JP2023048156A - 拡張画像を生成するための方法及び関連する装置 - Google Patents

拡張画像を生成するための方法及び関連する装置 Download PDF

Info

Publication number
JP2023048156A
JP2023048156A JP2022153159A JP2022153159A JP2023048156A JP 2023048156 A JP2023048156 A JP 2023048156A JP 2022153159 A JP2022153159 A JP 2022153159A JP 2022153159 A JP2022153159 A JP 2022153159A JP 2023048156 A JP2023048156 A JP 2023048156A
Authority
JP
Japan
Prior art keywords
image
images
template
biometric
applying
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.)
Granted
Application number
JP2022153159A
Other languages
English (en)
Other versions
JP7386951B2 (ja
Inventor
ステファン ゲントリック，
Gentric Stephane
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Idemia Identity and Security France SAS
Original Assignee
Idemia Identity and Security France SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Idemia Identity and Security France SAS filed Critical Idemia Identity and Security France SAS
Publication of JP2023048156A publication Critical patent/JP2023048156A/ja
Application granted granted Critical
Publication of JP7386951B2 publication Critical patent/JP7386951B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/70—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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • 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
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • 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
    • 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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Cardiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Burglar Alarm Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

【課題】 拡張画像を生成するための方法及び関連する装置を提供する。【解決手段】 個人を示す複数の画像の一部を形成する画像ごとに、個人に関するバイオメトリクテンプレートを作成するために画像に処理を適用するステップ（１０４）と、作成したバイオメトリクテンプレートの平均を構成する平均テンプレートを計算するステップ（１０６）と、複数の画像からの被選択画像（Ｉ０）を修正済み画像（Ｉ１）へと修正するステップ（１１０）であって、修正（１１０）は平均テンプレート（ＴＭ）と修正済み画像に処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りが、平均テンプレート（ＴＭ）と被選択画像（Ｉ０）に処理を適用することによって作成されているバイオメトリクテンプレートとの間の誤りよりも小さいように修正（１１０）が適応される、修正するステップ（１１０）とを含む、方法。【選択図】 図２

