平码五不中公式规律
  • / 26
  • 下载费用:30 金币  

用于超声波指纹的基于图像的活性检测.pdf

关 键 ?#21097;?/dt>
用于 超声波 指纹 基于 图像 活性 检测
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
摘要
申请专利号:

CN201580045104.7

申请日:

2015.09.04

公开号:

CN106663198A

公开日:

2017.05.10

当前法律状态:

实审

有效性:

审中

法?#19978;?#24773;: 实质审查的生效IPC(主分类):G06K 9/00申请日:20150904|||公开
IPC分类号: G06K9/00 主分类号: G06K9/00
申请人: 高通股份有限公司
发明人: ?#31169;? 陈明宇; 伊丽莎·樱子·杜; 张国亮; 埃斯拉·武拉尔; 绍拉夫·班?#20064;?#24085;迪亚雅
地址: 美国加利福尼亚州
优?#28909;ǎ?/td> 2014.09.05 US 62/046,744; 2015.04.23 US 62/151,983; 2015.09.03 US 14/845,174; 2015.09.03 US 14/845,149
专利代理机构: ?#26412;?#24459;盟知识产权代理有限责任公司 11287 代理人: 宋献涛
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201580045104.7

授权公告号:

|||

法律状态公告日:

2017.06.06|||2017.05.10

法律状态类型:

实质审查的生效|||公开

摘要

本发明揭示一种活性检测方法和/或系统。一种检测活性的方法可包括获得生物测定对象的单个超声波图像。所述单个超声波图像可被细分成多个重叠样本块。可从所述多个样本块中的每一个提取空间域和频域中的特征向量。来自所述多个样本块中的每一个的所述特征向量可与分类模型相比较。

权利要求书

1.一种检测活性的方法,包括:
获得生物测定对象的单个超声波图像;
将所述单个超声波图像细分成多个重叠样本块;
从所述多个样本块中的每一个提取空间域和频域中的特征向量;以及
比较来自所述多个样本块中的每一个的所述特征向量与分类模型。
2.根据权利要求1所述的方法,其中所述特征向量包含直方图特征。
3.根据权利要求2所述的方法,其中所述直方图特征包含所述生物测定对象的脊线和
谷线的超声波阻抗特性。
4.根据权利要求2所述的方法,其中所述直方图特征包含以下各者中的一或多者:脊线
能量、脊线熵、脊线方差、脊线偏?#21462;?#33034;线峰?#21462;?#33034;线方差系数、谷线能量、谷线熵、谷线方差、
谷线偏?#21462;?#35895;线峰度,和谷线方差系数。
5.根据权利要求1所述的方法,其中所述特征向量包含基于比值的特征。
6.根据权利要求5所述的方法,其中所述基于比值的特征包含所述生物测定对象的脊
线和谷线之间的个别特征的比值。
7.根据权利要求5所述的方法,其中所述基于比值的特征可包含以下各者中的一或多
者:脊线和谷线的均值的比值、脊线和谷线的中位值的比值、脊线和谷线的能量的比值、脊
线和谷线的熵的比值、脊线和谷线的方差的比值、脊线和谷线的偏度的比值、脊线和谷线的
峰度的比值,?#22270;?#32447;和谷线的方差系数的比值。
8.根据权利要求1所述的方法,其中所述特征向量包含跨越脊线谷线的特征。
9.根据权利要求8所述的方法,其中所述跨越脊线谷线的特征包含以下各者中的一或
多者:脊线和谷线在灰度值上的分离、脊线和谷线的宽?#21462;?#33034;线到谷线的转换率、谷线到脊
线的转换率、沿着一方向的灰度分布的傅里叶变换的频谱,和所述生物测定对象的脊线的
图像亮度与所述生物测定对象的谷线的图像亮度的比值。
10.根据权利要求1所述的方法,其中所述特征向量包含图像质量测量值。
11.根据权利要求10所述的方法,其中所述图像质量测量值包含以下各者中的一或多
者:脊线定向?#20132;取?#33034;线定向确定性水平和基于伽柏的特征。
12.根据权利要求1所述的方法,其中所述特征向量包含图像图案特征。
13.根据权利要求12所述的方法,其中所述图像图案特征是基于小波的特征。
14.根据权利要求1所述的方法,其中所述多个样本块的至少一子集中的每一个与所述
多个样本块的所述子集中的至少另一个重叠。
15.根据权利要求1所述的方法,其中比较所述特征向量包含相对于所述多个样本块的
第二集合,对所述多个样本块的第一集合进行加权。
16.根据权利要求1所述的方法,进一步包括:基于所述特征向量与所述分类模型的所
述比较,更改所述分类模型。
17.根据权利要求1所述的方法,进一步包括:基于所述生物测定对象的所述单个超声
波图像,更改所述分类模型。
18.一种用于检测活性的系统,包括:
计算机处理器,其经配置以:
获得生物测定对象的单个超声波图像;
将所述单个超声波图像细分成多个重叠样本块;
从所述多个样本块中的每一个提取空间域和频域中的特征向量;以及
比较来自所述多个样本块中的每一个的所述特征向量与分类模型。
19.根据权利要求18所述的系统,进一步包括超声波传感器,其经配置以扫描所述生物
测定对象;
其中所述单个超声波图像是从所述超声波传感器获得。
20.根据权利要求18所述的系统,其中所述特征向量包含基于比值的特征。
21.根据权利要求18所述的系统,其中所述特征向量包含跨越脊线谷线的特征。
22.根据权利要求18所述的系统,其中所述特征向量包含图像质量测量值。
23.根据权利要求18所述的系统,其中所述特征向量包含图像图案特征。
24.一种存储计算机可执行代码的非暂时性计算机可读媒体,所述可执行代码包括用
以进行以下操作的指令:
获得生物测定对象的单个超声波图像;
将所述单个超声波图像细分成多个重叠样本块;
从所述多个样本块中的每一个提取空间域和频域中的特征向量;以及
比较来自所述多个样本块中的每一个的所述特征向量与分类模型。
25.根据权利要求24所述的非暂时性计算机可读媒体,其中所述特征向量包含基于比
值的特征。
26.根据权利要求24所述的非暂时性计算机可读媒体,其中所述特征向量包含跨越脊
线谷线的特征。
27.根据权利要求24所述的非暂时性计算机可读媒体,其中所述特征向量包含图像图
案特征。
28.一种用于扫描手指的系统,包括:
用于获得生物测定对象的单个超声波图像的装置;
用于将所述单个超声波图像细分成多个重叠样本块的装置;
用于从所述多个样本块中的每一个提取空间域和频域中的特征向量的装置;以及
用于比较来自所述多个样本块中的每一个的所述特征向量与分类模型的装置。
29.根据权利要求28所述的系统,其中所述特征向量包含跨越脊线谷线的特征。
30.根据权利要求28所述的系统,其中所述特征向量包含图像图案特征。

