以降低的计算复杂度认证人的生物特征认证设备和生物特征认证方法与流程

1.本公开涉及一种用于认证人的生物特征认证设备和生物特征认证方法。特别地，本公开涉及一种用于以降低的计算复杂度认证人的生物特征认证设备和生物特征认证方法。


背景技术：

2.生物特征认证设备广泛用于人认证，例如在对资源(例如，建筑物、房间、计算机、智能手机、电子银行账户、投票系统、学校或大学试卷、边境、公司登记册等)的访问控制的背景下。
3.在一些实施例中，生物特征认证设备配置为捕获人的身体部位(例如人的手)的图像数据，并且从捕获的图像数据确定个体和典型的生物特征。人的手或身体部分的捕获图像数据可以涉及使用近红外光传感器(例如700nm至900nm)捕获的图像数据、使用可见光传感器(例如400nm至600nm)捕获的图像数据或其组合。从图像数据确定的生物特征可以涉及手的静脉图案、掌纹、生命线等。在近红外光中捕获的图像数据能够确定涉及手的静脉图案的特征。在可见光下捕获的图像数据能够确定与手的掌纹和生命线相关的特征。
4.人认证基于预存储的生物特征，该生物特征在有资格且值得信赖的机构控制下登记。例如，该机构基于身份证明卡(例如护照)验证人身份。捕获人的手的各个图像数据并且从所捕获的图像数据中确定人的手或身体部分的生物特征。确定的生物特征作为预存储的生物特征存储在数据库中。在一些实施例中，预存储的生物特征可以部分或完全包括捕获的图像数据。确定的手或身体部位的生物特征、捕获的手的图像数据或其组合可以涉及静脉图案、掌纹、生命线等。
5.稍后，如果需要人认证，生物特征认证设备捕获人的手或身体部位的图像数据。确定人的手或身体部位的生物特征并与预存储的生物特征和/或预存储的图像数据进行比较。如果在预存储的生物特征内发现匹配，则通过人的认证，否则拒绝认证。
6.只要预存储的生物特征仅涉及少数人(例如少于几十人)，使用“暴力匹配”方法的生物特征的比较可以提供足够快的响应时间(例如1秒或更少)。如果预存储的生物特征涉及例如1000或更多人，就会显著增加计算复杂度，并且生物特征的比较需要足够高的处理能力以实现例如1秒或更短的响应时间。然而，由于足够快的计算机需要具有例如并行处理能力，因此高处理能力导致高能量消耗。因此，需要复杂且昂贵的安装。出于这个原因，基于手或身体部位的生物特征的人认证的广泛部署目前受到限制。
7.在现有技术中，已知通过为每个对象分配特有的密钥来加速数据库中对象的搜索。例如，通常的做法是每张人的个人卡(例如身份证或信用卡)都具有特有的密钥。控制对特定资源(例如建筑物的入口或信用卡的帐户余额)的访问的读卡器读取特定人的个人卡的密钥，并且如果在预存储的数据库中能找到密钥的匹配，则授予该人访问资源的权限。在预存储的数据库中搜索特有的密钥精确而且快速。
8.由于匹配人的手或身体部位的生物特征必须基于使用生物特征认证设备确定的生物特征与预存储的生物特征之间测量的相似度，因此无法为人的手或身体部位的生物特征分配特有的密钥。例如，必须确定两个n维特征向量之间的差异，并且必须将该差异与足够小的阈值进行比较。因此，由于不能为人的手或身体部位的生物特征分配特有的密钥，因此不能使用现有技术中已知的用于在预存储数据库中搜索特有密钥的技术。
9.文献“on hierarchical palmprint coding with multiple features for personal identification in large databases(you et al.),ieee transactions on circuits and systems for video technology,vol 14,no.2,february 2004”提出了一种分层多特征编码方案以促进从粗到细的匹配，以在大型数据库中进行高效有效的掌纹验证。定义了全局几何基(geometry
‑
based)的关键点距离(level
‑
1特征)、全局纹理能量(level
‑
2特征)、模糊“兴趣”线(level
‑
3特征)和局部方向纹理能量(level
‑
4特征)。


技术实现要素：

