用于基于指纹的认证的装置和计算机实现的方法与流程

存在以下一般假设：每个个体都具有独一无二的指纹，根据该独一无二的指纹可以唯一地识别他们。个体的手指的皮肤形成脊纹和凹谷的图案，当触摸时其在表面上留下印迹。印迹可以通过指纹传感器(如电容传感器)来感测，指纹传感器可以响应于该指纹传感器被触摸而生成脊纹和凹谷的图案的图像，从而以计算机可读格式电子地表示指纹。

根据指纹对个体的认证是以下处理：比较由指纹传感器获取的指纹(皮肤印痕)的至少两个实例，以确定这些印痕是否可能来自同一个体。通常，在所谓的登记处理期间从同一个体的同一手指获取指纹或指纹图像的集合。该指纹图像的集合也被称为登记指纹图像。指纹图像可以存储为图像或通常存储为模板。模板是具有从存储在存储介质(如硬盘或固态驱动器)上的一个或更多个图像提取的特征的容器。

随后，当个体随后想要被认证时，获取指纹图像并且通过高级图像处理将指纹图像(在下文中又被称为当前图像或验证图像)与登记图像中的一个或更多个进行比较。

由于皮肤的弹性，没有两个指纹在每个细节上都完全相同；即使从同一手指紧接着彼此记录的两个印痕也会略有不同。

认证可以包括多个步骤，以及其判定指纹是否来自同一个体的处理被称为验证。认证的另一个步骤是：判定通过指纹传感器获取的指纹图像来自活体个体的活体手指，还是替选地来自试图获得未经授权的访问的仿造或欺骗的手指或其一部分。该步骤有时被称为活性或活性检测——找到用于判定指纹是活体还是欺骗的好方法的问题又被称为活性问题。

术语仿造的、欺骗的和伪造的在下文中可以互换使用。在任何情况下，仿造或欺骗的手指是指在指纹传感器上留下印记的一些手段，所述印记可以表现为指纹，但是所述印记不是来自触摸传感器的活体手指的印记。

在下文中，术语指纹应当被解释为包括来自形成脊纹和凹谷的皮肤的印迹，例如来自人手或其一部分(例如，手掌)或者来自人脚的脚趾或脚底。

相关的现有技术

常规地，在验证处理之前执行活性确定。因此，仅验证被认为是“活体的”的指纹。在一些情况下，指纹被错误地认为是“欺骗的”，并且因此不被进一步处理。因此，非鲁棒性的活性确定处理将显著降低基于指纹的认证处理的总体质量。

在结构上，用于确定活性的部件明确地与验证部件分离。也就是说，两个部件使他们的结果基于用于处理由指纹传感器获取的指纹图像的分开的处理路径。

在Marasco等的文章“Combining Match Scores with Liveness Values in a Fingerprint Verification System”中，研究了以下：除了提高对欺骗攻击的鲁棒性之外，将活性值与匹配分数组合是否可以提高验证性能。

US 2007/0014443(楚亚技术股份有限公司(Atrua Technologies,Inc))公开了用于降低真实手指被错误地标记为欺骗的可能性的方法。这通过比较在验证期间捕获的数据以调整欺骗的概率来实现。在实施方式中，在指纹验证之后执行欺骗检测。这样的实施方式被认为在识别期间最有用，以避免耗时的数据库搜索。

EP2101282B1(富士通有限公司)公开了一种方法，其中，基于伪造相似度、伪造难度以及伪造确定阈值来设置匹配确定阈值。通过处理，可以在不增加利用伪造物的认证的风险的情况下降低生物对象被错误地确定为欺骗的可能性。匹配确定阈值是用于确定输入的匹配数据与登记的匹配数据之间的匹配分数是否指示一致性的阈值。

技术实现要素：

在执行验证处理时，生成通常被丢弃的数据。然而，根据本发明，建议“充分利用”这些数据并且还在活性确定中使用这些数据。因此，建议在验证处理和活性确定之间引入直接连接。在一些实施方式中，在活性确定之前执行验证处理。

