用于相对于模板而不是根据绝对尺度的欺骗检测的系统和方法与流程

本申请要求2016年11月10日提交的美国临时申请no.62/420,513的权益，其通过引用以其整体并入本文。

本公开一般涉及生物测量传感器，并且更具体地涉及用于相对于模板而不是根据绝对尺度的欺骗检测的系统和方法。

背景技术：

生物测量认证系统用于认证和/或检验包含认证系统的设备的用户。生物测量感测技术提供了一种可靠的、非侵入性方式来检验个体身份以用于识别目的。

指纹与各种其它生物测量特性一样，是基于独特的个人特性，并且因此是用于识别个体的可靠机制。存在许多使用指纹传感器的潜在的应用。例如，指纹传感器可用于在固定应用中提供访问控制，所述固定应用诸如安全性检查点。电子指纹传感器还可用于在移动设备中提供访问控制，所述移动设备诸如手机、可穿戴智能设备（例如，智能手表和活动跟踪器）、平板计算机、个人数据助理（pda）、导航设备和便携式游戏设备。因此，一些应用（特别是与移动设备相关的应用）可能需要既尺寸小又高度可靠的认证系统。

生物测量“欺骗”是使用用户的感测的生物测量的复制品来绕过生物测量防护的任何尝试。在指纹认证系统的上下文中，除了别的以外，欺骗材料的一些示例包括手指的三维（3d）明胶模具、手指的石墨模具、手指的木胶模具和手指的印刷的二维（2d）图像。在面部识别的上下文中，示例欺骗材料可以是人的面部的照片。在语音识别的上下文中，示例欺骗材料可以是声音的模仿或回放。

为了维持生物测量认证系统的完整性，存在对于反欺骗系统和方法的需要，所述反欺骗系统和方法也称为“活跃度检测”，其可以检测认证尝试何时是欺骗，并且在检测到欺骗时，恰当地拒绝认证。

技术实现要素：

一个实施例是一种设备，其包括生物测量传感器和处理系统。处理系统被配置成：从生物测量传感器接收生物测量的输入图像；从输入图像提取一个或多个反欺骗量度；接收对应于生物测量的反欺骗模板；针对第一反欺骗量度，计算从输入图像提取的第一反欺骗量度的值与反欺骗模板中的第一反欺骗量度的值之间的差异值；并且基于差异值确定输入图像是否是生物测量的复制品。

另一实施例提供了一种用于执行欺骗检测的方法。该方法包括：由处理器从生物测量传感器接收生物测量的输入图像；由处理器从输入图像提取一个或多个反欺骗量度；由处理器接收对应于生物测量的反欺骗模板；针对第一反欺骗量度，由处理器计算从输入图像提取的第一反欺骗量度的值与反欺骗模板中的第一反欺骗量度的值之间的差异值；并且由处理器基于差异值确定输入图像是否是生物测量的复制品。一些实施例还包括存储指令的非暂时性计算机可读存储介质，所述指令在由处理器执行时执行用于欺骗检测的方法。

附图说明

图1是根据实施例的包括传感器设备和处理系统的电子设备的示例的框图。

图2是图示根据实施例的用于欺骗检测的系统和方法的框图。

图3是根据实施例的欺骗检测系统的框图。

图4是图示根据实施例的用于基于相关量度执行欺骗检测的方法步骤的流程图。

图5是图示根据实施例的用于创建和更新反欺骗模板的方法步骤的流程图。

图6是图示根据实施例的用于基于一个或多个差异量度的欺骗检测的方法步骤的流程图。

具体实施方式

以下具体实施方式在本质上仅是示例性的，并不旨在限制本公开或本公开的应用和用途。此外，无意受前述技术领域、背景技术、发明内容、附图说明或以下具体实施方式中所呈现的任何明示或暗示的理论的约束。转到附图，并且如本文中更详细描述的那样，实施例提供用于欺骗检测的量度的系统和方法。

指纹图像因人、因传感器以及甚至因同一人的不同图像可以具有可观的变化。这种变化反映的事实是，人的手指是活物，并在手指响应于外部因素（诸如出汗、在触摸时拉伸等）时而改变。当利用指纹传感器对手指进行成像时，这些改变在某种程度上被捕获，以及因此，即使在同一手指的不同痕迹的情况下，所感测的图像也包括一些变化。同样地，来自相同感测技术的不同传感器可能添加小的差别。

