張雪鋒,常振會(huì),張俊杰,王超飛

(1.西安郵電大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院,陜西 西安 710121; 2.西安郵電大學(xué) 通信與信息工程學(xué)院,陜西 西安 710121)

隨著互聯(lián)網(wǎng)與信息技術(shù)的快速發(fā)展,信息安全問題[1-3]日益凸顯,現(xiàn)已成為當(dāng)前信息技術(shù)的重要研究方向之一。在眾多的信息安全技術(shù)中,身份識(shí)別作為保護(hù)信息系統(tǒng)安全和實(shí)現(xiàn)訪問控制的基礎(chǔ),是當(dāng)前信息安全領(lǐng)域的一個(gè)研究熱點(diǎn),已被廣泛應(yīng)用于機(jī)場(chǎng)安檢、在線支付和手機(jī)訪問控制等日常生活的各個(gè)方面[4-5]。傳統(tǒng)的身份識(shí)別方法分為兩類,一類是通過證件、鑰匙和身份證識(shí)別個(gè)人身份,另一類是通過密碼和個(gè)人身份識(shí)別碼(Personal Identification Number,PIN)識(shí)別,這兩類方法均存在諸如證件丟失、忘記密碼等缺點(diǎn)[6]。生物特征具有無需記憶、唯一性和長(zhǎng)時(shí)間保持不變等特點(diǎn),有效解決了傳統(tǒng)身份識(shí)別方法的缺點(diǎn)。如指紋普遍性高、易于采集和穩(wěn)定性好,可應(yīng)用于指紋打卡、手機(jī)指紋解鎖和門禁解鎖等識(shí)別系統(tǒng)中。虹膜穩(wěn)定性高、獨(dú)特性強(qiáng)和不易更改,可應(yīng)用于刑偵、機(jī)場(chǎng)安檢及銀行高端安全安保等場(chǎng)合。因此,近年來基于生物特征的識(shí)別技術(shù)得到了快速發(fā)展和廣泛應(yīng)用。

單模態(tài)生物特征識(shí)別技術(shù)[7-10]依賴于單一的生物特征,存在特征的顯著性低、獲取難、處理誤差大和特征不可用等缺點(diǎn),會(huì)影響識(shí)別精度。通過采集多種生物特征,可使識(shí)別過程具備更豐富的有效識(shí)別信息,從而提高識(shí)別性能,增強(qiáng)系統(tǒng)的安全性和可靠性[11]。多模態(tài)生物特征識(shí)別[12-13]是整合多種人體生物特征進(jìn)行身份識(shí)別的技術(shù),與單模態(tài)生物特征相比,其具有更加可靠的識(shí)別性能,而且使得對(duì)生物特征的偽造和復(fù)制變得更加困難,提高了系統(tǒng)的安全級(jí)別。另外,多模態(tài)生物特征識(shí)別具有更廣的適用性,有效避免了因先天或后天等原因造成不能充分利用生物特征進(jìn)行識(shí)別的問題?；诤缒ず椭讣y特征的多模態(tài)生物識(shí)別系統(tǒng)[14]先采用頻率的方法對(duì)提取的指紋和虹膜特征進(jìn)行融合,生成齊次的生物特征向量,再利用漢明距離對(duì)融合后的特征向量進(jìn)行匹配。雖然該方法取得了良好的識(shí)別率,但是其并沒有關(guān)注到融合特征的高維性。Yik-Herng等[15]提出了一種多模態(tài)生物特征融合方法,通過使用索引優(yōu)先哈希和整數(shù)值映射策略生成可撤銷生物模板,并在此基礎(chǔ)上采用加權(quán)特征級(jí)融合的方式對(duì)指紋和虹膜進(jìn)行實(shí)驗(yàn)。該方法能夠有效防范系統(tǒng)受到的潛在隱私攻擊,但是識(shí)別性能較差,比單一虹膜特征生物的識(shí)別率低?；谥讣y和掌紋特征融合的可撤銷模板保護(hù)算法[16]利用Gabor濾波器分別對(duì)預(yù)處理后的指紋圖像和掌紋圖像進(jìn)行紋理特征提取,并將融合后的特征向量投影到用戶PIN碼生成的正交矩陣中,得到一個(gè)可撤銷的融合特征模板,提高了身份認(rèn)證系統(tǒng)的識(shí)別率,但指紋和掌紋圖像的紋理特征非常相似,安全性問題仍需考慮?；谔卣魅诤系目沙蜂N模板保護(hù)方法[17]將指紋與手指靜脈特征相結(jié)合,對(duì)融合后的特征向量進(jìn)行隨機(jī)置亂和離散傅里葉變換(Discrete Fourier Transform,DFT)操作,通過部分Hadamard變換生成可撤銷的多模態(tài)生物特征模板,該方法滿足不可逆和可撤銷特性,具有較好的認(rèn)證性能和安全性,但該方法僅采用隨機(jī)置亂和DFT運(yùn)算進(jìn)行特征提取,對(duì)信息的挖掘并不充分。Tajinder等[18]設(shè)計(jì)了一個(gè)指紋和虹膜的多生物特征級(jí)別融合系統(tǒng)用于身份驗(yàn)證。該系統(tǒng)先采用Gabor濾波器提取指紋特征,利用加速穩(wěn)健特征(Speed up Robust Feature,SURF)算法提取虹膜特征,然后通過鯨魚優(yōu)化算法對(duì)提取的指紋和虹膜特征進(jìn)行優(yōu)化,最后通過人工神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。雖然該系統(tǒng)具有較好的安全性和良好的識(shí)別率,但是沒有對(duì)生物特征模板進(jìn)行可撤銷性分析?；贐io-hashing的指紋模板保護(hù)算法[19]首先提取指紋圖像特征,然后將提取后的特征向量在量化過程中變成特征矩陣,最后生成指紋模板。相較于上述的多模態(tài)生物識(shí)別系統(tǒng),該方法在安全性和識(shí)別精度上略顯不足。

