CN101536384A

CN101536384A - 空间-光谱指纹欺骗检测

Info

Publication number: CN101536384A
Application number: CNA2007800319000A
Authority: CN
Inventors: 大卫·P·斯特柳斯卡; 克里斯汀·A·尼克森; 罗伯特·K·罗
Original assignee: SPECTRUM IDENTIFICATION CO
Current assignee: HID Global Corp
Priority date: 2006-07-31
Filing date: 2007-07-30
Publication date: 2009-09-16
Anticipated expiration: 2027-07-30
Also published as: US7804984B2; US20080025579A1; CN101536384B

Abstract

提供了获得用于识别生物测定欺骗的判别特征组的方法和装置。在不同光学条件下照射真实皮肤部位，并接收从每个所述真实皮肤部位反射的光。获得真实－皮肤特征值，来表征该真实皮肤部位。类似地，在不同光学条件下照射生物测定欺骗，并接收从所述欺骗反射的光。获得欺骗特征值，来表征该生物测定欺骗。将获得的真实－皮肤特征值与获得的欺骗特征值进行比较，从而选择所述特征的子集来定义判别特征组。

Description

空间-光谱指纹欺骗检测

发明背景

本申请一般涉及生物测定(biometrics)。更特别地，本申请涉及指纹欺骗检测。

“生物测定”一般涉及活体特性的统计学分析。生物测定的一个类别包括“生物测定识别”，其通常以两种方式之一操作以提供对人的自动识别或证明人所声称的身份。生物测定感测技术测量人的物理特征或行为特征，并将这些特征与类似的预先记录的测量比较，确定是否相配。常用于生物测定识别的物理特征包括面容、虹膜、手几何学、静脉结构以及指纹图案，指纹图案是所有生物测定-识别所用的特征中最普遍的特征。当前，分析所收集的指纹的方法包括光学的、电容的、射频的、热的、超声的、以及几种其它不太常见的技术。

生物测定传感器，特别是指纹生物测定传感器，通常易被各种形式的欺骗样品击败。在指纹读取器的情况下，本领域中已知多种用于向阅读器提供被授权使用者指纹图案的方法，其中所述指纹图案是包埋在一些类型的无生命材料中的，诸如纸、凝胶、环氧树脂、乳胶等。因此，即使指纹读取器被认为能可靠地判定相配的指纹图案存在或不存在，对于整个系统安全来说，确保匹配的图案采集自真实的活着的手指也是关键的，许多常规的传感器确定这一点也许是困难的。

因此，本领域中存在着对用于允许判别指纹合法和欺骗形式的方法和系统的需要。

发明概述

本发明的实施方案提供可以用于判别生物测定应用中出现的真实皮肤部位和欺骗的方法和系统。在第一组实施方案中，将方法提供为由获得判别特征组从而用于识别生物测定欺骗。在多种不同光学条件下照射多个真实皮肤部位的每一处。接收从每处皮肤部位反射的第一光。针对多种特征中的每一种，从接收的第一光获得真实-皮肤特征值，从而表征真实皮肤部位。类似地，在多种不同光学条件下，照射多种生物测定欺骗中的每一种。接收从每种生物测定欺骗反射的第二光。针对多种特征中的每一种，从接收的第二光获得欺骗特征值，从而表征生物测定欺骗。使获得的真实-皮肤特征值与获得的欺骗特征值进行比较，从而选择特征子集来定义判别特征组。

因为通过特征的视觉比较，唯一区分真实皮肤图像和欺骗图像的光谱和空间频率特征或这些特征的组合可能不明显或不被识别，所以一些实施方案依靠判别-分析技术，从而首先训练装置识别真实皮肤特征独特的空间和光谱特征和欺骗特征独特的空间和光谱频率特征。在试图进行欺骗检测时，对所述特征和新的光谱和空间频率数据进行比较。可以合并的判别-分析方法包括基于马哈朗诺比斯距离(Mahalanobis distance)、谱残量(spectral residual magnitude)、K-最近-邻值法(K-nearest-neighbormethod)、或线性或非线性判别技术比较获自个体的光谱和空间频率数据和数据库中存在的空间和光谱频率数据的那些。

在一些实施方案中，通过从接收的第一光对每处真实皮肤部位提取多个真实-皮肤图像而获得真实-皮肤特征值，且通过从接收的第二光对每种生物测定欺骗提取多个欺骗图像而获得欺骗特征值。这些真实-皮肤图像中的每一个和这些欺骗图像中的每一个对应于多种不同光学条件之一下的图像。真实-皮肤特征值的来源还可以包括将真实皮肤图像分解成多种不同光谱频率分量，欺骗特征值还来源于将每个欺骗图像分解成多种不同光谱频率分量。

分解成每个真实-皮肤图像和欺骗图像空间频率分量有时可以包括执行小波分解。另外，在一些实施方案中，可以计算真实-皮肤图像的不同空间频率分量的第一分量与真实-皮肤图像的不同空间频率分量的第二分量的比率。类似地，可以计算欺骗图像的不同空间频率分量的第一分量与欺骗图像的不同空间频率分量的第二分量的比率。

在某些实施方案中，计算了关于真实-皮肤和欺骗图像的每种不同空间频率分量的强度分布。在所述情形中，至少一种所述特征针可以基本不随照射强度变化。这样一种照射-强度恒定特征的实例是强度分布的第一预定百分比与强度分布第二预定百分比处强度的比率。在其它情形中，至少一种所述特征可以随照射强度而变化。所述照射强度变化特征的实例是第一确定百分比处强度和第二预定百分比处强度之间的差。

不同实施方案中可以使用大量不同技术来比较获得的真实-皮肤特征值和获得的欺骗特征值。例如，在一个实施方案中，真实皮肤部位和生物测定欺骗定义分别的种类。该比较包括计算关于从所述特征获得的量的类内方差与类间方差的定量。在一个情况中，从所述特征获得的量包括所述特征的费歇尔(Fisher)线性判别变换。

在不同实施方案中，还可以利用多种不同的技术执行对所述特征子集的选择。所述技术的实例包括学习算法，如遗传算法和其它算法。

在第二组实施方案中，将方法提供为对声称的皮肤部位执行生物测定功能。在多种不同光学条件下照射声称的皮肤部位。接收从声称的皮肤部位散射的光。从接收的光获得关于多种特征中每一种的特征值。对多种特征中每一种获得的特征值和参考特征值进行比较。由此，通过所述比较确定声称的皮肤部位是否是真实的皮肤部位。

与获得判别特征组中使用的那些相类似的具体技术也可以应用于获得特征值。例如，从接收的光可以提取多个图像，每个图像对应于多种不同光学条件之一下的图像。可将所述多个图像中的每一个分解为多个不同空间频率分量。例如，可以通过执行小波分解而实现所述分解。在一个实施方案中，还可以计算不同空间频率分量的第一分量与不同空间频率分量的第二分量的比率。可以对不同空间频率分量中的每一分量计算强度分布。在一些情形中，所述特征的至少一种基本不随照射强度而变化，诸如包括强度分布的第一预定百分比处强度和强度分布的第二预定百分比处强度的比率的特征。在其它情形中，所述特征的至少一种随着照射强度而变化，诸如包括强度分布的第一预定百分比处强度和强度分布的第二预定百分比处强度之间的差的特征。

