TWI821096B - 指紋識別方法、指紋識別裝置、以及資訊處理裝置 - Google Patents
指紋識別方法、指紋識別裝置、以及資訊處理裝置 Download PDFInfo
- Publication number
- TWI821096B TWI821096B TW112100126A TW112100126A TWI821096B TW I821096 B TWI821096 B TW I821096B TW 112100126 A TW112100126 A TW 112100126A TW 112100126 A TW112100126 A TW 112100126A TW I821096 B TWI821096 B TW I821096B
- Authority
- TW
- Taiwan
- Prior art keywords
- fingerprint
- tensor
- fingerprint image
- fingerprint identification
- tensors
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000010365 information processing Effects 0.000 title claims description 7
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000010801 machine learning Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010146 3D printing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000004927 clay Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本發明主要揭示一種指紋識別方法係應用於一指紋識別裝置之中，且由該指紋識別裝置的控制單元所執行。執行本發明之指紋識別方法之後，該控制單元依據連續採集的K張指紋圖像產生K-1個移動距離矩陣，接著將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣。由於該指紋識別裝置的指紋圖像感測陣列對於真實手指和假手指會產生不同的摩擦力，導致真實手指和偽造的假手指在該指紋圖像感測陣列之上表現出不同的移動速度。因此，將該K-1個移動速度矩陣組成一張量並輸入預訓練的一張量識別模型之後，該張量識別模型可以將該張量識別為一真實指紋張量或一偽造指紋張量，即分別表示按壓在指紋圖像感測陣列之上的為一真實手指或一假手指。
Description
本發明為指紋識別的相關技術領域，尤指具有識別指紋複製物之功能的一種指紋識別方法。
隨著行動支付、電子證券下單等金融交易逐漸地以智慧型手機、平板電腦、筆記型電腦等行動電子裝置作為主要的操作平台，將以生物特徵辨識技術為基礎的身分辨識系統整合至這些行動電子裝置也越來越受到重視。生物辨識技術(Biometric identification)係藉由採集人體固有的生理特徵作為個體生物的辨識依據，例如：虹膜特徵、臉部特徵、聲紋特徵、與指紋特徵。在各種生物辨識技術中，指紋識別技術發展最為成熟，因而被廣泛地應用在各種行動電子裝置。
圖1為習知的一種指紋識別裝置的方塊圖。如圖1所示，習知的指紋識別裝置1a整合在一行動電子裝置2a之中，且其主要包括：一指紋圖像感測陣列(或稱指紋圖像採集陣列)11a、一讀出電路(Readout integrated circuit, ROIC)12a以及一控制單元13a。進行一指紋識別操作之時，用戶將其手指放置在該指紋圖像感測陣列11a上方，此時，該控制單元13a控制該指紋圖像感測陣列11a對手指進行一圖像採集操作，並控制該讀出電路12a自該指紋圖像感測陣列11a讀出一指紋圖像。通常，該控制單元13a具有一指紋識別單元131a (即，預訓練的一指紋識別模型)，因此在獲得所述指紋圖像之後，該控制單元13利用其指紋識別單元131a對該指紋圖像和用戶預先錄製的一指紋模板圖像進行一圖像匹配操作，從而完成一指紋識別操作。