说明书

用于超声波指纹的基于图像的活性检测

相关申请案的交叉参考

本申请案主张2014年9月5日申请的现在待决的第62/046,744号美国临时申请案
和2015年4月23日申请的现在待决的第62/151,983号美国临时申请案的优?#28909;ǎ?#25152;述申请
案的揭示内容以全文引用的方式并入本文中。本申请案并?#22411;?#22312;申请中的名称为“多阶段
活性确定(Multi-Stage Liveness Determination)”的第14/845,149号美国申请案的揭示
内容,所述申请案在2015年9月3日以其全文与此一起同时申请。

技术领域

本发明涉及用于检测生物测定是否已经由活体提供的装置和方法。

背景技术

生物测定传感器广泛用于区别授权参加活动的个体和未授权参加所述活动的个
体。例如,指纹传感器通常用于确定由个人提供的指纹是否匹配数据库中的信息,并且如果
确定匹配,那么这个人可被允许参加活动。例如,此人可被允许进入建筑物或房间,或被允
许使用电子装置,例如移动电话或在移动装置上运行的应用程序。

生物测定传感器可被蒙骗(也称为“欺骗”),并由此准许未授权的个人参加为经授
权个人保留的活动。欺骗指纹传感器可以不同方式实现。这些包含使用假指纹、使用除手指
以外的身体部位,以及使用人的死指(dead finger)。由于不大可能会事先知道将在指纹传
感器上使用的特定类型的欺骗,所以提防所有类型的欺骗极其重要。提防欺骗的一种方法
涉及确定生物测定对象是否显现与活性相关联的特性。

随着越来越多的生物测定技术用于用户识别和/或验证,为了确保访问安全和精
确,活性检测变得越来越重要。因为蒙骗识别系统和/或验证系统的许多方法使用无生命的
顶替物,所以活性检测极其重要。例如,乳胶手指可被制作成具有类似于经授权用户的指纹
的脊线和谷线。当此类乳胶顶替物呈?#25351;?#25351;纹传感器时,即使乳胶顶替物不是活体的部分,
但扫描系统可得出错误结论:乳胶顶替物是经授权用户的手指。因此,能够检测生物测定对
象是否是活体的部分的系统将用于检测顶替物的存在。在此类系统中,如果作出生物测定
对象不是生命个体的部分的确定,那么呈现生物测定对象的这个人可被拒绝访问(例如,对
所请求活动的访问),即使生物测定信息(例如,指纹)匹配相关联的识别/验证数据库中的
信息。

发明内容

本发明的一个实施方案是检测活性的方法。方法可包括获得生物测定对象的单个
超声波图像。

方法可进一步包括将单个超声波图像细分成多个重叠样本块。在一个实施方案
中,多个样本块的至少一个子集与多个样本块的子集中的至少另一个重叠。

方法可进一步包括从多个样本块中的每一个提取空间域和频域中的特征向量。特
征向量可包含直方图特征。直方图特征可包含生物测定对象的脊线和谷线的超声波阻抗特
性。直方图特征还可包含以下各者中的一或多者:脊线能量、脊线熵、脊线方差、脊线偏?#21462;?br />脊线峰?#21462;?#33034;线方差系数、谷线能量、谷线熵、谷线方差、谷线偏?#21462;?#35895;线峰度和谷线方差系
数。

方法可进一步包括比较来自多个样本块中的每一个的特征向量与分类模型。特征
向量包含图像质量测量值。图像质量测量值可包含以下各者中的一或多者:脊线定向?#20132;?br />?#21462;?#33034;线定向确定性水平和基于伽柏(Gabor)的特征。比较特征向量可包含相对于多个样本
块的第二集合,对多个样本块的第一集合进行加权。