鲁棒的指纹匹配器的目标是对同一手指的这些改变中的许多是不可知论的（agnostic），这改进了系统对真正用户的可用性。然而，如果例如利用来自用户的潜在印记构造了欺骗，则欺骗图像可以与真实手指充分相似，以至于它们可以用于获得到系统中的入口。指纹反欺骗技术尝试通过从可用于辨别欺骗手指和有生命的手指的图像导出属性来区分来自欺骗手指的图像与有生命的手指的图像。

如所描述的那样，反欺骗技术通过防止使用欺骗指纹的成功认证来帮助改进生物测量认证系统的安全性，所述欺骗指纹例如使用设备的真正用户的潜在指纹创建的欺骗指纹。由于欺骗指纹是在设备上登记的指纹的副本，所以在没有反欺骗技术的情况下，指纹匹配器可能将欺骗指纹图像与登记图像匹配并授予对设备的访问。

反欺骗技术分析欺骗指纹图像中的特征，并尝试区分欺骗指纹图像与真实手指的图像。本公开的实施例提供了一种用于欺骗检测的系统和方法，其基于计算相对于同一生物测量的先前图像的一个或多个量度。

一旦计算了一个或多个量度，就将量度输入到“分类器”，其产生可以与阈值进行比较的分数，以确定手指是有生命的手指还是欺骗。在一些实施方式中，许多不同的量度被输入到分类器中，并且分类器被配置成基于量度的组合来计算总体活跃度分数。在一个示例中，分类器是神经网络，但是任何分类器都在本公开的范围内。可以使用机器学习方法来开发分类器本身，其中创建训练集合和测试集合以训练和验证分类器性能。

基于软件的反欺骗技术通过提取输入图像中的特征并分析那些特征来区分欺骗图像和真实手指的图像来检测欺骗。在一些实施例中，独立于下层匹配器（即，用于确定输入图像是否提供与登记模板（或“登记图像”）的匹配以用于例如认证、检验或者识别的目的的匹配器）来执行反欺骗解决方案，使得匹配/非匹配判定和欺骗/非欺骗判定是彼此分离地和独立地进行的。

一些反欺骗分类系统尝试确定任何给定手指与欺骗相对看起来有生命的程度。通常，反欺骗分类系统使用绝对尺度并且使用训练数据库中的所有有生命的和欺骗示例的群体/分布来对任何给定手指看起来有生命的程度进行分类。换言之，这些传统方式在进行活跃度确定时依赖于绝对量度。

在其它传统系统中，基于在登记过程期间从每个登记图像提取反欺骗量度并且以某种方式（例如，经由活跃度分类器）组合量度来为用户的每个登记图像计算活跃度分数。不同登记图像的活跃度分数可以（例如通过平均）被组合成用户的总体活跃度分数。当进行检验尝试时，这种传统系统从与检验尝试相关联的输入图像提取反欺骗量度，然后基于量度的组合计算输入图像的活跃度分数。可以将与检验尝试相关联的活跃度分数与用户的总体活跃度分数进行比较，以确定其是否是欺骗。例如，可以关于与检验尝试相关联的活跃度分数与总体活跃度分数之间的差是否在阈值内进行确定。然而，该方法仅以相对方式设定分类器阈值。其完全不修改分类器本身，并且输入分类器中的量度都不是差异量度。

实施例基于与在该特定用户的手指的其它图像中找到的量度相关的量度（例如，统计信息）来进行活跃度确定。量度中的相对差异被输入到进行活跃度判定的分类器中。该方式不同于其中分类器不使用任何相对（或“差异”）量度进行操作的传统方式。

所公开的实施例具有主要优点，因为它们考虑了与已知有生命手指的偏差。作为简化示例，假设有生命手指沿其手指脊具有低的灰度级变化。在根据绝对尺度进行分类的情况下，这可能意味着活跃度低，并且在检验尝试时，有生命手指可能被错误地分类为欺骗，从而增加了系统的frr（错误拒绝率）。进一步假设看到具有更加低变化的欺骗手指。在使用绝对方法的情况下，这种尝试也称为欺骗，但是这次确实正确。在使用如本文中所公开的相对方法的情况下，具有与登记期间使用的手指类似的变化的任何有生命手指将被正确地确定为有生命手指。但是，具有更加少变化的欺骗仍然可以被检测为欺骗，因为其与正常基线偏差地足够远。

