CN115668311A - 认证方法、认证程序以及信息处理装置 - Google Patents
认证方法、认证程序以及信息处理装置 Download PDFInfo
- Publication number
- CN115668311A CN115668311A CN202080101186.3A CN202080101186A CN115668311A CN 115668311 A CN115668311 A CN 115668311A CN 202080101186 A CN202080101186 A CN 202080101186A CN 115668311 A CN115668311 A CN 115668311A
- Authority
- CN
- China
- Prior art keywords
- similarity
- feature
- feature points
- feature point
- authentication
- 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
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Collating Specific Patterns (AREA)
Abstract
在认证方法中,由计算机执行如下处理:从生物体的拍摄数据提取上述生物体的多个特征点各自的特征量,计算提取出的上述多个特征点各自的特征量与同分别对应于上述多个特征点的特征点建立对应地存储于存储部的特征量之间的相似度,参照将表示应用于相似度的权重的权重信息与上述相似度建立对应地存储的存储部,获取与计算出的上述相似度建立对应的权重信息,基于通过对计算出的上述相似度应用获取到的上述权重信息而新生成的相似度,进行上述生物体的认证处理。
Description
技术领域
本发明涉及认证方法、认证程序以及信息处理装置。
背景技术
近年来,公开了利用指纹或者静脉图案等生物体信息来认证个人的技术。为了提高认证精度,公开了从拍摄图像确定掌纹等,对掌纹存在的部分减小认证的权重的方法(例如,参照专利文献1)。
专利文献1:日本特开2015-129997号公报
然而,为了确定掌纹而计算负荷变大。因此,若想要以小的计算负荷确定掌纹,则确定精度降低,结果是认证精度也降低。
发明内容
在一个方面,本发明的目的在于提供一种能够提高认证精度的认证方法、认证程序以及信息处理装置。
在一个方式中,在认证方法中,由计算机执行如下处理:从生物体的拍摄数据提取上述生物体的多个特征点各自的特征量,计算提取出的上述多个特征点各自的特征量与同分别对应于上述多个特征点的特征点建立对应地存储于存储部的特征量之间的相似度,参照将表示应用于相似度的权重的权重信息与上述相似度建立对应地存储的存储部,获取与计算出的上述相似度建立对应的权重信息,基于通过对计算出的上述相似度应用获取到的上述权重信息而新生成的相似度,进行上述生物体的认证处理。
能够提高认证精度。
附图说明
图1是例示特征点的图。
图2是例示永久特征的图。
图3是例示永久特征的图。
图4是例示永久特征的图。
图5是例示永久特征的图。
图6是例示特征点分数的出现频率的图。
图7的(a)以及(b)是例示受到永久特征的影响的情况下的本人对的特征点分数分布的图。
图8的(a)以及(b)是例示受到永久特征的影响的情况下的他人对的特征点分数分布的图。
图9是例示本人对的特征点分数分布与他人对的特征点分数分布的重叠的图。
图10是例示本人对的特征点分数分布与他人对的特征点分数分布的重叠的图。
图11是例示信息处理装置的整体结构的框图。
图12是表示生物体登记处理的一个例子的流程图。
图13是表示生物体认证处理的一个例子的流程图。
图14是例示权重系数w(si)的图。
图15是例示权重系数的决定过程的图。
图16是例示硬件结构的图。
具体实施方式
在现代社会中,在各种情景中需要本人确认。作为精度良好地进行本人确认的一个方法,使用指纹图案、静脉图案、面部图像等人体的一部分特征的生物体认证技术近年来逐渐推广。
例如,若对手掌照射近红外线而拍摄近红外波长区域的图像,则能够拍摄手掌的皮下的静脉映成黑色的图像。能够从该图像提取像网眼那样在手掌中流动的静脉的图案信息。静脉图案信息在所有人中不同。因此,在需要个人认证的各种场面中计算由传感器获取到的静脉图案与预先记录于数据库、IC卡等的登记数据之间的相似度,从而能够用于本人确认等的用途。生物体认证技术在向只有被允许的人能够进入的限制区域的出入口的可否判定、向个人计算机的登录判定、对在线交易中的利用者确认等各种服务的访问的可否等中已经广泛被利用。