建议在执行活性确定之前执行指纹验证。另外，还将来自验证处理的数据用作活性确定的输入。

提供了一种处理指纹图像的计算机实现的方法，该方法包括：

-从指纹传感器获取当前指纹图像，并且计算当前指纹图像的多个第一特征向量；

-从存储器检索登记指纹图像的多个第二特征向量；

-应用相似度度量来计算表示一组第一特征向量与第二特征向量之间的相似程度的多个相似度值；

-对所述多个相似度值中的至少一部分执行第一分类以生成第一信号，该第一信号指示当前指纹图像是否落在根据登记图像限定的类中；

-对所述多个相似度值中的至少一部分执行第二分类以生成第二信号，该第二信号指示当前指纹图像是落在来自活体手指的指纹的类中还是落在来自仿造的手指的指纹的类中；

-根据第一信号和第二信号生成认证信号。

该方法提出了活性问题的替选解决方案，其中，确定当前图像和登记图像的匹配特征(与来自仅当前图像的特征相对)是表示活体手指之间的比较还是表示活体手指与伪造的手指之间的比较。也就是说，假定登记手指是活体手指；然而，可以应用常规方法来对其进行检查。

实验已经表明，由此实现了基于指纹生物统计来正确地授权或拒绝个体的提高的可靠性。

有利的是，进一步应用传统上仅仅为了验证而计算的相似度值以例如在手指仿造品或手指覆盖层被用于在指纹传感器上留下指纹以试图欺骗认证处理时通过拒绝由指纹传感器感测的欺骗指纹来提高活性检测的鲁棒性。

第二分类建立在又被称为分类器的分类模型上，分类器通过监督学习被训练，其中，来自指纹图像对的相似度值被输入以对模型进行训练，并且其中，以“标签”的形式给出用于训练模型的参考标准(groundtruth)，其中“标签”针对每个指纹图像指示它是欺骗指纹还是活体指纹。

此外，有利的是，计算机实现的方法可以利用以下：不仅针对验证来使用相似度值，而且还针对活性检测来使用已经计算的相似度值。因此，在一些实施方式中，可以执行包括验证和活性检测的认证，同时无需对于用于活性检测的特征的大量额外计算。因此，需要较少的计算资源；这相应地可以提供以下中的一个或更多个：节省电力、延长电池时间、快速认证以及释放资源以用于在计算机上运行的其他进程。特别是对于移动设备例如智能电话、手表和平板，这些是重要的优点。

在一些方面，登记指纹图像或登记指纹图像的集合是例如以用户标识的形式与认证信息相关联的先前登记的指纹图像。这样的登记过程是本领域技术人员公知的。

在一些方面，第一特征向量和第二特征向量的组是第一特征向量和第二特征向量的对。

在一些方面，分类器包括一个或更多个分类器，其中，一个或更多个分类器是所谓的单类分类器或多类分类器例如两类分类器。

一个或更多个分类器可以限定可以被认为是多维阈值或范围的判定边界。在单类分类器的情况下，判定边界限定哪些示例落在类中而哪些示例落在类外。在多类分类器的情况下，判定边界限定哪些示例落在哪些类中或类外。术语示例包括相似度度量值，其中，可以将相似度度量值表示为下面进一步详细描述的直方图。

在监督学习中，每个示例是包括输入对象(包括相似度度量值)和期望的输出值(又被称为监督信号)的对。监督学习算法分析训练数据并产生判定边界，判定边界可以用于通过输出类标签来对示例进行分类。最佳场景将允许算法正确地确定未见过的示例的类标签。这需要学习算法根据在监督训练期间使用的示例进行归纳。

可以根据如上所述的训练来估计判定边界。判定边界由模型中的参数来表示，其中，执行分类的分类器使用模型中的参数来判定特征是落在一个类内还是落在另一个类内。限定判定边界的参数可以是从训练集中选择的示例，其中，训练集在如下进一步所述将支持向量机用于机器学习的情况下又被称为支持向量。

用于监督训练的分类器可以被选择为来自以下中的一个分类器或复合分类器：Ensembles(Bagging、Boosting、随机森林)、k-NN、线性回归、贝叶斯(例如朴素贝叶斯)、神经网络、逻辑回归、感知器、支持向量机(SVM)和相关向量机(RVM)。