转到附图，图1是根据实施例的包括传感器设备102和处理系统104的电子设备100的示例的框图。作为示例，图示了在捕获、存储和检验生物测量匹配尝试期间利用的电子设备100的基本功能部件。处理系统104包括（一个或多个）处理器106、储存器108、模板存储器110、操作系统（os）112和（一个或多个）电源114。（一个或多个）处理器106、储存器108、模板存储器110和操作系统112中的每一个物理地、通信地和/或可操作地互连以用于部件间通信。电源114互连到各种系统部件以在必要时提供电力。

如图示的那样，（一个或多个）处理器106被配置成实现用于在电子设备100和处理系统104内执行的功能性和/或处理指令。例如，处理器106执行存储在储存器108中的指令或存储在模板存储器110上的指令以识别生物测量对象或确定生物测量认证尝试是成功还是不成功。可以是非暂时性计算机可读存储介质的储存器108被配置成在操作期间在电子设备100内存储信息。在一些实施例中，储存器108包括临时储存器，即用于在电子设备100被关闭时不要维持的信息的区域。这种临时储存器的示例包括易失性储存器，诸如随机存取储存器（ram）、动态随机存取储存器（dram）和静态随机存取储存器（sram）。储存器108还维持用于由处理器106执行的程序指令。

模板存储器110包括一个或多个非暂时性计算机可读存储介质。在指纹传感器的上下文中，模板存储器110通常被配置成存储用于用户的指纹的指纹图像或其它登记信息的登记视图。登记视图可以包括同一手指的多个图像。此外，登记视图可以包括用户的多个不同手指的视图。更一般地，模板存储器110可以用于存储关于对象的信息。模板存储器110还可以被配置用于信息的长期存储。在一些示例中，模板存储器110包括非易失性存储元件。非易失性存储元件的非限制性示例除了别的以外还包括磁性硬盘、固态驱动器（ssd）、光盘、软盘、闪速储存器或电可编程储存器（eprom）或电可擦除及可编程（eeprom）储存器的形式。

处理系统104还主控操作系统（os）112。操作系统112控制处理系统104的部件的操作。例如，操作系统112促进（一个或多个）处理器106、储存器108和模板存储器110的交互。处理系统104虽然被示出为包括处理器106和储存器108，但是还可以包括微处理器、微控制器和/或专用电路。

根据各种实施例，（一个或多个）处理器106实现硬件和/或软件以获得描述输入对象的图像的数据。（一个或多个）处理器106还可以对齐两个图像并将对齐的图像彼此进行比较以确定是否匹配。（一个或多个）处理器106还可以操作以从一系列较小的部分图像或子图像重构较大的图像，所述部分图像或子图像诸如当在生物测量过程期间收集多个部分指纹图像时的指纹图像，所述生物测量过程诸如用于检验或识别的登记或匹配过程。

处理系统104包括一个或多个电源114以向电子设备100提供电力。电源114的非限制性示例包括一次性电源、可再充电电源和/或从镍镉、锂离子或其它合适材料开发的电源以及依次连接到电力的电源线和/或适配器。

传感器设备102可以实现为电子设备100的物理部分，或者可以与电子设备100物理地分离。视情况而定，传感器设备102可以使用以下中的任何一个或多个与电子设备100的部分通信：总线、网络和其它有线或无线互连。在一些实施例中，传感器设备102被实现为指纹传感器以捕获用户的指纹图像。根据本公开，传感器设备102使用光学感测以用于对象成像的目的，所述对象成像包括对诸如指纹的生物测量成像。传感器设备102可以例如被并入为显示器的部分，或者可以是分立传感器。在一些实施例中，传感器设备102可以执行光学成像。在各种其它实施例中，传感器设备102可以利用电容性传感器设备、超声传感器设备或使用某种其它感测技术进行对象成像的另一传感器设备来代替，如本文中更详细地描述的那样。