在生物体认证中,使用相机等传感器获取利用者的生物体信息,将获取到的生物体信息转换为能够对照的生物体特征量并生成对照数据,与登记数据进行对照。例如,在使用特征点的生物体认证方式中,从由传感器获取到的生物体部位的图像等中选择多个适于生物体认证的特征点,提取所选择的每个特征点的生物体特征量,通过对照该每个特征点的生物体特征量来进行本人确认。
通过按在对照数据和登记数据中对应的每个特征点对照生物体特征量,求出相似度分数(以下,将其称为特征点分数),进一步综合多个特征点的特征点分数。将综合后的特征点分数在以下称为总计对照分数。通过判定总计对照分数是否大于预先决定的本人判定阈值,能够进行本人确认。
图1是例示特征点的图。在图1的例子中,着眼于指纹中出现的特征点。对于指纹,能够使用分支点等特征点中的生物体特征量(分支的朝向、分支数等)。如图1所例示,在登记数据中的各特征点与在对照时所生成的对照数据中对应的各特征点之间,计算生物体特征量的相似度分数(特征点分数)。
例如将分别对照N个特征点而得到的特征点分数作为si,通过下述式(1)来求出总计对照分数。将从登记/对照的各生物体图像提取的N个特征点建立对应,按建立对应的每个特征点对计算特征点分数s_i,求出各特征点对的特征点分数的平均,作为总计对照分数。针对每个特征点,相似度的变动具有幅度,因此计算取多个特征点的特征点分数的平均的总计对照分数,将其用于本人判定。由此,本人判定结果稳定。
[式1]
为了通过生物体认证精度良好地实施本人判定,理想的是各特征点的生物体特征量是个人固有的值。通常,在生物体认证中,每次生物体传感器获取生物体信息时会产生一些波动,因此即使是本人,也未必能获得完全相同的生物体特征量。然而,如果各特征点的生物体特征量是个人固有的值,则即使产生一些值的波动,在本人的情况下,生物体特征量非常相似,因此特征点分数变高,在他人的情况下,生物体特征量不相似,因此特征点分数变低。
然而,有“与本人、他人无关地在生物体传感器获取的生物体信息中共同检测出的特征(以下,称为永久特征)”包含于对照数据中的情况。该情况下,由于永久特征的影响,存在对照数据的生物体特征量与他人的登记数据的生物体特征量相似,而特征点分数变高的情况。
在通过综合了特征点的特征点分数的总计对照分数进行本人的判别的现有方式中,永久特征的影响也波及到总计对照分数。该情况下,有对照数据与他人的登记数据的总计对照分数变高,错误地判定为是本人的认证错误概率变高,认证精度降低之虞。为了提高生物体认证的精度,在本人判定时,期望减少永久特征的影响,抑制认证精度降低。
作为与本人、他人无关地很多人共同的永久特征的例子,有很多人共同具有的特征、例如生物体表面的皱纹等。例如,如图2所例示那样,在由生物体传感器检测到皱纹的情况下,存在在本人和他人中皱纹相似的情况。该情况下,存在检测到的皱纹的附近的特征点的特征点分数与是本人还是他人无关地变高的情况。
作为永久特征的其它的例子,有生物体传感器的损伤、污垢等。如图3所例示那样,在传感器有损伤、污垢的情况下,与本人、他人无关,存在损伤、污垢的部分的外观相似的情况。该情况下,存在检测到的损伤、污垢的附近的特征点的特征点分数与是本人还是他人无关地变高的情况。
作为永久特征的其它的例子,有因照明的反射等环境的影响产生的特征。如图4所例示那样,在由于照明的反射等而使特定的部分始终明亮拍摄的情况下,存在与本人、他人无关,明亮拍摄的部分的外观相似的情况。该情况下,存在看起来明亮的部分的特征点的特征点分数与是本人还是他人无关地变高的情况。
作为永久特征的其它的例子,还列举出掌纹(生命线等)。掌纹因每个人而不同,因此也考虑作为生物体特征来使用。然而,即使是他人彼此,也有掌纹相似的情况,因此不一定适于生物体认证。如图5所例示那样,即使是他人彼此,也有掌纹相似的情况。该情况下,存在掌纹附近的特征点的特征点分数与是本人还是他人无关地变高的情况。
因此,为了提高认证精度,考虑在每次本人确认时从拍摄图像提取并确定掌纹等永久特征,对永久特征存在的部分减小认证的权重的方法。然而,在每次本人确认时为了确定永久特征而计算负荷变大。因此,若想要以小的计算负荷确定永久特征,则确定精度降低,结果是认证精度也降低。
因此,在以下的实施例中,对能够抑制计算负荷并提高认证精度的信息处理装置、认证方法以及认证程序进行说明。
实施例1
首先,在永久特征的影响小的情况下,若将分别对照在登记数据与对照数据之间对应的特征点而得到的特征点分数的出现频率形成图表,则变成图6那样。本人对的分数分布是对照对照数据与本人的登记数据时的特征点分数的频率分布。他人对的分数分布是对照对照数据与他人的登记数据时的特征点分数的频率分布。