术语“相似度度量”是用于度量相似度的方案。用于度量相似度的各种方案是可用的。

在一些实施方式中，存储器是所谓的模板存储器。

在一些实施方式中，通过以下来计算相似度度量的多个值：首先生成第一特征向量与第二特征向量之间的相似度的向量表示；其次计算跨相似度的向量表示的合计相似度值。

这样的处理便于计算来自相应的第一图像和第二图像的第一特征向量与第二特征向量之间的相似度。

在一些方面，第一特征向量与第二特征向量之间的相似度的向量表示是以下的差向量：该差向量在大小上与第一特征向量一致，在大小上与第二特征向量一致并且表示向量的逐元素的差异。合计相似度值可以是差向量的元素的值的总和。

在一些方面，每个特征的表示包括二进制串——1和0的序列——以及图像中的位置。通过对两个二进制串中相异的位置的数量进行计数——这被称为汉明距离——来实现两个特征的比较。

特别是对于二进制特征向量，当相似度度量被计算为汉明距离时是方便的。汉明距离可以通过一些编程语言中的标准操作来计算。对于二进制特征向量，可以通过逻辑异或运算来计算差向量，并且可以通过从编程语言C已知的popcnt()函数来求和。

可以选择其他二进制或非二进制相似度度量作为汉明距离度量的替选方案或者除了汉明距离度量以外还可以选择其他二进制或非二进制相似度度量。

在一些实施方式中，方法包括：以直方图表示来组织多个相似度值；其中执行第一分类和第二分类之一或执行第一分类和第二分类二者以根据直方图表示来分类多个相似度值。

直方图表示可以采用向量的形式，其中，向量的元素拥有表示在直方图的区段中的计数的值，并且其中，预定的约定限定向量的哪个元素拥有针对给定区段的计数。

以直方图表示来编译信息的优点是可以获得固定长度的特征向量(区段值的向量)，这在应用学习算法时是期望的。表示直方图的特征向量可以包括例如64、128、256、512或能够实现足够的分类质量的任何其它数量的元素。

在一些方面，计算机实现的方法包括对相似度度量的多个值进行归一化的步骤，这在应用学习算法时是期望的。可以执行归一化，使得每个直方图的所有区段值合计达预定的值例如1.0。

直方图表示还可以或替选地包括直方图的参数表示。直方图的参数可以包括以下中的一个或更多个：直方图的几何平均值、拥有高于预定的阈值的最小计数的区段的数目以及其他参数。可替选地，直方图表示可以包括根据多个相似度值估计的分布的参数表示。该表示可以包括一阶矩、二阶矩、三阶矩和更高阶矩中的一个或更多个。可以将分布选择为特定类型的分布，例如，正态分布、对数正态分布或另外的分布。分布的类型可以基于指纹图像对的示例。

被配置成对表示当前指纹图像与来自活体手指或仿造的手指的一组指纹图像的一致性的那些相似度值进行分类的分类器在监督训练下以直方图表示作为输入被进行训练。此外，对于分类，分类器接收直方图表示作为输入。如下面更详细地述及的，分类可以考虑其他特征。

在一些实施方式中，根据在当前指纹图像中的相应位置附近的区域中的图像数据来计算第一特征向量；并且其中，根据在先前登记的指纹图像中的相应位置附近的区域中的图像数据来计算第二特征向量。

这样的特征可以是描述符。用于计算特征的框架包括关键点检测器和描述符二者。关键点检测器是被配置成在指纹图像中定位关键点的检测器。关键点检测器被配置成对在统计上很可能再次位于类似图像中的那些点进行定位。关键点检测器被配置成定位图像元素例如角点或其他高反差的点/区域。

另一方面，描述符包括关键点附近的区域或邻域的局部表示并且被配置成以可以被有效搜索的紧凑表示捕获该邻域中的图像内容并且被与根据其他指纹图像计算的描述符进行比较。

在一些实施方式中，关键点检测器包括被称为FAST的算法，描述符包括定向BRIEF描述符。当被组合应用时，它们被统称为ORB或ORB框架，所述ORB或ORB框架由Ethan Rublee、Vincent Rabaud、Kurt Konolige、Gary R.Bradski在以下文献中提出：“ORB:An efficient alternative to SIFT or SURF”，ICCV 2011：2564-2571。FAST算法由E.Rosten在以下文献中提出：“Machine Learning for High-Speed Corner Detection”，2006。

在一些实施方式中，使用其他关键点检测器和/或描述符；作为替选的关键点检测器，可以使用Harris角点检测器。

在一些实施方式中，使用其他框架，例如：

-SIFT，由Lowe,D.G.在以下文献中提出：“Distinctive Image Features from Scale-Invariant Keypoints”，计算机视觉国际期刊，60，2，91至110页，2004年；