10.本发明的目的是提供一种生物特征认证设备和生物特征认证方法，它们不具有现有技术的至少一些缺点。特别地，本发明的目的是提供具有降低的计算复杂度的生物特征认证设备和生物特征认证方法。特别地，本发明的目的是提供一种能够使用当前的标准计算设备进行人认证的生物特征认证设备和生物特征认证方法
11.本发明的至少一个目的通过所附独立权利要求中限定的生物特征认证设备和生物特征认证方法来实现。从属权利要求阐述了本发明的进一步实施例。
12.本发明的至少一个目的通过一种用于通过比较人的身体部位的生物特征和多个注册人的身体部位的预存储生物特征来认证人的生物特征认证设备实现，其中生物特征认证设备配置为：捕获人的身体部位的图像数据；从捕获的图像数据确定人的身体部位的至少一个特征几何身体部位属性和人的身体部位的生物特征；将人的身体部位的生物特征的比较限定于多个注册人的身体部位的预存储生物特征，预存储生物特征具有关于人的至少一个特征几何身体部位属性的预定的相似度水平。由于生物特征的比较限定于具有至少一个特征几何身体部位属性的预定相似度水平的预存储生物特征，因此比较限定于预存储生物特征的子集并因此降低了计算复杂度。
13.在实施例中，生物特征认证设备还配置为用至少可见光传感器、近红外光传感器、组合的可见光和近红外光传感器和/或飞行时间摄影机来捕获图像数据。可见光传感器、近红外光传感器和/或飞行时间摄影机可以包括在生物特征认证设备中。可以使用可见光传感器捕获的图像数据和/或近红外光传感器捕获的图像数据来确定生物特征。可以用飞行时间摄影机捕获的图像数据来确定至少一种特征几何身体部位属性。飞行时间摄影机能够以高精度确定特征几何身体部位属性，并且可以精确确定具有至少一种特征几何身体部位属性的预定相似度的预存储生物特征，从而进一步降低计算复杂度。
14.在实施例中，生物特征认证设备配置为基于用飞行时间摄影机捕获的图像数据来提供用户指导。
15.在实施例中，用户指导涉及将身体部位移动到预定姿势，特别是关于身体部位的相对距离、相对取向和手势中的一个或多个。可以相对于用于捕获图像数据的传感器或摄影机(例如，可见光传感器、近红外光传感器和/或飞行时间摄影机)定义相对距离和/或相
对取向。结合光学特性，例如相应传感器或摄影机(特别是飞行时间摄影机)的水平和垂直视野，可以确定身体部位的绝对度量值(例如手指的长度或宽度或者手掌的宽度)。进一步提高了所确定的特征几何身体部位属性的准确性并且因此进一步降低了计算复杂度。
16.在实施例中，身体部位涉及手的手掌侧和手的背侧中的一个或多个。认证可以基于静脉图案、掌纹和/或生命线。基于身体部位的认证具有许多优点，例如易于访问、精确认证等。
17.在实施例中，至少一个特征几何身体部位属性涉及手的一组手指的长度之和、手的一组手指的平均宽度之和以及手的宽度中的一个或多个。已经在不同年龄的男性和女性之间实验性证明了使用手的一组手指的长度之和或手的一组手指的平均宽度之和以及手的宽度将比较限定于预存储的生物特征具有有利的特性，例如易于确定、易于访问。
18.在实施例中，至少一个特征几何身体部位属性涉及左手、右手、手的手掌侧和手的背侧中的一个或多个。还可以提供男性和女性手之间的区分。比较进一步受到限制，计算复杂度进一步降低。
19.在实施例中，相似度水平涉及进入多个子集的至少一个特征几何身体部位属性的细分。只需要比较一个相关子集或几个相关子集的生物特征，进一步降低了计算复杂度。
20.在实施例中，子集彼此重叠，特别是根据至少一个特征几何身体部位属性的预期误差具有余量。可以避免认证的错误拒绝，同时计算复杂性的增加仍然受到限制。
21.本发明的至少一个目的还通过一种用于通过比较人的身体部位的生物特征和多个注册人的身体部位的预存储生物特征来认证人的生物特征认证方法实现。生物特征认证方法包括：捕获人的身体部位的图像数据；从捕获的图像数据确定人的身体部位的至少一种特征几何身体部位属性以及人的身体部位的生物特征；将人的身体部位的生物特征的比较限定于多个注册人的身体部位的预存储生物特征，多个注册人的身体部位的生物特征具有关于人的至少一个特征几何身体部位属性的预定的相似度水平。
22.在实施例中，生物特征认证方法进一步包括：提供可见光传感器、近红外光传感器和飞行时间摄影机中的至少一种以捕获图像数据。