如图6所例示那样,本人对的特征点分数的频率分布大多分布在特征点分数大的范围内。他人对的特征点分数的频率分布大多分布在特征点分数小的范围内。虽然本人对的特征点分数的频率分布与他人对的特征点分数的频率分布在一部分重复,但在该重复部分,他人对的特征点分数的出现频率变低。由此,本人对的特征点分数的频率分布与他人对的特征点分数的频率分布的分离度变高。通过该特性,取多个特征点分数的平均的总计对照分数也在本人对变大,在他人对变小,因此通过观察总计对照分数的大小,能够判别本人和他人。
与此相对,对于永久特征的影响大的情况下的特征点分数在下面进行叙述。首先,对本人对的特征点分数分布进行说明。如图7的(a)所例示那样,永久特征的影响小的特征点的分数分布成为与图6相同的分布。永久特征的影响大的特征点的总数本身少。然而,永久特征在每次生物体传感器获取生物体信息时拍摄得相同,因此对照永久特征的影响大的特征点而得到的特征点分数比通常大。根据以上,若综合本人对的特征点分数,则成为图7的(b)那样的频率分布。
接下来,对他人对的特征点分数分布进行说明。如图8的(a)所例示那样,永久特征的影响小的特征点的分数分布成为与图6相同的分布。永久特征的影响大的特征点的总数本身少。然而,永久特征在每次生物体传感器获取生物体信息时拍摄得相同,因此对照永久特征的影响大的特征点而得到的特征点分数比通常大。根据以上,若综合他人对的特征点分数,则成为图8的(b)那样的频率分布。即,他人对的特征点分数在特征点分数比较高的区域中出现频率变高。
如图9那样,由于永久特征的影响,在本人对的特征点分数分布与他人对的特征点分数分布重复的部分,他人对的特征点分数的出现频率变高。由此,本人对的特征点分数分布与他人对的特征点分数分布的差异变小,本人对的特征点分数分布与他人对的特征点分数分布的分离度下降。对于取多个特征点分数的平均的总计对照分数而言,本人对与他人对的特征点分数的差异也变小,本人对与他人对的分离度也下降。错误地将他人判定为本人的错误概率增大,认证精度劣化。
对于该分数分布的特性,如图10所例示那样,着眼于本人对的特征点分数分布与他人对的特征点分数分布重复的区域。由于永久特征的影响,本人对的特征点分数分布与他人对的特征点分数分布重复的分数区域的分离度恶化,因此根据由于永久特征的影响而分数分布变化的比例,对特征点分数附加权重,以对其进行补偿,从而提高认证精度。即,预先决定权重系数,使得图9所例示那样的永久特征的影响大的情况下的特征点分数分布接近图6所例示那样的永久特征的影响小的情况下的特征点分数分布。
图11是例示本实施例的信息处理装置100的整体结构的框图。如图11所例示,信息处理装置100具备生物体传感器10、特征点提取部20、特征量提取部30、建立对应部40、特征点分数计算部50、总计分数计算部60、认证部70、显示装置80以及储存部90等。
生物体传感器10是能够获取生物体图像的图像传感器等。例如,生物体传感器10在为指纹传感器的情况下,是获取与读取面接触地配置的1根以上的手指的指纹的传感器且是利用光获取指纹的光学传感器、利用静电电容的差异获取指纹的静电电容传感器等。生物体传感器10在为静脉传感器的情况下,是以非接触的方式获取手掌静脉的传感器,例如,使用向人体的透过性高的近红外线来拍摄手掌的皮下的静脉。静脉传感器例如具备CMOS(Complementary Metal Oxide Semiconductor:互补金属氧化物半导体)相机等。另外,也可以设置有照射包含近红外线的光的照明等。显示装置80是用于显示基于信息处理装置100的各处理的结果等的装置,是液晶显示器等。
(生物体登记处理)
图12是表示生物体登记处理的一个例子的流程图。生物体登记处理是在用户预先登记登记数据时进行的处理。如图12所例示那样,生物体传感器10拍摄生物体图像(步骤S1)。接下来,特征点提取部20从在步骤S1中拍摄到的生物体图像提取多个特征点(步骤S2)。接下来,特征量提取部30提取在步骤S2中提取出的各特征点的特征量,并作为登记数据储存于储存部90(步骤S3)。通过以上的处理,能够预先登记登记数据。
(生物体认证处理)
图13是表示生物体认证处理的一个例子的流程图。生物体认证处理是在需要本人确认的场面进行的处理。如图13所例示那样,生物体传感器10拍摄生物体图像(步骤S11)。接下来,特征点提取部20从在步骤S11中拍摄到的生物体图像提取多个特征点(步骤S12)。接下来,特征量提取部30提取在步骤S12中提取出的各特征点的特征量,生成对照数据(步骤S13)。
接下来,建立对应部40将储存于储存部90的登记数据的各特征点和对照数据的各特征点建立对应(步骤S14)。建立对应部40也可以通过对对照数据以及登记数据中的至少任一方实施仿射变换进行对位,来提高建立对应精度。接下来,特征点分数计算部50对在步骤S14中建立对应的各特征点对计算特征点分数(步骤S15)。