在多模態(tài)生物識(shí)別系統(tǒng)中,生物特征模板包含一個(gè)人的多種特征信息,其安全性至關(guān)重要?？沙蜂N生物模板保護(hù)是一種重要的模板保護(hù)方法[20],可以對(duì)生物特征數(shù)據(jù)進(jìn)行不可逆變換,生成一個(gè)可撤銷的模板。一旦用戶模板被泄露,通過更改用戶密鑰可以創(chuàng)建與原始模板完全不同的新模板,即使犯罪分子獲得了原有的模板信息,也無法從中恢復(fù)用戶的原始特征,很大程度上提高了用戶生物特征信息的安全性。因此,擬提出一種基于指紋和虹膜特征融合的可撤銷特征模板保護(hù)方法。該方法采用t分布隨機(jī)近鄰嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)方法對(duì)生物特征進(jìn)行串聯(lián)融合和降維處理,然后對(duì)融合后的多模態(tài)特征進(jìn)行隨機(jī)索引置亂和小波變換等操作,進(jìn)一步提取特征,從而增強(qiáng)模板的安全性和識(shí)別率。

1 可撤銷特征模板保護(hù)方法

基于指紋和虹膜特征融合的可撤銷特征模板保護(hù)方法主要分為注冊(cè)和認(rèn)證兩個(gè)階段。在注冊(cè)階段,首先對(duì)指紋和虹膜圖像進(jìn)行預(yù)處理,提取其特征。然后將提取的特征向量串聯(lián)融合,并采用t-SNE對(duì)融合后的特征向量進(jìn)行降維處理,再進(jìn)行隨機(jī)索引置亂、小波變換和DFT運(yùn)算等操作。最后通過部分Hadamard變換生成可撤銷的生物特征模板。在認(rèn)證階段,對(duì)指紋和虹膜圖像進(jìn)行相同的操作和變換生成認(rèn)證模板,計(jì)算兩個(gè)模板之間的相似度得分,得到最終的匹配結(jié)果?？沙蜂N特征模板保護(hù)方法具體過程如圖1所示。

