一种指静脉可取消特征模板的保护方法及其保护装置转让专利
申请号 : CN201910796837.4
文献号 : CN110516594B
文献日 : 2022-03-18
发明人 : 王华彬 , 张啸晨 , 施余峰 , 胡栩彬 , 申燕 , 徐莹莹 , 杨硕 , 陶亮
申请人 : 安徽大学
摘要 :
权利要求 :
1.一种指静脉可取消特征模板的保护方法,其特征在于,其包括以下步骤:(1)对指静脉样本的指静脉图像进行特征提取;其中,所述指静脉样本为测试样本或训练样本;特征提取方法包括以下步骤:(1.1)将所述指静脉图像中各邻域差分根据方向角进行映射,获取差分激励图;
(1.2)根据所述静脉样本,判断指静脉方向,并计算所述指静脉方向的弯曲度,以获取双可变曲率的两个几何特征图;
(1.3)将所述差分激励图分别与两个几何特征图构建联合分布二维特征,并分别获取两个联合分布二维特征图,获得两个方向得特征矩阵;
(2)根据两个方向的特征矩阵,生成指静脉可取消模板;其中,所述指静脉可取消模板包括以下步骤:
(2.1)对两个特征矩阵进行PCA降维,获取特征向量;
(2.2)通过用户令牌生成一组随机数向量,获取随机矩阵;
(2.3)先将每个方向上的所述特征向量联合成一个特征矩阵,再将所述特征向量与所述随机矩阵的列向量进行内积运算,生成对应方向上的模板,获取两个方向上的可取消模板;
(2.4)先将不同方向上的可取消模板投影至同一个子空间进行融合,再在不同方向上的可取消模板之间建立目标函数,并生成所述指静脉可取消模板;
(3)先将所述测试样本、所述训练样本所形成的指静脉可取消模板进行匹配,并计算所述测试样本与所述训练样本的相似度,再根据所述相似度及一个相似度确定范围,对所述测试样本进行分类。
2.如权利要求1所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(1.2)中,在Gabor滤波器中判断所述指静脉方向,且所述弯曲度的计算方法包括以下步骤:(1.2.1)定义二维坐标系;
(1.2.2)计算所述二维坐标系中指静脉方向的卷积因子一:式中,(x,y)为所述指静脉方向上的点坐标,σ为标准差;
(1.2.3)计算所述二维坐标系中指静脉方向的卷积因子二:2
式中,u为正弦波的频率,f为Gabor滤波器的曲率,i =‑1;θ为所述指静脉方向的角度,且计算公式为:
式中,nθ为Gabor滤波器在[0,2π]上定义的方向数;
(1.2.4)计算所述卷积因子一与所述卷积因子二的卷积,并将卷积结果作为所述弯曲度。
3.如权利要求2所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(1.2)中,还对Gabor滤波器进行标准化处理,且标准化处理公式为:式中,m和n分别表示所述指静脉方向和曲率的个数, 为所述弯曲度的实部。
4.如权利要求3所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(1.2)中,还通过Gabor滤波器对取反的指静脉图像进行滤波,同时提取所述指静脉方向和弯曲度特征;其中,滤波公式为:
式中, 表示卷积的结果, 表示所述指静脉图像的取反结果, 表示卷积操作,j表示Gabor滤波器的个数。
5.如权利要求2所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(1.2)中,还将最大和次大的响应值作为位于两个Gabor滤波器之间的点的特征值,且表示公式为:
式中,O1表示当θm和fn同时达到最好且与所述指静脉图像最匹配时,对应Gabor滤波器的量化值;O2表示当θm和fn其中一个达到最好时,对应Gabor滤波器的量化值。
6.如权利要求1所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(1.1)中,邻域像素与中心像素间灰度差分(xi‑xc)在水平方向上和垂直方向上的分量分别为和 且分量的计算公式分别为:
定义差分激励图为:
其中,p为邻域像素数,ξ(xc)∈[‑π,π]。