隨著3D列印技術的進步，利用3D列印機係能夠製造出具有指紋的假手指(即，用戶的指紋複製物)，從而利用該假手指成功欺騙該指紋識別裝置1a，通過指紋識別以及用戶身分辨識。另外，目前還存在多種指紋複製物的取得或製造方法。第一種方法是讓目標手指按壓在一個稱為Plastiline的黏土上，這樣就可以獲得目標手指的指紋。第二種方法是目標手指按壓在機場、銀行和邊境口岸使用的指紋讀取器上按下指紋，然後利用彩色列印機印出指紋圖像。第三種分法是讓目標手指在一透明物品(如：玻璃板或玻璃杯)上留下指紋，然後對留在透明物品上的指紋拍照，從而取得目標手指的指紋圖像。
現有技術提出一種指紋識別防假技術，其係先準備包含複數張真實指紋圖像和複數張偽造指紋圖像的一訓練集，接著利用機器學習(Machine Learning, ML)架構和該訓練集來重新訓練一圖像分類器，最終完成一具有防假功能的指紋識別單元。前述技術的原理在於，利用3D列印或模具製造的假手指與活體手指之間係具有不同的導電率/反光率，因此，採集自假手指的偽造指紋圖像和採集自活體手指的真實指紋圖像之間會具有不同的圖像灰度深淺度。更詳細地說明，指紋圖像通常包括脊線、谷線、灰度共生矩陣等特徵，研究發現，與真實指紋圖像相比，偽造指紋圖像所包含的谷脊線特徵係顯得較為突兀。因此，經過機器學習訓練之後，該控制單元13a所具有的指紋識別單元131a便能夠正確地判斷該指紋圖像感測陣列11a所採集到的指紋圖像為一真實指紋圖像或一偽造指紋圖像。
可惜的是，隨著贗品製造技術以及材料發展的進步，假手指和活體手指之間的導電率/反光率之差異變得越來越小，導致所述指紋識別單元131a無法找出偽造指紋圖像和真實指紋圖像之間的細微特徵差異。最終，高仿真的假手指還是可以成功欺騙該指紋識別裝置1a，通過指紋識別以及用戶身分辨識。
由上述說明可知，本領域亟需的一種新設計的指紋識別方法。
本發明之主要目的在於提供一種指紋識別方法，其係應用於一指紋識別裝置之中，且由該指紋識別裝置的控制單元所執行。執行本發明之指紋識別方法之後，該控制單元依據連續採集的K張指紋圖像產生K-1個移動距離矩陣，接著將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣。由於該指紋識別裝置的指紋圖像感測陣列對於真實手指和假手指會產生不同的摩擦力，導致真實手指和偽造的假手指在該指紋圖像感測陣列之上表現出不同的移動速度。因此，將該K-1個移動速度矩陣組成一張量並輸入預訓練的一張量識別模型之後，該張量識別模型可以將該張量識別為一真實指紋張量或一偽造指紋張量，即分別表示按壓在指紋圖像感測陣列之上的為一真實手指或一假手指。
為達成上述目的，本發明提出所述指紋識別方法的一實施例，其係應用於包含一指紋圖像感測陣列、一讀出電路以及一控制單元的一指紋識別裝置之中，且由該控制單元所執行；所述指紋識別方法包括：
連續採集K張指紋圖像；其中，K為正整數；
計算每一個所述指紋圖像的各個畫素和與其相鄰的另一個所述指紋圖像的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣；
將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣；以及
將該K-1個移動速度矩陣組成一張量，接著將該張量輸入預訓練(pre-trained)的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量。
在一實施例中，該K張指紋圖像分別為
、
、……、
、
，且該K張指紋圖像的採集時間分別為
、
……、
、
。
在一實施例中，所述移動距離矩陣的產生方式包括以下步驟：
在一個所述指紋圖像中選擇位於中間位置的m×n個第一畫素，接著利用半徑內近鄰搜索法(Neighbors within Radius Search)在其相鄰的另一個所述指紋圖像之中找到對應的m×n個第二畫素；其中，m、n皆為正整數，且j∈K；
計算各所述第一畫素和與其對應的所述第二畫素之間的一偏移向量，並計算各所述偏移向量的一向量長度；
以m×n個所述向量長度作為m×n個移動距離，接著以該m×n個移動距離組成一個所述移動距離矩陣；以及
重複上述三個步驟，直至獲得K-1個所述移動距離矩陣。
在一實施例中，所述移動距離矩陣由下式(1)轉換成所述移動速度矩陣：
······················ (1)；
其中，
為所述移動速度矩陣，且
為所述移動距離矩陣。
在一實施例中，所述張量識別模型利用以下步驟產生：
