专利名称：图像模板的屏蔽的制作方法
技术领域：
本申请涉及一种用于对已经编码为模板的图像进行匹配的方法和装置。特别地，但并不是排它地，本申请涉及使用诸如虹膜、脸部、手部、耳朵或指纹之类的识别图像来对个体进行生物识别。其它实例包括目标识别、分子结构的分类和识别、来自天文望远镜的图像的分类和识别，以及实际上任何图像匹配技术，在这些图像匹配技术中，可以方便地只选择或侧重某些区域以用于识别，并且根据目标或被匹配图像的其它部分的性质，可获得关于所述图像的所述部分或类似图像的局部匹配的可靠度的信息。
背景技术：
已经提出了各种各样的生物技术来进行个体的识别，其中，许多技术依靠虹膜识另U。在这个领域中，之前和现存的专利包括US-A-4641349，Flom & Safir ;US_A_5572596，Wildes 等；US-A-5751836, Wildes 等；US-A-5901238, Matsushita ;US-A_5956122， Doster ；US-A-6229906, Pu 和 Psaltis ;US-A_6247813，Kim 和 Ryoo ；US-A-6526160, Ito ；US-A-5291560，Daugman ；US-A-7650520Monroo实际上，使用传统生物识别技术来实现商业上可接受的(FAR，其中，个体被不当地识别为系统已知)在技术上不太困难。然而，更为困难的是同时实现可接受的错误拒绝率(FRR，其中，已知的个体被系统不当地拒绝)。当本应当为系统所知的人员被错误地拒绝通行时，所引起的愤怒和尴尬致使商业系统中的高错误拒绝率不利于消费者容易地接受这种技术。然而，通常而言，实际的生物识别系统的错误接受和错误拒绝特征并不象从实验室研究中预测的那样可以很好地区分开，因为现实世界中，生物识别数据的品质可能并不理想。完全相同的考虑也可适用于非生物识别匹配任务。虽然本申请的实施例是从特定生物识别匹配(特别是虹膜匹配)的方面来进行描述的，但是本申请的范围并不限于任何ー种生物识别图像，也不限于一般的生物识别图像。
发明内容
优选地，本申请涉及一种基于对从图像得到的模板对进行比较来改进系统的错误接受特性和错误拒绝特性的分离的方法，其中，该比较是针对由理论、试验、经验、甚或常识已知为对于匹配更加可靠的模板区域来进行的。根据本申请的第一方面，提供了ー种用于确定第一图像是否与第二图像相匹配的方法，包括从所述第一图像和所述第二图像分别提取第一模板和第二模板，其中，每个模板包括模板代码的空间布置；在所述第一模板上叠加主屏蔽，所述主屏蔽包含主屏蔽代码的空间布置，每个主屏蔽代码代表相应空间位置的模板代码的图像群体内的预期的可变性或匹配可靠性；将经叠加的第一模板与所述第二模板进行比较；以及根据所述比较来确定是否存在匹配。
在优选实施例中，所述方法包括从图像群体得出所述主屏蔽代码的步骤。根据第二方面，ー种用于确定第一图像是否与第二图像相匹配的系统，包括用于从所述第一图像和所述第二图像分别提取第一模板和第二模板的模块，其中，每个模板包括模板代码的空间布置；用于在所述第一模板上叠加主掩蔽的模块，所述主掩蔽包含主屏蔽代码的空间布置，每个主屏蔽代码代表相应空间位置的模板代码的图像群体内的预期的可变性或匹配可靠性；用于将经叠加的第一模板与所述第二模板进行比较的模块；以及用于根据所述比较来确定是否存在匹配的模块。
本申请还延伸到ー种计算机程序，所述计算机程序用于执行前述方法。本申请还延伸到计算机可读介质，所述计算机可读介质保持任何这样的计算机程序。
可以通过多种方式来实现本申请，作为举例，下文将參照附图来描述ー个具体实施例，其中图I是其中从ー对图像中提取特征并且转化为用于比较的代码模板的示意图；图2是其中使用本申请的主题来对两个模板进行比较的示意图；图3示出了可能出现在许多应用中的用于模板匹配的典型工作曲线。
