專利名稱：在模板保護系統(tǒng)中形成分類邊界的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種使用幫助(helper)數(shù)據(jù)和關(guān)聯(lián)于參考對象的控 制值對物理對象進行鑒權(quán)的方法。該方法包括使用包括幫助數(shù)據(jù)和 關(guān)聯(lián)于物理對象的度量的信息，生成第一屬性集；使用對包括第一屬 性集的信息的噪聲補償映射，生成第二屬性集；使用第二屬性集和第 一控制值，建立物理對象和參考對象之間的充分匹配。
本發(fā)明還涉及一種使用幫助數(shù)據(jù)和關(guān)聯(lián)于參考對象的控制值對 物理對象進行鑒權(quán)的裝置。該裝置進一步包括第一生成模塊，用于 使用包括幫助數(shù)據(jù)和關(guān)聯(lián)于物理對象的度量的信息，生成第一屬性 集；第二生成模塊，用于使用對包括第一屬性集的信息的噪聲補償映 射，生成第二屬性集；比較模塊，用于使用第二屬性集和第一控制值， 生成物理對象和參考對象之間的充分匹配。
背景技術(shù)：
識別和鑒權(quán)是用于建立標識的常用技術(shù)。標識可以是對一個人或 者一個對象的標識。識別和鑒權(quán)的主要應(yīng)用領(lǐng)域?qū)嵗秊榻ㄖ锏脑L問 控制、電子護照、 一般文檔或信息的訪問控制、支付授權(quán)和/或其它 事務(wù)。
在鑒權(quán)處理期間，將具有所聲稱標識的對象提供進行鑒權(quán)。然后， 對被提供進行鑒權(quán)的對象的特性與具有所聲稱標識的登記對象的特 性進行匹配。如果找到充分的匹配，則被鑒權(quán)的對象的標識被認為是 所聲稱的標識。因此，鑒權(quán)用于基于所聲稱的標識將一個被鑒權(quán)的對 象與一個登記對象進行匹配。
在實際的鑒權(quán)系統(tǒng)中，登記處理通常先于鑒權(quán)處理。在登記期間， 可以對當前對象的特性進行測量和存儲?；谒鶞y量的數(shù)據(jù)，生成對
應(yīng)于該對象的所謂模板數(shù)據(jù)。該模板數(shù)據(jù)在用于將登記對象與所測量 的特性進行匹配的鑒權(quán)處理期間使用。
模板數(shù)據(jù)可能乍一看僅呈現(xiàn)較小的值。但是，當有規(guī)律地使用該 數(shù)據(jù)以執(zhí)行金融事務(wù)時，其值將變得非常顯著。此外，在生物測定
(biometric)鑒權(quán)系統(tǒng)的情況下，模板數(shù)據(jù)還可以包括隱私的敏感生 物測定數(shù)據(jù)，因此，其具有更大的值。在典型系統(tǒng)中，模板數(shù)據(jù)通常 未受到保護，從而，其容易受到惡意攻擊。
國際申請WO 2004/104899 (PHNL030552)公開了對該問題的一 種解決方案，其采用為物理對象的鑒權(quán)提供模板保護的形式。
在具有模板保護的鑒權(quán)系統(tǒng)中，所謂的幫助數(shù)據(jù)和控制值用于對 物理對象進行鑒權(quán)。這兩者在登記期間生成，并被用于代替實際的模 板數(shù)據(jù)。使用模板數(shù)據(jù)生成幫助數(shù)據(jù)，但是，模板數(shù)據(jù)的特性是很模 糊的，這使得模板數(shù)據(jù)和幫助數(shù)據(jù)之間幾乎沒有任何關(guān)聯(lián)。與幫助數(shù) 據(jù)同時生成控制值，其作為用于鑒權(quán)處理的控制值。
幫助數(shù)據(jù)和控制值在鑒權(quán)期間使用。首先，將幫助數(shù)據(jù)與從物理 對象(例如，面部特征數(shù)據(jù))獲取的數(shù)據(jù)進行合并。然后，將所合并 的數(shù)據(jù)"壓縮"為第二控制值。將該第二控制值與在登記期間生成的 控制值相匹配。當這兩個控制值匹配時就認為鑒權(quán)成功。
鑒權(quán)處理驗證了在鑒權(quán)期間從物理對象獲得的度量是否充分地 與模板數(shù)據(jù)相匹配。假設(shè)物理對象與參考對象相同，則所合并的數(shù)據(jù) (幫助數(shù)據(jù)和度量數(shù)據(jù))被提供進行噪聲補償映射，以補償度量數(shù)據(jù)
、噪聲補償映射在很大程度上確定是否在物理對象和參考對象之 間存在充分的匹配。從而，主要由所使用的噪聲補償映射的特性來確 定用于判斷對象是否匹配的幫助數(shù)據(jù)系統(tǒng)的分類邊界(classification boundary)。在兩個對象實質(zhì)上彼此類似從而使得單個對象的分類邊 界彼此交疊的傳統(tǒng)幫助數(shù)據(jù)系統(tǒng)中，不能在這兩個對象的差異特征與 噪聲之間進行區(qū)分。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種方法，其能夠在模板保護鑒權(quán)系統(tǒng)屮 形成單個對象的分類邊界，從而能夠高效地消除交疊的分類邊界。