在另一个实施方案中，在多种不同光学条件下照射声称的皮肤部位。接收从声称的皮肤部位反射的光。使用接收的光执行生物测定识别以及确定声称的皮肤部是真实皮肤或欺骗。

在确定了声称的皮肤部不是真实皮肤部位的情形中，可以发出警报，以将该声称的皮肤部的识别为欺骗。在一些实施方案中，还由接收的光执行生物测定识别。

还可以将本发明的方法具体化为不同类型的设备。例如，可以提供计算机可读存储介质，其具有用于指导计算装置操作的计算机可读程序。所述计算装置包括与存储装置保持通信的处理器。该计算机可读程序具有关于执行任意所述方法的指令。

在其它情形中，可以提供生物测定传感器。所述生物测定传感器具有照射子系统、检测子系统、和控制器。所述照射子系统配置成照射个体的声称的皮肤部位。所述检测子系统配置成接收由所声称的皮肤部位散射的光。所述控制器与所述照射子系统以及与所述检测子系统通信，并具有用于执行任何上述方法的指令。

附图简述

通过参考本说明书的后续部分及附图，可进一步理解本发明的特征和优点，附图中同样的附图标记在这些图中始终用于指示同样的部件。在某些情况中，附图标记包括数字部分及后随的拉丁字母后缀；只提及附图标记的数字部分是希望统称参考数字部分相同但拉丁字母下标不同的所有附图标记。

图1提供本发明一个实施方案中的多谱生物测定传感器的正视图；

图2提供可以用于管理图1中所示多谱生物测定传感器功能性和/或执行本发明的不同方法的计算机系统的示意表示；

图3A和3B提供从活的手指获得的和从充当无生命欺骗的假体获得的指纹量度(measurement)的比较；

图4是总结用于识别判别指纹的合法和欺骗表示间特征的方法流程图；

图5举例说明了从利用多谱生物测定传感器，如图1中所示的那个收集的数据所获得的多谱数据立方体；

图6提供通过对图像应用高通和低通滤波器而获得的小波分解的图解；

图7A和7B提供通过分解图5的多谱数据立方体获得的指纹的高频和低频图像的比较；

图8A和8B举例说明常规和积分直方图之间的区别；

图9提供一个实施方案中由分解图5的多谱数据立方体而获得的低频图像的积分直方图；

图10提供一个实施方案中由分解图5的多谱数据立方体而获得的低频与高频图像比率的积分直方图；

图11提供一个实施方案中由分解图5的多谱数据立方体而获得的许多不同特征的类间方差和类内方差的比率；

图12提供一个实施方案中对于图5的多谱数据立方体的分解应用费希尔线性判别而获得的许多不同特征的类间方差和类内方差的比率；

图13是说明两种按照本发明实施方案获得的费希尔特征判别指纹的合法和欺骗表示的能力的散点图；和

图14是总结用于通过比较判别特征判别指纹的合法和欺骗表示的方法的流程图。

发明详述

1.引言

本发明的实施方案提供可以用于判别指纹的合法和欺骗表示的方法和系统。用于本文时，术语“指纹”意指任何形貌学皮肤特征，无论其发生在手指或身体其它部分上。通常期待当应用于手指或手表面上存在的形貌特征时，本发明的应用应该最有效，但是本文所述的方法和系统并不局限于这样的皮肤位置，并可以应用于其它皮肤位置。因此，可以从中提取“指纹”的皮肤部位的具体实例包括手指和拇指的全部表面和全部关节、指甲和甲床、手掌、手背、手腕和前臂、脸、耳朵、眼睛周围的区域、和身体的全部其它外表面。

按照本发明实施方案判别指纹的合法和欺骗表示的能力基于活的皮肤部位的组合的空间和光谱特征与欺骗相比较时的区别。具体地，皮肤是复杂器官，其由多层、化学物质的不同混合、和不同结构诸如毛囊、汗腺、和毛细血管床组成。皮肤的最外层，即表皮受到下面的真皮和皮下组织的支撑。表皮自身可以具有可辨认的五个子层，包括角质层、透明层、颗粒层、棘层和生发层。因此，例如，在最顶层角质层下面的皮肤具有涉及表面形貌的某些特征，以及随进入皮肤的深度而变化的某些特征。当对于皮肤的血液供给存在于真皮层中时，真皮具有称作“真皮乳头”的进入表皮中的凸出部，其通过毛细管向紧靠表面的皮肤供血。在手指的手掌表面一边，这种毛细管结构与表面上的摩擦脊(friction ridges)的图案一致。在身体的其它部位，毛细管床的结构可能不太有条理，但仍是特定位置和个人所特有的。同样，皮肤不同层之间界面的形貌是相当复杂的并且是皮肤位置和个人所特有的。

尽管欺骗有时可以被制造得相当复杂，但是它们的皮肤结构在其光谱和空间特征方面保持更加复杂。具体地，欺骗具有更简单的光谱特征，且它们的空间纹理倾向于与光谱一致。这可以与皮肤部位对比，皮肤部位提供与空间纹理和光谱之间的复杂相互影响相结合的复杂光谱特征，其在除光谱感测以外的空间感测中存在非一致性。这些区别为概念“彩色纹理”包含的判别提供基础。这是对概念“图像纹理”的扩展，其通常指描述图像色调特性空间分布的某些方面的许多度量学中的任何一个。例如，某些纹理如那些通常在指纹图案或木纹中发现的纹理是流动状的，且可用例如取向性(orientation)和一致性(coherence)这样的性质很好地描述。“彩色纹理”将该概念扩展为另外还是光谱频率的函数的统计学分布。某些统计因素，诸如平均值、方差、歪斜、和峰度可以用于定量描述纹理。可以通过跨越图像的不同光谱频率处的像素强度的变化显示彩色纹理，这可以用在本发明的实施方案中，以在生物测定应用中确定欺骗。

2.数据收集

在本发明实施方案中，可以通过在多谱条件下收集声称的皮肤部位的图像来获得彩色纹理信息。用于本文时，“多谱”数据指在多种不同光学条件下在单照射期过程中收集的数据。不同的光学条件可以包括偏振条件的不同、照射角度的不同、成像角度的不同、和波长的不同。可以用于收集多谱数据的多谱生物测定传感器的一个实施方案显示在图1中的正视图中。在该图示中，多谱传感器101包括具有一个或多个光源103的照射子系统121和具有成像器115的检测子系统123。

该图描述了这样的实施方案，其中照射子系统121包括多个照射子系统121a和121b，但对于使用的照射或检测子系统121或123数目没有限制。例如，照射子系统121的数目可方便地选择为获得某种照射水平，以满足封装的要求和对多谱生物测定传感器101的其它结构制约。照射光从源103穿过照射光学装置105，所述照射光学装置105使照射成形为所希望的形式，诸如泛光、光线、光点等形状。照射光学装置105为方便起见表示为由一个透镜组成，但可更一般地包括一个或多个透镜、一个或多个反射镜和/或其它光学元件的任何组合。照射光学装置105也可包括扫描仪机构(未示出)，以特定的一维或两维模式对照射光进行扫描。在不同实施方案中，光源103可包括点光源、线光源、面光源或者可以包括一系列这样的光源。在一个实施方案中，照射光作为偏振光而提供，例如通过配置一个线性偏振器107，在射到被研究的人的手指119或皮肤的其它部分之前光线穿过所述线性编振器107。