具体实施例方式本申请的优选应用是在虹膜识别领域中。但本方法的应用领域非常广泛，并不限于所给出的示例。应当明白的是，本申请可以应用于许多生物识别和非生识别领域，以进行图像匹配和/或个体或目标识别。图I描述了模板的准备和匹配，这些模板是通过从图像中提取特征然后对这些图像特征进行编码而形成的。图I的主题在图案识别领域中是众所周知的，并被概括成一般形式以便于理解随后的主題。參照图1，将要对第一眼部101和第二眼部120的生物图像进行比较，以确定这两个眼部是否属于同一个体。为进行这ー比较，可从将要进行比较的图中提取特征。在虹膜识别的情况下，如在本领域中已知的那样，首先要准备虹膜图像的标准化形式，并且这些可以视为虹膜特征的集合。继续图I的具体示例，为了从眼部101提取虹膜，首先确定瞳孔/虹膜边界102和虹膜/巩膜边界103的轮廓。从相对于公共中心的某參考半径104开始，通过将来自图像101的环形虹膜映射到矩形图像105上来确定虹膜105的展开图像。如图所示，瞳孔/虹膜102被映射到展开图像106的上边缘，而虹膜/巩膜边界被映射到展开图像107的底部。如果映射是通过在虹膜环带中顺时针地移动半径来进行的，并且在展开图像中从左至右，那么眼部图像中的下眼睑108将会出现在展开图像中的位置109处，而眼部图像中的上眼睑110会出现在展开图像中的位置111处。通常，将会对眼睑进行识别，并且利用眼睑来控制展开图像的什么区域随后用于进行匹配。在101处示出的特定眼部中，下眼睑108并不封闭展开图像106，但上眼睑110的确出现在展开图像107中的111处，并示出为黑色。
类似地，可以对第二眼部图像120进行展开，以给出第二展开图像121。现在可以在贯穿整个展开图像的选定位置中进行转换或其它编码。该转换可以通过各种方式来进行，但是典型地，一个或多个ニ进制位形成图像的本地代码，并且结合为对应于展开图像中的选定位置的模板，从模板导出代码。图I中，第一模板112是从展开图像105导出的，而第二模板122是由展开图像121导出的。此时在这个示例中，两个模板已经从要进行匹配的两个图像形成，并且对于本方法的描述可以是完全普遍性的，适用于对任何类型的任何两个图像进行匹配。在图I中，在123处，对组成模板112和122的代码进行比较，以便在124处给出表示模板是否匹配的值。随后，以某种方式来对从两个不同的图像中导出的模板进行比较或结合，以确定这两个图像是否匹配，或者更为具体地，确定它们匹配的程度。为此，可以使用任何方便的匹配算法举例而言，可以对模板进行逐比特的比较， 并且计算相同比特的数目，其称为汉明距离(Hamming distance)。通常，将相同比特的数目除以经比较的比特的总数目以得出平均汉明距离。也可使用经加权的汉明距离，如下文所述。在许多应用中非匹配模板可以由不相关且相同与不同的频率一祥的比特组成，只是随机地匹配。在这种情形下，将获得O. 5的平均汉明距离，但实际的值分布在这个平均值周围。在两个模板匹配的情况下，可以得到较低的平均汉明距离。完美匹配则当然会给出零汉明距离，但这样的完美匹配在实际系统中很少有，这是因为同一目标的两个不同模板通常可能受到下列因素的影响不完美的对齐、遮蔽性或加性噪声、照明度或对比度方面的差异、对目标的阻挡以及许多其他形式的干扰。当不同比特的数目或Hamming距离低于定义的阈值时(通过绝对数目或平均值)，则称为匹配。更为一般地，可以基于要进行比较的两个编码的任何所要求的度量(加权的或未加权的)来定义匹配度。在不确定模板的配准(registration)或对齐的情形下,可以通过在模板的一系列位移中查找最佳匹配来进行比较。