通過以下方法來實現(xiàn)上述目的，即，使得在第一段里描述的方法 的特征還包括下列步驟通過使用第一屬性集和從噪聲補償映射導(dǎo)出 的信息，對噪聲補償映射所消除的噪聲進行量化，生成誤差測量；以 及使用所述誤差測量，以生成鑒權(quán)判斷。
使用了由幫助數(shù)據(jù)實現(xiàn)的模板保護的鑒權(quán)方法包括用于生成幫 助數(shù)據(jù)的在登記期間應(yīng)用的噪聲魯棒映射，以及在鑒權(quán)期間應(yīng)用的噪 聲補償映射。噪聲魯棒映射被用于對從物理對象獲取的(生物)測定 數(shù)據(jù)中的測量誤差提供彈性。噪聲補償映射可以被認為是噪聲魯棒映 射的相反處理，其中，噪聲魯棒映射添加噪聲彈性，噪聲補償映射將 其用于在存在噪聲的情況下重新構(gòu)造原始消息。假設(shè)噪聲魯棒映射充 分健壯或者測量噪聲充分小，則可能進行成功鑒權(quán)。噪聲魯棒映射高 效地確定這種鑒權(quán)方法的分類邊界。
本發(fā)明使用噪聲補償映射的輸入和輸出來對可被用于進一步縮 減鑒權(quán)方法的分類邊界的誤差測量進行量化，其中，通過基于所述誤 差測量而指定附加約束來縮減分類邊界。通過應(yīng)用所述約束，可以進 一步區(qū)分對象，否則可能造成錯誤的肯定鑒權(quán)。
可以使用可被用于形成分類邊界的相同誤差測量，來建立指示錯 誤肯定的概率的概率測量。建立這種概率測量的簡單方法是使用噪聲 魯棒映射所糾正的符號誤差的數(shù)量，并將其除以噪聲魯棒映射能夠糾 正的符號誤差的最大數(shù)量。所得到的比值指示錯誤肯定的機率。
該概率測量也可被用于進行軟判斷。軟判斷在多模式鑒權(quán)系統(tǒng)中 特別具有優(yōu)勢，其中，將來自模板保護鑒權(quán)系統(tǒng)的結(jié)果與其它鑒權(quán)方 法的結(jié)果相合并。合并概率(而不是雙重嚴格判斷)可以顯著地提高 判斷的整體質(zhì)量。
本發(fā)明的另一個有益應(yīng)用是應(yīng)用在如下鑒權(quán)方法中，其中，將多 個候選對象與度量數(shù)據(jù)進行比較，從而確定是否存在其它對象更加匹 配所聲稱的標識。
可選地有益應(yīng)用是在對物理對象進行識別的方法中應(yīng)用針對鑒 權(quán)方法所描述的步驟。識別可以被認為是重復(fù)的鑒權(quán)處理，其中，來 自登記對象集的多個對象與物理對象進行匹配。識別方法還需要附加 的步驟，以從所有匹配的參考對象/標識中選擇最佳匹配或最相似的 參考對象/標識。
在使用幫助數(shù)據(jù)的識別方法中，可能在登記數(shù)據(jù)庫中找到多個參
考對象，其中所述參考對象的幫助數(shù)據(jù)與(生物)測定Y結(jié)合生成 相同的第二屬性集。如果是這樣，則需要另一個選擇步驟。通過使用 根據(jù)本發(fā)明的步驟，可以建立噪聲測量或者概率測量。通過選擇導(dǎo)致 最小噪聲測量的參考對象/標識或者選擇最相似的參考對象/標識，可 以在最終的選擇步驟中使用上述方法。
本發(fā)明還可以用有利的方式應(yīng)用于多模式識別方法中。如上所 述，使用幫助數(shù)據(jù)的識別方法可以生成匹配對象集以及附隨的概率測 量。這些概率測量對實際的識別判斷提供附加的區(qū)分信息。通過將候 選集與來自實現(xiàn)多模式識別方法的單個方法的概率測量相合并，可以 實現(xiàn)更可靠的識別判斷。
還通過以下裝置實現(xiàn)上述目的，即，使得在第二段里描述的裝置
還包括第三生成裝置，用于通過使用第一屬性集和從噪聲補償映射 導(dǎo)出的信息，對噪聲補償映射所消除的噪聲進行量化，生成誤差測量； 以及鑒權(quán)判斷裝置，用于使用所述誤差測量，以生成鑒權(quán)判斷。


將參考附圖進一步說明和描述生物測定鑒權(quán)系統(tǒng)的這些及其它 方案，其中
圖1是在根據(jù)現(xiàn)有技術(shù)的使用模板保護的物理對象鑒權(quán)系統(tǒng)中 進行的登記和鑒權(quán)處理的框圖。
圖2是根據(jù)本發(fā)明的軟匹配和分類邊界形成的圖形表示。
圖3是根據(jù)本發(fā)明的使用模板保護的物理對象鑒權(quán)裝置的框圖。 圖4是根據(jù)本發(fā)明的使用模板保護的物理對象鑒權(quán)裝置的一個 子部分的實現(xiàn)的框圖。
