理器110以及儲存裝置130可為設置在指紋感測模組中的處理晶片(chip)與記憶體(memory)，並且可提供指紋影像以及目標物件是否為真實手指的判斷結果至電子設備的中央處理器，以使電子設備的中央處理器根據紋影像以及目標物件是否為真實手指的判斷結果進行其他後續功能或操作。或者，在一實施例中，處理器110可為設置在指紋感測模組中的處理晶片，並且儲存裝置130可設置在電子設備中。又或者，在另一實施例中，屏下指紋感測裝置100可指的是具有指紋感測功能的電子設備本身，並且處理器110以及儲存裝置130可為電子設備的中央處理器(或圖形處理器)與記憶體。
在本實施例中，如圖2所示，指紋感測器120可包括像素陣列200。像素陣列200包括多個像素210_1~210_M，其中M為正整數。值得注意的是，像素陣列200的至少一部份可劃分為多個像素組211_1~211_N，其中N為正整數。在本實施例中，多個像素組211_1~211_N的可分別包括第一顏色像素211R_1~211R_N、第二顏色像素211G_1~211G_N以及第三顏色像素211B_1~211B_N。在一實施例中，第一顏色像素211R_1~211R_N、第二顏色像素211G_1~211G_N以及第三顏色像素211B_1~211B_N分別包括紅色濾光器(color filter)、綠色濾光器以及藍色濾光器形成在各像素的入光面上。對此，第一顏色像素211R_1~211R_N、第二顏色像素211G_1~211G_N以及第三顏色像素211B_1~211B_N可分別為紅色感測像素(R)、綠色感測像素(G)以及藍色感測像素(B)。
在本實施例中，在屏下指紋感測裝置100進行指紋感測時，例如第一顏色像素211R_1、第二顏色像素211G_1以及第三顏色像素211B_1可分別輸出感測結果(類比資料)至類比至數位轉換器(Analog to Digital Converter，ADC)，以使類比至數位轉換器可輸出對應的多個類比至數位轉換器數值(ADC code)(數位資料)至處理器110，以作為第一顏色原始數值(raw data)、第二顏色原始數值以及第三顏色原始數值。前述的類比至數位轉換器可設置在處理器110或指紋感測器120中。在本實施例中，儲存裝置130可例如儲存第一平坦化演算法及/或第二平坦化演算法。處理器110可執行第一平坦化演算法及/或第二平坦化演算法，以對前述取得的第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第一平坦化校正(Flat-filed correction，FFC)及/或第二平坦化校正。
在本實施例中，所述第一平坦化校正是指，處理器110可根據預先儲存的第一低參考數值(對應於紅色的低參考數值Rb)、第二低參考數值(對應於綠色的低參考數值Gb)、第三低參考數值(對應於藍色的低參考數值Bb)、第一高參考數值(對應於紅色的高參考數值Rs)、第二高參考數值(對應於綠色的高參考數值Gs)以及第三高參考數值(對應於藍色的高參考數值Bs)來對前述取得的第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)進行第一平坦化校正。在本實施例中，第一低參考數值(Rb)、第二低參考數值(Gb)以及第三低參考數值(Bb)為指紋感測器120(例如在出廠前)一次感測標準黑色物件(例如：黑色橡膠塊)後所產生的分別對應於第一顏色、第二顏色以及第三顏色的三個類比至數位轉換器數值，或多次感測標準黑色物件(例如：黑色橡膠塊)後所產生的分別對應於第一顏色、第二顏色以及第三顏色的三個平均類比至數位轉換器數值。第一高參考數值(Rs)、第二高參考數值(Gs)以及第三高參考數值(Bs)可為指紋感測器120(例如在出廠後所執行的指紋感測結果)一次感測標準皮膚色物件(例如：膚色橡膠塊)後所產生的分別對應於第一顏色、第二顏色以及第三顏色的三個類比至數位轉換器數值，或多次感測標準皮膚色物件(例如：膚色橡膠塊)後所產生的分別對應於第一顏色、第二顏色以及第三顏色的三個平均類比至數位轉換器數值。
在本實施例中，處理器110可執行如以下公式(1)~公式(3)，以進行第一平坦化校正，以使處理器110可取得第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)。在本實施例中，處理器110將第一顏色原始數值(R1)與第一低參考數值(Rb)相減，以取得第一運算數值，並且處理器110將第一高參考數值(Rs)與第一低參考數值(Rb)相減，以取得第二運算數值，其中處理器110將第一運算數值除以第二運算數值，以取得第一顏色校正數值(FFC1_R1)。處理器110將第二顏色原始數值(G1)與第二低參考數值(Rb)相減，以取得第三運算數值，並且處理器110將第二高參考數值(Gs)與第二低參考數值(Gb)相減，以取得第四運算數值，其中處理器110將第三運算數值除以第四運算數值，以取得第二顏色校正數值(FFC1_G1)。處理器110將第三顏色原始數值(B1)與第三低參考數值(Gb)相減，以取得第五運算數值，並且處理器110將第三高參考數值(Bs)與第三低參考數值(Bb)相減，以取得第六運算數值，其中處理器110將第五運算數值除以第六運算數值，以取得第三顏色校正數值(FFC1_B1)。
Figure 02_image001
……………公式(1)
Figure 02_image003
……………公式(2)
Figure 02_image005
……………公式(3)
在本實施例中，所述第二平坦化校正是指，處理器110可根據預先儲存的第一低參考數值(對應於紅色的低參考數值Rb)、第二低參考數值(對應於綠色的低參考數值Gb)、第三低參考數值(對應於藍色的低參考數值Bb)、另一第一高參考數值(對應於紅色的高參考數值Rw)、另一第二高參考數值(對應於綠色的高參考數值Gw)以及另一第三高參考數值(對應於藍色的高參考數值Bw)來對前述取得的第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)進行第二平坦化校正。在本實施例中，第一低參考數值(Rb)、第二低參考數值(Gb)以及第三低參考數值(Bb)為指紋感測器120(例如在出廠前)感測標準黑色物件後所產生的分別對應於第一顏色、第二顏色以及第三顏色的三個類比至數位轉換器數值。第一高參考數值(Rw)、第二高參考數值(Gw)以及第三高參考數值(Bw)可為指紋感測器120(例如在出廠前)感測一次標準白色物件或多次標準白色物件平均後所產生的分別對應於第一顏色、第二顏色以及第三顏色的三個類比至數位轉換器數值。