特征向量还可包含跨越脊线谷线(cross-ridge-valley)的特征。跨越脊线谷线的
特征可包含以下各者中的一或多者:脊线和谷线在灰度值上的分离、脊线和谷线的宽?#21462;?#33034;
线到谷线的转换率、谷线到脊线的转换率、沿着一个方向的灰度分布的傅里叶变换的频谱,
以及生物测定对象的脊线的图像亮度与生物测定对象的谷线的图像亮度的比值。特征向量
还可包含图像图案特征,例如,基于小波的特征。

特征向量可包含基于比值的特征。基于比值的特征可包含生物测定对象的脊线和
谷线之间的个别特征的比值。基于比值的特征可包含以下各者中的一或多者:脊线和谷线
的均值的比值、脊线和谷线的中位值的比值、脊线和谷线的能量的比值、脊线和谷线的熵的
比值、脊线和谷线的方差的比值、脊线和谷线的偏度的比值、脊线和谷线的峰度的比值,以
及脊线和谷线的方差系数的比值。

方法可进一步包括基于特征向量与分类模型的比较,更改分类模型。在另一个实
施方案中,方法可进一步包括基于生物测定对象的单个超声波图像,更改分类模型。

本发明还可体现为用于确定生物测定是否从生命个体获得的方法或系统,并且因
此可用于确定生物测定是否准许活动。此类方法或系统可采用基于直方图特征、基于比值
的特征、跨越脊线谷线的特征、成像质量特征和/或特定图像图案(例如,基于小波的特征)
的与活性数据相关联的向量。可针对生物测定中存在的脊线和谷线二者计算组织特征(原
始特征),例如基于直方图的统计数据。

为了在(例如)所收集的图像是?#24615;?#30340;或图像中所示的生物测定是伪造的(因?#35828;?br />致图像的缺陷)时候检测顶替物,可使用分类的基于块的方法。在此类分类方法中,特征向
量(例如根据上方识别的五个群组中的一或多个计算出的那些)可从图像的每一样本块提
取,并且基于那些特征向量,相对于样本块中的每一个作出关于活性的决定。关于特定图像
是否来自生命个体的决定可通过融合(例如,基于确定算法数学地组合)来自样本块中的每
一个的分类决定作出。

因为可能难以?#19994;?#23545;作出活性确定来说普遍最佳的特征集合,所以采纳对象专用
的分类方法可为谨慎的。在此类方法中,获得来源于已知来自特定个人的图像的特征集合,
并将其识别为那个人的合适的活性指示符。在一个实施方案中,特征集合可来源于扫描数
据或所收集的非图像数据。机器学习算法可用于构建对象专用的分类器。此外,通过应用高
级学习方法来识别是合适的活性指示符的那些特征和构建分类器,可有可能通过指定仅仅
提取已经确定为是那个人的合适的活性指示符的那些特征,减少特征提取的计算。

方法或系统的优点可包含以下各者中的一或多者:(a)用于活性检测的基于单个
图像的方法;(b)对?#24615;?#22270;像或有问题的指纹的影响的耐受性;以及(c)因为系统或方法并
不取决于精确的脊线/谷线掩模而不需要对脊线和谷线进?#22411;?#32654;分段的活性确定。

附图说明

为更全面地理解本发明的性质及目的,应参考附图及随后描述。简单地说,图式
为:

图1是描绘活性检测系统/方法如何可为较大系统/方法的部分的示意图;

图2是说明用于确定活性可为录入过程以及匹配/辨识过程的部分的方法的流程
图;

图3是绘示关于在匹配/辨识过程中可如何利用用于确定活性的方法的额外细节
的流程图;

图4是绘示关于在匹配/辨识过程中可如何利用用于确定活性的方法的额外细节
的流程图;

图5A描绘所收集的指纹图像;

图5B描绘脊线-谷线掩模;

图6A描绘具?#24615;?#22270;像?#31995;?#21152;的向量的指纹图像;

图6B描绘沿着图5A中的叠加向量截得的亮度分布;

图7是描绘用于活性检测的基线方法的流程图;

图8是描绘用于活性检测的活性录入方法的流程图;

图9是描绘活性检测方法的操作的流程图;

图10描绘图像块和其?#31995;?#21152;的多个样本块;

图11是说明样本块分离和分类模型创建/更新的方法的流程图;

图12是说明更新分类模型的方法的流程图;以及

图13是说明用于确定活性的方法的一个实施方案的流程图。

具体实施方式

本申请案可体现为用于检测活性的方法和系统。在一些实施方案中,可基于使用
来源于生物测定的多个基于图像的特征,例如指纹,检测活性。基于图像的特征可在空间
和/或频域中,并且可用于确定特定生物测定是真的还是假的生物测定。出于说明的目的,
本申请案的某些方面将参看指纹和超声波指纹传感器进行描述,但本申请案不限于这些。

