CN101946264B - 模式验证设备和模式验证方法 - Google Patents

Abstract

当错误匹配率依赖于用于评估的数据时，在实际操作中模式认证的精确度可能会变差。一种模式验证设备包括：校正值计算单元，通过根据模式的相似程度，将通过划分第二模式而产生的多个单位区域中的每个单位区域与通过划分第一模式而产生的多个单位区域中的每个单位区域相关联，来产生多个单位区域对，并基于单位区域对来计算校正值，所述校正值适于对相互关联的单位区域中的各个单位区域的唯一特征值进行匹配或近似；差值计算单元，基于空间上位置彼此相邻的单位区域对之间的校正值比较，来计算指示校正值之间的差异的差值；以及验证评估值计算单元，根据在指示模式属于互不相同的类别的条件与差值计算单元所计算的多个差值之间的验证结果，来计算验证评估值。

Description

模式验证设备和模式验证方法

技术领域

本发明涉及模式验证设备、模式验证方法和程序。 

背景技术

近年来，从保护个人信息的角度来看，非常需要提高信息安全性。具体地，诸如指纹认证和脉纹认证之类的生物测定认证技术已受到关注。这是因为，在生物测定认证中伪装模式是非常困难的，以及因为生物测定认证对模式伪装的抵抗性很高。 

在确定两个模式是否属于相同类别的模式匹配过程中，存在以下情况：将应当被确定为属于不同类别的两个模式错误地确定为属于相同类别。因此，在这种模式匹配中，非常需要将执行错误确定的概率(错误匹配率)降低到预定值以下。换言之，需要将错误接受率(FAR)(即，错误的人被错误地接受的比率)降低到***可接受的预定值以下。 

在模式匹配中，通常，为了确定两个模式是否属于相同类别，计算验证评估值，例如，两个模式之间的距离和相似度，然后基于验证评估值与确定阈值之间的验证结果来执行最终确定。当确定阈值被设定为严格值时，错误匹配率变小。然而，将属于相同类别的模式错误地确定为属于不同类别的概率变大。当放宽确定阈值时，将属于相同类别的模式错误地确定为属于不同类别的概率变小。然而，错误匹配率变大。因此，有必要设定确定阈值，以便得到所需的匹配精确度。 

然而，当验证评估值与错误匹配率之间不存在理论上的关系时，有必要准备用于评估的数据库，使用数据库通过实验来指定验证评估值与错误匹配率之间的关系，并指定确定阈值。 

非专利文献1描述了在通过实验获得阈值时发生的问题。非专利文献1提到，当使用用于评估的数据库，通过实验，作为用于评估的数 据的平均性能来获得验证评估值与错误匹配率之间的关系时，存在两个问题，即，各数据间变化以及数据库依赖性。 

各数据间变化问题是指如下问题：发生错误匹配的概率依赖于数据而变化。即使平均错误匹配率低于预定值，依赖于数据，也有可能存在使得错误匹配率高于预定值的数据。这样的数据不满足期望的安全等级。 

数据库依赖性问题是指如下问题：当通过实验执行评估时评估结果依赖于用于实验的数据。实际操作中使用的数据与用于评估的数据不同。因此，如果数据依赖于评估结果，则无法从使用用于评估的数据的评估实验的结果，来预测实际操作的性能。 

专利文献1通过由实验为每个数据限定阈值来解决各数据间变化的问题。在专利文献2中，当要执行匹配时，执行个人自身的数据以及另一不同人的数据的比较，并基于每次比较的相似度来确定验证结果。通过这么做，专利文献2解决了各数据间变化的问题。 

在非专利文献1和专利文献3中，通过使用特征点以重合的方式彼此匹配的概率，在理论上评估错误匹配率。通过这么做，非专利文献1和专利文献3解决了各数据间变化的问题和数据库依赖性的问题。 

注意，专利文献4至7也公开了已知的技术。专利文献4公开了一种强调脊线的技术。专利文献5公开了一种甚至能够在认证样本的方位等与模型图像不同的状态下针对输入图像以高精确度高速执行图像匹配的方法和设备。专利文献6公开了一种甚至在输入图像变形时也能够精确地区分输入图像的技术。专利文献7公开了一种可以加速比较处理的技术。 

[非专利文献1] 

″Fingerprint Verification Assuring the Security Strength of Individual Fingerprints″Proceedings of the Symposium on Cryptography and Information Security(SCIS2007)，Jan.2007 

[专利文献1] 

日本未审专利申请公开No.2001-21309 

[专利文献2] 

日本未审专利申请公开No.2006-18578 

[专利文献3] 

日本未审专利申请公开No.2002-288667 

[专利文献4] 

日本未审专利申请公开No.9-167230 

[专利文献5] 

日本未审专利申请公开No.2001-92963 

[专利文献6] 

日本未审专利申请公开No.2002-298141 

[专利文献7] 

日本未审专利申请公开No.2005-149455 

发明内容

技术问题 

从前述说明中可以看出，当错误匹配率依赖于用于评估的数据时，可能无法在实际操作中以期望的精确度来实现模式认证。 

本发明的目的是，通过能够与用于评估的数据无关地评估错误匹配率，来在实际操作中执行高精度的模式认证。 

技术方案 

根据本发明第一方面模式验证设备包括：校正值计算单元，通过根据模式的相似程度，将通过划分第二模式而产生的多个单位区域中的每个单位区域与通过划分第一模式而产生的多个单位区域中的每个单位区域相关联，来产生多个单位区域对，并基于单位区域对来计算校正值，所述校正值适于对相互关联的单位区域中的各个单位区域的唯一特征值进行匹配或近似；差值计算单元，基于空间上位置彼此相邻的单位区域对之间的校正值比较，来计算指示校正值之间的差异的差值；以及验证评估值计算单元，根据在指示模式属于互不相同的类别的条件与差值计算单元所计算的多个差值之间的验证结果，来计算验证评估值。 