圖1 可撤銷特征模板保護(hù)方法具體過程

1.1 預(yù)處理和特征提取

1.1.1 指紋預(yù)處理和特征提取

進(jìn)行指紋預(yù)處理和特征提取時(shí),先采用直方圖均衡化和快速傅里葉變換對(duì)指紋圖像進(jìn)行圖像增強(qiáng),然后通過基于Gabor濾波的指紋特征提取方法對(duì)預(yù)處理后的指紋進(jìn)行特征提取,具體步驟如下。

步驟1確定指紋圖像的參考點(diǎn)和感興趣區(qū)域(Region of Interest,ROI)。

步驟2根據(jù)選取的不同的參考點(diǎn)將ROI劃分為扇區(qū)。

步驟3應(yīng)用Gabor濾波器在8個(gè)不同方向進(jìn)行濾波。

步驟4計(jì)算濾波圖像中各個(gè)扇區(qū)的灰度值與均值的平均絕對(duì)偏差,定義特征向量或指碼。

為了避免指紋和虹膜特征融合時(shí)類型不兼容的問題,采用Bio-hashing算法[21]將提取的指紋特征實(shí)值轉(zhuǎn)換成二進(jìn)制比特串。

1.1.2 虹膜預(yù)處理和特征提取

虹膜圖像中包含眼瞼、瞳孔和鏡面反射等對(duì)特征提取不利的部位信息。因此,在虹膜識(shí)別前預(yù)處理和特征提取主要包括3個(gè)部分:1)虹膜分割,在眼睛圖像中定位虹膜區(qū)域;2)虹膜歸一化,創(chuàng)建一個(gè)維度一致的虹膜區(qū)域;3)虹膜特征編碼,創(chuàng)建只包含虹膜最具有識(shí)別力的特征編碼。虹膜處理具體過程示意圖如圖2所示。

圖2 虹膜處理過程

特征編碼是從虹膜圖像中提取潛在的生物特征信息,并生成匹配的二值虹膜模板。通過一維Log-Gabor濾波器,將二維歸一化圖像分解為若干個(gè)一維信號(hào),并將其與一維Gabor小波進(jìn)行卷積,生成虹膜特征集。該一維Log-Gabor濾波器在對(duì)數(shù)尺度上服從高斯分布,用于在任何帶寬下產(chǎn)生零直流分量,其計(jì)算表達(dá)式為

(1)

式中:f為頻率變量;fo為中心頻率;α為濾波器的帶寬。該濾波器通過計(jì)算其中心頻率和頻率平面中心到歸一化半徑等徑向?yàn)V波分量構(gòu)造特征,并對(duì)特征進(jìn)行相位量化和編碼,從而生成二進(jìn)制虹膜模板。

1.2 串聯(lián)融合

將提取的指紋特征向量與虹膜特征向量進(jìn)行拼接,即串聯(lián)融合。假設(shè)融合后的特征向量為B,考慮到其維數(shù)較高,存在信息冗余,因此采用t-SNE方法對(duì)其進(jìn)行降維處理,將降維后的融合特征向量記為B′。t-SNE方法的核心思想是保證在低維空間的數(shù)據(jù)分布與原始特征空間分布的相似性高[22]。與其他降維算法相比,t-SNE方法創(chuàng)建了一個(gè)縮小的特征空間,相似的樣本由附近的點(diǎn)建模,不相似的樣本由高概率的遠(yuǎn)點(diǎn)建模,且t-SNE是少數(shù)可以同時(shí)考慮數(shù)據(jù)局部與全局關(guān)系的方法,其在高維空間中采用高斯核心函數(shù)定義了數(shù)據(jù)的局部和全局結(jié)構(gòu)之間的軟邊界。此外,t-SNE方法可以根據(jù)數(shù)據(jù)的局部密度分別確定每個(gè)數(shù)據(jù)點(diǎn)的局部領(lǐng)域大小。

利用t-SNE方法降維處理,是先計(jì)算高維數(shù)據(jù)點(diǎn)之間的相似度,構(gòu)建初始空間的條件概率分布。然后在投影空間構(gòu)建低維條件概率分布,并最小化這兩個(gè)概率分布之間的差異。初始空間中的概率定義[23]為