图1是描绘包含确定活性的方法的流程图。可采集100和分析103关于生物测定对
象的图像信息,以便确定生物测定对象是否是生命个体的部分。用于确定活性的图像信息
可与用于产生对象的图像的信息相同。例如,图像信息可为关于使用超声波传感器采集100
的指纹的信息,例如在名称为“利用平面波的超声波指纹扫描”的第7,739,912号美国专利
案中所描述。图像信息的分析可由一或多个多用途计算机或处理器进行,所述多用途计算
机或处理器已经编程以分析图像信息,例如移动装置的一或多个应用程序处理器。所采集
的图像信息或数据可根据需要进?#24615;?#22788;理,(例如)以减少噪声、增加对比?#21462;?#21435;除伪声或补
偿温度效应。如果图像信息的分析103指示生物测定对象不是生命个体的部分,那么可拒绝
150所请求的活动(包含仅需要的(例如)应用程序访问或购买授权的活动)。例如,如果此人
请求访问机构、计算机数据库或移动装置应用程序,而信息分析指示生物测定对象不是生
命个体的部分,那么此人可能不被准许获得对机构、数据库或应用程序的访问权,视具体情
况而定。然而,如果图像信息的分析指示生物测定对象是生命个体的部分,那么可允许153
此人获得对机构、数据库或应用程序的访问权,视具体情况而定。在一些实施方案中,在可
授予访问权或允许所请求的活动之前,除了活性指示之外,还可能需要用户的识别、验证或
?#29616;ぁ?br />

图2到3说明可用于评估生物测定对象的图像的各个系统和方法。系统和方法包含
确定生物测定对象的图像是否属于生命个体。

图2绘示示例性生物测定?#29616;?#26041;法的示意图,所述方法可结合用于评估指纹的一
或多个额外系统一起使用。在一个实施方案中,系统可体现为用于对检测到的生物测定对
象的图像进行滤波的单独层。例如,所述层可为用于提高效率、精确?#21462;?#23433;全性和/或可用性
的基于软件的滤波器。

生物测定?#29616;?#26041;法可包含皮肤类对象检测层210,其可用于对以下特征中的一或
多个进行滤波:空气和对象;皮肤和非皮肤;手指和触笔。在一个特定实例中,皮肤类对象检
测层210可确定检测到的声学阻抗是否在特定?#27573;?#20869;。实际上,超音波通过具有不同的声学
阻抗的介质传播。因此,超音波的反射和透射系数可用于获得图像。声学阻抗可能分别是生
物测定密度和相速的产物。同样,在生物测定中,脊线和谷线的声学阻抗值可为不同的。在
一些实施方案中,脊线和谷线的声学阻抗之间的变化可为决定性的,并且因此检测定量声
学阻抗可能不是必需的。

生物测定?#29616;?#26041;法可包含手指检测层220,其可用于对以下特征中的一或多个进
行滤波:指纹和非指纹图?#31119;?#33034;线、脊线流和指纹边缘。手指检测层220可涉及对象是否包含
典型指纹图案(例如,脊线和谷线)的确定。或者或另外,手指检测层220可涉及确定对象是
否具?#24615;?#23545;应于皮肤的声学阻抗?#27573;?#30340;声学阻抗?#27573;?#20869;的声学阻抗。在一些实例中,确定
对象是否为手指可涉及区分手指与另一身体部位。确定对象是否为手指可涉及确定非手指
对象为触笔。手指检测层220可提供指示手指是否在指纹传感器上的手指/非手指输出信
号。手指检测层220可提供指示在指纹传感器上的对象的声学阻抗是否在预定?#27573;?#20869;的声
学阻抗输出信号。手指检测层220可提供指示手指是否在指纹传感器上的对象是否可能是
欺骗的低电平欺骗输出信号。手指检测层220可提供指示触笔的尖端是否在传感器上的触
笔/非触笔输出信号。

生物测定?#29616;?#26041;法可包含图像检核层230测?#21487;?#29289;测定图像的质量,并且在一些
情况下,调用例程以改进图像质量。在一些实例中,图像检核层230可用于执行以下特征中
的一或多个:对低质量指纹图像进行滤波、提供图像质量评分,以及改善或重新采集图像。
图像检核层230可提供指示图像质量是否高于阈值的图像质量输出信号。

生物测定?#29616;?#26041;法可包含模板检核层240,其可涉及指纹特征和/或模板的质量评
分,并且可涉及提供指纹匹配置信度的指示。模板检核层240可用于执行以下特征中的一或
多个:提供特征质量评分、模板质量评分,以及匹配置信度预测。例如,图像检核层230可提
供和/或存储指示特征的质量等级的特征质量输出信号。图像检核层230可提供和/或存储
指示模板的质量等级的模板质量输出信号。图像检核层230可提供指示可匹配模板或辨识
置信度水平是否高于预定阈值的置信度水平的辨识置信度水平输出信号。这些输出信号中
的一或多个可被存储、发送到或另外提供到在移动装置上运行的各种软件应用程序。

生物测定?#29616;?#26041;法可包含匹配/录入层250,其可用于执行图案或特征点匹配。在
本实例中,可至少部分地基于生物测定对象的经提取特征,产生指纹模板。例如,可产生指
纹模板信息,其可包含指纹图案和/或指纹特征点的类型、大小、位置和/或定向。

生物测定?#29616;?#26041;法可包含活性检测层260,其可用于确定活性。活性检测层可用于
提供活性检测输出评分或作出活性确定。活性检测层可具体体现为以下在本文中进一步描
述的方法和系统中的一或多个。