电子设备100可以利用传感器部件和感测技术的任何合适组合来检测感测区中的用户输入。一些实施方式利用多个感测元件的阵列或其它规则或不规则图案来检测输入。电子设备100可以使用的示例感测技术包括电容性感测技术、光学感测技术、声学（例如，超声）感测技术、基于压力的（例如，压电）感测技术、电阻性感测技术、热感测技术、电感性感测技术、弹性感测技术、磁性感测技术和/或雷达感测技术。

例如，电子设备100可以使用电阻性感测技术，其中来自输入对象的接触闭合电路并且可以用于检测输入。在一个示例技术中，传感器设备102包括由一个或多个间隔件元件与导电的第二层分离的柔性且导电的第一层。在操作期间，跨层创建一个或多个电压梯度。按压柔性第一层可使其充分偏转以在层之间创建电接触，从而产生反映层之间（一个或多个）接触点的电压输出。这些电压输出可用于确定对应于输入对象的空间信息。

在另一示例中，电子设备100可以使用电感性感测技术，其中一个或多个感测元件采集由谐振线圈或线圈对感应的回路电流。然后可以使用电流的幅度、相位和频率的某种组合来确定对应于输入对象的空间信息。

在另一示例中，电子设备100可以使用声学感测技术，其中一个或多个声学感测元件检测来自附近输入对象的声波。声波可以处于可闻频率或超声频率。检测到的声波可以包括环境声波的回波和/或由输入设备发射的从输入对象的表面反射的声波的回波。电信号的幅度、相位、频率和或时间延迟的某种组合可用于确定对应于输入对象的空间信息。

一个示例声学感测技术利用主动超声感测来发射传播到感测区的高频源波。一个或多个超声发射器元件（也称为“超声发射器”）可以用于向感测区发射高频声波，并且一个或多个超声接收元件（也称为“超声接收器”）可以检测发射的声波的回波。可以使用分离的元件来发射和接收，或者可以使用既发射又接收的公共元件（例如，超声收发器）。在一些实例中，发射的超声波能够穿透输入对象的子表面，诸如人类手指的真皮层。

在另一示例中，电子设备100可以使用光学感测技术，其中一个或多个感测元件检测来自感测区域的光。检测的光可以是从输入对象反射的、传输通过输入对象的、由输入对象发射的或其某种组合。检测的光可以处于可见或不可见光谱（诸如红外或紫外光）中。示例光学感测元件包括光电二极管、cmos图像传感器阵列、ccd阵列、薄膜检测器以及对感兴趣的（一个或多个）波长的光敏感的其它合适的光电传感器。可以使用主动照明来为感测区提供光，并且可以检测来自感测区的（一个或多个）照明波长中的反射以确定对应于输入对象的输入信息。

一个示例光学技术利用输入对象的直接照明，所述输入对象取决于配置可以或可以不与感测区的输入表面接触。一个或多个光源和/或光导结构用于将光引导到感测区。当存在输入对象时，该光直接从输入对象的表面反射，该反射可以由光学感测元件检测并用于确定关于输入对象的输入信息。

另一示例光学技术利用基于内反射的间接照明来检测与感测区的输入表面接触的输入对象。使用一个或多个光源来以一角度在传输介质中引导光，在所述角度处光在感测区的输入表面处被内反射，这是由于在由输入表面限定的界面的相对侧处的不同折射率。由输入对象对输入表面的接触使得折射率跨该边界改变，其更改了输入表面处的内反射特性。如果使用受抑全内反射（ftir）的原理来检测输入对象，则通常可以实现较高对比度信号，其中光以一入射角被引导到输入表面，在所述角度处所述光被全内反射（除了输入对象接触并且使得光在由输入对象接触的区处跨该界面散射和部分传输的位置）。这种情况的一个示例是引入到由玻璃到空气界面限定的输入表面的手指的存在。与空气相比，人类皮肤的较高折射率使得在到空气的界面的临界角处入射在输入表面的光部分地跨输入界面传输并且由手指散射，其中其原本会在玻璃到空气界面处被全内反射。该光学响应可以由系统检测并用于确定空间信息。在一些实施例中，这可以用于对诸如指纹图案的输入对象的小尺度表面变化进行成像，其中入射光的内反射率取决于手指的脊或谷是否与输入表面的该部分接触而不同。

