CN114067383A - 基于宏观结构和微观结构图像尺寸的被动三维面部成像 - Google Patents
基于宏观结构和微观结构图像尺寸的被动三维面部成像 Download PDFInfo
- Publication number
- CN114067383A CN114067383A CN202111152506.0A CN202111152506A CN114067383A CN 114067383 A CN114067383 A CN 114067383A CN 202111152506 A CN202111152506 A CN 202111152506A CN 114067383 A CN114067383 A CN 114067383A
- Authority
- CN
- China
- Prior art keywords
- dmis
- dmas
- feature
- archival
- image
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 93
- 230000001815 facial effect Effects 0.000 title claims abstract description 67
- 238000005259 measurement Methods 0.000 claims abstract description 159
- 238000012795 verification Methods 0.000 claims abstract description 65
- 238000010200 validation analysis Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 12
- 239000003550 marker Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- XREKLQOUFWBSFH-UHFFFAOYSA-N dimethyl 2-acetylbutanedioate Chemical compound COC(=O)CC(C(C)=O)C(=O)OC XREKLQOUFWBSFH-UHFFFAOYSA-N 0.000 claims 35
- 210000001508 eye Anatomy 0.000 description 21
- 238000003860 storage Methods 0.000 description 21
- 210000001331 nose Anatomy 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000005286 illumination Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 210000003128 head Anatomy 0.000 description 7
- 230000003936 working memory Effects 0.000 description 6
- 210000000887 face Anatomy 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 210000005069 ears Anatomy 0.000 description 3
- 239000004816 latex Substances 0.000 description 3
- 229920000126 latex Polymers 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000000624 ear auricle Anatomy 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000003116 impacting effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036548 skin texture Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/80—Wireless
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及基于宏观结构和微观结构图像大小的被动三维(3D)面部成像技术,例如用于生物特征面部识别。处理一组用户面部图像以提取验证确定性宏观结构(DMAS)测量值。数据库包括档案DMAS测量值、确定性微观结构(DMIS)特征区域的档案位置定义以及为DMIS特征区域计算的档案DMIS标记。第一级验证判断可以基于验证DMAS测量值与档案DMAS测量值的比较。验证DMIS标记可以根据在档案位置定义处获得的子图像为DMIS特征区域计算得出。第二级验证判断可以基于验证DMIS特征与档案DMIS特征的比较。可以基于第一级验证判断和指示用户的验证是被允许还是被拒绝的第二级验证判断两者来输出验证结果。
Description
技术领域
本申请主要涉及集成到个人电子设备中的光学器件。更具体地,本申请实施例涉及基于宏观结构和微观结构图像尺寸的被动三维面部成像,例如用于生物特征面部识别。
背景技术
许多现代电子设备,例如智能手机、平板电脑、笔记本电脑,都配备了生物特征安全访问***,例如面部识别(Face Identification,简称ID)、指纹传感器等。例如,面部识别可用于解锁智能手机、登录应用程序和账户、授权移动支付等。类似的面部识别技术集成到其他访问控制设备中,例如电子锁和自动柜员机(Automated Teller Machines,简称ATM)。有效实施的设计往往会平衡各种考虑。例如,通常希望向用户提供快速和准确的结果,同时避免误报(这会降低实施的安全性)和漏报(这可能会让授权用户感到沮丧)。
传统的面部识别***往往包括基于有限数量的大尺度结构进行识别的面部识别方法,这种方法比较快速但相对不安全。这种方法往往比较容易造成欺骗,例如通过使用授权用户面部的二维图像、授权用户面部的三维蜡模型或乳胶模型等来进行欺骗。例如,智能手机的传统面部ID的实施通常旨在最大限度地减少使用电池资源、内存资源、处理器资源等。此外,智能手机的传统面部ID的实施往往不会过度关注高级欺骗技术等等。智能手机的传统面部ID的实施往往允许更多的误报而不是漏报,来避免让试图快速解锁智能手机的授权用户感到沮丧。但是,对于许多智能手机和其他应用程序来说,可能需要提供更高级别的安全性(包括额外的防欺骗保护),同时又不会过度影响电池、内存、处理器和其他资源。
发明内容
本申请实施例提供基于宏观结构和微观结构图像尺寸的被动三维(3D)面部成像,例如用于生物特征面部识别。例如,成像***(例如,在智能手机或其他电子设备中的成像***)可用于捕获用户面部的一组图像。可以处理这组图像来提取验证确定性宏观结构(Authentication Deterministic Macro-Structure,简称DMAS)测量值,例如提取眼睛、鼻子、耳朵及其他大尺度特征的测量值,这些大尺度特征的相对形状、尺寸、位置和方位等不会随时间而显著改变。可以从面部ID数据库中检索注册档案,该注册档案包括档案DMAS测量值、用于确定性微观结构(Deterministic Micro-Structure,简称DMIS)特征区域的档案位置定义以及为DMIS特征区域计算的档案DMIS标记。可以基于将验证DMAS测量值与档案DMAS测量值进行比较,以此来做出第一级验证判断。可以基于档案位置定义为DMIS特征区域获得特征子图像,并且可以从特征子图像中计算验证DMIS标记。可以基于将验证DMIS标记与档案DMIS标记进行比较,以此来做出第二级验证判断。验证结果的输出是可以基于以下:第一级验证判断和指示用户的验证是被允许还是被拒绝的第二级验证。
根据本申请的一些实施例,提供了一种基于被动面部成像的用户验证方法。该方法包括:成像***捕获用户面部的一组图像;处理该组图像以提取验证确定性宏观结构(DMAS)测量值;基于验证DMAS测量值与档案DMAS测量值的比较,生成第一级验证判断;为至少一个DMIS特征区域中的每一个,基于档案位置定义获得至少一个确定性微观结构DMIS特征区域的至少一个特征子图像;根据至少一个特征子图像计算至少一个验证DMIS标记;基于验证DMIS标记与为至少一个DMIS特征区域中的每一个计算的档案DMIS标记的比较,生成第二级验证判断;以及输出验证结果,该验证结果是基于第一级验证判断和指示用户的验证是被允许还是被拒绝的第二级验证。
根据本申请的另一些实施例,提供了一种基于被动面部成像的用户验证***。该***包括:成像相机,用于捕获用户面部的一组图像;面部识别数据库,存储有:包括档案确定性宏观结构DMAS测量值的注册档案,至少一个确定性微观结构DMIS 特征区域中的每一个的档案位置定义,以及为至少一个DMIS特征区域中的每一个计算的档案DMIS标记;以及,控制和处理模块,具有至少一个处理器和存储器,存储器存储有一组指令。当执行该组指令时,使得该至少一个处理器在用户验证模式下运行:处理该组图像以提取验证确定性宏观结构DMAS测量值;基于验证DMAS测量值与档案DMAS测量值的比较,生成第一级验证判断;为至少一个DMIS特征区域中的每一个,基于档案位置定义获得至少一个DMIS特征区域的至少一个特征子图像;根据至少一个特征子图像计算至少一个验证DMIS标记;基于将验证DMIS标记与档案DMIS标记进行比较,生成第二级验证判断;以及输出验证结果,该验证结果是基于第一级验证判断和指示用户的验证是被允许还是被拒绝的第二级验证。在一些实施例中,进一步执行该组指令使得至少一个处理器在注册模式下工作:通过成像相机来直接捕获一组授权用户面部的档案图像;处理该组档案图像来提取档案DMAS测量值,并识别至少一个档案DMIS特征区域;为至少一个档案DMIS特征区域中的每一个档案DMIS特征区域执行如下操作:基于档案DMAS测量值生成相应的档案位置定义,从档案DMIS特征区域的图像数据获得至少一个相应特征档案子图像,和从至少一个相应特征档案子图像来计算至少一个相应的档案DMIS标记;以及存储至少一些档案 DMAS测量值、档案DMIS特征区域的至少一些相应档案位置定义、以及为档案DMIS 特征区域计算的至少一些档案DMIS标记,作为授权用户在面部识别数据库中的注册档案。