將複數個樣本張量輸入一機器學習模型，獲得各所述樣本張量的一預測類別資訊； 其中，所述複數個樣本張量包括複數個偽造指紋張量以及複數個真實指紋張量，且各所述樣本張量皆攜帶一類別標籤；
根據所述樣本張量的該預測類別信息與該類別標籤之間的差異，調整所述機器學習模型的至少一模型參數，從而獲得一調整後的機器學習模型；
利用調整後的機器學習模型對包含複數個測試用偽造指紋張量以及複數個測試用真實指紋張量的複數個測試樣本張量進行分類，獲得一分類準確率；
在該分類準確率未達到一準確率閥值的情況下重複執行前述之所有步驟；以及
在該分類準確率達到所述準確率閥值的情況下，以該調整後的機器學習模型作為所述張量識別模型。
並且，本發明同時一種指紋識別裝置的一實施例，其包括：
一指紋圖像感測陣列，用以執行一指紋圖像採集操作；
一讀出電路，耦接該指紋圖像感測陣列，且用以自該指紋圖像感測陣列讀出一指紋圖像；以及
一控制單元，耦接該指紋圖像感測陣列與該讀出電路；其特徵在於，該控制單元執行一指紋識別方法以將該指紋圖像識別為一真實指紋圖像或一偽造指紋圖像，且該指紋識別方法包括以下步驟：
連續採集K張指紋圖像；其中，K為正整數；
計算每一個所述指紋圖像的各個畫素和與其相鄰的另一個所述指紋圖像的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣；
將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣；以及
將該K-1個移動速度矩陣組成一張量，接著將該張量輸入一預訓練(pre-trained)的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量。
在一實施例中，該指紋圖像感測陣列為選自於由光學式感測陣列、電容式感測陣列、超音波式感測陣列、和壓力式感測陣列所組成群組之中的任一者。
在一實施例中，該K張指紋圖像分別為
、
、……、
、
，且該K張指紋圖像的採集時間分別為
、
……、
、
。
在一實施例中，所述移動距離矩陣的產生方式包括以下步驟：
在一個所述指紋圖像中選擇位於中間位置的m×n個第一畫素，接著利用半徑內近鄰搜索法(Neighbors within Radius Search)在其相鄰的另一個所述指紋圖像之中找到對應的m×n個第二畫素；其中，m、n皆為正整數，且j∈K；
計算各所述第一畫素和與其對應的所述第二畫素之間的一偏移向量，並計算各所述偏移向量的一向量長度；
以m×n個所述向量長度作為m×n個移動距離，接著以該m×n個移動距離組成一個所述移動距離矩陣；以及
重複上述三個步驟，直至獲得K-1個所述移動距離矩陣。
在一實施例中，所述移動距離矩陣由下式(1)轉換成所述移動速度矩陣：
······················ (1)；
其中，
為所述移動速度矩陣，且
為所述移動距離矩陣。
在一實施例中，所述張量識別模型利用以下步驟產生：
將複數個樣本張量輸入一機器學習模型，獲得各所述樣本張量的一預測類別資訊； 其中，所述複數個樣本張量包括複數個偽造指紋張量以及複數個真實指紋張量，且各所述樣本張量皆攜帶一類別標籤；
根據所述樣本張量的該預測類別信息與該類別標籤之間的差異，調整所述機器學習模型的至少一模型參數，從而獲得一調整後的機器學習模型；
利用調整後的機器學習模型對包含複數個測試用偽造指紋張量以及複數個測試用真實指紋張量的複數個測試樣本張量進行分類，獲得一分類準確率；
在該分類準確率未達到一準確率閥值的情況下重複執行前述之所有步驟；以及
在該分類準確率達到所述準確率閥值的情況下，以該調整後的機器學習模型作為所述張量識別模型。
進一步地，本發明還提出一種資訊處理裝置，其特徵在於，具有如前所述本發明之指紋識別裝置。在一實施例中，該資訊處理裝置為選自於由指紋式打卡機、具有指紋識別功能的電子門鎖、具有指紋識別功能的門口機、具有指紋識別功能的自動櫃員機、平面顯示裝置、智慧型電視、智慧型手機、平板電腦、一體式電腦、筆記型電腦、和車載娛樂裝置所組成群組之中的任一者。
為使 貴審查委員能進一步瞭解本發明之結構、特徵、目的、與其優點，茲附以圖式及較佳具體實施例之詳細說明如後。