在另一示例中，电子设备100可以使用电容性技术，其中施加电压或电流以创建电场。附近的输入对象引起电场的改变，并产生电容性耦合的可检测改变，其可以被检测为电压、电流等的改变。传感器电极可以用作电容性感测元件。可以使用电容性感测元件的阵列或其它规则或不规则图案来创建电场。分离的传感器电极可以欧姆地短接在一起以形成较大的感测元件。

一种示例技术利用基于传感器电极和输入对象之间的电容性耦合的改变的“自电容”（或“绝对电容”）感测方法。传感器电极附近的输入对象更改传感器电极附近的电场，因而改变测量的电容性耦合。绝对电容感测方法可以通过相对于参考电压（例如系统接地）调制传感器电极以及通过检测传感器电极和输入对象之间的电容性耦合来进行操作。例如，可以调制感测元件阵列，或者可以调制驱动环或欧姆地或电容性地耦合到输入对象的其它导电元件。参考电压可以是基本上恒定的电压或变化的电压，或者参考电压可以是系统接地。

另一示例技术利用基于传感器电极之间的电容性耦合的改变的“互电容”（或“跨电容”）感测方法。传感器电极附近的输入对象可以更改传感器电极之间的电场，因而改变测量的电容性耦合。跨电容性感测方法可以通过检测一个或多个发射器传感器电极（也称为“发射器电极”）和一个或多个接收器传感器电极（也称为“接收器电极”）之间的电容性耦合来进行操作。可以相对于参考电压调制发射器传感器电极以发射发射器信号。接收器传感器电极可以相对于参考电压保持基本上恒定，以促进所产生信号的接收。参考电压可以是基本上恒定的电压或系统接地。发射器电极相对于接收器电极被调制，以发射发射器信号并促进所产生信号的接收。所产生信号可以包括对应于一个或多个发射器信号和/或对应于一个或多个环境干扰源（例如其它电磁信号）的（一个或多个）效应。传感器电极可以是专用发射器或接收器，或者可以配置成既发射又接收。同样地，传感器电极可以是专用的跨电容感测元件或绝对电容感测元件，或者可以操作为跨电容感测元件和绝对电容感测元件两者。

电子设备100的一些非限制性示例包括所有大小和形状的个人计算机，诸如台式计算机、膝上型计算机、上网本计算机、平板电脑、网络浏览器、电子书阅读器和个人数字助理（pda）。附加的示例电子设备100包括复合输入设备，诸如物理键盘和分离的操纵杆或键开关。另外的示例电子设备100包括诸如数据输入设备（包括遥控器和鼠标）和数据输出设备（包括显示屏和打印机）的外围设备。其它示例包括远程终端、信息站、视频游戏机（例如，视频游戏控制台、便携式游戏设备等）、通信设备（包括蜂窝电话，诸如智能电话）和媒体设备（包括记录器、编辑器和播放器，诸如电视、机顶盒、音乐播放器、数码相框和数码相机）。

图2是图示根据实施例的用于欺骗检测的系统和方法的框图。在步骤202，传感器捕获指纹的图像。指纹可以来自有生命手指或欺骗手指。在步骤204，处理器基于相关反欺骗特征计算欺骗检测量度，如下面更详细描述的那样。可以在步骤204计算一个或多个量度。在步骤204计算的一个或多个量度被传递给分类器。可选地，在步骤206，处理器可以计算其它欺骗检测量度并且也将它们传递给分类器。在步骤208，处理器执行分类器以确定在步骤202捕获的指纹的图像是来自有生命手指还是欺骗手指。

图3是根据实施例的欺骗检测系统的框图。该系统包括传感器设备102和处理器106。处理器106被配置成执行一个或多个软件功能块，包括图像获取模块302、匹配器304和欺骗检测模块306。图像获取模块302、匹配器304和欺骗检测模块306被实现为存储在储存器中并由一个或多个处理器106执行的软件指令。