(2)

其中,

(3)

式中:xi和xj分別為任意兩個(gè)原始高維數(shù)據(jù)點(diǎn);xk為除了xi之外的任意原始高維數(shù)據(jù)點(diǎn);m為設(shè)定的低維空間的維度;σi為以數(shù)據(jù)點(diǎn)xi為中心的正態(tài)分布的方差,由二分搜索法計(jì)算獲得。

在投影空間中,引入t分布,其概率表示為

(4)

式中:yi和yj分別為降維后的數(shù)據(jù)點(diǎn),即投影點(diǎn);yk和yl為除了yi和yj之外的任意投影點(diǎn)。

在獲得投影點(diǎn)yi后,利用長(zhǎng)尾分布避免擁擠問題,使得pij和qij之間的差異變小。為了滿足pij=qij,對(duì)于高維空間中相距較近的點(diǎn),低維空間中的距離需要稍小一點(diǎn),而對(duì)于高維空間中相距較遠(yuǎn)的點(diǎn),低維空間中的距離需要更遠(yuǎn),這樣便使得距離較近的同一簇內(nèi)的點(diǎn)聚合更緊密,距離較遠(yuǎn)的不同簇之間的點(diǎn)更加疏遠(yuǎn)。

為了應(yīng)對(duì)t-SNE方法在大規(guī)模計(jì)算或數(shù)據(jù)中訓(xùn)練慢的問題,引用主成分分析(Principal Component Analysis,PCA)代替t-SNE方法中的隨機(jī)初始化步驟,提高算法效率。同時(shí),針對(duì)t-SNE方法的結(jié)果具有一定的隨機(jī)性,采用PCA初始化的方式進(jìn)一步增強(qiáng)降維結(jié)果的魯棒性。

1.3 隨機(jī)索引置亂、小波變換和DFT運(yùn)算

對(duì)降維后的特征向量B′分別進(jìn)行隨機(jī)索引置亂、小波變換和DFT運(yùn)算,進(jìn)一步提高生成模板的安全性和不可逆性。

隨機(jī)索引置亂是先生成需要的隨機(jī)數(shù),并對(duì)其進(jìn)行隨機(jī)排序,得到一個(gè)亂序的索引。然后根據(jù)索引將降維后的特征向量B′重新排序,得到新的特征向量Z,擴(kuò)充密鑰空間。將小波變換應(yīng)用于該特征向量Z,選取合適的濾波器,獲得小波變換后的特征向量Z′,極大地減小或去除所提取的不同特征之間的相關(guān)性。與傳統(tǒng)的傅里葉變換相比,小波變換的優(yōu)勢(shì)在于其頻率數(shù)據(jù)是局部化的,允許出現(xiàn)在相同位置和分辨率的特征進(jìn)行匹配。當(dāng)小波變換應(yīng)用于二維虹膜區(qū)域時(shí),每個(gè)分辨率對(duì)應(yīng)的小波都是基函數(shù)的縮放版本。

隨機(jī)索引置亂后的特征向量Z只包含0和1,如果直接對(duì)其進(jìn)行操作,可能會(huì)減少搜索空間,降低安全性,特別是在元素稀疏分布的情況下。為了解決這一問題,首先對(duì)特征向量Z進(jìn)行Haar小波變換獲得特征向量Z′,然后再進(jìn)行N1點(diǎn)DFT變換得到變換后的特征向量F,其中N1=2n。變換的具體過程為

F=Z′U

(5)

其中,

Z′=[D(0),D(1),…,D(N1-1)]T

式中,W=e-j2π/N1。

通過小波變換和DFT變換,使F不再是稀疏分布,且矩陣U是酉矩陣,酉矩陣的變換為不可逆變換。因此,經(jīng)過DFT變換后的特征可以進(jìn)一步提高生物特征模板的安全性和不可逆性。

1.4 可撤銷模板生成

Hadamard變換是一個(gè)非正弦的正交變換,由Walsh函數(shù)組成。Walsh函數(shù)的振幅只有+1或-1兩個(gè)值,因此Hadamard變換后是實(shí)數(shù),且有部分性質(zhì)與離散傅里葉變換類似,在圖像處理方面,可以降低算法的復(fù)雜度,節(jié)省計(jì)算時(shí)間。