Description

本発明はバイオメトリクスの分野に関する。
より具体的には、本発明は個人の複数の画像から拡張画像を生成することを含む方法に関する。
知られているバイオメトリク認証システムは、２つの装置、すなわち画像を取得するための画像センサを含む第１の装置及び認証結果をもたらす第２の装置を含み、第１の装置及び第２の装置は通信ネットワークによって通信する。
この種のシステム内で実装される第１の方法は次の通りである：画像センサが個人を示す画像を取得する。その画像が通信ネットワークによって第２の装置に伝送される。第２の装置は、伝送された画像に基づいてバイオメトリクテンプレートを作成する。次いでそのバイオメトリクテンプレートをデータベース内に記憶されている参照テンプレートと比較することができる。計算済みのバイオメトリクテンプレートと参照テンプレートのうちの１つとの間に一致がある場合、その個人を認可ユーザと見なす。しかし、取得される画像に雑音が多い場合、とりわけ画像がぼやけている又はユーザの身体の特色のある部分を十分正確に示さない場合、この第１の方法は誤った結果を招く場合がある。
この問題を克服するために、画像センサが１つだけでなく複数の画像を取得し、第１の方法の中で実装される処理を各画像に適用する第２の方法が提案されている。しかし、この第２の方法には次のような幾つかの欠点がある：まずこの方法は第１の方法よりも多くの帯域幅を消費し（とりわけ１つだけでなく複数の画像が通信ネットワーク内で伝送される）、第２に第１の方法よりも多くの計算負荷を必要とする。
本発明の１つの目的は個人に関するデータを生成することであり、それに基づきバイオメトリク認証を確実に及び通信ネットワーク内でのかかるデータの伝送中に帯域幅の消費を少なくして行うことができる。
そのために、第１の態様によればコンピュータによって実装される方法が提供され、この方法は
－ 個人を示す複数の画像の一部を形成する画像ごとに、個人に関するバイオメトリクテンプレートを作成するために画像に処理を適用するステップと、
－ 作成したバイオメトリクテンプレートの平均を構成する平均テンプレートを計算するステップと、
－ 複数の画像からの被選択画像を修正済み画像へと修正するステップであって、平均テンプレートと修正済み画像に処理を適用することによって作成される別のバイオメトリクテンプレートとの間の誤りが、平均テンプレートと被選択画像に処理を適用することによって作成されているバイオメトリクテンプレートとの間の誤りよりも小さいように修正が適応される、修正するステップと
を含む。
まず、修正済み画像は個人を示す複数の画像からの情報をより小さいサイズに圧縮し、そのことはかかる画像の雑音が多い可能性を減らす。第２に、この画像に同じ処理を適用することは平均テンプレートに近いバイオメトリクテンプレートを作成し、それにより参照テンプレートと比較するための信頼できる基礎を提供する。
第１の態様による方法は、個々に理解される又は技術的に可能な場合は互いに組み合わせて理解される以下の任意選択的な特徴を更に含み得る。
好ましくは、被選択画像は、被選択画像の適用によって作成されるバイオメトリクテンプレートが、作成されるバイオメトリクテンプレートの中の平均テンプレートに最も近くなるようなものである。
好ましくは、修正するステップは以下の条件、つまり
－ 平均テンプレートと最終画像に処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りが既定の閾値未満であるように、修正するステップの反復が最終画像をもたらすこと、
－ 修正するステップの反復回数が既定の閾値に達すること
の少なくとも１つが満たされるまで反復される。
好ましくは、修正するステップは
Ｉｋ＋１＝Ｉｋ－λ＊Ｄｋ
のように反復され、但し
－ Ｉｋは修正するステップのｋ番目の反復によって修正される画像であり、
－ Ｉｋ＋１はｋ番目の反復によって作成される修正済み画像であり、
－ λは既定のパラメータであり、
－
Figure 2023048156000002
が成立し、但しＥｋは平均テンプレートと画像Ｉｋに処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りである。
好ましくは、処理が畳み込みニューラルネットワークによって実装される。
好ましくは、この方法は、例えば個人の映像から生じる画像のシーケンスから複数の画像を選択するステップを含む。
好ましくは、複数の画像は単一の画像センサによって取得される画像から生じる。
好ましくは、選択が画質の基準に基づいて、及び画像のシーケンス内の時間的位置の基準に基づいて行われる。
好ましくは、選択が
ａ）画像のシーケンスの画像ごとに、画像の質を示す関連メトリクを計算するステップと、
ｂ）まだ選択されていないシーケンスの１組の画像から、最も優れた質をその関連メトリクが示す画像のシーケンスの画像を選択するステップと、
ｃ）被選択画像の既定の時間的近傍に位置する被選択画像以外のシーケンスからの少なくとも１つの画像について、画像に関連するメトリクをダウングレードするステップと、
ｄ）以下の条件、すなわち
－ ステップｂ）の実装回数が既定の閾値に達すること、
－ まだ選択されていない画像のシーケンスからの各画像のメトリクが既定の品質閾値を超えること
の少なくとも１つが満たされるまでステップｂ）及びｃ）を繰り返すステップと
を含む。