图3描绘检测活性的方法的第一实施方案。方法可包含获得生物测定对象的图像。
图像可为生物测定对象的视觉表示和/或生物测定对象的数据表示。尽管不能直观地辨识
为生物测定对象的图像,但是数据表示可含有识别对应于生物测定对象的数据。在一个特
定实施方案中,仅获得生物测定对象的单个超声波图像。图像块可由超声波图像形成。例
如,图像块可经选择以包含图像的相关区域,例如含有指纹或指纹特征的区域。图像块可被
细分成多个样本块。样本块可具有相同、不同或重叠的区域。例如,基于图像块的含量,图像
块的某些区域可被划分成越大或更小样本块。空间域和频域中的特征向量可从图像块提
取。在一个特定实施方案中,特征向量从多个样本块中的每一个提取。来自多个样本块中的
每一个的特征向量可与分类模型相比较。所述比较可用于作出分类或活性确定。

图4说明根据本发明的方面的后跟着活性确定阶段的指纹录入和/或?#29616;?#30340;通用
流程。在本实例中,框400描述录入过程,并且框420描述验证/?#29616;?#36807;程。在录入期间,所采
集的图像可经处理以产生模板(例如,模板信息、模板数据、生物测定参考数据或参考),所
述模板可存储在本地或外部数据库410中。应注意,参考可包含一或多个模板、模型或原始
图像。在一些实施方案中,录入过程可包含图像采集402、图像处理404、特征提取406、模板
产生408和在数据库中的数据存储410。

图案类型可存储为与对象(例如手指)相关联的模板的部分。在一些实施方案中,
在录入期间,可确定图案分类。图案类型和图案分类可部分地用于?#29616;?#25110;验证。在验证序列
期间,可更新针对特定用户的图案类型和/或图案分类。经更新的图案类型和/或图案分类
可存储在修改后的模板中。

在框420中的验证/?#29616;?#36807;程可包含图像采集422、图像处理424、特征提取426、模
板产生428、使用存储在数据库410中的信息的指纹匹配430,和用以确定和提供匹配输出信
号434的匹配确定432。在识别/验证/?#29616;?#38454;段中,每一采集的图像可经处理以产生模板;所
产生的模板可用于匹配。指纹验证/?#29616;?#26694;420可提供指示是否已发生匹配的匹配输出信号
434。

一或多个活性确定阶段440可执行各种时间分析和/或预期生物测定分析,以确定
手指是真的还是假的并确定手指有无生命。可提供指示活性确定的活性输出信号442。在一
些实施方案中,在指纹录入框400期间,可作出用以提供活性输出信号442的活性确定440。
在一些实施方案中,可提供活性输出信号442以确定是否录入用户。在一些实施方案中,可
提供活性输出信号442以确定是否验证、识别或?#29616;?#29992;户。例如,活性输出信号442可与匹配
输出信号434组合,以确定是否?#29616;?#25110;验证用户。积极的匹配输出信号434和积极的活性输
出信号442可经组合以允许访问或允许所请求的活动。在一些实施方案中,可产生活性输出
信号442,并将其提供到在移动或非移动装置上运行的软件应用程序或应用程序。在一些实
施方案中,在录入期间,可确定图案类型。

图5B是绘示其脊线-谷线掩模的指纹图像。特征向量可从可用于确定活性的图像
提取。在一个实施方案中,可针对脊线和谷线二者,从图像(例如,超声波图像)提取原始组
织信息,例如,基于直方图的特征(“直方图特征”)。例如,(例如)通过利用超声波扫描仪扫
描指纹,可获得关于手指的脊线和谷线的超声波阻抗特性的信息。直方图特征可与整个图
像块、图像块的子集或沿着在图像?#31995;?#21152;的向量有关。所获得的信息可以统计方式分析,以
确定对应于所获得的信息的直方图特征。例如,可用于区别真手指?#22270;?#25163;指的直方图特征
包含:

■脊线能量


■脊线熵


■脊线方差


■脊线偏度


■脊线峰度


■脊线方差系数


■谷线能量


■谷线熵


■谷线方差


■谷线偏度


■谷线峰度


■谷线方差系数


直方图特征可用于获得比值特征。这些比值特征是可用于确定成像对象有无生命
的向量特征的另一实例。在许多情况下,比值特征可为脊线和谷线之间的个别特征的比值。
比值特征可与整个图像块、图像块的子集、一或多个脊线/谷线组合之间或沿着在图像?#31995;?br />加的向量有关。此类比值可包含:

●脊线和谷线的均值的比值

Ru=μr/μv

●脊线和谷线的中位值的比值

Rud=medr/medv

●脊线和谷线的能量的比值

Reg=Egr/Egv

●脊线和谷线的熵的比值

Rep=Epr/Epv

●脊线和谷线的方差的比值

Rvar=σr/σv

●脊线和谷线的偏度的比值

Rskew=sr/sv

●脊线和谷线的峰度的比值


●脊线和谷线的方差系数的比值


这些比值特征可为成像对象的脊线和谷线的图像统计数据的测量值。作为一实
例,来自真指纹图像的比值特征和来自假指纹图像的比值特征各自可示出在特征域中的分
布,其可用于确定成像对象是真的还是假的。