-SURF，由Bay,H.，Tuytelaars,T.和Van Gool，L.在以下文献中提出：“SURF：Speeded Up Robust Features”，计算机视觉第九届欧洲会议，2006年；

-BRISK，由Stefan Leutenegger，Margarita Chli和Roland Siegwart在以下文献中提出：BRISK：Binary Robust Invariant Scalable Keypoints，ICCV 2011：2548至2555。

-FREAK，由CVPR 2012开源奖获得者A.Alahi，R.Ortiz和P.Vandergheynst在以下文献中提出：FREAK：Fast Retina Keypoint，IEEE计算机视觉和模式识别会议，2012年。

应当注意的是，另外或作为替选方案，可以应用其他关键点检测器和/或描述符。

在一些实施方式中，方法包括：

-将第一特征向量和第二特征向量进行匹配以形成第一组匹配对；

-将第一组匹配对减少为包括符合统一几何变换的那些匹配对的第二组匹配对；

其中，相似度度量的多个值的计算被限制成根据落在第二组匹配对中的第一特征向量和第二特征向量的对来计算。

该处理将第一特征向量和第二特征向量的对过滤成可以用于可靠的分类的第一特征向量和第二特征向量的匹配对。在一些实施方式中，迭代地执行匹配第一特征向量和第二特征向量的步骤。

在一些实施方式中，通过RANSAC算法来执行将第一组匹配对减少为包括符合统一变换的那些匹配对的第二组匹配对的步骤。

在一些实施方式中，通过以下操作来执行匹配第一特征向量和第二特征向量以形成第一组匹配对的步骤：针对位于当前指纹图像A中的每个特征a在登记指纹图像B中搜索相应特征b，将特征a与登记指纹图像B中的所有特征进行比较，并且选择在特征与b具有最小汉明距离的意义上最相似的一个特征。这为当前指纹图像A中的每个特征赋予在登记指纹图像B中的一个候选特征对。在一些实施方式中，登记指纹图像中的相应特征b包括相应特征的列表。特征的列表可以被集中成包括预定数目的具有最小汉明距离的特征或具有低于预定阈值的汉明距离的特征。

当登记指纹图像中的相应特征b包括相应特征的列表时，可以迭代地执行将第一组匹配对减少为第二组匹配对的步骤，以从列表中选择最接近地符合统一变换的特征的组合。

在一些实施方式中，落在第一组匹配对和第二组匹配对中一个之外或落在第一组匹配对和第二组匹配对二者之外的第一特征向量和第二特征向量被集中在第一组外点特征中；并且其中，第一分类和第二分类之一或第一分类和第二分类二者分别在生成第一信号和第二信号时包括外点特征的全部或至少一部分。

已经认识到的是，外点(outlier)传达可以提高分类质量的信息。外点可以表示指纹图像中的不存在于活体指纹图像中的伪像。可能引起外点的伪像的示例是在欺骗指纹的表面之下的气泡。其他示例包括当从模具创建指纹铸件时或当从指纹传感器的表面提升隐约指纹或仿造的手指时产生的变形和结构。

在一些实施方式中，执行第一分类和第二分类之一或执行第一分类和第二分类二者以根据复合特征向量来对表示当前指纹图像与一组登记图像的一致性的那些相似度值进行分类，其中复合特征向量包括以直方图表示布置的相似度值以及另外地选自以下中的一个或更多个特征：

-第二组匹配对中的匹配对的计数；

-第二组匹配对中的匹配对的和；

-相似度值的和，例如汉明距离的和；

-第二组匹配对中的相似度值的和；

-相似度值的平均值，例如汉明距离的平均值；

-第二组匹配对中的相似度值的平均值，例如汉明距离的平均值；

-相似度值的标准差，例如汉明距离的标准差；

-第二组匹配对中的相似度值的标准差，例如汉明距离的标准差；

-第二组匹配对中的对的数目与第一组匹配对中的对的数目的比率。

因此，形成可以被配置成提高分类的可靠性的复合特征向量。应当注意的是，在一些实施方式中，应用其他类型的统计例如高阶统计矩作为上述一个或更多个的替选方案。第二组匹配对又被称为内点集或者其中的对被称为内点。