在本實施例中，處理器110可執行如以下公式(4)~公式(6)，以進行第二平坦化校正，以使處理器110可取得另一第一顏色校正數值(FFC2_R1)、另一第二顏色校正數值(FFC2_G1)以及另一第三顏色校正數值(FFC2_B1)。以下公式(4)~公式(6)的詳細運算說明可參照上述公式(1)~公式(3)的說明而類推，因此在此不多加贅述。
Figure 02_image007
……………公式(4)
Figure 02_image009
……………公式(5)
Figure 02_image011
……………公式(6)
另外，值得注意的是，以下各實施例的防偽判斷可針對像素陣列200中的多個像素組211_1~211_N的各別的第一顏色像素、第二顏色像素以及第三顏色像素的感測結果分別進行如以下各實施例所述的數值分析與運算。並且，處理器110可對像素組211_1~211_N的多個判斷結果進行計數，並且根據計數結果來決定最後真假手指的判斷結果。例如，像素組211_1~211_N中有P組的判斷結果為真手指，並且若P大於預設閾值，則處理器110確認目標物件為真實手指。反之，若P小於或等於預設閾值，則處理器110確認目標物件為假手指。以下各實施例所述的數值分析與運算是先以單一組像素組的第一顏色像素、第二顏色像素以及第三顏色像素的感測結果進行說明，並且可類推至多個像素組211_1~211_N的數值分析與運算結果。
圖3是本發明的第一實施例的指紋感測方法的流程圖。參考圖1至圖3，屏下指紋感測裝置100可執行如以下步驟S310~S350，以實現防偽功能。在本實施例中，屏下指紋感測裝置100執行步驟S310~S350。在步驟S310，屏下指紋感測裝置100可通過指紋感測器120感測目標物件，以使指紋感測器120的像素陣列200的第一顏色像素211R_1、第二顏色像素211G_1以及第三顏色像素211B_1分別輸出第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)。在步驟S320，處理器110可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行平坦化校正，以產生第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值。值得注意的是，在本實施例中，處理器110可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行前述的第一平坦化校正或第二平坦化校正。或者，處理器110可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別同時進行前述的第一平坦化校正以及第二平坦化校正，以針對兩種數值平坦化校正的結果進行以下預設條件的判斷。在步驟S330，處理器110可判斷第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值是否滿足預設條件。若否，在步驟S350，處理器110判斷目標物件為假手指，以停止使用當前指紋影像進行後續的指紋分析。若是，在步驟S340，處理器110判斷目標物件為真實手指。因此，本實施例的屏下指紋感測裝置100以及指紋感測方法可實現能判斷目標物件是否為真實手指的功能。
在本實施例中，所述預設條件可例如是指以下說明的第一數值分析方式。第一數值分析方式可指的是理器110判斷第一顏色校正數值除以第二顏色校正數值、第二顏色校正數值除以第三顏色校正數值以及第一顏色校正數值除以第三顏色校正數值是否分別大於第一閾值且小於第二閾值。
以處理器110對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行前述的第一平坦化校正為例。處理器110可對第一平坦化校正後的第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)，進行如以下公式(7)~公式(9)的判斷，以判斷目標物件為假手指或真實手指。對此，若公式(7)~公式(9)皆滿足，則判斷目標物件為真實手指。若公式(7)~公式(9)的至少其中之一未滿足，則判斷目標物件為假手指。參數TH1為第一閾值。參數TH2為第二閾值。在一實施例中，參數TH1可為0.8，並且參數TH2可為1.2。
Figure 02_image013
…………公式(7)
Figure 02_image015
…………公式(8)
Figure 02_image017
…………公式(9)
以處理器110對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行前述的第二平坦化校正為例。處理器110可對第二平坦化校正後的第一顏色校正數值(FFC2_R1)、第二顏色校正數值(FFC2_G1)以及第三顏色校正數值(FFC2_B1)，進行如以下公式(10)~公式(12)的判斷，以判斷目標物件為假手指或真實手指。對此，若公式(10)~公式(12)皆滿足，則判斷目標物件為真實手指。若公式(10)~公式(12)的至少其中之一未滿足，則判斷目標物件為假手指。
Figure 02_image019
…………公式(10)
Figure 02_image021
…………公式(11)
Figure 02_image023
…………公式(12)
在一實施例中，所述預設條件可例如是指以下說明的第二數值分析方式。第二數值分析方式可指的是屏下指紋感測裝置100可通過指紋感測器120連續感測目標物件兩次，以使指紋感測器120的像素陣列的第一顏色像素211R_1、第二顏色像素211G_1以及第三顏色像素211B_1分別輸出對應於第一次感測操作(取得第一張影像)的第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)，以及對應於第二次感測操作(取得第二張影像)的另一第一顏色原始數值(R1’)、另一第二顏色原始數值(G1’)以及另一第三顏色原始數值(B1’)。處理器110可對第一顏色原始數值(R1)、第二顏色原始數值(G1)、第三顏色原始數值(B1)、另一第一顏色原始數值、另一第二顏色原始數值以及另一第三顏色原始數值分別進行相同的平坦化校正(例如進行第一平坦化校正及/或第二平坦化校正)，以產生第一顏色校正數值、第二顏色校正數值、第三顏色校正數值、另一第一顏色校正數值、另一第二顏色校正數值以及另一第三顏色校正數值。接著，處理器110可判斷第一顏色校正數值與另一第一顏色校正數值的第一差值、第二顏色校正數值與另一第二顏色校正數值的第二差值以及第三顏色校正數值與另一第三顏色校正數值的第三差值是否分別大於0。若否，在步驟S350，處理器110判斷目標物件為假手指，以停止使用當前兩張指紋影像進行後續的指紋分析。若是，在步驟S340，處理器110判斷目標物件為真實手指，並且處理器110或電子設備的中央處理器可對當前兩張指紋影像的至少其中之一進行後續的指紋分析。因此，本實施例的屏下指紋感測裝置100以及指紋感測方法可實現能判斷目標物件是否為真實手指的功能。