好ましくは、この方法のステップが第１の装置によって実装され、この方法が修正済み画像から生じる最終画像を通信ネットワーク内で第２の装置に伝送するステップを更に含み、第２の装置は個人に関する最終バイオメトリクテンプレートを作成するために最終画像に処理を適用するように構成される。
第２の態様によれば、第１の態様による方法のステップを実行するためにコンピュータによって実行可能な命令を記憶するコンピュータ可読メモリも提供される。
第３の態様によれば、個人を示す複数の画像を取得するように構成されるセンサと、
－ 複数の画像の一部を形成する画像ごとに、個人に関するバイオメトリクテンプレートを作成するために画像に処理を適用すること、
－ 作成した各バイオメトリクテンプレートの平均を構成する平均テンプレートを計算すること、
－ 複数の画像からの被選択画像を修正済み画像へと修正することであって、平均テンプレートと修正済み画像に処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りが、平均テンプレートと被選択画像に処理を適用することによって作成されているバイオメトリクテンプレートとの間の誤りよりも小さいように修正が適応される、修正すること
を行うように構成される少なくとも１つのプロセッサと
を含む装置も提供される。
純粋に例示的及び非限定的であり、添付図面と併せて読まれるべき以下の説明から本発明の更なる特徴、目的、及び利点が明らかになる。
図面の全てにおいて、同様の要素は同じ参照番号を有する。
本発明の一実施形態によるバイオメトリク認証システムを概略的に示す。 本発明の一実施形態による第１の方法のステップの流れ図である。 図２に示すステップの１つの一実施形態を詳述する流れ図を詳しく示す。 本発明の一実施形態による第２の方法のステップの流れ図である。
図１を参照し、バイオメトリク認証システムは第１の装置１と、通信ネットワーク３によって互いに通信するように設計される第２の装置２とを含む。
第１の装置１は、画像センサ１０、データ処理ユニット１２、メモリ１４、及び第２の装置２との通信インタフェース１６を含む。
画像センサ１０は例えば個人の映像、即ち個人を示す画像のシーケンスを取得するように設計される。
本文では、「個人を示す画像」とは、その個人の身体の一部、具体的にはその個人を別の個人と区別できるようにする個人の身体の一部を示す画像を意味する。
例えば取得される画像は個人の顔、又は少なくとも個人の指紋を示すことができる。
データ処理ユニット１２は、画像センサ１０によって取得される画像に一定の処理操作を適用するように構成される。
具体的には、処理ユニット１２は、画像Ｉを入力として取り、その入力画像から入力画像Ｉ内で示される個人に関するバイオメトリクテンプレートＴを作成する畳み込みニューラルネットワークを実装するように構成される。以下、畳み込みニューラルネットワークによって適用される処理をＣＮＮ数学関数と呼ぶ。従って次式が成立する：
Ｔ＝ＣＮＮ（Ｉ）
処理ユニット１２は、典型的には上述の処理操作を実装するための少なくとも１つのプロセッサを含み、その又は各プロセッサは、任意の形を取る可能性がある（ＡＳＩＣ、ＦＰＧＡ、ＳｏＣ、マイクロコントローラ等）。
第１の装置１は、その又は各プロセッサによって実行可能なコード命令を含むコンピュータプログラムを記憶するメモリを更に含む。プログラムがその又は各プロセッサによって実行される場合、上述の処理操作を含む方法が実装される。
メモリは、典型的には揮発性メモリユニット（例えばＲＡＭ）及び不揮発性メモリユニット（フラッシュ、ＥＥＰＲＯＭ、ハードディスク、ＳＳＤ等）を含む。
通信インタフェース１６は、通信ネットワーク３によって第１の装置１が第２の装置２にデータを伝送できるようにするよう設計される。この通信インタフェース１６は任意の種類のものとすることができ（有線又は無線）、この通信ネットワーク３による通信は任意の通信プロトコル（イーサネット、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ、３Ｇ／４Ｇ／５Ｇセルラ等）によって統制され得る。
第１の装置１は、典型的には認可された個人しか入ることが許可されないセキュア領域の入り口で使用されることが意図される。例えば第１の装置１は、セキュア領域に無認可の個人が入るのを防ぐ一方、認可された個人が入ることは許可する物的障壁を提供するゲートの一部を形成することができ、又はかかるゲートに結合され得る。以下で分かるように、本システムは個人のバイオメトリク認証を行うために使用され、このバイオメトリク認証の目的は、例えばその個人が認可されている（この場合セキュア領域に入ることを認められる）か認可されていない（この場合セキュア領域に入ることを拒否される）かを判定することである。
或る改変形態（不図示）によれば、第１の装置１は個人の複数の画像を取得するように設計される複数の画像センサを含む。
このことは、例えば様々な角度から撮られた個人の画像を有することを可能にする。第２の装置２は第１の装置１から離れている。
第２の装置２は、第１の装置１との通信インタフェース２０、処理ユニット２２、及びメモリ２４を含む。
通信インタフェース２０は、第１の装置１の通信インタフェース１６と同じ種類のものであり得る。
具体的には、処理ユニット２２は第１の装置１と同じ畳み込みニューラルネットワークＣＮＮ数学関数を実装するように構成される。
メモリ２４は、過去に登録された様々な個人に関するバイオメトリクテンプレート又はバイオメトリク画像を含むデータベースを記憶することを意図する。
図２を参照し、第１の装置１を実装する方法は以下のステップを含む。