在一些实施方式中，根据来自活体手指的指纹的集合和来自仿造的手指的指纹的集合来限定来自活体手指的指纹的类和来自仿造的手指的指纹的类中之一或来自活体手指的指纹的类和来自仿造的手指的指纹的类二者。

在一些实施方式中，第二分类根据监督训练来对相似度度量的值进行分类，监督训练包括以下步骤：

a)从多个活体个体获取多组指纹图像，并且生成该多组指纹图像的匹配的图像对；

其中，对于每个指纹图像对，根据第一指纹图像计算第一特征向量，并且根据第二指纹图像计算第二特征向量；

b)对于每个指纹图像对，计算对指纹图像对中的图像之间的相似度进行度量的相似度度量的多个值；

其中，对从活体手指获取的指纹图像执行步骤a)，并且其中，在步骤b)中，通过第一标签来共同标记相似度度量的多个值；以及

其中，对从仿造的手指获取的指纹图像执行步骤a)，并且其中，在步骤b)中，通过第二标签来共同标记相似度度量的多个值；以及

其中，根据第一训练集和第二训练集之一或第一训练集和第二训练集二者来训练分类器，第一训练集包括从活体手指获得的具有第一标签作为监督信号的相似度度量的多个值，第二训练集包括从仿造的手指获得的具有第二标签作为监督信号的相似度度量的多个值。

从而，获取多组来自多个活体个体的手指的指纹图像和来自仿造的手指的指纹图像，并且可以将常规相似度度量输入至分类器，然后该分类器适于可靠地区分活体指纹图像与欺骗指纹图像。

在产品开发设置中有利地执行上述执行监督学习的步骤以获得分类器的配置。然后，例如通过下载来在应用了上述方法以执行基于指纹的认证的产品中安装分类器的配置。

在一些实施方式中，以直方图表示来组织训练集中的相似度度量的多个值；并且其中，执行第一分类和第二分类之一或第一分类和第二分类二者以根据直方图表示来分类多个相似度值。

还提供了一种通过监督训练来配置第一分类器以区分活体指纹图像与仿造的指纹图像的计算机实现的方法，包括以下步骤：

a)获取多组指纹图像并且生成该多组指纹图像的匹配的图像对；其中，对于每个指纹图像对，根据第一指纹图像计算第一特征向量，并且根据第二指纹图像计算第二特征向量；

b)对于每个指纹图像对，计算对该对指纹图像中的图像之间的相似度进行度量的相似度度量的多个值；

其中，对从活体手指获取的指纹图像执行步骤a)，并且其中，在步骤b)中，通过第一标签来共同标记相似度度量的多个值；以及

其中，对从仿造的手指获取的指纹图像执行步骤a)，并且其中，在步骤b)中，通过第二标签来共同标记相似度度量的多个值；以及

其中，根据第一训练集和第二训练集之一或第一训练集和第二训练集二者来训练第一分类器，第一训练集包括从活体手指获得的具有第一标签作为监督信号的相似度度量的多个值，第二训练集包括从仿造的手指获得的具有第二标签作为监督信号的相似度度量的多个值。

c)存储分类器的计算机可读表示。

还提供了一种承载程序的计算机可读介质，该程序被配置成当在计算机上运行时执行以上所述的计算机实现的方法。

还提供了一种具有耦接至指纹传感器的处理单元的装置，该装置包括：

-指纹获取单元，被配置成从指纹传感器获取当前指纹图像；

-存储器，被配置成存储登记指纹图像的多个第二特征向量；

-处理单元，被配置成：

-计算当前指纹图像的多个第一特征向量；

-应用相似度度量来计算表示一组第一特征向量与第二特征向量之间的相似程度的多个相似度值；

-对多个相似度值中的至少一部分执行第一分类以生成第一信号，该第一信号指示当前指纹图像是否落在根据登记图像限定的类中；

-对多个相似度值中的至少一部分执行第二分类以生成第二信号，该第二信号指示当前指纹图像落在来自活体手指的指纹的类中还是落在来自仿造的手指的指纹的类中；以及

-根据第一信号和第二信号生成认证信号。

在一些实施方式中，装置包括存储支持第一分类的第一模型的第一存储区域和存储支持第二分类的第二模型的第二存储区域；其中第一模型能够由计算单元访问以用从登记图像获得的信息来配置第一模型；其中第二模型经由通过装置接收的下载信号来安装，并且然后被安装用于只读操作。