在一些实施方案中,方法可同时考虑成像对象的脊线和谷线,例如通过提取同时
考虑脊线和谷线的特征。例如,就表示成像对象的声学阻抗的灰度值而言,跨越脊线谷线的
特征可包含脊线和谷线的共同出现率特性以及脊线到谷线和谷线到脊线的转换图案。可在
空间和/或频域中显示、分析或比较跨越脊线谷线的特征,例如以下各者中的一或多者:脊
线和谷线在灰度值上的分离、脊线/谷线的宽?#21462;?#33034;线到谷线的转换率、谷线到脊线的转换
?#21097;?#20197;及沿着某一方向的灰度分布的快速傅里叶变换的频谱。可使用向量限定方向,例如垂
直于生物测定对象的脊线流的方向。此类跨越脊线谷线的特征可用于识别脊线和谷线的共
同出现率特性以及脊线到谷线和谷线到脊线的变化图案。就图像中的灰度级而言,可进行
此操作。在一个实例中,可分析在垂直于脊线流的方向上的灰阶分布,并且可提取各种特征
以表征脊线和谷线在空间和频域二者中的共同出现率。例如,可提取以下特征中的一或多
个:脊线和谷线的分离、宽度比值、脊线和谷线的变化率、快速傅里叶变换的功率谱。可额外
使用脊线和谷线在空间和频域二者中的共同出现率的额外特征。

识别组织分量的方法,例如,考虑成像生物测定的脊线和谷线的方法可能比仅识
别几何分量的方法更难以欺骗。与假生物测定相比,可使得所述假生物测定相对容易地具
有类似于具有活性的指纹的几何分量,假生物测定将横跨脊线和谷线具有相比于真生物测
定显著不同的灰阶分布。因此,横跨脊线和谷线的灰阶分布可用于更可靠地区别生物测定
对象的欺骗图像和真实图像。

图6A和6B提供跨越脊线谷线的测量值的实例。根据跨越脊线谷线测量值的此实
例,可提取成像对象的脊线和谷线的二维空间图案一致性。图6B是绘示沿着图6A中所示的
线段500的亮度分布的曲线,所述曲线跨越若干指纹脊线/谷线对。x轴单位表示沿着选择方
向的像素位置,y轴是沿着线段500的每一像素的灰度值。因此,图6B中的亮度分布是沿着图
6A的图像的线段500的脊线/谷线对的特性。脊线的图像亮度的测量值和谷线的图像亮度的
测量值可用于确定活性。具体来说,可确定脊线的图像亮度的均值,确定谷线的图像亮度的
均值,接着根据以下等式计算这两个亮度测量值的比值:

CRVBT=均值(局部最大值)/均值(局部最小值)

活体的指纹可产生图像块,例如,图像的一部分,所述图像块产生比假指纹提供的
图像块更加有限的CRVBT的值?#27573;А?br />

在使用一或多个跨越脊线谷线测量值的另一方法中,根据以下等式可确定频域签
名:

CRVfreq=(Mag(Fi_max)+α(Mag(Fi_max-1)+Mag(Fi_max+1)))/∑Mag(Fi)

其中F是亮度分布的傅里叶变换,i_max是具有最大量值(不包含DC分量)的项的下
标,以及α是?#20132;?#22312;最大量值的附近的值的可调节参数。活体的指纹图像块可产生比由假指
纹提供的图像块更大的CRVfreq的值。具体来说,假指纹可产生具有更高频?#35797;?#22768;的图像和
更不清晰的脊线/谷线图案。因此,假图像在频域中的能量可分配比真图像更多的频率—由
此使得真图像的质量值高于假图像。

根据另一实施方?#31119;?#19968;或多个图像质量测量值可包含在特征向量中。图像质量测
量值可为以下各者中的一或多者:指纹图像中的连接分量的数目、分量的?#20132;取?#23450;向分布
的熵,以及脊线和谷线的强度(即清晰度/锐度)。下方是图像质量测量值的三个实例。

●脊线定向?#20132;?#24230;

OS=∑(i,j)∑(k,l)1-abs(Ori(i,j)-Ori(i-k,j-l))/(Ori(i,j)+Ori(i-k,j-l)

其中Ori(.,.)是基于指纹图像计算出的定向地图,(i,j)是专用位置,(k,l)跨越
围绕像素(i,j)的小窗口。

良好质量的图像块往往会具有此特征的较大值,而不良质量的图像块往往会具有
此特征的较小值。假指纹通常呈现较为不良的图像质量。这可能是因为假指纹的图像在本
地窗口中会展现定向的更多变化形式,由此产生较小OS值。相比之下,真指纹的图像在本地
窗口中可产生更均匀的定向,由此产生比假指纹大的OS值。

●脊线定向确定性水平

OCL=(H(i_max)+α(H(i_max-1)+H(i_max+1)))/∑H(i)

其中H是块中定向的直方图,I_max是具有最大值的直方图的下标;α是可调节参
数。

良好质量的指纹块往往会具有此特征的较大值,而不良质量的块往往会产生较小
值。因为真指纹的图像可具有更少变化的更清晰的脊线/谷线图?#31119;?#25152;以这会出现,所述图
案在一个主要定向上可能比假指纹更加集中。

●基于伽柏的特征

GQual=∑stdv(Gabori(I-Gaussian(I)))