根据本申请的另一些实施例,提供了一种授权用户的注册方法,以支持后续基于被动面部成像的面部验证。该方法包括:通过成像***捕获授权用户面部的一组图像;处理该组图像以提取确定性宏观结构(DMAS)测量值;将至少一些DMAS测量值作为注册档案的一部分存储在面部识别(ID)数据库中;进一步处理图像以识别至少一个确定性微观结构(DMIS)特征区域。对于至少一个特征区域中的每个DMIS特征区域执行以下操作:基于DMAS测量生成相应的位置定义;从DMIS特征区域的图像数据中获取至少一个相应的特征子图像;根据至少一个相应的特征子图像计算至少一个相应的DMIS标记;以及存储DMIS特征区域的相应位置定义和为DMIS特征区域计算的至少一个相应DMIS标记中的至少一个,进一步作为面部识别(ID)数据库中的一部分注册档案。
附图说明
附图在本文中引用并构成本文的一部分,附图示出了本申请的实施例。附图与说明一起用于解释本申请的原理。
图1示出了具有集成成像***的移动设备。
图2示出了根据一些实施例的使用面部ID感测的电子访问控制***的简化框图。
图3示出了根据本申请实施例的成像环境,用以说明使用图像尺寸从成像中导出深度信息所涉及的光学原理。
图4示出了具有各种确定性宏观结构的示例性的面部图像。
图5示出了根据本文各种实施例的一组示例性的成像数据。
图6示出了两个特征子图像的示例性部位的示例性部分色度响应。
图7示出了根据本文各种实施例的用于注册用户的示例性方法的流程图。
图8示出了根据本文各种实施例的用于用户验证的示例性方法的流程图。
图9示出了根据本文各种实施例的用于访问控制的示例门控过程的流程图。
图10提供了计算机***的一个实施例的示意图,该计算机***可以实现各种***部件和/或执行由各种实施例提供的方法的各个步骤。
在附图中,相似的部件和/或特征可以使用相同的附图标记。此外,相同类型的各种组件可以通过在附图标记后面加上区分相似部件的第二标记来区分。如果说明书中仅使用第一附图标记,则该描述适用于具有相同第一附图标记的任何一个相似组件,而不考虑第二附图标记。
具体实施方式
在以下描述中,提供了许多具体细节用以帮助透彻理解本申请。然而,本领域的技术人员应当理解,可以在没有一个或更多个这些细节中的情况下实现本申请。在其他示例中,为了简洁起见,将不再描述本领域中已知的特征和技术。
许多现代电子设备具有可用于各种特征的集成成像***。例如,集成成像***在智能手机、自动柜员机、物理访问控制***(例如电子门锁)等中无处不在。在某些情况下,此类成像***可以提供用户验证功能,例如用于访问控制、生物特征认证等。一些基于成像的验证功能利用面部识别(也即,面部ID),例如,面部识别可用于向相同和/或其他成像***提供深度信息和/或聚焦信息,以验证用户的真实性或用户的身份,和/或用于其他目的。
图1示出了具有集成成像***的移动设备。根据一些实施例,移动设备可以是智能手机、平板电脑、笔记本电脑等。移动设备100可以包括显示屏120、围绕显示屏120的框架110、控制按钮(例如,电源按钮140、音频音量控制按钮130、握力传感器150等)和/或任何其他部件。集成成像***可以包括一个或更多个摄像头160,例如前置摄像头(例如,“自拍”摄像头)、后置摄像头等。在一些实施方式中,前置摄像头160还用于面部ID感测。在其他实施方式中,提供专用相机160用于面部ID 感测。
图2示出了根据一些实施例的使用面部ID感测的电子访问控制***200的简化框图。成像相机210(例如图1的相机160)可以具有相关联的视场(Field of View,简称FOV),在该视场内成像相机可以对三维(3D)物体202成像。在本文描述的内容中,通常假设3D物体202是人脸,或者声称为人脸。然而,应当理解,这样的描述不应被解释为将本申请限制为仅在人脸和/或面部ID感测的内容中操作;相反,本文描述的实施例可以应用于任何合适的成像环境。
相机210使用成像光学器件(例如透镜、反射镜、滤光器等)、传感器(例如,光电探测器)和/或任何合适的部件来捕获3D物体202的图像220。在一些实施例中,图像220的捕获可以涉及聚焦成像光学器件和/或调整传感器以形成具有期望的锐度、对比度、色度特征等的清晰图像。例如,捕获的图像220可没有或有非常小的畸变或其他类型的图像像差(例如,球面像差、彗差、像散和场曲)。
控制和处理模块230可以分析图像220的特征。例如,控制和处理模块230可用于识别图像220中包含的人脸图像,并且可以从图像220中提取人脸的面部特征。控制和处理模块230还可用于将图像220中的面部特征与存储在面部ID数据库240 中的授权用户的面部特征进行比较。面部ID数据库可以包括注册过程中生成的该授权用户的面部ID数据。例如,在注册过程中,授权用户面部的一张或更多张实时图像可以被相机210捕获。可以分析这些图像以提取(例如,以及表征等)授权用户的面部标记。授权用户的面部图像以及面部标记可以存储在面部ID数据库240中以用于后续的安全检查。
控制和处理模块230可以判断理想图像220中的面部标记是否与存储在面部ID 数据库240中的面部ID数据匹配。控制和处理模块230可以通过输出接口250输出面部识别结果。移动设备100的处理单元可以基于面部识别结果来准许或拒绝访问和/或提供其他功能特征。例如,如果控制和处理模块230输出肯定的面部识别结果,指示匹配,则图1中的移动设备100的处理单元可以准许访问移动设备100(例如,唤醒移动设备100)、授权使用移动设备的支付交易等。另一方面,如果控制和处理模块 230输出否定的面部识别结果,指示不匹配,则移动设备100的处理单元可以拒绝访问移动设备100(例如,移动设备100可以保持锁定)。
在许多实际环境中,这种面部ID感测的设计平衡了潜在的竞争考量。例如,常规方法会仅将捕获的图像220分析至这种级别:可从大尺寸面部结构(例如,眼角) 提取相对少量特征点或测量值;然后将那些提取的特征点或测量值与先前注册的特征点或测量值进行比较,以确定统计匹配是否明显。这种常规方法可以是相对快速和轻量级的(例如,使用最少的计算、内存、电池和/或其他资源),但也可能会提供相对低水平的安全性。例如,这种常规方法可能对长相相似个体产生假肯定匹配;和/或,这种常规方法比较容易进行欺骗,比如使用授权用户面部的高分辨率二维图像、授权用户面部的三维蜡模型或乳胶模型进行欺骗等等。对于许多智能手机和其他应用程序来说,可能需要提供更高级别的安全性(包括额外的防欺骗保护),而不会过度影响电池、内存、处理器和其他资源。
一般而言,本文描述的实施例利用各种光学原理和图像尺寸,以从成像中获得深度信息。根据本申请实施例中,图3示出的成像环境100说明了光学原理,该光学原理涉及到使用图像尺寸从成像中获得深度信息。如图所示,透镜310在光电探测器 305(例如,光电二极管阵列)上形成物体320的图像325。透镜310具有已知的焦距 f315,光电探测器305距透镜310的成像距离S’335已知,并且物体320的尺寸h 340 已知。当物体320距离光电探测器305为特定物距S330,图像325的尺寸h’345将对应于h340的尺寸;在f315、S’335和h340的值已知的情况下,S330是h’345的函数。因此,可以通过测量h’345来计算S330,只要可以将h’345映射到已知的h340即可。
在面部ID感测的情况下,许多确定性宏观结构(即,大尺寸结构)已被证明可提供具有特定个体的相对特征的测量值,以及对该特定个体该测量值会随着时间的推移往往保持一致。图4示出了具有各种确定性宏观结构的面部的说明性图像400。如图所示,该确定性宏观结构通常对应于面部的感知器官,例如眼睛、鼻子和耳朵。例如,图示的图像400示出了测量值,该测量值为眼睛宽度410(例如,一个眼睛的外角之间的距离)、眼睛之间的距离420(例如,在两只眼睛的内角之间)、虹膜直径415、眼角到鼻子底部的距离425、耳朵的高度430、鼻子的宽度435等等。在一些实施方式中可以使用额外的确定性宏观结构,例如门牙的尺寸、鼻子的长度等等。一旦获得这些测量值,它们就可以与先前获得的被声称为同一面部的测量值进行比较,以确定是否匹配。例如,如上文中对于附图2所描述的,在注册过程中获得相应的确定性宏观结构测量值并将测量值记录在面部ID数据库240中,控制和处理模块230 比较当前获得的确定性宏观结构测量值以确定是否匹配。在某些情况下,“档案”(即预注册的档案)确定性宏观结构测量值的数量可能不同于当前获得的确定性宏观结构测量的数量。例如,在注册过程中,可能会提示用户以不同的方式稍微转动头部、改变表情等,使得可以收集相对较多组的候选确定性宏观结构测量值。然而,在随后的成像中(例如,用于用户验证等),预计只有那些档案确定性宏观结构测量值中的一部分可由成像***获得(例如,在成像期间,用户的面部的朝向引起某些特征隐藏在成像***的视野之外,或者照明引起某些特征被遮挡,以及被附有阴影等)。