圖2為應用本發明之一種指紋識別方法的一指紋識別裝置的方塊圖。如圖2所示，該指紋識別裝置1係整合在一資訊處理裝置之中，且其主要包括：一指紋圖像感測陣列(或稱指紋圖像採集陣列)11、一讀出電路(Readout integrated circuit, ROIC)12以及一控制單元13。在可行的實施例中，該指紋圖像感測陣可以是光學式感測陣列、電容式感測陣列、超音波式感測陣列、或壓力式感測陣列。另一方面，該資訊處理裝置可以是但不限於指紋式打卡機、具有指紋識別功能的電子門鎖、具有指紋識別功能的門口機、具有指紋識別功能的自動櫃員機、平面顯示裝置、智慧型電視、智慧型手機、平板電腦、一體式電腦、筆記型電腦、貨車載娛樂裝置。如圖2所示，該控制單元13包含一第一指紋識別單元131 (即，預訓練的一指紋識別模型)，進行用戶身分識別操作之時，用戶將其手指放置在該指紋圖像感測陣列11上方，此時，該控制單元13控制該指紋圖像感測陣列11對手指進行一圖像採集操作，並控制該讀出電路12自該指紋圖像感測陣列11讀出一指紋圖像。在獲得所述指紋圖像之後，該控制單元13利用其第一指紋識別單元131對該指紋圖像和用戶預先錄製的一指紋模板圖像進行一圖像匹配操作，從而通過指紋識別以及用戶身分辨識。
本發明之一種指紋識別方法以電腦可讀之程式碼或演算法文件的方式整和在該控制單元13之中，例如為如圖2所示之第二指紋識別單元132。在一實施例中，當所述圖像匹配操作的結果顯示通過指紋識別的情況下(即，匹配率大於一預定閥值)，該控制單元13接著執行本發明之指紋識別方法以進一步確認該指紋圖像感測陣列11所採集的指紋圖像來自於用戶的真實手指或來自於利用3D列印或模具製造的假手指，藉此方式防止第三人利用假手指(即，用戶的指紋複製物)成功欺騙該指紋識別裝置1以通過指紋識別和用戶身分辨識。值得說明的是，在另一實施例中，可以在一手指觸碰該指紋圖像感測陣列11的當下即執行本發明之指紋識別方法，進而先行識別該手指為一真實手指或一偽造的假手指。在該手指被識別為一真實手指之後，再接著執行圖像匹配操作。
圖3為本發明之一種指紋識別方法的流程圖。如圖3所示，方法流程係首先執行步驟S1：連續採集K張指紋圖像，其中K為正整數，該K張指紋圖像分別為
、
、……、
、
，且該K張指紋圖像的採集時間分別為
、
……、
、
。並且，方法流程接著執行步驟S2：計算每一個所述指紋圖像
的各個畫素和與其相鄰的另一個所述指紋圖像
的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣。
圖4為一個指紋圖像
和與其相鄰的另一個指紋圖像
的示意圖。執行步驟S2時，如圖4所示，係先在一個指紋圖像
中選擇位於中間位置的m×n個第一畫素(如：圖4中的2×3個灰色區塊)，接著利用半徑內近鄰搜索法(Neighbors within Radius Search)在其相鄰的另一個所述指紋圖像
之中找到對應的m×n個第二畫素；其中，m、n皆為正整數，且j∈K。具體地，在使用半徑內近鄰搜索法的情況下，指紋圖像
的每一個第一畫素都可以在指紋圖像
之中找到與其對應的第二畫素，而此第二畫素和該第一畫素之間具有最小的灰階差值(gray difference)。
圖5為一複數平面的示圖。如圖4所示，在指紋圖像
之中，每個第一畫素皆具有一畫素座標(x1, y1)。同樣地，在指紋圖像
之中，每個第二畫素也都具有一畫素座標(x2, y2)。因此，如圖5所示，可以計算各所述第一畫素和與其對應的所述第二畫素之間的一偏移向量(dx, dy)，且將該偏移向量在一複數平面內以複數z=dx+idy表示，其中dx=x2-x1，且dy=y2-y1。易於理解的，第二畫素是利用半徑內近鄰搜索法(Neighbors within Radius Search)所找出來的，因此，所述偏移向量的向量長度即為搜尋半徑r。補充說明的是，半徑內近鄰搜索法係用以找出和第一畫素之間具有最小灰階差值的第二畫素，因此搜尋半徑r並不是一個定值。換句話說，若具有第一值的搜尋半徑r無法找出對應一個第一畫素的第二畫素，則將搜尋半徑r自第一值變化為第二值，接著再執行一次半徑內近鄰搜索。
在指紋圖像
之中找出和指紋圖像
之的m×n個第一畫素分別對應的m×n個第二畫素並計算m×n個偏移向量之後，進一步地，以m×n個偏移向量的m×n個向量長度作為m×n個移動距離，接著以該m×n個移動距離組成一個所述移動距離矩陣。最終，在依前述方式找出每一對彼此相鄰的兩個指紋圖像之間的移動距離矩陣之後，一共可獲得K-1個移動距離矩陣，完成步驟S2。
