CN113557551B 用于使用电话传感器引导卡定位的系统和方法 （第一资本服务有限责任公司）

2021.09.09PCT/US2020/0416282020.07.10WO2021/011384EN2021.01.21WO2018016203A1,2018.01.25用于使用电话传感器引导卡定位的系统和位置对准系统有助于将非接触式卡相对于模型和/或同步定位与建图逻辑中的一个或两个2述设备的相机捕获当所述非接触式卡靠近所述设备时接近所述设备的三维体积的一系列处理所述一系列图像以确定所述非接触式卡在接近所述设备的三维体积内的位置和置和轨迹使用机器学习模型或同步定位与建图(SLAM)捕获所述一系列图像由所述设备的所述相机、所述设备所述一系列图像包括与所述设备处测量的红外能量和可见光能量中的一个或多个相述体积地图包括接近所述设备的三维体积内的多个像素位置的像到的一个或多个特征来标识所述非接触式卡的位述第二机器学习模型被训练为基于定位所述非接触式卡的历史尝试来预测位经由所述计算设备的接近传感器检测所述非接触式述计算设备的相机捕获当所述非接触式卡靠近所述计算设备时接近所述计算设备的三维处理所述一系列图像以确定所述非接触式卡在接近所述计算设备的三维体积内的位3触发所述计算设备的接口执行与所述非接触式卡的位置和轨迹使用机器学习模型或同步定位与建图(SLAM)捕获所述一系列图像由所述计算设备的所述相机、所述一系列图像包括与所述计算设备处测量的红外能量和可见光能量中的一个或多个相关的二维图像信息和三维图像信息中的于检测到的一个或多个特征识别所述非接触式17.一种包括指令的非暂时性计算机可读介质，所述指令在被处理电路执行时致使所经由所述计算设备的接近传感器检测所述非接触式述计算设备的相机捕获当所述非接触式卡靠近所述计算设备时接近所述计算设备的三维处理所述一系列图像以确定所述非接触式卡在接近所述计算设备的三维体积内的位触发所述计算设备的接口以执行与所述非接触式定所述非接触式卡的位置和轨迹使用机器学习模型或同步定位与建图(SLAM)过程中的至4捕获所述一系列图像由所述计算设备的所述相机、所述一系列图像包括与所述计算设备处测量的红外能量和可见光能量中的一个或多个相关的二维图像信息和三维图像信息中的5[0002]本申请要求于2019年7月15日提交的题为“SYSTEMANDMETHODFORGUIDINGCARDPOSITIONINGUSINGPHONE准、EMV标准或使用例如NFC数据交换格式(NDEF)标签使用NFC技术以便进行双向或单向非[0005]虽然使用NFC通信信道进行非接触式卡交易的优势很多，包括简单的设置和较低的复杂性，但是NFC数据交换面临的一个困难可能是在具有小天线的设备(包括非接触式6定该卡在接近设备的三维体积内的位置和轨迹的步骤使用机器学习模型或同步定位与建括发起卡和设备之间的数据交换，其中数据交换与金融交易和授权交易中的至少一个相影器(dotprojector)中的一个或多个来执行，并且其中该一系列图像包括与该设备处测量的红外能量和可见光能量中的一个或多个相关的二维图像信息和三维图像信息中的一至少一个轨迹调节的一个或多个提示，该至少一个轨迹调节被预测为减少一个或多个差例包括各自被配置为执行方法的动作的记录在一个或多个计算机存储设备上的相对应的7这个方面的其他实施例包括各自被配置为执行方法的动作的记录在一个或多个计算机存[0012]图1A和图1B是被提供来示出非接触式卡和非接触式卡读取设备之间的交互的示[0014]图3是可以被配置为执行如本文所公开的位置对准的移动电话的传感器条的视[0016]图5是可以由图4的NFC交易设备执行的位置对准系统和方法的示例性步骤的流程[0017]图6是示出了可以被执行来对准非接触式卡相对于设备的位置的示例性步骤的详[0018]图7是示出了可以被执行来训练本文所公开的机器学习模型的示例性步骤的流程8[0019]图8是示出可以在如本文所公开那样使用的同步定位与建图(SLAM)过程中执行的[0020]图9是示出可以被执行以使用移动电话设备的接近传感器和图像捕获设备的组合来定位用于NFC通信的非接触式卡的示例性步骤[0023]图12A至图12C示出了在成功对准以便进行NFC通信之后可以提供的示例性移动电[0025]图14是如本文所公开的用于使用所捕获的图像数据来控制设备的读卡器的界面[0029]过程在此并一般而言被认为是导致期望结果的自洽的操作序列。过程可以以硬9[0033]图1A和图1B各自示出了移动电话设备100和非接触式卡150。