一些宏观结构往往不用于面部ID感测环境,因为它们的确定性不够。例如,嘴巴会随着情绪和面部表情的变化而明显地改变形状,因此嘴巴往往无法提供确定性的宏观结构测量值。同样,面部图像的大比例结构(如眉毛、额头皱纹、发际线、瞳孔直径等)可能会在一个成像会话中与在另一个成像会话中不同。此外,在面部ID感测环境中选择或剔除一些确定性宏观结构往往会基于测量的容易程度或可靠性。例如,传统的面部ID传感技术可能无法可靠地定位鼻尖,因为该位置可能没有易于识别的特征,或者传统的面部ID传感技术可能无法可靠地定位耳垂端,因为耳垂可能无法可靠地进入成像***的视野范围。
不同的实施方式和实施情景可以产生不同方法来获得确定性宏观结构测量值。当用户相对于成像***转动或倾斜她的头部和/或改变她与成像***的距离时,某些测量值会改变。尽管如此,这种对测量值的影响往往是基本确定的。例如,当头部转动时,每只眼睛与成像***的距离不同,并且相对于成像***具有不同的3D方向;但这些眼对眼的差异往往遵循可预测的数学模式。因此,实施例可以采用额外的计算、归一化、统计处理和/或其他处理来考量对那些测量值的这些和其他类型的影响,而不是仅仅依赖于直接从图像获得的确定性宏观结构测量值。例如,在一些实施方式中,确定性宏观结构测量值包括计算得出的测量值。例如,一种实施方式是测量眼睛之间的距离420和从眼角到鼻子底部的距离425,并且进一步计算测量值420和425的比率作为计算得出的测量值。在一些实施例中,这种计算得出的测量值被用作确定性宏观结构测量值集的一部分。在其他实施例中,这种计算导出的测量值用于校正确定性宏观结构测量值集。例如,预期的确定性宏观结构测量值被认为位于预期的测量平面内,并且用户头部方向或位置的任何变化都会有效地将测量平面的方向和位置改变为成像测量平面的方向和位置(以及用户头部方向或位置的任何变化相应地改变了已获得的确定性宏观结构测量值的位置和方向)。计算得出的测量值可用于在数学上表征成像测量平面的方向和/或位置,以及,计算得出的测量值可用于确定和应用相应的数学变换将已获得的确定性宏观结构测量值重新定位和重新定向到预期测量平面。
如上所述,这种确定性宏观结构测量值仅倾向于产生相对少量的数据点。虽然这种方法可以是相对快速和轻量级的,但可能容易为相似的个人输出假肯定匹配,或者可能容易受到欺骗攻击,比如使用授权用户面部的高分辨率二维图像和/或使用授权用户面部的三维模型进行欺骗。在此描述的实施例利用这种确定性宏观结构测量值来便于获得确定性微观结构测量值。这种确定性的微观结构测量值可能非常难以(例如,实际上不可能)进行欺骗。
根据本文各种实施例,图5示出了说明性的一组成像数据500。该组说明性的成像数据500包括人脸的一部分的高分辨率图像510和多个特征子图像520,每个子图像与相应的确定性微观结构特征区域相关联。该组说明性的成像数据500仅旨在说明实施例的特征,并不旨在限制本文所述的图像类型。例如,尽管该组说明性的成像数据500包括来自成像***的处理后的输出图像,但本文描述的一些实施例依赖于成像数据,该成像数据包括来自图像传感器的原始输出数据(例如,未经色彩校正或以其他方式处理的原始输出数据)。
图像510中所示的“物体”(即人脸的成像部分)包括多种不同类型的可追踪结构。如本文所述,实施例可以使用这些可追踪结构来可靠地定位确定性微观结构特征区域。在一些实施例中,可追踪结构是如图4所示的确定性宏观结构。例如,可追溯结构包括眼睛、耳朵和鼻子。这种确定性宏观结构可以产生确定性可测量的特征位置,例如眼角、眼睛宽度、鼻子宽度等。在一些实施例中,可追踪结构可以包括其他宏观结构,这些宏观结构不一定是确定性的,但仍然可以是用于确定性微观结构特征区域的可靠***。在此类实施例中,例如,可追踪结构可包括眉毛、睫毛、眼睑、鼻孔、嘴唇等。
确定性微观结构可以是成像物体的小尺寸结构,该小尺寸结构从一个成像会话到另一个成像会话保持足够的一致性,有利于面部识别。如果没有额外的图像处理,这种确定性微观结构往往不容易被看到或表征。在一些实施例中,这种确定性微观结构是皮肤纹理特征,例如毛孔图案。值得注意的是,确定性微观结构不包括非确定性特征。例如,雀斑图案可能会随着一个人最近的阳光照射等而随着时间的推移而改变。在一些实施方式中,确定性微观结构可以包括其他类型的小尺寸确定性结构,例如虹膜静脉图案等。然而,一些这样的微观结构,即使是确定性的,仍然可能容易被欺骗。例如,高分辨率照片可能足以捕捉到人眼中的静脉图案以欺骗成像***(例如,与此相反,即使是最高分辨率的照片也可能无法捕捉到皮肤纹理)。如此,一些实施例中,避免使用那些容易被欺骗类型的确定性微观结构实施面部ID感测,或者仅将那些容易被欺骗类型的确定性微观结构和不易受到欺骗的其他类型的确定性微观结构一起使用。
确定性宏观结构可用于以任何合适的方式定位确定性微观结构特征区域。例如,如图所示,确定性宏观结构测量值可用于生成各种网格、距离、角度等,利用这些网格、距离、角度等引导定位到至少一个确定性微观结构特征区域的位置。作为一个示例,已知第一确定性微观结构特征区域位于(例如,基于先前注册)距鼻子底部的一定垂直距离处。在对面部进行成像时,从眼睛之间的中心到下巴的中心计算为垂直参考线;并且沿着该垂直参考线在距鼻子底部的相应距离处可以找到第一确定性微观结构特征区域。这样,与第一确定性微观结构特征区域相对应的第一特征子图像520a可以被定位。作为另一示例,已知第二确定性微观结构特征区域位于参考线和三角形的特定交点相对应的脸颊上的点处。特别是,在对面部进行成像时,三角形形成于鼻子底部中心点、右外眼角和下巴的中心点处;水平参考线穿过鼻子底部中心点并垂直于垂直参考线;第二确定性微观结构特征区域的位置由水平参考线与三角形斜边的交点处得到。这样,与第二确定性微观结构特征区域相对应的第二特征子图像520b可以被定位。
在定位确定性微观结构特征区域之后,可以处理那些区域处相对应的特征子图像520以得到确定性微观结构测量值。图6示出了两个特征子图像的说明性部位的说明性部分色度响应600。特别地,第一色度响应600a由图5的特征子图像520d的部位中得到,特征子图像520d对应于鼻尖周围的特征区域;并且第二色度响应600b是由图5的特征子图像520b的部位中得到,特征子图像520b对应于脸颊周围的特征区域。每个图示的色度响应600是图像亮度曲线图,显示为:在图像传感器阵列的50像素长的行上,相应位置处的色度分量的亮度值(例如,对应光电检测器元件的信号电平)的图形。例如,成像***使用中波长色度分量聚焦(例如使用“绿色”色度响应),并且图上所绘制的值表示成像***的光电二极管阵列的每个像素的红色光电二极管分量的响应幅度。所描述的一些实施例中,不管哪个或哪些颜色分量均可用于聚焦、颜色校正、成像、绘制色度响应图等。例如,某些色度配置选项可以倾向于增加响应幅度、提高对比度和/或以其他方式改善某些感应参数;但是一些实施例仍然可以在大范围的这种彩色配置选项中可靠地运行。
可以从色度响应600获得多种类型的信息。为了获得这样的信息,在实现过程中可以计算统计量以测量亮度曲线斜率的分布规律、亮度曲线谷深度的标准偏差、曲线轮廓谷宽度和/或其他值。例如,在每个图中示出了说明性的亮度曲线谷深度620和说明性的曲线轮廓谷宽度610。谷深度信息可以由图像对比表示,并且可以计算平均谷深度处的平均谷宽度以形成面部结构图。可以在图像的一些或所有部分上生成和分析(即执行计算)这样的图和值。例如,在一些实现过程中,在整个面部图像上计算这样的值,而在其它实现过程中,只在已限定的和已定位的确定性微观结构特征区域内计算这样的值。如上所述,可以根据确定性宏观结构测量值和位置将各种图和值映射到面部位置。在一些实施例中,得到的确定性微观结构的测量值被映射到确定性宏观结构的位置以形成整个面部或面部的一部分的3D图。
可以看出,色度响应图可用于获得(例如,提取、导出、计算等)组织标记。色度响应600中的峰值和谷值的图案示出了确定性微观结构,例如,该确定性微观结构对应于在相应的特征子图像520的相应部位中的皮肤的毛孔和/或其他组织标记。获得和表征这样的组织标记可以支撑某些特征。一个这样的特征是:感测这种组织标记的存在清楚地表明图像物体是具有微观结构图案的3D物体。例如,高分辨率2D照片可能与预先注册的个人的确定性宏观结构相匹配。然而,这样的照片将不包括这样的微观结构,并且照片的成像不会产生这样的组织标记。值得注意的是,这样的特征不依赖于任何特定组织标记的预注册或匹配;只是依赖当前的组织标记。例如,在一个实现过程中,可以使用确定性宏观结构进行面部ID感测,并且可以进一步检测当前的任何组织标记,以确保成像物体不是2D照片或没有组织标记的3D模型。
这种组织标记的另一个用途是判断所获得的组织标记是否是正在被成像的物体的特征。例如,从人脸皮肤图像获得的谷深度620和谷宽度610的测量值的图案和/ 或测量值的范围在大多数人或所有人脸上可能趋于相对一致。因此,在一些实施例中,即使没有任何特定组织标记的预注册或匹配,可以判断已获得的组织标记是否是人脸的特征。例如,一些这样的实施例中,可以使用确定性宏观结构进行面部ID感测,并且可以进一步检测当前的特征组织标记以指示成像物体是真实的人脸(即,不是2D 照片、3D模型、或其他欺骗性物体)。
这种组织标记的另一个用途是判断所获得的组织标记是否是特定的预注册用户的特征。例如,从用户面部的特征子图像520获得的谷深度620和谷宽度610的特定图案或测量值对应于确定性微观结构,该确定性微观结构对于用户实际上是独特的 (例如,足够独特以用于面部识别、用户验证、生物特征认证等)。因此,在一些实施例中可以判断获得的组织标记与被声称正被成像的用户的存档库中(即,预先注册的)组织标记是否相匹配。在这样的实施例中,面部ID感测可以使用确定性宏观结构和确定性微观结构来支持用户身份的认证和欺骗检测。