尽管在图3中示出为分离的功能块，但是图像获取模块302、匹配器304和欺骗检测模块306中的两个或更多可以作为单个软件模块、应用或操作系统一起执行。可替换地，图像获取模块302、匹配器304和欺骗检测模块306可以由不同的软件供应商分离地执行和/或提供。同样地，在一些实施例中，多个处理器106可用于执行图像获取模块302、匹配器304和欺骗检测模块306中的一个或多个。

在一些实施例中，由传感器设备102捕获输入图像，诸如指纹图像。输入图像被传递到图像获取模块302，所述图像获取模块302确定图像是登记图像还是检验图像。如果输入图像是登记图像，则将与输入图像相关联的模板存储在匹配器模板存储器308中和/或基于新输入图像更新匹配器模板存储器308。

如果输入图像是检验图像，则图像获取模块302还将输入图像传递到匹配器304，所述匹配器304被配置成确定输入图像是否匹配存储在匹配器模板存储器308中的任何登记图像。在一个实施方式中，匹配器304可以将输入图像与登记图像进行比较以确定图像之间的差。在一些实施例中，如果差低于阈值，则找到匹配；否则，不存在匹配。在其它实施例中，除了与阈值的比较之外的各种技术可以用于确定输入图像是否与任何登记图像匹配。可以使用许多不同的技术来执行匹配器304，包括基于点的技术、基于脊的技术或基于点的技术和基于脊的技术的组合。

在一些实施例中，对于登记图像，图像获取模块302还将输入图像传递到欺骗检测模块306，所述欺骗检测模块306从输入图像提取反欺骗量度。示例反欺骗量度除了别的以外还包括：脊的平均灰度级、谷的平均灰度级、关于输入图像是否包括模糊区域的一个或多个值、关于输入图像是否包括相对较亮区域的一个或多个值、关于输入图像是否包括相对较暗区域的一个或多个值、输入图像的部分上的纹理信息（例如，通过计算lbp（线性二进制图案））。在一些实施方式中，反欺骗量度通常是输入图像的不包括位置信息的全局特征。同样地，在一些实施方式中，反欺骗量度可能不是足够辨识以提供充足的指纹匹配结果，即，因为许多欺骗图像可能满足仅依赖于反欺骗量度进行匹配的匹配器。

由欺骗检测模块306从输入图像提取的反欺骗量度可以存储在反欺骗模板存储器310中的反欺骗模板中。如本文中详细描述的那样，从输入图像提取的量度可以（例如通过对从输入图像提取的量度和反欺骗模板中的反欺骗量度求平均来）与反欺骗模板中的反欺骗量度组合，以生成更新的反欺骗模板。

在一个实施方式中，匹配器模板存储器308和反欺骗模板存储器310包括一个存储设备。在另一实施方式中，匹配器模板存储器308和反欺骗模板存储器310包括分离的存储设备。

另外，在一个实施方式中，当用户登记登记图像时，相同的图像被用于更新匹配器模板存储器308和反欺骗模板存储器310。在其它实施方式中，分离的登记过程被用来更新匹配器模板存储器308和反欺骗模板存储器310。因此，给定的登记图像可以用于更新匹配器模板存储器308和反欺骗模板存储器310中的仅一个或两个。

在一些实施例中，如果匹配器304在匹配器模板存储器308中未找到匹配，则匹配器304采取适当的动作，诸如例如拒绝到移动设备的入口。如果匹配器304找到匹配，则欺骗检测模块306被配置成确定输入图像是否是有生命手指的欺骗，即，图像是真实有生命手指还是另一基于非真皮材料（诸如明胶或木胶）的图像。

在一些实施例中，欺骗检测模块306被执行为匹配器304的部分。在其它实施例中，欺骗检测模块306与匹配器304分离地执行。

在一些实施例中，在匹配器304找到肯定匹配之后执行欺骗检测模块306。在其它实施例中，欺骗检测模块306在匹配器304进行匹配/非匹配判定之前执行。在更进一步的实施例中，欺骗检测模块306和匹配器304并行执行。

如本文中更加详细描述的那样，欺骗检测模块306被配置成从反欺骗模板存储器310检索反欺骗模板，并计算输入图像相对于反欺骗模板的差异量度。差异量度被传递给进行反欺骗判定的分类器。