以處理器110對第一張指紋影像的第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行前述的第一平坦化校正，並且對第二張指紋影像的第一顏色原始數值(R1’)、第二顏色原始數值(G1’)以及第三顏色原始數值(B1’)分別進行前述的第一平坦化校正為例。處理器110可對第一張指紋影像的第一平坦化校正後的第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)、第三顏色校正數值(FFC1_B1)以及第二張指紋影像的第一平坦化校正後的第一顏色校正數值(FFC1_R1’)、第二顏色校正數值(FFC1_G1’)、第三顏色校正數值(FFC1_B1’)進行如以下公式(13)~公式(15)的判斷，以判斷目標物件為假手指或真實手指。對此，若公式(13)~公式(15)皆滿足，則判斷目標物件為真實手指。若公式(13)~公式(15)的至少其中之一未滿足，則判斷目標物件為假手指。
Figure 02_image025
…………公式(13)
Figure 02_image027
…………公式(14)
Figure 02_image029
…………公式(15)
以處理器110對第一張指紋影像的第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行前述的第二平坦化校正，並且對第二張指紋影像的第一顏色原始數值(R1’)、第二顏色原始數值(G1’)以及第三顏色原始數值(B1’)分別進行前述的第二平坦化校正為例。處理器110可對第一張指紋影像的第二平坦化校正後的第一顏色校正數值(FFC2_R1)、第二顏色校正數值(FFC2_G1)、第三顏色校正數值(FFC2_B1)以及第二張指紋影像的第二平坦化校正後的第一顏色校正數值(FFC2_R1’)、第二顏色校正數值(FFC2_G1’)、第三顏色校正數值(FFC2_B1’)進行如以下公式(16)~公式(18)的判斷，以判斷目標物件為假手指或真實手指。對此，若公式(16)~公式(18)皆滿足，則判斷目標物件為真實手指。若公式(16)~公式(18)的至少其中之一未滿足，則判斷目標物件為假手指。
Figure 02_image031
…………公式(16)
Figure 02_image033
…………公式(17)
Figure 02_image035
…………公式(18)
值得注意的是，在另一些實施例中，處理器110也可先執行如上述第一數值分析方式的判斷，並且若判斷為“否”，則在執行如上述第二數值分析方式的判斷。或者，處理器110也可先執行如上述第二數值分析方式的判斷，並且若判斷為“否”，則在執行如上述第一數值分析方式的判斷。
此外，在本發明的另一些實施例中，處理器110還可針對像素陣列200中的像素組211_1~211_N的各別的第一顏色像素、第二顏色像素以及第三顏色像素的感測結果分別進行如上述的數值分析與運算，並且將像素組211_1~211_N的多個判斷結果進行統計。對此，當像素組211_1~211_N的多個判斷結果為判斷為真實手指的數量大於第一預設判斷閾值，則輸出最終判斷結果為目標物件為真實手指。反之，則輸出最終判斷結果為目標物件為假手指。
圖4是本發明的第一實施例的判斷感測環境的流程圖。參考圖1以及圖4，在本發明的另一些實施例中，屏下指紋感測裝置100可在上述的步驟S330(即可依序執行步驟S310~S330、S410~440)判斷為“否”(基於第一平坦化校正的數值結果)之後，以進一步判斷確認當前感測環境的結果是否為例外情況，以使處理器110或電子設備的中央處理器還是對當前指紋影像進行後續的指紋分析。在步驟S410中，處理器110可判斷當前感測環境是否為強光環境。對此，處理器110可先對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第一平坦化校正，以取得第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)、第三顏色校正數值(FFC1_B1)，並且處理器110執行如以下公式(19)~公式(21)，以判斷當前感測環境是否為強光環境。處理器110可將第一顏色校正數值(FFC1_R1)除以第二顏色校正數值(FFC1_G1)，以取得第七運算數值，並且判斷第七運算數值是否大於或等於1.2。處理器110可將第三顏色校正數值(FFC1_B1)除以第二顏色校正數值(FFC1_G1)，以取得第八運算數值，並且判斷第八運算數值是否大於或等於1。處理器110可將第一顏色校正數值(FFC1_R1)除以第三顏色校正數值(FFC1_B1)，以取得第九運算數值，並且判斷第九運算數值是否大於或等於1。對此，若公式(19)~公式(21)皆滿足，則執行步驟S420。若公式(19)~公式(21)的至少其中之一未滿足，則執行步驟S430。
Figure 02_image037
…………公式(19)
Figure 02_image039
…………公式(20)
Figure 02_image041
…………公式(21)
在步驟S430中，處理器110可判斷照明目標物件的照明光是否為暖色光。值得注意的是，所述暖色光可能是顯示設備或其他光源元件所提供的照明光相比於指紋感測前較為亮或顯示較紅的螢幕圖片所導致，但本發明並不限於此。對此，處理器110可先對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第一平坦化校正，以取得第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)，並且處理器110執行如以下公式(22)，以判斷照明目標物件的照明光是否為暖色光。在本實施例中，處理器110可比對第一顏色校正數值(FFC1_R1)是否大於第二顏色校正數值(FFC1_G1)，並且第二顏色校正數值(FFC1_G1)是否大於第三顏色校正數值(FFC1_B1)。對此，若公式(22)成立，則執行步驟S420。若公式(22)未成立，則執行步驟S440。
Figure 02_image043
…………公式(22)