圖5是根據(jù)本發(fā)明的使用模板保護的物理對象鑒權(quán)裝置的一個
子部分的可選實現(xiàn)的框圖。
圖6是根據(jù)本發(fā)明的使用模板保護的物理對象鑒權(quán)裝置所使用 的鑒權(quán)判斷模塊的可選實現(xiàn)的框圖。
在附圖中，相同的參考標號指示相同的元件或者實現(xiàn)相同功能的 元件。
具體實施例方式
雖然本發(fā)明被描述為主要在鑒權(quán)系統(tǒng)中使用，但是本發(fā)明也可以 用同樣有利的方式應(yīng)用于識別系統(tǒng)。
在鑒權(quán)處理期間，通常將從具有所聲稱標識的物理對象獲得的度 量與關(guān)聯(lián)于具有所聲稱標識的參考對象的登記數(shù)據(jù)進行匹配。在識別 處理期間，通常將從不具有所聲稱標識的物理對象獲得的度量與關(guān)聯(lián) 于一系列參考對象的登記數(shù)據(jù)進行匹配以建立標識。
這兩種處理都高效地對在鑒權(quán)/識別期間獲得的度量進行比較， 并將該度量與至少一個參考對象的登記數(shù)據(jù)進行比較。盡管本文的實 例主要針對于與鑒權(quán)處理相關(guān)的問題，但是在不偏離所附權(quán)利要求的 范圍的前提下，本領(lǐng)域技術(shù)人員能夠設(shè)計出用于識別物理對象的可選 實施例。
在更加詳細地說明本發(fā)明之前，利用圖1中的框圖進一步說明使 用模板保護的鑒權(quán)系統(tǒng)的一般概念。圖1在左側(cè)示出了登記處理 ENRL，在登記處理ENRL期間，為被登記的對象生成幫助數(shù)據(jù)W和 控制值V。然后，將該數(shù)據(jù)存儲在位于中間部分的鑒權(quán)數(shù)據(jù)集ADS 中。在右側(cè)所示的鑒權(quán)處理AUTH期間，對具有所聲稱標識的物理 對象(圖1中未示出)進行鑒權(quán)。
最初，在鑒權(quán)數(shù)據(jù)集ADS中搜索具有所聲稱標識的參考對象。 如果不存在這種參考對象，則鑒權(quán)失敗。假設(shè)找到參考對象，則從鑒 權(quán)數(shù)據(jù)集ADS中提取與所聲稱標識相關(guān)聯(lián)的第一幫助數(shù)據(jù)Wl和附 隨的第一控制值VI。該數(shù)據(jù)用于判斷被鑒權(quán)的物理對象是否充分地 匹配參考對象，產(chǎn)生肯定的鑒權(quán)。
假設(shè)幫助數(shù)據(jù)系統(tǒng)用于使用指紋數(shù)據(jù)形式的生物測定數(shù)據(jù)來對
人進行鑒權(quán)。此外，假設(shè)生物測定模板數(shù)據(jù)包括對指紋核心區(qū)域的線 路和隆脊的圖形表示。在獲取期間對核心區(qū)域的定向和定位等問題不 在本發(fā)明的范圍之內(nèi)。
在登記處理ENRL期間，人向指紋掃描器顯現(xiàn)他的或她的手指。 將來自一次或多次指紋掃描的結(jié)果用于構(gòu)造生物測定模板X。另外， 選擇可能的私密屬性集S。通過噪聲魯棒映射NRM，將屬性集S映 射到屬性集C。
然后，將屬性集C與生物測定模板X相合并，以產(chǎn)生幫助數(shù)據(jù) W。在實際的幫助數(shù)據(jù)系統(tǒng)中，選擇屬性集S和噪聲魯棒映射NRM， 使得所得到的幫助數(shù)據(jù)W表現(xiàn)出與生物測定模板數(shù)據(jù)X具有較低的 相關(guān)性或不具有相關(guān)性。由此，幫助數(shù)據(jù)W的使用不會向惡意用戶 暴露生物測定模板數(shù)據(jù)X。
為了進行鑒權(quán)，登記處理還涉及控制值V的生成。使用屬性集S 生成控制值V。雖然控制值V可以等于屬性集S，但是在存在安全性 問題的系統(tǒng)中不建議這樣做。在安全的幫助數(shù)據(jù)系統(tǒng)中，應(yīng)當不可能 使用控制值V來重新構(gòu)造屬性集S。在通過對屬性集S應(yīng)用單向映射 來生成控制值V時，滿足這個要求。加密哈希函數(shù)是這種單向映射 的一個良好實例。如果安全問題并不突出，則可以使用非單向映射。 最后，將這一對幫助數(shù)據(jù)W和控制值V存儲在鑒權(quán)數(shù)據(jù)集ADS中。
雖然可以使用一對幫助數(shù)據(jù)W和控制值V來識別一個特定對 象，但是也可以使用多對幫助數(shù)據(jù)和控制值來識別一個特定對象?？?以通過選擇不同的屬性集S，方便地生成附加幫助數(shù)據(jù)和控制值對。 多個幫助數(shù)據(jù)和控制值對特別有助于管理訪問等級或系統(tǒng)恢復(fù)?，F(xiàn) 在，假設(shè)鑒權(quán)數(shù)據(jù)集對于每個登記對象只包括一個幫助數(shù)據(jù)和控制值 的情況。