個人が第１の装置１に近づく。以下、個人が上記のセキュア領域に入ることを望む、或る例示的実装形態を検討する。
取得ステップ１００で、カメラが例えば個人を示す画像のシーケンスを取得する。
典型的には、画像のシーケンスは相対的に高頻度で取得されるＮ個の画像を含み、但しＮ≧３である。
Ｎ個の画像のシーケンスはメモリ１４内に記憶される。
或る改変形態によれば、複数のセンサが個人を示す画像を取得する。画像のシーケンスは様々な時点において、及び様々なセンサによって撮られる個人の画像を含む。選択するステップ１０２では、処理ユニット１２が画像のシーケンスから、そのシーケンスの画像のサブセットを構成する複数の画像を選択する。換言すれば、この選択によって得られる複数の画像は、１≦Ｋ≦Ｎとなるような幾つかの画像Ｋを含む。
複数の画像は、画質の基準に基づいて及び画像のシーケンス内の時間的位置の基準に基づいて画像のシーケンスから処理ユニット１２によって選択される（１０２）。
図３に示す一実施形態では、選択１０２が有利には以下のサブステップを含む。
画像のシーケンスからの画像ごとに処理ユニット１２は画像に関連するメトリクを計算し、メトリクは画像の質を示す（ステップ２００）。従って、このステップ２００ではＮ個のメトリクが計算される。
計算されるメトリクは、当業者に知られている以下のメトリクの１つであり得る：
・画像内に示される個人の顔の位置を示すメトリク。この場合、メトリクの値は画像センサ１０に対する顔の向きに依存し、個人の顔を正面から示す画像は、個人の顔を斜めから、又は更には横から示す画像よりも質が優れていると見なされる。
・画像内に示される個人の顔の解像度を示すメトリク。画像内のピクセル数としてカウントされる個人の目の間の距離が長ければ長いほどその画像の質は高い。
・画像内のぼやけのレベルを示すメトリク。画像がぼやけていればいるほどその画像の質は低い。
・上述の畳み込みニューラルネットワークと異なるニューラルネットワークによってもたらされる「バイオメトリク」メトリク。
計算済みのメトリクはその個々の画像に関連してメモリ１６内に記憶される。
次に処理ユニット１２は、まだ選択されていないシーケンスの１組の画像から、最も優れた質を示すメトリクに関連する画像シーケンスの画像を選択する（サブステップ２０２）。この段階において、この組はそれ自体が画像センサ１０によって全体として取得される画像のシーケンスであり、換言すれば、サブステップ２０２のこの第１の実装形態で選択される画像は画像シーケンス内で最も高い質を有するものである。この第１の実装形態の間に選択される画像は慣例により「第１の画像」と呼ばれる。
処理ユニット１２は、サブステップ２０２で選択された画像（即ち第１の画像）の時間的近傍にある画像のシーケンスから各画像を識別する。シーケンスからの画像は、被選択画像を含む既定の持続時間の時間範囲内、例えばその被選択画像を中心とした時間範囲内にある場合、サブステップ２０２で選択された画像の近傍にあると見なされる。この原理を示すために具体例を使用し、この時間範囲の値域を５００ミリ秒に決めた場合、被選択画像よりも最大５００ミリ秒前の又は後のシーケンスの画像を被選択画像の近傍の（又は付近の）画像と見なすことができる。
処理ユニット１２は、付近の画像の少なくとも１つに関連するメトリクをダウングレードする（サブステップ２０４）。「ダウングレードする」とは、メトリクによって示される質を下げるようにメトリクの値を修正することを意味する。このダウングレードは計算されるメトリク値にのみ影響を及ぼし、それらのメトリク値が関係する画像には影響しないこと、即ち画像自体はダウングレードされないことが理解されよう。
好ましくは、処理ユニット１２はサブステップ２０２で前に選択された任意の付近の画像に関連するメトリクをダウングレードする（２０４）。ダウングレードの全ては、例えば質の同じ差によるシフトである。
ステップ２０６で、処理ユニット１２は以下の出力条件の少なくとも１つが満たされるかどうかを検査する：
・サブステップ２０２及び２０４の実装回数が既定の閾値Ｋｍａｘに達すること、
・まだ選択されていない画像のシーケンスからの各画像のメトリクが既定の品質閾値未満の質を示すこと。
これらの条件の少なくとも１つが満たされる場合、選択するステップ１０２が終了する。
さもなければ、サブステップ２０２、２０４、及び２０６を以下のように反復する。
処理ユニット１２は、まだ選択されていないシーケンスの１組の画像から、最も優れた質を示すメトリクに関連する画像シーケンスの画像を選択することで構成されるサブステップ２０２を繰り返す。
このサブステップ２０２の先の実装形態に対する１つの違いは、第１の画像がその間選択されており、従ってサブステップ２０２の第２の実装形態ではまだ選択されていないシーケンスからの１組の画像が、第１の画像を除外した画像の最初のシーケンスに対応する。従って、第１の画像と異なる第２の画像がこのサブステップ２０２の第２の実装形態において選択される。
このサブステップの先の実装形態に対する別の違いは、一定の画像（第１の画像付近の画像の少なくとも１つ）にそれぞれ関連するメトリクがその間ダウングレードされていることである。このことは、第１の画像と時間的に近くない画像を第２の画像として選択することを有利に支持する。
処理ユニット１２は、最後に選択された画像、つまり第２の画像付近の画像の少なくとも１つに関連するメトリクをダウングレードすることで構成されるサブステップ２０４を繰り返す。同じ時間的近傍を使用することができる。