在步驟S420，處理器110判斷當前感測環境的結果為例外情況(即當前感測環境為強光環境或當前照明光為暖色光的情況)。處理器110可對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第二平坦化校正，並且再次判斷目標物件為真實手指或為假手指。在本實施例中，處理器110可先對第一顏色原始數值、第二顏色原始數值以及第三顏色原始數值進行第二平坦化校正，以取得第一顏色校正數值(FFC2_R1)、第二顏色校正數值(FFC2_G1)以及第三顏色校正數值(FFC2_B1)，並且處理器110基於第二平坦化校正的數值結果執行如上述預設條件的判斷，以再次判斷目標物件為真實手指或為假手指。在一實施例中，處理器110還可提供相關判斷資訊至電子設備的中央處理器，以使電子設備的中央處理器可據此執行其他相關功能或處理，而本發明並不加以限制。在步驟S440，處理器110判斷當前感測環境的結果並非例外情況，以判斷目標物件為假手指。
值得注意的是，在一實施例中，處理器110還可針對像素陣列200中的像素組211_1~211_N的各別的第一顏色像素、第二顏色像素以及第三顏色像素的感測結果分別進行如上述的當前感測環境判斷的運算與分析，並且將像素組211_1~211_N的多個判斷結果進行統計。對此，當像素組211_1~211_N的多個判斷結果為判斷為強光環境的數量大於第二預設判斷閾值，則輸出最終判斷結果為當前環境為強光環境。當像素組211_1~211_N的多個判斷結果為判斷為暖色光的數量大於第三預設判斷閾值，則輸出最終判斷結果為當前照明光為暖色光。反之，則判斷目標物件為假手指。
圖5是本發明的另一實施例的屏下指紋感測裝置的電路示意圖。參考圖5，屏下指紋感測裝置500包括處理器510、指紋感測器520以及儲存裝置530。處理器510耦接指紋感測器520以及儲存裝置530。在本實施例中，屏下指紋感測裝置500適用於具有顯示裝置的電子設備(或稱終端設備)。值得注意的是，本實施例的屏下指紋感測裝置500的相關硬體特徵與實施方式可參照上述圖1至圖4實施例的說明，其中本實施例的屏下指紋感測裝置500可包含上述圖1實施例的屏下指紋感測裝置100的全部技術特徵。然而，本實施例的屏下指紋感測裝置500的儲存裝置530還可進一步儲存有判斷模組531、第一資料庫532以及第二資料庫533。在本實施例中，判斷模組531為機器學習(Machine Learning, ML)模組，並且可例如包括K-近鄰演算法(k-nearest neighbors (KNN) algorithm)及/或基於規則的系統演算法(rule-based algorithm)。
在本實施例中，第一資料庫532可包括多個假手(指)分類，並且第二資料庫533可包括多個真手(指)分類。所述多個假手分類以及所述多個真手分類可各別對應於不同組合的第一顏色參考數值、第二顏色參考數值以及第三顏色參考數值。
在本實施例中，這些假手分類可例如包括以下表1中對應於不同物體底色、不同色溫、假指紋顏色或不同假手材質的至少其中之一。
假手(指)分類 螢幕色溫 物體底色 假指紋顏色 假手材質
假手指1 暖色 橘色 黑 色紙
假手指2 暖色 紅色 黑 色紙
假手指3 暖色 黃色 黑 色紙
假手指4 暖色 咖啡色 黑 色紙
假手指5 暖色 粉紅色 黑 色紙
假手指6 冷色 藍色 紅 色紙
假手指7 冷色 綠色 黑 色紙
假手指8 冷色 紫色 黑 色紙
假手指9 其他 白 紅 色紙
假手指10 其他 黑 黑 色紙
假手指11 其他 深灰 黑 色卡
假手指12 其他 淺灰 黑 色卡
假手指13 其他 亮紅 黑 色卡
假手指14 其他 深紅 黑 色卡
假手指15 其他 高灰 黑 色卡
表1
在本實施例中，這些真手分類可例如包括以下表2中對應於不同手指按壓力量、不同手指覆蓋程度、不同手指感測環境或不同手指狀態的至少其中之一。
真手(指)分類 手指按壓情況 手指覆蓋程度 手指感測環境
真手指1 按壓力量一般 100% 正常室內
真手指2 按壓力量一般 50% 正常室內
真手指3 按壓力量一般 100% 暗房環境
真手指4 按壓力量一般 50% 暗房環境
真手指5 輕壓 100% 正常室內
真手指6 輕壓 50% 正常室內
真手指7 輕壓 100% 暗房環境
真手指8 輕壓 50% 暗房環境
真手指9 重壓 100% 正常室內
真手指10 重壓 50% 正常室內
真手指11 重壓 100% 暗房環境
真手指12 重壓 50% 暗房環境
真手指13 按壓力量一般 100% 強光環境
真手指14 按壓力量一般 50% 強光環境
真手指15 手指潮濕狀態 100% 暗房環境
真手指16 手指潮濕狀態 50% 暗房環境
真手指17 手指潮濕狀態 100% 正常室內
真手指18 手指潮濕狀態 50% 正常室內
真手指19 手指骯髒狀態 100% 暗房環境
真手指20 手指清潔狀態 50% 暗房環境
真手指21 低光源(20%) 100% 正常室內
真手指22 低光源(20%) 50% 正常室內
真手指23 弱強光(20K lux) 100% 強光環境
真手指24 弱強光(20K lux) 50% 強光環境
表2
圖6是本發明的第二實施例的指紋感測方法的流程圖。參考圖5以及圖6，屏下指紋感測裝置500可執行如以下步驟S610~S630，以實現防偽功能。在步驟S610，當指紋感測器520感測目標物件時，通過指紋感測器520的像素陣列的多個像素組(例如圖2的像素陣列200的像素組211_1~211_N的多個第一顏色像素211R_1~211R_N、多個第二顏色像素211G_1~211G_N以及多個第三顏色像素211B_1~211B_N)分別輸出多個第一顏色原始數值(例如R1~RN)、多個第二顏色原始數值(例如G1~GN)以及多個第三顏色原始數值(例如B1~BN)。在步驟S620，處理器510可對這些第一顏色原始數值(例如R1~RN)、這些第二顏色原始數值(例如G1~GN)以及這些第三顏色原始數值(例如B1~BN)分別進行平坦化校正，以產生多個第一顏色校正數值、多個第二顏色校正數值以及多個第三顏色校正數值。在步驟S630，處理器510可將這些第一顏色校正數值、這些第二顏色校正數值以及這些的第三顏色校正數值輸入至判斷模組531，以使與第一資料庫532以及第二資料庫533的至少其中之一進行比對，以判斷目標物件是否為真實手指。因此，本實施例的屏下指紋感測裝置500以及指紋感測方法可實現能判斷目標物件是否為真實手指的功能。
在前述的步驟S620中，處理器510可對於多個第一顏色原始數值(例如R1~RN)、多個第二顏色原始數值(例如G1~GN)以及多個第三顏色原始數值(例如B1~BN)分別進行如上述公式(1)~公式(3)的第一平坦化校正，以產生多個第一顏色校正數值(例如FFC1_R1~FFC1_RN)、多個第二顏色校正數值(例如FFC1_G1~FFC1_GN)以及多個第三顏色校正數值(例如FFC1_B1~FFC1_BN)。或者，在一實施例中，處理器510可對於多個第一顏色原始數值(例如R1~RN)、多個第二顏色原始數值(例如G1~GN)以及多個第三顏色原始數值(例如B1~BN)分別進行如上述公式(4)~公式(6)的第二平坦化校正，以產生多個第一顏色校正數值(例如FFC2_R1~FFC2_RN)、多個第二顏色校正數值(例如FFC2_G1~FFC2_GN)以及多個第三顏色校正數值(例如FFC2_B1~FFC2_BN)。