其中stdv用以计算标准差,Gabori是与某一定向、频率和高斯?#20132;?#31383;口相关联的
第i个伽柏滤波器。这些参数可基于实验凭经验获得。

良好质量的指纹块可具有此特征的较大值,因为它们具有更清晰的脊线流信息。
具体来说,具有良好质量的真指纹图像可仅对一个或两个伽柏滤波器具有高响应,因为它
可具有一个或两个主要定向。具有不良质量的假指纹图像可对全部伽柏滤波器具有?#32454;?#21709;
应。因此,真图像的全部滤波器响应的标准差可高于假图像。

又一方法可基于捕获在由不同手指材料(例如,皮肤和非皮肤;有生命的和无生命
的)成像过程期间所产生的特定图像图案。例如,此特征群组可表征由实际指纹提供的图像
信息(例如,图像中所示的指纹纹理)和详细信息,所述详细信息可来自感测材料(皮肤与非
皮肤对比)的超音波阻抗的差或成像过程噪声。皮肤和非皮肤材料对超声波信号作出?#20174;?br />的方式是不同的,并且就这些特征测量值而言,在图像中呈现的特定图案是不同的。在一个
此类方法中,基于小波的特征用于确定小波包分解的测量值,这将提供原始图像的?#24179;?#20998;
量和细节分量。来自?#24179;?#20998;量的特征可包含:来自小波包分解的?#24179;?#20998;量的

图像能量(“Eg”),

修改后的熵测量值(“Ep”),

偏度(“s”),和/或

峰度()。

来自细节分量的特征可包含:来自小波包分解的细节分量的

图像能量(“Eg”),

熵(“Ep”),

方差(“var”),

偏度(“s”),和/或

峰度()。

其中:

Eg=∑∑(I(i,j)-μ)(I(i,j)-μ)

Ep=∑∑(I(i,j)-μ)log|I(i,j)-μ|

s=∑∑(I(i,j)-μ)*(I(i,j)-μ)*(I(i,j)-μ)/(σ*σ*σ)


其中,其中N=图像大小,μ是图像均值。

可能难以?#19994;?#23545;全部手指来说普遍最佳的特征集合。因此,可为利用对象专用方
案。在一个此类方案中,针对每一个人用户训练分类器,以使得使用特定特征和参数集合在
活性方面?#29616;?#19968;个用户,所述特征和参数集合与用于相对于活性?#29616;?#19981;同用户的那些不
同。在此类用户专用方案中,具有用以从中选择的大量活性特征是有益的。分类器可经编程
以识别对每一用户来说是最佳的特征和参数集合。

图7到9说明可用于确定生物测定对象的活性的各种方法。图7提供训练的方法
600,其提供基线活性检测模型。基线活性检测模型可使用在部署系统以供使用之前所收集
的指纹数据来进行训练。第一步骤601可包含从真生物测定?#22270;?#29983;物测定二者收集大?#21487;?br />物测定数据(例如,指纹图像)。第二步骤602可包含从生物测定图像(例如,一或多个指纹图
像)提取特征。第二步骤602可包含使得一或多个块样本通过特征提取模块。第三步骤603可
包含提取生物测定图像的一或多个图像特征。特征可包含一或多个特征向量,如本文进一
步描述。第四步骤604可包含从真图像?#22270;?#22270;像获得作为正样本和负样本的特征向量。特征
向量可被发送到训练引擎,其可为机器学习算法。训练引擎可用于创建分类模型605。分类
模型可充当基线模型。基线模型可与用于确定活性的系统或方法一起使用。

图8提供录入和改进活性检测模型的方法610。在将新用户录入到方法的情况下,
基线模型可进行更新以使得模型是为新用户?#21487;?#23450;制的。?#28304;?#26041;式,具有?#32454;?#27700;平的精确
度的确定活性可用于新用户。根据方法610,可获得611新用户的生物测定对象的一或多个
图像。可从一或多个图像提取612一或多个特征向量。递增训练算法可与所提取的特征向量
以及基线模型一起使用613,以便创建新的分类模型614。新的分类模型614可因此针对特定
用户的活性检测而?#21487;?#23450;制。

图9提供确定活性的方法620的实施方案。例如当用户待?#29616;?#26102;,可使用方法620。
方法620可包含捕获621用户的生物测定对象的一或多个图像,例如用户的指纹。在一个特
定实例中,可获得生物测定对象的单个超声波图像。可从图像提取622一或多个特征向量。
活性检测引擎(“LivDet引擎”)可处理623所提取的特征向量以及用户专用模型,以便提供
活性测量值。基于活性评定,可作出关于活性的决定。在一些实施方案中,每一特征向量可
表示数据的一个样本。因此,每一特征向量可与活性测量值或决定相关联。可使用一或多个
算法(包含本文中所描述的那些算法)融合624根据特征向量的决定。可达成并输出最终决
定,例如图像级决定。

为了从指纹扫描中提取足够的信息,可采用过采样策略以便提取大量数据。过采
样可用于作出稳定的决定,尽管还存在与指纹扫描有关的问题,包含可能的传感器噪声和
不良指纹质量。为了说明用于过采样的一个此类方法,我们将“图像块”限定为如图10中所
示的那样的指纹扫描。图像块可被细分成样本块。样本块之间可存在重叠。在图10中,多个
颜色用于更好的区别样本块,并且应注意,较晚绘制的重叠样本块示出为覆盖了较早呈现
的样本块的颜色。图10中的每一样本块表示8x8像素。应注意,样本块被限定成仅仅处于含
有指纹数据的区域中。图像块中像素的数目可取决于传感器大小和分辨率。对于通常的图
像块,可存在50到200个样本块可以使用,并且可使用样本块的实际数?#23458;?#24120;取决于指纹图
像的大小和质量。