接下来,总计分数计算部60参照储存于储存部90的权重系数,对全部特征点对的特征点分数进行加权,计算总计对照分数(步骤S16)。总计对照分数能够如下述式(2)那样来表示。在下述式(2)中,N是特征点对的数量。si是特征点i(1≤i≤N)的特征点分数。w(si)是应用于特征点i的权重系数(0≤w(si)≤1)。
[式2]
在总计对照分数中,权重根据特征点分数的值而变化。权重系数w(si)是针对特征点分数的值而确定,并且减轻永久特征的影响大的特征点分数的影响的权重系数。因此,在本实施例中,在永久特征的影响小的特征点分数的值的范围内,将权重系数w(si)设为“1”。在永久特征的影响大的特征点分数的值的范围内,将权重系数w(si)设为比“1”小的值。
关于对特征点分数应用怎样的权重系数的值,通过预先实验性地评价永久特征的影响,决定消除永久特征的影响那样的值即可。也可以将特征点分数作为输入,制成计算权重系数那样的算式,使用该算式。也可以通过表格参照,从特征点分数导出权重系数。
图14是例示权重系数w(si)的图。如图14所例示那样,权重系数w(si)被决定为在特征点分数小的情况下大,随着特征点分数变大而变小,进一步随着特征点分数变大而变大。例如,权重系数w(si)在特征点分数小的范围内为“1”,在永久特征的影响大的特征点分数的值的范围内比“1”小,在特征点分数大的范围内还是“1”。
接下来,认证部70判定总计对照分数是否为阈值以上(步骤S17)。显示装置80显示步骤S17的判定结果(步骤S18)。
根据本实施例,针对在对照数据与登记数据之间建立对应的每个特征点对计算特征点分数,与特征点分数建立对应的权重系数应用于特征点分数,基于新生成的特征点分数进行生物体认证处理。永久特征的影响变小那样的权重系数预先储存于储存部90,因此在生物体认证处理时省略确定永久特征的处理。由此,能够抑制计算负荷,并且提高认证精度。
另外,根据本实施例,在对照数据与本人的登记数据的对照时,对于本人对的特征点分数分布与他人对的特征点分数分布重复的中程度的特征点分数,权重也变小,总计对照分数也降低。然而,在对照数据与本人的登记数据的对照的情况下,中程度的特征点分数中的出现频率变低,因此即使权重变小,总计对照分数的降低程度也变小。由此,能够减小对认证精度的影响。
对权重系数的决定过程的例子进行说明。(1)首先,准备没有永久特征的影响的理想的数据。例如,在不存在永久特征的理想的环境中,实际采取用户的生物体信息。或者,人工制成通过手工作业、人工智能排除了永久特征的影响后的生物体信息。(2)接下来,在实际运用的环境等中采取有永久特征的影响的数据。(3)接下来,通过比较(1)和(2)的特征点分数的出现频率分布,计算权重系数。
例如,如图15所例示那样,针对每个特征点分数,获取(1)和(2)的出现频率。将分数s处的(1)的出现频率设为p1(s),将分数s处的(2)的出现频率设为p2(s)。该情况下,能够将分数s处的权重系数w(s)表示为p1(s)/p2(s)。
也可以在权重系数的决定中反映特征点的坐标。例如,在永久特征产生的位置(生物体图像中的坐标)偏于特定的坐标的情况下,在权重系数的计算中追加特征点的坐标作为参数。特征点坐标预先被标准化为不依赖于生物体图像的拍摄状况的标准的坐标,使得即使生物体图像不同也能够进行坐标比较。例如,假定皱纹等始终出现在相同的位置的情况等。此时的总计对照分数的计算式成为下述式(3)那样。在下述式(3)中,N是特征点的数量。si是特征点i的特征点分数。(xi,yi)是特征点i的坐标。w(si,xi,yi)是应用于特征点i的权重(0≤w(si,xi,yi)≤1)。
[式3]
并且,在永久特征的影响概率依赖于坐标能够表示为p(x,y),与特征点分数相应的权重的关系不依赖于坐标而仅依赖于特征点分数且能够表示为w_0(s)的情况下,权重系数w的计算式能够如下述式(4)那样来表示。总计对照分数能够如下述式(5)那样来表示。
[式4]
w(si,xi,yi)=w0(si)×p(xi,yi)
[式5]
(硬件结构)
图16是例示信息处理装置100的特征点提取部20、特征量提取部30、建立对应部40、特征点分数计算部50、总计分数计算部60、认证部70以及储存部90的硬件结构的框图。如图16所例示,信息处理装置100具备CPU101、RAM102、存储装置103、接口104等。