7.如权利要求1所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(2.2)中,所述随机矩阵的获取方法包括以下步骤:(2.2.1)定义以下情况:
好的情况: 每一个用户有其rt和生物特征ΓEA、ΓTA;rt为在注册阶段和验证阶段,同一个种子生成一个token rt;
差的情况: 所有用户使用相同的rt和生物特征ΓEA、ΓTO;
(2.2.2)使用rt产生一组伪随机变量 其中,m>n,列向量的维数与所述特征矩阵的行向量维数相同;
(2.2.3)生成m个随机列变量,并形成随机的m*n的矩阵R;其中,每个元素归一化分布在[‑1,1]区间;
(2.2.4)通过正交法将矩阵R转化为标准正交基,以获取所述随机矩阵。
8.如权利要求1所述的指静脉可取消特征模板的保护方法,其特征在于,所述目标函数为:
T T
s.t w1CXXw1=w2CYYw2=1其中,CXX,CYY分别是两个不同方向的特征模板X,Y的自协方差矩阵,c表示原样本集类别数,ni表示每类样本数;w1,w2为 待求解的两个不同方向的特征模板所对应的投影矩阵。
9.如权利要求1所述的指静脉可取消特征模板的保护方法,其特征在于,在步骤(3)中,通过归一化相关系数规模匹配分数计算所述相似度;其中,所述相似度的计算公式为:式中,A、B是两个特征向量,A=(a1,a2,a3......an),B=(b1,b2,b3......bn);μA(μB)是特征向量A(B)的均值,σA(σB)是A(B)的标准差,l是A或B的长度值,NCC的取值在‑1和1之间。
10.一种指静脉可取消特征模板的保护装置,其应用如权利要求1‑9中任意一项所述的指静脉可取消特征模板的保护方法,其特征在于,其包括:特征提取模块,其用于对指静脉样本的指静脉图像进行特征提取;其中,所述指静脉样本为测试样本或训练样本;所述特征提取模块包括差分激励单元、双可变曲率滤波器单元、提取特征单元;所述差分激励单元用于将所述指静脉图像中各邻域差分根据方向角进行映射,获取差分激励图;所述双可变曲率滤波器单元用于根据所述静脉样本,判断指静脉方向,并计算所述指静脉方向的弯曲度,以获取双可变曲率的两个几何特征图;所述提取特征单元用于将所述差分激励图分别与两个几何特征图构建联合分布二维特征,并分别获取两个联合分布二维特征图,获得两个方向得特征矩阵;
可取消模板生成模块,其用于根据两个方向的特征矩阵,生成指静脉可取消模板;其中,所述可取消模板生成模块包括降维单元、随机数生成单元、模板生成单元、融合生成单元;所述降维单元用于对两个特征矩阵进行PCA降维,获取特征向量;所述随机数生成单元用于通过用户令牌生成一组随机数向量,获取随机矩阵;所述模板生成单元用于先将每个方向上的所述特征向量联合成一个特征矩阵,再将所述特征向量与所述随机矩阵的列向量进行内积运算,生成对应方向上的模板,获取最大和次大方向上的可取消模板;所述融合生成单元用于先将不同方向上的可取消模板投影至同一个子空间进行融合,再在不同方向上的可取消模板之间建立目标函数,并生成所述指静脉可取消模板;以及匹配识别单元,其用于先将所述测试样本、所述训练样本所形成的指静脉可取消模板进行匹配,并计算所述测试样本与所述训练样本的相似度,再根据所述相似度及一个相似度确定范围,对所述测试样本进行分类。
说明书 :
一种指静脉可取消特征模板的保护方法及其保护装置
技术领域
背景技术
稳定性,即每个人的生物特征都不相同,且在很长时间内不会有变化。唯一性,使其广泛应
用于用户身份识别;稳定性,使得用户的特征信息一旦发布,即使用户特征被盗取,也不能
重新生成新的生物特征。而可取消模板是将原始生物特征映射到新的特征空间,再进行特
征匹配,即使特征信息泄露,也可以将模板撤回并重新发布。因此,可取消生物特征模板的
保护至关重要。
的映射方案,将原始特征模板投影到新的特征空间,不会影响原始生物特征之间的距离,可
以确保安全性和识别率,但缺点是直接保存随机映射后的变换数据作为生物特征模板,存
在利用交叉匹配或逆变换攻击而恢复原始信息。2)基于ECG的方法,该方法与外在生物识别