根据本发明第一方面的模式验证方法是一种执行模式匹配的模 式验证方法，包括：计算机的校正值计算单元通过根据模式的相似程度，将通过划分第二模式而产生的多个单位区域中的每个单位区域与通过划分第一模式而产生的多个单位区域中的每个单位区域相关联，来产生多个单位区域对，并基于单位区域对来计算校正值，所述校正值适于对相互关联的单位区域中各个单位区域的唯一特征值进行匹配或近似；计算机的差值计算单元基于空间上位置彼此相邻的单位区域对之间的校正值比较，来计算指示校正值的差异的差值；以及计算机的验证评估值计算单元根据在指示模式属于互不相同的类别的条件与差值计算单元所计算的多个差值之间的验证结果，来计算验证评估值。 

根据本发明第一方面的程序是一种使计算机执行模式匹配的程序，所述程序使计算机执行以下操作：通过根据模式的相似程度，将通过划分第二模式而产生的多个单位区域中的每个单位区域与通过划分第一模式而产生的多个单位区域中的每个单位区域相关联，来产生多个单位区域对，并基于单位区域对来计算校正值，所述校正值适于对相互关联的单位区域中各个单位区域的唯一特征值进行匹配或近似；基于空间上位置彼此相邻的单位区域对之间的校正值比较，来计算指示校正值的差异的差值；以及根据在指示模式属于互不相同的类别的条件与差值计算单元所计算的多个差值之间的验证结果，来计算验证评估值。 

有益效果 

通过能够与用于评估的数据无关地评估错误匹配率，可以在实际操作中实现具有期望精确度的模式认证。 

附图说明

图1是示出了根据本发明第一示例实施例的模式验证设备的示意配置的框图。 

图2是说明了根据本发明第一示例实施例的模式验证设备的操作的流程图。 

图3是示出了根据本发明第一示例实施例的模式验证设备的配置的示意框图。 

图4是说明了根据本发明第一示例实施例的由划分单元执行的划分方法的说明图。 

图5是说明根据本发明第一示例实施例的分成隔间的输入指纹模式的说明图。 

图6是说明根据本发明第一示例实施例的分成隔间的模板指纹模式的说明图。 

图7是示出了根据本发明第一示例实施例的形成小区域对的小区域之间的对应关系的说明图。 

图8是说明根据本发明第一示例实施例的由于指纹压力的变化而引起的特征值变化的说明图。 

图9A是说明根据本发明第一示例实施例的多种划分方法的说明图。 

图9B是说明根据本发明第一示例实施例的多种划分方法的说明图。 

图10是示出了根据本发明第二示例实施例的模式验证设备的配置的示意框图。 

图11是说明了根据本发明第二示例实施例的模式验证设备的操作的流程图。 

图12是说明了根据本发明第二示例实施例的广义上的关联处理的说明图。 

图13是说明了根据本发明第二示例实施例的狭义上的关联处理的说明图。 

图14是说明根据本发明第二示例实施例的广义上的关联处理的特定方法的说明图。 

图15是说明根据本发明第二示例实施例的狭义上的关联处理的说明图。 

图16是示出了根据本发明第三示例实施例的模式验证设备的配置的示意框图。 

图17是说明根据本发明第三示例实施例的模式验证设备的操作的流程图。 

图18A是说明根据本发明第三示例实施例的校正值的转换方法的说明图。 

图18B是说明根据本发明第三示例实施例的校正值的转换方法的说明图。 

图19是示出了根据本发明其他示例实施例的模式验证设备的配置的示意框图。 

附图标记的说明 

50模式验证设备 

100第一模式输入单元 

200第二模式输入单元 

300计算机 

301区域划分单元 

302区域划分单元 

303校正值计算单元 

304差值计算单元 

305分布存储单元 

306差值评估单元 

307确定单元 

400输出单元 

具体实施方式

[第一示例实施例] 

以下参考图1和2来说明本发明的第一示例实施例。图1是示出了模式验证设备的示意配置的框图。图2是说明模式验证设备的操作的流程图。 

如图1所示，验证设备50包括第一模式输入单元100、第二模式输入单元200、计算机300、以及输出单元400。计算机300是计算设备，在所述计算设备中在CPU核中顺序地执行程序，以实现期望的功能。 

计算机300包括第一区域划分单元(划分单元，划分装置)301、 第二区域划分单元(划分单元，划分装置)302、校正值计算单元(校正值计算单元，校正值计算装置)303、差值计算单元(差值计算单元，差值计算装置)304、分布存储单元305、差值评估单元(匹配评估计算单元，匹配评估计算单元)306以及确定单元(确定单元，确定装置)307。 

参考图2来说明上述组件中每个组件的操作。 

首先，第一模式输入单元100向计算机300输入验证对象的第一模式(S1)。接下来，第一区域划分单元划分第一模式，从而产生多个小区域(S2)。接下来，第二模式输入单元200向计算机300输入输入验证对象的第二模式(S3)。接下来，第二区域划分单元302划分第二模式，从而产生多个小区域(S4)。 