在一些实施方案中，光源103可以包括一个或多个准单色源，其中以窄波长带提供光。所述准单色源可以包括诸如发光二极管、激光二极管、或量子点激光器的装置。备选地，光源103可以包括宽带源，诸如白炽灯泡或发光棒。在宽带源的情形中，照射光可以穿过带通滤波器109，从而使照射光的光谱宽度变窄。在一个实施方案中，带通滤波器109包括一个或多个离散的光学带通滤波器。在另一个实施方案中，带通滤波器109包括旋转或线性运动(或具有旋转和线性运动组合)的连续可变滤波器，从而改变照射光的波长。在另一个实施方案中，带通滤波器109包括可调的滤波器元件，诸如液晶可调滤波器、声学-光学可调滤波器、可调Fabry-Perot滤波器或本领域技术人员已知的其它滤波器机构。

在来自光源103的光穿过照射光学装置105，和任选地，穿过光学滤波器109和/或偏振器107后，它穿过台板117并照射手指119或其它皮肤部位。可以有利地选择传感器布局和组件，从而最小化进入检测光学装置113中的照射的镜面反射。在一个实施方案中，通过将照射子系统121和检测子系统123相对定向而减少所述镜面反射，这样最小化了检测到的直接反射光的量。例如，以一定的角度放置照射子系统121和检测子系统123的光轴，以使得台板117上的反射镜不会将可感知量的照射光反射检测子系统123中。此外，可以以相对于台板117的一定角度放置照射和检测子系统121和123，以使这两个子系统的接收角小于系统的临界角；这种配置避免由于台板117和皮肤部位119之间全内反射产生的可感知影响。

用于减少镜面反射的光的备选机制使用了光学偏振器。可以有利地使用线和圆偏振器，以使得光学量度对特定皮肤深度更加灵敏，正如本领域技术人员所已知的。在图1中所示的实施方案中，通过线偏振器107偏振化照射光。然后检测子系统123还包括线偏振器111，将其安排为使其光轴与照射偏振器107基本正交。以这种方式，来自样品的光必须经历多次散射事件，从而显著改变其偏振状态。所述事件发生在光穿透皮肤表面并在多次散射事件后散射回检测子系统123中，并且只有该光找到其到达检测系统的途径，而检测子系统偏振器111拒绝来自任何镜面反射的正交偏振光时。

检测子系统123可包含检测光学装置，包括透镜、反射镜、和/或将台板表面117附近区域图像形成到检测器115上的其它光学元件。检测光学装置113也可包括扫描机构(未示出)，从而将台板区域的各部分顺序转送到检测器115上。在全部情况下，检测子系统123配置为对退出皮肤之前已经穿透皮肤表面并经历皮肤和/或在下面的组织内光学散射的光敏感。

照射子系统121和检测子系统123可以设置为以多种光学方案和在多种波长下运作。一个实施方案使用光源103，其发射基本在400-1000nm范围内的光；在该情形中，检测器115可以基于硅检测器元件或本领域技术人员已知的对所述波长的光同样敏感的其它检测器材料。在另一个实施方案中，光源103可以发射包括1.0-2.5μm近红外方案波长的辐射，在该情形中，检测器115可以包括由InGaAs，InSb，PbS，MCT、和本领域技术人员已知的对所述波长的光敏感的其它材料制成的元件。

图1中所示装置的结构仅是示例性的，且在其它实施方案中可以使用多种其它结构来收集多谱数据。可以使用的备选结构的一些实例记述在下列同时待审、共同受让的申请中，将其每篇的全部内容作为参考引入本文，以获得所有目的：2003年6月27日提交的美国临时专利申请号60/483,281，名称为“超光谱指纹阅读器”(＂HYPERSPECTRAL FINGERPRINTREADER，＂)；2003年9月18日提交的美国临时专利号60/504,594，名称为“超光谱指纹”(＂HYPERSPECTRAL FINGERPRINTING，＂)；2004年3月10日提交的美国临时专利号60/552,662，名称为“用于生物测定的光学皮肤传感器”(＂OPTICAL SKIN SENSOR FOR BIOMETRICS，＂)；2004年6月1日由Robert K.Rowe提交的美国临时专利申请号10/576,364，名称为“多谱手指识别”(＂MULTISPECTRAL FINGER RECOGNITION，＂)；2004年8月11日提交的60/600,867，名称为“多谱成像生物测定”(＂MULTISPECTRAL IMAGINNG BIOMETRIC，＂)；2004年9月17日提交的美国临时专利申请号60/610,802，名称为“利用多谱成像的指纹欺骗检测”(＂FINGERPRINT SPOOF DETECTION USING MULTISPECTRALIMAGING，＂)；2005年2月18日提交的美国临时专利申请号60/654,354，名称为“用于多谱指纹传感的系统和方法”(＂SYSTEMS AND METHODSFOR MULTISPECTRAL FINGERPRINT SENSING，＂)；2005年3月4日提交的美国临时专利申请号60/659,024，名称为“用于生物测定的多谱手指成像”(＂MULTISPECTRAL IMAGING OF THE FINGER FORBIOMETRICS，＂)；2005年4月27日提交的美国临时专利申请号60/675,776，名称为“多谱生物测定传感器”(＂MULTISPECTRALBIOMETRIC SENSORS，＂)；2004年4月5日由Robert K.Rowe等提交的美国专利申请号10/818,698，名称为“多谱生物测定传感器”(＂MULTISPECTRAL BIOMETRIC SENSOR，＂)；2006年5月18日由Robert K.Rowe等提交的美国专利申请号11/437,388，名称为“多谱生物测定传感器”(＂MULTISPECTRAL BIOMETRIC SENSOR，＂)；2006年5月17日由Robert K.Rowe等提交的美国专利申请号11/383,901，名称为“生物测定传感器”(＂BIOMETRIC SENSOR，＂)；2005年7月8日由Robert K.Rowe提交的美国专利申请号11/177,817，名称为“活性传感器”(＂LIVENESS SENSOR，＂)；2005年4月25日提交的美国专利申请号11/115,100，名称为“多谱成像生物测定”(＂MULTISPECTRAL IMAGINGBIOMETRICS，＂)；2005年4月25日提交的美国专利申请号11/115,101，名称为“多谱生物测定成像”(＂MULTISPECTRAL BIOMETRICIMAGING，＂)；2005年4月25日提交的美国专利申请号11/115,075，名称为“多谱活性判定”(＂BIOMETRICS LIVENESS DETERMINATION，＂)；2004年12月17日由Robert K.Rowe提交的美国专利申请号11/015,732，名称为“组合的总-内部-反射比和组织成像系统和方法”(＂COMBINEDTOTAL-INTERNAL-REFLECTANCE AND TISSUE IMAGING SYSTEMSAND METHODS，＂)；2006年4月24日由Robert K.Rowe提交的美国专利申请号11/379,945，名称为“多谱生物测定传感器”(＂MULTISPECTRALBIOMETRIC SENSORS，＂)；和2005年9月1日由Robert K.Rowe提交的美国专利申请号11/219,006，名称为“用于生物测定欺骗检测的比较纹理分析”(＂COMPARATIVE TEXTURE ANALYSIS OF TISSUE FORBIOMETRIC SPOOF DETECTION，＂)。

此外，如图1中所示或其它申请中所述的多谱生物测定传感器可以在本发明的其它实施方案中与其它类型的生物测定传感器联合使用。例如，一种配置可以在同时收集多谱数据以协助欺骗检测时，使用热的、超声的、射频的、或其它机构收集定义所声称皮肤部位指纹模式的信息，从而与数据库比较。在其它实施方案中，有利地使用多谱生物测定传感器收集一组用于生物测定识别和欺骗检测的多谱数据。