技术相比,心电图的内在和动态特性及其固有的生命指示使得它们极易被盗或伪造,这增
加了重放攻击的难度。3)基于biohash的方法,该方法利用用户特定的token生成RP矩阵对
提取的原始生物特征信息进行映射变换,量化后的二进制数据保存为不可逆的生物特征模
板,在一定程度上保证了模板的不可逆性。尤其在隐藏条件下,可获得接近于零的等错误
率。但如果token丢失,识别性能大大降低。综上所述,现有的这些识别性能较好的可取消生
物特征模板方法不能保证安全性,而保证生物特征模板安全的方法识别性能较差。
发明内容
板的保护方法及其保护装置。
消模板;
所述测试样本进行分类。
证可取消模板的不可逆,而且通过将两个方向的可取消模板进行融合以保持类内相关性的
同时不可逆,解决了现有的生物特征模板方法识别性能高的方法不能保证安全性,而保证
生物特征模板安全的方法识别性能较差的技术问题,提高识别率和降低等错误率,稳定有
效性更高,识别性能更好,而且不能通过任何方式在真实用户的令牌或者生物特征信息不
同时存在的情况下,恢复原始生物特征数据,能提高不可逆性,能够提高模板的安全性,同
时还提高了具备撤销/可重用性以及多样性的技术效果。
应的投影矩阵。
之间。
单元、提取特征单元;所述差分激励单元用于将所述指静脉图像中各邻域差分根据方向角
进行映射,获取差分激励图;所述双可变曲率滤波器单元用于根据所述静脉样本,判断指静
脉方向,并计算所述指静脉方向的弯曲度,以获取双可变曲率的两个几何特征图;所述提取
特征单元用于将所述差分激励图分别与两个几何特征图构建联合分布二维特征,并分别获
取两个联合分布二维特征图,获得两个方向得特征矩阵;
单元;所述降维单元用于对两个特征矩阵进行PCA降维,获取特征向量;所述随机数生成单
元用于通过用户令牌生成一组随机数向量,获取随机矩阵;所述模板生成单元用于先将每
个方向上的所述特征向量联合成一个特征矩阵,再将所述特征向量与所述随机矩阵的列向
量进行内积运算,生成对应方向上的模板,获取最大和次大方向上的可取消模板;所述融合
生成单元用于先将不同方向上的可取消模板投影至同一个子空间进行融合,再在不同方向
上的可取消模板之间建立目标函数,并生成所述指静脉可取消模板;以及匹配识别单元,其
用于先将所述测试样本、所述训练样本所形成的指静脉可取消模板进行匹配,并计算所述
测试样本与所述训练样本的相似度,再根据所述相似度及一个相似度确定范围,对所述测
试样本进行分类。
100%,等错误率达到零,这与现有技术的保护方法相同。在差的情况,该保护方法的识别率
和等错误率相比于现有的保护方法有明显的提高,这是因为本发明的保护方法同时考虑指
静脉的方向信息和弯曲度,能够更好的匹配指静脉图像中的线特征,因此具有较低的等错
误率,而且性能更加稳定有效。
性变换过程相当于将原始特征矩阵通过投影到新的子空间来保证初步的不可逆。在这样的
条件下,即使攻击者获得了真实用户的令牌和可取消模板,非法用户也很难从低维矩阵恢
复到原始的特征矩阵。本发明将降维后的特征矩阵与随机矩阵相结合的过程相当于图像加
盐,特征向量的降维后特征维数是未知数,而且随机矩阵有多个向量,即仅仅有少于未知数
个数的等式,这样求出来的方程组的解有无穷多个,因此,很难直接通过伪随机数恢复受保
护的模板。本发明使用基于改进的典型相关分析,在生成两个方向的可取消模板后,通过融
合这两个方向的特征模板使得融合后的特征模板进一步增加不可逆性。
并重新换用户令牌。由于每次重新发布模板使用更换后的用户令牌生成的随机矩阵都是不
同的,因此得到可取消模板也是不同的。而本发明重新发布一个新的模板,每次新产生的可
取消模板都可以尽量避免落入用户原始模板所在的区域,从而保证新发布的模板的安全
性。
息时使用的令牌都是不同的,使得用户每次通过令牌生成的随机矩阵也是不同的,因此发
布的可取消模板和指静脉特征信息相关联,但又有一定的区别。因此,当攻击者得到真实用
户的可取消模板和令牌,即使可以获得一个应用程序的模板也不能用于其他应用程序,从
而既保证了生物模板的安全性,也增加了可取消模板的多样性。