非接触式卡150可以[0034]在一些示例中，非接触式卡150可以具有符合ISO/IEC7810标准的ID_1格式的物[0036]受益于本文公开的定位辅助系统和方法的示例性邻近非接触式卡和通信协议包括Osborn等人于2018年11月29日提交的题为“SystemsandMethodsforCryptographicAuthenticationofContactlessCards”的美国专利申请序列号16/205,119(以下称为[0037]在一个实施例中，非接触式卡包括由被配置为用于基于例如射频标识(RFID)标准、EMV标准或使用NDEF标签进行双向或单向非接触式短程通信的硬件和/或软件构成的[0038]当支持NFC的设备交换信息时，NFC采用两个环形天线之间的电磁感应。ISO/IEC耦合到PICC以便传送功率并被调制用于通信，在ISO/IEC18000_3空中接口上以从106至特性)是否符合ISO标准，在由NFC论坛模拟规范定义的操作体积内的测试点处进行一系列[0042]图2示出了由NFC模拟论坛(analogforum)标识的用于在测试支持NFC的设备时使设备)周围的三维体积，并且可以表示用于近场通以验证均匀场强在该NFC天线类别的最小和最大当卡对准未达最佳标准时提供给用户的唯一反馈是交易失败。非接触式卡EMV交易可能包如通过测量该一系列捕获图像中的暗度水平和/示，用于将卡引导目标体积。可以使用电话的音频和/或显示组件向用户呈现轨迹调节提[0047]图3是可以被配置为支持本文公开的对准系统和方法的移动电话的一个实施例的可以理解的是，许多设备可以包括可以不同地定位在它们的设备上的更少或更多的传感具有前置相机和前置相机和/或其他传感器，它们中的任何一个可以用于本文描述的用于[0048]传感器面板320被示出为包括红外相机302、泛光照射器(floodilluminator)[0049]红外相机302可以与点阵投影器316一起用于深度成像。点阵投影器316的红外发[0051]电话的顶部部分300也被示出为包括用于例如控制电话的显示器的亮度的环境光[0052]图4是结合了如本文所公开的促进卡位置对准的元件的移动电话或其他支持NFC电感器等)、集成电路、专用集成电路(applicationspecificintegratedcircuit，ASIC)、可编程逻辑器件(programmablelogicdevice，PLD)、数字信号处理器(digital[0054]图像处理器415可以是任何处理器，或者可替选地可以是用于对从一个或多个相进行图像处理的专用数字信号处理器(DSP)。图像处理器415甚至可以利用SIMD(SingleInstructionMultipleData，单指令多数据)或MIMD(MultipleInstructionMultiple码432和支付处理程序代码433)和数据434。存储器430还可以存储用户界面程序代码436。用户界面程序代码436可以被配置为解释在包括物理元件(诸如键盘和触摸屏460)的用户应于由相机452或其他传感器设备捕获的一系列图像的所确定的暗度水平和/或复杂度水的读取操作。自动触发减少了与使用用户界面元件来控制NFC通信相关联的延迟和不准确[0057]对准单元程序代码432包括本文公开的用于非接触式卡/电话通信的定位辅助的程序代码。对准单元程序代码432可以由使用非接触式卡交换以便进行认证或其他目的的服务)可以在金融交易的初始阶段期间使用非接触式卡交换以便[0058]系统总线420为系统组件(包括但不限于存储器430和处理器410)提供接口。系统总线420可以是几种类型的总线结构中的任何一种，这些总线结构还可以互连到使用各种[0059]网络接口逻辑包括被配置为支持与不同形式的网络通信相关联的各种已知协议[0060]传感器控件450包括可以支持本文公开的位置对准方法的传感器子集，包括一个或多个相机452(其可以包括用于捕获二维和三维的基于光的图像或红外图像的相机技感器控制器457以及点阵投影器458和相关联的点阵投影器控制器4非接触式卡定位的示例性过程500的流程图。该过程包括在步骤510检测非接触式卡接近，步骤525将非接触式卡定位在接近设备的目标体积内并且确定卡的轨迹。处理图像还可以[0062]在515处捕获图像并在520处处理图像的过程继续，直到在步骤540处确定非接触统还可以使用机器学习预测性模型来标识轨迹调节，以将卡移动到目标体积内的目标位感器芯片来实施。常见的光传感器芯片分别包括Intersil&Sharp公司的ISL29003/23&一个或两个捕获。例如，一些移动设备可能包括能够拍摄高动态范围(HDR)照片的后置相[0067]来自上述源中的任何一个或多个的所捕获的图像、和/或所捕获的图像的子集或或包括电话的NFC接口的操作体积的至少一部分的区域，其中体积地图被表示为存储与可见或红外光谱内的体素(voxels)的颜色和/或强度相关的值的体素的三维阵列。