在前述的步驟S630中，處理器510可執行判斷模組531中的K-近鄰演算法，以根據這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值經由K-近鄰演算法所輸出對應於在第一資料庫532以及第二資料庫533的至少其中之一當中的分類結果，來判斷目標物件是否為真實手指。對此，處理器510可執行判斷模組531中的K-近鄰演算法，以判斷這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值是最接近於第一資料庫532以及第二資料庫533的至少其中之一當中的多個真假手分類結果的何者，並且判斷模組531可直接輸出判斷結果。
或者，處理器510可執行判斷模組531中的基於規則的系統演算法，以根據這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值經由基於規則的系統演算法所輸出對應於在第一資料庫532以及第二資料庫533的至少其中之一的多個真手分數進行計數，來判斷目標物件是否為真實手指。對此，處理器510可判斷所述多個真手分數是否超過預設分數閾值，並且計數超過預設分數閾值的真手分數的數量。接著，處理器510可判斷超過預設分數閾值的真手分數的數量是否大於預設數量閾值來決定最後真假手指的判斷結果。若超過預設分數閾值的真手分數的數量大於預設數量閾值，則處理器510確認目標物件為真實手指。反之，若超過預設分數閾值的真手分數的數量小於或等於預設數量閾值，則處理器510確認目標物件為假手指。處理器510可執行判斷模組531中的基於規則的系統演算法，以將這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值分別分類於第一資料庫532以及第二資料庫533的至少其中之一當中的多個真假手分類結果，並且判斷模組531可根據這些真假手分類結果中具有最大計數值的一者，來直接輸出判斷結果。
圖7是本發明的第三實施例的指紋感測方法的流程圖。參考圖5以及圖7，屏下指紋感測裝置500可執行如以下步驟S710~S780，以實現防偽功能。在步驟S710，屏下指紋感測裝置500可通過指紋感測器520感測目標物件，以使指紋感測器520的像素陣列(如圖2的像素陣列200)的第一顏色像素、第二顏色像素以及第三顏色像素分別輸出第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)。在步驟S720，處理器510可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行第一平坦化校正，以產生第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)。在本實施例中，處理器510可進行如上述公式(1)~公式(3)的第一平坦化校正。在步驟S730，處理器510可根據第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)判斷當前感測環境是否為強光環境。在本實施例中，處理器510可進行如上述公式(19)~公式(21)的運算，以判斷當前感測環境是否為強光環境。
在一實施例中，指紋感測器520的像素陣列的多個像素組可分別輸出多個第一顏色原始數值、多個第二顏色原始數值以及多個第三顏色原始數值，並且處理器510對這些第一顏色原始數值、這些第二顏色原始數值以及這些第三顏色原始數值分別進行第一平坦化校正，以產生多個第一顏色校正數值、多個第二顏色校正數值以及多個第三顏色校正數值。處理器510可執行判斷模組531中的K-近鄰演算法，以根據這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值經由K-近鄰演算法所輸出對應於在第二資料庫533當中的分類結果，來判斷當前感測環境是否為強光環境(例如表2中的真手指13、14、23、24的手指感測環境)。或者，處理器510也可執行判斷模組531中的基於規則的系統演算法，以根據這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值經由基於規則的系統演算法所輸出對應於在第二資料庫533的多個強光環境分數進行計數，來判斷當前感測環境是否為強光環境(例如表2中的真手指13、14、23、24的手指感測環境)。
若是，處理器510執行步驟S740。若否，處理器510執行步驟S760。在步驟S740，處理器510可根據第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_R1)判斷目標物件是否為真實手指。在本實施例中，處理器510可執行如上述公式(7)~公式(9)的運算，以判斷目標物件是否為真實手指。或者，在一實施例中，指紋感測器520的像素陣列的多個像素組可分別輸出多個第一顏色原始數值、多個第二顏色原始數值以及多個第三顏色原始數值，並且處理器510對這些第一顏色原始數值、這些第二顏色原始數值以及這些第三顏色原始數值分別進行第一平坦化校正，以產生多個第一顏色校正數值、多個第二顏色校正數值以及多個第三顏色校正數值。處理器510可對這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值執行如上述圖6實施例的步驟S630的方式來判斷目標物件是否為真實手指。若是，在步驟S750，處理器510判斷目標物件為真實手指，並且處理器110或電子設備的中央處理器可對當前指紋影像進行後續的指紋分析。若否，在步驟S780，處理器510判斷目標物件為假手指。
在步驟S760，處理器510可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)進行第二平坦化校正，以產生第四顏色校正數值(FFC2_R1)、第五顏色校正數值(FFC2_G1)以及第六顏色校正數值(FFC2_B1)。在本實施例中，處理器510可進行如上述公式(4)~公式(6)的第二平坦化校正。