在一些实施方式中，装置是移动电话、智能电话、平板计算机、膝上型计算机和通用计算机之一。

此处并且在下文中，术语“处理装置”和“处理单元”旨在包括被适当地用于执行本文中描述的功能的任何电路和/或设备。具体地，上述术语包括通用或专用可编程微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、专用电子电路等或其组合。

通常，被配置成执行计算机实现的方法的计算机程序将表示被配置成执行计算机实现的方法(例如程序的组合)的任何程序。

具有被配置成执行计算机实现的方法的程序的计算机可读介质将表示任何介质(如存储器设备或存储设备)。

附图说明

下面参考附图进行更详细的描述，在附图中：

图1示出了计算机实现的方法的第一流程图；

图2示出了根据活体图像计算的相似度值的直方图表示的图以及根据欺骗指纹图像计算的相似度值的直方图表示的图；

图3示出了计算机实现的方法的第二流程图；

图4示出了针对描述符的关键点的位置；以及

图5示出了用于在计算硬件中实现方法的部件的图。

具体实施方式

图1示出了计算机实现的方法的第一流程图。从指纹传感器获取当前图像101，又被称为验证图像，并且根据当前图像来计算特征向量102。可选地，可以计算特征向量103。特征向量可以包括如上所述的二进制特征向量以及实数值和整数值特征向量中的一个或更多个。当前图像在个体请求认证时被获取。认证请求可以由例如本领域已知的指纹传感器和/或其他传感器例如接近传感器和运动传感器来检测。

在本领域已知的登记过程期间，从个体获取多个不同的指纹图像——又被称为登记图像104，并且根据登记图像104来计算特征向量106，可选地，可以如结合当前图像101所述地来计算特征向量105。

特征向量102和106如上所述被成对地一对一匹配，并且在一些实施方式中作为匹配处理和识别内点(inlier)的处理的结果。查找匹配特征的处理也可以基于汉明距离，以找到当前图像中的每个特征的最相似的特征。

然后，通过步骤107处理特征向量102和106，其中，计算每对匹配特征的汉明距离。因此，在该实施方式中，相似度度量是汉明距离。其结果是采用汉明距离的形式的相似度度量值108的集合；每对匹配特征对应一个值。

然后，将相似度度量值108输入至验证分类器110，其中，验证分类器110被配置成对多个相似度值108中的至少一部分进行分类以生成第一信号114、116，该第一信号114、116指示当前指纹图像101是否落在根据登记图像限定的类中，也就是说，指示是否可以统计地验证当前图像是从与登记图像被获得自的个体相同的个体获得的。因此，验证分类器110执行验证分类并且验证分类的结果在第一信号114、116中表示，其中，第一信号114、116可以是指示当前图像被验证/接受还是被拒绝的双态信号。替选地或另外地，第一信号可以指示当前图像被验证/接受还是被拒绝的可能性。

在验证分类器110证实当前图像从与登记图像被获得自的个体相同的个体获得的情况下，将活性分类器109应用于同样的相似度度量值108以生成第二信号115、116，该第二信号115、116指示当前指纹图像101落在来自活体手指的指纹的类中还是落在来自仿造的手指的指纹的类中。因此，活性分类器109执行活性分类并且活性分类的结果在第二信号115、116中表示，其中，第二信号115、116可以是指示当前图像是来自活体手指还是来自仿造的手指的二态信号。替选地或另外地，第二信号115、116可以指示当前图像是来自活体手指还是来自仿造的手指的可能性。

认证单元111接收第一信号114和第二信号115中的一个或更多个，并且由此生成认证信号112。认证信号112从而基于验证分类和活性分类指示当前图像是否会导致认证。如本领域已知的，可以将认证信号112递送至操作系统以对认证信号采取后续动作。

在一些实施方式中，经由沿其右指方向的信号116以串联配置来布置验证分类器110和活性分类器109，其中，在活性检测之前执行验证。在这样的实施方式中，信号115可以传送用于对认证进行判定的足够的信息，并且可以省去信号114。