選択するステップ１０２のこの実施形態は、引き続き良質でありながら時間の点で互いに近過ぎない、従ってあまり冗長ではない複数の被選択画像の入手をもたらす利点を有する。
図２に戻り、処理ユニット１２は、畳み込みニューラルネットワークへの入力としてそれぞれの被選択画像を伝える。畳み込みニューラルネットワークによって実装される処理は、それぞれの被選択画像に基づき、画像内に示される個人に関する対応するバイオメトリクテンプレートを作成する（ステップ１０４）。従って、Ｋ個の被選択画像に基づき、畳み込みニューラルネットワークはＫ個の関連テンプレートをステップ１０４で作成する。
各バイオメトリクテンプレートは、典型的には例えばノルム１のベクトル形式にある。
畳み込みニューラルネットワークによって作成されるバイオメトリクテンプレートはメモリ１４内に記憶される。
ステップ１０６で、処理ユニット１２は、その名前が示すように前に作成したＫ個のバイオメトリクテンプレートの平均を構成する平均テンプレートＴＭを計算する。例えば平均テンプレートＴＭは、それらのＫ個のバイオメトリクテンプレートの和をその個々のノルムの和で割った（即ちノルム１のベクトルの場合はＫで割った）ものとして計算することができる。
平均テンプレートＴＭはメモリ１６内に記憶される。
次に処理ユニット１２は、選択されているＫ個の画像の中から、慣例により初期画像Ｉ０と呼ぶ画像の１つを選択する。
初期画像Ｉ０は、それに基づいてテンプレートＴＭが計算されているＫ個の被選択画像の中の何れかとすることができる。
しかし或る有利な実施形態では、平均テンプレートＴＭに最も近いバイオメトリクテンプレートに関連する画像が初期画像Ｉ０として選択される。この画像を見つけるために、平均テンプレートと作成されたＫ個のバイオメトリクテンプレートの１つとの間の各距離を計算して、作成されたＫ個のバイオメトリクテンプレートの中から平均テンプレートと最小距離にあるバイオメトリクテンプレートＴ０を識別し、次いでこの最小距離にあるバイオメトリクテンプレートＴ０（Ｔ０＝ＣＮＮ（Ｉ０））を作成するために畳み込みニューラルネットワークＣＮＮ数学関数への入力として伝えられた画像Ｉ０を識別すれば十分である。
次に、処理ユニット１２は１つ又は複数の反復を含むループを実装し、このループは初期画像Ｉ０から最終画像Ｉｆを作成する。
インデックスｋ－１の先行する反復に対するこのループのインデックスｋの反復についてより全般的に説明する前に、このループの（慣例によりインデックスゼロの）初期反復について最初に説明する。
このループの初期反復は、処理ユニット１２が初期画像Ｉ０を修正済み画像Ｉ１へと修正する修正ステップ１１０を含む。実装される修正１１０は次の条件、つまり平均テンプレートＴＭと修正済み画像Ｉ１に処理を適用することによって作成されるバイオメトリクテンプレートＴ１との間の誤りＥ１が、平均テンプレートＴＭと初期画像Ｉ０に処理を適用することによって作成されているバイオメトリクテンプレートＴ０との間の誤りＥ０よりも小さいことを満たすように設計される。
ここでは、この修正するステップが、修正済み画像Ｉ１に処理を適用することによって作成されるバイオメトリクテンプレートＴ１の又は誤りＥ１の事前計算を必ずしも必要としないことに留意すべきである。但し、画像の修正がステップ１１０で行われる修正によってカバーされるかどうかを検査するためにかかる計算を実際に実装することができる。
たとえこの方法のステップに従ってバイオメトリクテンプレートＴ１がそのように計算されなくても、修正するステップ１１０は、誤りＥ１、Ｅ２に関する条件が満たされること、即ち平均テンプレートＴＭと修正済み画像Ｉ１に処理を適用することによって作成されるバイオメトリクテンプレートＴ１との間の誤りＥ１が、平均テンプレートＴＭと初期画像Ｉ０に処理を適用することによって作成されているバイオメトリクテンプレートＴ０との間の誤りＥ０よりも小さいことを確実にする。
一実施形態では、画像Ｉ０を修正済み画像Ｉ１へと修正すること１１０が以下のように行われる。
処理ユニット１２が以下の勾配を計算する：
Figure 2023048156000003
但しＥ０は、平均テンプレートと画像Ｉ０にＣＮＮ処理を適用することによって作成されるバイオメトリクテンプレートＴ０（即ちＴ０＝ＣＮＮ（Ｉ０））との間の誤りである。
誤りＥ０は、例えば以下の形式のものである：
Ｅ０＝（Ｔ０－ＴＭ）２
次に、処理ユニット１２は以下の公式：
Ｉ１＝Ｉ０－λ＊Ｄ０
を適用することによって修正済み画像Ｉ１を計算し、但しλは既定のパラメータである。
修正するステップ１１０のこの実施形態は、損失を最小化するやり方でニューラルネットワークのパラメータを更新するために従来より使用されている勾配降下法に基づく。しかしこの方法では、修正しようとするのは畳み込みニューラルネットワークＣＮＮ数学関数のパラメータではなく、むしろこの畳み込みニューラルネットワークへの入力として伝えられている画像（この場合は画像Ｉ０）であり、これは慣例的ではない。
ループの初期反復は、次の出力条件の１つが満たされるかどうかを処理ユニット１２が検査する検査ステップ１１２を含む。
第１の条件は、平均テンプレートＴＭと画像Ｉ１に処理を適用することによって作成されるバイオメトリクテンプレートＴ１との間の誤りが既定の閾値Ｅ未満である場合、或いは
Ｅ１＝（Ｔ１－ＴＭ）２＜Ｅ
が成立する場合に満たされる。
従ってこの第１の条件が満たされるかどうかを知るために、処理ユニット１２はＴ１＝ＣＮＮ（Ｉ１）を、画像Ｉ０を修正済み画像Ｉ１へと修正するステップ内でこの計算がまだ行われていない場合に計算する（具体的には、この計算は勾配降下法に基づく上記の実施形態では行われない）。