繼續地，本發明之指紋識別方法的流程係執行步驟S3：將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣。具體地，利用數學式
可將所述移動距離矩陣轉換成移動速度矩陣，其中，
為所述移動速度矩陣，且
為所述移動距離矩陣。最終，方法流程係執行步驟S4：將該K-1個移動速度矩陣組成一張量，接著將該張量輸入預訓練(pre-trained)的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量。
補充說明的是，所述張量識別模型的產生方式包括以下步驟：
將複數個樣本張量輸入一機器學習模型，獲得各所述樣本張量的一預測類別資訊； 其中，所述複數個樣本張量包括複數個偽造指紋張量以及複數個真實指紋張量，且各所述樣本張量皆攜帶一類別標籤；
根據所述樣本張量的該預測類別信息與該類別標籤之間的差異，調整所述機器學習模型的至少一模型參數，從而獲得一調整後的機器學習模型；
利用調整後的機器學習模型對包含複數個測試用偽造指紋張量以及複數個測試用真實指紋張量的複數個測試樣本張量進行分類，獲得一分類準確率；
在該分類準確率未達到一準確率閥值的情況下重複執行前述之所有步驟；以及
在該分類準確率達到所述準確率閥值的情況下，以該調整後的機器學習模型作為所述張量識別模型。
完成步驟S4之後，若所述張量被識別為一偽造指紋張量，表示該指紋圖像感測陣列11所採集的指紋圖像係來自於利用3D列印或模具製造的假手指。相反地，若所述張量被識別為一真實指紋張量，表示該指紋圖像感測陣列11所採集的指紋圖像係來自於用戶的真實手指。換句話說，在一手指按壓該指紋圖像感測陣列11的情況下，執行本發明之指紋識別方法可辨識該手指為一真實手指或一偽造的假手指。
如此，上述已完整且清楚地說明本發明之指紋識別方法；並且，經由上述可得知本發明具有下列優點：
(1)本發明提供一種指紋識別方法，其係應用於一指紋識別裝置之中，且由該指紋識別裝置的控制單元所執行。執行本發明之指紋識別方法之後，該控制單元依據連續採集的K張指紋圖像產生K-1個移動距離矩陣，接著將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣。由於該指紋識別裝置的指紋圖像感測陣列對於真實手指和假手指會產生不同的摩擦力，導致真實手指和偽造的假手指在該指紋圖像感測陣列之上表現出不同的移動速度。因此，將該K-1個移動速度矩陣組成一張量並輸入預訓練的一張量識別模型之後，該張量識別模型可以將該張量識別為一真實指紋張量或一偽造指紋張量，即分別表示按壓在指紋圖像感測陣列之上的為一真實手指或一假手指。
(2)並且，本發明同時提供一種指紋識別裝置，其包括：一指紋圖像感測陣列、一讀出電路以及一控制單元；其特徵在於，該控制單元執行如前所述本發明之指紋識別方法以將該指紋圖像識別為一真實指紋圖像或一偽造指紋圖像。進一步地，本發明還提供一種資訊處理裝置，其特徵在於具有如前所述本發明之指紋識別裝置。
必須加以強調的是，前述本案所揭示者乃為較佳實施例，舉凡局部之變更或修飾而源於本案之技術思想而為熟習該項技藝之人所易於推知者，俱不脫本案之專利權範疇。
綜上所陳，本案無論目的、手段與功效，皆顯示其迥異於習知技術，且其首先發明合於實用，確實符合發明之專利要件，懇請 貴審查委員明察，並早日賜予專利俾嘉惠社會，是為至禱。
1a:指紋識別裝置
11a:指紋圖像感測陣列
12a:讀出電路
13a:控制單元
131a:指紋識別單元
1:指紋識別裝置
11:指紋圖像感測陣列
12:讀出電路
13:控制單元
131:第一指紋識別單元
132:第二指紋識別單元
S1:連續採集K張指紋圖像
S2:計算每一個所述指紋圖像的各個畫素和與其相鄰的另一個所述指紋圖像的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣
S3:將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣
S4:將該K-1個移動速度矩陣組成一張量，接著將該張量輸入預訓練的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量
圖1為習知的一種指紋識別裝置的方塊圖；
圖2為應用本發明之一種指紋識別方法的一指紋識別裝置的方塊圖；
圖3為本發明之一種指紋識別方法的流程圖；
圖4為一個指紋圖像
和與其相鄰的另一個指紋圖像