23.在实施例中，生物特征认证方法进一步包括：基于飞行时间摄影机捕获的图像数据提供用户指导。
24.在实施例中，至少一个特征几何身体部位属性涉及手的一组手指的长度之和以及手的宽度中的一个或多个。
25.在实施例中，相似度水平涉及进入多个子集的至少一个特征几何身体部位属性的细分。
26.在实施例中，子集彼此重叠，特别是根据至少一个特征几何身体部位属性的预期误差具有余量。
附图说明
27.下面参照附图示出的实施例更详细地描述本发明。附图示出：
28.图1示意性地示出了第一人的左手手掌；
29.图2示意性地示出了第二人的右手手掌；
30.图3示意性地示出了第三人的右手背侧的静脉网；
31.图4示意性地示出了人的手和生物特征认证设备；
32.图5示意性地示出了飞行时间摄影机；
33.图6示意性地示出了第一人的手的特征几何手部属性；
34.图7示意性地示出了由特征手部属性限定的空间分为子集的细分；
35.图8示意性地示出了使用特征手部属性的子集的生物特征认证方法的步骤；
36.图9示意性地示出了生物特征认证方法的步骤；和
37.图10示意性地示出了提供用户指导所涉及的步骤。
具体实施方式
38.图1示意性地示出了第一人的左手1的手掌侧。左手1具有拇指t、食指i、中指m、无名指r和小指l。图2示意性地示出了第二人的右手2的手掌侧。右手2具有拇指t、食指i、中指m、无名指r和小指l。
39.图1和图2示意性地示出了用可见光传感器(例如，400nm到600nm)捕获的左手1和右手2的手掌的图像。手1、2具有在可见光下可辨认的掌纹p或生命线。附加地或替代地，可以从在近红外光(例如，700nm到900nm)中捕获的图像数据确定手1、2的静脉图案。图1和图2没有示出静脉图案。
40.如图1和图2所示，这两个人的手1、2的掌纹p或生命线包括个体生物特征，例如特定的长度、位置、曲率等。通过与来自注册人的身体部位的已预存储的生物特征进行比较，能够进行特定的人认证，特别是结合从各个静脉图案确定的生物特征。此外，人认证还可以基于从在可见光、近红外光或其组合中捕获的图像数据确定的手背侧的生物特征。然而，目前还不知道从用可见光传感器捕获的图像数据确定的手的背侧的生物特征是否足以实现人认证。如果依靠手的背侧，目前认为用近红外光传感器捕获的图像数据对于充分实现人认证是必要的。
41.图3示意性地示出了第三人右手3的背侧的静脉网。右手3具有拇指t、食指i、中指m、无名指r和小指l。如图3所示，手3的背侧包括静脉，静脉包括背静脉网31(手背静脉网)和背掌骨静脉32(背掌骨节)。可以从使用近红外光传感器捕获的图像数据中确定静脉图案，并且可以从在近红外光中捕获的图像数据中确定各个生物特征。
42.人的认证基于注册用户的手的预存储生物特征。对于每个注册人，数据库包括从在可见光、近红外光或其组合中捕获的图像数据确定的生物特征。图像数据包括手的图像数据。图像数据可以包括手掌、手背或其组合的图像数据。图像数据可包括左手、右手或其组合的图像数据。为了认证人，从人的手获取图像数据。在可见光谱、近红外光谱或其组合中捕获图像数据。可以从手的手掌侧、从手的背侧或其组合捕获图像数据。可以从左手、从右手或其组合捕获图像数据。当前人的生物特征是从捕获的图像数据中确定的，并与数据库的预存储生物特征进行比较。如果匹配，认证通过。否则拒绝认证。将人的当前生物特征与预存储的生物特征进行比较在计算上是复杂的，尤其是如果预存储的生物特征涉及例如超过1000人。然而，出于可用性的原因，要求人认证少于1秒的响应时间。在下文中，描述了一种用于比较生物特征的技术，其能够将计算复杂度降低例如10到13倍，从而能够使用标准计算机实现足够快的响应时间。
43.图4示意性地示出了生物特征认证设备30。生物特征认证设备30包括生物特征传
感器10和处理单元20。生物特征认证设备30可以连接到用户显示器40，例如用于提供用户指导。如图4所示，处理单元20可以附接到生物特征传感器10。处理单元20可以远程位于计算基础设施内，例如主机、服务器、云端等。处理单元20可以包括一个或多个处理器并且可以存储可以由一个或多个处理器执行的计算机指令，以启用本公开中描述的功能。用户显示器40可以固定安装在生物特征传感器10附近。用户显示器40可以与用户设备(例如，笔记本、智能电话、智能手表等)相关，其中处理单元20可以通过无线连接(例如蓝牙)与用户显示器40通信。生物特征认证设备30可以包括在用户设备中(例如笔记本、智能手机、智能手表等)。如图4所示，用户的手的当前姿势401和用户的手的期望姿势402可以显示在显示器40上。