图4是图示根据实施例的用于基于相关量度执行欺骗检测的方法步骤的流程图。在一个实施例中，图4中的方法由图3中的欺骗检测模块306实现。

如图4中所示，在步骤402，处理器接收输入图像。在一个实施方式中，输入图像是指纹的图像，但是将理解的是，该方法也适用于其它生物测量的图像。输入图像可以是登记图像或检验图像。

在步骤404，处理器从输入图像提取一个或多个反欺骗量度。在一个实施方式中，使用分析输入图像并执行各种计算的软件来提取反欺骗量度。在其它实施方式中，使用硬件来提取反欺骗量度，诸如例如使用捕获输入图像的图像传感器中的硬件。

在步骤406，处理器确定输入图像是登记图像还是检验图像。如果处理器确定输入图像是登记图像，则在步骤408，处理器利用从输入图像提取的一个或多个反欺骗量度来更新反欺骗模板310。

在一个实施例中，更新反欺骗模板包括针对每个量度计算跨越所有登记图像（包括输入图像）的量度的值的平均值。例如，假设存在从输入图像提取的十个不同的反欺骗量度，每个量度具有一值。让我们还假设存在用户的四个先前登记图像，并且当前输入图像是用户的第五登记图像。来自先前四个登记图像的反欺骗量度已经预先组合成反欺骗模板。一旦遇到当前的第五登记图像，来自第五登记图像的反欺骗量度与来自四个先前登记图像的反欺骗量度一起被平均。

在另一实施例中，代替计算每个反欺骗量度的平均值，更新反欺骗模板包括计算跨越包括输入图像的若干登记图像的每个量度的中值。在又一个实施例中，更新反欺骗模板包括计算跨越包括输入图像的若干登记图像的每个量度的范围。

返回步骤406，如果处理器确定输入图像是检验图像，则在步骤410，处理器将输入图像的反欺骗量度与反欺骗模板310的反欺骗量度进行比较。在一个实施方式中，针对每个量度，处理器计算输入图像中的给定反欺骗量度的值与反欺骗模板310中的给定反欺骗量度的对应值之间的差值（或“差异”值）。然后将这些差值传递给分类器。

在步骤412，处理器执行分类器以进行欺骗判定。在一个实施例中，分类器被配置成进行关于输入图像是真实手指还是欺骗手指的欺骗判定。在另一个实施例中，分类器被配置成生成反欺骗分数并将反欺骗分数返回到进行欺骗/非欺骗判定的反欺骗模块内的另一实体，例如通过比较反欺骗分数与阈值。例如，欺骗/非欺骗判定可以诸如由反欺骗模块302或者由调用反欺骗模块302和匹配器304的上游逻辑模块（未示出）在系统中其它地方进行。

分类器可以实现为神经网络，但是任何分类器都在本公开的范围内。可以使用机器学习方法来开发分类器本身，其中创建训练集合和测试集合以训练和验证分类器性能。如所描述的那样，输入到分类器中的量度是差异量度。

另外，在一些实施方式中，与使用图4的方法计算的差异量度无关的其它量度也可以输入到分类器中，并且分类器被配置成基于量度的组合来计算总体活跃度分数。

同样地，在一些实施例中，匹配器的匹配/非匹配判定由与匹配器相关联的分类器进行，该匹配器是进行欺骗/非欺骗判定的相同分类器。在其它实施例中，匹配/非匹配判定由与进行欺骗/非欺骗判定的分类器不同的分类器进行。

图5是图示根据实施例的用于创建和更新反欺骗模板的方法步骤的流程图。在一个实施例中，图5中的方法由图3中的欺骗检测模块306实现。

如所示出的那样，在步骤502，处理器接收登记图像。在步骤504，处理器从登记图像提取反欺骗量度。步骤502和504类似于图4中的步骤402和404。

在步骤506，处理器确定是否已经从任何现存登记图像提取了反欺骗量度。如果不是，则在步骤508，处理器将从登记图像提取的量度保存为新的反欺骗模板。这将发生在例如呈现给系统的恰好第一个登记图像上。