Hadamard矩陣定義元素為±1,且行向量是成對(duì)正交的。當(dāng)m是2的冪次時(shí),遞歸構(gòu)造N×N的Hadamard矩陣為

(6)

考慮到Hadamard矩陣是對(duì)稱且正交的,則有

(7)

式中,IN為N×N單位矩陣。

(8)

1.5 模板匹配

基于指紋和虹膜特征融合的可撤銷模板保護(hù)方法的匹配過程分為注冊(cè)和認(rèn)證兩個(gè)階段。定義φR為注冊(cè)階段的存儲(chǔ)模板,φA為認(rèn)證階段的查詢模板,φR和φA之間的距離表達(dá)式為

(9)

式中,‖·‖2表示2-范數(shù)。

存儲(chǔ)模板和查詢模板之間的歸一化匹配分?jǐn)?shù),即相似度分?jǐn)?shù)的表達(dá)式為

(10)

相似度分?jǐn)?shù)S(φR,φA)的范圍為[0,1],其值代表了存儲(chǔ)模板和查詢模板的相似程度,1表示最相似,0表示最不相似,數(shù)值越大,兩個(gè)模板的相似程度越高,反之亦然。

2 實(shí)驗(yàn)仿真及結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證基于指紋和虹膜特征融合的可撤銷模板保護(hù)方法的有效性,使用Matlab R2018b在CPU為Inter Core i5,處理器為2.11 GHz和內(nèi)存為16 GB的開發(fā)環(huán)境下進(jìn)行相關(guān)實(shí)驗(yàn)。實(shí)驗(yàn)使用的數(shù)據(jù)庫為公開的指紋數(shù)據(jù)庫FVC2002 DB1、FVC2002 DB2和中國(guó)科學(xué)院自動(dòng)化研究所(Institute of Automation of the Chinese Academy of Sciences,CASIA)虹膜圖像數(shù)據(jù)庫CASIA Iris。在指紋數(shù)據(jù)庫中,由于部分指紋沒有中心點(diǎn),圖像質(zhì)量差,因此在兩個(gè)指紋數(shù)據(jù)庫中分別選取含有中心點(diǎn)的50個(gè)手指的指紋圖像,每個(gè)手指取兩幅指紋圖像。在CASIA Iris數(shù)據(jù)庫中,由于部分虹膜沒有或只有一張圖像,因此選取225個(gè)人的虹膜圖像,每個(gè)虹膜取兩幅圖像,分為5組樣本,第一組50個(gè),第二組45個(gè),第三組45個(gè),第四組45個(gè),第五組40個(gè)。將選取的指紋樣本分別與5組虹膜樣本組合,指紋圖像和虹膜圖像示例如圖3所示。

2.2 認(rèn)證性能分析

采用誤識(shí)率(False Accept Rate,FAR)、誤拒率(False Refuse Rate,FRR)、等錯(cuò)誤率(Equal Error Rate,EER)和正確接受率(Gennine Accept Rate,GAR)作為性能指標(biāo)。FAR是將兩個(gè)不同手指的生物特征數(shù)據(jù)誤認(rèn)為來自同一個(gè)手指的概率。FRR是將同一手指的兩個(gè)生物特征數(shù)據(jù)誤認(rèn)為來自兩個(gè)不同手指的概率,且FRR+GAR=1。EER是指在FAR和FRR相等情況下的錯(cuò)誤率,ERR值越小,系統(tǒng)認(rèn)證性能越好。這些性能指標(biāo)的值可以從真匹配和假匹配實(shí)驗(yàn)中獲得。