举例而言，在虹膜识别中，一个或两个模板的水平位移对应于进行匹配的图像对之间的眼部的旋转，并且在这个方向的查找可以用来改善识别。显然，可以通过从模板一端向另一端旋转编码，或者可能出于速度考虑优选在进行查找之前延长ー个或更多个模板来实现这样的位移。通过这种方式，便可以做出两个眼部图像101和120是否属于同一个体的決定。在图I中，双向箭头125和126指示相应模板112和122中的一个或两个可以移动，以便在各位置处进行比较。“最佳”位置可以通过任何方便的度量来确定。不可靠区域的屏蔽对于任意给定的生物度量，可能的情况是对于匹配而言，模板的某些区域比其它区域更可靠，也就是说，某些区域可能受噪声或干扰或阻挡的影响，从而不能为比较贡献可靠信息。其他区域可能更为可靠。举例而言，在虹膜识别中，与上下局部相比，虹膜的左侧和右侧被眼睑和睫毛遮蔽的可能性更小。类似地，经常观察到用于捕捉虹膜放大图像的相机可能会在(从相机观察的)右眼部图像的右侧和(从相机观察的)左眼部图像的左侧捕获到主体鼻部的反光。这些遮蔽的效果是使这些区域常常表现为好像不匹配，从而典型地局部地増加匹配模板的汉明距离，并且导致最終用于决定两个图像是否匹配的整体Hamming距离的某种抬升。这是在零汉明距离在实际系统中很少的ー个原因。同样的考虑当然也适用于任何图案匹配应用中导出的模板。具体结合虹膜图像所描述的本实施例包括在空间上标记以及去除或者至少部分较轻地加权模板的那些不可靠区域从而改善识别或匹配的精确度的模块。这是通过形成此处将称为“主屏蔽(master mask) ”来实现的。主屏蔽(优选地，与模板中代码或代码组一一对应)指示哪些位置不可靠，并且因此在匹配中可以完全或部分地忽略。在将要给出的图示中，主屏蔽的代码是ニ进制的，其中一个ニ进制位指示模板的一部分的屏蔽或者忽略，而另一二进制位指示模板的那些需要考虑的部分。更为一般地，主屏蔽可以由不是ニ进制的但是覆盖了指示模板的部分的权重的某个范围的数组成。典型地，范围的最小值(可能为零)可以指示零权重，而范围的最大值指示最大权重。最方便的是，权重的范围能为零至1，而经加权的汉明距离可计算为
V (COiVfi/ codeb) X weighting (、 > weightings其中 表示异或操作，其中，对于相同的代码，结果为1，而对于不同的代码，结果为O。用由主屏蔽指定的权重进行求和，并且将总数除以权重的总和，以得出经平均加权的汉明距离。图2示出了參考主屏蔽来对两个模板进行比较。通过与图I中所述的类似的过程或通过任何其它过程，从不同图像中导出特定类型的两个模板201和202，两个模板201和202彼此对齐。主屏蔽210是通过以下将要讨论的某种手段获得的。使用从主屏蔽210中相应位置处取得的权重206来在205处对从相应模板位置203和204处取得的代码进行比较。该比较可以诸如等式(I)之类的等式来进行，在相应位置处參照主屏蔽来对所有模板位置求和，或通过任何其它手段。207处的结果可以与适当的阈值进行比较，以给出模板是否匹配的決定。移动主屏蔽和这两个模板中的任意两者都可以补偿任何未对齐。在图2中，箭头211、212和213指示可能发生的移动，但很清楚，在三种可能的移动模式中，仅有两种能允许模板和主屏蔽的全部相对位移。在前文所描述的虹膜识别情况下，这种移动ー个位置对应于在原始图像中虹膜旋转ー个代码位置，并且可以通过水平地旋转模板或者更为实际地通过水平地扩展模板来实现，以允许尽可能多的离散旋转。优选地，诸如201的第一模板可以是要保持在固定位置以最小化其尺寸的模板，并且这样的第一模板可以进入到已登记图像的数据库中或携帯在例如智能卡上。第二模板202可以是测试模板，测试模板例如是取自活动图像或其它图像并且期望与第一模板进行匹配。