第２の条件は、実装される修正ステップ１１０の反復回数が既定の閾値に達する場合に満たされる。この段階において、修正ステップは１回しか実装されていない。
第１の条件が満たされる場合又は第２の条件が満たされる場合、ループが終了する。最終画像Ｉｆは修正済み画像Ｉ１である。
さもなければ（インデックス１の）ループの新たな反復が実装され、この新たな反復は初期画像Ｉ０の代わりに画像Ｉ１を入力として取る。
ループのインデックスｋの反復、但しｋ≠０をより広く検討されたい。新たな修正済み画像Ｉｋ＋１を得るために、このインデックスｋの反復は、上記のステップ１１０の修正であるインデックスｋ－１の先行する反復内で得られる画像Ｉｋに適用する。
従って、勾配降下法に端を発する上記の実施形態では、インデックスｋの反復において
Ｉｋ＋１＝Ｉｋ－λ＊Ｄｋ
が成立し、但し
Figure 2023048156000004
Ｅｋ＝（Ｔｋ－ＴＭ）２
である。
インデックスｋの反復内で実装される修正１１０は、平均テンプレートＴＭと修正済み画像Ｉｋ＋１に処理を適用することによって作成されるバイオメトリクテンプレートＴｋ＋１との間の誤りＥｋ＋１が、平均テンプレートと画像Ｉｋに処理を適用することによって作成されているバイオメトリクテンプレートとの間の誤りＥｋよりも小さいように設計される。
ループからの出力として得られる最終画像Ｉｆは、修正ステップ１１０の最後の実装で作成される修正済み画像である。上述のように、最終画像Ｉｆは（第１の条件又は第２の条件が満たされるのにループの１回の反復だけで十分だった場合）画像Ｉ１である可能性が大いにあり、又は（第１の条件又は第２の条件を満たすためにループの複数の反復を実行しなければならなかった場合）この画像Ｉ１の１つ又は複数の連続した修正から生じる画像であり得る。
次いで、最終画像Ｉｆが通信インタフェースによって第２の装置２に伝送される（ステップ１１４）。
最終画像Ｉｆには２つの利点がある：Ｉｆは、映像シーケンスから選択されるＫ個の画像からの視覚的情報を組み合わせながら、その伝送１１４が通信ネットワーク３上で殆ど帯域幅を消費しない小さいデータ項目である。この最終画像Ｉｆは、取得される画像のシーケンス内の原画像のうちの１つよりも雑音が少ない可能性が高い。
図４を参照し、第２の装置２が以下のステップを含む方法を実装する。
第２の装置２は、自らの通信インタフェースによって最終画像Ｉｆを受信する（ステップ３００）。
第２の装置２の処理ユニット２２は、第１の装置１によって実装されるのと同じ畳み込みニューラルネットワークＣＮＮ数学関数への入力として最終画像Ｉｆを伝える（ステップ３０２）。換言すれば、ステップ３０２で第２の装置２側で実装される処理は、ステップ１０４で第１の装置１側で実装される各処理操作と同一である。最終画像Ｉｆから、畳み込みニューラルネットワークは慣例により「最終」バイオメトリクテンプレートと呼ばれるバイオメトリクテンプレートＴｆ＝ＣＮＮ（Ｉｆ）をステップ３０２で作成する。
次いで、最終バイオメトリクテンプレートＴｆが参照テンプレートの何れかとマッチするかどうかを判定するために、処理ユニット１２は、最終バイオメトリクテンプレートＴｆをメモリデータベース２４内に記憶される参照テンプレートと比較することができる。
・該当する場合、それはその個人が過去にデータベースに登録されていることを意味し、従ってその個人は認可ユーザであり、セキュア領域にアクセスする認可を付与されている（肯定的な認証結果）。
・該当しない場合、それはその個人が認可ユーザではないことを意味し、セキュア領域にアクセスすることを拒否される（否定的な認証結果）。
最終画像Ｉｆが作成されているやり方が原因で、最終バイオメトリクテンプレートＴｆは平均テンプレートＴＭに近い。この近さは、第２の装置２が、依然として信頼できるマッチを実装することを可能にする。従って、実行されるバイオメトリク認証が第１の装置１と第２の装置２との間の通信ネットワーク３上で殆ど帯域幅を消費しない（情報を多く含んだ画像がこのネットワーク上で１つしか伝送されない）こと、及びそれがテンプレートマッチング操作の適切な機能を損なうことなしに実現されることの２つの目的が実現されている。
メモリ２４内のデータベース内に個人を登録するために、第１の装置１によって実装される方法は第２の装置２によって実装される方法と組み合わせることもできる（その場合比較する／マッチするステップは最終テンプレートＴｆ及び／又は最終画像Ｉｆをデータベース内に記憶することで単純に置換される）。
当然ながら、添付図面に関して上記で説明した方法は非限定的な実施形態に過ぎない。これらの方法は改変を受ける場合がある。
有利ではあるが、画像からバイオメトリクテンプレートを作成するために畳み込みニューラルネットワークを使用することは必要ではない。画像からバイオメトリクテンプレートを作成するための他の処理操作を実装してもよい。
取得するステップ１００及び選択するステップ１０２は、最終画像Ｉｆを得るための任意選択的な予備ステップであることが更に理解されよう。選択するステップ１０２は任意選択的であり、それに基づいて最終画像が得られる複数のＫ個の画像は、必ずしも画像センサ１０によって取得される画像のシーケンスから生じない。
１ 第１の装置
２ 第２の装置
３ 通信ネットワーク
１０ 画像センサ
１２ 処理ユニット
１４ メモリ
１６ 通信インタフェース
２０ 通信インタフェース
２２ 処理ユニット
２４ メモリ