在鑒權(quán)處理AUTH期間，獲取來自物理對象(圖1中未示出) 的生物測定數(shù)據(jù)Y (指紋)。另外，提供所聲稱的標識。下面的步驟 用于檢査鑒權(quán)數(shù)據(jù)集ADS是否包括對應(yīng)于具有所述聲稱標識的參考 對象的第一幫助數(shù)據(jù)Wl和第一控制值V1。如果有，則獲取與參考 對象相關(guān)聯(lián)的第一幫助數(shù)據(jù)Wl和第一控制值VI 。
然后，將來自物理對象的生物測定數(shù)據(jù)Y與第一幫助數(shù)據(jù)Wl 相合并，得到第一屬性集Cl。如果物理對象與參考對象相符，則生 物測定數(shù)據(jù)Y可被認為是生物測定模板X的噪聲版本
Y = X + E (其中，E很小) 第一幫助數(shù)據(jù)Wl可以由模板數(shù)據(jù)X和屬性集C表示
Wl =c — x
通過替換，第一屬性集C1可以表示為
Cl = C — X+Y Cl = C — X + X + E Cl =C + E
第一屬性集Cl被提供進行噪聲補償映射NCM，以產(chǎn)生第二屬 性集S1?，F(xiàn)在假設(shè)，參考對象與物理對象相符。只要生物測定數(shù)據(jù)Y 中具有的噪聲分量E充分小或者噪聲魯棒映射NRM充分健壯，噪聲 補償映射NCM就可重新構(gòu)造與用于生成第一幫助數(shù)據(jù)Wl的在注冊 期間所用的原始屬性集S相同的第二屬性集SI 。
然后，第一屬性集SI用于以與第一控制值VI相似的方式計算 第二控制值V2。然后，將第二控制值V2與在登記期間生成的第一 控制值V1進行比較。只要噪聲魯棒映射NRM對噪聲提供充分的彈 性，第二控制值V2就將與第一控制值V1相同。如果這兩個值相同， 則鑒權(quán)成功，將物理對象的標識建立為所聲稱的標識。
可以從多種映射中選擇噪聲魯棒映射NRM。簡單的噪聲魯棒映 射NRM可能涉及對輸入符號的復(fù)制。進而，噪聲補償映射NCM將 需要使用所接收的符號進行多數(shù)判決。在頻譜的另一端，可以選擇一 個更加精細的噪聲魯棒映射NRM，例如，里德-索羅門糾錯碼編碼器。
圖2中的圖形表示示出了本發(fā)明如何用于形成使用了模板保護 的鑒權(quán)系統(tǒng)的分類邊界。圖2示出兩個不同的域，S域SDOM禾口C 域CDOM。
S域SDOM是可能的N維空間的二維投影，該N維空間具有登 記階段期間所選屬性集S的可能元素。C域CDOM是可能的M維空 間的二維投影，該M維空間具有與屬性集C相對應(yīng)的可能元素。
在鑒權(quán)期間，將與所聲稱標識相關(guān)聯(lián)的第一幫助數(shù)據(jù)Wl與來自
物理對象的度量Y相合并，以產(chǎn)生第一屬性集C1。通過對第一屬性 集C1應(yīng)用噪聲補償映射，獲得第二屬性集S1。如果成功鑒權(quán)，則第 二屬性集Sl與登記期間所用的屬性集S相符。
考慮一個特定的對象OBJl (未示出)。在對象OBJl登記期間， 選擇屬性集SVAL1。屬性集SVAL1用于生成屬性集CVAL1， CVAU 再用于生成幫助數(shù)據(jù)。在對具有正確聲稱標識的該對象進行鑒權(quán)期 間，將獲取所述幫助數(shù)據(jù)，并將其與從該對象獲得的度量合并到第一 屬性集C1中。
由于測量噪聲的緣故，第一屬性集Cl通常將與屬性集CVAL1 不同。噪聲補償映射將嘗試使用噪聲魯棒映射所添加的噪聲彈性來補 償所述噪聲。區(qū)域REG1對應(yīng)于將通過噪聲補償映射而被映射到 SVAL1的所有屬性集。從而，圓周REG1對應(yīng)于該特定對象的分類 邊界。
圖2中所示的區(qū)域REG2和REG3分別與兩個其它對象OBJ2和 0BJ3 (未示出)相關(guān)聯(lián)。同樣，圓周對應(yīng)于系統(tǒng)對各個對象所用的 分類邊界。
區(qū)域REG2和REG3交疊，這表示位于REG2和REG3交集內(nèi)的 屬性集值將導(dǎo)致對于兩個對象的成功鑒權(quán)。雖然這并未對在對象與單 個參考對象相匹配的情況下的鑒權(quán)產(chǎn)生阻礙，但是其也體現(xiàn)了關(guān)于識 別的一個嚴重問題。
本方法通過分別對在鑒權(quán)期間生成的第一屬性集Cl與CVAL2 或CVAL3之間的誤差測量ERR進行量化，提供對上述問題的解決方 案。從而，可以向每個特定對象的該誤差測量ERR添加附加約束， 從而縮減該特定對象的分類邊界，分別用REG2鄰REG3'表示。通過 仔細選擇，分類邊界可以被縮減為使得區(qū)域之間不再有交疊。