如果在步骤506处理器确定已经从现存登记图像提取了反欺骗量度，则在步骤510，处理器将来自在步骤502接收的登记图像的反欺骗量度与来自现存登记图像的反欺骗量度组合。如所描述的那样，组合反欺骗量度可以包括针对每个反欺骗量度计算平均值、计算中值或计算范围。用于将来自登记图像的反欺骗量度与来自现存登记图像的反欺骗量度组合的其它统计技术也在本公开的范围内。例如，组合反欺骗量度可以包括更新指示在任何登记图像中是否存在给定的反欺骗特征的二进制值。另一个示例计算给定量度的值的直方图并确定概率范围。

在步骤512，处理器将组合的量度保存为更新的反欺骗模板。在步骤514，处理器确定是否还存在要处理的登记图像。如果是，则方法返回到步骤502。如果不是，则方法终止。

图6是图示根据实施例的用于基于一个或多个差异量度的欺骗检测的方法步骤的流程图。在一个实施例中，图6中的方法由图3中的欺骗检测模块306实现。

如所示出的那样，在步骤602，处理器接收检验图像。在步骤604，处理器从检验图像提取反欺骗量度。步骤602和604类似于图4中的步骤402和404。

在步骤606，处理器从反欺骗模板存储器（例如，反欺骗模板存储器310）检索反欺骗模板。反欺骗模板包括针对该特定用户的登记图像已经被组合的各种反欺骗量度的值。

在步骤608，针对给定的反欺骗量度，处理器计算检验图像中的给定反欺骗量度的值与反欺骗模板中的给定反欺骗量度的值之间的差异值。例如，可以通过从反欺骗模板中的给定反欺骗量度的值中减去检验图像中的给定反欺骗量度的值来计算差异值。

在步骤610，处理器确定是否还有反欺骗量度留待分析。如果是，则方法返回到步骤608。如果不是，则方法继续到步骤612，其中处理器将针对每个反欺骗量度在步骤608计算的差异值输入到分类器。在步骤614，处理器执行分类器以进行欺骗判定，即，确定输入图像是否是生物测量的复制品。

总之，所公开的实施例基于相对于该特定用户的手指的其它图像中找到的量度的量度（例如，统计信息）来进行活跃度确定。量度中的相对差被输入到进行活跃度判定的分类器中。在一些实施方式中，所公开的方式提供比传统方式更好的反欺骗结果，在所述传统方式中分类器独立于任何相对（或“差异”）量度而操作。

尽管本发明在指纹图像感测的上下文中描述了光学对象成像，但是该方法和系统可以用于对任何对象成像。

在描述本发明的上下文中（特别是在以下权利要求的上下文中）术语“一”、“一个”、“所述”和“至少一个”以及类似的指示物的使用要被解释为涵盖单数和复数两者，除非本文中另有说明或明确与上下文相矛盾。后面是一个或多个项目的列表的术语“至少一个”（例如，“a和b中的至少一个”）的使用要被解释为意味着从所列项目中选择的一个项目（a或b）或所列项目中的两个或更多的任何组合（a和b），除非本文中另有说明或明确与上下文相矛盾。除非另有说明，否则术语“包含”、“具有”、“包括”和“含有”要被解释为开放式术语（即，意味着“包括但不限于”）。除非本文中另有说明，否则本文中对值的范围的记载仅旨在用作单独指代落入该范围内的每个分离值的速记方法，并且每个分离的值并入本说明书中，如同其在本文中被单独引用一样。除非本文中另有说明或以其它方式明确与上下文相矛盾，否则本文中描述的所有方法均可以按照任何合适的顺序执行。除非另外声明，否则本文中提供的任何和所有示例或示例性语言（例如，“诸如”）的使用仅旨在更好地阐明本发明，而不是对本发明的范围产生限制。说明书中的语言都不应被解释为指示任何未要求保护的元素对于本发明的实践是必不可少的。

本文中描述了本发明的优选实施例，包括发明人已知的用于执行本发明的最佳模式。在阅读前面的描述时，那些优选实施例的变化对于本领域普通技术人员而言可以变得显而易见。发明人期望技术人员视情况而定采用这样的变化，并且发明人意在让本发明以与本文中所具体描述的不同的方式来实践。因此，本发明包括其所附权利要求中所记载的主题的如由适用法律所准许的所有修改和等同物。而且，本发明涵盖采取其所有可能变型的上述元素的任何组合，除非本文中另有说明或以其它方式明确与上下文相矛盾。