CPU(Central Processing Unit:中央处理器)101是中央运算处理装置。CPU101包含一个以上的核心。RAM(Random Access Memory:随机存取存储器)102是暂时存储CPU101执行的程序、CPU101处理的数据等的易失性存储器。存储装置103是非易失性存储装置。作为存储装置103,例如能够使用ROM(Read Only Memory:只读存储器)、闪存等固态驱动器(SSD)、由硬盘驱动器驱动的硬盘等。存储装置103存储认证程序。接口104是与外部设备的接口装置。通过CPU101执行认证程序,来实现信息处理装置100的特征点提取部20、特征量提取部30、建立对应部40、特征点分数计算部50、总计分数计算部60、认证部70以及储存部90。此外,作为特征点提取部20、特征量提取部30、建立对应部40、特征点分数计算部50、总计分数计算部60、认证部70以及储存部90,也可以使用专用的电路等硬件。
在上述例子中,也可以在通过ID的输入等确定了对照对象的登记数据之后,对照对照数据与登记数据(1∶1认证)。或者,也可以不确定对照对象的登记数据,对照对照数据与全部登记数据(1∶N认证)。在1∶N认证的情况下,如果最高的一致度为阈值以上,则对照对象的用户和该登记数据的用户一致,成为对照成功。
在上述例子中,特征量提取部30是从生物体的拍摄数据提取上述生物体的多个特征点各自的特征量的提取部的一个例子。特征点分数计算部50是计算上述提取部提取出的上述多个特征点各自的特征量与同分别对应于上述多个特征点的特征点建立对应地存储于存储部的特征量之间的相似度的计算部的一个例子。总计分数计算部60以及认证部70是参照将表示应用于相似度的权重的权重信息与上述相似度建立对应地存储的存储部,获取与计算出的上述相似度建立对应的权重信息,并且基于通过对上述计算部计算出的上述相似度应用获取到的上述权重信息而新生成的相似度,进行上述生物体的认证处理的认证处理部的一个例子。储存部90是存储部的一个例子。图6的特征点分数分布是通过使用了在本人他人共同存在的特征的影响小的状况下获取到的拍摄数据的对照而得到的上述相似度的第一频率分布的一个例子。图9的特征点分数分布是通过使用了在与本人他人无关地共同存在的上述特征的影响大的状况下获取到的拍摄数据的对照而得到的上述相似度的第二频率分布的一个例子。
以上,对本发明的实施例进行了详述,但本发明并不限定于上述的特定的实施例,能够在权利要求书所记载的本发明的主旨的范围内进行各种变形、变更。
附图标记说明:10…生物体传感器;20…特征点提取部;30…特征量提取部;40…建立对应部;50…特征点分数计算部;60…总计分数计算部;70…认证部;80…显示装置;90…储存部;100…信息处理装置。
Claims (15)
1.一种认证方法,其特征在于,由计算机执行如下处理:
从生物体的拍摄数据提取所述生物体的多个特征点各自的特征量,
计算提取出的所述多个特征点各自的特征量与同分别对应于所述多个特征点的特征点建立对应地存储于存储部的特征量之间的相似度,
参照将表示应用于相似度的权重的权重信息与所述相似度建立对应地存储的存储部,获取与计算出的所述相似度建立对应的权重信息,
基于通过对计算出的所述相似度应用获取到的所述权重信息而新生成的相似度,进行所述生物体的认证处理。
2.根据权利要求1所述的认证方法,其特征在于,
所述权重系数是按照如下方式决定的值:在由生物体传感器获取生物体信息时,对通过使用了在本人他人共同存在的特征的影响小的状况下获取到的拍摄数据的对照而得到的所述相似度的第一频率分布、和通过使用了在与本人他人无关地共同存在的所述特征的影响大的状况下获取到的拍摄数据的对照而得到的所述相似度的第二频率分布进行比较,并使所述第二频率分布接近所述第一频率分布。
3.根据权利要求1或2所述的认证方法,其特征在于,
本人他人共同存在的所述特征是掌纹,
所述特征点是手掌的静脉图案的特征点。
4.根据权利要求1~3中任意一项所述的认证方法,其特征在于,
由所述计算机执行如下处理:使用所述相似度的值以及计算出该相似度的特征点在拍摄图像中的标准化坐标,根据所述标准化坐标使权重系数的值变化。
5.根据权利要求1~4中任意一项所述的认证方法,其特征在于,
所述权重系数被决定为:在多个特征点的所述相似度小的情况下大,随着所述相似度变大而变小,进一步随着所述相似度变大而变大。
6.一种信息处理装置,其特征在于,具备:
提取部,从生物体的拍摄数据提取所述生物体的多个特征点各自的特征量;
计算部,计算所述提取部提取出的所述多个特征点各自的特征量与同分别对应于所述多个特征点的特征点建立对应地存储于存储部的特征量之间的相似度;以及
认证处理部,参照将表示应用于相似度的权重的权重信息与所述相似度建立对应地存储的存储部,获取与计算出的所述相似度建立对应的权重信息,并且基于通过对所述计算部计算出的所述相似度应用获取到的所述权重信息而新生成的相似度,进行所述生物体的认证处理。
7.根据权利要求6所述的信息处理装置,其特征在于,