2.2.1 真假匹配分布分析

指紋和虹膜分別在用戶密鑰安全和泄露兩種情況下進(jìn)行真假匹配實(shí)驗(yàn),結(jié)果分別如圖4和圖5所示。為了便于表述,將FVC2002 DB1數(shù)據(jù)庫、FVC2002 DB2數(shù)據(jù)庫和CASIA Iris數(shù)據(jù)庫分別簡(jiǎn)稱為DB1、DB2和Iris,并將FVC2002 DB1+CASIA Iris數(shù)據(jù)庫和FVC2002 DB2+CASIA Iris數(shù)據(jù)庫分別簡(jiǎn)稱為DB1+Iris和DB2+Iris。在真匹配實(shí)驗(yàn)中,分別提取指紋和虹膜的第一幅圖像的特征向量進(jìn)行融合,然后經(jīng)過t-SNE降維及其他一系列變換進(jìn)一步提取特征,最后通過部分Hadamard變換生成模板,作為存儲(chǔ)模板。在指紋和虹膜的第二幅圖像上進(jìn)行類似上述的操作,將生成的模板作為查詢模板。在假匹配實(shí)驗(yàn)中,將指紋和虹膜的第一幅圖像作為存儲(chǔ)模板,剩余指紋和虹膜的圖像作為查詢模板。將所提方法在用戶密鑰安全和泄漏情況下進(jìn)行評(píng)估,密鑰安全意味著給每個(gè)用戶分配一個(gè)唯一的密鑰(不同的PIN碼),密鑰泄漏意味著使用由相同PIN碼生成的矩陣進(jìn)行驗(yàn)證。

圖5 用戶密鑰泄露時(shí)真假匹配分布

由圖4可以看出,當(dāng)用戶秘鑰安全時(shí),真匹配分?jǐn)?shù)分布區(qū)域?yàn)?0.8,1),而假匹配分?jǐn)?shù)分布區(qū)域?yàn)?0.2,0.4),兩個(gè)分?jǐn)?shù)區(qū)域明顯不在同一范圍內(nèi),證明所提方法具有良好的認(rèn)證性能。

由圖5可以看出,在用戶密鑰泄露的情況下,真匹配分?jǐn)?shù)分布區(qū)域和假匹配分?jǐn)?shù)分布區(qū)域仍然為(0.8,1)和(0.2,0.4),且兩個(gè)區(qū)域間隔很遠(yuǎn),沒有重疊,證明即使密鑰泄露,所提方法依然能夠準(zhǔn)確地識(shí)別真假用戶。

當(dāng)用戶密鑰泄漏時(shí),指紋和虹膜特征融合后的EER曲線如圖6所示。觀察可知,誤識(shí)率和誤拒率在大部分情況下均為0值,說明所提方法將負(fù)樣本錯(cuò)誤地分類為正樣本的比例,以及將正樣本錯(cuò)誤地分類為負(fù)樣本的比例非常小。因此,所提方法具有較好的識(shí)別性。

圖6 用戶密鑰泄露時(shí)EER曲線

2.2.2 對(duì)比實(shí)驗(yàn)

考慮到t-SNE降維方法具有一定的不穩(wěn)定性,因此分別將50、45、45、45和40等5組樣本進(jìn)行10次實(shí)驗(yàn),5組樣本在密鑰泄露時(shí)的EER如表1所示。

表1 用戶密鑰泄露時(shí)5組樣本的EER/%

可以看出,實(shí)驗(yàn)多次得到的EER為0,但是由于t-SNE降維方法具有一定的不穩(wěn)定性,所以部分EER不為0,5組實(shí)驗(yàn)得到的DB1+Iris特征融合的EER均值為0.52%,DB2+Iris特征融合的EER均值為0.49%,這表明在密鑰泄露時(shí)所提方法具有較好的識(shí)別率。

為了進(jìn)一步分析所提方法的識(shí)別性能,分別對(duì)比不同模板保護(hù)方法在秘鑰泄露時(shí)的EER,結(jié)果如表2所示,其中Finger vein和Palmprint分別表示指靜脈和掌紋數(shù)據(jù)庫。