对于每一样本块,可提取上文所述的特征向量中的一或多个。因此,对于特定图像
块,可针对每一样本块获得许多类型的特征,并且由于在图像块中存在许多样本块,所以每
一类型的特征可具有大量数据,由此促进统计显著样本的产生。使用多块重叠采样方法的
另一优点可为可最小化不良成像指纹区域的影响,所述不良成像指纹区域可能由破损的指
纹或有缺陷的传感器块导致。

为了确定特定图像块是否从生命体中获得,可能需要确定一种利用来源于样本块
的数据的决定方法。在一个此类决定方法中,每一样本块提供一个特征向量,并且基于那一
特征向量,相对于那一样本块作出关于活性的确定。记住这种方法,关于如何作出关于活性
的最终决定可存在至少两个选择:(1)多数表决;以及(2)加权表决。在多数表决方法中,关
于其特征向量指示的是真指纹还是假指纹,每一样本块可平等地“表决”。如果指示真指纹
的样本块的数目多于指示假指纹的样本块的数目,那么将指示为真指纹。然而,如果指示真
指纹的样本块的数目并不多于指示假指纹的样本块的数目,那么将指示为假指纹。

在加权表决方法中,每一样本块“表决?#20445;?#20294;一些“表决”可经加权而超过其它“表
决”。特定样本块的表决的权值可来源于这个块的图像质量测量值。或,权值可来自由学习
模型估计的样本是真指纹或顶替指纹的可能性。

此类决策模型可使得容?#29366;?#29702;其中多个指纹图像可用的情形。在此类情形中,来
自全部图像的样本块可被放置(实际上)在样本池中,并且基于所述样本池作出关于活性的
决定。或者,个别图像级决定可进行融合,以便作出关于活性的最终决定。

根据另一实施方?#31119;?#22914;图11中所示,确定活性的方法800可包含用以解释来源于上
文所述的确定活性的方法的数据的一或多个机器学习算法,包含例如支持向量机(SVM)、随
机森林?#22270;?#31471;学习机(ELM)的算法。根据本方法800,生物测定的图像可被划分成样本块
810。样本块可被区分820真假。机器学习算法可基于真假样本块进行训练830。训练的输出
可用于创建840a分类模型,或用于改进840b现有的分类模型,未来的样本块将与所述现有
的分类模型比较。如先前所描述,分类模型可用于比较,以确定图像来自真生物测定对象还
是假生物测定对象。

根据另一实施方?#31119;?#22914;图12中所示,确定活性的方法900可包含自适应活性检测模
型。方法900可包含在用户录入到装置上之后,从已录入用户获得910新图像。新图像可用于
更新或调谐930先前经训练的分类模型。例如,更新或调谐可用于将经训练的分类模型更好
地调谐到特定个人,或更一般地说,用于改进分类模型或分类模型群组,以区分真假指纹。
当生物测定对象(例如,指纹)随时间的推移改变(例如,由于导致磨损的频繁使用,或由于
人的自然衰老)时,自适应活性检测模型可有利地更新模型。通过根据生物测定对象的改变
而更新分类模型,可长时间维持——或可能提高系统的精确?#21462;?br />

出于安全目的,方法900可任选地确定920在更新或调谐先前经训练的分类模型之
前,新图像是否符合一或多个?#38469;?#26465;件。例如,方法900可包含?#38469;?#26465;件,例如需要生物测定
通过匹配过程(例如,一或多个生物测定扫描和?#29616;?#36807;程),和/或指纹可需要通过最小阈值
活性确定以便允许分类模型更新。这些?#38469;?#26465;件可用于避免欺骗自适应活性检测模型根据
假生物测定图像来更新其分类模型。

根据另一实施方?#31119;?#22914;图13中所示,检测活性的方法1000可包含获得1010生物测
定对象的单个超声波图像的步骤。根据本方法1000,单个超声波图像可被细分成多个重叠
样本块。可从多个样本块中的每一个提取1030空间域和频域中的特征向量。来自多个样本
块中的每一个的特征向量可与分类模型比较1040。在一个实施方案中,可基于特征向量与
分类模型的比较,更改1060分类模型。在另一个实施方案中,可基于生物测定对象的单个超
声波图像,更改1050分类模型。

尽管本发明已经相对于一或多个特定实施方?#38468;?#34892;描述,但将理解,本发明的其
它实施方案可在不脱离本发明的精神和范畴的情况下做出。因此,认为本发明仅由所附权
利要求书及其合理解释限制。

关于本文
本文标题:用于超声波指纹的基于图像的活性检测.pdf
链接地址:http://www.pqiex.tw/p-6091722.html
关于我们 - 网站声明 - 网?#38236;?#22270; - 资源地图 - 友情链接 - 网站客服 - 联系我们

[email protected] 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
平码五不中公式规律 极速11选5玩法 江西多乐彩入口 贵州十一选五结果 海南飞鱼在线开奖结果 四川金7乐开奖走势 福利彩票3d复式组三 体彩陕西十一选五开 分分彩计划app 北京pk10什么计划最稳 和讯股票行情