如图2中示意性显示的计算系统可以调整多谱传感器的运作。该附图概括地举例说明如何以单独的或多个集成的方式实施各个系统元件。所示计算装置200包括硬件元件，它们通过总线226电连接，总线也与多谱生物测定传感器101连接。硬件元件包括处理器202、输入装置204、输出装置206、存储装置208、计算机可读存储介质读取器210a、通信系统214、处理加速单元216例如DSP或专用处理器，以及存储器218。计算机可读存储介质读取器210a进一步连接到计算机可读存储介质210b，该组合广泛地表示远程、局部、固定和/或可移存储装置，以及用于暂时和/或更持久地容纳计算机可读信息的存储介质。通信系统214可包括有线的、无线的、调制解调器的和/或其它类型的接口连接，使数据能与外部装置进行交换。

计算装置200还包括软件元件，现在表示的是位于工作存储器220中，包括操作系统224和其它代码222，例如为实现本发明方法所设计的程序。对于本领域技术人员来说显而易见的是，根据特定的要求可以作实质性变化。例如，也可以使用定制的硬件，和/或可能按硬件、软件(包括可携式软件例如小应用程序)或两者实现特定的元件。另外，可以采用对于其它计算装置例如网络输入/输出期间的连接。

3.数据分析

图3A和3B举例说明了有效避免常规生物测定分析的欺骗的潜力，其分别显示从手指和从欺骗获取的指纹图像。提供图3B中图像的欺骗是超真实假体的指尖，其结构由发明人决定。该假体指尖由多层硅结构制成，在真正可用手指上铸造，并染色以与真正手指相匹配。假体上包括精细的细节，包括指纹的精细细节。显而易见的是，来自图3A和3B中图像很难辨别哪个图像收集自真正的手指，哪个收集自欺骗。

a 判别特征的识别

图4提供了流程图，其总结了用于识别可以在识别欺骗中作为判别使用的特征的方法。一般地，识别适合的判别后，可以通过适当地比较特征和所述判别来进行对所声称皮肤部位的分析。

该方法起始自框404处在多谱条件下照射真实皮肤部位，如可以利用如上所述的多谱生物测定传感器执行。可以认为收集的数据定义允许由多个自变量提取信息的多谱数据组。该多谱数据组有时称为“多谱数据立方体”，但是该术语不意欲提示对数据组中包含的自变量数量的任何特殊限制；自变量的数量依赖于用于产生定义多谱条件的不同光学条件的不同因素数量，在所述多谱条件下收集数据，且在不同实施方案中数据可以变化。

如框408处所示，对应于不同光学条件，从多谱数据立方体中提取了多个图像画面。其示意性地显示在图5中，其中使用多谱数据立方体提取图像组500，其由8个图像504组成。提取的图像的数量在不同实施方案中可以变化。仅作为实例，所述8个图像504可以对应于在两种不同偏振条件—非偏振和交叉-偏振条件下—关于四种不同照射波长中每一种的图像。在其它情况中，不同的图像可以对应于不同的照射角度、不同的成像角度、和/或光学条件中的其它区别。

在框412处，将每个图像画面分解为不同的空间频率分量。存在许多不同的方式，其中可以在不同实施方案中实现这样一种分解。在某些实施方案中，对每个图像画面进行小波变换。这可以在使用离散小波变换的实施方案中，按照Mallet-树(Mallet-tree)分解，通过对图6中所示的图像画面应用高通和低通滤波器而实现。在这种类型的分解中，使初始图像画面

经历高通滤波器604，产生并且经历低通滤波器608以产生

如果需要，将连续分解应用于低通滤波器608的输出。因此，对

应用第二水平分解，以产生和

这可以被重复需要的分解水平次数，其中第n水平分解导致产生(n+1)信号。

在每个分解水平上，滤波器产生横跨最初频率范围的一部分的信号。在图6的图解中，三个分解水平导致产生四种信号，其中表示高频信号，

表示中频信号，S_LLH(x)表示低频信号，和

表示甚低频信号。图7A和7B中提供了不同频率区域内信号的比较，以说明在那些频率处存在的不同类型的信息，其中图7A提供高频图像，且图7B提供低频图像。图7A和7B的结果源自相同的初始图像。

高通和低通滤波器604和608的具体形式在不同实施方案中可以变化。例如，在一个执行Haar变换的实施方案中，高通滤波器604有效地负责确定输入图像邻近像素间的区别，而低通滤波器608有效地负责确定邻近像素间的平均值。利用离散小波实施的变换的其它实例，并且是本领域技术人员熟知的，包括Daubechies变换、Coiflet变换、Symlet变换、Meyer变换、Morlet变换、和mexican-hat变换。执行这些以及其它变换也属于本发明的范围。

在具体的实施方案中，利用二元树复小波方变换进行框412处的频率分解，其详细信息由Nick Kingsbury，“用于转移恒定分析和过滤信号的复小波”(＂Complex Wavelets for Shift Invariant Analysis and Filtering ofSignals，＂)，比较谐波分析应用杂志(J.Appl.Comp.Harmonic Analysis)，10，234(2001)提供，将其全部内容通过参考引入本文，以获得全部目的。简要地，从小波分析延伸到复结构域增加该分析维数。代替通过应用滤波器输出两个图像，各分解水平对该水平的输入图像产生四个尺寸相等的图像，其中最低频率图像成为关于下一个水平的输入。利用不同的行和列滤波器构建每个图像，这样以四个分量图像的形式提供输出图像本身，其中每个是输入图像尺寸的1/4。在每个情况中，将所述四个分量图像编码在像素四方形中。该技术有利地具有这样的特性，即其相对空间恒定，特别是在与多种其它类型的技术相比时。

在本领域技术人员已知的多种不同技术中，可以在不同实施方案中用于实现频率分解的其它技术实例包括使用移动窗傅里叶变换和应用Gabor滤波器。

回到图4，然后分解的图像可以分别用于计算强度分布特征组。一般地，强度-分布特征组的要素包括量化每个分解的图像的一些方面的标量值。在某些实施方案中，这通过从每个分解的图像构建积分直方图实现，其中由积分直方图中不同点间的关系确定标量值。

图8A和8B提供经典直方图和积分直方图之间区别的图示。虽然如图8A中所示的经典直方图提供这样的频率，具有所述频率时变量出现在两个确定值之间，而如图8B中所示的积分直方图提供处于分布的任何百分比的值。表征分布的信息通常可以以任一种形式存在；但是对于本文中所述的应用，积分分布具有优势，即任何两个百分比数值的比率关于统一增加所有数值的增益状变量基本恒定。这样的增益状变量的一个实例是多谱生物测定系统中的照射强度。这致使采用百分比数值比形式的标量特征-组变量对于照射强度基本恒定。

除作为百分比数值比率的标量特征外，可以使用其它百分比数值的算术组合作为标量特征。在一些情况中，这些其它的算术组合可以随照射强度变化，但是虽然如此，有时可以提供有价值的判别信息。仅以实例的方式，针对每个分解的图像可以确定的一个标量特征是处于百分比0.30处图像强度和处于百分比0.70处图像强度的比率。可以确定的另一个标量特征是处于百分比0.30处图像强度和处于百分比0.70处图像强度的总和。在这些实例中使用0.30和0.70纯粹是为了举例说明的目的。在其它情况中，可以使用不同的百分比数值。而且，本发明不受限于来源于每个图像的标量特征数量。在一些情况中，由每个图像仅获得单一特征，而其它实施方案可以获得多个特征。此外，标量特征源自由分解产生的每个图像不是必要的。在一些实施方案中，从分解图像的子集中提取标量特征。而且，尽管本文中所讨论的实例利用标量特征，但是在备选的实施方案中可以定义具有多维性质的特征，或将标量特征组合为多维向量。