Claims (10)

  1. コンピュータによって実装される方法であって、
    － 個人を示す複数の画像の一部を形成する画像ごとに、前記個人に関するバイオメトリクテンプレートを作成するために前記画像に処理を適用するステップ（１０４）と、
    － 作成した前記バイオメトリクテンプレートの平均を構成する平均テンプレート（ＴＭ）を計算するステップ（１０６）と、
    － 前記複数の画像からの被選択画像（Ｉ０）を修正済み画像（Ｉ１）へと修正するステップ（１１０）であって、前記平均テンプレート（ＴＭ）と前記修正済み画像（Ｉ１）に前記処理を適用することによって作成される別のバイオメトリクテンプレートとの間の誤りが、前記平均テンプレート（ＴＭ）と前記被選択画像（Ｉ０）に前記処理を適用することによって作成されている前記バイオメトリクテンプレートとの間の誤りよりも小さいように前記修正（１１０）が適応される、修正するステップ（１１０）と
    を含む、方法。
  2. 前記被選択画像（Ｉ０）は、前記被選択画像（Ｉ０）の適用によって作成される前記バイオメトリクテンプレートが、作成される前記バイオメトリクテンプレートの中の前記平均テンプレート（ＴＭ）に最も近くなるようなものである、請求項１に記載の方法。
  3. 前記修正するステップ（１１０）が、以下の条件、すなわち
    － 前記平均テンプレート（ＴＭ）と最終画像（Ｉｆ）に前記処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りが既定の閾値未満であるように、前記修正するステップ（１１０）の反復が前記最終画像（Ｉｆ）を作成すること、
    － 前記修正するステップ（１１０）の反復回数が既定の閾値に達すること
    の少なくとも１つが満たされるまで反復される、請求項１又は２に記載の方法。
  4. 前記修正するステップ（１１０）が
    Ｉｋ＋１＝Ｉｋ－λ＊Ｄｋ
    のように反復され、但し
    － Ｉｋは前記修正するステップ（１１０）のｋ番目の反復によって修正される画像であり、
    － Ｉｋ＋１は前記ｋ番目の反復によって作成される修正済み画像であり、
    － λは既定のパラメータであり、
    －
    Figure 2023048156000005
    が成立し、但しＥｋは前記平均テンプレート（ＴＭ）と前記画像Ｉｋに前記処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りである、
    請求項１乃至３の何れか一項に記載の方法。
  5. 前記処理が畳み込みニューラルネットワークによって実装される、請求項１乃至４の何れか一項に記載の方法。
  6. － 画像のシーケンスから前記複数の画像を選択するステップ（１０２）であって、前記選択は画質の基準に基づいて及び前記画像のシーケンス内の時間的位置の基準に基づいて行われる、選択するステップ（１０２）
    を更に含む、請求項１乃至５の何れか一項に記載の方法。
  7. 前記選択（１０２）が
    ａ）前記画像のシーケンスの画像ごとに、前記画像の質を示す関連メトリクを計算するステップ（２００）と、
    ｂ）まだ選択されていない前記シーケンスの１組の画像から、最も優れた質をその関連メトリクが示す前記画像のシーケンスの画像を選択するステップ（２０２）と、
    ｃ）前記被選択画像の既定の時間的近傍に位置する前記被選択画像以外の前記シーケンスからの少なくとも１つの画像について、前記画像に関連する前記メトリクをダウングレードするステップ（２０４）と、
    ｄ）以下の条件、すなわち
    － ステップｂ）の実装回数が既定の閾値に達すること、
    － まだ選択されていない前記画像のシーケンスからの各画像の前記メトリクが既定の品質閾値を超えること
    の少なくとも１つが満たされるまでステップｂ）及びｃ）を繰り返すステップと
    を含む、請求項６に記載の方法。
  8. その前記ステップが第１の装置（１）によって実装され、
    － 前記修正済み画像から生じる最終画像（Ｉｆ）を通信ネットワーク（３）内で第２の装置（２）に伝送するステップ（１１４）を更に含み、前記第２の装置（２）は、前記個人に関する最終バイオメトリクテンプレート（Ｔｆ）を作成するために前記最終画像に前記処理を適用するように構成される、請求項１乃至７の何れか一項に記載の方法。
  9. 請求項１乃至８の何れか一項に記載の方法のステップを実行するために前記コンピュータによって実行可能な命令を記憶する、コンピュータ可読メモリ（１４）。
  10. 個人を示す複数の画像を取得するように構成されるセンサ（１０）と、
    － 前記複数の画像の一部を形成する画像ごとに、前記個人に関するバイオメトリクテンプレートを作成するために前記画像に処理を適用すること、
    － 作成した各バイオメトリクテンプレートの平均を構成する平均テンプレートを計算すること、
    － 前記複数の画像からの被選択画像（Ｉ０）を修正済み画像（Ｉ１）へと修正することであって、前記平均テンプレートと前記修正済み画像に前記処理を適用することによって作成されるバイオメトリクテンプレートとの間の誤りが、前記平均テンプレートと前記被選択画像に前記処理を適用することによって作成されている前記バイオメトリクテンプレートとの間の誤りよりも小さいように前記修正が適応される、修正すること
    を行うように構成される少なくとも１つのプロセッサ（１２）と
    を含む、装置（１）。
JP2022153159A 2021-09-27 2022-09-26 拡張画像を生成するための方法及び関連する装置 Active JP7386951B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2110146A FR3127602A1 (fr) 2021-09-27 2021-09-27 procédé de génération d’une image augmentée et dispositif associé
FRFR2110146 2021-09-27