例如，第一模式是通过使用模式检测器(如，指纹传感器)从主体采集的生物信息模式。例如，第二模式是预先记录在外部或内部存储区中的生物信息模式。 

接下来，校正值计算单元303通过将第一模式的每个小区域与第二模式的每个小区域相关联，来产生小区域对，并计算校正值，所述校正值用于对形成小区域对的小区域的相应特征值进行匹配(S5)。接下来，以多个多个小区域对为单位，差值计算单元304计算在空间上位置彼此相邻的两个小区域对的校正值之间的差值(S6)。接下来，差值评估单元306从分布存储单元305读出差值出现分布，所述差值出现分布是在比较属于不同类别的模式时得到的(S7)。接下来，差值评估单元306利用读出的出现分布，来评估由差值计算单元304获得的多个不同差值中的每个差值(S8)。然后，差值计算单元306根据该评估结果，得到第一和第二模式之间的验证评估值。接下来，确定单元307基于验证评估值与阈值之间的比较，来确定第一和第二模式是否是属于相同类别的模式。接下来，输出单元400输出确定结果。 

通过采用这种配置，可以提高模式匹配的可靠性。在以下关于第一示例的说明中以更具体的方式说明了该特征。 

[第一示例] 

参考图3至9B来说明第一示例。图3是示出了模式验证设备的配置 的示意框图。图4是说明由划分单元执行的划分方法的说明图。图5是说明分成隔间的输入指纹模式的说明图。图6是说明分成隔间的模板指纹模式的说明图。图7是示出了形成小区域对的小区域之间的对应关系的说明图。图8是说明由于指纹压力的变化而引起的特征值变化的说明图。图9A和9B是说明多种划分方法的说明图。 

在该示例中，按照以下方式来确定用户是否是被授权人。被授权人的指纹模式被作为模板指纹预先记录在IC卡中。然后，确定输入指纹模式数据是否属于从与IC卡中记录的模板指纹的手指相同的手指得到的指纹模式的类别。 

注意，在模式验证中，要比较的模式完全相互匹配是很少见的。因此，基于两个模式是否属于相同类别来确定这两个模式是否相互匹配。然后，基于确定结果，匹配设备确定用户是否是被授权人。 

如图3所示，模式验证设备51包括指纹传感器150、IC卡读取器250和显示器450。注意，指纹传感器150起到指纹模式输入单元100的作用。IC卡读取器250起到第二模式输入单元200的作用。显示器450起到输出单元400的作用。 

计算机350包括第一区域划分单元351、第二区域划分单元352、校正值计算单元353、差值计算单元354、分布存储单元355、差值评估单元356和确定单元357。 

参考图4至8来说明模式验证设备51的功能。假定想要被认证为被授权人的用户将IC卡***IC卡读取器250中，并将手指放在指纹传感器150上，其中IC卡中记录了被授权人的指纹模式。 

首先，指纹传感器150读出输入指纹模式。注意，在本示例中使用的指纹传感器150是电容传感器，在所述电容传感器中以矩阵模式布置多个检测电极。对应于各个检测电极的从指纹传感器150输出的输出值根据对指纹传感器150的指纹压力而改变。因此，对应于各个检测电极的由指纹传感器150得到的值是通过将根据指纹压力的变化值与对应于指纹模式的固定值相加而得到的值。 

接下来，第一区域划分单元351以预定的划分方法将输入指纹模式分成小区域(单位区域)。这里，如图4所示，第一划分单元351通过 多个轴线来划分输入指纹模式的图像区域，从而产生以矩阵模式布置的四方晶格(小区域)。每个四方晶格区域由行L1至L10和列C1至C10所限定的坐标信息来指定。 

接下来，IC卡读取器250从IC卡读出模板指纹模式，在所述IC卡中已记录了被授权人的指纹模式。 

接下来，第二区域划分单元352以预定的划分方法将模板指纹模式分成小区域。在该示例中，如图4所示，第二区域划分单元352通过多个轴线来划分模板指纹模式的图像区域，从而产生以矩阵模式布置的四方晶格(小区域)。每个四方晶格区域由行L1至L10和列C1至C10所限定的坐标信息来指定。因此，第二区域划分单元352根据第一区域划分单元351的划分规则来划分模板指纹模式的图像区域。 

接下来，校正值计算单元353在输入指纹模式的小区域与模板指纹模式的小区域之间将彼此相关性高的区域相关联，从而产生小区域对(单位区域对)。此后，校正值计算单元353计算用于对形成小区域对的相应小区域的特征值进行匹配的校正值。 

例如，校正值计算单元353执行以下处理。 

首先，校正值计算单元353计算图5所示输入指纹模式的小区域R1与图6所示模板指纹模式的每个小区域之间的互相关系数。即，校正值计算单元353在形成模板指纹模式的小区域之中，指定如下小区域：相比于其他小区域，该小区域的灰度级分布与小区域R1的灰度级分布更相似。然后，校正值计算单元353将小区域R1与所指定的小区域相互关联，从而产生小区域对。 

校正值计算单元353还针对图5所示输入指纹模式的其他小区域执行上述处理。利用校正值计算单元353所执行的这一系列处理，将输入指纹模式的各个小区域与模板指纹模式的各个小区域彼此关联。 

以下参考图7对该特征进行补充说明。如图7所示，小区域R1和小区域Ra形成具有对号1的小区域对。小区域R2和小区域Rb形成具有对号2的小区域对。小区域R3和小区域Rc形成具有对号3的小区域对。小区域R4和小区域Rd形成具有对号4的小区域对。小区域R5和小区域Re形成具有对号5的小区域对。小区域R6和小区域Rf形成具有对号6的小 区域对。其他小区域也以类似的方式在输入指纹模式与模板指纹模式之间相互关联。注意，从图5和6示意性示出的指纹模式可以看出，彼此关联的小区域具有高模式相关性。 