44.生物特征传感器10能够捕获人的手4的图像数据。生物特征传感器10包括用于捕获可见光谱中的图像数据的可见光传感器101、用于捕获近红外光谱中的图像数据的近红外光传感器102以及用于捕获具有三维的图像数据的飞行时间摄像机103。可以在单个传感器中包括可见光传感器101、近红外光传感器102和飞行时间摄像机103中的一个或多个。此外，生物特征传感器10包括光源104。图4示出了以圆形围绕传感器101、102和飞行时间摄像机103布置的八个光源104。光源104可以包括不同数量的光源和/或可以以不同方式布置。光源104可以包括提供可见光谱中的照明并且允许用可见光传感器101在可见光谱中捕获图像数据的一个或多个光源。光源104可以包括提供近红外光中的照明并且允许用近红外光传感器102在近红外光中捕获图像数据的一个或多个光源。可以提供特别是关于可见光传感器101、近红外光传感器102和飞行时间摄像机103的几何位置的校准，例如可见光传感器101、近红外光传感器102和飞行时间摄像机103之间的平移位移。此外，可以提供关于由飞行时间摄像机103捕获的图像数据的缩放因子的校准，例如捕获的图像数据中对象的绝对尺寸。可以通过在专用计算机(例如处理单元20)中的后处理，在生物测定传感器10或其组合内提供校准。校准可以规定可见光传感器101、近红外光传感器102和飞行时间摄像机103捕获的图像数据中的对象彼此对齐。
45.可见光传感器101可以包括根据由3d场景(3d：三维)产生的可见光强度分布提供2d图像数据(2d：二维)的可见光敏芯片。近红外光传感器102可以包括根据由3d场景(3d：三维)产生的近红外光强度分布提供2d图像数据(2d：二维)的近红外光敏芯片。可见光传感器101和近红外光传感器102可以包括透镜、缓冲器、控制器、处理电子器件等。可见光传感器101和近红外光传感器102可以涉及市售传感器，例如e2v半导体sas ev76c570 cmos图像传感器，其为可见光传感器101配备小于500nm波长的阻塞滤光器，并为近红外光传感器102配备大于700nm波长的阻塞滤光器，或者例如omnivision ov4686 rgb
‑
lr传感器，其中可见光传感器101和近红外光传感器102组合在一个芯片中并且该传感器包括rgb
‑
lr滤光器。光源104可以包括可见光和/或近红外光发生器，例如led(led：发光二极管)。光源104可以涉及市售光源，例如来自roithner laser technik gmbh，vienna(roithner激光技术股份有限公司，维也纳)的高功率led smb1n系列。
46.图5示意性地示出了飞行时间摄像机103。飞行时间摄像机103包括序列控制器1031、调制控制器1032、像素矩阵1033、a/d转换器1034(a/d：模拟到数字)、led或vcsel 1035(led：发光二极管；vcsel：垂直腔面发射激光器)和透镜1036。序列控制器控制调制控制器1032和a/d转换器1034。调制控制器1032控制led或vcsel 1035和像素矩阵1033。像素
矩阵1033向a/d转换器1034提供信号。序列控制器1031与主机控制器1037交互，例如通过i2c总线(i2c：i
‑
平方
‑
c串行数据总线)。led或vcsel 1035照亮3d场景1038。在飞行时间之后，透镜1036接收由3d场景1038反射的光。a/d转换器1034向主机控制器1037提供原始3d图像数据(3d：三维)，例如通过mipi csi
‑
2或pif(mipi：移动工业处理器接口；csi：摄像机串行接口；pif：并行接口)。主机控制器执行深度图计算并提供3d场景1038的幅度图像103a和3d场景的深度图像103d。如图5所示，例如，因为人身后的墙壁布置在距飞行时间摄像机103特定的距离处，所以幅度图像103a的背景包括人身后墙壁的光影，而深度图像103d的背景具有单一值(例如黑色)。飞行时间摄像机103可以涉及英飞凌