附图说明
具体实施方式
用于限定本发明。
全性。其中,本实施例的指静脉可取消特征模板的保护方法包括以下三个步骤(步骤(1)‑
(3))。
包括以下步骤(步骤(1.1)‑(1.3))。
为了能够有效地反映图像的灰度变化,与各邻域像素点相对于中心像素点的位置不同。在
实际计算中,将各邻域差分根据方向角信息进行映射,即邻域像素与中心像素间灰度差分
(xi‑xc)与水平正方向间的夹角。定义邻域像素与中心像素间灰度差分(xi‑xc)在水平方向
上和垂直方向上的分量分别为 和 且分量的计算公式分别为:
间的差异,减小了噪声的影响。
Gabor滤波器只能提取静脉的方向特征,不能反映在某个方向上的弯曲程度,因此本实施例
构建可变曲率Gabor滤波器,在判断指静脉方向的同时,计算其弯曲程度。其中,弯曲度的计
算方法包括以下步骤:
理公式为:
指静脉方向和弯曲度特征;其中,滤波公式为:
布特征提取,是指特征提取后得差分激励分别和两个方向的联合分布,可得到两个方向的
特征矩阵。每个方向特征矩阵由每个样本经过特征提取得到的特征行向量联合而成。请参
阅图3,对于每个指静脉样本,得到改进的差分激励图ξ和可变曲率Gabor的几何特征图O1、
O2。将ξ分别与每个几何特征图构建联合分布二维特征,如图3所示。根据联合分布特征提
取,可得到两个方向的特征矩阵。每个方向特征矩阵由每个样本经过特征提取得到的特征
行向量联合而成。
矩阵不可逆,这样初步稍难以恢复原始的特征信息。
(
(CCA)是最大化两个不同模态样本集整体相关性。本实施例将不同方向取得的可取消模板
投影到同一个子空间,使得新的可取消模板进一步具有不可逆性,在不同方向取得的可取
消模板之间建立目标函数:
应的投影矩阵,可通过拉格朗日数乘法进行计算,最终为 中最大特
征值对应的特征向量求解过程。
实施例中,通过归一化相关系数规模匹配分数计算静脉特征之间的相似度。其中,相似度的
计算公式为:
本实施例中,如果NCC接近1,这意味着两个指静脉图像可能是相同的;否则,这两个图像有
可能不同。
100%,等错误率达到零,这与现有技术的保护方法相同。在差的情况,该保护方法的识别率
和等错误率相比于现有的保护方法有明显的提高,这是因为本实施例的保护方法同时考虑
指静脉的方向信息和弯曲度,能够更好的匹配指静脉图像中的线特征,因此具有较低的等
错误率,而且性能更加稳定有效。
线性变换过程相当于将原始特征矩阵通过投影到新的子空间来保证初步的不可逆。在这样
的条件下,即使攻击者获得了真实用户的令牌和可取消模板,非法用户也很难从低维矩阵
恢复到原始的特征矩阵。本实施例将降维后的特征矩阵与随机矩阵相结合的过程相当于图
像加盐,特征向量的降维后特征维数是未知数,而且随机矩阵有多个向量,即仅仅有少于未
知数个数的等式,这样求出来的方程组的解有无穷多个,因此,很难直接通过伪随机数恢复
受保护的模板。本实施例使用基于改进的典型相关分析,在生成两个方向的可取消模板后,
通过融合这两个方向的特征模板使得融合后的特征模板进一步增加不可逆性。
并重新换用户令牌。由于每次重新发布模板使用更换后的用户令牌生成的随机矩阵都是不
同的,因此得到可取消模板也是不同的。而本实施例重新发布一个新的模板,每次新产生的
可取消模板都可以尽量避免落入用户原始模板所在的区域,从而保证新发布的模板的安全
性。
信息时使用的令牌都是不同的,使得用户每次通过令牌生成的随机矩阵也是不同的,因此
发布的可取消模板和指静脉特征信息相关联,但又有一定的区别。因此,当攻击者得到真实
用户的可取消模板和令牌,即使可以获得一个应用程序的模板也不能用于其他应用程序,
从而既保证了生物模板的安全性,也增加了可取消模板的多样性。
实施例通过在识别性能、多样性、撤销/可重用性、不可逆性四个方面说明。
随机位生成器生成token。在不同用户、不同应用有不同的token。差的情况是指,所有用户
有相同的token。在好的情况下,识别率100%,等错误率达到零,所有和biohash相关的改进
方法的识别率和等错误率和本实施例都一致,因此不对好的情况做分析。对于差的情况,本