表2 不同方法的EER/%

從表2中可以看出,在單模態(tài)生物特征模板保護(hù)方法中,文獻(xiàn)[8]和文獻(xiàn)[19]方法在DB1和DB2數(shù)據(jù)庫的EER值分別為2.00%、2.30%和2.84%、3.38%,文獻(xiàn)[15]在DB2數(shù)據(jù)庫的EER值為0.93%。在多模態(tài)生物特征模板保護(hù)方法中,文獻(xiàn)[14-17]方法的EER值分別為2.36%、0.80%、4.38%和1.27%。所提方法在單一生物特征數(shù)據(jù)庫DB1、DB2和虹膜數(shù)據(jù)庫的EER值分別為2.95%、3.03%和2.83%,而在多模態(tài)生物特征DB1、DB2與虹膜融合后的EER均值分別為0.52%和0.49%。與上述單一生物特征模板保護(hù)方法、多生物特征模板保護(hù)方法,以及所提方法在單一生物特征模板的EER值相比,所提方法在多生物特征融合后得到的EER值均小于其他EER值, EER的值越小,識(shí)別性能越好。因此,所提方法較其他模板保護(hù)方法具有明顯的優(yōu)勢(shì)和更好的識(shí)別性能。

文獻(xiàn)[16]方法、文獻(xiàn)[17]方法、文獻(xiàn)[19]方法和所提方法在用戶密鑰泄露時(shí)的受試者工作特征(Receiver Operating Characteristic,ROC)曲線如圖7所示。ROC曲線越接近1,表明識(shí)別性能越好。

圖7 不同方法的ROC曲線

從圖7中可以看出,所提方法的ROC曲線更接近于坐標(biāo)軸,說明該方法的識(shí)別性能優(yōu)于其他特征模板保護(hù)方法。

2.3 可撤銷性分析

圖8 兩種數(shù)據(jù)庫的假匹配和偽假匹配分布

由圖8可知,偽假匹配分布與秘鑰安全時(shí)的假匹配分布十分相似。因此,當(dāng)用戶密鑰泄露或者模板被盜后,用戶可以通過更換密鑰或PIN碼生成新的轉(zhuǎn)換模板,滿足特征模板的可撤銷性。

2.4 安全性分析

對(duì)于可撤銷的生物特征模板保護(hù)系統(tǒng),其安全標(biāo)準(zhǔn)是攻擊者能否從生成的融合后的模板中恢復(fù)原始生物特征信息。所提方法的生成模板首先采用不同的方法對(duì)指紋和虹膜圖像進(jìn)行特征提取,將提取的指紋與虹膜紋理特征進(jìn)行串聯(lián)融合,然后對(duì)融合后的特征向量進(jìn)行t-SNE降維處理,有效地覆蓋了原始指紋和虹膜的特征信息。即使攻擊者知道指紋或虹膜的信息,也很難從中恢復(fù)出原始特征信息,且無法通過系統(tǒng)認(rèn)證。其次,通過對(duì)融合后的向量進(jìn)行隨機(jī)索引置亂、小波變換和DFT運(yùn)算,將線性系統(tǒng)與非線性系統(tǒng)相結(jié)合,提高了模板的安全性,實(shí)現(xiàn)了模板的不可逆性。最后,再將模板與部分Hadamard變換結(jié)合,生成可撤銷生物特征模板,進(jìn)一步提高了系統(tǒng)的安全性。實(shí)驗(yàn)仿真結(jié)果表明,即使攻擊者獲得用戶密鑰,系統(tǒng)認(rèn)證成功的概率也很低,證明了該方法生成的模板具有良好的安全性能。

3 結(jié)語

基于指紋和虹膜特征融合的可撤銷模板保護(hù)方法先對(duì)指紋圖像和虹膜圖像進(jìn)行特征提取,并將其串聯(lián)融合,采用t-SNE對(duì)融合后的特征向量進(jìn)行降維處理。然后對(duì)降維后的特征向量進(jìn)行隨機(jī)索引置亂、小波變換和DFT運(yùn)算,擴(kuò)大密鑰空間的同時(shí),保證了其不可逆性。最后,將經(jīng)過一系列變換的特征向量與部分Hadamard變換結(jié)合,生成可撤銷生物特征模板。實(shí)驗(yàn)結(jié)果表明,所提方法比單一生物特征模板具有更好的安全性和識(shí)別能力,滿足模板的不可逆性和可撤銷性。