的示意圖；以及
圖5為一複數平面的示圖。
S1:連續採集K張指紋圖像
S2:計算每一個所述指紋圖像的各個畫素和與其相鄰的另一個所述指紋圖像的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣
S3:將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣
S4:將該K-1個移動速度矩陣組成一張量，接著將該張量輸入預訓練的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量
Claims (9)
- 一種指紋識別方法，係應用於包含一指紋圖像感測陣列、一讀出電路以及一控制單元的一指紋識別裝置之中，且由該控制單元所執行；所述指紋識別方法包括：連續採集K張指紋圖像；其中，K為正整數；計算每一個所述指紋圖像的各個畫素和與其相鄰的另一個所述指紋圖像的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣；將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣；以及將該K-1個移動速度矩陣組成一張量，接著將該張量輸入預訓練(pre-trained)的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量；其中，所述張量識別模型利用以下步驟產生：將複數個樣本張量輸入一機器學習模型，獲得各所述樣本張量的一預測類別資訊；其中，該些樣本張量包括複數個測試用偽造指紋張量以及複數個測試用真實指紋張量，且各該樣本張量皆攜帶一類別標籤；根據所述樣本張量的該預測類別資訊與該類別標籤之間的差異，調整所述機器學習模型的至少一模型參數，從而獲得一調整後的機器學習模型；利用該調整後的機器學習模型對包含複數個所述測試用偽造指紋張量以及複數個所述測試用真實指紋張量的複數個所述測試樣本張量進行分類以獲得一分類準確率；在該分類準確率未達到一準確率閥值的情況下重複 執行前述之所有步驟；以及在該分類準確率達到所述準確率閥值時以該調整後的機器學習模型作為所述張量識別模型。
- 如請求項1所述之指紋識別方法，其中，該K張指紋圖像分別為A 1、A 2、......、A K-1、A K，且該K張指紋圖像的採集時間分別為t 1、t 2......、t K-1、t K。
- 如請求項2所述之指紋識別方法，其中，所述移動距離矩陣的產生方式包括以下步驟：在一個所述指紋圖像中選擇位於中間位置的m×n個第一畫素，接著利用半徑內近鄰搜索法(Neighbors within Radius Search)在其相鄰的另一個所述指紋圖像之中找到對應的m×n個第二畫素；其中，m、n皆為正整數，且jK；計算各所述第一畫素和與其對應的所述第二畫素之間的一偏移向量，並計算各所述偏移向量的一向量長度；以m×n個所述向量長度作為m×n個移動距離，接著以該m×n個移動距離組成一個所述移動距離矩陣；以及重複上述三個步驟，直至獲得K-1個所述移動距離矩陣。
- 如請求項3所述之指紋識別方法，其中，所述移動距離矩陣係由下式(1)轉換成所述移動速度矩陣：
- 一種指紋識別裝置，包括： 一指紋圖像感測陣列，用以執行一指紋圖像採集操作；一讀出電路，耦接該指紋圖像感測陣列，且用以自該指紋圖像感測陣列讀出一指紋圖像；以及一控制單元，耦接該指紋圖像感測陣列與該讀出電路；其特徵在於，該控制單元執行一指紋識別方法以將該指紋圖像識別為一真實指紋圖像或一偽造指紋圖像，且該指紋識別方法包括以下步驟：連續採集K張指紋圖像；其中，K為正整數；計算每一個所述指紋圖像的各個畫素和與其相鄰的另一個所述指紋圖像的各個畫素之間的一指紋圖像移動距離，從而依據獲得的複數個所述指紋圖像移動距離生成K-1個移動距離矩陣；將該K-1個移動距離矩陣轉換成K-1個移動速度矩陣；以及將該K-1個移動速度矩陣組成一張量，接著將該張量輸入預訓練(pre-trained)的一張量識別模型，利用該張量識別模型將該張量識別為一真實指紋張量或一偽造指紋張量；其中，所述張量識別模型利用以下步驟產生：將複數個樣本張量輸入一機器學習模型，獲得各所述樣本張量的一預測類別資訊；其中，該些樣本張量包括複數個測試用偽造指紋張量以及複數個測試用真實指紋張量，且各該樣本張量皆攜帶一類別標籤；根據所述樣本張量的該預測類別資訊與該類別標籤之間的差異，調整所述機器學習模型的至少一模型參數，從而獲得一調整後的機器學習模型；利用該調整後的機器學習模型對包含複數個所述測試用偽造指紋張量以及複數個所述測試用真實指紋張量的複數個所述測試樣本張量進行分類以獲 得一分類準確率；在該分類準確率未達到一準確率閥值的情況下重複執行前述之所有步驟；以及在該分類準確率達到所述準確率閥值時以該調整後的機器學習模型作為所述張量識別模型。