在步驟S770，處理器510可根據第四顏色校正數值(FFC2_R1)、第五顏色校正數值(FFC2_G1)以及第六顏色校正數值(FFC2_B1)判斷目標物件是否為真實手指。在本實施例中，處理器510可執行如上述公式(10)~公式(12)的運算，以判斷目標物件是否為真實手指。或者，在一實施例中，指紋感測器520的像素陣列的多個像素組可分別輸出多個第一顏色原始數值、多個第二顏色原始數值以及多個第三顏色原始數值，並且處理器510對這些第一顏色原始數值、這些第二顏色原始數值以及這些第三顏色原始數值分別進行第二平坦化校正，以產生多個第四顏色校正數值、多個第五顏色校正數值以及多個第六顏色校正數值。處理器510可對這些第四顏色校正數值、這些第五顏色校正數值以及這些第六顏色校正數值執行如上述圖6實施例的步驟S630的方式來判斷目標物件是否為真實手指。若是，在步驟S750，處理器510判斷目標物件為真實手指，並且處理器110或電子設備的中央處理器可對當前指紋影像進行後續的指紋分析。若否，在步驟S780，處理器510判斷目標物件為假手指。因此，本實施例的屏下指紋感測裝置500以及指紋感測方法可實現能判斷目標物件是否為真實手指的功能。
圖8是本發明的第四實施例的指紋感測方法的流程圖。參考圖5以及圖8，屏下指紋感測裝置500可執行如以下步驟S810~S870，以實現防偽功能。在步驟S810，屏下指紋感測裝置500可通過指紋感測器520感測目標物件，以使指紋感測器520的像素陣列(如圖2的像素陣列200)的第一顏色像素、第二顏色像素以及第三顏色像素分別輸出第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)。在步驟S820，處理器510可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)分別進行第一平坦化校正，以產第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)。在本實施例中，處理器510可進行如上述公式(1)~公式(3)的第一平坦化校正。
在步驟S830，處理器510可根據第一顏色校正數值(FFC1_R1)、第二顏色校正數值(FFC1_G1)以及第三顏色校正數值(FFC1_B1)判斷目標物件是否為真實手指。在本實施例中，處理器510可執行如上述公式(7)~公式(9)的運算，以判斷目標物件是否為真實手指。或者，在一實施例中，指紋感測器520的像素陣列的多個像素組可分別輸出多個第一顏色原始數值、多個第二顏色原始數值以及多個第三顏色原始數值，並且處理器510對這些第一顏色原始數值、這些第二顏色原始數值以及這些第三顏色原始數值分別進行第一平坦化校正，以產生多個第一顏色校正數值、多個第二顏色校正數值以及多個第三顏色校正數值。處理器510可對這些第一顏色校正數值、這些第二顏色校正數值以及這些第三顏色校正數值執行如上述圖6實施例的步驟S630的方式來判斷目標物件是否為真實手指。若是，在步驟S840，處理器510判斷目標物件為真實手指，並且處理器510或電子設備的中央處理器可對當前指紋影像進行後續的指紋分析。若否，處理器510執行步驟S850。
在步驟S850，處理器510可對第一顏色原始數值(R1)、第二顏色原始數值(G1)以及第三顏色原始數值(B1)進行第二平坦化校正，以產生第四顏色校正數值(FFC2_R1)、第五顏色校正數值(FFC2_G1)以及第六顏色校正數值(FFC2_B1)。在本實施例中，處理器510可進行如上述公式(4)~公式(6)的第二平坦化校正。
在步驟S860，處理器510可根據第四顏色校正數值(FFC2_R1)、第五顏色校正數值(FFC2_G1)以及第六顏色校正數值(FFC2_B1)判斷目標物件是否為真實手指。在本實施例中，處理器510可執行如上述公式(10)~公式(12)的運算，以判斷目標物件是否為真實手指。或者，在一實施例中，指紋感測器520的像素陣列的多個像素組可分別輸出多個第一顏色原始數值、多個第二顏色原始數值以及多個第三顏色原始數值，並且處理器510對這些第一顏色原始數值、這些第二顏色原始數值以及這些第三顏色原始數值分別進行第二平坦化校正，以產生多個第四顏色校正數值、多個第五顏色校正數值以及多個第六顏色校正數值。處理器510可對這些第四顏色校正數值、這些第五顏色校正數值以及這些第六顏色校正數值執行如上述圖6實施例的步驟S630的方式來判斷目標物件是否為真實手指。若是，在步驟S840，處理器510判斷目標物件為真實手指，並且處理器510或電子設備的中央處理器可對當前指紋影像進行後續的指紋分析。若否，在步驟S850，處理器510判斷目標物件為假手指，以停止使用當前指紋影像進行後續的指紋分析。因此，本實施例的屏下指紋感測裝置500以及指紋感測方法可實現能判斷目標物件是否為真實手指的功能。
另外，在另一實施例中，當處理器510在步驟S840判斷目標物件為真實手指時，處理器510可進一步將第一顏色校正數值、第二顏色校正數值以及第三顏色校正數值至判斷模組531，或是將第四顏色校正數值、第五顏色校正數值以及第六顏色校正數值輸入至判斷模組531，以使與第二資料庫533進行比對，以判斷目標物件的目標物件狀態，其中比對方式可例如是處理器510執行如上述圖6實施例的步驟S630所述的判斷模組531中的K-近鄰演算法的分析方式或是判斷模組531中的基於規則的系統演算法的分析方式來判斷之。對此，所述目標物件狀態可例如是判斷如上述表2中的真手(指)分類、手指按壓情況、手指覆蓋程度以及手指感測環境的至少其中之一的結果。處理器510可將所述目標物件狀態的資訊用於後續指紋辨識、指紋影像處理或其他應用程式使用。
綜上所述，本發明的屏下指紋感測裝置以及指紋感測方法，可運用兩種平坦化校正的其中之一，來對於指紋感測器所取得多個顏色原始數值進行校正，以有效判斷當前感測的目標物件為假手指或真實手指。並且，本發明的屏下指紋感測裝置以及指紋感測方法所採用判斷真假手指的手段還可包括利用數值分析以及機器學習的方式來實現，以使屏下指紋感測裝置可提供高精確度的防偽功能。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100、500:屏下指紋感測裝置 110、510:處理器 120、520:指紋感測器 130、530:儲存裝置 200:像素陣列 210_1~210_M:像素 211_1~211_N:像素組 211R_1~211R_N:第一顏色像素 211G_1~211G_N:第二顏色像素 211B_1~211B_N:第三顏色像素 531:判斷模組 532:第一資料庫 533:第二資料庫 S310~S350、S410~S440、S610~630、S710~S780、S810~S870:步驟
圖1是本發明的一實施例的屏下指紋感測裝置的電路示意圖。 圖2是本發明的一實施例的像素陣列的示意圖。 圖3是本發明的第一實施例的指紋感測方法的流程圖。 圖4是本發明的第一實施例的判斷感測環境的流程圖。 圖5是本發明的另一實施例的屏下指紋感測裝置的電路示意圖。 圖6是本發明的第二實施例的指紋感測方法的流程圖。 圖7是本發明的第三實施例的指紋感測方法的流程圖。 圖8是本發明的第四實施例的指紋感測方法的流程圖。
S710~S780:步驟