接下来，校正值计算单元353计算用于对形成小区域对的各小区域的特征值进行匹配的校正值。 

即使输入指纹模式和模板指纹模式是从相同手指得到的，由于诸如输入时传感器增益的变化、位置偏移和变形等多种因素，输入指纹模式和模板指纹模式也不是完全相同的模式。因此，有必要进行某种校正以在形成对的小区域之间对特征值进行匹配。针对形成对的小区域，获得特征值的校正值。 

如果使用传感器，在该传感器中所得到的指纹模式的密度由于手指的指纹压力而随位置的不同发生变化，则指纹模式的密度依赖于如何按压手指而随位置的不同发生变化。因此，在形成对的小区域之间，模式的密度是不同的。为了使两个模式的密度相互一致，有必要调整至少一个模式的密度。注意，密度与来自指纹传感器的输出值相对应。 

具体说明确定校正值的方法。校正值计算单元353将图5小区域R1的密度dR1(特征值，该特征值根据当获得输入指纹模式时，主体的手指与跟小区域R1相对应的检测电极之间的距离)与图6小区域Ra的密度dRa(特征值，该特征值根据当获得模板指纹模式时，主体的手指与跟小区域Ra相对应的检测电极之间的距离)相比较，从而计算用于实质上对dR1与dRa进行匹配或近似的校正值。校正值是用于将小区域Ra的密度与小区域R1的密度匹配的值，并且是通过比较小区域Ra的密度值与小区域R1的密度值而计算出的。 

以下示出了特定示例。校正值计算单元353计算dR1/dRa和dR2/dRb。例如，dR1/dRa＝1.2，dR2/dRb＝1.1。这样，校正值计算单元353计算每个小区域对的校正值。 

接下来，差值计算单元354在多个相邻区域中计算校正值之间的差值。具体地，差值计算单元354计算位置彼此相邻的小区域对的校正值的差值。 

从图5和6可以看出，具有对号1的小区域对与具有对号2的小区域 对位置相邻。由于具有对号1的小区域对和具有对号2的小区域对位置彼此相邻，所以差值计算单元354计算从具有对号1的小区域对计算出的校正值与从具有对号2的小区域对计算出的校正值之间的差值。即，差值计算单元354执行dR1/dRa-dR2/dRb。类似地，差值计算单元354还执行dR3/dRc-dR4/dRd。差值计算单元354还执行dR5/dRe-dR6/dRf。类似地，差值计算单元354计算从具有不同对号的小区域对计算出的校正值之间的差值。这样，差值计算单元354计算位置彼此相邻的小区域对的校正值的差值。 

以下说明差值计算单元354计算差值的原因。 

如上所述，在本示例中，对应于检测电极从指纹传感器150输出的输出值根据对指纹传感器150的指纹压力而改变。即，对应于相应检测电极的由指纹传感器150得到的值是通过将根据指纹压力而变化的变化值与跟指纹模式相对应的固定值相加而得到的值。因此，即使在检测相同的指纹模式，从指纹传感器150输出的输出值也根据手指在指纹传感器150上的指纹压力而变化。 

即，即使指纹传感器150捕获手指相同部分的图像，也有可能从指纹传感器150输出在所记录的指纹模式和输入指纹模式之间不同的值。更具体地，即使指纹传感器150捕获手指相同部分的图像，如图8所示，小区域R1和R2中的密度值也有可能变得比小区域Ra和Rb中的密度值大。注意，阴影线部分表示由于手指在指纹传感器150上的指纹压力而导致值发生改变的部分。 

根据指纹压力的变化，与小区域Ra中的密度值相比，小区域R1中的密度值增大了D1。类似地，与小区域Rb的密度值相比，小区域R2中的密度值增大了D2。注意，D1和D2与上述校正值相对应。此外，D1-D2与上述差值相对应。 

如上所述，指纹压力随测量的不同而变化，并且当以整个手指来看时指纹压力可以是多种值。然而，由于手指是弹性体，所以指纹压力的局部变化是柔和的。即，假定空间上位置彼此相邻的小区域对的校正值具有相互接近的值。因此，为空间上位置彼此相邻的小区域对的校正值之间的差值具有小的值。在dR1/dRa＝1.2且dR2/dRb＝1.1的情 况下，它们之间的差值变成小值，即，0.1。 

类似地，差值计算单元354还获得位置彼此相邻的其他小区域对的校正值之间的差值。通过计算空间上位置彼此相邻的小区域对的校正值之间的差值，可以防止由于指纹压力的变化导致在最终确定结果中出现错误。 

接下来，差值评估单元365基于差值发生分布来评估由差值计算单元354计算出的多个差值，并计算具有根据该评估结果的值的验证评估值，其中所述差值发生分布是当比较属于不同类别的模式时得到的，并且被预先存储在分布存储单元355中。 

可以根据要作为验证对象的模式的特性，从理论和实验得到在将属于不同类别的模式与模板指纹模式相比较时在相邻小区域之间观察到的校正值的差值发生分布。 

这是因为，当比较不同模式时，与指纹压力的变化相比，模式本身之间的差异对相邻小区域的校正值之间的差值影响更大。因此，考虑该特征，在将属于不同类别的模式与模板指纹模式相比较时，假定差值作为随机数均匀地出现。因此，可以将调节随机数值空间和值分布的发生分布存储在分布存储单元355中。差值评估单元356通过将差值计算单元354计算出的多个差值与预先存储在分布单元355中的发生分布相比较，来评估所述多个差值。 