- 如請求項5所述之指紋識別裝置，其中，該K張指紋圖像分別為A 1、A 2、......、A K-1、A K，且該K張指紋圖像的採集時間分別為t 1、t 2......、t K-1、t K。
- 如請求項6所述之指紋識別裝置，其中，所述移動距離矩陣的產生方式包括以下步驟：在一個所述指紋圖像中選擇位於中間位置的m×n個第一畫素，接著利用半徑內近鄰搜索法(Neighbors within Radius Search)在其相鄰的另一個所述指紋圖像之中找到對應的m×n個第二畫素；其中，m、n皆為正整數，且jK；計算各所述第一畫素和與其對應的所述第二畫素之間的一偏移向量，並計算各所述偏移向量的一向量長度；以m×n個所述向量長度作為m×n個移動距離，接著以該m×n個移動距離組成一個所述移動距離矩陣；以及重複前述三個步驟，直至獲得N-1個所述移動距離矩陣。
- 如請求項6所述之指紋識別裝置，其中，所述移動距離矩陣係由下式(1)轉換成所述移動速度矩陣：
- 一種資訊處理裝置，其特徵在於，具有如請求項5至請求項8之中任一項所述之指紋識別裝置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112100126A TWI821096B (zh) | 2023-01-03 | 2023-01-03 | 指紋識別方法、指紋識別裝置、以及資訊處理裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112100126A TWI821096B (zh) | 2023-01-03 | 2023-01-03 | 指紋識別方法、指紋識別裝置、以及資訊處理裝置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI821096B true TWI821096B (zh) | 2023-11-01 |
Family
ID=89722234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112100126A TWI821096B (zh) | 2023-01-03 | 2023-01-03 | 指紋識別方法、指紋識別裝置、以及資訊處理裝置 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI821096B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107949863A (zh) * | 2015-11-10 | 2018-04-20 | 株式会社日立制作所 | 使用生物体信息的认证装置以及认证方法 |
-
2023
- 2023-01-03 TW TW112100126A patent/TWI821096B/zh active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107949863A (zh) * | 2015-11-10 | 2018-04-20 | 株式会社日立制作所 | 使用生物体信息的认证装置以及认证方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oloyede et al. | Unimodal and multimodal biometric sensing systems: a review | |
| Afifi | 11K Hands: Gender recognition and biometric identification using a large dataset of hand images | |
| Jain et al. | Handwritten signature verification using shallow convolutional neural network | |