可以对多皮肤部位重复由图4的框404-416包括的方法，该附图的框420显示直到以该方法处理了一组中全部皮肤部位的方法循环。

可以对多欺骗应用类似的程序，其中不同的欺骗优选地具有表示试图欺骗类型的不同特征。将与应用于皮肤部位相同的基本方法应用于欺骗。在框424处，在多谱条件下照射具体的欺骗。这些多谱条件可以基本是与框404处照射真实皮肤部位相同的多谱条件。在框428处，从由此产生的数据立方体中提取对应于不同光学条件的多个欺骗图像画面。在框432处，将每个图像画面分解为不同频率分量，并且在框436处，由每个画面计算强度分布特征组。可以利用与应用于真实皮肤部位相同的技术执行这些步骤，并且可以对在框440处进行的检查所示的大量不同欺骗执行这些步骤。

当由皮肤部位和由欺骗产生特征组后，在框444处应用判别模型，从而由特征组确定判别特征。存在大量不同类型的判别模型，可将它们应用在不同的实施方案中。某些实施方案利用通过发明人的识别，平均起来，欺骗和真实皮肤部位应该具有不同的强度分布。这是区分活组织且在光谱和空间变量中均得到证明的不同结构特征的结果。对于任何具体的特征，预期欺骗类型和真实皮肤-部位类型之间的差异相对于类内方差而言很小。因此，所获得特征判别力的一种量度是类内方差与类间方差的比率。由此，在某些实施方案中，在框444处应用判别模型时直接计算该比率。

例如，对具体的真实皮肤部位应用步骤404-416可以提供大量特征值t₁ ⁽¹⁾、t₂ ⁽¹⁾、...、t_N ⁽¹⁾，其中N是特征数量。将这组特征值表示为N-维向量

关于真实皮肤部位上全部量度的特征组可以由向量组

表示，其中，M_t是在真实皮肤部位上进行的多谱量度的数量。类似地，关于欺骗的全部量度的特征组可以由N-维向量

表示，其中M_s是关于欺骗的多谱量度的数量。对于这组特征值，真实-皮肤-部位特征值的平均值是

{\overset{&RightArrow;}{μ}}_{t} = \frac{1}{M_{t}} Σ_{k = 1}^{M_{t}} {\overset{&RightArrow;}{t}}^{(k)},

欺骗特征值的平均值是

{\overset{&RightArrow;}{μ}}_{s} = \frac{1}{M_{s}} Σ_{k = 1}^{M_{s}} {\overset{&RightArrow;}{s}}^{(k)},

且全组特征值的平均值是

\overset{&RightArrow;}{μ} = \frac{1}{M_{t} + M_{s}} (Σ_{k = 1}^{M_{t}} {\overset{&RightArrow;}{t}}^{(k)} + Σ_{k = 1}^{M_{s}} s^{(k)})

类内方差是

σ_{WC}^{(j) 2} = \frac{1}{M_{t} + M_{s}} (Σ_{k = 1}^{M_{i}} {(μ_{i}^{(j)} - t_{j}^{(k)})}^{2} + Σ_{k = 1}^{M_{i}} {(μ_{s}^{(j)} - s_{j}^{(k)})}^{2})

且，类间方差是

σ_{BC}^{(j) 2} = \frac{1}{M_{t} + M_{s}} (Σ_{k = 1}^{M_{i}} {(μ^{(j)} - t_{j}^{(k)})}^{2} + Σ_{k = 1}^{M_{i}} {(μ^{(j)} - s_{j}^{(k)})}^{2}),

对于每种特征j，可以将所述比率计算为

R = \frac{σ_{WC}^{(j) 2}}{σ_{BC}^{(j) 2}} .

在其它实施方案中，可以应用费希尔线性判别，将原始获得的特征变换为一个新的特征组。这是通过对特征组

和应用变换T，从而产生新特征组而实现的

\overset{&RightArrow;}{t}' = T \overset{&RightArrow;}{t}

和

\overset{&RightArrow;}{s}' = T \overset{&RightArrow;}{s}

该变换是可以表示为

T = [{\overset{&RightArrow;}{e}}_{1}, {\overset{&RightArrow;}{e}}_{2}, . . ., {\overset{&RightArrow;}{e}}_{N}]

的N×N矩阵，其中将

向量组归纳为类-间和类-内散射矩阵的特征向量

S_{BC} = M_{t} ({\overset{&RightArrow;}{μ}}_{t} - \overset{&RightArrow;}{μ}) {({\overset{&RightArrow;}{μ}}_{t} - \overset{&RightArrow;}{μ})}^{T} + M_{s} ({\overset{&RightArrow;}{μ}}_{s} - \overset{&RightArrow;}{μ}) {({\overset{&RightArrow;}{μ}}_{s} - \overset{&RightArrow;}{μ})}^{T}

S_{WC} = Σ_{k = 1}^{M_{t}} ({\overset{&RightArrow;}{t}}^{(k)} - {\overset{&RightArrow;}{μ}}_{t}) {({\overset{&RightArrow;}{t}}^{(k)} - {\overset{&RightArrow;}{μ}}_{t})}^{T} + Σ_{k = 1}^{M_{t}} ({\overset{&RightArrow;}{s}}^{(k)} - {\overset{&RightArrow;}{μ}}_{s}) {({\overset{&RightArrow;}{s}}^{(k)} - {\overset{&RightArrow;}{μ}}_{s})}^{T}

针对原始特征值的与上述相同类型的计算可以利用变换的特征值进行，从而计算类内方差和类间方差的比率。该变换有利地最大化所述比率，由此增强判别模型的判别力。

在许多情况中，预期所述特征或变换的特征的子集应该足以提供真实皮肤样品和欺骗之间的判别。在框444处应用判别模型的部分因此可以包括选择具有充足判别力的特征或变换的特征子集，在一些情况中是那些提供最佳判别力的特征。存在大量可以在不同实施方案中用于选择特征子集的技术，包括使用遗传算法、神经网络、专家系统、模拟退火、和可以允许识别具有理想判别力的那些特征的任意多种人工智能技术。所述技术有时在本文中共同称为“学习算法”。

通常，所述技术的应用是本领域技术人员所熟知的。例如，遗传算法通过创建特征组群体起作用，其中每个组是全部可用特征的子集。确定该群体每个成员的欺骗检测表现。选择最佳-表现的成员，并且通过分离和组合最佳表现者的特征组产生新的群体。重复该过程，直到表现停止改善，由此产生的群体定义理想的特征组。与生物学系统相类似地，将这样的方法描述为“遗传的”。特征组的分离和组合类似于细胞的生物学繁殖，且最佳表现成员的选择类似于繁殖过程中的生物学选择。