Claims (20)

  1. 一種屏下指紋感測裝置，適用於具有一顯示裝置的電子設備，包含： 一指紋感測器，設置於該顯示裝置下方，並且該指紋感測器具有一像素陣列，其中該像素陣列具有一第一顏色像素、一第二顏色像素以及一第三顏色像素，當該指紋感測器感測一目標物件時，該第一顏色像素、該第二顏色像素以及該第三顏色像素分別輸出一第一顏色原始數值、一第二顏色原始數值以及一第三顏色原始數值；以及 一處理器，耦接該指紋感測器，其中該處理器對該第一顏色原始數值、該第二顏色原始數值以及該第三顏色原始數值進行一第一平坦化校正，以產生一第一顏色校正數值、一第二顏色校正數值以及一第三顏色校正數值，並且該處理器根據該第一顏色校正數值、該第二顏色校正數值以及該第三顏色校正數值判斷一當前感測環境是否為一強光環境， 其中當該處理器判斷該當前感測環境為該強光環境時，該處理器對該第一顏色原始數值、該第二顏色原始數值以及該第三顏色原始數值進行一第二平坦化校正，以產生一第四顏色校正數值、一第五顏色校正數值以及一第六顏色校正數值，並且該處理器根據該第四顏色校正數值、該第五顏色校正數值以及該第六顏色校正數值判斷該目標物件是否為一真實手指。
  2. 如請求項1所述的屏下指紋感測裝置，其中該第一平坦化校正包括： 該處理器將該第一顏色原始數值與一第一低參考數值相減，以取得一第一運算數值，並且該處理器將一第一高參考數值與一第一低參考數值相減，以取得一第二運算數值，其中該處理器將該第一運算數值除以該第二運算數值，以取得該第一顏色校正數值， 該處理器將該第二顏色原始數值與一第二低參考數值相減，以取得一第三運算數值，並且該處理器將一第二高參考數值與一第二低參考數值相減，以取得一第四運算數值，其中該處理器將該第三運算數值除以該第四運算數值，以取得該第二顏色校正數值， 該處理器將該第三顏色原始數值與一第三低參考數值相減，以取得一第五運算數值，並且該處理器將一第三高參考數值與該第三低參考數值相減，以取得一第六運算數值，其中該處理器將該第五運算數值除以該第六運算數值，以取得該第三顏色校正數值。
  3. 如請求項2所述的屏下指紋感測裝置，其中該第一高參考數值、該第二高參考數值以及該第三高參考數值為該指紋感測器感測一標準皮膚色物件後所產生的分別對應於一第一顏色、一第二顏色以及一第三顏色的三個第一類比至數位轉換器數值。
  4. 如請求項2所述的屏下指紋感測裝置，其中該第一低參考數值、該第二低參考數值以及該第三低參考數值為該指紋感測器感測一標準黑色物件後所產生的分別對應於一第一顏色、一第二顏色以及一第三顏色的三個第二類比至數位轉換器數值。
  5. 如請求項1所述的屏下指紋感測裝置，其中該處理器根據該第一顏色校正數值除以該第二顏色校正數值的一第一數值是否大於或等於一第一閾值、該第二顏色校正數值除以該第三顏色校正數值的一第二數值是否大於或等於一第二閾值以及該第一顏色校正數值除以該第三顏色校正數值的一第三數值是否大於或等於該第二閾值，以判斷該當前感測環境是否為該強光環境。
  6. 如請求項5所述的屏下指紋感測裝置，其中該第一閾值為1.2，並且該第二閾值為1。
  7. 如請求項1所述的屏下指紋感測裝置，其中該處理器將該第一顏色校正數值、該第二顏色校正數值以及該第三顏色校正數值輸入至一判斷模組，以使與一資料庫進行比對，以判斷該當前感測環境是否為該強光環境。
  8. 如請求項7所述的屏下指紋感測裝置，其中該判斷模組包括一K-鄰近演算法(k-nearest neighbors algorithm)，該處理器將多個像素組的多個第一顏色校正數值、多個第二顏色校正數值以及多個第三顏色校正數值輸入該判斷模組，以使該判斷模組輸出該些像素組的該些數值在該資料庫當中的分類結果，以判斷該當前感測環境是否為該強光環境。
  9. 如請求項7所述的屏下指紋感測裝置，其中該判斷模組包括一基於規則的系統演算法(rule-based algorithm)，該處理器將多個像素組的多個第一顏色校正數值、多個第二顏色校正數值以及多個第三顏色校正數值輸入該判斷模組，以使該判斷模組輸出該些像素組的該些數值在該資料庫當中的計數結果，以判斷該當前感測環境是否為該強光環境。
  10. 如請求項1所述的屏下指紋感測裝置，其中該第二平坦化校正包括： 該處理器將該第一顏色原始數值與一第四低參考數值相減，以取得一第七運算數值，並且該處理器將一第四高參考數值與一第四低參考數值相減，以取得一第八運算數值，其中該處理器將該第七運算數值除以該第八運算數值，以取得該第四顏色校正數值， 該處理器將該第二顏色原始數值與一第五低參考數值相減，以取得一第九運算數值，並且該處理器將一第五高參考數值與一第五低參考數值相減，以取得一第十運算數值，其中該處理器將該第九運算數值除以該第十運算數值，以取得該第五顏色校正數值， 該處理器將該第三顏色原始數值與一第六低參考數值相減，以取得一第十一運算數值，並且該處理器將一第六高參考數值與該第六低參考數值相減，以取得一第十二運算數值，其中該處理器將該第十一運算數值除以該第十二運算數值，以取得該第六顏色校正數值。
  11. 如請求項10所述的屏下指紋感測裝置，其中該第四高參考數值、該第五高參考數值以及該第六高參考數值為該指紋感測器感測一標準白色物件後所產生的分別對應於一第一顏色、一第二顏色以及一第三顏色的三個第三類比至數位轉換器數值。
  12. 如請求項10所述的屏下指紋感測裝置，其中該第四低參考數值、該第五低參考數值以及該第六低參考數值為該指紋感測器感測一標準黑色物件後所產生的分別對應於一第一顏色、一第二顏色以及一第三顏色的三個第二類比至數位轉換器數值。
  13. 如請求項1所述的屏下指紋感測裝置，其中該處理器根據該第四顏色校正數值除以該第五顏色校正數值的一第四數值、該第五顏色校正數值除以該第六顏色校正數值的一第五數值以及該第四顏色校正數值除以該第六顏色校正數值的一第六數值是否分別大於一第三閾值且小於一第四閾值，以判斷該目標物件是否為該真實手指。
  14. 如請求項13所述的屏下指紋感測裝置，其中該第三閾值為0.8，並且該第四閾值為1.2。
  15. 如請求項1所述的屏下指紋感測裝置，其中該處理器將該第四顏色校正數值、該第五顏色校正數值以及該第六顏色校正數值輸入至一判斷模組，以使與另一資料庫進行比對，以判斷該目標物件是否為該真實手指。
  16. 如請求項15所述的屏下指紋感測裝置，其中該判斷模組包括一K-鄰近演算法(k-nearest neighbors algorithm)，該處理器將多個像素組的多個第四顏色校正數值、多個第五顏色校正數值以及多個第六顏色校正數值輸入該判斷模組，以使該判斷模組輸出該些像素組的該些數值在該另一資料庫當中的分類結果，以判斷該目標物件是否為該真實手指。
  17. 如請求項15所述的屏下指紋感測裝置，其中該判斷模組包括一基於規則的系統演算法(rule-based algorithm)，該處理器將多個像素組的多個第四顏色校正數值、多個第五顏色校正數值以及多個第六顏色校正數值輸入該判斷模組，以使該判斷模組輸出該些像素組的該些數值在該另一資料庫當中的計數結果，以判斷該目標物件是否為該真實手指。
  18. 如請求項1所述的屏下指紋感測裝置，其中該第一顏色像素、該第二顏色像素以及該第三顏色像素分別為一紅色感測像素、一綠色感測像素以及一藍色感測像素。
  19. 如請求項1所述的屏下指紋感測裝置，其中該第一顏色像素、該第二顏色像素以及該第三顏色像素分別包括一紅色濾光器、一綠色濾光器以及一藍色濾光器。
  20. 一種指紋感測方法，包括： 當一指紋感測器感測一目標物件時，通過該指紋感測器的一像素陣列的一第一顏色像素、一第二顏色像素以及一第三顏色像素分別輸出一第一顏色原始數值、一第二顏色原始數值以及一第三顏色原始數值； 對該第一顏色原始數值、該第二顏色原始數值以及該第三顏色原始數值進行一第一平坦化校正，以產生一第一顏色校正數值、一第二顏色校正數值以及一第三顏色校正數值； 根據該第一顏色校正數值、該第二顏色校正數值以及該第三顏色校正數值判斷一當前感測環境是否為一強光環境； 當該當前感測環境為該強光環境時，對該第一顏色原始數值、該第二顏色原始數值以及該第三顏色原始數值進行一第二平坦化校正，以產生一第四顏色校正數值、一第五顏色校正數值以及一第六顏色校正數值；以及 根據該第四顏色校正數值、該第五顏色校正數值以及該第六顏色校正數值判斷該目標物件是否為一真實手指。
TW111101048A 2021-03-03 2022-01-11 屏下指紋感測裝置以及指紋感測方法 TWI799071B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163155742P 2021-03-03 2021-03-03
US63/155,742 2021-03-03