虽然所示图仅示出了单个色度分量(即,红色)的色度响应图,但是色度信息可以产生额外的信息,该额外的信息可以支持额外的特征。在一些实施例中,单个窄带光的波长用于面部ID感测。例如,选择特定波长使得在各种肤色、色素和其他特征的色度响应中产生鲜明对比。一些实施例可以使用可见光谱内的光。其他实施例可以额外地或替代地使用可见光谱之外的光,例如红外线(例如,近红外线)或其他光谱。在一些实施例中,在多个色度响应中可以通过比较色度响应数据来获得相对和/或绝对深度信息。例如,成像***可以根据绿色色度分量进行聚焦,并且可以为红色和蓝色色度分量生成色度响应图,该红色和蓝色色度分量是从距成像***一定距离处的物体的成像中得到。因为对于不同物距处的不同色度分量,透镜往往具有不同的焦距,由特定特征子图像520的不同色度分量响应所指示的锐度差异可以指示与该特征子图像520对应的确定性微观结构特征区域的相对距离(或,如果已校准则为绝对距离)。该深度信息可用于各种目的,例如帮助确定被图像化的面部的方向和/或位置,以及,帮助找到至少一个绝对参考距离等。
一些实施例可以仅用相对距离测量值来实现。如上所述,一些这样的实施例可以依赖于计算得出的测量值等。例如,在对面部进行成像时,将鼻子底部中心点A、右外眼角B和下巴中心点C记录为2D或3D坐标位置。在这种情况下,所有这些坐标位置都可以被引用到一些已生成图像的参考坐标系,并且所有这些坐标位置可能与绝对测量值没有任何关系。仍然可以根据直线AC生成参考垂直线,与参考垂直线在A点垂直相交可生成参考水平线,三角形ABC可以形成为参考三角形等。在没有任何绝对距离测量的情况下,可以根据参考特征获得确定性微观结构特征区域的位置。例如,确定性微观结构特征区域的预注册位置可以定义为一个向量的末端,该向量以A点为起点,朝着将线BC二等分的某一位置D延伸,并且该向量的末端延伸到1.4倍AD 的距离。
在其他实施例中,可能需要获得至少一个绝对测量值。在一些这样的实施例中,可以使用已校准色微分差来得到至少一个绝对深度测量值。在其他这样的实施例中,可以在参考测量指引的情况下获得测量值(例如,至少在注册期间)。例如,参考测量指引可以是标尺、网格、框架、条形码或任何其他尺寸(对成像***已知的绝对尺寸或其他可由成像***获得的任何尺寸)。在一些实施方式中,参考测量指引被设置在透明基板上,例如被印刷在透明贴纸上的标尺。参考测量指引可以被设置在至少一个位置。例如,一个子集的确定性宏观结构被定义为用于注册和校准,并且在注册过程中参考测量指引(或多个参考测量指引)被设置在对应该子集的确定性宏观结构的这些位置中或这些位置的附近。
图7示出了根据本文各种实施例的用于注册用户的说明性方法700的流程图。在步骤704,激活面部ID注册程序。例如,移动设备的授权用户可以通过在“设置”中选择面部ID注册进行激活面部ID注册,或者在授权用户购买后第一次打开移动设备时激活面部ID注册。在步骤708,相机可以捕捉授权用户面部的一组图像。例如,该组图像可以包括在至少一个成像条件下(例如使用至少一个照明条件、至少一个聚焦条件、至少一个相机、至少一个光圈或其他光学设置以及至少一个方向等)形成的至少一个图像。类似地,在注册过程中可以提示用户从不同角度、不同距离、以不同方式转动头部等捕获用户的图像。在一些实施例中,在步骤708,捕获图像包括提示用户将眼睛集中在一个位置,或者提示用户根据特定指令动作用户的头部、眼睛或其他部位特征。在一些实施例中,步骤708中捕获至少一个图像是在参考测量指引(例如尺子)的情况下获得的。例如,提示用户在成像***的视场中的一个位置上放置至少一个参考测量指引,该位置是与至少一个面部特征(例如,至少一个确定性宏观结构)相关的特定位置,等等。
在步骤712,在实施例中可以处理图像以提取确定性宏观结构(DeterministicMacro-Structure,简称DMAS)测量值。例如,图像处理技术可用于识别大比例的面部特征(如眼睛、鼻子、嘴巴等);并且可以从这些面部特征中获得各种确定性测量值 (例如眼角位置、鼻子宽度、鼻子高度、两眼间距等)。在步骤716,一些或所有的 DMAS测量值可以被存储在与授权用户关联的面部ID数据库中。例如,面部ID数据库可以为至少一个授权用户存储至少一个注册档案,并且可以将DMAS测量值存储在授权用户的注册档案中,该授权用户在步骤704中激活过注册程序。
在步骤720,在实施例中可以进一步处理图像以识别和定位确定性微观结构(Deterministic Micro-Structure,简称DMIS)特征区域。在一些实施例中,图像处理技术被用于识别面部图像区域,该面部图像区域最有可能包括DMIS特征区域,该DMIS 特征区域例如通常是缺乏DMAS或其他可追踪结构的相对较大的皮肤区域(例如,脸颊、前额和鼻子等的皮肤区域)。在这样的实施例中,然后可以基于DMAS测量位置确定每个已识别区域的位置定义。如上所述,在一些实施方式中,该位置定义是定位对应的DMIS特征区域的算法,该算法是基于从DMAS测量值生成的一组参考(例如,参考线、参考多边形等)。在其他实施方式中,可以使用任何其他合适类型的位置定义。例如,位置定义可以为参考坐标平面中的一组坐标,该组坐标可以基于DMAS测量值进行数学变换(例如定位、定向、缩放、倾斜等)。在其他实施例中,注册过程 700用候选位置定义进行预编程,在该候选位置定义处可能找到可识别的DMIS特征区域。在这样的实施例中,然后可以设法使用那些位置定义来识别DMIS特征区域。如上所述,在一些实施方式中,位置定义是定位相应DMIS特征区域的算法,该算法基于从DMAS测量值生成的一组参考(例如,参考线、参考多边形等)。在其他实施方式中,可以使用任何其他合适类型的位置定义。例如,位置定义可以显示为参考坐标平面中的一组坐标,该组坐标可以基于DMAS测量值被数学转换(例如,定位、定向、缩放、倾斜等)。
在步骤724,在实施例中可以基于对应于DMIS特征区域的面部图像中的位置来获得特征子图像,DMIS特征区域已在步骤720被识别。在步骤728,在实施例中,为已被识别的DMIS特征区域的至少一部分,从特征子图像中计算DMIS标记。在一些实施例中,获得步骤724中的特征子图像包括提取在步骤708中捕获的图像的一部分。例如,即使在步骤708中捕获的面部图像可能包括整个面部的成像数据,那些图像中的子图像部分可能仍然具有足够的分辨率来支持步骤728中DMIS标记的计算。在其他实施例中,捕获至少一个附加图像以形成特征子图像。例如,可以使用不同的成像条件(例如不同的聚焦设置、光圈设置、照明设置、变焦设置等)来捕获附加图像以优化特征子图像区域中成像数据的锐度。如上所述,步骤728的计算可以包括统计处理和/或其他图像处理,以识别图像数据中的DMIS组织标记。例如,可以从色度响应数据中提取平均峰高、谷宽和/或其他数据以识别该特征区域中的微组织(例如由毛孔图形等形成的微组织)。
在步骤732,在实施例中可以将在注册过程中获得的各种数据作为授权用户的进一步注册档案数据存储在面部ID数据库中。在一些实施例中,对于(一些或所有 DMIS特征区域中的)每个DMIS特征区域,步骤732中的存储包括存储DMIS特征区域的位置定义,以及为DMIS特征区域计算的至少一个DMIS标记。例如,在完成注册过程700之后,为授权用户存储注册档案,并且注册档案至少包括:(a)一组 DMAS测量值;(b)DMIS特征区域的一组位置定义,其中至少有一些位置定义是基于DMAS测量值生成的;(c)为DMIS特征区域计算的一组DMIS标记。
根据本文各种实施例,图8示出了用于用户验证的说明性方法800的流程图。在步骤804,激活面部ID验证程序。例如,在用户涉及试图(从锁定状态)解锁手机、试图授权移动支付交易、试图授权应用程序的用户凭据等等时,面部ID验证可能由移动设备的声称授权用户激活。如本文所述,面部ID验证可被用于不同的安全级别、不同级别的欺骗检测等。例如,减少用于面部ID验证的数据点数量,减少面部ID验证对DMIS数据的依赖和/或其他因素会显著降低面部ID验证提供的安全性。为此,一些实施例中,以安全性的降低为代价换取增加便利性,例如,通过减少假否定的机会 (例如,这样可减少用户反复无法访问她的设备的挫败感),但相应地增加假肯定的数量(例如,对未经授权的可能验证中的用户给出肯定的验证结果)。同样地,在一些实施例中,可以调整以增加安全性,而不管对便利性的影响。例如,在实施例中可以通过增加用于验证的DMAS的数量和DMIS数据的数量来显著降低假肯定的机会,尽管这种增加可能会产生更令人沮丧的假否定,并且可能会增加与面部ID验证相关的资源负担(例如增加内存、电池、处理器和/或其他资源的负担)。
在步骤808,相机可以捕捉授权用户面部的一组图像。在一些实施例中,可以以与注册过程700的步骤708中基本相同的方式收集该组图像。在其他实施例中,步骤808的图像捕获仅涉及单个或少量的图像帧的快速捕获。例如,步骤708中的成像更加主动(例如,提示用户在多个条件下收集多个图像等),而步骤808的成像是被动地收集成像***的视场中的图像。例如,步骤808的糟糕图像捕获可简单地导致拒绝用户的验证;并且实施例可能重复方法800,直到捕捉到足够的图像数据,使得根据方法800为面部ID验证进行适当的计算等。