实施例

由本发明人应用了图4的方法，从而评估该方法提供欺骗和真实皮肤部位之间良好判别的能力。在该实施例中，在多谱条件下照射欺骗和真实皮肤部位，在四种不同波长处和两种偏振条件，即交叉-偏振设置和非偏振设置下获取图像。因此，对于每个皮肤部位和每个欺骗获得了8个图像。利用如上所述的二元树复小波变换，将这8个图像中的每一个分解为三个子图，这三个图像对应于高、中、和低频率分量。另外，对每个图像生成作为中-频图像和低-频图像的比率的第四个子图。对由此产生的32个子图中每一个进行积分-直方图分析，其中提取了两种标量特征，一种作为处于0.30百分比的子图强度和处于0.70百分比的强度的总和，且另一种作为0.30-百分比强度与0.70-百分比强度的比率。如前所提到，这些的第二种是完全照射-恒定特征，而这些的第一种不是。

图9显示来自所述子图之一的积分直方图，在该实例中是中-频图像平面。以曲线908显示关于真实皮肤部位的结果，其允许了与关于三种不同类型的欺骗的比较：以曲线904显示的透明欺骗、以曲线912显示的半透明欺骗、和以曲线916显示的不透明欺骗。尽管在该结果中明显地存在一些区别，但是该区别的显著部分是真实皮肤部位和不同欺骗的不同透明度水平的结果。图10的结果显示如何通过表示中-频图像平面和低-频图像平面的比率的积分直方图来减轻该作用。这提供了针对照射强度的局部不灵敏性。在那个情形中，沿着曲线1008的真实皮肤部位和沿着曲线1012的透明欺骗、沿着曲线1016的半透明欺骗、和沿着曲线1004的不透明欺骗的结果之间可以辨别出真正的区别。

计算来自所述32个子图中每一个的两种标量特征提供总共64种可以进行判别模型的标量特征。在这个情况中，将所述64种标量特征组织为8个组，其中每组具有8个成员，以对应于8个由多谱数据提取的图像平面。表I中举例说明了该分组。在该表中，“P30”指在0.30百分比处的强度，且“P70”指0.70百分比的强度。

表I

特征数量	要素
特征数量	要素	1-8	关于中-频/低-频比率的P30/P70
9-16	关于中-频/低-频比率的P30+P70	1-8	关于中-频/低-频比率的P30/P70
9-16	关于中-频/低-频比率的P30+P70	17-24	关于高频的P30/P70

25-32	关于高频的P30+P70
25-32	关于高频的P30+P70	33-40	关于中频的P30/P70
41-48	关于中频的P30+P70	33-40	关于中频的P30/P70
41-48	关于中频的P30+P70	49-56	关于低频的P30/P70
57-64	关于低频的P30+P70	49-56	关于低频的P30/P70

关于这些原始特征的类内和类间方差比率显示在图11的结果中。接近于统一性的比率表示相对差的判别力，且较高的比率表示较好的判别力。这些结果显示判别力广泛遍及所述特征，尽管在较高特征数量的较低频特征通常较好。图12显示通过应用费希尔线性判别，能够将判别力更有效地集中在较小数量的特征。图12显示关于费希尔-变换特征的类内方差与类间方差比率。

在该情况下，判别力甚至更集中于仅少数的特征中。事实上，变换后，大多数特征具有非常小的判别力，代替地，判别力集中在最后三种特征中。这提示可以只利用三种变换的特征实现真实皮肤部位和欺骗间的判别。

实际上，证明了甚至只有两种所述变换的特征也是足够的。这图示在图13中，其提供显示跨度为两种最显著特征的二维空间中变换的特征位置的散射图。以圆圈显示关于真实皮肤部位的结果，而以不同的符号显示关于不同类型欺骗的结果。明显的是，尽管这两种特征本身可能不提供对不同类型欺骗中的良好判别，但是它们显示出欺骗和真实皮肤部位间的优异判别。关于欺骗的结果集中在空间的一个区域内，且关于真实皮肤部位的结果集中在空间的不同区域内。

b.量度的分类

一旦如上所述地训练了系统，则可以将其用于生物测定应用中，从而确定可能的欺骗。以图14的流程图提供了对可以用于分类为了生物测定应用而提供的样品的方法总结。

该方法通过在多谱条件下照射所声称的皮肤部位，起始自框1404，其中所述方法试图将所声称的皮肤部位分类为真实皮肤部位或欺骗。如前所提到，收集的多谱数据可以有利地用于生物测定识别，但是这不是本发明的必要条件，且用于分类所声称皮肤部位的方法可以与任何类型的生物测定识别方法联合使用，或可以孤立地用于某些专门的应用中。在框1408处，由多谱数据提取所声称皮肤部位的多个图像画面。这些图像画面对应于不同的光学条件，诸如不同的照射波长、不同的偏振条件、不同的照射和/或检测角度，等。在框1412处，将每个画面分解为不同的频率分量，通常利用与系统的初始训练中使用的相同类型的分解。

在框1416处计算关于判别特征组的强度分布。所述判别特征组通常是在训练过程中最初分析的特征组，且对应于包括被确定具有理想判别力的那些特征的组。在不同实施方案中，这些特征可以包括原始特征或变换的特征。例如，在用上述实施例中使用的输入数据训练的系统中，判别特征组可能由编号为62、63、和64的特征组成，因为这些实质上提供全部的判别力。在不同的训练情形中，判别特征组中可以包括其它特征。

由于许多原因，特征子集的特异性选择可以是有效的。它可以减少系统得到训练后进行分类所需的处理时间。另外，具有相对低判别力的那些特征能够将更多的噪音加入到分类中，并增加欺骗-检测的误差。因此，从所述方法中排除这样的特征可以改善分类的速度和可靠性。

在框1420处使用关于判别特征组计算的数值，以进行与标准特征-组类型的比较，从而在框1424处将所声称的皮肤部位分配到欺骗或非欺骗分类中。在不同实施方案中，可以以不同方式进行所述比较。例如，如图13中所示的那些的结果能够用于定义与判别特征组相对应的，由判别特征所跨越的空间区域。尽管图13显示了这样的实例，其中空间是二维的，但是包含不同数量的特征可以导致三、四、或更多维度的空间。可以按照基于关于判别特征组计算的分布映射到所述空间中的单方面分配，对所声称皮肤部位进行分配。

在其它情形中，统计学技术可以用于进行在框1416计算的结果和训练结果的比较，从而确定所声称皮肤部位是真实皮肤部位的置信水平。以该方法使用统计学技术允许调节该方法的灵敏性。例如，只要与真实皮肤部位一致的置信度高于75％置信水平时，相对低-安全性应用可以允许确认所声称的皮肤部位；相反地，非常-高-安全性应用可以利用99％的置信水平要求，其具有利用中度置信水平的中度应用。

如果如在框1428处所检测，将所声称皮肤部位分类为欺骗，则可以发出警报，以提示进一步的行动。在不同情况下，所述警报可以采取可听或可视警报的形式，或可以采取限制呈现所声称皮肤部位的人的活动的形式。在一些实例中，所述警报根据特殊的应用，可以启动进一步研究所声称的皮肤部位、法律实施人员的活动、或任何多种其它反应。

在一些实例中，可以进行检查，从而验证所述系统的决定是否正确。该信息可以用于另外训练该系统，特别地在因为将真实皮肤部位识别为欺骗或将欺骗识别为真实皮肤部位的原因决定错误的那些情形中。因此在一些实施方案中，可以在框1436处进行检查，从而在框1440处促进对所声称皮肤部位计算完整强度分布特征组。所述计算不受限于判别特征组，但是代替地，复制图4的框416和436处进行的计算类型。在框1444处，将该完整的分布特征组加入到用于获得判别特征组的参考数据的主体中。这允许在框1448处再次应用该判别模型。该应用通常与图4的框444处的应用相同，但是包含另外的数据可以导致关于最具判别力的那些特征的不同决定。当将数据加入到利用现有数据组产生不正确结果的决定中时，这可能是特别正确的。