如REG2'和REG3'所示，可以使用約束來對每個單個對象形成分 類邊界。這些約束可以是對于每個單個對象為唯一的，并且可以與其 相應(yīng)的幫助數(shù)據(jù)和控制值共同存儲在鑒權(quán)數(shù)據(jù)集ADS中。
誤差測量ERR和相關(guān)約束可以是基于標量的或者基于向量的。 使用向量的一個明顯優(yōu)勢在于可以對向量元素設(shè)定多個單獨約束， 從而有助于更詳細的分類邊界形成。除了門限，所述約束還可以包括 向量系數(shù)組合的門限，從而模擬向量系數(shù)之間的關(guān)系。
雖然圖2中的分類邊界具有相似的大小，但這并非是本發(fā)明的前
提條件。區(qū)域的形狀和大小主要是由噪聲魯棒映射NRM確定的，不 必對于C域CDOM中的所有值都相同。
圖3示出根據(jù)本發(fā)明的使用模板保護的物理對象鑒權(quán)模塊的框圖。
在鑒權(quán)處理期間，從鑒權(quán)數(shù)據(jù)集ADS獲得第一幫助數(shù)據(jù)Wl和 控制值VI 。第一生成模塊GM1使用第一幫助數(shù)據(jù)Wl以及從物理對 象(未示出)獲得的度量Y來生成第一屬性集C1。然后，第二生成 模塊GM2通過對第一屬性集Cl應(yīng)用噪聲補償映射NCM，生成第二 屬性集Sl 。然后，第三生成模塊GM3將第一屬性集Cl和第二屬性 集S1合并到誤差測量ERR中。
將誤差測量ERR連同第二屬性集Sl和控制值VI —起輸入到鑒 權(quán)判斷模塊ADM，其生成判斷D以及與該判斷相關(guān)聯(lián)的概率測量P。 圖4、圖5和圖6提供了關(guān)于第三生成模塊GM3和鑒權(quán)判斷模塊ADM 的進一步細節(jié)。
噪聲魯棒映射NRM是本發(fā)明的核心。在鑒權(quán)期間，噪聲魯棒映 射NRM的特性用于幫助形成在鑒權(quán)判斷模塊ADM中使用的分類邊 界。糾錯碼編碼器或ECC編碼器是噪聲魯棒映射的良好實例。
一般而言，ECC編碼器用于向消息中添加冗余，以有助于在向 消息中加入噪聲的操作之后進行消息提取。可以用多種方式對ECC 編碼器進行分類，此處所用的分類區(qū)分為兩類
1、 ECC碼，其中，輸入和輸出碼字 -包括來自相同符號集的符號，
-輸入和輸出具有相似的格式。
2、 其它ECC碼。
系統(tǒng)ECC碼是第一類的成員。當利用系統(tǒng)ECC編碼器對消息進 行編碼時，將消息不變地復(fù)制到碼字中，并且有效地將奇偶校驗比特
附加到消息上。系統(tǒng)ECC解碼器則將包括鏈接的消息和奇偶校驗比 特的輸入碼字映射到具有相同格式的新糾錯碼字上。
這種特定的性質(zhì)使得第一類的成員成為噪聲魯棒映射NRM的主 要候選。在登記期間，屬性集S被用作消息部分并且附加上奇偶校驗 比特，從而得到一個碼字，屬性集C。
在鑒權(quán)期間，使用第一幫助數(shù)據(jù)生成第一屬性集C1。屬性集C1 可以被看作是具有疊加的噪聲分量的屬性集C。只要噪聲分量足夠小 或者所用ECC足夠強壯，就可以由ECC解碼器對第一屬性集Cl成 功地進行糾錯。
對于第一類ECC編碼的成員，在輸入和輸出碼字之間建立誤差 測量可以被簡化為從ECC解碼器輸出中減去ECC解碼器輸入。圖4 示出了根據(jù)本發(fā)明的具有這些特性的裝置的一個子部分的框圖。圖4 的上部表示一個簡單的第三生成模塊GM3。第三生成模塊GM3通過 從第二屬性集Sl減去第一屬性集Cl生成誤差測量ERR。
然后，將誤差測量發(fā)送至鑒權(quán)判斷模塊ADM中的比較器CMP。 該特定的鑒權(quán)判斷模塊ADM執(zhí)行三個步驟
1、 其將第一控制值V1與從第一屬性集S1導(dǎo)出的信息進行比較， 以確定噪聲補償映射NCM是否能夠重新構(gòu)造在登記期間所用的屬性 集S。
2、 其對誤差測量ERR應(yīng)用附加的約束，以建立判斷D。
3、 其建立概率測量P， P表示判斷D是正確的可能性。 第一步驟對應(yīng)于在控制值VI與從第二屬性集Sl導(dǎo)出的信息之
間建立充分匹配的傳統(tǒng)幫助數(shù)據(jù)系統(tǒng)中的步驟。如果系統(tǒng)的安全性不 存在相關(guān)問題，則控制值V1可以與第二屬性集S1相同。
但是，暴露第二屬性集S1會造成安全風險，這是由于其使得惡 意用戶能夠重新構(gòu)造模板數(shù)據(jù)。可選地，可以利用單向函數(shù)(例如， 加密哈希函數(shù))生成控制值V1，由此，可以在不暴露第二屬性集S1
的情況下實現(xiàn)鑒權(quán)。
一旦確定在鑒權(quán)期間生成的第二屬性集Sl與屬性集S相同，則 認為誤差測量ERR是可靠的，誤差測量ERR可被用于進一步縮減分