tm
公司的real3
tm
，并且可以包括规格：在每个像素中深度和幅度的直接测量；最高准确度；精益计算负载；在每个像素中的主动调制红外光和专利的背景照明抑制(sbi)电路；在任何光照条件(黑暗和明亮的阳光)下的完全运行；没有机械基线的单目系统架构；最小的尺寸和高度的设计灵活性；无近距离操作限制；对机械稳定性无特殊要求；无机械对准和角度校正；无因跌落、振动或热弯曲而重新校准或解除校准的风险；简单且非常快速的一生一次校准；有成本效益的制造。
47.如下文将进一步解释的，如图5所示的生物特征认证设备30通过比较人的手4的生物特征与多个注册人的手的预存储生物特征来提供人的认证。生物特征认证设备30配置为捕获人的手4的图像数据、从捕获的图像数据中确定人的手4的至少一个特征几何手部属性sf、wh以及人的手4的生物特征、并且限定人的手4的生物特征与多个注册人的手的预存储生物特征的比较，多个注册人的手的预存储生物特征与人的至少一个特征几何手部属性sf、wh具有预定义的相似度水平。
48.生物特征认证设备可以配置为交替捕获可见光谱中的图像数据和近红外光谱中的图像数据。光传感器104可以配置为相应地交替提供可见光谱中的照明和近红外光谱中的照明。
49.图6示意性地示出了第一人的手1的特征几何手部属性，可以基于例如飞行时间摄影机103捕获的图像数据来确定特征几何手部属性。校准由飞行时间摄影机103捕获的图像数据，该图像数据能够基于几何栅格r或网格(图6中以虚线示出)来精确地确定第一人的手1的测绘和映射。使用栅格r可以确定手指的长度li、lm、lr、ll，可以确定手的宽度wh，可以确定指骨的宽度wi1、wi2、wm1、wm2、
…
等。因此，可以确定四根手指(食指i、中指m、无名指r和小指l)的长度之和sf＝li+lm+lr+ll以及第一人的手1的宽度wh。此外，可以确定手的四根手指(食指i、中指m、无名指r和小指l)的平均宽度之和wf＝(wi1+wi2)/2+(wm1+wm2)/2+...。
50.如图6所示，对于手指i、m、r、l中的每一个，栅格r或网格包括在每个手指的末端和根部的参考点ri1、ri2、rm1、rm2、rr1、rr2、rl1、rl2。此外，在从食指i的根部到小指l的根部的方向上，栅格r或网格包括参考点ri、rim、rmr、rrl、rl。在图6中，参考点ri1、ri2、rm1、...、ri、rim、rmr、...用浓黑色圆圈标记，但为了更易于阅读，并非所有参考点都包含各自的参考符号。基于图像处理技术(例如，使用opencv函数“findcontours”等)确定参考点。根据参考点ri1、ri2、rm1、...、ri、rim、rmr、...可以清楚地限定栅格r或网格，并且可以清楚地确定手指或手各自的长度或宽度。
51.图7示意性地示出了由具有wh和四根手指的长度之和sf的特征手部属性限定的空间进入子集ti的细分。具有wh的手分配到笛卡尔坐标系的第一坐标或横坐标。四根手指的
长度之和sf分配到笛卡尔坐标系的第二坐标或纵坐标。横坐标和纵坐标的单位是毫米[mm]。与注册人的预存储生物特征相关的宽度wh和总和sf的值用小的黑色菱形标记。将笛卡尔坐标系细分为重叠的子集ti，其中每个子集ti具有矩形形状。子集ti的重叠部分用深灰色示出，而子集ti的非重叠部分用浅灰色标记。可以根据用于确定宽度wh和总和sf的预期测量误差来选择重叠区域。
[0052]
如图7所示，特征手部属性wh、sf限定了二维区间0...18。如果不仅涉及两个而是n个特征手部属性，则限定n维区间。特定手的每组生物特征分配到相应的特征几何属性，如果是图7所示的二维区间，特征几何属性包括至少一个或最多四个区间。对于已知的特征手部属性，需要比较各个区间的生物特征是已知的。区间的尺寸及因此而来的区间的数量取决于输入值(即特征手部属性)的再现性。假设特征手部属性与生物特征相关，可以通过根据候选者的距离对候选者进行排序并从最小距离开始来实现进一步优化，而不是在这样的区间内进行“暴力”匹配。
[0053]