在步骤812,实施例中,可以处理图像以提取确定性宏观结构(DeterministicMacro-Structure,简称DMAS)测量值。在一些实施例中,步骤812的执行方式与步骤 712的基本相同。在其他实施例中,步骤812的执行方式是以使用存档DMAS测量值作为指引。在一些这样的实施例中,步骤808的图像可能不是从最佳角度或是在最佳条件下捕获的。因此,步骤812中DMAS测量值的提取可涉及图像预处理,例如调整图像的照明、颜色、比例、偏斜、对比度、旋转或其他参数。在其他这样的实施例中,步骤712的存档DMAS测量值可用于估计一个位置,在该位置在步骤812中可能找到 DMAS测量值。
例如,步骤816的执行可以在步骤812的执行之前、与步骤812的执行同时进行或以其他方式与步骤812的执行相关联,以及在步骤816可以从面部ID注册数据库检索出至少一个注册档案。在一些实施例中,步骤804的激活面部ID验证程序包括识别所声称用户。例如,尝试进行验证的用户已经以某种其他方式(例如通过输入用户名、代码、密码等)验证了自己。在这种情况下,即使多个经过验证的用户在数据库中存储了注册档案,方法800可能只需要检索和使用与试图进行验证的用户相关联的一个方式。在其他实施例中,数据库中可能存储了一个注册档案。
在步骤820,可以执行第一验证步骤,在第一验证步骤中,将在步骤812提取的DMAS测量值与来自步骤712的存档DMAS测量值进行比较。如果步骤820的比较指示匹配,则过程800可以继续进行下一步验证。如果在步骤820的比较指示不匹配,则过程800可以通过在步骤822拒绝验证而结束。不同的实施方式可以以不同的方式考虑匹配。例如,一些实施方式中,当预注册的数据集和新获取的数据集之间的统计相关性高于整个数据集的预定最小阈值时,可以将DMAS测量值视为匹配。在其他实施方式中,每个DMAS测量值或每个DMAS测量值的分组被评估以确定每个 DMAS测量值或每个DMAS测量值的分组是否与来自注册档案的对应数据具有足够高的统计相关性。
在一些实施例中,在步骤820确定是否存在匹配涉及额外的计算和/或处理,该计算和/或处理是:例如将三维变换应用于一个或两个数据集,以及从一个测量基值转换为另一个(例如,从相对值到绝对值,反之亦然)等。在一些实施例中,在步骤820 生成第一级验证判断是基于将整数(N)(例如,20)个验证DMAS测量值与N个对应的档案DMAS测量值进行比较,以确定是否有统计相关性的至少一个阈值量(例如, 95%)。在一些这样的实施例中,N和/或阈值量是可调的。例如,可以提供设置门户,通过该设置门户,已授权用户、管理员、提供商等可以调整要收集和/或使用的DMAS 测量点的数量,和/或调整用来判断匹配的阈值相关值。
如果在步骤820确定存在匹配,则方法800的实施例可以进行到步骤824。在步骤824,在实施例中可以基于对应于DMIS特征区域的面部图像中的位置获得特征子图像。例如,如参考注册方法700所描述的,注册档案可以包括多个DMIS特征区域中的每一个的位置定义。实施例可以将该位置定义应用于在步骤808获得的图像以定位DMIS特征区域,并且相应地可以为那些特征区域获得特征子图像。一些这样的实施例中,至少一个DMIS特征区域中的每个DMIS特征区域的定位是基于将验证 DMAS测量值应用到档案位置定义中的相应一个位置定义。然后每个特征子图像可以通过提取图像数据来获得,该图像数据对应于根据每个DMIS特征区域的定位的该组图像的已定义的多边形像素区域。例如,已定义的多边形像素区域可以包括50像素长的矩形,或任何合适的区域。如在注册过程700的步骤724中,在步骤824获得特征子图像可以包括提取在步骤808中捕捉的图像的一部分,和/或(例如,在不同的成像条件下)捕捉至少一个附加图像。
在步骤828,在实施例中,为已识别的DMIS特征区域的至少一部分从特征子图像中计算DMIS标记。在一些实施例中,步骤828的计算与步骤728的计算基本相同。如本文所述,步骤828的计算可包括统计处理和/或其他图像处理,以识别图像数据中的DMIS组织标记。例如,可以从色度响应数据中提取平均峰高、谷宽和/或其他数据以识别该特征区域中的微组织(例如由毛孔图形等而形成的微组织)。在一些实施例中,步骤828的计算包括:从至少一个特征子图像生成色度响应图,该至少一个特征子图像对应于DMIS特征区域中的相应一个;基于对色度响应图的统计处理,为相应一个DMIS特征区域计算一组峰数据/谷数据(例如,峰高、谷宽、峰间距、峰和 /或谷测量值的平均值等);并且分析峰数据/谷数据以获得至少一个验证DMIS标记,该标记指示相应一个DMIS特征区域的组织标记。
在步骤832,可以执行第二验证步骤,在第二验证步骤中将步骤828导出的 DMIS标记与步骤728的档案DMIS标记进行比较(并存储为注册档案中的一部分)。在一些实施例中,在步骤832生成第二级验证判断可以包括:当验证DMIS标记与档案DMIS标记的匹配为至少一个阈值统计相关级别(例如,95%)时,该验证判断为不拒绝用户的验证;否则,该验证判断为拒绝用户的验证。如果在步骤832的比较指示匹配,则过程800可以通过在步骤836对用户执行验证而结束。如果在步骤832的比较表明不匹配,则过程800可以通过在步骤822拒绝验证而结束。在一些实施例中,步骤832的判断执行方式以与步骤820的类似。在其他实施例中,可以在步骤832中使用不同的参数和/或技术来确定是否存在匹配。
在某些实施方式中,仅当与注册档案数据存在非常高的统计相关性时,才进行调整以在步骤820找到匹配,但是为步骤832的判断设置了较低的阈值。例如,这种调整可以支持这种配置:主要面部ID验证是基于步骤820的判断实现的,并且补充的步骤832的判断用于反欺骗,和/或作为步骤820的判断的第二认证。在其他实施方式中,即使与注册档案数据具有相对较低的统计相关性,可以调整使得在步骤820匹配,但仅当在步骤832与注册档案数据也存在非常高的相关性时才对用户进行验证。例如,这样的调整可以支持这样的配置:步骤820的判断用作快速初始检查(例如,非常轻量级的初始检查等,该初始检查可以作为锁定模式后台进程的一部分连续迭代),并且主要面部ID验证基于步骤832的判断。其他调整可能支持其他情境和特征。在一些实施例中,在步骤820生成第一级验证判断基于将整数(N)个验证DMAS测量值与 N个对应档案DMAS测量值进行比较,以判断是否存在统计相关性的至少一第一阈值幅度;在步骤832生成第二级验证判断基于将整数(M)个验证DMIS标记与M个对应档案DMIS标记进行比较,来判断是否存在统计相关性的至少一第二阈值幅度;以及N、M、第一阈值幅度或第二阈值幅度中的至少一个可由已验证的用户进行调节。在这样的实施例中,N和M可以相等或不等,并且阈值幅度可以相同或不同。
图9示出了根据本文各种实施例的用于访问控制的示例性门控过程900的流程图。例如,用户可以试图访问如在本文中描述的具有集成图像传感器***的智能手机。直到用户根据先前注册的数据成功通过用户面部的生物特征认证,才有权访问被锁定的智能手机。生物特征认证(或验证)通常是指根据先前注册用户的相应生物特征来验证候选用户(或其他对象)的生物特征。生物特征认证可以比所谓的生物特征识别简单得多。例如,生物特征识别可以试图从一般用户群中确定候选用户的身份,例如判断一个指纹与大型指纹数据库中的任何一个的匹配是否达到至少某个阈值置信水平;然而,生物特征认证可以从一组假定的(例如,一个或相对较少数量的)预注册用户开始,并且可以试图判断当前候选用户似乎与该假定的一组用户中的一个的匹配是否达到一阈值置信水平。生物特征访问控制***(如示例智能手机的生物特征访问控制***),通常基于生物特征认证。例如,智能手机(或类似的身份卡、电子门锁等) 可能只与单个授权用户相关联,***的功能是用于判断正在试图访问的候选用户是否 (例如,统计上地)呈现为授权用户。在试图识别候选用户时这样的功能不需要***搜索庞大的数据库。
在预生物特征触发步骤910,在实施例中可以等待检测一个或更多个候选图像,这可以触发进一步的生物特征认证。例如,图像传感器可以连续地、周期性地或以其他方式获得图像。图像可以被动态处理以检测一组图像数据,这些图像数据通常是用于生物特征认证的面部的特征,或者是用于生物特征认证的候选者的其他方面特征。例如,以特定模式(例如,在相对位置、大小等处)检测某些可追踪结构,该特定模式向***显示所捕获的图像是用于生物特征处理的候选人面部图像。在一些实施方式中,该步骤910可以使用各种技术来改进这种可追踪结构的检测。例如,步骤910可以包括基于至少一个参数(例如基于色度分量)来聚焦成像***;和/或步骤910可以包括分析原始图像数据的各个色度分量(例如,包括计算统计分析图像亮度图等);和/或步骤910可以涉及针对参数(例如对比度、光谱反射率、光谱照明不均性、表面透射率等)校正成像数据。
在生物特征认证步骤920,相同和/或不同的可追踪结构用于预注册用户的生物特征认证。在一些实施方式中,步骤910中获得的成像数据足以用于步骤920中的生物特征认证。在其他实施方式中,获得额外的和/或不同的成像数据,例如具有多个色度分量的高清晰度数据。在一些实施例中,步骤920可以涉及对所获得的数据调整大小和/或重新定向,和/或针对大小和/或方向校正所获得的数据。例如,如上所述,某些可追踪结构的尺寸已知,可追踪结构之间的某些距离是已知的。将此类已知信息与获得的信息进行比较可以得到关于成像物体距成像***的距离信息(例如,物体在远离成像***时显得更小),和/或成像物体相对于成像***的方向(例如,当成像物体倾斜时,成像物体的一组可追踪结构以确定性方式倾斜)。在一些实施方式中,成像***的参数也是已知的并且可以应用在步骤920中。例如,尺寸和距离之间的相关性可以是某些透镜参数、聚焦数据等的函数。如上所述,生物特征认证可以基于判断可追踪结构(例如,尺寸、位置、间隔、形状等)是否看起来与已注册对象的可追踪结构相匹配。进一步如上所述,步骤920中的生物特征认证可以附加地或可替代地基于作为已注册用户特征的组织标记。例如,生物特征认证中当前成像数据和预先注册的成像数据之间的匹配可以基于以下部分或全部进行判断:DMAS测量值集;用于定位DMIS特征区域的位置定义集,至少有一些位置定义是基于DMAS测量值生成的;以及为DMIS特征区域计算的DMIS标记集。