这个第二模板可以在214或215处进行扩展，以考虑这两个模板的位移。在虹膜识别的情况下，水平地扩展第二模板允许两个虹膜的相对旋转。在这种优选的实现方式中，第二模板202和主屏蔽210两者均可以保持所期望的尽可能多的位置处，并且在每个这样的位置处进行比较。匹配过程可依赖于这样获得的最小加权汉明距离来指示模板是否匹配。然而，将三个目标(两个模板和ー个主屏蔽)中的两个沿ー个方向移动到例如η个位置处以允许图像位移的组合，将包括η2次比较，在特定应用中，这样做成本可能过高。主屏蔽的次优但仍然有效的使用可以通过将主屏蔽应用于任意ー个模板并仅移动另ー模板来实现。这意味着仅移动ー个模板，如图2所示。将主屏蔽压印(imprint)在已登记的模板上，并且随后仅移动经扩展的测试模板，进而在每一位置处进行比较，这样做是有效的。在这个次优但有效的实施例中，主屏蔽与静态模板的对齐上的任何误差仍然可以通过主屏蔽选择良好的虹膜区域的有效性得到足够的补偿。当然，区别特征(例如，处理虹膜图像中眼睑)的存在可有助于精确定位主屏蔽。现在描述主屏蔽在改善从图像中导出的模板的匹配方面的有效性。图3示出了通常从模板匹配中收集的统计数据，这对于虹膜识别领域中的技术人员来说是很熟悉的。曲线图301示出了应用于已知是否匹配的图像的典型匹配度量的概率分布。虽然通常会使用汉明距离或平均汉明距离或加权汉明距离，但是可以使用任何能指示匹配品质的度量。图3的数据采自真实的虹膜识别系统，但主屏蔽的原理不限于任何特定的图案识别任务。虚线302是来自应当匹配的模板的匹配度量的分布，因为它们是未使用主屏蔽时的同一目标的代码，而实线303是使用主屏蔽时来自相同模板的匹配分布。曲线不易区分， 但是使用主屏蔽的曲线向左移动。在下文所讨论的曲线图310中更好地掲示了这些区別。这样的匹配分布典型地在匹配度量的低值处显示最大概率，但还显示了朝着匹配度量的较高值延伸的长尾，这是上文所提到的效应(即，例如不完美的对齐、噪音、干扰或遮蔽)的结果。主屏蔽的目的在于通过对模板的可靠区域给予权重来弱化这些效应。虚线304是不使用主屏蔽时不应匹配的模板的匹配度量的分布的示例。该分布的峰值小于O. 5，因为其显示模板移动到不同位置处ー系列比较的最小值。(曲线302类似地显示一系列比较中的最佳匹配。)曲线305示出了主屏蔽对于非匹配分布的影响。该分布显著变窄，这指示其与匹配分布更好地区分开了。主屏蔽对数据的影响是更好地区分匹配和非匹配曲线，因而导致改善的匹配性能。在其它模板匹配系统中的类似改善也是可以预期的。曲线图310以对数尺度进行绘制，并且更为清楚地示出了这些区别。虚线311示出了错误匹配(错误接受率或FAR)的概率，其以未应用主屏蔽时针对匹配度量所示出的阈值为函数，并且简单地为相应的非匹配分布的积分。这是通过将分布拟合到非匹配曲线304，并且进行理论或数值积分来导出的。FAR在O度量处的零(其中，什么也没有接受到，并且因而没有错误接受)上升至匹配度量的较大值处的值I. O (其中，接受一切，并且因而FAR为100%，因为所有非匹配模板都被不当地接受了)。类似地，虚线312是没有应用主屏蔽时的错误非匹配的概率(错误拒绝率或FRR)，通过对匹配分布302进行积分并且从I. O减去来获得这个概率。这个概率从零匹配度量处的I. O (其中，没有被接受的匹配，从而导致100%的FRR)下降至匹配度量的较高值处的零值(其中，将接受每一匹配，并且因而FRR为零)。等误差率(EER)是FAR和FRR在它们相等处的值。这通常成为实际系统中用于接受匹配的匹配度量的阈值的方便选项，因为其最好地平衡了 FAR和FRR。在313处，可以看到在匹配过程中未应用主屏蔽时的EER点。