实施例提出的方法的识别率和等错误率相比于其他方法更好。实验结果如表1、表2所示。
PG‑Gabor 0.45 1.35
PG‑ASAVE 0.43 1.1
RD ‑‑ 1.10
S2DPHC 16.52 10.31
Proposed method 0.1042 0.3747
息,指静脉图像中的边缘信息不是那么突出,因此性能受到限制。WLBP对光照较敏感,影响
识别效果。LWLD方法对指静脉图像进行了线性滤波,并在其基础上构造线韦伯特征直方图,
有效地提高了识别性能。LTP方法等错误率都比较高,由于该方法只考虑了像素的灰度值,
无法有效的克服光照影响。本实施例的方法考虑了指静脉的方向和弯曲度,能够更好的匹
配指静脉图像中的线特征,达到了很好的效果。表2,前三组数据来源于可取消特征融合方
法的可取消指静脉结果。主要比较在经过特征处理及不可逆转换后,方法性能对比。其中,
S2DPHC,因为仅经过Gabor滤波器提取四个方向特征的融合,不能很好的刻画指静脉的方向
特征,且经过随机矩阵变换模板,不可逆性较弱,因而EER较高。本实施例的方法有较低的等
错误率,相比于其他方法更稳定有效。
绍了可取消模板的Genuine‑impostor match分布情况。由于数据库中的指静脉存在平移,
形变,旋转和模糊等问题,虽然真匹配分数和假匹配分数的分布独立。但是存在较小的相交
区域,整体性能较好。
两张图中可以看出,本实施例的保护方法达到了较低的等错误率有很好的稳定性。
特征矩阵通过投影到新的子空间来保证初步的不可逆。在这样的条件下,即使攻击者获得
了真实用户的token和可取消模板,非法用户也很难从低维矩阵恢复到原始的特征矩阵。2)
将降维后的特征矩阵与随机矩阵相结合的过程相当于图像加盐,特征向量的降维后特征维
数为m,即m个数字是未知的,随机矩阵有n个向量即仅仅有n个等式,且n<m,这样求出来的
方程组的解有无穷多个。因此,很难直接通过PRN恢复受保护的模板。3)使用基于改进的典
型相关分析,在生成两个方向的可取消模板后,通过融合这两个方向的特征模板使得融合
后的特征模板增加不可逆性。
生成的随机矩阵都是不同的,因此得到可取消模板也是不同的。系统通过本实施例重新发
布一个新的模板,每次新产生的可取消模板都可以尽量避免落入用户原始模板所在的区
域,从而保证新发布的模板的安全性。
机矩阵也是不同的,因此发布的可取消模板和指静脉特征信息相关联,但又有一定的区别。
因此当攻击者得到真实用户的可取消模板和token,即使可以获得一个应用程序的模板也
不能用于其他应用程序,因而既保证了生物模板的安全性也说明了可取消模板的多样性。
另外,特征提取采用了双可变曲率gabor滤波器,该滤波器同时考虑方向信息和弯曲程度很
好的反映了纹理结构,对旋转和平移更鲁棒。在Poly_U和SDUMLA‑FV指静脉数据库上的实验
结果表明,本实施例在两个数据库相比于其他方法都有更好的表现。
板的保护装置包括特征提取模块、可取消模板生成模块以及匹配识别单元。
征单元。差分激励单元用于将指静脉图像中各邻域差分根据方向角进行映射,获取差分激
励图。双可变曲率滤波器单元用于根据静脉样本,判断指静脉方向,并计算指静脉方向的弯
曲度,以获取双可变曲率的两个几何特征图。提取特征单元用于将差分激励图分别与两个
几何特征图构建联合分布二维特征,并分别获取两个联合分布二维特征图,获得两个方向
得特征矩阵。
维单元用于对两个特征矩阵进行PCA降维,获取特征向量。随机数生成单元用于通过用户令
牌生成一组随机数向量,获取随机矩阵。模板生成单元用于先将每个方向上的特征向量联
合成一个特征矩阵,再将特征向量与随机矩阵的列向量进行内积运算,生成对应方向上的
模板,获取最大和次大方向上的可取消模板。融合生成单元用于先将不同方向上的可取消
模板投影至同一个子空间进行融合,再在不同方向上的可取消模板之间建立目标函数,并
生成指静脉可取消模板。
本进行分类。
的保护方法的步骤。
等。实施例1的方法也可以设计成嵌入式运行的程序,安装在计算机终端上,如安装在单片
机上。
在触发启动整个方法的程序。