注意，根据要作为验证对象的模式的类型，来任意地确定存储在分布存储单元355中的发生分布，并且该发生分布不必须是随机数的均匀分布。 

利用简单的示例以补充方式来进一步说明差值评估单元356的功能。假定差值计算单元354计算出的差值如下：如图7所示，在具有对号1的小区域对与具有对号2的小区域对的每个校正值之间是5；在具有对号3的小区域对与具有对号4的小区域对的每个校正值之间是5；在具有对号5的小区域对与具有对号6的小区域对的每个校正值之间是50。此外，假定作为发生分布被存储在分布存储单元355中的条件数据是在从0到50的范围上均匀分布的均匀随机数。 

差值评估单元356将具有对号1的小区域对与具有对号2的小区域 对的每个校正值之间的差值评估为0.1。类似地，差值评估单元356将具有对号3的小区域对与具有对号4的小区域对的每个校正值之间的差值评估为0.1。差值评估单元356将具有对号5的小区域对与具有对号6的小区域对的每个校正值之间的差值评估为0.9。如果仅针对该范围进行说明，则差值评估单元356计算出0.1×0.1×0.1＝0.09作为验证评估值。 

如果差值较大，则假定手指在指纹传感器150上的指纹压力的变化较大。即使在这样的情况下，基于差值评估单元356的评估结果，具有较大值的差值接近1。因此，当以上述方式计算验证评估值时，消除了较大差值的影响。即，即使由于叠加在手指一部分上的较大噪声等而导致在要得到的模式中出现缺陷，也可以通过由差值评估单元执行的评估来消除该缺陷的影响。 

注意，可以任意地确定由差值评估单元356执行评估差值的具体方法。评估方法由以下关系表达式来表示，在该评估方法中，由彼此相邻的N个小区域对确定的事件(N是等于或大于2的自然数)变得比被定义为确定条件的事件小。 

(关系表达式1)Ri＜Di(i＝1到N)

(关系表达式2)∏Ri＜∏Di(i＝1到N)

(关系表达式3)Ri′＜Di′(i＝1到N)，其中Di被重排列为D1′＜D2′＜...＜DN′，Ri被重排列为R1′＜R2′＜...＜RN′。 

注意，R1是基于分布存储单元355中存储的发生概率而发生的值，D1是从模板指纹模式的每个小区域以及输入指纹模式的每个小区域计算的差值。N是等于或大于2的自然数。 

通过使用上述任一关系表达式来评估从差值计算单元354输出的多个差值，甚至当模式中发生局部异常时，也可以使验证评估值稳定。更具体地，优点是可以防止将属于相同类别的模式错误地确定为属于不同类别的模式。 

即使在模式的一部分中发生异常，从而多个计算出的Di当中的一些Di值变得非常大，其影响也变得与这些Di的特征值不存在时导致的影响相同。当比较不同模式时，出现大差值的概率高，由大Di的评估结果所确定的值变成接近1的值。由于与1相乘实质上不会引起整体值 的变化，所以具有非常大的值的Di对最终计算出的验证评估值造成的影响很小。换言之，在这种情况下，可以认为具有非常大的值的Di不存在。因此，如果除了具有非常大的值的某些Di以外的其他Di值足够小，则最终计算出的验证评估值变成小值。 

相反，在评估差值的绝对值的方法中，如果在模式的一部分中发生异常，从而一些Di具有非常大的值，则验证评估值可能受到这种情况的严重影响。例如，假定基于以下关系表达式来计算验证评估值。 

(关系表达式4)∑Di*Di  (i＝1至N)

在将差值简单地评估为类似上述的距离的情况下，如果任何一个Di具有非常大的值，那么即使其他Di足够小，距离也变得非常大。 

相反，当评估如上所述计算出的差值并通过将验证评估值相乘来得到验证评估值时，可以消除由于异常差值而造成的影响，从而可以达到使验证评估值稳定的有利效果。 

确定单元357基于差值评估单元356的评估结果，来确定输入指纹模式是否与模板指纹模式相同。例如，当验证评估值小于预定值T时，确定单元357确定两个模式属于相同类别。当验证评估值大于预定值T时，确定单元357确定两个模式属于不同类别。 

注意，概率T是如下概率：通过将属于不同类别的模式与模板模式相比较而得到的差值变得比差值计算单元354计算出的相邻区域之间校正值的差值小。因此，在与属于不同类别的模式相比较时差值小于预定值从而将属于不同类别的模式错误地确定为属于相同类别的概率是T。 

将确定结果显示在显示器450上，并通知用户是否具有访问许可。 

从上述说明可以看出，在本示例中，(1)通过在模板指纹模式与输入指纹模式之间将具有彼此类似模式的小区域相关联，来产生多个小区域对；(2)基于小区域对来计算校正值，所述校正值指示在每个小区域对中包含的小区域的唯一特征值之间的差异；(3)计算在空间上位置彼此相邻的小区域对的校正值之间的多个差值；(4)利用对于未成功匹配的情况而预先设置的发生分布，来评估多个计算出的差值；以及(5)将根据该评估结果的验证评估值与预定阈值相比较。 

由于验证结果不依赖于评估数据，所以可以在实际操作中以期望的精确度来实现认证。此外，即使在由于某种因素导致从某一小区域对计算出的差值在很大程度上偏离正确的值时，也仍然可以防止验证评估值由于该原因而发生显著变化。这样，有效地抑制了最终确定结果中错误的发生。 