需要认证的人的宽度wh和总和sf的值用大的白色菱形标记。由于测量误差(这使得仅基于宽度wh和总和sf很难进行人认证)，因此大的白色菱形与黑色菱形(与注册人的预存储生物特征相关)中的一个不相符。因此，需要基于生物特征的比较进行认证。然而，为了认证人，将人的生物特征与仅与相应子集ti相关的人的预存储生物特征进行比较就足够了。取决于白色菱形的位置，比较限定于单个子集ti，或最多四个子集ti。在图7所示的示例中，比较限定于两个子集ti，其包括70mm的宽度wh以及260mm和300mm的总和sf。因此，人认证限定于多个注册人的手的预存储生物特征，其具有关于至少一个特征几何手部属性(即宽度wh和总和sf)的预定的相似度水平。因此，用于比较生物特征的计算复杂度降低了(例如降低了10到13倍)，从而能够使用标准计算机实现足够快的响应时间。
[0054]
除了四根手指的长度总和sf和手的宽度wh之外，特征几何手部属性可以与手的四个手指的平均宽度的总和wf相关。特征几何手部属性可以包括总和sf、宽度wh和总和wf中的一个或多个。因此，如图7所示的细分可以涉及一维空间、二维空间或三维空间。
[0055]
除了四根手指的长度总和sf和手的宽度wh之外，特征几何手部属性可以与手的曲率和大拇指的位置有关。手的曲率能够确定图像数据是与手掌相关还是与手的背侧相关。此外，大拇指的位置能够确定图像数据是与左手相关还是与右手相关。因此，生物特征的比较可以限定于相应的预存储生物特征，例如与左手背侧相关的预存储生物特征、与左手手掌侧相关的预存储生物特征等。因此，降低了比较生物特征的计算复杂度。
[0056]
返回参考图4，生物特征认证设备30可以基于用飞行时间摄影机103捕获的图像数据提供用户指导。用户指导可以涉及将手4移动到预定姿势中。预定姿势可以涉及相对于生物特征传感器10的姿势。如图4所示，可以在显示器40上显示用户的手的当前姿势401以及用户的手的期望姿势402。所显示的用户的手的当前姿势401的尺寸可以向用户提供关于距生物特征传感器10的期望相对距离的指导。例如，如果显示的用户的手的当前姿势401的尺寸小于显示的用户的手的期望姿势402的尺寸，则引导用户将手4移动更靠近生物特征传感器10。可以提供关于手4的相对取向的类似指导。手4的相对取向可以与手掌或手的背面相对于由生物特征传感器10限定的平面的倾斜度相关。可以提供关于手的手势的类似指导。手的手势可以与手指的展开、手指的伸展等相关。
[0057]
图8示意性地示出了通过比较人的手4的生物特征和多个注册人的手的预存储生
物特征来认证人的生物特征认证方法的步骤。在步骤s1中，捕获人的手4的图像数据。在步骤s2中，从捕获的图像数据确定人的手4的至少一个特征几何手部属性sf、wh以及人的手4的生物特征。特别地，根据结合图7限定的区间确定子集数量。在步骤s3中，将人的手4的生物特征的比较限定于多个注册人的手的预存储生物特征，其与人的至少一个特征几何手部属性sf、wh具有预定的相似度水平，特别是根据所确定的一个或多个子集。
[0058]
图9示意性地示出了用于认证人的算法链的构建块。在步骤sa1中，用可见光传感器101和近红外光传感器102获取图像数据，其中分别控制可见光传感器101、近红外光传感器102、飞行时间摄影机103以及光源104。图像数据可以存储在共享存储器或文件系统中。在步骤sa2中，去除从可见光传感器101和近红外光传感器102获取的图像数据中的背景。在步骤sa3中，在可见光传感器101和近红外光传感器102获取的图像数据中确定感兴趣区域(roi)。在步骤sa4中，对可见光传感器101和近红外光传感器102获取的图像数据应用图像增强或滤镜。增强或滤镜可以与非锐化蒙版、自适应阈值、拉普拉斯等相关。在步骤sa5中，从可见光传感器101和近红外光传感器102采集的图像数据中提取生物特征。图像特征提取可以与orb(oriented fast and rotated brief)、sirf(尺度不变特征变换)、surf(加速稳健特征)等相关。在步骤sa6中，基于从可见光传感器101和近红外光传感器102获取的图像数据中提取的生物特征进行生物特征匹配。生物特征匹配可以涉及bf(暴力匹配)、flann(快速最近邻搜索)等。在步骤sa7中，验证个人身份和终端身份，并相应地提供是/否的决定。取决于特征描述符的类型，通常使用欧几里德距离(或l2范数)比较和匹配n维特征向量，而使用汉明距离比较和匹配二进制编码的特征。