類邊界；第二步驟。
誤差測量ERR約束可以隨著誤差測量ERR而變化。當誤差測量 ERR具有標量性質(zhì)時，例如第一屬性集C1中符號誤差的數(shù)量，則可 增加進一步的限制，其要求比特誤差的數(shù)量小于預(yù)定的標量門限t。
可選地，當系統(tǒng)用于生成向量誤差測量ERR時，可以增加進一 步的限制，其要求各個系數(shù)必須小于附隨的預(yù)定值，所述預(yù)定值可以 使用預(yù)定的門限向量t表示。
最后，預(yù)定的門限t可包括系數(shù)的門限值以及向量系數(shù)組合的門 限，從而，考慮到各個向量系數(shù)之間的關(guān)系。這些門限可被單獨確定， 并且連同第一幫助數(shù)據(jù)Wl和第一控制值VI —起存儲在鑒權(quán)數(shù)據(jù)集 中。
基于來自前面兩個步驟的結(jié)果，可以形成判斷D，該判斷D被 進而用作鑒權(quán)判斷。第三步驟生成與判斷D有關(guān)的概率測量P。概率 測量P高效地提供可以用于與判斷D —起或代替判斷D進行進一步 處理的附加信息。
用圖3中的裝置來說明鑒權(quán)，但是通過微小的改進，其也可用于 識別。在進行識別的情況下，將來自鑒權(quán)數(shù)據(jù)集ADS的多個對象與 從物理對象獲取的度量數(shù)據(jù)Y進行比較。在進行識別的情況下，被 識別的物理對象不提供所聲稱的標識。相反地，物理對象的標識可以 從提供充分或最佳匹配的參考對象的標識中導(dǎo)出。為了實現(xiàn)該目的， 所述裝置可被擴展有標識建立模塊，其可以從鑒權(quán)數(shù)據(jù)集ADS中獲 取參考對象的標識，并且可以基于判斷D和/或概率P來建立與參考 對象的標識相同的物理對象的標識。
圖4示出鑒權(quán)判斷模塊ADM如何可以生成所述概率測量P。由 噪聲補償映射NCM所糾錯的符號誤差的數(shù)量可被用作對概率測量的 指示。如果需要，可以通過除以噪聲魯棒映射能夠補償?shù)恼`差最大數(shù) 量，對該特定測量進行歸一化。
基于誤差測量ERR的概率測量P只有在誤差測量ERR有效時， 即在鑒權(quán)判斷模塊ADM的第一步驟成功時，才是有效的。
此處描述的三個步驟表示根據(jù)本發(fā)明的一個實施例，其并非是限 制性的。可以將用于生成判斷D和附隨概率測量P的單個步驟進行
合并。合并這些步驟的一個簡單方法是例如，通過仔細地測量各個 向量系數(shù)的誤差，然后使用概率和預(yù)定門限來確定鑒權(quán)判斷應(yīng)當是肯 定的還是否定的，來建立概率測量。
圖5中所示的裝置與圖4相似，但是，其包括第三生成模塊GM3 和鑒權(quán)判斷模塊ADM的一種可選實現(xiàn)。相對于第三生成模塊GM3 的主要差異在于圖5中第三生成模塊GM3的實現(xiàn)可被用于上述兩 類ECC的糾錯碼。
為了實現(xiàn)該目的，第三生成模塊GM3包括第四生成模塊GM4， 其通過對第二屬性集Sl應(yīng)用噪聲魯棒映射NRM，生成第三屬性集 C2。無論噪聲魯棒映射NRM的輸入和輸出的要求如何，第三屬性集 C2具有與第一屬性集C1相同的格式。然后，第五生成模塊GM5可
以從第三屬性集C2減去第一屬性集Cl ，以獲得兩類ECC碼的誤差 測量ERR。
另外，圖5還示出了使用模板保護的物理對象鑒權(quán)的安全裝置如 何能夠使用單向函數(shù)h根據(jù)第一屬性集Sl生成第二控制值V2。
雖然重點主要在于形成分類邊界，但是本發(fā)明也可以用于生成軟 判斷。使用軟判斷的系統(tǒng)利用了以下事實，即，概率測量P包括比判 斷D更多的信息。
所述附加信息可以用在多模式識別系統(tǒng)中。并不是確定單個匹配 對象或者匹配對象的列表，而是能夠提供具有概率的匹配對象的列 表。當將結(jié)果與多模式系統(tǒng)的其它部分相合并時，這些概率可被用作 區(qū)分因子。由于概率測量所提供的附加信息/分辨力，識別處理能夠 變得更可靠。
圖6示出可以在本發(fā)明實施例中使用的鑒權(quán)判斷模塊ADM的實 現(xiàn)。鑒權(quán)判斷模塊ADM使用兩階段方法，在第一階段，基于控制值 VI以及從第二屬性集S1導(dǎo)出的第二控制值V2建立臨時判斷ID。
然后，將臨時判斷1D傳送至估計模塊EVM，在EVM處，將誤 差測量ERR與預(yù)定門限t進行比較。然后，基于該比較，估計模塊 EVM可以拒絕或接受肯定的臨時判斷ID，以獲得判斷D。
雖然利用應(yīng)用了單個第一幫助數(shù)據(jù)Wl和第一控制值V1的實例 來說明本發(fā)明，但是本發(fā)明也可以在應(yīng)用了多對幫助數(shù)據(jù)和控制值的 系統(tǒng)中有優(yōu)勢地用于對物理對象進行鑒權(quán)。