在传统方法中，除了验证结果对评估数据的依赖性以外，还有必要针对记录和/或认证而执行多次比较。在专利文献1和2中公开的方法中，通过执行与用于评估的数据的比较，来得到验证结果的统计量。通过基于统计量来改变对每个数据的评估，来处理数据所导致的变化。为了得到统计量，有必要在记录和/或认证时执行多次比较。如果执行足够多的次数的比较以得到统计量，则记录和/或认证花费时间。因此，这不能用于需要在短时间内执行记录和/或认证的应用情况。如果减少比较次数以缩短记录和/或认证所需的时间，则不能得到可靠的统计量，从而不能得到正确的评估结果。在本示例实施例中，没有必要首先通过多次实验来进行评估。因此，可以有效地解决曾作为传统问题的上述问题。 

此外，在传统方法中，存在以下问题：其不能应用于除了特征点模式以外的任何其他方法。非专利文献1和专利文献3的方法通过在理论上评估错误匹配率，解决了验证结果依赖于评估数据、以及记录和/或认证需要多次比较的问题。然而，这些方法只能用于比较特征点模式的情况。例如，诸如图像模式之类的其他类型的模式不能被比较。在本示例实施例中，由于在比较处理中使用指示特征值差异的校正值，所以本示例实施例可以应用于能够定义校正量的各种类型的特征值。 

注意，在本示例实施例中，将指纹模式用作要作为验证对象的模式。关于指纹模式，可以使用指纹自身的图像。备选地，可以通过强调脊线或以类似方式从指纹图像中得到更适于比较的模式(参见专利文献4)。 

此外，在本示例实施例中，尽管指纹传感器150连接至计算机350作为第一模式输入单元100，然而可以将指纹传感器放置在不同位置，并且可以通过网络将指纹传感器的数据发送至计算机350。尽管IC卡读 取器250连接至计算机350作为第二模式输入单元200，然而可以将IC卡读取器放置在不同位置，并且可以通过网络将IC卡读取器的数据发送至计算机350。 

第一模式输入单元100和第二模式输入单元200可以被配置为使得当在诸如指纹传感器之类的设备中认证了用户时输入模式，或者可以被配置为使得输入预先存储在给定存储设备(如，IC卡、硬盘驱动和存储器)中的模式。 

此外，可以分别在第一模式输入单元100和第二模式输入单元200中提供第一区域划分单元351和第二区域划分单元352，可以将已分成区域的指纹模式输入计算机350。 

此外可以将已经分成区域的指纹模式存储在诸如IC卡和硬盘驱动之类的存储设备中，使得不需要在认证时执行区域划分。 

关于划分成小区域的方法，除了为整个区域填充小正方形区域而不像四方晶格一样彼此重叠的划分方法以外，还可以应用其他划分方法(图9A)，其中区域具有任意形状，如，包括六边形、八边形和圆形在内的多边形，这些区域部分地重叠。此外，整个区域不必须完全属于一个小区域(图9B)。可以根据要作为验证对象的模式的特性来确定小区域的形状和尺寸。例如，当假定模式要进行旋转时，采用圆形作为小区域，使得小区域不会因旋转而改变。 

如果小区域的尺寸过大，则变形等造成的影响就会变得更强，从而小区域的关联变得困难。另一方面，如果小区域的尺寸过小，则包含在小区域中的特征变得不够，从而关联变得困难。当对象模式是指纹时，可以采用包含两个或三个脊线的尺寸作为小区域的尺寸。利用这样的尺寸，每个小区域可以包含足够的信息来使小区域相关联，但并不过大。 

在本示例中，输入指纹模式的小区域与模板指纹模式的每个小区域之间的互相关系数由校正值计算单元353获得，并与具有最高相关性的区域配对。然而，使模式彼此关联的方法并不限于本示例。也可以采用使用以下值的其他方法：例如，小区域内的像素值之间的差值的总值，以及指示模式之间关联程度的任意量(如，汉明距离)。 

此外，可以通过在已将所有小区域配对之后，基于所有区域的关联状态来去除和/或重配对被认为不正确的对，来提高关联的可靠性。 

此外，尽管在本示例中，通过将输入指纹模式的所有小区域与模板指纹模式的所有区域相比较并使它们相关联来产生对，然而可以对要使用的区域进行约束。例如，可以确定存在指纹模式的指纹区域以及不存在指纹模式的背景区域，使得可以仅在指纹区域上执行关联。 

此外，在本示例中，将密度用作特征值。还可以将位置(坐标值)用作特征值。由于手指按压的位置对于每个输入过程来说是不同的，所以在输入位置引起偏离。因此，相应小区域的位置可能在输入指纹模式与模板指纹模式之间不同。因此，有必要校正位置以使相应小区域彼此对准。 

如果小区域R1需要向右移动30个像素以及向下移动20个像素，以便使模板指纹模式的小区域Ra与输入指纹模式的小区域R1对准，则位置的校正值可以被表示为水平+30个像素(当右方向被限定为正方向时)和垂直-20个像素(当向上方向被限定为正方向时)。以这种方式，可以将位置校正信息用作特征值。此外，除了位置以外，还可以结合旋转作为特征值。 

其他可用特征值的示例包括变形程度。例如，可以通过仿射变换来近似小区域的变形，仿射变换的系数可以用作特征值。尽管在本示例中将显示器410用作输出单元400，但是任何给定的结果通知装置都可以用作输出单元，如，通过向门设施发送信号来为人打开门以允许进入，以及通过与信息***通信来设置进入允许条件。 