所述权重系数是按照如下方式决定的值:在由生物体传感器获取生物体信息时,对通过使用了在本人他人共同存在的特征的影响小的状况下获取到的拍摄数据的对照而得到的所述相似度的第一频率分布、和通过使用了在与本人他人无关地共同存在的所述特征的影响大的状况下获取到的拍摄数据的对照而得到的所述相似度的第二频率分布进行比较,并使所述第二频率分布接近所述第一频率分布。
8.根据权利要求6或7所述的信息处理装置,其特征在于,
本人他人共同存在的所述特征是掌纹,
所述特征点是手掌的静脉图案的特征点。
9.根据权利要求6~8中任意一项所述的信息处理装置,其特征在于,
所述认证处理部使用所述相似度的值以及计算出该相似度的特征点在拍摄图像中的标准化坐标,根据所述标准化坐标使权重系数的值变化。
10.根据权利要求6~9中任意一项所述的信息处理装置,其特征在于,
所述权重系数被决定为:在多个特征点的所述相似度小的情况下大,随着所述相似度变大而变小,进一步随着所述相似度变大而变大。
11.一种认证程序,其特征在于,使计算机执行:
从生物体的拍摄数据提取所述生物体的多个特征点各自的特征量的处理;
计算提取出的所述多个特征点各自的特征量与同分别对应于所述多个特征点的特征点建立对应地存储于存储部的特征量之间的相似度的处理;
参照将表示应用于相似度的权重的权重信息与所述相似度建立对应地存储的存储部,获取与计算出的所述相似度建立对应的权重信息的处理;以及
基于通过对计算出的所述相似度应用获取到的所述权重信息而新生成的相似度,进行所述生物体的认证处理的处理。
12.根据权利要求11所述的认证程序,其特征在于,
所述权重系数是按照如下方式决定的值:在由生物体传感器获取生物体信息时,对通过使用了在本人他人共同存在的特征的影响小的状况下获取到的拍摄数据的对照而得到的所述相似度的第一频率分布、和通过使用了在与本人他人无关地共同存在的所述特征的影响大的状况下获取到的拍摄数据的对照而得到的所述相似度的第二频率分布进行比较,并使所述第二频率分布接近所述第一频率分布。
13.根据权利要求11或12所述的认证程序,其特征在于,
本人他人共同存在的所述特征是掌纹,
所述特征点是手掌的静脉图案的特征点。
14.根据权利要求11~13中任意一项所述的认证程序,其特征在于,
使所述计算机执行如下处理:使用所述相似度的值以及计算出该相似度的特征点在拍摄图像中的标准化坐标,根据所述标准化坐标使权重系数的值变化。
15.根据权利要求11~14中任意一项所述的认证程序,其特征在于,
所述权重系数被决定为:在多个特征点的所述相似度小的情况下大,随着所述相似度变大而变小,进一步随着所述相似度变大而变大。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/023056 WO2021250858A1 (ja) | 2020-06-11 | 2020-06-11 | 認証方法、認証プログラム、および情報処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115668311A true CN115668311A (zh) | 2023-01-31 |
Family
ID=78847064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080101186.3A Pending CN115668311A (zh) | 2020-06-11 | 2020-06-11 | 认证方法、认证程序以及信息处理装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230070660A1 (zh) |
EP (1) | EP4167179A4 (zh) |
JP (1) | JP7315884B2 (zh) |
CN (1) | CN115668311A (zh) |
WO (1) | WO2021250858A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023242899A1 (ja) * | 2022-06-13 | 2023-12-21 | 富士通株式会社 | 類似度算出方法、類似度算出プログラム、および類似度算出装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07220075A (ja) * | 1994-02-07 | 1995-08-18 | Sharp Corp | 指紋識別装置 |
JP2010129045A (ja) * | 2008-12-01 | 2010-06-10 | Mitsubishi Electric Corp | 生体認証装置 |