由于基于誤差測量ERR的附加約束只允許縮減分類邊界，多對 幫助數(shù)據(jù)和控制值的使用允許擴展分類邊界，從而，有助于對對象的 分類邊界進行真實地形成、縮減和擴展。
應(yīng)當注意，上述實施例說明但并非限制本發(fā)明，在不偏離所附權(quán) 利要求的范圍的前提下，本領(lǐng)域技術(shù)人員將能夠設(shè)計出多種可選實施 例。
在權(quán)利要求中，位于括號之間的任何參考符號不應(yīng)被視為是對權(quán) 利要求的限制。術(shù)語"包括"并不排除權(quán)利要求中所列元件或步驟之 外的元件或步驟的存在。元件前面的術(shù)語"一個"并不排除多個這種 元件的存在。
可以利用包括多個獨立元件的硬件以及利用正確編程的計算機 來實現(xiàn)本發(fā)明。在列舉出多種模塊的裝置權(quán)利要求中，這些模塊中的 若干種可以通過一個硬件或硬件的同一部分實現(xiàn)。在彼此不同的從屬 權(quán)利要求中描述的特定測量并不表示不能有利地使用這些測量的組
權(quán)利要求
1.一種使用幫助數(shù)據(jù)(W1)和關(guān)聯(lián)于參考對象的控制值(V1)對物理對象進行鑒權(quán)的方法，該方法包括使用包括所述幫助數(shù)據(jù)(W1)和關(guān)聯(lián)于所述物理對象的度量(Y)的信息，生成第一屬性集(C1)，通過對包括所述第一屬性集(C1)的信息使用噪聲補償映射(NCM)，生成第二屬性集(S1)，使用所述第二屬性集(S1)和所述第一控制值(V1)，建立所述物理對象和所述參考對象之間的充分匹配，該方法的特征在于其還包括下列步驟通過使用所述第一屬性集(C1)和從所述噪聲補償映射(NCM)導(dǎo)出的信息，對所述噪聲補償映射(NCM)所消除的噪聲進行量化，生成誤差測量(ERR)，以及使用所述誤差測量(ERR)以生成鑒權(quán)判斷(D)。
2. 根據(jù)權(quán)利要求1所述的方法，其中，用于生成所述誤差測量 (ERR)的步驟包括對所述第一屬性集(Cl)和所述第二屬性集(Sl)之間的差異進行量化。
3. 根據(jù)權(quán)利要求1所述的方法，其中，用于生成所述誤差測量 (ERR)的步驟包括下列步驟通過對包括所述第二屬性集(SI)的信息使用噪聲魯棒映射 (NRM)，生成第三屬性集(C2)，通過對所述第一屬性集(CI)和所述第三屬性集(C2)之間的 差異進行量化，生成所述誤差測量(ERR)。
4. 根據(jù)權(quán)利要求1所述的方法，其中，使用包括所述誤差測量 (ERR)以及關(guān)聯(lián)于所述參考對象和所述幫助數(shù)據(jù)(WO的控制值 (VI)的信息，生成所述鑒權(quán)判斷，以便生成識別所述物理對象是 否與所述參考對象相符的所述鑒權(quán)判斷(D)。
5. 根據(jù)權(quán)利要求1所述的方法，其中，所述鑒權(quán)方法通過將從 所述第二屬性集(Sl)導(dǎo)出的信息與從所述控制值(VI)導(dǎo)出的信 息進行比較，生成臨時判斷(ID)。
6. 根據(jù)權(quán)利要求5所述的方法，其中，所述鑒權(quán)方法包括用于 將所述誤差測量(ERR)與預(yù)定門限(t)進行比較的步驟，并且其 中，將包括所述比較的結(jié)果的信息用于接受或拒絕所述臨時判斷(ID)，產(chǎn)生分別與所述臨時判斷(ID)相同或不同的鑒權(quán)判斷(D)。
7. 根據(jù)權(quán)利要求1所述的方法，其中，所述鑒權(quán)方法使用包括 所述誤差測量(ERR)以及關(guān)聯(lián)于所述參考對象和所述幫助數(shù)據(jù)(W1) 的所述第一控制值(VI)的信息，以生成與所述鑒權(quán)判斷(D)相關(guān) 的概率測量(P)。
8. 根據(jù)權(quán)利要求1所述的方法，其中，所述噪聲補償映射(NCM) 是糾錯碼解碼器算法。
9. 根據(jù)權(quán)利要求1所述的方法，還包括獲取所聲稱標識的步驟。
10. 根據(jù)權(quán)利要求1所述的方法，還包括用于通過對所述第二屬 性集(Sl)應(yīng)用單向函數(shù)h來生成第二控制值(V2)的步驟，其中， 所述第二控制值(V2)被用于在所述物理對象和所述參考對象之間 建立充分匹配。
11. 一種使用幫助數(shù)據(jù)(Wl)和關(guān)聯(lián)于參考對象的控制值(VI) 對物理對象進行識別的方法，根據(jù)權(quán)利要求1所述的方法，還包括用 于將所述物理對象的標識建立為與所述參考對象的標識相同的步驟。