[0059]
图10示意性地示出了提供用户指导所涉及的步骤，该用户指导涉及引导人将手4置于相对于生物特征认证设备30的期望姿势。在步骤sg1中，使用飞行时间摄影机103验证对象是否在例如40cm的距离内。如果不是，则在例如优选200毫秒的预定延迟之后重复步骤sg1。在步骤sg2中，使用飞行时间摄影机103验证对象是否具有手的形状。如果不是，则在例如在一秒到五秒之间(优选三秒)的预定延迟之后重复步骤sg1。在步骤sg3中，基于用飞行时间摄影机103捕获的图像数据确定手的绝对尺寸。在步骤sg4中，在显示器40上显示在期望位置(对于可见光传感器101和近红外光传感器102而言最佳)的手的表示，该位置在例如大约k cm的预定距离处，其中，k在可见光传感器101和/或近红外光传感器102的焦深区域内。手的表示显示为手指微微张开。在步骤sg5中，使用飞行时间摄影机103连续确定手的当前位置，并且在显示器40上连续显示手的当前位置的表示，特别是连同指示手相对于期望位置的旋转或倾斜的水平仪的叠加。在步骤sg6中，验证手是否处于期望位置，特别是关于距可见光传感器101和近红外光传感器102的期望预定距离。如果不是，则在步骤sg5继续。否则，在步骤sg7中，将期望位置处的手的表示变为手指张开的手(即变为具有期望手势的手)，并且基于时间飞行传感器103捕获的图像数据连续显示当前位置处的手的表示。在步骤sg8中，如果手处于最佳距离(例如
±
3cm以内)处，并且如果手处于最佳旋转范围(例如
±
12
°
以内)内以及最佳倾斜范围(例如
±
12
°
以内)内，例如根据结合图9指定的步骤，使用可见光传感器101和近红外光传感器102来捕获图像数据以认证人。用户指导到此结束。如果在步骤sg8中不能捕获图像数据，则在预定时间段(例如，优选四秒)之后中断用户指导，其中在显示器40上显示相应信息，例如用户指导在步骤sg1重新开始。
[0060]
附图标记列表
[0061]
1，2，3
ꢀꢀꢀꢀꢀꢀ
第一、第二和第三人的手
[0062]
t，i，m，r，l 大拇指、食指、中指、无名指、小拇指
[0063]
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
掌纹或生命线
[0064]
31，32
ꢀꢀꢀꢀꢀꢀꢀ
手背静脉网、背掌骨静脉
[0065]4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
人的手
[0066]
10
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
生物特征传感器
[0067]
101
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
可见光传感器
[0068]
102
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
近红外光传感器
[0069]
103
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
飞行时间摄像机
[0070]
104
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
光源
[0071]
20
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
处理单元
[0072]
30
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
生物特征认证设备
[0073]
40
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
显示器
[0074]
401，402
ꢀꢀꢀꢀꢀ
用户的手的当前姿势、用户的手的期望姿势