为获取信息和便于比较，对于这个特定数据，在未应用主屏蔽时的EER点处的平均汉明距离的值为6. 06X 10_5，这表示在一百万次匹配中，预期会有约60个不正确的結果。在曲线图310中，可以清楚地看出主屏蔽的有益效果。使用主屏蔽的FAR是实线314，而使用主屏蔽的FRR是实线315。可以看出，在应用了主屏蔽吋，FAR和FRR都总是较小，并且差异相当大。使用主屏蔽的EER点在316处，而对于这个数据，其值为8. 64X 10_7，几乎比没有主屏蔽时低100倍。在匹配中应用主屏蔽时，一百万次比较中，预期会有略小于ー个不正确的結果。这些曲线是来自真实数据，并且表示了主屏蔽在真实应用中减小EER的有效性。当然，用于接受匹配的阈值可以低于或高于EER处的匹配度量的值。在一些系统中，错误接受的后果可能非常不期望的，并且因此可以将阈值设置为低于EER，从而给出审慎地较低的FAR。为此付出的代价则是较高的FRR。在曲线图310中可以看出，FAR和FRR曲线在对数坐标图中以约90度交叉，因此，从以某因子划分FAR的EER点处开始，匹配阈值的变化以大致相同的因子与FRR相乗。可以实现低100倍的FAR (例如一亿分之一)，代价是大100倍的FRR(例如一万分之一)。或者，优选的是，FRR较低，例如在不期望出现正确 的人员被拒绝通行的后果时，在这种情形下，可以将阈值设置为比EER高的值，以便以更高 FAR的代价实现较低的FRR。主屏蔽的效カ和方便在于其不是静态屏蔽，并且不受限于任何具体的模板的特征。而是，将其应用于来自特定源的所有模板，以选择来自这样的源的模板的已知为可靠的区域。主屏蔽的长处在于其不依赖于匹配任务中任一模板的直接屏蔽，尽管除主屏蔽外还可以附加地使用这样的屏蔽，例如在隔离眼睑的虹膜识别的非限制性情况中。主屏蔽是通过取大量的匹配图像和大量的非匹配图像，并且决定模板中哪些代码最不可靠来构造的。有许多方式实现这一点。一种确定主屏蔽的方法是通过轮流尝试模板中的每一代码位置来发现哪一位置被去掉时导致最佳匹配性能，如可以通过过程的EER(等误差率)所测得的。这识别出主屏蔽中的第一位置。随后，可以确定要屏蔽的第二编码位置等等。从未屏蔽的模板中相继地去除代码会逐步将EER减少到某点，在这一点，EER将开始振荡，因为剩余代码的数目过小，以至于不能给出统计上可靠的总的或平均的匹配分数。主屏蔽(而不是完全接受或拒绝来自模板区域的代码的简单ニ进制屏蔽)可以是每个模板区域或单个模板代码的加权，这个加权在统计上表示区域的相对有效性、可靠性或可变性。构造这样的屏蔽的过程无疑比相继地去除最无用的代码位置的过程更加复杂，但对于匹配性能的増益或许很值得额外的付出。当然，可能需要大量模板数据来构造主屏蔽。—种产生ニ进制主屏蔽的方法依赖于许多个体的虹膜图像的测试数据库，每个个体被多次呈现。举例而言，每个个体可以有在各种照明条件、角度、对比度、放大率等下拍摄的许多已储存的图像。因此，数据库中的图像的总数T可以由N个个体虹膜，每个个体虹膜M张图片所组成，其中T = MXN0应当明白的是，每个虹膜的全部M个图像都应当匹配，但由于图像可变性而不尽如此。取一个虹膜图像作为主图像，随后执行该集合中其它(M-I)个图像中的第一个，并且计算每一区块值(block value)和主图像的相应区块值之间的汉明距离。对数据库中全部N个集合(每个集合有M个图像)重复上述过程，并且针对每一区块计算平均汉明距离。然后，去除或屏蔽具有最大距离的区块(即，平均来说，使拟合度降级最多的区块)并重复所述过程。逐一屏蔽区块，直到达到这样ー个点，在这点处，进一歩的屏蔽不再能够继续改善平均拟合度，或直到这个改善被噪声淹没。主屏蔽是由在这个过程中已经被去除的那些区块的位置来限定的。