[第二示例] 

接下来，参考图10至15来说明第二示例。尽管在第一示例中将密度用作特征值，然而在本示例中将位置(坐标值)用作特征值。图10是示出了模式验证设备的配置的示意框图。图11是说明模式验证设备的操作的示意流程图。图12是说明广义上的关联过程的说明图。图13是说明狭义上的关联过程的说明图。图14是说明广义上的关联过程的具体方法的说明图。图15是说明狭义上的关联过程的说明图。 

如图3所示，计算机300的校正值计算单元310包括宽泛关联单元 310a和局部关联单元310b。这一点与第一示例不同。注意，第一模式输入单元100、第二模式输入单元200、第一区域划分单元301、第二区域划分单元302、差值计算单元304、分布存储单元305、差值评估单元306和确定单元307中的每一个都与第一示例实施例的相同。 

参考图11所示的流成图，根据本示例，针对模式验证设备的操作仅说明与第一示例实施例不同的特征。 

宽泛关联单元310a通过将输入指纹模式的小区域与模板指纹模式的小区域相关联来产生多个小区域对，计算校正值以使小区域对中包含的相应小区域的坐标值一致，基于校正值执行校正，以使输入指纹模式侧的小区域的坐标值与模板指纹模式侧的小区域的坐标值一致，以及以宽泛的方式校正每个模式之间的位置偏离(S5a)。 

在宽泛关联单元310a执行校正之后，局部关联单元310b基于输入指纹模式的小区域的坐标值和模板指纹模式的小区域的坐标值来计算用于根据小区域来执行对位置的精细调节的校正值，以及利用校正值来校正每个小区域之间的位置偏离(S5b)。 

在本示例中，首先宽泛关联单元310a使第一模式与第二模式相关联，此后，局部关联单元310b通过检查每个小区域的精确关联来确定校正值。因此，例如，减小了整个模式的变形等造成的影响，从而可以以更高精确度来评估错误匹配率。 

如图12所示，宽泛关联单元310a评估在整个输入指纹模式中产生的变形，通过指定变形以与模板指纹模式一致，来在每个小区域之间执行宽泛关联，并且校正位置使得两个模式彼此重叠。 

如图13所示，局部关联单元310b通过将宽泛关联单元310a为了使两个模式彼此重叠而校正的位置定为中心，来搜索比其他位置更好地与输入指纹模式的小区域匹配的位置，并计算从宽泛关联单元310a所校正的位置移动的移动值(坐标调节值)，作为校正值。 

宽泛关联单元310a和局部关联单元310b以互不相同的方法来计算它们的校正值。例如，如图14所示，宽泛关联单元310a通过使用指纹脊线的端点和分支点对整个指纹模式进行关联，即，所谓的“细节(minutiae)”。如图15所示，局部关联单元310b计算小区域的图像模 式的互相关系数并选择具有最高相关性的区域。 

由于指纹不是刚形体，所以指纹模式局部变形。在宽泛关联单元310a使整个模式一致之后，局部关联单元310b局部地使模式一致，使得可以处理甚至局部变形。局部变形必然在相邻区域内具有相似的变形。因此，当比较从相同手指得到的指纹模式时，局部关联单元310b所得到的相邻区域中的校正值必然具有相似的值。 

另一方面，当比较从不同手指捕获的指纹模式时，选择意外地具有最高相关性的位置。因此，校正值可以是任何合适的值，从而相邻区域中的校正值可以被看作是随机值。因此，类似于第一示例中说明的示例，在本示例中存储在分布存储单元305中的发生分布也变成了随机数的均匀分布。其他特征与第一示例的其他特征相类似。 

在本示例中，以两个步骤来执行关联，即，由宽泛关联单元310a执行的步骤以及由局部关联单元310b执行的另一步骤。在局部关联单元310b中，得到精细调节值。因此，与第一示例的情况相比，在本示例中，当比较属于不同类别的模式时由局部关联单元310b得到的校正值变成更加随机的值，从而可以以更高的精确度来评估错误匹配率。 

如上所述，通过基于宽泛关联单元310a的处理和局部关联单元310b的处理来计算校正值，在确定验证未成功的情况下每个校正值的随机性变得更高。因此，可以有效地减小将应当被确定为未成功的验证确定为成功的概率。 

[第三示例] 

参考图16至18说明第三示例。与第一示例不同，根据本示例的计算机300包括校正值转换单元320。图16是示出了模式验证设备的配置的示意框图。图17是说明模式验证设备的操作的流程图。图18A和18B是说明校正值转换方法的说明图。 

校正值转换单元320转换校正值，以便根据要作为验证对象的模式的特性来改善差值的特性。在本示例中假定要作为验证对象的模式是指纹模式。 

如图18A示意性示出的，小区域内的脊线彼此平行延伸。因此，即使在小区域沿着脊线的延伸方向平行移动，在小区域移动之前和之 后小区域中的图像也不会显著改变。 

另一方面，如图18B示意性示出的，如果小区域沿着与脊线的延伸方向垂直的方向移动，则在小区域移动之前和之后小区域中的图像会发生显著变化。在这种情况下，用于对形成小区域对的相应小区域中的特征值进行匹配或近似的校正值的值有可能增大。 

因此，当采用坐标值作为特征值时，可以通过以下方式来稳定用于对形成小区域对的小区域的坐标值进行匹配或近似的校正值的值：仅限于对沿着脊线延伸方向平行移动小区域的校正，以及消除对沿着与脊线的延伸方向垂直的方向平行移动小区域的校正。 