实施例

本发明人将上述实施例扩展到测试分类的精确性。下表II总结了分类误差，所述误差可能与不同的特征组相关。在一栏中，显示关于在排除特殊组并包括全部其它组时产生的分类误差的结果。这与另一栏中关于仅包括特殊组时产生的分类的结果相反。

表II

这些结果证实了低-频特征通常提供较大判别力的一般结果。

下表III提供比较关于对照射水平不灵敏的特征和对照射水平灵敏的那些的分类误差结果。

表III

特征	分类误差(％)	强度不灵敏性
特征	分类误差(％)	强度不灵敏性	P30，P70(所有频率分解水平)	2.4	无
P30/P70(所有频率分解水平)	9.6	普遍的	P30，P70(所有频率分解水平)	2.4	无
P30/P70(所有频率分解水平)	9.6	普遍的	P30，P70，P30/P70(频率分解水平的比率)	12.9	普遍的和局部的
所有特征	1.4	混合的	P30，P70，P30/P70(频率分解水平的比率)	12.9	普遍的和局部的

尽管特征对照射强度不灵敏通常是理想的，但是表III的结果显示该不灵敏特征可能不如对照射强度具有一些灵敏性的特征有效。因此，在一些实施方案中，具有包括对照射强度不灵敏的特征和对照射强度具有一些灵敏性的特征的特征组可以是有利的。

因此，由于已经描述了若干实施方案，本领域技术人员应该理解在不偏离本发明精神的条件下，可以使用多种修改、备选结构、和等价物。因此，不应该认为以上说明是限制由以下权利要求定义的本发明范围。

Claims

1.获得用于识别生物测定欺骗的判别特征组的方法，所述方法包括：

在多种不同光学条件下照射多个真实皮肤部位的每一处；

接收从所述真实皮肤部位的每一处反射的第一光；

由所接收的第一光获得关于多个特征中每一种的真实-皮肤特征值，以表征所述真实皮肤部位；

在多种不同光学条件下照射多个生物测定欺骗中的每一个；

接收从所述生物测定欺骗的每一个反射的第二光；

由所接收的第二光获得关于多个特征中每一种的欺骗特征值，以表征所述生物测定欺骗；和

将所获得的真实-皮肤特征值和所获得的欺骗特征值比较，从而选择所述特征的子集来定义所述判别特征组。

2.权利要求1中所述的方法，其中：

获得所述真实-皮肤特征值包括：针对每个所述皮肤部位，从所述接收的第一光提取多个真实-皮肤图像；

获得所述欺骗特征值包括：针对每个所述生物测定欺骗，从所述接收的第二光提取多个欺骗图像；和

每个所述真实-皮肤图像和每个所述欺骗图像对应于多种不同光学条件之一下的图像。

3.权利要求2中所述的方法，其中：

获得所述真实-皮肤特征值还包括将每个所述真实-皮肤图像分解为多个不同的光谱频率分量；和

获得所述欺骗特征值还包括将每个所述欺骗图像分解为多个不同的光谱频率分量。

4.权利要求3中所述的方法，其中分解每个所述真实-皮肤图像和分解每个所述欺骗图像包括执行小波分解。

5.权利要求3中所述的方法，其中：

获得所述真实-皮肤特征值还包括：计算关于所述真实-皮肤图像的不同空间频率分量的第一项与关于所述真实-皮肤图像的不同空间频率分量的第二项的比率；和

获得所述欺骗特征值还包括：计算关于所述欺骗图像的不同空间频率分量的第一项与关于所述欺骗图像的不同空间频率分量的第二项的比率。

6.权利要求3中所述的方法，其中：

获得所述真实-皮肤特征值还包括：计算关于所述真实-皮肤图像的不同空间频率分量的每一个的强度分布；和

获得所述欺骗特征值还包括：计算关于所述欺骗图像的不同空间频率分量的每一个的强度分布。

7.权利要求6中所述的方法，其中所述特征的至少一种基本不随照射强度变化。

8.权利要求7中所述的方法，其中所述特征的至少一种包括强度分布的第一预定百分位处的强度和所述强度分布的第二预定百分位处的强度的比率。

9.权利要求7中所述的方法，其中所述特征的至少第二种随照射强度而变化。

10.权利要求9中所述的方法，其中：

所述特征的至少一种包括所述强度分布的第一预定百分位处的强度和所述强度分布的第二预定百分位处的强度的比率；和

所述特征的至少第二种包括所述第一预定百分位处的强度和所述第二预定百分位处的强度之间的差。

11.权利要求6中所述的方法，其中所述特征的至少一种随照射强度而变化。

12.权利要求1中所述的方法，其中：

所述真实皮肤部位和所述生物测定欺骗定义分别的种类；和

将所述获得的真实-皮肤特征值和所述获得的欺骗特征值进行比较包括：计算关于从所述特征获得的量的类内方差与类间方差的比率。

13.权利要求12中所述的方法，其中从所述特征获得的量包括所述特征的费希尔线性判别变换。

14.权利要求1中所述的方法，其中将所述获得的真实-皮肤特征值和所述获得的欺骗特征值比较以选择所述特征的子集包括：对所述特征应用学习算法，以选择所述特征的子集。

15.权利要求14中所述的方法，其中所述学习算法包括遗传算法。

16.一种计算机可读存储介质，所述计算机可读存储介质具有其中包含的计算机可读程序，用于指导计算装置运作以获得用于识别生物测定欺骗的判别特征组，所述计算装置包括与存储装置通信的处理器，所述计算机可读程序包括：

利用所述处理器从所述存储装置检索第一数据的指令，所述第一数据表示在多种不同光学条件下从多个真实皮肤部位中每一处反射的第一光的特征；

利用所述处理器从所述第一数据获得关于多个特征中每一种的真实-皮肤特征值以表征所述真实皮肤部位的指令；

利用所述处理器从所述存储装置重新获得第二数据的指令，其中所述第二数据表示从多个生物测定欺骗中每一个反射的第二光的特征；

利用所述处理器从所述第二数据获得关于多个特征中每一种的欺骗特征值以表征所述生物测定欺骗的指令；和

利用所述处理器比较获得的真实-皮肤特征值和获得的欺骗特征值以选择所述特征的子集来定义所述判别特征组的指令。

17.权利要求16中所述的计算机可读存储介质，其中：

所述用于获得所述真实-皮肤特征值的指令包括：针对每个所述真实皮肤部位从所述第一数据提取多个真实-皮肤图像表示的指令；

所述用于获得所述欺骗特征值的指令包括关于针对每个所述生物测定欺骗，从所述第二数据提取多个欺骗图像表示的指令；和

每个所述真实-皮肤图像表示和欺骗图像表示对应于所述多种不同光学条件之一下的图像。

18.权利要求17中所述的计算机可读存储介质，其中：

所述用于获得所述真实-皮肤特征值的指令还包括用于将每个所述真实-皮肤图像表示分解为多个不同空间频率分量的指令；和

所述用于获得所述欺骗特征值的指令还包括用于将每个所述欺骗图像表示分解为多个不同空间频率分量的指令。

19.权利要求18中所述的计算机可读存储介质，其中所述用于分解每个所述真实-皮肤图像表示的指令和所述用于分解每个所述欺骗图像表示的指令包括用于执行小波分解的指令。