当然，可以采用其它根据N个集合中的的每个集合内的单个区块的平均可靠性或可变性或基于拟合到已知图像的某种其它误差度量来产生主屏蔽的方法。更为复杂的主屏蔽可以通过对单个区块进行加权(而不是简单地去除)来创建。这可以使用上述方法发现“最坏”区块(平均来说，使拟合度降级最多的区块)来完成。随后，不同于完全去除区块，对区块应用权重并且重新进行计算以便看拟合度是否平均来说得到改善，例如通过确定EER。应用不同权重，例如O. 9,0. 8,0. 7、0. 6等，并选择权重以使得平均来说产生最佳拟合度。随后，取次差的区块并针对该区块重复上述过程。重复整个过程，直到未发现进ー步的继续改善。当然，其他方法也可以用来对区块进行加权，而不是单步调试一系列的值。举例而言，对于给定的区块，该权重可视为变量，并且基于最小化误差度量(例如，平均汉明距离) 来数值地计算该值。计算能力足够的话，使用多维最小化例程(routine)，可以同时计算多个权重。如上计算出的经加权的屏蔽将自动收敛于平均来说最好地改善到已知图像的拟合度的权重，并且因此预期将会改善实时情况下的性能。权重不仅自动允许ー些区块可以比其它区块的更为可靠，还自动允许其它可能的因素，例如当与巩膜附近面积中相比时，瞳孔附近虹膜的区域中能发现的更多细节。类似地，权重允许区块不都代表虹膜的相等面积，因为是由极坐标转换为笛卡尔坐标。主屏蔽是多功能的。在虹膜识别的具体而非限制性的示例中，可以有代表所有虹膜的单个主屏蔽。可以通过针对左眼部具有一个主屏蔽并且针对右眼部具有另ー个主屏蔽来进一歩改善识别，因为在虹膜图像中常常观察到鼻部的反光会使得虹膜图像的ー侧降级。虹膜识别还可能依赖于所使用的相机的特性，例如，对于不同类型的虹膜相机，对比度、动态范围和亮度会不同。针对任何特定的相机类型，可以得出主屏蔽。此外，相机在现场的实际定位可能影响来自模板的不同区域的模板数据的可靠性，例如，若存在不均匀照明或寄生反射。作为另ー实例，群体之间可能存在差异(例如，在虹膜色素沉着以及被眼睑和/或睫毛遮蔽的程度上)，这会使得与已知背景相关的不同主屏蔽对于改善实际系统中的匹配有效。数据足够的话，可为上述任何情况构造定制的主屏蔽，并且当然，其用途不限于虹膜或其它生物图像识别。也有可能匹配系统能够自适应地获知其主屏蔽，并且随着时间逐步改善其性能。本申请不限于所给出的示例，而是能够用于需要对图像进行匹配或需要确定测试图像是否(在一定误差阈值内或根据某种误差度量)与已存储的图像匹配的任何情形。更为一般地，本申请可以用于通过确定测试图像是否属于由已知属于某个体或目标的已储存的图像所表示的特定个体或目标，来改进图像识别。在所附权利要求的精神和范围内，本申请可以扩展至其它实施例。
权利要求
1.ー种用于确定第一图像是否与第二图像相匹配的方法，包括 从所述第一图像和所述第二图像分别提取第一模板和第二模板，其中，每个模板包括模板代码的空间布置； 在所述第一模板上叠加主屏蔽，所述主屏蔽包含主屏蔽代码的空间布置，每个主屏蔽代码代表相应空间位置的模板代码的图像群体内的预期的可变性或匹配可靠性； 将经叠加的第一模板与所述第二模板进行比较；以及 根据所述比较来确定是否存在匹配。
2.根据权利要求I所述的方法，包括以下步骤从多个现有图像产生所述主屏蔽，例如从所述多个现有图像的模板代码产生所述主屏蔽。
3.根据权利要求2所述的方法，其中，所述多个现有图像包括已知为匹配的多个图像对。
4.根据权利要求3所述的方法，其中，所述主屏蔽是通过以下方式产生的对已知为匹配的所述图像对应用匹配算法，并且根据所述图像对的相应空间位置的模板代码的可变性或匹配可靠性来定义每个所述主屏蔽代码。
5.根据权利要求4所述的方法，其中，所述可变性或匹配可靠性是根据对全部所述图像对取平均来定义的。