Publications (2)

Publication Number Publication Date
JP2023048156A true JP2023048156A (ja) 2023-04-06
JP7386951B2 JP7386951B2 (ja) 2023-11-27

Family

ID=79019309

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022153159A Active JP7386951B2 (ja) 2021-09-27 2022-09-26 拡張画像を生成するための方法及び関連する装置

Country Status (6)

Country Link
US (1) US20230097143A1 (ja)
EP (1) EP4155987A1 (ja)
JP (1) JP7386951B2 (ja)
CN (1) CN115880788A (ja)
AU (1) AU2022235623B2 (ja)
FR (1) FR3127602A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226822B (zh) * 2023-05-05 2023-07-14 深圳市魔样科技有限公司 一种智能戒指身份数据采集方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118731A (ja) * 2002-09-27 2004-04-15 Glory Ltd 画像認識装置、画像認識方法およびその方法をコンピュータに実行させるプログラム
US20050100200A1 (en) * 2002-09-17 2005-05-12 Fujitsu Limited Biometric information obtaining apparatus and biometric information verification apparatus
JP2005316743A (ja) * 2004-04-28 2005-11-10 Toshiba Corp 画像処理方法および画像処理装置
CN102073849A (zh) * 2010-08-06 2011-05-25 中国科学院自动化研究所 目标图像识别***及方法
JP2012174197A (ja) * 2011-02-24 2012-09-10 So-Net Entertainment Corp 似顔絵作成装置、配置情報生成装置、配置情報生成方法、及びプログラム
WO2013035150A1 (ja) * 2011-09-05 2013-03-14 株式会社モルフォ 顔認証システム、顔認証方法、および顔認証プログラム
US20140283113A1 (en) * 2013-03-15 2014-09-18 Eyelock, Inc. Efficient prevention of fraud
KR20160064138A (ko) * 2013-09-16 2016-06-07 아이베리파이 인크. 생체인식 템플릿 보안 및 키 생성
JP2021507394A (ja) * 2018-09-30 2021-02-22 畳境数字科技（上海）有限公司Ｐｌｅｘ−Ｖｒ Ｄｉｇｉｔａｌ Ｔｅｃｈｎｏｌｏｇｙ （Ｓｈａｎｇｈａｉ） Ｃｏ．， Ｌｔｄ． 多特徴検索と変形に基づく人体髪型の生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491707B (zh) * 2016-05-30 2020-01-14 Oppo广东移动通信有限公司 一种解锁控制方法及终端设备和介质产品

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050100200A1 (en) * 2002-09-17 2005-05-12 Fujitsu Limited Biometric information obtaining apparatus and biometric information verification apparatus
JP2004118731A (ja) * 2002-09-27 2004-04-15 Glory Ltd 画像認識装置、画像認識方法およびその方法をコンピュータに実行させるプログラム
JP2005316743A (ja) * 2004-04-28 2005-11-10 Toshiba Corp 画像処理方法および画像処理装置
CN102073849A (zh) * 2010-08-06 2011-05-25 中国科学院自动化研究所 目标图像识别***及方法
JP2012174197A (ja) * 2011-02-24 2012-09-10 So-Net Entertainment Corp 似顔絵作成装置、配置情報生成装置、配置情報生成方法、及びプログラム
WO2013035150A1 (ja) * 2011-09-05 2013-03-14 株式会社モルフォ 顔認証システム、顔認証方法、および顔認証プログラム
US20140283113A1 (en) * 2013-03-15 2014-09-18 Eyelock, Inc. Efficient prevention of fraud
KR20160064138A (ko) * 2013-09-16 2016-06-07 아이베리파이 인크. 생체인식 템플릿 보안 및 키 생성
JP2021507394A (ja) * 2018-09-30 2021-02-22 畳境数字科技（上海）有限公司Ｐｌｅｘ−Ｖｒ Ｄｉｇｉｔａｌ Ｔｅｃｈｎｏｌｏｇｙ （Ｓｈａｎｇｈａｉ） Ｃｏ．， Ｌｔｄ． 多特徴検索と変形に基づく人体髪型の生成方法

Also Published As

Publication number Publication date
AU2022235623B2 (en) 2023-09-07
JP7386951B2 (ja) 2023-11-27
EP4155987A1 (fr) 2023-03-29
AU2022235623A1 (en) 2023-04-13
US20230097143A1 (en) 2023-03-30
CN115880788A (zh) 2023-03-31
FR3127602A1 (fr) 2023-03-31

Similar Documents

Publication Publication Date Title
EP3382601B1 (en) Face verifying method and apparatus
US11163982B2 (en) Face verifying method and apparatus
US20230119080A1 (en) Face verification method and apparatus
US11216541B2 (en) User adaptation for biometric authentication
US20210286870A1 (en) Step-Up Authentication
US9621342B2 (en) System and method for hierarchical cryptographic key generation using biometric data
JP6648769B2 (ja) 顔認証装置
US20170300741A1 (en) Determining facial parameters
CN110751025A (zh) 基于人脸识别的业务办理方法、装置、设备及介质
KR20180049347A (ko) Ｃｎｎ과 ｒｎｎ을 이용한 얼굴인식 기반 키 생성 방법 및 장치
CN112258528A (zh) 图像处理方法和装置、电子设备
US20170372051A1 (en) Method and device for fingerprint authentication
JP7386951B2 (ja) 拡張画像を生成するための方法及び関連する装置
US10157306B2 (en) Curve matching and prequalification
KR102040482B1 (ko) 지문 템플릿 관리 방법 및 지문 템플릿 관리 방법을 이용한 지문 인증 장치
KR101471814B1 (ko) 홍채 인식에 의한 식별
CN114170654A (zh) 年龄识别模型的训练方法、人脸年龄识别方法及相关装置
CN109165587B (zh) 智能图像信息抽取方法
JP6962458B2 (ja) 認証装置
CN109165586B (zh) 用于ai芯片的智能图像处理方法
JP4554290B2 (ja) データ変換装置およびデータ変換方法、生体認証システム
CN117727103A (zh) 活体检测方法、***与存储介质
WO2017051861A1 (ja) 遺留指紋照合装置および遺留指紋照合方法
JPWO2021100163A5 (ja)
US9990539B2 (en) Method and device for recognizing image

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220930

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230116

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230801

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231018

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231107

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231114

R150 Certificate of patent or registration of utility model

Ref document number: 7386951

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150