20.权利要求18中所述的计算机可读存储介质，其中：

所述用于获得所述真实-皮肤特征值的指令还包括用于计算所述真实-皮肤图像表示的不同空间频率分量的第一项与所述真实-皮肤图像表示的不同空间频率分量的第二项的比率的指令；和

所述用于获得所述欺骗特征值的指令还包括用于计算所述欺骗图像表示的不同空间频率分量的第一项与所述欺骗图像表示的不同空间频率分量的第二项的比率的指令。

21.权利要求18中所述的计算机可读存储介质，其中：

所述用于获得所述真实-皮肤特征值的指令还包括：用于计算所述真实-皮肤图像表示的每个不同空间频率分量的强度分布的指令；和

所述用于获得所述欺骗特征值的指令还包括：用于计算所述欺骗图像表示的每个不同空间频率分量强度分布的指令。

22.权利要求21中所述的计算机可读存储介质，其中至少一种所述特征基本不随照射强度而变化。

23.权利要求22中所述的计算机可读存储介质，其中所述至少一种所述特征包括强度分布的第一预定百分比处的强度和所述强度分布的第二预定百分比处的强度的定量。

24.权利要求22中所述的计算机可读存储介质，其中至少第二种所述特征随照射强度而变化。

25.权利要求24中所述的计算机可读存储介质，其中：

所述至少一种所述特征包括强度分布的第一预定百分比处的强度和所述强度分布的第二预定百分比处的强度的比率；和

所述至少第二种所述特征包括所述第一预定百分比处的强度和所述第二预定百分比处的强度之间的差。

26.权利要求21中所述的计算机可读存储介质，其中至少一种所述特征随照射强度而变化。

27.权利要求16中所述的计算机可读存储介质，其中：

所述真实皮肤部位和所述生物测定欺骗定义分别的种类；和

用于比较所述获得的真实-皮肤特征值和所述获得的欺骗特征值的指令包括：用于计算从所述特征获得的量的类内方差与类间方差的比率的指令。

28.权利要求27中所述的计算机可读存储介质，其中从所述特征获得的量包括所述特征的费希尔线性判别变换。

29.权利要求16中所述的计算机可读存储介质，其中用于比较所述获得的真实-皮肤特征值和所述获得的欺骗特征值以选择所述特征的子集的指令包括：用于对所述特征应用学习算法以选择所述特征的子集的指令。

30.权利要求29中所述的计算机可读存储介质，其中所述学习算法包括遗传算法。

31.在声称的皮肤部位上执行生物测定功能的方法，所述方法包括：

在多种不同光学条件下照射所声称的皮肤部位；

接收从所声称的皮肤部位反射的光；

由所接收的光获得关于多个特征的每一个的特征值；

把关于所述多个特征的每一个获得的特征值和参考特征值进行比较；和

由所述比较确定所声称的皮肤部位是否是真实皮肤部位。

32.权利要求31中所述的方法，其中获得所述特征值包括：从所接收的光提取多个图像，每一个所述图像对应于在所述多种不同光学条件之一下的图像。

33.权利要求32中所述的方法，其中获得所述特征值还包括：将所述多个图像中每一个分解为多个不同频率空间分量。

34.权利要求33中所述的方法，其中分解所述多个图像中的每一个包括执行小波分解。

35.权利要求33中所述的方法，其中获得所述特征值还包括：计算所述不同空间频率分量的第一项与所述不同空间频率分量的第二项的比率。

36.权利要求33中所述的方法，其中获得所述特征值还包括计算关于每个所述不同空间频率分量的强度分布。

37.权利要求36中所述的方法，其中至少一种所述特征基本不随照射强度而变化。

38.权利要求37中所述的方法，其中所述至少一种所述特征包括所述强度分布的第一预定百分比处的强度和所述强度分布的第二预定百分比处的强度的比率。

39.权利要求37中所述的方法，其中至少第二种所述特征随照射强度而变化。

40.权利要求39中所述的方法，其中：

所述至少一种所述特征包括所述强度分布的第一预定百分比处的强度和所述强度分布的第二预定百分比处的强度的比率；和

所述至少第二种所述特征包括：所述第一预定百分比处的强度和所述第二预定百分比处的强度之间的差。

41.权利要求36中所述的方法，其中至少一种所述特征随照射强度而变化。

42.权利要求31中所述的方法，其中确定所声称的皮肤部位是否是真实皮肤部位包括确定所声称的皮肤部位不是真实皮肤部位，所述方法还包括：发出警报，以将所声称的皮肤部位识别为欺骗。

43.权利要求31中所述的方法，所述方法还包括由所接收的光执行生物测定识别。

44.生物测定传感器，所述生物测定传感器包括：

配置成照射个体的声称的皮肤部位的照射子系统；

配置成接收从所声称的皮肤部位反射的光的检测子系统；和

与所述照射子系统和与所述检测子系统通信的控制器，所述控制器包括：

用于在单照射期过程中在多种不同光学条件下利用所述照射子系统照射所声称的皮肤部位的指令；

用于利用所述检测子系统接收从所声称的皮肤部位反射的光的指令；

用于由所接收的光获得多个特征中每一个的特征值的指令；

用于把针对所述多个特征中每一个获得的特征值和参考特征值进行比较的指令；和

由所述比较来确定所声称的皮肤部位是否是真实的皮肤部位。

45.权利要求44中所述的生物测定传感器，其中所述用于获得所述特征值的指令包括：用于从所接收的光提取多个图像表示的指令，每个所述图像表示对应于所述多种不同光学条件之一下的图像。

46.权利要求45中所述的生物测定传感器，其中所述用于获得所述特征值的指令还包括：用于将所述多个图像表示中的每一个分解为多个不同空间频率分量的指令。

47.权利要求46中所述的生物测定传感器，其中所述用于分解所述多个图像表示中的每一个的指令包括用于执行小波分解的指令。

48.权利要求46中所述的生物测定传感器，其中所述用于获得所述特征值的指令还包括：用于计算所述不同空间频率分量的第一项与所述不同空间频率分量的第二项的比率的指令。

49.权利要求46中所述的生物测定传感器，其中所述用于获得所述特征值的指令还包括：用于计算关于每个所述不同空间频率分量的强度分布的指令。

50.权利要求49中所述的生物测定传感器，其中至少一种所述特征基本不随照射强度而变化。

51.权利要求50中所述的生物测定传感器，其中所述至少一种所述特征包括：所述强度分布的第一预定百分比处的强度和所述强度分布的第二预定百分比处的强度的比率。

52.权利要求50中所述的生物测定传感器，其中至少第二种所述特征随照射强度而变化。

53.权利要求52中所述的生物测定传感器，其中：

所述至少一种所述特征包括：所述强度分布的第一预定百分比处的强度和所述强度分布的第二预定百分比处的强度的比率；和

54.权利要求49中所述的生物测定传感器，其中至少一种所述特征随照射强度而变化。

55.权利要求44中所述的生物测定传感器，其中控制器确定所声称的皮肤部位不是真实的皮肤部位，所述控制器还包括用于发出警报以将所声称的皮肤部位识别为欺骗的指令。

56.权利要求44中所述的生物测定传感器，其中所述控制器还包括用于从所接收的光执行生物测定识别的指令。