12. 根據(jù)權(quán)利要求11所述的方法，其中，所述識別方法使用包 括所述誤差測量(ERR)以及關(guān)聯(lián)于所述參考對象和所述幫助數(shù)據(jù)(Wl)的所述第一控制值(VI)的信息，以生成概率測量(P)。
13. 根據(jù)權(quán)利要求12所述的方法，其中，所述概率測量(P)被 用于建立所述物理對象的所述標識。
14. 一種使用幫助數(shù)據(jù)(Wl)和關(guān)聯(lián)于參考對象的控制值(VI) 對物理對象進行鑒權(quán)的裝置，包括.-第一生成模塊(GM1)，用于使用包括所述幫助數(shù)據(jù)(Wl)和關(guān) 聯(lián)于所述物理對象的度量(Y)的信息，生成第一屬性集(Cl)，第二生成模塊(GM2)，用于通過對包括所述第一屬性集(Cl) 的信息使用噪聲補償映射(NCM)，生成第二屬性集(Sl)，比較模塊(CMP)，用于使用所述第二屬性集(Sl)和所述第一 控制值(VI )，生成所述物理對象和所述參考對象之間的充分匹配，該裝置的特征在于其還包括第三生成模塊(GM3)，用于通過使用所述第一屬性集(Cl)和 從所述噪聲補償映射(NCM)導(dǎo)出的信息，對所述噪聲補償映射 (NCM)所消除的噪聲進行量化，生成誤差測量(ERR)，以及鑒權(quán)判斷模塊(ADM)，用于使用所述誤差測量(ERR)以生成 鑒權(quán)判斷(D)。
15. 根據(jù)權(quán)利要求14所述的裝置，其中，所述第三生成模塊 (GM3)用于生成誤差測量(ERR)，其對所述第一屬性集(Cl)和所述第二屬性集(Sl)之間的差異進行量化。
16. 根據(jù)權(quán)利要求14所述的裝置，其中，用于生成誤差測量 (ERR)的所述第三生成模塊(GM3)包括-第四生成模塊(GM4)，用于通過對包括所述第二屬性集(Sl) 的信息使用噪聲魯棒映射(NRM)，生成第三屬性集(C2)，以及 第五生成模塊(GM5)，用于通過對所述第一屬性集(Cl)和所 述第三屬性集(C2)之間的差異進行量化，生成所述誤差測量(ERR)。
17. 根據(jù)權(quán)利要求14所述的裝置，其中，所述鑒權(quán)判斷模塊 (ADM)用于使用包括所述誤差測量(ERR)以及關(guān)聯(lián)于所述參考對象和所述幫助數(shù)據(jù)(Wl)的所述控制值(VI)的信息，以生成識 別所述物理對象是否與所述參考對象相符的所述鑒權(quán)判斷(D)。
18. 根據(jù)權(quán)利要求14所述的裝置，其中，所述鑒權(quán)判斷模塊 (ADM)用于使用包括所述誤差測量(ERR)以及關(guān)聯(lián)于所述參考對象和所述幫助數(shù)據(jù)(Wl)的所述第一控制值(VI)的信息，以生 成與所述鑒權(quán)判斷(D)相關(guān)的概率測量(P)。
19. 一種使用幫助數(shù)據(jù)(Wl)和關(guān)聯(lián)于參考對象的控制值(VI) 對物理對象進行識別的裝置，根據(jù)權(quán)利要求14所述的裝置，還包括 識別建立模塊，用于將所述物理對象的標識建立為與所述參考對象的 標識相同。
20. —種計算機程序產(chǎn)品，包括存儲在計算機可讀介質(zhì)上的程序 代碼模塊，當所述程序產(chǎn)品在計算機上運行時，其用于執(zhí)行權(quán)利要求 1至12中的任何一項所述的方法。
全文摘要
本發(fā)明涉及一種對物理對象進行鑒權(quán)的方法以及應(yīng)用該方法的裝置。該方法使用幫助數(shù)據(jù)(W1)和關(guān)聯(lián)于參考對象的控制值(V1)，以便使用幫助數(shù)據(jù)(W1)和關(guān)聯(lián)于物理對象的度量(Y)來生成第一屬性集(C1)。該方法還包括通過對第一屬性集(C1)使用噪聲補償映射(NCM)來生成第二屬性集(S1)的步驟；以及使用第二屬性集(S1)和第一控制值(V1)來建立物理對象和參考對象之間的充分匹配的步驟。該方法的特征在于以下步驟通過使用第一屬性集(C1)和從噪聲補償映射(NCM)導(dǎo)出的信息，對噪聲補償映射(NCM)所消除的噪聲進行量化，生成誤差測量(ERR)。然后，將誤差測量(ERR)用于生成鑒權(quán)判斷(D)。還提供了一種被配置為執(zhí)行該方法的裝置。
文檔編號G06F21/32GK101185104SQ200680019152
公開日2008年5月21日 申請日期2006年5月23日 優(yōu)先權(quán)日2005年6月1日
發(fā)明者A·A·M·L·布魯克斯, A·H·M·阿克曼斯, F·M·J·威廉斯, M·范德維恩, T·A·M·凱沃納爾 申請人:皇家飛利浦電子股份有限公司