一些实施例中,以生物特征认证步骤920的成功通过结束。例如,生物特征认证步骤920的通过触发验证信号的输出,验证信号触发访问控制***使得在步骤940 中允许访问(例如,智能手机解锁)。其他实施例还包括欺骗检测步骤930。例如,步骤920中的生物特征认证的成功通过可以触发欺骗检测步骤930的最后障碍,该障碍也必须在步骤940中的由访问控制***允许访问之前通过。如上所述,这样的欺骗检测步骤930可以使用在生物特征认证步骤920中获得的信息,和/或可以获得任何合适的信息,使得判断候选对象是否在行骗。例如,DMIS标记可以表明用户声称的人脸是真面部还是某种类型的假脸(例如,高分辨率2D照片、蜡或乳胶的面部3D雕塑,戴在人脸上的面具假体等)。
一些实施例可以仅包括流程图900的一个或两个步骤,并且可以以任何顺序执行各个步骤。在一些实施例中,欺骗检测步骤930和生物特征认证步骤920顺序执行。例如,生物特征认证步骤920的成功通过触发欺骗检测步骤930的开始。在其他实施例中,生物特征认证步骤920和欺骗检测步骤930同时执行(即,至少部分并行)。在一些实施例中,一些步骤或所有步骤可以被独立触发。例如,用户可以明确地触发生物特征认证步骤920,使得步骤920不会对步骤910中候选人的成功识别做出响应。类似地,在没有关联生物特征认证步骤920的情况下,用户可以明确地触发欺骗检测步骤 930。例如,可能存在这样的情况:用户希望知道对象是否是欺骗性的,而用户无需判断对象的任何类型的生物特征认证。
图10提供了计算机***1000的一个实施例的示意图,该计算机***1000可以实现各种***部件和/或执行由各种实施例提供的方法的各个步骤。应该注意的是,图10仅意在提供各种部件的概括说明,可以适当地利用其中的任何一个或所有部件进行概括性说明。因此,图10广泛地示出了如何以相对分离或相对更集成的方式实现各个***元件。
示出的计算机***1000包括硬件元件,这些硬件元件可以通过总线1005电耦合(或者这些硬件元件可以通信,视情况而定)。硬件元件可以包括至少一个处理器 1010,包括但不限于至少一个通用处理器和/或至少一个专用处理器(例如数字信号处理芯片、图形加速处理器、视频解码器等)。例如,处理器1010可以实现图2所示的控制和处理模块230。一些实施例包括至少一个输入/输出(I/O)设备1015。在一些实施方式中,I/O设备1015包括人机接口设备,例如按钮、开关、键盘、指示器、显示器等。在其他实施方式中,I/O设备1015包括电路级设备,例如引脚、拨码开关等。在一些实施方式中,计算机***1000被配置成与其他计算机和/或设备接口的服务器计算机,使得I/O设备1015包括各种物理接口和/或逻辑接口(例如,端口等)以便于硬件到硬件的耦合、交互、控制等。在一些实施例中,I/O设备1015实现图2的输出接口250。
计算机***1000还可以包括至少一个非暂时性存储设备1025,和/或,计算机***1000可以与至少一个非暂时性存储设备1025通信。该非暂时性存储设备1025可以包括但不限于本地存储和/或网络可访问存储,和/或,该非暂时性存储设备1025可以包括但不限于磁盘驱动器、驱动器阵列、光学存储设备、固态存储设备,例如随机存取存储器(“RAM”)和/或只读存储器(“ROM”),该非暂时性存储设备1025可以是可编程的、闪存可更新的等等。这样的存储设备被配置成实现任何适当的数据存储,包括但不限于各种文件***、数据库结构等。在一些实施例中,存储设备1025包括图2的面部ID注册数据库240。
计算机***1000还可以包括本文描述的任何其他部件或与本文描述的任何其他部件通信。在一些实施例中,计算机***1000包括成像子***1020。如本文所述,成像子***1020可以包括图2的成像组件210,和/或用于成像的任何其他支持组件。在一些实施例中,计算机***1000包括照明子***1030。照明子***1030可以包括照明源以及任何支持组件,该照明源是用于将正常照明和/或参考照明投射到成像子***1020的视场中的任何合适的照明源。在一些这样的实施例中,照明子***1030包括至少一个照明源以提供参考照明泛光和/或提供至少一种类型的探针照明。一些实施例可以包括附加子***,例如与其他***、网络等通信耦合的通信子***(未示出)。
实施例中,如本文所述,计算机***1000还可包括工作存储器1035,工作存储器1035可包括RAM或ROM设备。如本文所述,计算机***1000还可以包括软件元素,示出的软件元素当前位于工作存储器1035内,软件元素包括操作***1040、设备驱动程序、可执行库和/或其他代码(例如至少一个应用程序1045),软件元素可以包括由各种实施例提供的计算机程序,和/或可以被设计成实施由其他实施例提供的方法和/或配置由其他实施例提供的***。仅作为示例,与本文讨论的方法相关联的至少一个程序可以实现为可由计算机(和/或计算机内的处理器)执行的代码和/或指令;一方面,这样的代码和/或指令可用于配置和/或适配通用计算机(或其他设备)使得可以根据所描述的方法执行至少一个操作。一组这些指令和/或代码可以被存储在非临时性计算机可读存储介质上(例如以上所描述非临时性存储设备1025)。在一些情况下,存储介质可以被并入到计算机***中(例如计算机***1000)。在其他实施例中,存储介质可以独立于计算机***(例如,可移动介质,例如光盘);和/或,存储介质设置在安装包中,使得存储介质可用于使用存储其上的指令/代码对通用计算机进行编程、配置和/或适配。这些指令可以采用可执行代码的形式,该可执行代码可由计算机*** 1000执行;和/或,这些指令可以采用源代码和/或可安装代码的形式,该源代码和/或可安装代码在编译和/或安装在计算机***1000上时(例如,使用各种通用编译器、安装程序、压缩/解压缩实用程序等中的任何一种),然后采用可执行代码的形式。
对本领域技术人员来说显而易见的是,可以根据具体要求做出实质性的变化。例如,也可以使用定制的硬件,和/或可以在硬件、软件(包括便携式软件,例如小应用程序等)或硬件和软件的两者中实现特定元素。此外,可以采用与其他计算设备(例如网络输入/输出设备)的连接件。
如上所述,一方面,一些实施例可以采用计算机***(例如计算机***1000) 来执行根据本申请的各种实施例的方法。根据一组实施例,这些方法的一些或全部过程由计算机***1000响应于处理器1010执行。处理器1010执行具有至少一个指令(指令可并入操作***1040和/或其他代码,例如应用程序1045)的至少一个序列。这些指令存储在工作存储器1035中。可以从另一计算机可读介质(例如至少一个非暂时性存储设备1025)将这些指令读入工作存储器1035中。仅通过示例,执行包含在工作存储器1035中的指令序列可以使得处理器1010执行本文描述的方法的至少一个过程。
如本文所用术语“机器可读介质”、“计算机可读存储介质”和“计算机可读介质”是指参与提供数据的任何介质,这些数据使机器以特定方式操作。这些介质可以是非暂时性的。在一实施例中,是通过使用计算机***1000实现的,各种计算机可读介质可涉及到向处理器1010提供指令/代码以供执行;和/或,各种计算机可读介质可用于存储和/或用于携带这样的指令/代码。在许多实施方式中,计算机可读介质是实体和/或有形存储介质。这种介质可以采用非易失性介质或易失性介质的形式。非易失性介质包括例如光盘和/或磁盘,例如非暂时性存储设备1025。易失性介质包括但不限于动态存储器,例如工作存储器1035。
实体和/或有形计算机可读介质的常见形式包括例如软盘、软磁盘、硬盘、磁带或任何其他磁介质、CD-ROM、任何其他光学介质、任何其他带有标记图案的实体介质、RAM、PROM、EPROM、FLASH-EPROM、任何其他存储芯片或盒式磁带,或计算机可以从中读取指令和/或代码的任何其他介质。各种形式的计算机可读介质可能被涉及到将具有至少一个指令的至少一个序列携带到处理器1010以供执行。仅作为示例,指令最初可以承载在远程计算机的磁盘和/或光盘上。远程计算机可以将指令加载到其动态存储器中并且将指令作为信号通过传输介质进行发送使得被计算机***1000接收和/或执行。
将理解的是,当元件或组件在本文中被称为“连接到”或“耦合到”另一元件或部件时,它可以连接或耦合到另一元件或部件,或也可能存在居间元件或部件。相反,当元件或部件被称为“直接连接到”或“直接耦合到”另一个元件或组件时,它们之间不存在中间元件或组件。应当理解,尽管本文可以使用术语“第一”、“第二”、“第三”等来描述各种元件、部件,但是这些元件、部件、区域不应受这些术语的限制。这些术语仅用于将一个元素、部件与另一个元素、部件区分开来。因此,在不脱离本申请的教导的情况下,下面讨论的第一元件、部件可能被称为第二元件、部件。如本文所用,术语“逻辑低”、“低状态”、“低电平”、“逻辑低电平”、“低”或“0”可互换使用。术语“逻辑高”、“高状态”、“高电平”、“逻辑高电平”、“高”或“1”可互换使用。
如本文所用,术语“一个”和“该”可包括单数和复数参考。可以进一步理解,术语“包括”(“Comprising”或“Including”)、“具有”(“Having”)及其变体在本说明书中使用时,指定所陈述的特征、步骤、操作、元件和/或组件的存在,但不排除一个或更多个其他特征、步骤、操作、元素、部件和/或其组的存在或添加。相反,当在本说明书中使用时,术语“由……组成”(“Consisting of”)指定所述特征、步骤、操作、元素和/或组件,并且排除附加特征、步骤、操作、元素和/或组件。此外,如在此使用的,词语“和/或”可以指代并涵盖至少一个相关联的所列项目的任何可能的组合。