在其他实施方式中，经由沿其左指方向的信号116在验证分类110之前执行活性分类109。

在其他实施方式中，并行或同时执行活性分类109和验证分类110。

如上所述，验证分类器可以是将登记图像分类在类C1中的所谓单类分类器，该单类分类器以归纳方式包含登记图像的特征，但是统计地排除根据来自其他个体的指纹计算的特征。至于活性分类器，验证分类器将把来自当前图像的特征与来自一个或更多个登记图像的特征相关联。而且，单类分类器将区分来自同一个体和其他任何东西的图像对的特征匹配。

此外，如上所述，分类器可以是多类分类器，该多类分类器可以将来自其他个体的指纹图像的特征包含在明确限定的类中。另外地或替选地，分类器可以具有一个或更多个附加类以将来自其他登记个体的指纹图像的特征包含在其自己的类中，在这种情况下，可以分别认证多个用户。

此外，如上所述，活性分类器可以是将来自活体手指的图像分类在类C2中的所谓单类分类器，该单类分类器以归纳方式包含活体图像的特征。在计算上，将匹配(特征相似度)进行分类；这有效地产生对当前图像或认证尝试的分类。

替选地，分类器可以将来自仿造的手指的图像分类在类C2中。此外，如上所述，分类器可以是多类分类器，其中例如，来自活体手指的特征被分类在第一类中，而来自欺骗图像的特征被分类在第二类中。

在一些实施方式中，如上所述执行包含在框117中的步骤107和结果值108以针对每个获取的验证图像101生成一组相似度值108。然后，将该组相似度值108用于验证和活性检测二者。

在其他实施方式中，与117并行地执行另外的特征处理路径，以生成针对验证优化的第一组相似度值并且生成针对活性检测优化的另一组相似度值。这可能以额外的计算操作为代价，但可以提高整个方法的可靠性和鲁棒性。

在一些实施方式中，根据一个或更多个其他信号例如来自指纹传感器的边框的信号或来自接近传感器的信号来另外生成特征向量103和105的组中之一或特征向量103和105二者。

在一些实施方式中，验证分类器110和活性分类器109直接接收特征向量105和/或特征向量103，其中，特征向量105和/或特征向量103是具有除了相似度值之外的信息并且因此具有改进分类的潜力的特征向量。

图2a示出了根据活体指纹图像计算的相似度值的直方图表示的图以及根据欺骗指纹图像计算的相似度值的直方图表示的图。图201示出了计算作为活体指纹图像的匹配特征(即，活体与活体匹配(live-to-live match))之间的汉明距离的相似度值的直方图表示的图形表示。

图202示出了计算作为活体指纹图像的匹配特征之间的汉明距离的相似度值的直方图表示的图形表示。

在该示例性图示中，将特征之间的汉明距离分配到64个区段中。在64位二进制特征向量的情况下，区段对应于相应的汉明距离。在较长例如256位的特征向量的情况下，直方图表示可以相应地配置有256个区段或较少区段例如64个区段。在后一种情况下，每个区段将覆盖一定范围的汉明距离，例如4个汉明距离的范围。

直方图表示通常在跨每个直方图的区段的值的和合计达1.0的意义上被归一化。

如可以观察到的，图202包括当与图201中的值相比时朝较大的汉明距离移动的值的分布。还观察到，分布的形状有些变化。已经认识到，该信息对于区分根据活体与活体图像(live-to-live image)计算的相似度值和根据活体与欺骗的匹配(live-to-spoof match)计算的相似度值是非常有用的。因此，通过适当的分类，可以以相当好的准确度判定指纹图像是来自活体手指还是来自仿造的手指。

图3示出了计算机实现的方法的第二流程图。在上述登记过程期间执行由框317包围的步骤，其中，执行步骤304以从指纹传感器获取指纹图像，并且其中，执行步骤305以从在登记过程期间获取的指纹图像的全部或子集中提取或计算特征，并且其中，执行步骤306以将所计算的特征存储在又被称为模板存储器320的存储装置(memory)或存储器(storage)中。

如上所述，在验证过程期间执行由框318包围的步骤，其中，步骤301获取验证图像，并且其中，步骤302根据验证图像计算或提取候选特征303。

此外，关于验证过程，执行以下步骤：

步骤307执行来自候选特征303的特征与来自上述模板特征320的特征的匹配。然后，步骤308识别作为内点的那些匹配特征，并且在步骤309中计算内点之间的汉明距离。