| Impedovo et al. | Automatic signature verification: The state of the art | |
| Lin et al. | Palmprint verification using hierarchical decomposition | |
| Basheer et al. | FESD: An approach for biometric human footprint matching using fuzzy ensemble learning | |
| Toh et al. | Maximizing area under ROC curve for biometric scores fusion | |
| Shawkat et al. | The new hand geometry system and automatic identification | |
| Hsia et al. | Embedded Vein Recognition System with Wavelet Domain. | |
| Echoukairi et al. | Improved Methods for Automatic Facial Expression Recognition. | |
| Aslam et al. | Gender classification based on isolated facial features and foggy faces using jointly trained deep convolutional neural network | |
| Shinde et al. | Feedforward back propagation neural network (FFBPNN) based approach for the identification of handwritten math equations | |
| TWI821096B (zh) | 指紋識別方法、指紋識別裝置、以及資訊處理裝置 | |
| Aaronson et al. | Robust face detection using convolutional neural network | |
| Agarwal et al. | Human identification and verification based on signature, fingerprint and iris integration | |
| Naveen et al. | Machine learning algorithms based palmprint biometric identification | |
| Chopparapu et al. | A hybrid facial features extraction-based classification framework for typhlotic people | |
| Sharma et al. | Fingerprint image quality assessment and scoring using minutiae centered local patches | |
| Jain et al. | A comparative study of various methods for offline signature verification | |
| Yin et al. | End-to-end online handwriting signature verification | |
| CN117115928B (zh) | 基于多种身份认证的村网共建便民服务终端 | |
| CN212569821U (zh) | 非接触式指纹采集装置 | |
| Sangodkar et al. | Ear recognition for multimedia security | |
| Mahmood | Face detection by image discriminating | |
| TWI831059B (zh) | 指紋識別方法、指紋識別裝置和資訊處理裝置 |