Publications (2)

Publication Number Publication Date
TW202236165A TW202236165A (zh) 2022-09-16
TWI799071B true TWI799071B (zh) 2023-04-11

Family

ID=81109374

Family Applications (4)

Application Number Title Priority Date Filing Date
TW111101036A TWI792846B (zh) 2021-03-03 2022-01-11 屏下指紋感測裝置以及指紋感測方法
TW111101048A TWI799071B (zh) 2021-03-03 2022-01-11 屏下指紋感測裝置以及指紋感測方法
TW111101260A TWI799075B (zh) 2021-03-03 2022-01-12 屏下指紋感測裝置以及指紋感測方法
TW111101252A TW202236150A (zh) 2021-03-03 2022-01-12 屏下指紋感測裝置以及指紋感測方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW111101036A TWI792846B (zh) 2021-03-03 2022-01-11 屏下指紋感測裝置以及指紋感測方法

Family Applications After (2)

Application Number Title Priority Date Filing Date
TW111101260A TWI799075B (zh) 2021-03-03 2022-01-12 屏下指紋感測裝置以及指紋感測方法
TW111101252A TW202236150A (zh) 2021-03-03 2022-01-12 屏下指紋感測裝置以及指紋感測方法

Country Status (3)

Country Link
US (4) US11636706B2 (zh)
CN (4) CN114359979A (zh)
TW (4) TWI792846B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201506807A (zh) * 2013-08-15 2015-02-16 Gingy Technology Inc 真偽指紋的辨識方法及辨識裝置
TW201635193A (zh) * 2015-03-31 2016-10-01 友達光電股份有限公司 指紋防偽方法以及指紋辨識裝置
US20180107858A1 (en) * 2014-08-26 2018-04-19 Gingy Technology Inc. Fingerprint identification method and fingerprint identification device
CN111837128A (zh) * 2020-01-06 2020-10-27 深圳市汇顶科技股份有限公司 指纹防伪的方法、指纹识别装置和电子设备

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6658164B1 (en) 1999-08-09 2003-12-02 Cross Match Technologies, Inc. Calibration and correction in a fingerprint scanner
DE10009539A1 (de) 2000-02-29 2001-09-20 Infineon Technologies Ag Verfahren zur Analyse von Fingerabdruckbildern
JP2003075135A (ja) * 2001-08-31 2003-03-12 Nec Corp 指紋画像入力装置および指紋画像による生体識別方法
US10496871B2 (en) * 2009-11-10 2019-12-03 Nec Corporation Fake-finger determination device, fake-finger determination method, and fake-finger determination program
CN102446268A (zh) * 2010-09-30 2012-05-09 神盾股份有限公司 指纹防伪装置及其方法
CN102467671B (zh) * 2010-11-03 2014-10-08 神盾股份有限公司 指纹防伪装置及其方法
CN103077377B (zh) 2012-12-31 2015-07-29 清华大学 基于方向场分布的指纹校正方法
US9540690B2 (en) * 2013-08-28 2017-01-10 Illumina, Inc. Optical alignment tool
CN114639126A (zh) 2014-02-25 2022-06-17 Hid环球公司 生物计量传感器
CN104392227B (zh) 2014-12-15 2018-02-09 金虎林 活体指纹判断方法及系统
TWI549065B (zh) 2015-01-26 2016-09-11 Gingytech Technology Inc Fingerprint identification method and device thereof
US9342733B2 (en) 2015-11-24 2016-05-17 Secugen Corporation Fingerprint sensing and calibration apparatus
KR20200012973A (ko) 2017-06-02 2020-02-05 넥스트 바이오메트릭스 그룹 에이에스에이 라이브니스 검출을 구비한 지문 센서
TW201941018A (zh) 2018-03-23 2019-10-16 大陸商北京集創北方科技股份有限公司 指紋辨識模組的控制方法
TWI716695B (zh) 2018-04-10 2021-01-21 義隆電子股份有限公司 生物特徵辨識方法及具有生物特徵辨識功能的電子裝置
TWI709918B (zh) 2018-12-03 2020-11-11 大陸商北京集創北方科技股份有限公司 提高手指識別率的處理方法及其指紋識別裝置
CN111566659B (zh) 2018-12-13 2021-08-13 深圳市汇顶科技股份有限公司 指纹识别装置、方法和电子设备
CN109657606B (zh) 2018-12-17 2020-10-02 上海箩箕技术有限公司 光学指纹传感器模组的校正方法
CN110472518B (zh) 2019-07-24 2022-05-17 杭州晟元数据安全技术股份有限公司 一种基于全卷积网络的指纹图像质量判断方法
CN111476215A (zh) 2020-05-25 2020-07-31 上海菲戈恩微电子科技有限公司 生物特征鉴别结构及方法及使用其的显示装置及电子设备
TWM605327U (zh) 2020-01-02 2020-12-11 神盾股份有限公司 具備指紋防偽功能的觸控顯示裝置
CN112101194A (zh) * 2020-01-21 2020-12-18 神盾股份有限公司 电子装置及其操作方法
CN112183483A (zh) 2020-03-02 2021-01-05 神盾股份有限公司 整合式真手指光谱感测装置及感测方法
US11495048B2 (en) * 2020-08-17 2022-11-08 Au Optronics Corporation Fingerprint sensing module
CN112069942B (zh) 2020-08-24 2021-07-02 深圳阜时科技有限公司 屏下光学检测系统及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201506807A (zh) * 2013-08-15 2015-02-16 Gingy Technology Inc 真偽指紋的辨識方法及辨識裝置
US20180107858A1 (en) * 2014-08-26 2018-04-19 Gingy Technology Inc. Fingerprint identification method and fingerprint identification device
TW201635193A (zh) * 2015-03-31 2016-10-01 友達光電股份有限公司 指紋防偽方法以及指紋辨識裝置
CN111837128A (zh) * 2020-01-06 2020-10-27 深圳市汇顶科技股份有限公司 指纹防伪的方法、指纹识别装置和电子设备

Also Published As

Publication number Publication date
US20220284727A1 (en) 2022-09-08
CN114359980A (zh) 2022-04-15
US20220292873A1 (en) 2022-09-15
CN114359978A (zh) 2022-04-15
TWI792846B (zh) 2023-02-11
US20220284730A1 (en) 2022-09-08
TW202236152A (zh) 2022-09-16
CN114359981A (zh) 2022-04-15
TW202236165A (zh) 2022-09-16
TWI799075B (zh) 2023-04-11
CN114359979A (zh) 2022-04-15
US11636706B2 (en) 2023-04-25
US20220292869A1 (en) 2022-09-15
TW202236150A (zh) 2022-09-16
US11580776B2 (en) 2023-02-14
TW202236151A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
JP4861806B2 (ja) 赤目の検出及び補正
Zhang et al. Tongue color analysis for medical application
US20100195902A1 (en) System and method for calibration of image colors
US20080285848A1 (en) Method for identifying color in machine and computer vision applications
CN108734074B (zh) 指纹识别方法以及指纹识别装置
JP7393313B2 (ja) 欠陥分類装置、欠陥分類方法及びプログラム
CN114648594B (zh) 一种基于图像识别的纺织品颜色检测方法及系统
Wang et al. Facial image medical analysis system using quantitative chromatic feature
KR20190018349A (ko) 생체 이미지 처리 방법 및 이를 포함한 장치
CN110599553B (zh) 一种基于YCbCr的肤色提取及检测方法
Mazin et al. Estimation of illuminants from projections on the planckian locus
TWI799071B (zh) 屏下指紋感測裝置以及指紋感測方法
Andreadis et al. Image pixel classification by chromaticity analysis
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及系统
CN113614774A (zh) 用于目标涂层的图像数据中的缺陷检测的方法和系统
Berbar Skin colour correction and faces detection techniques based on HSL and R colour components
CN110807817B (zh) 一种适应光照变化的目标颜色识别的机器视觉方法
JP2019046134A (ja) 画像検査装置、及び画像検査方法
CN113657401A (zh) 一种用于缺陷检测的概率图可视化方法及装置
JP4961370B2 (ja) 検査方法および検査装置
TWI540904B (zh) 白平衡調整方法
WO2023119983A1 (ja) カラーレンズ決定方法、カラーレンズ決定装置及びプログラム
Kumar et al. An efficient segmentation of retinal blood vessels using singular value decomposition and morphological operator
TWM603527U (zh) 不規則器件塗裝表面顏色辨識之設備
Chaugule Comparison of Six Color Models for Variety Identification of Four Paddy Grains