步骤310应用验证分类器并且生成拒绝(R)验证图像的判定或者验证或接受(V)验证图像(成功验证)的判定。在拒绝的情况下，步骤311例如通过以下来处理拒绝：例如经由操作系统限制个体进行某些进一步的动作，以及/或者给予个体另外的选择来认证他自己。

在成功验证(V)的情况下，在步骤312中，计算包括针对内点计算的汉明距离的直方图表示的特征向量。随后，在步骤313中，将活性模型应用于包括所计算的汉明距离的直方图表示的特征向量，以基于汉明距离将验证图像分类为可能属于欺骗指纹图像的类或者可能属于来自活体手指的指纹图像的类。

基于在步骤313中执行的分类的结果，步骤314生成关于验证图像是欺骗图像(S)还是活体图像(L)的判定。在欺骗图像(S)的情况下，步骤315例如通过以下来处理该情况：例如经由操作系统限制个体进行某些进一步的动作，以及/或者给予个体另外的选择来认证他自己。

在活体图像(L)的情况下，步骤316认证极有可能是会被合法认证的正确个体的个体。

图4示出了针对描述符的关键点的位置。通常，示出指纹的两个实例，其中，通过在虚线末端处的圆圈来示出关键点，所述虚线连接在关键点位置处计算的匹配描述符特征。矩形框示出了由指纹传感器从手指的一部分获取的指纹图像。

最右边的指纹401通过由指纹传感器在登记处理期间获取的五个不同的图像403、404、405、406、407来捕获。

最左边的指纹402通过由指纹传感器在验证处理期间获取的单个图像408来捕获，其中，图像408又被称为验证图像。

虚线409连接位于验证图像408中的关键点和登记图像405中的匹配关键点。这同样适用于虚线410、411和412。通过仔细的视觉检查可以看出，关键点定位或表示相应的特征的位置。在计算的特征向量(描述符)如所示的那样被匹配的情况下，它们将符合相同变换，并且因此被认为是内点。这些内点可以例如通过RANSAC算法来识别。

相反，虚线414连接在相应的描述符足够好地匹配的情况下可以匹配的关键点，但是如通过视觉检查可以观察到的，它们并未定位相应的特征。因此，由虚线414连接的该对特征将不符合变换，并且将被RANSAC算法作为外点而排除。

然而，虚线413示出了以下关键点：该关键点可以在验证图像408中找到，但是因为登记图像403、404、405、406、407中没有一个覆盖指纹中的相应位置，所以在登记图像中找不到该关键点。因此，理想地，该特征将不会与登记图像中的另一特征匹配。

图5示出了用于在计算硬件中实现方法的部件的图。计算硬件包括处理单元501，该处理单元501可以是专用于处理指纹图像的微处理器或者例如移动电话的可以根据需要动态调整其向方法的资源分配的中央处理单元。处理单元501与指纹传感器511通信，该指纹传感器511包括例如本领域已知的电容型感测元件的矩阵和串行可编程接口SPI 513，其中，处理单元501通过SPI 513与指纹传感器511通信以获取通过矩阵传感器感测的指纹图像并且配置指纹传感器。

处理单元501在其硬件资源上运行软件部件。软件部件包括指纹获取部件503，该指纹获取部件503被配置成从指纹传感器511获取一个或更多个指纹图像并且将它或它们存储在指纹图像存储器506中，例如存储区域中。指纹图像存储器506可以仅在指纹图像在登记处理期间被处理时以及在当前图像被处理或者指纹图像可以被存储以用于随后处理时才临时存储指纹图像。

软件部件还包括特征计算部件504，该特征计算部件504如上所述通过对包括登记指纹图像以及一个或更多个当前指纹图像(验证图像)的指纹图像进行处理来识别和计算例如包括关键点和描述符的特征。

作为其结果，特征计算部件504将至少来自登记指纹图像的特征存储在所谓的模板存储器505中，该模板存储器505是被配置成用于存储特征的存储区域和/或存储对象。

处理单元501包括存储支持验证分类的第一模型507的第一存储区域514和存储支持活性分类的第二模型508的第二存储区域515。第一模型507可由计算单元501访问以用例如来自从登记图像获得的特征的信息来配置第一模型。第二模型508经由在处理单元安装固件的下载处理期间由计算硬件接收的下载信号510被安装；第二模型被安装用于只读操作。固件可以包括上述部件中的一个、更多个或全部。