在一些实型能够标识与输入数据相关的模式或者标识输入数据和输出数据之间的关系。利用训练，训练集和一个或多个验证集，并且训练过程可以重复多次。分割可以遵循k重交叉验证规[0073]根据一个实施例，机器学习模型可以被训练为在非接触式卡靠近NFC读取设备时[0074]现在将参考图7的流程图描述用于位置和轨迹标识的机器学习模型的训练和使用他方式修改机器学习模型以提高精度。如果机器学习模型对于特定任务具有足够的精确置和轨迹预测的结果可以被持续调谐以最小化[0081]同步定位和建图(SLAM)已经在用于3D图像空间的动态重建的机器人领域中被很好地定义。例如，Davidson等人的“MonoSLAM:Real_TimeSinglTransactionsonPatternAnalysisandMachineIntelligence,Vol.29,No.6,2007(通过引用并入本文)聚焦于定位，并提出了可以恢复快速移动通过先前未知场景的单目相机连续且动态地演变。相机和特征的概率状态的估计在相对相机/卡运动和特征观察期间被[0088]所有地图参数的概率分布被近似为一个单一的多元高斯分布在一个维数等于总长期地标特征。相机定位信息可以用于改善相机位移和旋转上的匹配。显著图像区域(salientimageregions)最初可以使用例如J.Shi和C.Tomasi，“GoodFeaturesto卡/相机运动一定的平滑度，但是它赋予使用稀疏视觉测量的系统鲁棒性。在一个实施例和v0包括标准相机校准参数。这种方法使得能够主动控制观察方像处理的同时执行非接触式卡的实时定位的能力)将[0102]回到图6，一旦位置和轨迹信息可以通过机器学习模型、SLAM技术或其他方法获机器学习原理训练和保持的机器学习模型)来执行预测，以基于先前的轨迹调节和提示的通过标识目标位置和所预测的位置之间的方差并选择对当前轨迹的调整以最小化方差来示存储有效性值，其中有效性值与历史反应和显示实现轨迹调节的这种提示的效果相关。可以由机器学习模型使用有效性值来选择轨迹调节和/或提示中的一个或多个，以将卡引在步骤640触发NFC移动设备来发起与NFC读取)近场数据交换(NDEF)标签时发生，该标签可以根据NF由设备100(图1A)执行的应用可以向非接触式卡150(图1A)传输消息，诸如小程序选择消息 密钥的任何对称密码算法。对称算法的非限制性示例可以[0115]图9是示出了使用本文公开的位置对准系统来将非接触式卡与配备有接近传感器[0116]图10示出了靠近电话1010的接近传感器1015的操作体积1020的非接触式卡103提供视觉或听觉指令等提示用户。与电话的NFC接口的操作体积的至少一部分重叠的操作体积的相机用于图[0119]图11示出了捕获与目标体积1120内的卡1150相关的图像信息的电话1110的示例对准过程可以在卡和移动设备之间的数据交换期间继续操作，例如如果卡在读取期间移[0121]图12A、图12B和图12C是一旦检测到对准可以通过位置对准过程提供的显示提示机器学习模型和/或同步定位与建图逻辑中的一个或两个来处理所捕获的图像信息以标识[0124]上述技术已经讨论了用于一旦最初使用接近传感器检测到卡的接近就将非接触过与设备的用户界面元件进行人类交互的需要)自动触发控制[0126]在一些实施例中，图像参数包括图像的暗度水平和/或复杂度水平中的一个或多[0127]在图13A和图13B中，仅出于解释的目的，图像1320被示出在设备1310的显示器1340上，尽管没有必要在设备1310上显示如本文所公开的用于确定卡接近的所捕获的图移动通信设备)的对设备发起与卡的NFC通信的请求等)，设备可以捕获接近设备的空间体可以通过处理该一系列图像的像素值以标识每个经处理的像素的暗度水平来确定。例如，为像素分派灰度值。图像的暗度水平可以通过平均化图像像素的暗度水平来确定。在一些或更高为止。[0131]除了基于单独计算的暗度水平触发NFC通信之外，该系统还设想识别图像暗度水的位置可能不够稳定而无法执行NFC读取，并且因此可能期望的是在触发读取之前规定预离读卡器或所标识的特征较远的那些部分具有更高通过识别连续图像中指示接近读卡器的已知卡活动的像素暗度/像素复杂度值方面的模[0135]图14是可以使用上述暗度和/或复杂度图像属性中的一个或两个来触发NFC卡读于选择了设备上的用户界面元件(诸如图12A中的读地，近场通信的发起可以作为在设备上执行的应用(例如利用来自卡的密码用于认证或其像的经处理的暗度水平与预定的暗度水平(例如[0137]在一些实施例中，NFC读取操作的自动触发可以绕过或替换由用户界面元件历史文描述的技术来触发其他用户界面元件，并且可以自动触发各种相对应的相关联的功能。