虽然在此参考说明性实施例描述了本申请,但是该描述并不旨在被解释为限制性的。相反,说明性实施例的目的是使本领域技术人员更好地理解本申请的精神。为了不模糊本申请的范围,省略了众所周知的工艺和制造技术的许多细节。在参考描述后,说明性实施例以及其他实施例的各种修改对于本领域技术人员来说将是显而易见的。因此,所附权利要求旨在涵盖任何此类修改。
此外,本申请的优选实施例的一些特征可以在没有其他特征的相应使用的情况下被有利地使用。因此,上述描述应被认为仅是对本申请原理的说明,而不是对其进行限制。本领域技术人员理解上述实施例的变体将落入本申请范围内。因此,本申请不受限于以上讨论的特定实施例和说明,而是由以下权利要求及其等效内容所限制的。
Claims (20)
1.一种基于被动面部成像的用户验证方法,包括:
成像***捕获用户面部的一组图像;
处理所述图像以提取验证确定性宏观结构DMAS测量值;
基于所述验证DMAS测量值与档案DMAS测量值的比较,生成第一级验证判断;
为至少一个确定性微观结构DMIS特征区域中的每一个,基于档案位置定义获得所述至少一个DMIS特征区域的至少一个特征子图像;
根据所述至少一个特征子图像计算至少一个验证DMIS标记;
基于所述验证DMIS标记与为所述至少一个DMIS特征区域中的每一个计算的档案DMIS标记的比较,生成第二级验证判断;以及
输出验证结果,所述验证结果是基于所述第一级验证判断和指示所述用户的验证是被允许还是被拒绝的所述第二级验证。
2.根据权利要求1所述的方法,还包括:
从面部识别数据库中检索注册档案,所述注册档案包括所述档案DMAS测量值、所述至少一个DMIS特征区域中的每一个的所述档案位置定义,以及为所述至少一个DMIS特征区域中的每一个计算的至少一个档案DMIS标记。
3.根据权利要求1所述的方法,其中:
所述第一级验证判断指示是否拒绝对所述用户的验证;以及
仅响应于指示不拒绝所述用户的验证的所述第一级验证判断,所述方法才执行:所述获得所述至少一个DMIS特征区域的至少一个特征子图像、所述计算至少一个验证DMIS标记和所述生成第二级验证判断。
4.根据权利要求1所述的方法,其中:所述生成所述第一级验证判断包括:
基于所述档案DMAS测量值确定注册测量库;
基于所述验证DMAS测量值确定验证测量库;
应用数学转换,使得所述档案DMAS测量值和所述验证DMAS测量值位于共享测量库中;和
将所述验证DMAS测量值与位于所述共享测量库中的档案DMAS测量值进行比较。
5.根据权利要求1所述的方法,其中:所述生成所述第一级验证判断包括:
当所述验证DMAS测量值与所述档案DMAS测量值的匹配达到至少一阈值统计相关级别时,判断为不拒绝所述用户的验证;
否则,判断为拒绝所述用户的验证。
6.根据权利要求1所述的方法,其中:
所述生成所述第一级验证判断是基于将整数(N)个验证DMAS测量值与N个对应档案DMAS测量值进行比较,以判断是否存在至少一统计相关性的阈值幅度;以及
N和/或阈值幅度可由已验证的用户来调整。
7.根据权利要求1所述的方法,其中所述获得所述至少一个特征子图像包括:
定位所述至少一个DMIS特征区域中的每个DMIS特征区域,作为将所述验证DMAS测量值应用到所述档案位置定义中的相应一个的函数;以及
根据所述每个DMIS特征区域的定位,通过提取图像数据获得所述至少一个特征子图像中的每一个,所述图像数据对应于所述图像的已限定的多边形像素区域。
8.根据权利要求1所述的方法,其中,所述根据所述至少一个特征子图像计算所述至少一个验证DMIS标记包括:
根据所述至少一个特征子图像生成色度响应图,所述至少一个特征子图像对应于所述DMIS特征区域中的相应一个;
基于对所述色度响应图的统计处理,为所述DMIS特征区域中的相应一个计算一组峰/谷数据;和
分析所述峰/谷数据以获得所述至少一个验证DMIS标记,以指示所述DMIS特征区域中的相应一个的组织标记。
9.根据权利要求1所述的方法,其中,所述生成所述第二级验证判断包括:
当所述验证DMIS标记与所述档案DMIS标记的匹配达到至少一阈值统计相关级别时,判断为不拒绝所述用户的验证;
否则,判断为拒绝所述用户的验证。
10.根据权利要求1所述的方法,其中:
所述生成所述第一级验证判断基于将整数(N)个验证DMAS测量值与N个对应档案DMAS测量值进行比较,判断是否存在至少一统计相关性的第一阈值幅度;
所述生成所述第二级验证判断基于将整数(M)个验证DMIS标记与M个对应档案DMIS标记进行比较,判断是否存在至少一统计相关性的第二阈值幅度;以及
N、M、第一阈值幅度或第二阈值幅度中的至少一个可由已验证的用户调节。
11.一种基于被动面部成像的用户验证***,包括:
成像相机,用于捕获用户面部的一组图像;
面部识别数据库,所述面部识别数据库存储有:包括档案确定性宏观结构DMAS测量值的注册档案,至少一个确定性微观结构DMIS特征区域的档案位置定义,以及为所述至少一个DMIS特征区域中的每一个计算的至少一个档案DMIS标记;以及
控制和处理模块,所述控制和处理模块具有至少一个处理器和存储器,所述存储器存储有一组指令,当执行所述指令时,所述指令使得所述至少一个处理器在用户验证模式下执行以下操作:
处理所述图像以提取验证确定性宏观结构DMAS测量值;
基于所述验证DMAS测量值与所述档案DMAS测量值的比较,生成第一级验证判断;
为所述至少一个DMIS特征区域中的每一个,基于所述档案位置定义获得至少一个DMIS特征区域的至少一个特征子图像;
根据所述至少一个特征子图像计算至少一个验证DMIS标记;
基于将所述验证DMIS标记与所述档案DMIS标记进行比较,生成第二级验证判断;以及
输出验证结果,所述验证结果是基于所述第一级验证判断和指示用户的验证是被允许还是被拒绝的所述第二级验证。
12.根据权利要求11所述的***,其中,所述指令在执行时使得所述至少一个处理器还在注册模式下执行以下操作:
通过成像相机来直接捕获一组授权用户面部的档案图像;
处理所述档案图像来提取所述档案DMAS测量值,并识别所述至少一个档案DMIS特征区域;
为所述至少一个档案DMIS特征区域的每个档案DMIS特征区域执行如下操作:
基于档案DMAS测量值生成相应的档案位置定义;
从所述档案DMIS特征区域的图像数据获得至少一个相应特征档案子图像;和
从所述至少一个相应特征档案子图像来计算至少一个相应的档案DMIS标记;和
存储至少一些所述档案DMAS测量值、所述档案DMIS特征区域的至少一些相应档案位置定义、以及为所述档案DMIS特征区域计算的至少一些档案DMIS标记,作为授权用户在所述面部识别数据库中的注册档案。
13.根据权利要求11所述的***,其中,
所述第一级验证判断指示是否拒绝用户的验证;和
所述指令在执行时使得所述至少一个处理器执行如下的操作:
获得所述至少一个特征子图像,
计算所述至少一个验证DMIS标记,和
仅响应于指示不拒绝用户的验证的第一级验证判断来生成所述第二级验证。
14.根据权利要求11所述的***,其中,所述指令在执行时使得所述至少一个处理器通过以下方式生成所述第一级验证判断:
基于所述档案DMAS测量值确定注册测量库;
基于所述验证DMAS测量值确定验证测量库;
应用数学变换,使得所述档案DMAS测量值和所述验证DMAS测量值位于共享的测量库中;和
将所述验证DMAS测量值与位于所述共享测量库中的档案DMAS测量值进行比较。
15.根据权利要求11所述的***,其中,所述指令在执行时使得所述至少一个处理器通过以下方式生成所述第一级验证判断:
当所述验证DMAS测量值与所述档案DMAS测量值的匹配达到至少一阈值统计相关级别时,判断为不拒绝所述用户的验证;
否则,判断为拒绝所述用户的验证。
16.根据权利要求11所述的***,其中,所述指令在执行时使得所述至少一个处理器通过以下方式获得所述至少一个特征子图像:
定位所述至少一个DMIS特征区域中的每个DMIS特征区域,作为将所述验证DMAS测量值应用到所述档案位置定义中的相应一个的函数;以及
根据所述每个DMIS特征区域的定位,通过提取图像数据获得所述至少一个特征子图像中的每一个,所述图像数据对应于所述图像的已限定的多边形像素区域。
17.根据权利要求11所述的***,其中,所述指令被执行时使得所述至少一个处理器根据所述至少一个特征子图像通过以下方式计算所述至少一个验证DMIS标记:
根据所述至少一个特征子图像生成色度响应图,所述至少一个特征子图像对应于所述DMIS特征区域的相应一个;
基于对所述色度响应图的统计处理,为DMIS特征区域中的相应一个计算一组峰/谷数据;和
分析所述峰/谷数据来获得所述至少一个验证DMIS标记,以指示所述DMIS特征区域中的相应一个DMIS特征区域的组织标记。
18.据权利要求11所述的***,其中,所述指令在执行时使得所述至少一个处理器通过以下方式生成所述第二级验证判断:
当所述验证DMIS标记与所述档案DMIS标记的匹配达到至少一阈值统计相关级别时,判断为不拒绝所述用户的验证;
否则,判断为拒绝所述用户的验证。
19.据权利要求11所述的***,其中:
所述指令在执行时使得所述至少一个处理器生成所述第一级验证判断,所述生成所述第一级验证判断基于将整数(N)个验证DMAS测量值与N个对应档案DMAS测量值进行比较,判断是否存在至少一统计相关性的第一阈值幅度;