6.根据权利要求5所述的方法，包括设定最不可靠的主屏蔽代码的值，使用所述值来再应用所述匹配算法，以及设定第二最不可靠的主屏蔽代码的值。
7.根据权利要求6所述的方法，包括反复地再应用所述匹配算法，以设定所述主屏蔽代码的所有值，直到匹配误差达到噪声值。
8.根据权利要求I所述的方法，其中，所述模板代码为ニ进制码。
9.根据权利要求8所述的方法，其中，所述主屏蔽代码为ニ进制码。
10.根据权利要求9所述的方法，其中，所述主屏蔽代码与所述模板代码是一一对应的。
11.根据权利要求I所述的方法，其中，所述主屏蔽代码包括要应用于所述第一模板的相应空间位置的权重。
12.根据权利要求I所述的方法，其中，匹配的确定是根据经叠加的第一模板的代码与所述第二模板的代码之间的平均距离度量，例如汉明距离。
13.根据权利要求I所述的方法，其中，所述匹配的确定是根据经叠加的第一模板的代码与所述第二模板的代码之间的平均加权距离度量，例如经加权的汉明距离。
14.根据权利要求I所述的方法，其中，所述主屏蔽在多个空间位置叠加到所述第一模板上，以发现最佳匹配的位置。
15.根据权利要求I所述的方法，其中，所述第一模板和/或所述第二模板具有除所述主屏蔽之外附加应用的单个屏蔽。
16.根据权利要求I所述的方法，其中，将所述主屏蔽应用于所述第一模板以创建已储存的复合模板，随后，将所述已储存的复合模板与所述第二模板进行比较。
17.根据权利要求I所述的方法，其中，所述第一图像和所述第二图像中的ー个图像是用干与所述第一图像和所述第二图像中的另ー个图像进行验证的候选图像。
18.根据权利要求I所述的方法，其中，所述第一图像和所述第二图像中的ー个图像是从已储存的数据库中检索的，以用于与所述第一图像和所述第二图像中的另ー个图像进行一对多匹配。
19.根据权利要求I所述的方法，其中，将所述第一图像和所述第二图像中的一个图像与多个所述第一图像和所述第二图像中的另ー图像进行比较。
20.根据权利要求I所述的方法，其中，所述第一图像和所述第二图像为生物度量图像。
21.根据权利要求20所述的方法，其中，所述第一图像和所述第二图像为人类虹膜或动物虹膜的图像。
22.根据权利要求I所述的方法，其中，匹配表示所述第一图像和所述第二图像为同一人类或动物个体的图像。
23.根据权利要求I所述的方法，其中，匹配表示所述第一图像和所述第二图像为同一目标的图像。
24.ー种用于确定第一图像是否与第二图像相匹配的系统，包括 用于从所述第一图像和所述第二图像分别提取第一模板和第二模板的模块，其中，每个模板包括模板代码的空间布置； 用于在所述第一模板上叠加主掩蔽的模块，所述主掩蔽包含主屏蔽代码的空间布置，每个主屏蔽代码代表相应空间位置的模板代码的图像群体内的预期的可变性或匹配可靠性； 用于将经叠加的第一模板与所述第二模板进行比较的模块；以及 用于根据所述比较来确定是否存在匹配的模块。
25.一种计算机程序，其被布置成执行权利要求I至23中任一项所述的方法。
26.一种计算机可读介质，其携帯根据权利要求25所述的计算机程序。
27.ー种根据权利要求I至23中任一项所述的方法，其中，在多个位置处，将所述第二模板与经叠加的第一模板进行比较，以发现最佳匹配的第二模板位置。
全文摘要
一种识别图像为匹配的方法，包括使用主屏蔽来对两个图像模板进行比较，以从模板中选择相应的代码。主屏蔽根据其已知或预期的可靠性来从所述匹配过程和/或权重区块中排除区块。
文档编号G06K9/00GK102844768SQ201180016524
公开日2012年12月26日 申请日期2011年3月30日 优先权日2010年4月9日
发明者唐纳德·马丁·门罗 申请人:唐纳德·马丁·门罗