WO2010106644A1 (ja) * | 2009-03-17 | 2010-09-23 | 富士通株式会社 | データ照合装置およびプログラム |
WO2011061862A1 (ja) * | 2009-11-17 | 2011-05-26 | 株式会社日立製作所 | 生体情報を用いた認証システム及び認証装置 |
JP6187262B2 (ja) | 2014-01-06 | 2017-08-30 | 富士通株式会社 | 生体情報処理装置、生体情報処理方法及び生体情報処理用コンピュータプログラム |
BR112019011205A8 (pt) * | 2016-12-08 | 2023-04-11 | Veridium Ip Ltd | Sistemas e métodos para realizar a autenticação de usuário baseada em impressão digital usando imagens capturadas com o uso de dispositivos móveis |
JP6908843B2 (ja) * | 2017-07-26 | 2021-07-28 | 富士通株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
KR102466676B1 (ko) * | 2017-08-16 | 2022-11-14 | 삼성전자주식회사 | 생체 센서의 성능 평가 방법, 생체 영상을 이용한 인증 방법 및 인증 방법을 적용한 전자 기기 |
US10572749B1 (en) * | 2018-03-14 | 2020-02-25 | Synaptics Incorporated | Systems and methods for detecting and managing fingerprint sensor artifacts |
JP7220075B2 (ja) | 2018-12-26 | 2023-02-09 | 花王株式会社 | インクジェット印刷用水系インク |
-
2020
- 2020-06-11 CN CN202080101186.3A patent/CN115668311A/zh active Pending
- 2020-06-11 JP JP2022530462A patent/JP7315884B2/ja active Active
- 2020-06-11 EP EP20940142.1A patent/EP4167179A4/en not_active Withdrawn
- 2020-06-11 WO PCT/JP2020/023056 patent/WO2021250858A1/ja unknown
-
2022
- 2022-11-03 US US17/980,072 patent/US20230070660A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
EP4167179A4 (en) | 2023-05-24 |
US20230070660A1 (en) | 2023-03-09 |
EP4167179A1 (en) | 2023-04-19 |
WO2021250858A1 (ja) | 2021-12-16 |
JPWO2021250858A1 (zh) | 2021-12-16 |
JP7315884B2 (ja) | 2023-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100808896B1 (ko) | 생체 인증 시스템의 등록 방법, 생체 인증 시스템 및 그프로그램을 기록한 기록매체 | |
JP5196010B2 (ja) | 生体情報登録装置、生体情報登録方法及び生体情報登録用コンピュータプログラムならびに生体認証装置、生体認証方法及び生体認証用コンピュータプログラム | |
US7599530B2 (en) | Methods for matching ridge orientation characteristic maps and associated finger biometric sensor | |
JP4351982B2 (ja) | 個人認証方法、装置及びプログラム | |
JP5699845B2 (ja) | 生体情報処理装置、生体情報処理方法及び生体情報処理用コンピュータプログラム | |
US20020048014A1 (en) | Personal identification system | |