所述指令在执行时使得所述至少一个处理器生成所述第二级验证判断,所述生成所述第二级验证判断基于将整数(M)个验证DMI标记与M个对应档案DMIS标记进行比较,判断是否存在至少一统计相关性的第二阈值幅度;以及
N、M、第一阈值幅度或第二阈值幅度中的至少一个可由已验证的用户调节。
20.据权利要求11所述的***,还包括:
电子访问控制***,所述电子访问控制***包括所述成像相机、所述控制和处理模块、以及集成在所述电子访问控制***中的所述面部识别数据库,
其中,所述电子访问控制***被配置为基于所述验证结果允许或拒绝访问实体资源或电子资源。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/107,803 | 2020-11-30 | ||
US17/107,803 US11544961B2 (en) | 2020-11-30 | 2020-11-30 | Passive three-dimensional face imaging based on macro-structure and micro-structure image sizing |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067383A true CN114067383A (zh) | 2022-02-18 |
Family
ID=80233889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111152506.0A Pending CN114067383A (zh) | 2020-11-30 | 2021-09-29 | 基于宏观结构和微观结构图像尺寸的被动三维面部成像 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11544961B2 (zh) |
CN (1) | CN114067383A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229596A (zh) * | 2013-03-22 | 2016-01-06 | 诺克诺克实验公司 | 高级验证技术和应用 |
CN108293054A (zh) * | 2015-12-15 | 2018-07-17 | 维萨国际服务协会 | 用于使用社交网络的生物测定认证的***和方法 |
WO2020103700A1 (zh) * | 2018-11-21 | 2020-05-28 | 腾讯科技(深圳)有限公司 | 一种基于微表情的图像识别方法、装置以及相关设备 |
CN111311634A (zh) * | 2020-01-23 | 2020-06-19 | 支付宝实验室(新加坡)有限公司 | 一种人脸图像检测方法、装置及设备 |
US20200293644A1 (en) * | 2014-08-28 | 2020-09-17 | Facetec, Inc. | Method and system to verify identity |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9118488B2 (en) * | 2010-06-17 | 2015-08-25 | Aliphcom | System and method for controlling access to network services using biometric authentication |
US9607138B1 (en) * | 2013-12-18 | 2017-03-28 | Amazon Technologies, Inc. | User authentication and verification through video analysis |
US9684778B2 (en) * | 2013-12-28 | 2017-06-20 | Intel Corporation | Extending user authentication across a trust group of smart devices |
US10762183B1 (en) * | 2017-04-24 | 2020-09-01 | Architecture Technology Corporation | Secure authentication using biometric factors |
US10812479B2 (en) * | 2018-12-05 | 2020-10-20 | Fiserv, Inc. | Authenticating a user via multiple biometric inputs |
US11188628B2 (en) * | 2019-10-11 | 2021-11-30 | Accenture Global Solutions Limited | Biometric challenge-response authentication |
-
2020
- 2020-11-30 US US17/107,803 patent/US11544961B2/en active Active
-
2021
- 2021-09-29 CN CN202111152506.0A patent/CN114067383A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229596A (zh) * | 2013-03-22 | 2016-01-06 | 诺克诺克实验公司 | 高级验证技术和应用 |
US20200293644A1 (en) * | 2014-08-28 | 2020-09-17 | Facetec, Inc. | Method and system to verify identity |
CN108293054A (zh) * | 2015-12-15 | 2018-07-17 | 维萨国际服务协会 | 用于使用社交网络的生物测定认证的***和方法 |
WO2020103700A1 (zh) * | 2018-11-21 | 2020-05-28 | 腾讯科技(深圳)有限公司 | 一种基于微表情的图像识别方法、装置以及相关设备 |
CN111311634A (zh) * | 2020-01-23 | 2020-06-19 | 支付宝实验室(新加坡)有限公司 | 一种人脸图像检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
US11544961B2 (en) | 2023-01-03 |
US20220171958A1 (en) | 2022-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288504B2 (en) | Iris liveness detection for mobile devices | |
US11188734B2 (en) | Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices | |
US9361507B1 (en) | Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices | |
JP7269711B2 (ja) | 生体認証システム、生体認証方法およびプログラム | |
KR101810190B1 (ko) | 얼굴 인식을 이용한 사용자 인증 방법 및 그 장치 | |
US10885171B2 (en) | Authentication verification using soft biometric traits | |
KR20190060671A (ko) | 홍채 인식 기반 사용자 인증 장치 및 방법 | |
KR101724971B1 (ko) | 광각 카메라를 이용한 얼굴 인식 시스템 및 그를 이용한 얼굴 인식 방법 | |
JP6396357B2 (ja) | 顔画像認証装置 | |
Ebihara et al. | Specular-and diffuse-reflection-based face spoofing detection for mobile devices | |
JP7269897B2 (ja) | データ登録装置、生体認証装置、およびデータ登録プログラム | |
US11544961B2 (en) | Passive three-dimensional face imaging based on macro-structure and micro-structure image sizing | |
KR102570071B1 (ko) | 라이브니스 검사 방법 및 장치, 얼굴 인증 방법 및 장치 | |
EP3724815B1 (en) | Anti-spoofing face id sensing based on retro-reflection | |
KR102483647B1 (ko) | 라이브니스 검증 방법 및 장치 | |
US11830284B2 (en) | Passive three-dimensional object authentication based on image sizing | |
KR101718244B1 (ko) | 얼굴 인식을 위한 광각 영상 처리 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |