JP2737734B2 - 指紋分類装置 - Google Patents
指紋分類装置Info
- Publication number
- JP2737734B2 JP2737734B2 JP7346880A JP34688095A JP2737734B2 JP 2737734 B2 JP2737734 B2 JP 2737734B2 JP 7346880 A JP7346880 A JP 7346880A JP 34688095 A JP34688095 A JP 34688095A JP 2737734 B2 JP2737734 B2 JP 2737734B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- classification
- fingerprint
- probability
- category
- 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.)
- Expired - Lifetime
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
- A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
- A61B5/1172—Identification of persons based on the shapes or appearances of their bodies or parts thereof using fingerprinting
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、指紋画像を分類す
る指紋分類装置に関する。
る指紋分類装置に関する。
【０００２】
【従来の技術】指紋照合装置は、個人同定を行う目的で
広く用いられている。特に警察などで用いられている非
常に大規模な指紋のデータベースを検索する指紋照合装
置では、検索を効率化するために指紋を分類して登録す
る場合が多い。しかし、指紋の分類を人手によって行う
と、その作業量が膨大となるため、指紋分類の自動化が
強く望まれている。
広く用いられている。特に警察などで用いられている非
常に大規模な指紋のデータベースを検索する指紋照合装
置では、検索を効率化するために指紋を分類して登録す
る場合が多い。しかし、指紋の分類を人手によって行う
と、その作業量が膨大となるため、指紋分類の自動化が
強く望まれている。
【０００３】従来の指紋分類技術としては、例えば指紋
の芯線画像から指紋の特徴的な線を抽出・解析すること
によって分類する方法（これを記載した文献として、特
願平７−１９７７１１号「皮膚紋様並びに指紋紋様の分
類装置」（以下、文献１と称す）がある）、指紋の隆線
方向から得られる特徴を用いて指紋を分類する方法（こ
れを記載した文献としては、特開平４−５２９７４号公
報（以下、文献２と称す），特開平４−５２９７５号公
報（以下、文献３と称す）がある）、指紋の隆線方向か
ら得られる特徴ベクトルを用いてニューラルネットワー
クを用いて分類する方法（これを記載した文献として、
C.L.Wilson他、"Massively Parallel Neural Network F
ingerprint Classification System" 、National Insti
tute ofStandards and technology、NISTIR4880,1992)
（以下、文献４と称す）がある）などがある。これらの
方法では、指紋紋様を渦状紋，てい状紋，弓状紋などに
分類する。
の芯線画像から指紋の特徴的な線を抽出・解析すること
によって分類する方法（これを記載した文献として、特
願平７−１９７７１１号「皮膚紋様並びに指紋紋様の分
類装置」（以下、文献１と称す）がある）、指紋の隆線
方向から得られる特徴を用いて指紋を分類する方法（こ
れを記載した文献としては、特開平４−５２９７４号公
報（以下、文献２と称す），特開平４−５２９７５号公
報（以下、文献３と称す）がある）、指紋の隆線方向か
ら得られる特徴ベクトルを用いてニューラルネットワー
クを用いて分類する方法（これを記載した文献として、
C.L.Wilson他、"Massively Parallel Neural Network F
ingerprint Classification System" 、National Insti
tute ofStandards and technology、NISTIR4880,1992)
（以下、文献４と称す）がある）などがある。これらの
方法では、指紋紋様を渦状紋，てい状紋，弓状紋などに
分類する。
【０００４】これらの指紋紋様の分類方法には、それぞ
れ特性があり、例えば文献１の分類方法では、芯線画像
から得られる特異点に基づいて指紋画像を分類するため
に、にじみや潰れがある低品質な指紋画像を分類する場
合には、局所的なにじみや潰れの場合であっても分類誤
りが生じる傾向にあるが、平行移動や回転の変化に対し
て分類誤りが生じにくいアルゴリズムになっている。一
方、文献４のC.L.Wilsonらのニューラルネットワークを
用いた指紋分類方法では、平行移動や回転の変動に対し
て分類誤りが生じやすいものの、方向パターンの全体的
な特徴を利用して分類を行っているために局所的なにじ
みや潰れなどのノイズに対して頑強なアルゴリズムにな
っている。このように、分類方法が異なると一般にその
分類方法毎に分類特性の違いがあり、これら特性の異な
る指紋分類方法を統合することによって高い分類性能を
得ることが期待できる。
れ特性があり、例えば文献１の分類方法では、芯線画像
から得られる特異点に基づいて指紋画像を分類するため
に、にじみや潰れがある低品質な指紋画像を分類する場
合には、局所的なにじみや潰れの場合であっても分類誤
りが生じる傾向にあるが、平行移動や回転の変化に対し
て分類誤りが生じにくいアルゴリズムになっている。一
方、文献４のC.L.Wilsonらのニューラルネットワークを
用いた指紋分類方法では、平行移動や回転の変動に対し
て分類誤りが生じやすいものの、方向パターンの全体的
な特徴を利用して分類を行っているために局所的なにじ
みや潰れなどのノイズに対して頑強なアルゴリズムにな
っている。このように、分類方法が異なると一般にその
分類方法毎に分類特性の違いがあり、これら特性の異な
る指紋分類方法を統合することによって高い分類性能を
得ることが期待できる。
【０００５】また、ニューラルネットワークによる分類
性能は、基本的には教師データセットが多ければ多いほ
ど分類性能が上がるが、コンピュータのメモリの制約や
学習アルゴリズムの制約などにより、大量のデータがあ
っても全てのデータを一回では学習できない場合があ
る。このような場合には、次のようにその大量データを
利用することにより指紋紋様の分類精度を上げることが
考えられる。まず、大量のデータを複数の教師データセ
ットに分け、それぞれの教師データセット毎に学習を行
う。次に各教師データセットの学習から得られたパラメ
ータ毎にニューラルネットワークにより指紋の分類を行
う。最後にパラメータ毎の分類結果を統合することで、
指紋の紋様を精度良く分類することを図る。
性能は、基本的には教師データセットが多ければ多いほ
ど分類性能が上がるが、コンピュータのメモリの制約や
学習アルゴリズムの制約などにより、大量のデータがあ
っても全てのデータを一回では学習できない場合があ
る。このような場合には、次のようにその大量データを
利用することにより指紋紋様の分類精度を上げることが
考えられる。まず、大量のデータを複数の教師データセ
ットに分け、それぞれの教師データセット毎に学習を行
う。次に各教師データセットの学習から得られたパラメ
ータ毎にニューラルネットワークにより指紋の分類を行
う。最後にパラメータ毎の分類結果を統合することで、
指紋の紋様を精度良く分類することを図る。
【０００６】このような異種の分類機構、あるいはパラ
メータが異なる同一の分類機構から得られる分類結果を
組み合わせて高い分類性能を得ようとした場合、それら
の分類機構から得られる弓状紋やてい状紋などのラベル
としての分類結果を多数決をとることによって、最終的
な分類結果を決める方法が容易に考えられる。例えば、
３種類の分類機構あるいは３種類のパラメータを持つ同
一の分類機構の各々が、指紋を普通弓状紋Ａ，突起弓状
紋Ｔ，右流てい状紋Ｒ，左流てい状紋Ｌ，渦状紋Ｗのい
ずれか１つに分類する場合、２つ以上の分類結果が同じ
結果を示した場合にそのカテゴリーを最終的なカテゴリ
ーとして決定する。３つの分類結果がそれぞれ矛盾する
場合には、単独での分類精度が最も良い分類機構の分類
結果を最終的な分類結果と決定する。このように、複数
の分類結果を組み合わせることによって、単独の分類機
構を用いる場合よりも分類精度の向上を図ることができ
る。また、棄却が許される場合には、矛盾した結果が得
られる場合には棄却するなどして、分類結果を統合する
ことができる。
メータが異なる同一の分類機構から得られる分類結果を
組み合わせて高い分類性能を得ようとした場合、それら
の分類機構から得られる弓状紋やてい状紋などのラベル
としての分類結果を多数決をとることによって、最終的
な分類結果を決める方法が容易に考えられる。例えば、
３種類の分類機構あるいは３種類のパラメータを持つ同
一の分類機構の各々が、指紋を普通弓状紋Ａ，突起弓状
紋Ｔ，右流てい状紋Ｒ，左流てい状紋Ｌ，渦状紋Ｗのい
ずれか１つに分類する場合、２つ以上の分類結果が同じ
結果を示した場合にそのカテゴリーを最終的なカテゴリ
ーとして決定する。３つの分類結果がそれぞれ矛盾する
場合には、単独での分類精度が最も良い分類機構の分類
結果を最終的な分類結果と決定する。このように、複数
の分類結果を組み合わせることによって、単独の分類機
構を用いる場合よりも分類精度の向上を図ることができ
る。また、棄却が許される場合には、矛盾した結果が得
られる場合には棄却するなどして、分類結果を統合する
ことができる。
【０００７】
【発明が解決しようとする課題】しかし、このような単
純な組み合わせ方法では、分類機構の組み合わせによる
精度向上の効果には限界がある。また、組み合わせや多
数決の仕方にはバラエティーが少なく、棄却率などを容
易に設定することはできない。
純な組み合わせ方法では、分類機構の組み合わせによる
精度向上の効果には限界がある。また、組み合わせや多
数決の仕方にはバラエティーが少なく、棄却率などを容
易に設定することはできない。
【０００８】本発明の目的は、指紋分類機構を効果的に
統合することによって高精度に指紋分類を行うことがで
きる指紋分類装置を提供することにある。また、同時に
棄却率などを容易に設定することが可能な技術を提供す
ることにある。
統合することによって高精度に指紋分類を行うことがで
きる指紋分類装置を提供することにある。また、同時に
棄却率などを容易に設定することが可能な技術を提供す
ることにある。
【０００９】
【課題を解決するための手段】本発明の指紋分類装置
は、分類対象となる指紋画像を入力し、該指紋画像の各
指紋カテゴリーヘ分類される確率データを出力する複数
の紋様分類手段と、前記のそれぞれの紋様分類手段から
出力される確率データを入力し、前記指紋画像の各指紋
カテゴリーへ分類される確率を推定する確率推定手段
と、該確率推定手段の推定結果に基づいて前記入力の指
紋画像の分類結果を出力するカテゴリー決定手段とを備
えている。また、それぞれの紋様分類手段は、予め登録
されている確率テーブルを参照することによって前記確
率データを得る構成を有している。
は、分類対象となる指紋画像を入力し、該指紋画像の各
指紋カテゴリーヘ分類される確率データを出力する複数
の紋様分類手段と、前記のそれぞれの紋様分類手段から
出力される確率データを入力し、前記指紋画像の各指紋
カテゴリーへ分類される確率を推定する確率推定手段
と、該確率推定手段の推定結果に基づいて前記入力の指
紋画像の分類結果を出力するカテゴリー決定手段とを備
えている。また、それぞれの紋様分類手段は、予め登録
されている確率テーブルを参照することによって前記確
率データを得る構成を有している。
【００１０】さらに本発明の指紋分類装置は、分類対象
となる指紋画像を入力し、該指紋画像の各指紋カテゴリ
ーヘ分類される確率データを出力する紋様分類手段と、
該紋様分類手段の分類動作を決定付けるパラメータを変
更して同一の指紋画像について分類動作を複数回行わし
める制御手段と、同一の指紋画像について前記紋様分類
手段から出力された複数回分の確率データを入力し、前
記指紋画像の各指紋カテゴリーへ分類される確率を推定
する確率推定手段と、該確率推定手段の推定結果に基づ
いて前記指紋画像の分類結果を出力するカテゴリー決定
手段とを備えている。また、この紋様分類手段は、予め
登録されている確率テーブルを参照することによって前
記確率データを得る構成を有している。
となる指紋画像を入力し、該指紋画像の各指紋カテゴリ
ーヘ分類される確率データを出力する紋様分類手段と、
該紋様分類手段の分類動作を決定付けるパラメータを変
更して同一の指紋画像について分類動作を複数回行わし
める制御手段と、同一の指紋画像について前記紋様分類
手段から出力された複数回分の確率データを入力し、前
記指紋画像の各指紋カテゴリーへ分類される確率を推定
する確率推定手段と、該確率推定手段の推定結果に基づ
いて前記指紋画像の分類結果を出力するカテゴリー決定
手段とを備えている。また、この紋様分類手段は、予め
登録されている確率テーブルを参照することによって前
記確率データを得る構成を有している。
【００１１】本発明では、複数の紋様分類手段から得ら
れる複数の分類結果、あるいはパラメータを変更するこ
とによって同一の紋様分類手段から得られる複数の分類
結果を確率データとして表現し、それぞれの確率データ
を用いてそれぞれのカテゴリーヘ分類される確率を確率
推定手段によって推定する。ここでは説明を簡略にする
ために、二つの紋様分類手段があり、指紋紋様を例え
ば、図２に示す普通弓状紋Ａ，突起弓状紋Ｔ，右流てい
状紋Ｒ，左流てい状紋Ｌ，渦状紋Ｗの５つのカテゴリー
に分類する場合について説明する。また、紋様分類手段
ｉ（ｉ＝１，２）が入力紋様をそれぞれのカテゴリーへ
分類する確率をＰ i（Ａ），Ｐ i（Ｔ），Ｐ i（Ｒ），
Ｐ i（Ｌ），Ｐ i（Ｗ）と表すことにする。
れる複数の分類結果、あるいはパラメータを変更するこ
とによって同一の紋様分類手段から得られる複数の分類
結果を確率データとして表現し、それぞれの確率データ
を用いてそれぞれのカテゴリーヘ分類される確率を確率
推定手段によって推定する。ここでは説明を簡略にする
ために、二つの紋様分類手段があり、指紋紋様を例え
ば、図２に示す普通弓状紋Ａ，突起弓状紋Ｔ，右流てい
状紋Ｒ，左流てい状紋Ｌ，渦状紋Ｗの５つのカテゴリー
に分類する場合について説明する。また、紋様分類手段
ｉ（ｉ＝１，２）が入力紋様をそれぞれのカテゴリーへ
分類する確率をＰ i（Ａ），Ｐ i（Ｔ），Ｐ i（Ｒ），
Ｐ i（Ｌ），Ｐ i（Ｗ）と表すことにする。
【００１２】例えば、入力紋様が与えられたときに、そ
れぞれの紋様分類手段ｉがそれぞれ次の数１式及び数２
式に示す確率Ｐ i（Ａ），Ｐ i（Ｔ），Ｐ i（Ｒ），Ｐ
i（Ｌ），Ｐ i（Ｗ）を出力する場合について考える。
れぞれの紋様分類手段ｉがそれぞれ次の数１式及び数２
式に示す確率Ｐ i（Ａ），Ｐ i（Ｔ），Ｐ i（Ｒ），Ｐ
i（Ｌ），Ｐ i（Ｗ）を出力する場合について考える。
【００１３】
【数１】Ｐ 1（Ａ）＝０．０１ Ｐ 1（Ｔ）＝０．０２ Ｐ 1（Ｒ）＝０．０３ Ｐ 1（Ｌ）＝０．０４ Ｐ 1（Ｗ）＝０．９０
【００１４】
【数２】Ｐ 2（Ａ）＝０．０１ Ｐ 2（Ｔ）＝０．０２ Ｐ 2（Ｒ）＝０．０３ Ｐ 2（Ｌ）＝０．７４ Ｐ 2（Ｗ）＝０．２０
【００１５】この場合、第１の紋様分類手段から得られ
る第１候補は渦状紋Ｗであり、第２候補は左流てい状紋
Ｌ、第３候補は右流てい状紋Ｒ、第４候補は突起弓状紋
Ｔ、第５候補は普通弓状紋Ａである。一方、第２の紋様
分類手段から得られる第１候補は左流てい状紋Ｌ、以降
の候補は、渦状紋Ｗ、右流てい状紋Ｒ、突起弓状紋Ｔ、
普通弓状紋Ａとなる。
る第１候補は渦状紋Ｗであり、第２候補は左流てい状紋
Ｌ、第３候補は右流てい状紋Ｒ、第４候補は突起弓状紋
Ｔ、第５候補は普通弓状紋Ａである。一方、第２の紋様
分類手段から得られる第１候補は左流てい状紋Ｌ、以降
の候補は、渦状紋Ｗ、右流てい状紋Ｒ、突起弓状紋Ｔ、
普通弓状紋Ａとなる。
【００１６】確率推定手段では、これらの確率を用い
て、入力紋様がそれぞれのカテゴリー毎へ分類される確
率Ｐ 0（Ａ），Ｐ 0（Ｔ），Ｐ 0（Ｒ），Ｐ 0（Ｌ），
Ｐ 0（Ｗ）を例えば相加平均などを用いて推定すると、
次の値が得られる。
て、入力紋様がそれぞれのカテゴリー毎へ分類される確
率Ｐ 0（Ａ），Ｐ 0（Ｔ），Ｐ 0（Ｒ），Ｐ 0（Ｌ），
Ｐ 0（Ｗ）を例えば相加平均などを用いて推定すると、
次の値が得られる。
【００１７】
【数３】 Ｐ 0（Ａ）＝（０．０１＋０．０１）／２＝０．０１ Ｐ 0（Ｔ）＝（０．０２＋０．０２）／２＝０．０２ Ｐ 0（Ｒ）＝（０．０３＋０．０３）／２＝０．０３ Ｐ 0（Ｌ）＝（０．０４＋０．７４）／２＝０．３９ Ｐ 0（Ｗ）＝（０．９０＋０．２０）／２＝０．５５
【００１８】このように推定された確率を用いると、第
１から第５までの候補として、それぞれ渦状紋Ｗ、左流
てい状紋Ｌ、右流てい状紋Ｒ、突起弓状紋Ｔ、普通弓状
紋Ａのカテゴリーを選ぶことができる。
１から第５までの候補として、それぞれ渦状紋Ｗ、左流
てい状紋Ｌ、右流てい状紋Ｒ、突起弓状紋Ｔ、普通弓状
紋Ａのカテゴリーを選ぶことができる。
【００１９】一方、これを単にそれぞれの紋様分類手段
から得られる紋様カテゴリーだけを用いて分類しようと
した場合を考える。第１の紋様分類手段から上位の候補
順に渦状紋Ｗ、左流てい状紋Ｌ、右流てい状紋Ｒ、突起
弓状紋Ｔ、普通弓状紋Ａが、第２の紋様分類手段から順
に左流てい状紋Ｌ、渦状紋Ｗ、右流てい状紋Ｒ、突起弓
状紋Ｔ、普通弓状紋Ａが得られているので、これらの分
類結果から第１候補を左流てい状紋Ｌと特定することは
難しく、紋様判定を確定的には行えない。
から得られる紋様カテゴリーだけを用いて分類しようと
した場合を考える。第１の紋様分類手段から上位の候補
順に渦状紋Ｗ、左流てい状紋Ｌ、右流てい状紋Ｒ、突起
弓状紋Ｔ、普通弓状紋Ａが、第２の紋様分類手段から順
に左流てい状紋Ｌ、渦状紋Ｗ、右流てい状紋Ｒ、突起弓
状紋Ｔ、普通弓状紋Ａが得られているので、これらの分
類結果から第１候補を左流てい状紋Ｌと特定することは
難しく、紋様判定を確定的には行えない。
【００２０】このように本発明による指紋分類装置は、
紋様分類手段のそれぞれの分類結果に対して確率という
尺度を与えることによって、統計的に意味のある情報量
が増えるため、精度良く分類することができる。
紋様分類手段のそれぞれの分類結果に対して確率という
尺度を与えることによって、統計的に意味のある情報量
が増えるため、精度良く分類することができる。
【００２１】また、第１候補だけでは十分な確率が得ら
れない場合には第２候補の付与を行ったり、それでも十
分な分類精度が得られないときは棄却を行ったりするこ
とが確率を参照することによって容易に実現することが
できる。
れない場合には第２候補の付与を行ったり、それでも十
分な分類精度が得られないときは棄却を行ったりするこ
とが確率を参照することによって容易に実現することが
できる。
【００２２】
【発明の実施の形態】次に本発明の実施の形態の例につ
いて図面を参照して詳細に説明する。
いて図面を参照して詳細に説明する。
【００２３】図１は本発明の指紋分類装置の一実施例を
示すブロック図である。
示すブロック図である。
【００２４】本実施例の指紋分類装置は、図１に示すよ
うに、指紋画像１６を入力する画像入力手段１１と、画
像入力手段１１より入力された指紋画像１６を用いて指
紋紋様分類を行い各カテゴリーへの分類確率を示す確率
データ１７，１８を出力する第１および第２の紋様分類
手段１２，１５と、第１および第２の紋様分類手段１
２，１５から得られる確率データ１７，１８を用いて、
各カテゴリーへの分類確率を推定し確率データ１９を出
力する確率推定手段１３と、確率推定手段１３から得ら
れる確率データ１９から最終的なカテゴリーを決定する
カテゴリー決定手段１４とを備えている。
うに、指紋画像１６を入力する画像入力手段１１と、画
像入力手段１１より入力された指紋画像１６を用いて指
紋紋様分類を行い各カテゴリーへの分類確率を示す確率
データ１７，１８を出力する第１および第２の紋様分類
手段１２，１５と、第１および第２の紋様分類手段１
２，１５から得られる確率データ１７，１８を用いて、
各カテゴリーへの分類確率を推定し確率データ１９を出
力する確率推定手段１３と、確率推定手段１３から得ら
れる確率データ１９から最終的なカテゴリーを決定する
カテゴリー決定手段１４とを備えている。
【００２５】ここでは、指紋紋様を例えば、図２に示す
普通弓状紋Ａ，突起弓状紋Ｔ，右流てい状紋Ｒ，左流て
い状紋Ｌ，渦状紋Ｗの５つのカテゴリーに分類する場合
について説明する。
普通弓状紋Ａ，突起弓状紋Ｔ，右流てい状紋Ｒ，左流て
い状紋Ｌ，渦状紋Ｗの５つのカテゴリーに分類する場合
について説明する。
【００２６】画像入力手段１１では、スキャナや２次元
ＣＣＤカメラなどを用いてデジタルを二次元画像として
指紋紋様を入力する。この画像は、例えば、５００ＤＰ
Ｉの解像度で撮像された５１２×５１２画素の大きさの
指紋画像である。画像入力手段１１によって入力された
指紋画像１６は、第１および第２の紋様分類手段１２，
１５に送られる。
ＣＣＤカメラなどを用いてデジタルを二次元画像として
指紋紋様を入力する。この画像は、例えば、５００ＤＰ
Ｉの解像度で撮像された５１２×５１２画素の大きさの
指紋画像である。画像入力手段１１によって入力された
指紋画像１６は、第１および第２の紋様分類手段１２，
１５に送られる。
【００２７】第１の紋様分類手段１２としては、例え
ば、前記文献１に記載された指紋分類装置、つまり指紋
紋様の尾根線と谷線およびそれらの線画像から得られる
特徴を用いて指紋紋様を分類する装置が用いられる。こ
の第１の紋様分類手段１２の構成については後述すると
して、第１の紋様分類手段１２は、指紋画像１６の指紋
紋様に対して５つのカテゴリーのそれぞれへ分類される
確率Ｐ 1（Ｃ）（Ｃは５つのカテゴリーＡ，Ｔ，Ｒ，
Ｌ，Ｗ）を出力する。なお、第１の紋様分類手段１２は
上記文献１記載の指紋分類装置に限られないことは言う
までもない。
ば、前記文献１に記載された指紋分類装置、つまり指紋
紋様の尾根線と谷線およびそれらの線画像から得られる
特徴を用いて指紋紋様を分類する装置が用いられる。こ
の第１の紋様分類手段１２の構成については後述すると
して、第１の紋様分類手段１２は、指紋画像１６の指紋
紋様に対して５つのカテゴリーのそれぞれへ分類される
確率Ｐ 1（Ｃ）（Ｃは５つのカテゴリーＡ，Ｔ，Ｒ，
Ｌ，Ｗ）を出力する。なお、第１の紋様分類手段１２は
上記文献１記載の指紋分類装置に限られないことは言う
までもない。
【００２８】第２の紋様分類手段１５は、第１の紋様分
類手段１２とは異なる分類方法により指紋画像１６を分
類する。第２の紋様分類手段１５としては、例えばニュ
ーラルネットワークを用いた紋様分類手段が用いられ
る。勿論、他の形式の紋様分類手段を用いることもでき
る。第２の紋様分類手段１５の構成についても後述す
る。第２の紋様分類手段１５は、第１の紋様分類手段１
２と同じく、指紋画像１６の指紋紋様に対して５つのカ
テゴリーのそれぞれへ分類される確率Ｐ 2（Ｃ）を出力
する。
類手段１２とは異なる分類方法により指紋画像１６を分
類する。第２の紋様分類手段１５としては、例えばニュ
ーラルネットワークを用いた紋様分類手段が用いられ
る。勿論、他の形式の紋様分類手段を用いることもでき
る。第２の紋様分類手段１５の構成についても後述す
る。第２の紋様分類手段１５は、第１の紋様分類手段１
２と同じく、指紋画像１６の指紋紋様に対して５つのカ
テゴリーのそれぞれへ分類される確率Ｐ 2（Ｃ）を出力
する。
【００２９】なお、本実施例では、２つの紋様分類手段
を使用しているが、３つ以上の紋様分類手段を統合する
ように構成してもよい。
を使用しているが、３つ以上の紋様分類手段を統合する
ように構成してもよい。
【００３０】確率推定手段１３では、第１の紋様分類手
段１２から得られる第１の確率データＰ 1（Ｃ）と、第
２の紋様分類手段１５から得られる第２の確率データＰ
2（Ｃ）とを用いて、指紋画像１６の指紋紋様がそれぞ
れのカテゴリーへ分類される確率Ｐ 0（Ｃ）を推定し、
カテゴリー決定手段１４へ出力する。出力する確率デー
タＰ 0（Ｃ）の算出は、例えば、次の数４式によって確
率の相加平均を求めればよい。
段１２から得られる第１の確率データＰ 1（Ｃ）と、第
２の紋様分類手段１５から得られる第２の確率データＰ
2（Ｃ）とを用いて、指紋画像１６の指紋紋様がそれぞ
れのカテゴリーへ分類される確率Ｐ 0（Ｃ）を推定し、
カテゴリー決定手段１４へ出力する。出力する確率デー
タＰ 0（Ｃ）の算出は、例えば、次の数４式によって確
率の相加平均を求めればよい。
【００３１】
【数４】Ｐ 0（Ｃ）＝｛Ｐ 1（Ｃ）＋Ｐ 2（Ｃ）｝／２
【００３２】また、上式の代わりに次の数５式で表され
る相乗平均をした後、下記の数６式により正規化しても
構わない。
る相乗平均をした後、下記の数６式により正規化しても
構わない。
【００３３】
【数５】 Ｐ ave（Ｃ）＝｛Ｐ 1（Ｃ）＋Ｐ 2（Ｃ）｝1/2
【００３４】
【数６】Ｐ 0（Ｃ）＝Ｐ ave（Ｃ）／Σ cＰ ave（Ｃ）
【００３５】カテゴリー決定手段１４では、得られた確
率データ１９に基づき出力するカテゴリーＣ0 を決定し
出力する。例えば、棄却を行わないで第１候補のみを出
力する場合には、数７式によって与えられるカテゴリー
を出力する。
率データ１９に基づき出力するカテゴリーＣ0 を決定し
出力する。例えば、棄却を行わないで第１候補のみを出
力する場合には、数７式によって与えられるカテゴリー
を出力する。
【００３６】
【数７】Ｃ0 ＝argmaxc Ｐ 0（Ｃ）
【００３７】つまり、ここではカテゴリーＣの中で最大
の確率Ｐ 0（Ｃ）を与えるものを出力カテゴリーとす
る。
の確率Ｐ 0（Ｃ）を与えるものを出力カテゴリーとす
る。
【００３８】また、第１候補のみ出力すると共に棄却を
設定する場合は、カテゴリーＣの中で最大の確率Ｐ
0（Ｃ）が所定の閾値以上のときに限ってそのカテゴリ
ーを出力し、それ以外の場合は棄却を行う。例えば前述
した数３式の確率データの例において、閾値を０．５と
すれば、第１候補として渦状紋Ｗを出力する。紋様分類
の精度を一層確保したいために閾値を例えば０．９とす
れば、このデータは棄却される。
設定する場合は、カテゴリーＣの中で最大の確率Ｐ
0（Ｃ）が所定の閾値以上のときに限ってそのカテゴリ
ーを出力し、それ以外の場合は棄却を行う。例えば前述
した数３式の確率データの例において、閾値を０．５と
すれば、第１候補として渦状紋Ｗを出力する。紋様分類
の精度を一層確保したいために閾値を例えば０．９とす
れば、このデータは棄却される。
【００３９】さらに、第１候補のみでは十分な分類精度
が得られそうもない紋様に関しては第２候補を与え、そ
れでも十分な分類精度が得られそうもない紋様は棄却す
る場合には次のように処理を行う。即ち、例えば各カテ
ゴリーＣに対する確率Ｐ 0（Ｃ）を大きい順に並べ換
え、大きい順に第１候補，第２候補，第３候補，…とす
る。第１候補に対応する確率が第１候補のみの出力を判
定する閾値ｔ1 以上ならば第１候補のカテゴリーのみを
出力するが、仮にそうでなければ第１候補に対する確率
と第２候補に対する確率とを加算し、その和が所定の閾
値ｔ2 以上であるならば第１候補のカテゴリーと第２候
補のカテゴリーとをそれぞれ第１候補，第２候補として
出力する。さらに、仮にこの条件も満たさなければ、こ
の紋様を棄却する。例えば数３式の確率データの例にお
いて、ｔ1 ＝０．５，ｔ2 ＝０．５と設定した場合、第
１候補の渦状紋Ｗのみを出力する。一層誤りを少なくす
る場合には、例えばｔ1 ＝０．９，ｔ2 ＝０．９と設定
すれば良く、この場合は第１候補として渦状紋Ｗを出力
し、第２候補として左流てい状紋Ｌを出力する。更に、
自動分類による誤りを少なくしたい場合には、例えばｔ
1 ＝０．９５，ｔ2 ＝０．９５とすれば、このデータは
棄却される。
が得られそうもない紋様に関しては第２候補を与え、そ
れでも十分な分類精度が得られそうもない紋様は棄却す
る場合には次のように処理を行う。即ち、例えば各カテ
ゴリーＣに対する確率Ｐ 0（Ｃ）を大きい順に並べ換
え、大きい順に第１候補，第２候補，第３候補，…とす
る。第１候補に対応する確率が第１候補のみの出力を判
定する閾値ｔ1 以上ならば第１候補のカテゴリーのみを
出力するが、仮にそうでなければ第１候補に対する確率
と第２候補に対する確率とを加算し、その和が所定の閾
値ｔ2 以上であるならば第１候補のカテゴリーと第２候
補のカテゴリーとをそれぞれ第１候補，第２候補として
出力する。さらに、仮にこの条件も満たさなければ、こ
の紋様を棄却する。例えば数３式の確率データの例にお
いて、ｔ1 ＝０．５，ｔ2 ＝０．５と設定した場合、第
１候補の渦状紋Ｗのみを出力する。一層誤りを少なくす
る場合には、例えばｔ1 ＝０．９，ｔ2 ＝０．９と設定
すれば良く、この場合は第１候補として渦状紋Ｗを出力
し、第２候補として左流てい状紋Ｌを出力する。更に、
自動分類による誤りを少なくしたい場合には、例えばｔ
1 ＝０．９５，ｔ2 ＝０．９５とすれば、このデータは
棄却される。
【００４０】なお、カテゴリー決定手段１４では、得ら
れた確率データ１９そのものを分類結果として出力する
ように構成することもできる。
れた確率データ１９そのものを分類結果として出力する
ように構成することもできる。
【００４１】次に、第１の紋様分類手段１２の構成例に
ついて説明する。ここでは、前記文献１に記載された指
紋分類装置を用いた紋様分類手段を取り上げる。まず、
第１の紋様分類手段１２による紋様分類の基本的な考え
方について説明する。
ついて説明する。ここでは、前記文献１に記載された指
紋分類装置を用いた紋様分類手段を取り上げる。まず、
第１の紋様分類手段１２による紋様分類の基本的な考え
方について説明する。
【００４２】一般に、指紋紋様は、表皮の***した隆線
である尾根部分と、隆線の間の谷の部分から成り立つ。
この尾根の部分と谷の部分から成る紋様はおおよそ平行
線による流れの紋様を成しているが、この流れは大別す
ると３つに分類することができる。例えば図３（ａ）の
指紋紋様の拡大図，同図（ｂ）の谷分岐及び尾根端を含
む画像化処理図に示すようなおおよそ平行隆線からでき
ている流れと、図４（ａ）の谷端を含む画像化処理図，
同図（ｂ）の尾根端を含む画像化処理図に示すような半
円状の流れと、図５（ａ）の谷分岐を含む画像化処理
図，同図（ｂ）の尾根分岐を含む画像化処理図に示すよ
うな三角州状の流れとに分けられる。
である尾根部分と、隆線の間の谷の部分から成り立つ。
この尾根の部分と谷の部分から成る紋様はおおよそ平行
線による流れの紋様を成しているが、この流れは大別す
ると３つに分類することができる。例えば図３（ａ）の
指紋紋様の拡大図，同図（ｂ）の谷分岐及び尾根端を含
む画像化処理図に示すようなおおよそ平行隆線からでき
ている流れと、図４（ａ）の谷端を含む画像化処理図，
同図（ｂ）の尾根端を含む画像化処理図に示すような半
円状の流れと、図５（ａ）の谷分岐を含む画像化処理
図，同図（ｂ）の尾根分岐を含む画像化処理図に示すよ
うな三角州状の流れとに分けられる。
【００４３】このうち、半円状の流れを成す部分は鑑識
上「指紋中心」と呼ばれる部分にしばしば現れる特異な
紋様であり、また三角州状の紋様は鑑識上「三角州」と
呼ばれる部分に現れる特異な紋様であって、何れも指紋
分類上重要な特徴である。第１の紋様分類手段１２で
は、このような特異な紋様部分に現れる特異点を抽出
し、その抽出した特異点に基づいて指紋分類を行う。
上「指紋中心」と呼ばれる部分にしばしば現れる特異な
紋様であり、また三角州状の紋様は鑑識上「三角州」と
呼ばれる部分に現れる特異な紋様であって、何れも指紋
分類上重要な特徴である。第１の紋様分類手段１２で
は、このような特異な紋様部分に現れる特異点を抽出
し、その抽出した特異点に基づいて指紋分類を行う。
【００４４】そこで、まず指紋画像における特徴の抽出
について説明する。例えば図３（ａ）に示すように隆線
紋様の流れが緩やかな部分に現れる隆線の流れの中に現
れる端点や分岐点等の特徴点であるマニューシャは、図
３（ａ）の線の接続関係が表された図３（ｂ）に示され
るように、尾根の端点に対応して谷の分岐点が現れる。
逆に谷線で端点として現れるマニューシャは、対応する
尾根線上では分岐点として現れる。このように「尾根の
端点の近傍に谷の分岐点、谷の端点の近傍に尾根の分岐
点が現れる」というマニューシャの対応関係が成り立
つ。
について説明する。例えば図３（ａ）に示すように隆線
紋様の流れが緩やかな部分に現れる隆線の流れの中に現
れる端点や分岐点等の特徴点であるマニューシャは、図
３（ａ）の線の接続関係が表された図３（ｂ）に示され
るように、尾根の端点に対応して谷の分岐点が現れる。
逆に谷線で端点として現れるマニューシャは、対応する
尾根線上では分岐点として現れる。このように「尾根の
端点の近傍に谷の分岐点、谷の端点の近傍に尾根の分岐
点が現れる」というマニューシャの対応関係が成り立
つ。
【００４５】ところが、隆線の流れが急激に変化する図
４（ａ），（ｂ）に示されるような半円状の部分や図５
（ａ），（ｂ）に示されるような三角州状の部分では、
マニューシャの対応関係は成立しない。そこで、以下で
はこのようなマニューシャの対応関係が成立しないマニ
ューシャを特異点と呼ぶことにし、特に半円状の部分に
現れる特異点をコア型特異点、三角州状の部分に現れる
特異点をデルタ型特異点と呼ぶことにする。
４（ａ），（ｂ）に示されるような半円状の部分や図５
（ａ），（ｂ）に示されるような三角州状の部分では、
マニューシャの対応関係は成立しない。そこで、以下で
はこのようなマニューシャの対応関係が成立しないマニ
ューシャを特異点と呼ぶことにし、特に半円状の部分に
現れる特異点をコア型特異点、三角州状の部分に現れる
特異点をデルタ型特異点と呼ぶことにする。
【００４６】第１の紋様分類手段１２では、このような
マニューシャの対応関係を利用して、対応関係が成り立
たないマニューシャである特異点を最初に検出する。こ
のような特異点は、前述したように指紋紋様の「中心
点」や「三角州」に現れることが多く、この特異点数を
数えるだけでも、弓状紋，てい状紋，渦状紋の３つのカ
テゴリーに分類する場合にはある程度の精度で指紋分類
を行うことが可能であるが、高い分類性能は得られな
い。
マニューシャの対応関係を利用して、対応関係が成り立
たないマニューシャである特異点を最初に検出する。こ
のような特異点は、前述したように指紋紋様の「中心
点」や「三角州」に現れることが多く、この特異点数を
数えるだけでも、弓状紋，てい状紋，渦状紋の３つのカ
テゴリーに分類する場合にはある程度の精度で指紋分類
を行うことが可能であるが、高い分類性能は得られな
い。
【００４７】そこで第１の紋様分類手段１２では、特異
点の周りに特徴的な線（特徴線）が存在すればそれを追
跡して指紋紋様の特徴を抽出し、指紋紋様の種別判別を
行う。例えば、指紋の種類が図２に示した普通弓状紋
Ａ，突起弓状紋Ｔ，右流てい状紋Ｒ，左流てい状紋Ｌ，
渦状紋Ｗの５つに分類される場合であれば、前述したよ
うにコア型特異点は通常普通弓状紋Ａでは０個、突起弓
状紋Ｔ，右流てい状紋Ｒ及び左流てい状紋Ｌでは１個、
渦状紋Ｗでは２個現れる。なお、デルタ型特異点もコア
型特異点と同様な数だけ現れるが、実際に押捺される指
紋では十分広範囲に印象が押捺されないこと等により、
自動検出が難しい場合があるので、ここではコア型特異
点を用いた指紋分類の場合について説明する。
点の周りに特徴的な線（特徴線）が存在すればそれを追
跡して指紋紋様の特徴を抽出し、指紋紋様の種別判別を
行う。例えば、指紋の種類が図２に示した普通弓状紋
Ａ，突起弓状紋Ｔ，右流てい状紋Ｒ，左流てい状紋Ｌ，
渦状紋Ｗの５つに分類される場合であれば、前述したよ
うにコア型特異点は通常普通弓状紋Ａでは０個、突起弓
状紋Ｔ，右流てい状紋Ｒ及び左流てい状紋Ｌでは１個、
渦状紋Ｗでは２個現れる。なお、デルタ型特異点もコア
型特異点と同様な数だけ現れるが、実際に押捺される指
紋では十分広範囲に印象が押捺されないこと等により、
自動検出が難しい場合があるので、ここではコア型特異
点を用いた指紋分類の場合について説明する。
【００４８】てい状紋Ｌ，Ｒおよび突起弓状紋Ｔでは、
これらの２つのカテゴリーへの分類が困難な類似してい
る紋様が多く存在する。この２つの紋様を区別する際に
注意する点は、てい状線を含むか否かという点である。
即ち、てい状紋Ｒ，Ｌはてい状線を含むのに対して、突
起弓状紋Ｔでは弓状線から成り立っており、てい状線を
含まないという点を特色としている。
これらの２つのカテゴリーへの分類が困難な類似してい
る紋様が多く存在する。この２つの紋様を区別する際に
注意する点は、てい状線を含むか否かという点である。
即ち、てい状紋Ｒ，Ｌはてい状線を含むのに対して、突
起弓状紋Ｔでは弓状線から成り立っており、てい状線を
含まないという点を特色としている。
【００４９】ここで、てい状線とは図６のａ1 −ａr や
ｂ1 −ｂr の線で示されるような馬てい形をなす隆線の
うち、馬てい形の先端部分から追跡した２つの線の終端
が一方の方向に流れるものであり、右流てい状線なら２
つともおおよそ右側にあり、左流てい状線からおおよそ
左側にある。これに対して弓状線は、図６のｃ1 −ｃr
やｄ1 −ｄr の線で示されるような弓状の突起を起点と
して追跡した線が右側と左側に分かれるものを言う。一
般に隆線は必ずしも連続につながっておらずに断絶があ
る。そのような場合、適宜その不連続性を補完して隆線
を追跡し、その隆線を追跡した終端が上述した条件に当
てはまれば弓状線やてい状線を種別判定することができ
る。
ｂ1 −ｂr の線で示されるような馬てい形をなす隆線の
うち、馬てい形の先端部分から追跡した２つの線の終端
が一方の方向に流れるものであり、右流てい状線なら２
つともおおよそ右側にあり、左流てい状線からおおよそ
左側にある。これに対して弓状線は、図６のｃ1 −ｃr
やｄ1 −ｄr の線で示されるような弓状の突起を起点と
して追跡した線が右側と左側に分かれるものを言う。一
般に隆線は必ずしも連続につながっておらずに断絶があ
る。そのような場合、適宜その不連続性を補完して隆線
を追跡し、その隆線を追跡した終端が上述した条件に当
てはまれば弓状線やてい状線を種別判定することができ
る。
【００５０】てい状紋の場合、コア型特異点は図６に示
すようにてい状紋の馬てい形の位置に取り囲まれるよう
な部分に存在する。逆に言えば、コア型特異点の周辺に
てい状紋が存在する。突起弓状紋の場合、コア型特異点
は図７に示すように弓状線に取り囲まれる。従って、コ
ア型特異点の周囲を取り囲む線を抽出し、その線が弓状
線を成しているか、てい状線を成しているかを判定する
ことによって、てい状紋および突起弓状紋の種別判定を
行うことができる。
すようにてい状紋の馬てい形の位置に取り囲まれるよう
な部分に存在する。逆に言えば、コア型特異点の周辺に
てい状紋が存在する。突起弓状紋の場合、コア型特異点
は図７に示すように弓状線に取り囲まれる。従って、コ
ア型特異点の周囲を取り囲む線を抽出し、その線が弓状
線を成しているか、てい状線を成しているかを判定する
ことによって、てい状紋および突起弓状紋の種別判定を
行うことができる。
【００５１】また、殆どの渦状紋ではコア型特異点およ
びその周囲の隆線の流れは図８（ａ），（ｂ）に示すよ
うな２つの類型に大別できる。即ち、図８（ａ）に示す
ようにコア型特異点が尾根線や谷線を介して接続し、そ
の周りの隆線がおおよそ環状を形成する紋様と、図８
（ｂ）に示すようなコア型特異点に接続する線がおおよ
そ渦状を形成する紋様とがある。従って、コア型特定点
に接続する特徴的な線（特徴線）の形態が２つの形態に
分類し得ないような場合、検出された特異点が渦状紋に
よる特異点ではないと判定できるので、渦状紋に対する
検証処理を行うことができる。例えば、図９に示すよう
なてい状線が２つ現れているてい状紋は、ごく一部存在
する。このような場合には特異点に接続する特徴線等を
チェックすることにより渦状紋への誤分類を防ぐことが
できる。
びその周囲の隆線の流れは図８（ａ），（ｂ）に示すよ
うな２つの類型に大別できる。即ち、図８（ａ）に示す
ようにコア型特異点が尾根線や谷線を介して接続し、そ
の周りの隆線がおおよそ環状を形成する紋様と、図８
（ｂ）に示すようなコア型特異点に接続する線がおおよ
そ渦状を形成する紋様とがある。従って、コア型特定点
に接続する特徴的な線（特徴線）の形態が２つの形態に
分類し得ないような場合、検出された特異点が渦状紋に
よる特異点ではないと判定できるので、渦状紋に対する
検証処理を行うことができる。例えば、図９に示すよう
なてい状線が２つ現れているてい状紋は、ごく一部存在
する。このような場合には特異点に接続する特徴線等を
チェックすることにより渦状紋への誤分類を防ぐことが
できる。
【００５２】図１０は以上のような基本的な考え方のも
とに構築された第１の紋様分類手段１２の構成例を示す
ブロック図である。この例の第１の紋様分類手段１２
は、入力された指紋画像９１から指紋紋様の隆線に対応
する尾根線を抽出する尾根線抽出手段９２と、指紋画像
９１から指紋紋様の隆線の間の谷部分である谷線を抽出
する谷線抽出手段９３と、前記抽出された尾根線から尾
根マニューシャを抽出する尾根マニューシャ抽出手段９
４と、前記抽出された谷線から谷マニューシャを抽出す
る谷マニューシャ抽出手段９５と、前記抽出された尾根
線，谷線，尾根マニューシャおよび谷マニューシャを用
いて、当該尾根マニューシャ及び当該谷マニューシャに
おける対応関係を求めるマニューシャ対応抽出手段９６
と、このマニューシャ対応抽出手段９６からのマニュー
シャ対応関係に関する記述情報と前記抽出された尾根線
および谷線とに基づいて指紋画像９１の指紋紋様の特徴
線を追跡する特徴線追跡手段９７と、追跡された特徴線
の特徴およびマニューシャ対応抽出手段９６からのマニ
ューシャ対応関係に関する記述情報を用いて、指紋画像
９１の指紋紋様の種別判定を行い、各カテゴリーへ分類
される確率を示す確率データ９９を出力する紋様判定手
段９８とから構成されている。
とに構築された第１の紋様分類手段１２の構成例を示す
ブロック図である。この例の第１の紋様分類手段１２
は、入力された指紋画像９１から指紋紋様の隆線に対応
する尾根線を抽出する尾根線抽出手段９２と、指紋画像
９１から指紋紋様の隆線の間の谷部分である谷線を抽出
する谷線抽出手段９３と、前記抽出された尾根線から尾
根マニューシャを抽出する尾根マニューシャ抽出手段９
４と、前記抽出された谷線から谷マニューシャを抽出す
る谷マニューシャ抽出手段９５と、前記抽出された尾根
線，谷線，尾根マニューシャおよび谷マニューシャを用
いて、当該尾根マニューシャ及び当該谷マニューシャに
おける対応関係を求めるマニューシャ対応抽出手段９６
と、このマニューシャ対応抽出手段９６からのマニュー
シャ対応関係に関する記述情報と前記抽出された尾根線
および谷線とに基づいて指紋画像９１の指紋紋様の特徴
線を追跡する特徴線追跡手段９７と、追跡された特徴線
の特徴およびマニューシャ対応抽出手段９６からのマニ
ューシャ対応関係に関する記述情報を用いて、指紋画像
９１の指紋紋様の種別判定を行い、各カテゴリーへ分類
される確率を示す確率データ９９を出力する紋様判定手
段９８とから構成されている。
【００５３】図１１は図１０の構成をより具体化したブ
ロック図である。同図に示すように、各手段は以下のよ
うに構成されている。
ロック図である。同図に示すように、各手段は以下のよ
うに構成されている。
【００５４】尾根線抽出手段９２は、指紋画像９１の二
値画像を作成する画像処理手段９２１と、作成された二
値画像から二値化された尾根線を抽出する細線化手段９
２２とを備えている。
値画像を作成する画像処理手段９２１と、作成された二
値画像から二値化された尾根線を抽出する細線化手段９
２２とを備えている。
【００５５】谷線抽出手段９３は、尾根線抽出手段９２
で抽出された、二値化された尾根線を反転させた画像を
得る画像反転手段９３１と、その反転画像を細線化して
谷線を抽出する細線化手段９３２とを備えている。
で抽出された、二値化された尾根線を反転させた画像を
得る画像反転手段９３１と、その反転画像を細線化して
谷線を抽出する細線化手段９３２とを備えている。
【００５６】尾根マニューシャ抽出手段９４は、尾根の
端点抽出及びリスト作成手段９４１と、尾根の分岐点抽
出及びリスト作成手段９４２とを備えている。また、谷
マニューシャ抽出手段９５は、谷の端点抽出及びリスト
作成手段９５１と、谷の分岐点抽出及びリスト作成手段
９５２とを備えている。上述したように細線化手段９２
２，９３２を用いて尾根線や谷線を抽出する場合、それ
らにより得られる尾根線や谷線は細線画像である。この
ような細線画像からマニューシャを抽出する場合、図１
２（ａ），（ｂ）に示されるような３×３画素の大きさ
のマニューシャ抽出のための二値検出マスクを細線画像
に走査し、その３×３のパターンの比較を行う。一致出
力が得られる場合、そのマスクの中点の点をマニューシ
ャとして抽出する。このとき、図１２（ａ）のような検
出マスクで抽出されるマニューシャは端点であり、図１
２（ｂ）のような検出マスクで抽出されるマニューシャ
は分岐点である。尾根マニューシャ抽出手段９４や谷マ
ニューシャ抽出手段９５では、このマニューシャ抽出を
尾根の細線画像と谷線の細線画像に対してそれぞれ適用
し、尾根と谷の端点および分岐点を求める。尾根画像か
ら得られた端点，分岐点をそれぞれ尾根端点，尾根分岐
点とし、谷画像から得られた端点，分岐点をそれぞれ谷
端点，谷分岐点として、抽出されたマニューシャのリス
トを作成して出力する。この時点でマニューシャのリス
トに登録する情報は、マニューシャの座標，マニューシ
ャの種類等の各種情報である。
端点抽出及びリスト作成手段９４１と、尾根の分岐点抽
出及びリスト作成手段９４２とを備えている。また、谷
マニューシャ抽出手段９５は、谷の端点抽出及びリスト
作成手段９５１と、谷の分岐点抽出及びリスト作成手段
９５２とを備えている。上述したように細線化手段９２
２，９３２を用いて尾根線や谷線を抽出する場合、それ
らにより得られる尾根線や谷線は細線画像である。この
ような細線画像からマニューシャを抽出する場合、図１
２（ａ），（ｂ）に示されるような３×３画素の大きさ
のマニューシャ抽出のための二値検出マスクを細線画像
に走査し、その３×３のパターンの比較を行う。一致出
力が得られる場合、そのマスクの中点の点をマニューシ
ャとして抽出する。このとき、図１２（ａ）のような検
出マスクで抽出されるマニューシャは端点であり、図１
２（ｂ）のような検出マスクで抽出されるマニューシャ
は分岐点である。尾根マニューシャ抽出手段９４や谷マ
ニューシャ抽出手段９５では、このマニューシャ抽出を
尾根の細線画像と谷線の細線画像に対してそれぞれ適用
し、尾根と谷の端点および分岐点を求める。尾根画像か
ら得られた端点，分岐点をそれぞれ尾根端点，尾根分岐
点とし、谷画像から得られた端点，分岐点をそれぞれ谷
端点，谷分岐点として、抽出されたマニューシャのリス
トを作成して出力する。この時点でマニューシャのリス
トに登録する情報は、マニューシャの座標，マニューシ
ャの種類等の各種情報である。
【００５７】マニューシャ対応抽出手段９６は、尾根線
及び谷線を参照して尾根端点と谷分岐点の対応関係を抽
出する手段９６１と、尾根線及び谷線を参照して谷端点
と尾根分岐点の対応関係を抽出する手段９６２とを備え
ている。即ち、マニューシャ対応抽出手段９６は、尾根
マニューシャ及び谷マニューシャの間で、尾根の端点な
ら谷の分岐点，尾根の分岐点なら谷の端点というよう
に、対応する関係にあるマニューシャやそのようなマニ
ューシャが無いというようなマニューシャの対応関係を
抽出し、マニューシャ対応記述情報を出力する。ここ
で、マニューシャ対応記述情報としては、例えばマニュ
ーシャの座標値，マニューシャの種類（端点，分岐点，
尾根点，谷点の区別等），マニューシャに接続する線，
マニューシャに接続する線とそのマニューシャと対応す
るマニューシャの位置関係等が挙げられる。
及び谷線を参照して尾根端点と谷分岐点の対応関係を抽
出する手段９６１と、尾根線及び谷線を参照して谷端点
と尾根分岐点の対応関係を抽出する手段９６２とを備え
ている。即ち、マニューシャ対応抽出手段９６は、尾根
マニューシャ及び谷マニューシャの間で、尾根の端点な
ら谷の分岐点，尾根の分岐点なら谷の端点というよう
に、対応する関係にあるマニューシャやそのようなマニ
ューシャが無いというようなマニューシャの対応関係を
抽出し、マニューシャ対応記述情報を出力する。ここ
で、マニューシャ対応記述情報としては、例えばマニュ
ーシャの座標値，マニューシャの種類（端点，分岐点，
尾根点，谷点の区別等），マニューシャに接続する線，
マニューシャに接続する線とそのマニューシャと対応す
るマニューシャの位置関係等が挙げられる。
【００５８】特徴線追跡手段９７は、マニューシャ対応
記述情報に基づいてコア型特異点を計数する手段９７１
と、尾根線及び谷線を参照して特異点数に応じて特異点
周辺の特徴線を追跡する手段９７２と、抽出された特徴
線が予想される紋様に適合しているか否か検証する手段
９７３とを備えている。ここで、手段９７２は、コア型
特異点が２個の場合は紋様が渦状紋であることを仮定し
て特徴線を追跡し、１個の場合は紋様が突起弓状紋やて
い状紋であることを仮定して特徴線を追跡する。また、
特徴線の追跡は指紋画像９１に重畳したノイズ等の影響
により、必ずしも全て正しく追跡できるわけではないの
で、手段９７３で特徴線の追跡結果に対して検証を行
う。なお、仮定した特徴線が追跡できなかったとき等の
場合、検証手段９７３は棄却判定を行う。
記述情報に基づいてコア型特異点を計数する手段９７１
と、尾根線及び谷線を参照して特異点数に応じて特異点
周辺の特徴線を追跡する手段９７２と、抽出された特徴
線が予想される紋様に適合しているか否か検証する手段
９７３とを備えている。ここで、手段９７２は、コア型
特異点が２個の場合は紋様が渦状紋であることを仮定し
て特徴線を追跡し、１個の場合は紋様が突起弓状紋やて
い状紋であることを仮定して特徴線を追跡する。また、
特徴線の追跡は指紋画像９１に重畳したノイズ等の影響
により、必ずしも全て正しく追跡できるわけではないの
で、手段９７３で特徴線の追跡結果に対して検証を行
う。なお、仮定した特徴線が追跡できなかったとき等の
場合、検証手段９７３は棄却判定を行う。
【００５９】紋様判定手段９８は、マニューシャ対応記
述情報，コア型特異点計数結果および抽出された特徴線
の検証結果に応じて、様々な特徴量を用いて詳細カテゴ
リーに分類する手段９８１と、詳細カテゴリーへの分類
を行った分類結果に従って確率テーブル９８３を参照す
ることによって各カテゴリーに分類される確率を示す確
率データ９９を求める手段９８２とを備えている。以
下、紋様判定手段９８について詳述する。
述情報，コア型特異点計数結果および抽出された特徴線
の検証結果に応じて、様々な特徴量を用いて詳細カテゴ
リーに分類する手段９８１と、詳細カテゴリーへの分類
を行った分類結果に従って確率テーブル９８３を参照す
ることによって各カテゴリーに分類される確率を示す確
率データ９９を求める手段９８２とを備えている。以
下、紋様判定手段９８について詳述する。
【００６０】手段９８１は、特異点数，特徴線の検出の
有無，検出された特徴線の種類により以下のように６つ
のカテゴリーａ，ｔ，ｌ，ｒ，ｗ，ｘに仮判定する。こ
こで、カテゴリーａは特異点が０個の場合、カテゴリー
ｔは特異点が１個で最も内側のコア包囲線が突起弓状線
と判定される場合、カテゴリーｌは特異点が１個で最も
内側のコア包囲線が左流てい状紋と判定される場合、カ
テゴリーｒは特異点が１個で最も内側のコア包囲線が右
流てい状紋と判定される場合、カテゴリーｗは特異点が
２個で特徴線が検出された場合、カテゴリーｘは特徴線
の検証処理によって棄却判定された場合に相当する。ま
た、コア型特異点の数を特異点数が０個の場合、１個の
場合、２個の場合、及び３個以上の場合に分類する。従
って、仮判定したカテゴリーａ，ｔ，ｌ，ｒ，ｗ，ｘ
（６カテゴリー）とコア型特異点の数によるカテゴリー
（４カテゴリー）によって、６×４＝２４のカテゴリー
に分類する。なお、デルタ型特異点の数によるカテゴリ
ー（４カテゴリー）も加えて、６×４×４＝９６のカテ
ゴリーに分類するようにしても良い。以下では、この詳
細カテゴリーをｃi （ｉ＝１，２，…，）と表記する。
有無，検出された特徴線の種類により以下のように６つ
のカテゴリーａ，ｔ，ｌ，ｒ，ｗ，ｘに仮判定する。こ
こで、カテゴリーａは特異点が０個の場合、カテゴリー
ｔは特異点が１個で最も内側のコア包囲線が突起弓状線
と判定される場合、カテゴリーｌは特異点が１個で最も
内側のコア包囲線が左流てい状紋と判定される場合、カ
テゴリーｒは特異点が１個で最も内側のコア包囲線が右
流てい状紋と判定される場合、カテゴリーｗは特異点が
２個で特徴線が検出された場合、カテゴリーｘは特徴線
の検証処理によって棄却判定された場合に相当する。ま
た、コア型特異点の数を特異点数が０個の場合、１個の
場合、２個の場合、及び３個以上の場合に分類する。従
って、仮判定したカテゴリーａ，ｔ，ｌ，ｒ，ｗ，ｘ
（６カテゴリー）とコア型特異点の数によるカテゴリー
（４カテゴリー）によって、６×４＝２４のカテゴリー
に分類する。なお、デルタ型特異点の数によるカテゴリ
ー（４カテゴリー）も加えて、６×４×４＝９６のカテ
ゴリーに分類するようにしても良い。以下では、この詳
細カテゴリーをｃi （ｉ＝１，２，…，）と表記する。
【００６１】このようにカテゴリー分けをした各詳細カ
テゴリーｃi が、最終的に渦状紋Ｗや左流てい状紋Ｌ等
のどのカテゴリーＣj （ｊ＝Ａ，Ｔ，Ｌ，Ｒ，Ｗ）（Ｃ
A,ＣT,ＣL,ＣR,ＣW はそれぞれ普通弓状紋，突起弓状
紋，左流てい状紋，右流てい状紋，渦状紋を意味する）
に属するかという事後確率Ｐx を与える確率テーブル９
８３を用意する。この確率テーブル９８３は、予め用意
した或る程度大量の学習用の指紋画像と、その指紋画像
の各々が属するカテゴリーとが与えられれば容易に計算
できる。即ち、確率テーブル参照までの処理を学習用の
指紋画像に対して施し、詳細カテゴリーｃi を学習用の
指紋画像について求める。この際、各詳細カテゴリーｃ
i 毎に学習用の指紋画像が元来属するカテゴリーＣj が
何れであったかを計数する。これにより、学習用の指紋
画像から以下の数８式の関係で事後確率Ｐx を計算する
ことができる。
テゴリーｃi が、最終的に渦状紋Ｗや左流てい状紋Ｌ等
のどのカテゴリーＣj （ｊ＝Ａ，Ｔ，Ｌ，Ｒ，Ｗ）（Ｃ
A,ＣT,ＣL,ＣR,ＣW はそれぞれ普通弓状紋，突起弓状
紋，左流てい状紋，右流てい状紋，渦状紋を意味する）
に属するかという事後確率Ｐx を与える確率テーブル９
８３を用意する。この確率テーブル９８３は、予め用意
した或る程度大量の学習用の指紋画像と、その指紋画像
の各々が属するカテゴリーとが与えられれば容易に計算
できる。即ち、確率テーブル参照までの処理を学習用の
指紋画像に対して施し、詳細カテゴリーｃi を学習用の
指紋画像について求める。この際、各詳細カテゴリーｃ
i 毎に学習用の指紋画像が元来属するカテゴリーＣj が
何れであったかを計数する。これにより、学習用の指紋
画像から以下の数８式の関係で事後確率Ｐx を計算する
ことができる。
【００６２】
【数８】Ｐx ＝Ｐ（Ｃj ｜ｃi ）＝｛Ｎ（Ｃj ｜
ｃi ）｝／Ｎ（ｃi ）
ｃi ）｝／Ｎ（ｃi ）
【００６３】但し、ここでＮ（ｃi ）は学習用の指紋画
像のうちで詳細カテゴリーｃi に分類されたデータの
数、Ｎ（Ｃj ）は詳細カテゴリーｃi に分類された学習
用指紋画像のうちで元来の紋様がカテゴリーＣj である
学習用指紋画像数である。例えば、詳細カテゴリーｃi
に分類された紋様の数が１００個であり、その中で人手
で分類した正解とする紋様の数が、普通弓状紋ＣA ＝
３，突起弓状紋ＣT ＝５，左流てい状紋ＣL ＝８９，右
流てい状紋ＣR ＝１，渦状紋ＣW ＝２であったとする。
このとき、事後確率Ｐx はそれぞれ以下の数９式〜数１
３式で表される。
像のうちで詳細カテゴリーｃi に分類されたデータの
数、Ｎ（Ｃj ）は詳細カテゴリーｃi に分類された学習
用指紋画像のうちで元来の紋様がカテゴリーＣj である
学習用指紋画像数である。例えば、詳細カテゴリーｃi
に分類された紋様の数が１００個であり、その中で人手
で分類した正解とする紋様の数が、普通弓状紋ＣA ＝
３，突起弓状紋ＣT ＝５，左流てい状紋ＣL ＝８９，右
流てい状紋ＣR ＝１，渦状紋ＣW ＝２であったとする。
このとき、事後確率Ｐx はそれぞれ以下の数９式〜数１
３式で表される。
【００６４】
【数９】Ｐx ＝Ｐ（Ｃj ｜ｃi ）＝Ｐ（ＣA ｜ｃi ）＝
３／１００＝０．０３
３／１００＝０．０３
【００６５】
【数１０】Ｐx ＝Ｐ（Ｃj ｜ｃi ）＝Ｐ（ＣT ｜ｃi ）
＝５／１００＝０．０５
＝５／１００＝０．０５
【００６６】
【数１１】Ｐx ＝Ｐ（Ｃj ｜ｃi ）＝Ｐ（ＣL ｜ｃi ）
＝８９／１００＝０．８９
＝８９／１００＝０．８９
【００６７】
【数１２】Ｐx ＝Ｐ（Ｃj ｜ｃi ）＝Ｐ（ＣR ｜ｃi ）
＝１／１００＝０．０１
＝１／１００＝０．０１
【００６８】
【数１３】Ｐx ＝Ｐ（Ｃj ｜ｃi ）＝Ｐ（ＣW ｜ｃi ）
＝２／１００＝０．０２
＝２／１００＝０．０２
【００６９】この事後確率Ｐx は詳細カテゴリーｃi に
分類されたとき、普通弓状紋ＣA ，突起弓状紋ＣT ，左
流てい状紋ＣL ，右流てい状紋ＣR ，渦状紋ＣW のそれ
ぞれの紋様に関し、それぞれ３％，５％，８９％，１
％，２％の確率で分類されると推定し得ることを意味す
る。他の詳細カテゴリーｃi についても同様に事後確率
を計算し、計算された事後確率Ｐx を確率テーブルとし
て記憶しておく。学習データの数を大きくするほど、事
後確率Ｐx の推定精度が良くなることは言うまでもな
い。
分類されたとき、普通弓状紋ＣA ，突起弓状紋ＣT ，左
流てい状紋ＣL ，右流てい状紋ＣR ，渦状紋ＣW のそれ
ぞれの紋様に関し、それぞれ３％，５％，８９％，１
％，２％の確率で分類されると推定し得ることを意味す
る。他の詳細カテゴリーｃi についても同様に事後確率
を計算し、計算された事後確率Ｐx を確率テーブルとし
て記憶しておく。学習データの数を大きくするほど、事
後確率Ｐx の推定精度が良くなることは言うまでもな
い。
【００７０】次に、図１の実施例における第２の紋様分
類手段１５について説明する。
類手段１５について説明する。
【００７１】図１３は、第２の紋様分類手段１５の構成
例を示すブロック図である。この例の第２の紋様分類手
段１５は、入力された指紋画像４０１から指紋の隆線方
向およびその隆線方向の信頼度を抽出して隆線方向デー
タ４０２及び信頼度データ４０３を出力する隆線方向抽
出手段４１と、隆線方向抽出手段４１から得られた隆線
方向データ４０２及び信頼度データ４０３を特徴ベクト
ルデータ４０４に変換する特徴ベクトル変換手段４２
と、特徴ベクトル変換手段４２から得られる特徴ベクト
ルデータ４０４を用いて指紋の紋様を判別するニューラ
ルネットワーク判別手段４３と、ニューラルネットワー
ク判別手段４３によって参照されるパラメータを記憶す
るパラメータ記憶手段４４と、確率テーブルを記憶する
確率テーブル記憶手段４６と、ニューラルネットワーク
判別手段４３からの出力と確率テーブル記憶手段４６に
記憶された確率テーブルとから、指紋画像４０１の指紋
紋様の各々のカテゴリーへ分類される確率を求め、確率
データ４０５を出力する確率テーブル参照手段４５とを
有する。
例を示すブロック図である。この例の第２の紋様分類手
段１５は、入力された指紋画像４０１から指紋の隆線方
向およびその隆線方向の信頼度を抽出して隆線方向デー
タ４０２及び信頼度データ４０３を出力する隆線方向抽
出手段４１と、隆線方向抽出手段４１から得られた隆線
方向データ４０２及び信頼度データ４０３を特徴ベクト
ルデータ４０４に変換する特徴ベクトル変換手段４２
と、特徴ベクトル変換手段４２から得られる特徴ベクト
ルデータ４０４を用いて指紋の紋様を判別するニューラ
ルネットワーク判別手段４３と、ニューラルネットワー
ク判別手段４３によって参照されるパラメータを記憶す
るパラメータ記憶手段４４と、確率テーブルを記憶する
確率テーブル記憶手段４６と、ニューラルネットワーク
判別手段４３からの出力と確率テーブル記憶手段４６に
記憶された確率テーブルとから、指紋画像４０１の指紋
紋様の各々のカテゴリーへ分類される確率を求め、確率
データ４０５を出力する確率テーブル参照手段４５とを
有する。
【００７２】隆線方向抽出手段４１では、指紋画像４０
１の各局所領域毎の隆線方向およびその隆線方向の信頼
度を抽出する。この隆線方向抽出手段４１には、例えば
特願平６−１３８８３３号（以下、文献５と称す）に記
述された隆線方向抽出装置を用いることができる。以
下、隆線方向抽出手段４１の構成例について説明する。
１の各局所領域毎の隆線方向およびその隆線方向の信頼
度を抽出する。この隆線方向抽出手段４１には、例えば
特願平６−１３８８３３号（以下、文献５と称す）に記
述された隆線方向抽出装置を用いることができる。以
下、隆線方向抽出手段４１の構成例について説明する。
【００７３】図１４は隆線方向抽出手段４１の構成例を
示すブロック図であり、勾配ベクトル算出手段１０１と
分布解析手段１０２とを有している。なお、１０３は指
紋画像であり、例えば前述したように５１２×５１２画
素のサイズを持つ。また、１０４は隆線方向を示す方向
データ、１０５はその隆線方向の信頼度である。
示すブロック図であり、勾配ベクトル算出手段１０１と
分布解析手段１０２とを有している。なお、１０３は指
紋画像であり、例えば前述したように５１２×５１２画
素のサイズを持つ。また、１０４は隆線方向を示す方向
データ、１０５はその隆線方向の信頼度である。
【００７４】指紋画像１０３を画像ｆ（ｘ，ｙ）（ｘ＝
１，…，５１２，ｙ＝１，…，５１２）と表記すると、
勾配ベクトル算出手段１０１は、画像ｆ（ｘ，ｙ）の各
点における勾配ベクトルｇｒａｄｆ（ｘ，ｙ）＝（ｆ x
（ｘ，ｙ），ｆ y（ｘ，ｙ））を算出する。ここで、ｆ
x（ｘ，ｙ），ｆ y（ｘ，ｙ）は、それぞれｆ（ｘ，
ｙ）のｘ方向の微分とｙ方向の微分を表す。この微分演
算は実際にはｘ方向の画素値の差分，ｙ方向の画素値の
差分の演算によって実施される。この勾配ベクトル算出
手段１０１によって得られた勾配ベクトルのｘ成分ｆ x
（ｘ，ｙ）とｙ成分ｆ y（ｘ，ｙ）は分布解析手段１０
２に与えられる。
１，…，５１２，ｙ＝１，…，５１２）と表記すると、
勾配ベクトル算出手段１０１は、画像ｆ（ｘ，ｙ）の各
点における勾配ベクトルｇｒａｄｆ（ｘ，ｙ）＝（ｆ x
（ｘ，ｙ），ｆ y（ｘ，ｙ））を算出する。ここで、ｆ
x（ｘ，ｙ），ｆ y（ｘ，ｙ）は、それぞれｆ（ｘ，
ｙ）のｘ方向の微分とｙ方向の微分を表す。この微分演
算は実際にはｘ方向の画素値の差分，ｙ方向の画素値の
差分の演算によって実施される。この勾配ベクトル算出
手段１０１によって得られた勾配ベクトルのｘ成分ｆ x
（ｘ，ｙ）とｙ成分ｆ y（ｘ，ｙ）は分布解析手段１０
２に与えられる。
【００７５】分布解析手段１０２は、５１２×５１２画
素の指紋画像１０３に対して、図１５に示すように水平
方向および垂直方向に各１６画素おきに中心を持つ３２
×３２の各局所領域毎に、以下のようにして隆線方向お
よびその信頼度を計算する。
素の指紋画像１０３に対して、図１５に示すように水平
方向および垂直方向に各１６画素おきに中心を持つ３２
×３２の各局所領域毎に、以下のようにして隆線方向お
よびその信頼度を計算する。
【００７６】図１６（ａ）は指紋画像１０３のある局所
領域の一例を表しているが、このような画像の各点にお
ける勾配ベクトルの向きは、図１６（ｂ）のように隆線
方向とおおよそ直交するようになる。また、図１６
（ｂ）に対応する勾配ベクトルの分布は、図１６（ｃ）
のように各勾配ベクトルの水平成分の大きさをＸ軸に対
応させ、垂直成分をｙ軸に対応させてプロットすると隆
線方向と直交する方向にその主軸を持つことがわかる。
従って、局所領域毎に勾配ベクトルの分布を解析し、主
軸方向と直交する方向を隆線方向とすれば隆線方向を決
定することができる。
領域の一例を表しているが、このような画像の各点にお
ける勾配ベクトルの向きは、図１６（ｂ）のように隆線
方向とおおよそ直交するようになる。また、図１６
（ｂ）に対応する勾配ベクトルの分布は、図１６（ｃ）
のように各勾配ベクトルの水平成分の大きさをＸ軸に対
応させ、垂直成分をｙ軸に対応させてプロットすると隆
線方向と直交する方向にその主軸を持つことがわかる。
従って、局所領域毎に勾配ベクトルの分布を解析し、主
軸方向と直交する方向を隆線方向とすれば隆線方向を決
定することができる。
【００７７】分布解析手段１０２は、このような勾配ベ
クトルの分布の主軸を求める方法として主成分分析を利
用する。つまり、ある局所領域をＣとしたときに、数１
４式に示される行列Ｖがその局所領域Ｃに対する勾配ベ
クトルの分布の分散共分散行列となる。
クトルの分布の主軸を求める方法として主成分分析を利
用する。つまり、ある局所領域をＣとしたときに、数１
４式に示される行列Ｖがその局所領域Ｃに対する勾配ベ
クトルの分布の分散共分散行列となる。
【００７８】
【数１４】
【００７９】そして、この行列Ｖの小さい方の固有値に
対応する固有ベクトルの軸（第２主軸）は分布の主軸
（第１主軸）と直交する方向となるので、この第２主軸
方向を隆線方向として出力する。
対応する固有ベクトルの軸（第２主軸）は分布の主軸
（第１主軸）と直交する方向となるので、この第２主軸
方向を隆線方向として出力する。
【００８０】また、行列Ｖの固有値をλ1,λ2 （λ1 ＞
λ2 ）とし、固有値λ1 に対応する固有ベクトルをｅ1,
固有値λ2 に対応する固有ベクトルをｅ2 とすると、大
きい方の固有値λ1 が大きければ大きいほど、それに対
応する固有ベクトルｅ1 の方向への画像の勾配ベクトル
が大きいことがわかる。これは隆線の像がつぶれていた
り、かすれておらず、隆線像がはっきりしていることを
示している。また、ノイズが多い画像では勾配ベクトル
の向きがばらつくため勾配ベクトルの向きがばらつき、
その固有値λ1,λ2 の大きさの差は小さくなる。このよ
うなことから、隆線方向の信頼度ｒは例えば下記の数１
５式で求めることができる。
λ2 ）とし、固有値λ1 に対応する固有ベクトルをｅ1,
固有値λ2 に対応する固有ベクトルをｅ2 とすると、大
きい方の固有値λ1 が大きければ大きいほど、それに対
応する固有ベクトルｅ1 の方向への画像の勾配ベクトル
が大きいことがわかる。これは隆線の像がつぶれていた
り、かすれておらず、隆線像がはっきりしていることを
示している。また、ノイズが多い画像では勾配ベクトル
の向きがばらつくため勾配ベクトルの向きがばらつき、
その固有値λ1,λ2 の大きさの差は小さくなる。このよ
うなことから、隆線方向の信頼度ｒは例えば下記の数１
５式で求めることができる。
【００８１】
【数１５】
【００８２】この信頼度ｒは、隆線像がはっきりしてお
り、ノイズが少ない場合には大きな値を示し、出力され
る隆線方向の信頼度が高いことを示す。逆に隆線像がは
っきりせず、ノイズが多い場合には、信頼度ｒは小さい
値となり、出力される隆線方向の信頼度が低いことを示
す。
り、ノイズが少ない場合には大きな値を示し、出力され
る隆線方向の信頼度が高いことを示す。逆に隆線像がは
っきりせず、ノイズが多い場合には、信頼度ｒは小さい
値となり、出力される隆線方向の信頼度が低いことを示
す。
【００８３】隆線方向抽出手段５１は以上のようにして
指紋画像の各局所領域毎の隆線方向およびその隆線方向
の信頼度を抽出する。以下では、各局所領域毎における
座標を（ｍ，ｎ）（ｍ＝０，１，…，３１，ｎ＝０，
１，…，３１）と表し、各局所領域毎に抽出された隆線
方向をθ（ｍ，ｎ）と表すことにする。また、それぞれ
の隆線方向θ（ｍ，ｎ）（但し、θ（ｍ，ｎ）の値は、
０≦θ（ｍ，ｎ）≦πの範囲をとるものとする）に対応
する方向抽出の信頼度をｒ（ｍ，ｎ）と表すことにす
る。
指紋画像の各局所領域毎の隆線方向およびその隆線方向
の信頼度を抽出する。以下では、各局所領域毎における
座標を（ｍ，ｎ）（ｍ＝０，１，…，３１，ｎ＝０，
１，…，３１）と表し、各局所領域毎に抽出された隆線
方向をθ（ｍ，ｎ）と表すことにする。また、それぞれ
の隆線方向θ（ｍ，ｎ）（但し、θ（ｍ，ｎ）の値は、
０≦θ（ｍ，ｎ）≦πの範囲をとるものとする）に対応
する方向抽出の信頼度をｒ（ｍ，ｎ）と表すことにす
る。
【００８４】さて、図１３の特徴ベクトル変換手段４２
では、上述のようにして得られた隆線方向θ（ｍ，ｎ）
およびその信頼度ｒ（ｍ，ｎ）を用いて、ニューラルネ
ットワーク判別手段４３のための特徴ベクトルを生成す
る。例えば、次の数１６式〜数式１８に示すように隆線
方向および信頼度を特徴ベクトルｘに変換する。ここで
は、隆線方向および信頼度を用いて水平，垂直平均のベ
クトル成分に変換し、隣接した４つの領域におけるベク
トルの平均をとることによって特徴ベクトルへと変換し
ている。
では、上述のようにして得られた隆線方向θ（ｍ，ｎ）
およびその信頼度ｒ（ｍ，ｎ）を用いて、ニューラルネ
ットワーク判別手段４３のための特徴ベクトルを生成す
る。例えば、次の数１６式〜数式１８に示すように隆線
方向および信頼度を特徴ベクトルｘに変換する。ここで
は、隆線方向および信頼度を用いて水平，垂直平均のベ
クトル成分に変換し、隣接した４つの領域におけるベク
トルの平均をとることによって特徴ベクトルへと変換し
ている。
【００８５】
【数１６】
【００８６】
【数１７】
【００８７】
【数１８】
【００８８】但し、ｍ＝０，２，…，３０，ｎ＝０，
２，…，３０とする。
２，…，３０とする。
【００８９】また、特徴ベクトル変換手段４２では、前
述のC.L.Wilsonらの文献４に示されるようにＫ−Ｌ展開
を用いることによって、ニューラルネットワークのため
の特徴ベクトルへと変換しても構わない。
述のC.L.Wilsonらの文献４に示されるようにＫ−Ｌ展開
を用いることによって、ニューラルネットワークのため
の特徴ベクトルへと変換しても構わない。
【００９０】ニューラルネットワーク判別手段４３で
は、特徴ベクトルデータ４０４を入力として紋様の判別
を行う。ニューラルネットワークは、既に多くの文献
（例えば、麻生英樹著，『ニューラルネットワーク情報
処理』，産業図書，１９８８年発行。以下文献６と称
す）で紹介されているが、ここでは３層のパーセプトロ
ン型ニューラルネットワークを用いた場合の動作につい
て説明する。３層のパーセプトロン型ニューラルネット
ワークでは、図１７に模式的に示すように入力層３３，
中間層３２，出力層３１のネットワークから成り立つ。
ここでは、入力層３３のユニット数は５１２次元（Ｎx
＝５１２）、中間層３２のユニット数は２０次元（Ｎy
＝２０）、出力層３１は指紋紋様の各カテゴリーＡ，
Ｔ，Ｒ，Ｌ，Ｗに対応する５次元（Ｎz ＝５）のユニッ
トとする。
は、特徴ベクトルデータ４０４を入力として紋様の判別
を行う。ニューラルネットワークは、既に多くの文献
（例えば、麻生英樹著，『ニューラルネットワーク情報
処理』，産業図書，１９８８年発行。以下文献６と称
す）で紹介されているが、ここでは３層のパーセプトロ
ン型ニューラルネットワークを用いた場合の動作につい
て説明する。３層のパーセプトロン型ニューラルネット
ワークでは、図１７に模式的に示すように入力層３３，
中間層３２，出力層３１のネットワークから成り立つ。
ここでは、入力層３３のユニット数は５１２次元（Ｎx
＝５１２）、中間層３２のユニット数は２０次元（Ｎy
＝２０）、出力層３１は指紋紋様の各カテゴリーＡ，
Ｔ，Ｒ，Ｌ，Ｗに対応する５次元（Ｎz ＝５）のユニッ
トとする。
【００９１】ニューラルネットワーク判別手段４３で
は、特徴ベクトルｘと予め学習によって定めたパラメー
タｗ x（ｉ，ｊ），ｔ x（ｊ）とを用いて、次の数１９
式を中間層３２の各ユニット毎に計算する。
は、特徴ベクトルｘと予め学習によって定めたパラメー
タｗ x（ｉ，ｊ），ｔ x（ｊ）とを用いて、次の数１９
式を中間層３２の各ユニット毎に計算する。
【００９２】
【数１９】
【００９３】
【数２０】 ここで、ｆ（ξ）＝１／｛１＋ｅｘｐ（−ξ）｝
【００９４】得られた中間層３２の各ユニットからの出
力ｙ（ｊ）とパラメータ記憶手段４４に記憶されたパラ
メータｗ x（ｉ，ｋ），ｔ x（ｋ）を用いて、数２１式
の出力層３１の各ユニットの出力値を計算する。
力ｙ（ｊ）とパラメータ記憶手段４４に記憶されたパラ
メータｗ x（ｉ，ｋ），ｔ x（ｋ）を用いて、数２１式
の出力層３１の各ユニットの出力値を計算する。
【００９５】
【数２１】
【００９６】
【数２２】 ここで、ｆ（ξ）＝１／｛１＋ｅｘｐ（−ξ）｝
【００９７】ここで、出力値ｚ（ｋ）は、０から１の範
囲の値を有する。出力層３１の各ユニットから得られた
各紋様毎の出力値ｚ（ｋ）を確率テーブル参照手段４５
へ出力する。以下では、カテゴリー毎の出力値ｚ（ｋ）
をまとめて次の数２３式のように出力ベクトルｚとして
表記する。
囲の値を有する。出力層３１の各ユニットから得られた
各紋様毎の出力値ｚ（ｋ）を確率テーブル参照手段４５
へ出力する。以下では、カテゴリー毎の出力値ｚ（ｋ）
をまとめて次の数２３式のように出力ベクトルｚとして
表記する。
【００９８】
【数２３】
【００９９】パラメータ記憶手段４４に記憶されるパラ
メータｗ x（ｉ，ｊ），ｔ x（ｊ），ｗ y（ｉ，ｋ），
ｔ y（ｋ）は、学習によって予め求めておく。パラメー
タの学習では、まず学習用の指紋画像から抽出したＮ
train 指分の特徴ベクトルｘ m（ｍ＝０，１，…，Ｎ
train ）とその指紋紋様の属するカテゴリーに応じた教
師ベクトルｚ m（ｍ＝０，１，…，Ｎtrain ）との組み
合わせ教師データセット｛ｘm ；ｚm ｝を用意する。こ
こで、教師ベクトルはデータが属するカテゴリーの要素
が１、それ以外は０となるようなベクトルとし、例えば
ｍ番目データが属するカテゴリーが右流てい状紋Ｒであ
る場合には、次の数２４式のように設定する。
メータｗ x（ｉ，ｊ），ｔ x（ｊ），ｗ y（ｉ，ｋ），
ｔ y（ｋ）は、学習によって予め求めておく。パラメー
タの学習では、まず学習用の指紋画像から抽出したＮ
train 指分の特徴ベクトルｘ m（ｍ＝０，１，…，Ｎ
train ）とその指紋紋様の属するカテゴリーに応じた教
師ベクトルｚ m（ｍ＝０，１，…，Ｎtrain ）との組み
合わせ教師データセット｛ｘm ；ｚm ｝を用意する。こ
こで、教師ベクトルはデータが属するカテゴリーの要素
が１、それ以外は０となるようなベクトルとし、例えば
ｍ番目データが属するカテゴリーが右流てい状紋Ｒであ
る場合には、次の数２４式のように設定する。
【０１００】
【数２４】
【０１０１】次に前述の麻生の文献６の５０頁から５４
頁にも示されている誤差逆伝搬法などの手法を用いて上
述したパラメータを予め求めておく。教師データセット
は、多ければ多いほどよいが、少なくとも２０００指分
程度のデータを用意しておけば、比較的良好な結果が得
られる。
頁にも示されている誤差逆伝搬法などの手法を用いて上
述したパラメータを予め求めておく。教師データセット
は、多ければ多いほどよいが、少なくとも２０００指分
程度のデータを用意しておけば、比較的良好な結果が得
られる。
【０１０２】確率テーブル参照手段４５では、ニューラ
ルネットワーク判別手段４３から得られた各紋様毎の出
力値ｚ（ｋ）を用いて、確率テーブル記憶手段４６に記
憶されている予め用意してある各紋様への分類される確
率データを参照し、出力する。
ルネットワーク判別手段４３から得られた各紋様毎の出
力値ｚ（ｋ）を用いて、確率テーブル記憶手段４６に記
憶されている予め用意してある各紋様への分類される確
率データを参照し、出力する。
【０１０３】確率テーブル参照手段４５では、まず出力
層３１の各ユニットの値ｚ（ｋ）に応じて例えば次の数
２５式に示すように３段階に離散化する。
層３１の各ユニットの値ｚ（ｋ）に応じて例えば次の数
２５式に示すように３段階に離散化する。
【０１０４】
【数２５】
【０１０５】各値を離散化するためのｅ1,ｅ2 の値とし
ては、例えば０.1, ０.9の値を用いる。確率テーブル参
照手段４５では、各ユニットの離散化したｓ（ｋ）の値
の組み合わせ｛ｓ（ｋ）｝に応じて、予め確率テーブル
記憶手段４６に登録してある各カテゴリーへ分類される
確率を参照する。テーブルのエントリー番号は、例え
ば、次の数２６式によって計算する。
ては、例えば０.1, ０.9の値を用いる。確率テーブル参
照手段４５では、各ユニットの離散化したｓ（ｋ）の値
の組み合わせ｛ｓ（ｋ）｝に応じて、予め確率テーブル
記憶手段４６に登録してある各カテゴリーへ分類される
確率を参照する。テーブルのエントリー番号は、例え
ば、次の数２６式によって計算する。
【０１０６】
【数２６】
【０１０７】従って、この場合テーブルのエントリー数
は、Ｎentry ＝３5 ＝２４３個となる。
は、Ｎentry ＝３5 ＝２４３個となる。
【０１０８】また、確率テーブル記憶手段４５では、予
め計算しておいた各ユニットの離散化した値の組み合わ
せ｛ｓ（ｋ）｝の各場合毎に算出した各カテゴリーへ分
類される確率を確率テーブルとして記憶しておく。この
確率テーブルの作成は、次のように行えばよい。
め計算しておいた各ユニットの離散化した値の組み合わ
せ｛ｓ（ｋ）｝の各場合毎に算出した各カテゴリーへ分
類される確率を確率テーブルとして記憶しておく。この
確率テーブルの作成は、次のように行えばよい。
【０１０９】１）ニューラルネットワークのパラメータ
の学習の際に用いた教師データセットとは別の教師デー
タセットを用意する。 ２）教師データセット中のそれぞれのデータに対して隆
線方向，信頼度抽出，特徴ベクトルへの変換，ニューラ
ルネットワークによる判別を行い、式１８のテーブルエ
ントリー番号を計算する。 ３）教師データセットの中で、それぞれのエントリ番号
に属するデータ数とそれらのデータがもともと属するカ
テゴリーの数とから、そのテーブルエントリーを持つデ
ータが各カテゴリーヘ分類される事後確率Ｐ（Ｃ｜Ｌ）
（Ｃ＝Ａ，Ｔ，Ｒ，Ｌ，Ｗ）を算出する。例えば、エン
トリ番号が１００番となるデータが教師データ中に１０
０個あったとき、もともともカテゴリーがＡ，Ｔ，Ｒ，
Ｌ，Ｗであるデータの数が、それぞれ１，２，４，３，
９０個であれば、事後確率Ｐ（Ｃ｜Ｌ）はそれぞれ次の
値となる。
の学習の際に用いた教師データセットとは別の教師デー
タセットを用意する。 ２）教師データセット中のそれぞれのデータに対して隆
線方向，信頼度抽出，特徴ベクトルへの変換，ニューラ
ルネットワークによる判別を行い、式１８のテーブルエ
ントリー番号を計算する。 ３）教師データセットの中で、それぞれのエントリ番号
に属するデータ数とそれらのデータがもともと属するカ
テゴリーの数とから、そのテーブルエントリーを持つデ
ータが各カテゴリーヘ分類される事後確率Ｐ（Ｃ｜Ｌ）
（Ｃ＝Ａ，Ｔ，Ｒ，Ｌ，Ｗ）を算出する。例えば、エン
トリ番号が１００番となるデータが教師データ中に１０
０個あったとき、もともともカテゴリーがＡ，Ｔ，Ｒ，
Ｌ，Ｗであるデータの数が、それぞれ１，２，４，３，
９０個であれば、事後確率Ｐ（Ｃ｜Ｌ）はそれぞれ次の
値となる。
【０１１０】
【数２７】Ｐ（Ａ｜Ｌ）＝１／１００＝０．０１ Ｐ（Ｔ｜Ｌ）＝２／１００＝０．０２ Ｐ（Ｒ｜Ｌ）＝４／１００＝０．０４ Ｐ（Ｌ｜Ｌ）＝３／１００＝０．０３ Ｐ（Ｗ｜Ｌ）＝９０／１００＝０．９０
【０１１１】このように計算された事後確率を確率テー
ブル記憶手段４６に記憶する。
ブル記憶手段４６に記憶する。
【０１１２】次に本発明の指紋分類装置の別の実施例に
ついて、図１８を参照しながら説明する。本実施例の指
紋分類装置は、図１８に示すように、指紋画像２６を入
力する画像入力手段２１と、画像入力手段２１より入力
された指紋画像２６を用いて、指紋分類を行い指紋紋様
の各カテゴリーへの分類確率を示す確率データ２７を出
力する紋様分類手段２２と、紋様分類手段２２の分類動
作を決定付けるパラメータを変更して同一の指紋画像２
６について分類動作を複数回（Ｎp 回）行わしめる制御
手段２５と、パラメータを変更して複数回動作させた紋
様分類手段２２から得られるＮp 個の確率データ２８を
用いて、各カテゴリーへの分類確率を推定し確率データ
２８を出力する確率推定手段２３と、確率推定手段２３
から得られる確率データ２８から最終的なカテゴリーを
決定するカテゴリー決定手段２４とを備えている。
ついて、図１８を参照しながら説明する。本実施例の指
紋分類装置は、図１８に示すように、指紋画像２６を入
力する画像入力手段２１と、画像入力手段２１より入力
された指紋画像２６を用いて、指紋分類を行い指紋紋様
の各カテゴリーへの分類確率を示す確率データ２７を出
力する紋様分類手段２２と、紋様分類手段２２の分類動
作を決定付けるパラメータを変更して同一の指紋画像２
６について分類動作を複数回（Ｎp 回）行わしめる制御
手段２５と、パラメータを変更して複数回動作させた紋
様分類手段２２から得られるＮp 個の確率データ２８を
用いて、各カテゴリーへの分類確率を推定し確率データ
２８を出力する確率推定手段２３と、確率推定手段２３
から得られる確率データ２８から最終的なカテゴリーを
決定するカテゴリー決定手段２４とを備えている。
【０１１３】画像入力手段２１からは、第１の実施例と
同様にして指紋画像２６を入力する。入力された指紋画
像２６は、紋様分類手段２２に出力される。
同様にして指紋画像２６を入力する。入力された指紋画
像２６は、紋様分類手段２２に出力される。
【０１１４】紋様分類手段２２としては、例えば図１９
に示したブロック図で示されるニューラルネットワーク
を用いた紋様分類手段を用いる。この紋様分類手段は、
前述の第１の実施例におけるニューラルネットワークを
用いた図１３の第２の紋様判別手段１５の構成に、複数
のパラメータ記憶手段５５〜５７と複数の確率テーブル
記憶手段５８〜６０とを加えた構成に相当する。図１９
において、入力された指紋画像５０１は、隆線方向抽出
手段５１で隆線方向およびその信頼度が抽出され、特徴
ベクトル変換手段５２で方向データ５０２，信頼度デー
タ５０３が特徴ベクトルデータ５０４に変換される。そ
の後、ニューラルネットワーク判別手段５３において
は、制御手段２５から送られる制御信号に従って、パラ
メータ記憶手段５５〜５７に記憶されるニューラルネッ
トワークのそれぞれのパラメータ毎に判別を行い、確率
テーブル参照手段５４においては、制御手段２５から送
られる制御信号に応じてそれぞれのパラメータに対応し
た確率テーブル記憶手段５８〜６０に格納された確率テ
ーブルから、事後確率データを参照し、確率データ５０
５を出力する。確率テーブル記憶手段５８〜６０には、
それぞれのパラメータ毎に確率テーブルを生成するため
の教師データセットを変更して作成された確率テーブル
が予め記憶されている。この際の手順は、第１の実施例
と同様である。
に示したブロック図で示されるニューラルネットワーク
を用いた紋様分類手段を用いる。この紋様分類手段は、
前述の第１の実施例におけるニューラルネットワークを
用いた図１３の第２の紋様判別手段１５の構成に、複数
のパラメータ記憶手段５５〜５７と複数の確率テーブル
記憶手段５８〜６０とを加えた構成に相当する。図１９
において、入力された指紋画像５０１は、隆線方向抽出
手段５１で隆線方向およびその信頼度が抽出され、特徴
ベクトル変換手段５２で方向データ５０２，信頼度デー
タ５０３が特徴ベクトルデータ５０４に変換される。そ
の後、ニューラルネットワーク判別手段５３において
は、制御手段２５から送られる制御信号に従って、パラ
メータ記憶手段５５〜５７に記憶されるニューラルネッ
トワークのそれぞれのパラメータ毎に判別を行い、確率
テーブル参照手段５４においては、制御手段２５から送
られる制御信号に応じてそれぞれのパラメータに対応し
た確率テーブル記憶手段５８〜６０に格納された確率テ
ーブルから、事後確率データを参照し、確率データ５０
５を出力する。確率テーブル記憶手段５８〜６０には、
それぞれのパラメータ毎に確率テーブルを生成するため
の教師データセットを変更して作成された確率テーブル
が予め記憶されている。この際の手順は、第１の実施例
と同様である。
【０１１５】このように制御手段２５によりパラメータ
を変更することによって、紋様分類手段２２は、パラメ
ータ毎のＮp 個（図の例では３個）の確率データ｛Ｐ i
（Ｃ）｝（ｉ＝１，２，…，Ｎp ）を確率推定手段２３
へ出力する。
を変更することによって、紋様分類手段２２は、パラメ
ータ毎のＮp 個（図の例では３個）の確率データ｛Ｐ i
（Ｃ）｝（ｉ＝１，２，…，Ｎp ）を確率推定手段２３
へ出力する。
【０１１６】確率推定手段２３では、確率データ｛Ｐ i
（Ｃ）｝（ｉ＝１，２，…，Ｎp ）を用いて各カテゴリ
ー毎への分類確率Ｐ 0（Ｃ）を推定する。この分類確率
の推定では、それぞれの分類確率を、例えば数２８式に
より相加平均する。
（Ｃ）｝（ｉ＝１，２，…，Ｎp ）を用いて各カテゴリ
ー毎への分類確率Ｐ 0（Ｃ）を推定する。この分類確率
の推定では、それぞれの分類確率を、例えば数２８式に
より相加平均する。
【０１１７】
【数２８】
【０１１８】カテゴリー決定手段２４では、確率推定手
段２３から得られた確率データ２８を用いて第１の実施
例と同様にカテゴリーを決定し、分類結果を出力する。
段２３から得られた確率データ２８を用いて第１の実施
例と同様にカテゴリーを決定し、分類結果を出力する。
【０１１９】以上本発明の実施例について説明したが、
本発明は以上の実施例にのみ限定されずその他各種の付
加変更が可能である。例えば、図１，図１３，図１８，
図１９の指紋分類装置における、紋様分類手段，確率推
定手段，カテゴリー決定手段，隆線方向抽出手段，特徴
ベクトル変換手段，ニューラルネットワーク判別手段，
パラメータ記憶手段，確率テーブル参照手段，確率テー
ブル記憶手段は、汎用コンピュータを用いて上記のよう
に動作するようにプログラムすることによっても実現で
きる。
本発明は以上の実施例にのみ限定されずその他各種の付
加変更が可能である。例えば、図１，図１３，図１８，
図１９の指紋分類装置における、紋様分類手段，確率推
定手段，カテゴリー決定手段，隆線方向抽出手段，特徴
ベクトル変換手段，ニューラルネットワーク判別手段，
パラメータ記憶手段，確率テーブル参照手段，確率テー
ブル記憶手段は、汎用コンピュータを用いて上記のよう
に動作するようにプログラムすることによっても実現で
きる。
【０１２０】
【発明の効果】以上説明したように本発明の指紋分類装
置によれば、複数の紋様分類手段、あるいは複数のパラ
メータを用いた紋様分類手段に対して確率情報を介在さ
せることで、分類手法の統合を行うことができ、精度良
く分類することが可能となる。
置によれば、複数の紋様分類手段、あるいは複数のパラ
メータを用いた紋様分類手段に対して確率情報を介在さ
せることで、分類手法の統合を行うことができ、精度良
く分類することが可能となる。
【図１】本発明の指紋分類装置の一実施例のブロック図
である。
である。
【図２】本発明で対象とする指紋紋様の種類の例（普通
弓状紋Ａ，突起弓状紋Ｔ，右流てい状紋Ｒ，左流てい状
紋Ｌ，渦状紋Ｗ）を示す図である。
弓状紋Ａ，突起弓状紋Ｔ，右流てい状紋Ｒ，左流てい状
紋Ｌ，渦状紋Ｗ）を示す図である。
【図３】分類対象とする指紋紋様系（指紋紋様における
尾根線及び谷線の関係）の一例として平行隆線からでき
ている流れを説明するための図である。
尾根線及び谷線の関係）の一例として平行隆線からでき
ている流れを説明するための図である。
【図４】分類対象とする指紋紋様系の他の例として半円
状の流れを説明するための図である。
状の流れを説明するための図である。
【図５】分類対象とする指紋紋様系の別の例として三角
州状の流れを説明するための図である。
州状の流れを説明するための図である。
【図６】てい状紋のてい状線の説明図である。
【図７】突起弓状紋におけるコア型特異点の説明図であ
る。
る。
【図８】渦状紋におけるコア型特異点及びその周りの隆
線の流れの説明図である。
線の流れの説明図である。
【図９】てい状紋のてい状線が２つ現れる指紋紋様の例
を示す図である。
を示す図である。
【図１０】第１の紋様分類手段の構成例を示すブロック
図である。
図である。
【図１１】図１０に示した第１の紋様分類手段のより詳
細なブロック図である。
細なブロック図である。
【図１２】マニューシャ抽出のために用いる二値検出マ
スクの例を示す図である。
スクの例を示す図である。
【図１３】第２の紋様分類手段の構成例を示すブロック
図である。
図である。
【図１４】隆線方向抽出手段の構成例を示すブロック図
である。
である。
【図１５】隆線方向抽出手段の動作説明図である。
【図１６】隆線方向抽出手段の隆線方向抽出の原理説明
図である。
図である。
【図１７】第２の紋様分類手段におけるニューラルネッ
トワーク判別手段の動作機構の模式図である。
トワーク判別手段の動作機構の模式図である。
【図１８】本発明の指紋分類装置の別の実施例のブロッ
ク図である。
ク図である。
【図１９】図１８の実施例における紋様分類手段の構成
例を示すブロック図である。
例を示すブロック図である。
１１，２１…画像入力手段 １２…第１の紋様分類手段 １３，２３…確率推定手段 １４，２４…カテゴリー決定手段 １５…第２の紋様分類手段 ２２…紋様分類手段 ２５…制御手段
Claims (4)
- 【請求項１】 分類対象となる指紋画像を入力し、該指
紋画像の各指紋カテゴリーヘ分類される確率データを出
力する複数の紋様分類手段と、 前記のそれぞれの紋様分類手段から出力される確率デー
タを入力し、前記指紋画像の各指紋カテゴリーへ分類さ
れる確率を推定する確率推定手段と、 該確率推定手段の推定結果に基づいて前記指紋画像の分
類結果を出力するカテゴリー決定手段とを備えることを
特徴とする指紋分類装置。 - 【請求項２】 前記のそれぞれの紋様分類手段は、予め
登録されている確率テーブルを参照することによって前
記確率データを得る構成を有することを特徴とする請求
項１記載の指紋分類装置。 - 【請求項３】 分類対象となる指紋画像を入力し、該指
紋画像の各指紋カテゴリーヘ分類される確率データを出
力する紋様分類手段と、 該紋様分類手段の分類動作を決定付けるパラメータを変
更して同一の指紋画像について分類動作を複数回行わし
める制御手段と、 同一の指紋画像について前記紋様分類手段から出力され
た複数回分の確率データを入力し、前記指紋画像の各指
紋カテゴリーへ分類される確率を推定する確率推定手段
と、 該確率推定手段の推定結果に基づいて前記指紋画像の分
類結果を出力するカテゴリー決定手段とを備えることを
特徴とする指紋分類装置。 - 【請求項４】 前記紋様分類手段は、予め登録されてい
る確率テーブルを参照することによって前記確率データ
を得る構成を有することを特徴とする請求項３記載の指
紋分類装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7346880A JP2737734B2 (ja) | 1995-12-13 | 1995-12-13 | 指紋分類装置 |
| DE69610689T DE69610689T2 (de) | 1995-12-13 | 1996-12-12 | System zum Klassifizieren von Fingerabdrücken |
| US08/764,754 US5974163A (en) | 1995-12-13 | 1996-12-12 | Fingerprint classification system |
| EP96119983A EP0779595B1 (en) | 1995-12-13 | 1996-12-12 | Fingerprint classification system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7346880A JP2737734B2 (ja) | 1995-12-13 | 1995-12-13 | 指紋分類装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09161054A JPH09161054A (ja) | 1997-06-20 |
| JP2737734B2 true JP2737734B2 (ja) | 1998-04-08 |
Family
ID=18386450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7346880A Expired - Lifetime JP2737734B2 (ja) | 1995-12-13 | 1995-12-13 | 指紋分類装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5974163A (ja) |
| EP (1) | EP0779595B1 (ja) |
| JP (1) | JP2737734B2 (ja) |
| DE (1) | DE69610689T2 (ja) |
Families Citing this family (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4112762B2 (ja) * | 1999-10-05 | 2008-07-02 | 株式会社東芝 | 画像処理装置およびｘ線診断装置 |
| AU1182501A (en) * | 1999-10-13 | 2001-04-23 | Precise Biometrics Ab | Method and device for processing biometric data, by determining features and classifying the data |
| AU756561B2 (en) | 1999-11-08 | 2003-01-16 | Casio Computer Co., Ltd. | Photosensor system and drive control method thereof |
| US6867811B2 (en) * | 1999-11-08 | 2005-03-15 | Casio Computer Co., Ltd. | Photosensor system and drive control method thereof |
| JP3455761B2 (ja) * | 1999-11-10 | 2003-10-14 | カシオ計算機株式会社 | フォトセンサシステムの感度調整装置及びその感度調整方法 |
| IT1311443B1 (it) | 1999-11-16 | 2002-03-12 | St Microelectronics Srl | Metodo di classificazione di immagini digitali in base al lorocontenuto. |
| JP3620391B2 (ja) * | 2000-02-23 | 2005-02-16 | 日本電気株式会社 | 指紋入力装置及びそれに用いる画像判定方法並びにその制御プログラムを記録した記録媒体 |
| JP2001344213A (ja) * | 2000-05-31 | 2001-12-14 | Hitachi Ltd | 生体認証システム |
| US6694049B1 (en) * | 2000-08-17 | 2004-02-17 | The United States Of America As Represented By The Secretary Of The Navy | Multimode invariant processor |
| US7035444B2 (en) * | 2000-10-11 | 2006-04-25 | Hiroaki Kunieda | System for fingerprint authentication based of ridge shape |
| JP4405656B2 (ja) * | 2000-10-20 | 2010-01-27 | 富士通株式会社 | 指紋情報を用いた個人認証システム及び同システム用登録・認証方法 |
| GB0113255D0 (en) | 2001-05-31 | 2001-07-25 | Scient Generics Ltd | Number generator |
| US6768815B2 (en) | 2001-05-10 | 2004-07-27 | The United States Of America As Represented By The Secretary Of The Navy | Color sensor |
| KR100432491B1 (ko) | 2001-08-31 | 2004-05-22 | (주)니트 젠 | 융선방향 모델을 이용한 지문 특징데이터 추출방법 |
| US6795592B2 (en) * | 2001-09-13 | 2004-09-21 | Intel Corporation | Architecture for processing fingerprint images |
| US7136515B2 (en) | 2001-09-13 | 2006-11-14 | Intel Corporation | Method and apparatus for providing a binary fingerprint image |
| NO316489B1 (no) | 2001-10-01 | 2004-01-26 | Genkey As | System, b¶rbar anordning og fremgangsmåte for digital autentisering, kryptering og signering ved generering av flyktige, men konsistente ogrepeterbare kryptonökler |
| US7031530B2 (en) * | 2001-11-27 | 2006-04-18 | Lockheed Martin Corporation | Compound classifier for pattern recognition applications |
| ATE343273T1 (de) | 2002-05-31 | 2006-11-15 | Scient Generics Ltd | Biometrisches authentifizierungssystem |
| US8171304B2 (en) * | 2003-05-15 | 2012-05-01 | Activcard Ireland Limited | Method, system and computer program product for multiple biometric template screening |
| GB0413034D0 (en) | 2004-06-10 | 2004-07-14 | Scient Generics Ltd | Secure workflow engine |
| US20070036400A1 (en) * | 2005-03-28 | 2007-02-15 | Sanyo Electric Co., Ltd. | User authentication using biometric information |
| JP4375308B2 (ja) * | 2005-08-30 | 2009-12-02 | 日本電気株式会社 | 隆線方向抽出装置、隆線方向抽出方法、隆線方向抽出プログラム |
| SE530514C2 (sv) * | 2006-09-07 | 2008-06-24 | Innitor Ab | En metod, en apparat och en datorprogramprodukt inom fingeravtrycksmatchning |
| ES2703500T3 (es) | 2008-04-25 | 2019-03-11 | Aware Inc | Identificación y verificación biométrica |
| FR2935508B1 (fr) * | 2008-09-01 | 2010-09-17 | Sagem Securite | Procede de determination d'une pseudo-identite a partir de caracteristiques de minuties et dispositif associe. |
| JP5399862B2 (ja) * | 2009-10-30 | 2014-01-29 | 富士通フロンテック株式会社 | 姿勢情報付き生体情報による個人認証・操作指示入力方法、装置、及びプログラム |
| EP2549432A4 (en) | 2010-03-19 | 2018-01-10 | Fujitsu Limited | Identification device, identification method and program |
| RU2449362C1 (ru) * | 2010-08-16 | 2012-04-27 | Федеральное государственное образовательное учреждение высшего профессионального образования "Чувашский государственный университет имени И.Н. Ульянова" | Способ формирования представления (шаблона) папиллярного узора |
| TWI457842B (zh) * | 2010-09-29 | 2014-10-21 | Gingy Technology Inc | A segmented image recognition method and a region identification device thereof |
| US8938101B2 (en) * | 2011-04-26 | 2015-01-20 | Sony Computer Entertainment America Llc | Apparatus, system, and method for real-time identification of finger impressions for multiple users |
| US9436864B2 (en) * | 2012-08-23 | 2016-09-06 | Apple Inc. | Electronic device performing finger biometric pre-matching and related methods |
| JP6557943B2 (ja) * | 2014-01-15 | 2019-08-14 | オムロン株式会社 | 画像照合装置、画像センサ、処理システム、画像照合方法 |
| JP6798614B2 (ja) * | 2017-05-12 | 2020-12-09 | 日本電気株式会社 | 画像認識装置、画像認識方法および画像認識プログラム |
| WO2019147245A1 (en) * | 2018-01-25 | 2019-08-01 | Hewlett-Packard Development Company, L.P. | Classification of records in a data set |
| FR3102600B1 (fr) * | 2019-10-24 | 2021-10-08 | Idemia Identity & Security France | Procédé de segmentation d’une image d’entrée représentant au moins une empreinte biométrique au moyen d’un réseau de neurones à convolution |
| JPWO2022259313A1 (ja) * | 2021-06-07 | 2022-12-15 | ||
| WO2023281571A1 (ja) * | 2021-07-05 | 2023-01-12 | 日本電気株式会社 | 情報処理システム、情報処理方法、生体照合システム、生体照合方法及び記憶媒体 |
| WO2024024404A1 (ja) * | 2022-07-28 | 2024-02-01 | 日本電気株式会社 | 指紋情報処理装置、指紋情報処理方法及び記録媒体 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3988715A (en) * | 1975-10-24 | 1976-10-26 | International Business Machines Corporation | Multi-channel recognition discriminator |
| JP2613959B2 (ja) * | 1990-06-20 | 1997-05-28 | 日本電気セキュリティシステム株式会社 | 指紋紋様分類装置 |
| JPH0452975A (ja) * | 1990-06-20 | 1992-02-20 | Nippon Denki Security Syst Kk | 指紋紋様分類装置 |
| US5239594A (en) * | 1991-02-12 | 1993-08-24 | Mitsubishi Denki Kabushiki Kaisha | Self-organizing pattern classification neural network system |
| US5257323A (en) * | 1991-05-29 | 1993-10-26 | Canon Kabushiki Kaisha | Selection agent for a symbol determination system with multiple character recognition processors |
| US5337369A (en) * | 1992-09-09 | 1994-08-09 | Nec Corporation | Equipment for fingerprint pattern classification |
| JPH06309492A (ja) * | 1993-04-21 | 1994-11-04 | Eastman Kodak Co | 複数分類器出力合成方法及び合成システム |
| US5485554A (en) * | 1993-10-29 | 1996-01-16 | Hewlett-Packard Company | Method and apparatus for processing an image in a video printing apparatus |
| US5434932A (en) * | 1994-07-28 | 1995-07-18 | West Publishing Company | Line alignment apparatus and process |
-
1995
- 1995-12-13 JP JP7346880A patent/JP2737734B2/ja not_active Expired - Lifetime
-
1996
- 1996-12-12 EP EP96119983A patent/EP0779595B1/en not_active Expired - Lifetime
- 1996-12-12 DE DE69610689T patent/DE69610689T2/de not_active Expired - Lifetime
- 1996-12-12 US US08/764,754 patent/US5974163A/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| EP0779595A2 (en) | 1997-06-18 |
| DE69610689D1 (de) | 2000-11-23 |
| JPH09161054A (ja) | 1997-06-20 |
| EP0779595B1 (en) | 2000-10-18 |
| DE69610689T2 (de) | 2001-04-19 |
| EP0779595A3 (en) | 1998-03-04 |
| US5974163A (en) | 1999-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2737734B2 (ja) | 指紋分類装置 | |
| JP2776409B2 (ja) | 皮膚紋様並びに指紋紋様の分類装置 | |
| JP5121506B2 (ja) | 画像処理装置、画像処理方法、プログラム及び記憶媒体 | |
| US5799098A (en) | Fingerprint identification system | |
| KR100293623B1 (ko) | 도형위치검출시스템 | |
| JP2827994B2 (ja) | 指紋特徴抽出装置 | |
| Xiong et al. | Model-guided deformable hand shape recognition without positioning aids | |
| JP2002298141A (ja) | パターン照合装置とそのパターン照合方法、及びパターン照合プログラム | |
| KR20000016451A (ko) | 분류 신경망을 이용한 생물측정 인식 시스템 | |
| US20080101662A1 (en) | Print matching method and apparatus using pseudo-ridges | |
| US20060120578A1 (en) | Minutiae matching | |
| Krishneswari et al. | A review on palm print verification system | |
| Ali et al. | Multimodal biometrics enhancement recognition system based on fusion of fingerprint and palmprint: a review | |
| Doroz et al. | An accurate fingerprint reference point determination method based on curvature estimation of separated ridges | |
| Bera et al. | Finger contour profile based hand biometric recognition | |
| Nachar et al. | Hybrid minutiae and edge corners feature points for increased fingerprint recognition performance | |
| Wang et al. | Sphere-spin-image: A viewpoint-invariant surface representation for 3D face recognition | |
| JP2006244365A (ja) | バイオメトリクス照合方法 | |
| Su et al. | Latent fingerprint core point prediction based on Gaussian processes | |
| Binh Tran et al. | Multimodal personal verification using likelihood ratio for the match score fusion | |
| Toh et al. | Combining fingerprint and hand-geometry verification decisions | |
| Bukhari et al. | Textline information extraction from grayscale camera-captured document images | |
| JP2734245B2 (ja) | 画像特徴抽出方法及びその装置 | |
| JP4531670B2 (ja) | パターン照合装置 | |
| Iwasokun et al. | Review and evaluation of fingerprint singular point detection algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080116 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090116 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100116 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110116 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110116 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120116 Year of fee payment: 14 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 15 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 15 |
|
| EXPY | Cancellation because of completion of term |