EP2148303A1 (en) | Vein pattern management system, vein pattern registration device, vein pattern authentication device, vein pattern registration method, vein pattern authentication method, program, and vein data structure | |
JP2008071158A (ja) | 生体認証装置の生体誘導制御方法及び生体認証装置 | |
Sharma et al. | Two-stage quality adaptive fingerprint image enhancement using Fuzzy C-means clustering based fingerprint quality analysis | |
WO2012144105A1 (ja) | 生体認証システム | |
Khan et al. | Low dimensional representation of dorsal hand vein features using principle component analysis (PCA) | |
Vega et al. | Biometric personal identification system based on patterns created by finger veins | |
Adhau et al. | Iris recognition methods of a blinked eye in nonideal condition | |
US20230070660A1 (en) | Authentication method, non-transitory computer-readable storage medium for storing authentication program, and information processing device | |
US8320639B2 (en) | Vein pattern management system, vein pattern registration apparatus, vein pattern authentication apparatus, vein pattern registration method, vein pattern authentication method, program, and vein data configuration | |
JP2006277146A (ja) | 照合方法および照合装置 | |
Estudillo-Romero et al. | The Hermite transform: An alternative image representation model for iris recognition | |
Sanches et al. | A single sensor hand biometric multimodal system | |
Bhattacharyya et al. | Vascular Pattern Analysis towards Pervasive Palm Vein Authentication. | |
Sahmoud | Enhancing iris recognition | |
Uhl et al. | Personal identification using eigenfeet, ballprint and foot geometry biometrics | |
Ribarić et al. | A biometric identification system based on the fusion of hand and palm features | |
Ravinaik et al. | Face Recognition using Modified Power Law Transform and Double Density Dual Tree DWT | |
WO2022185486A1 (ja) | 認証方法、認証プログラム、および情報処理装置 | |
Kulkarni et al. | Efficient approach determination for fake biometric Detection |
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 |