例如，校正值转换单元320通过使用滤波器(预定的计算公式)来指定脊线的延伸方向，并指定用于稳定校正值的方向。校正值转换单元320还可以通过沿多个方向移动小区域来检查匹配程度的变化。例如，如果沿着某个方向将小区域移动若干像素，从而校正系数显著变化，则当，该方向可以被确定为用于采用与沿着脊线的延伸方向移动小区域时类似的方式来稳定校正值。另一方面，如果校正系数的变化较小，则该方向可以被确定为用于采用与当沿着垂直于脊线的延伸方向的方向移动小区域时类似的方式使校正值不稳定。 

以下参考图17所示的流程图来说明根据本示例的模式验证设备的操作。与第一示例不同，在执行差值计算之后，校正值转换单元320通过改变小区域的相关程度来改变校正值的值，从而进一步稳定差值(S30)。如果通过校正值转换单元320进行处理来稳定差值，则可以认同要作为验证模式的模式处于适合相互比较的位置。因此，校正值转换单元320执行处理，使得可以以更高的精确度来执行比较。 

本发明的技术范围不限于上述示例实施例。如图19所示，模式验证设备(计算机)应当包括至少校正值计算单元303、差值计算单元304和差值评估单元306。本发明可应用于不需要确定单元307的其他用途。本发明还可以应用于除了指纹认证以外的其他认证。本发明还应用于除了生物测定认证以外的其他用途。 

本申请基于并要求于2008年2月19日提交的日本专利申请No.2008-037077的优先权，其全部公开一并在此作为参考。 

工业应用 

本发明可以应用于模式验证设备、模式验证方法和程序。 

Claims (14)

1.一种用于生物测定认证的模式验证设备，包括：

校正值计算单元，通过根据模式的相似程度，将通过划分第二模式而产生的多个单位区域中的每个单位区域与通过划分第一模式而产生的多个单位区域中的每个单位区域相关联，来产生多个单位区域对，并基于单位区域对来计算校正值，其中所述第一模式表示对象的所记录的生物测定特性，所述第二模式表示对象的所捕获的生物测定特性，所述校正值适于对相互关联的单位区域中的各个单位区域的唯一特征值进行匹配或近似；

差值计算单元，基于空间上位置彼此相邻的单位区域对之间的校正值比较，来计算指示校正值之间的差异的差值；以及

验证评估值计算单元，根据在指示模式属于互不相同的类别的条件与差值计算单元所计算的多个差值之间的验证结果，来计算验证评估值。

2.根据权利要求1所述的模式验证设备，其中，第一模式和第二模式中的每一个具有分布，在该分布中，在比较相同类别的情况下彼此相邻的单位区域的特征值之间的差值随机地小于在比较不同类别的情况下的差值。

3.根据权利要求1所述的模式验证设备，其中，验证评估值计算单元执行计算，在该计算中，验证评估值不因受到具有大绝对值的差值的影响而显著变化。

4.根据权利要求1所述的模式验证设备，其中，指示模式属于互不相同的类别的条件限定如下状态：随机数是随机地设置的。

5.根据权利要求1所述的模式验证设备，还包括：确定单元，基于验证评估值与阈值之间的比较来确定验证结果。

6.根据权利要求1所述的模式验证设备，其中，

第一模式是预先记录在内部或外部存储介质中的模式，以及

第二模式是每次执行模式比较时由内部或外部模式获取设备捕获的模式。

7.根据权利要求1所述的模式验证设备，其中，特征值是指示第二模式相对于第一模式的位置偏离的值。

8.根据权利要求7所述的模式验证设备，其中，校正值计算单元执行至少第一处理和第二处理，所述第一处理基于模式之间的相似性来执行第二模式相对于第一模式的对准，所述第二处理基于模式之间的相似性来执行第一模式的单位区域相对于第二模式的单位区域的对准。

9.根据权利要求7所述的模式验证设备，其中，根据要验证的模式的方面来确定特征值计算方法。

10.一种用于生物测定认证的对模式执行验证的模式验证方法，包括：

通过根据模式的相似程度，将通过划分第二模式而产生的多个单位区域中的每个单位区域与通过划分第一模式而产生的多个单位区域中的每个单位区域相关联，来产生多个单位区域对，并基于单位区域对来计算校正值，其中所述第一模式表示对象的所记录的生物测定特性，所述第二模式表示对象的所捕获的生物测定特性，所述校正值适于对相互关联的单位区域中各个单位区域的唯一特征值进行匹配或近似；

基于空间上位置彼此相邻的单位区域对之间的校正值比较，来计算指示校正值的差异的差值；以及

根据在指示模式属于互不相同的类别的条件与差值计算步骤所计算的多个差值之间的验证结果，来计算验证评估值。

11.根据权利要求10所述的模式验证方法，基于验证评估值与阈值之间的比较来确定验证结果。

12.根据权利要求10所述的模式验证方法，其中，第一模式和第二模式中的每一个具有分布，在该分布中，在比较相同类别的情况下位于彼此相邻位置的单位区域的特征值之间的差值随机地小于在比较不同类别的情况下的差值。

13.根据权利要求10所述的模式验证方法，其中，执行计算验证评估值，在该计算中，验证评估值不因受到具有大绝对值的差值的影响而显著变化。

14.根据权利要求10所述的模式验证方法，其中，指示模式属于互不相同的类别的条件限定了如下状态：随机数是随机地设置的。

Images