CN101674299A - 基于加密域多特征融合的密钥生成方法 - Google Patents

Abstract

本发明提供了一种基于加密域多特征融合的密钥生成方法，直接利用指纹信息来生成密钥。在密钥生成时用户只提供指纹图像和随机选取一个用于生成Biocode的随机数，通过加密域融合方式对指纹向量特征和集合特征进行变换，获得适用于密钥生成的生物特征表达，并用其生成稳定、安全、可行的密钥。在密钥恢复时，用户同样提供指纹图像以及注册用的随机数，当且仅当经过加密域特征匹配后的解锁集合与注册集合的交集足够大时，才能正确计算恢复出原始密钥，由于使用了加密域多特征融合，在保护指纹模板安全的同时通过融合增加了系统的安全性以及识别性能，因为只使用了指纹特征，相对于其他多模态生物特征融合的密钥生成方法更加的实用便捷。

Description

基于加密域多特征融合的密钥生成方法

技术领域

本发明涉及信息安全与生物特征识别技术领域，特别涉及一种基于加密域多特征融合的密钥生成方法，具体是一种基于加密域指纹向量特征与指纹集合特征融合的密钥生成方法。

背景技术

随着信息时代的到来，日益突出的信息安全隐患，逐渐成为当今社会的热点。一个健全的信息安全体制越来越受人们的期待，而密钥是信息安全体制的核心。如何获得一个稳定、安全、可行的密钥就成为确保信息安全的关键所在。目前，关于密钥生成的理论和方法都不约而同的着眼于公开密钥的生成，其中比较有代表性的方法是生物特征加密。然而所谓结合生物特征的加密方式在解决了数字身份与物理身份统一问题的同时，又带来了新的安全问题：生物特征模板的安全。经过反复论证和不断地创新，最终生物特征加密趋向于多特征、多模态融合的生物特征加密技术。

基于生物特征融合的密钥生成方法是一种可以比较好的解决生物特征模板的安全性问题的方法。具有代表性的方法有：

2008年Karthik Nandakumar and Anil K.Jain发表在Biometrics：Theory，Applications，andSystems，IEEE International Conference上的Multibiometric Template Security Using Fuzzy Vault一文中提出的基于指纹细节点和虹膜特征融合的密钥生成方法：主要包含两个步骤：1)对指纹细节点模板进行不可逆变换，同样地，对虹膜向量特征进行不可逆变换，并将新得到的这两种变换后的特征进行特征级融合，得到融合特征向量；2)对得到的融合特征向量进行Fuzzy Vault操作，最后得到安全可靠的密钥。这一方法通过特征不可逆变换解决了生物特征模板安全问题。然而由于其对虹膜特征变换的复杂性以及两级Fuzzy Vaul复杂性和安全性问题，导致该方法不便于实际应用。

综上所述，目前在基于生物特征融合的密钥生成方法这一新兴领域，如何找到一种既确保安全又实际可行的特征融合方法和密钥生成方法是基于生物特征融合的密钥生成方法所面临的主要问题。

发明内容

本发明针对目前基于生物特征融合的密钥生成技术领域中，融合方式过于繁复以及受编码方式影响计算复杂度过高等问题，提出了一种基于加密域多特征融合的密钥生成方法。用来实现：将指纹向量特征与指纹集合特征在加密域融合，从而获得适用于密钥生成的生物特征表达，并将这一融合特征直接用于生成稳定、安全、可行的密钥。

本发明提供的一种基于加密域指纹向量特征与指纹集合特征融合的密钥生成方法，利用指纹的向量特征和集合特征在加密域进行互补融合，同时通过IJS算法和BCH算法的两级纠错来解决指纹的模糊性与密钥的精确性互相矛盾以及计算复杂度过高等问题，从而生成稳定、安全、可行的密钥；在解密时，也通过同样的方法得到相对应的密钥，比较两者的hash值或使用其他校验方式即完成加密解密过程。为了便于说明，本发明选择指纹Biocode特征来代表指纹向量特征的一种实现。

本发明的方法具体包括如下步骤：

1)指纹特征提取：提取用户指纹的定长向量特征和集合特征；

2)加密域特征融合与密钥生成：对注册指纹模板进行步骤1)操作，所得指纹集合特征与所得指纹向量特征在加密域融合，得到注册融合特征集合CSet，再通过对融合特征集合进行IJS_Sketch算法操作生成融合梗概数据CS，最后对CSet进行强随机提取操作得到密钥Key；

3)加密域特征匹配与密钥恢复：对查询指纹进行上述步骤1)中的特征提取操作，再经过一个加密域特征匹配操作，得到相应的解锁细节点集合QM和解锁向量特征QB，最后将QM和QB在加密域融合得到解锁特征集合QCSet，再将QCSet和上述2)中所得的CS进行IJS_Recover操作，当且仅当上述解锁特征集合与上述注册特征集合的交集足够大时才可以恢复原始的注册特征集合，即恢复出密钥Key。

1.上述步骤1)中指纹特征提取：

对用户指纹提取Biocode的具体步骤如下：

1.1)对用户提供的指纹图像进行WFMT操作，得到一个n×n维的矩阵特征X；

1.2)用户提供一个随机数K，由K生成一个随机单位正交矩阵A，再将上述1.1)X按行展开与矩阵A做内积得到矩阵X′；然后将上述所得X′按列展开后，同矩阵A做内积得到矩阵Y；

1.3)对上述1.2)中所得矩阵Y依照我们预先统计所得的统计阈值进行二值化操作，最终得到我们所需的Biocode。

对指纹细节点集合特征提取过程如下：

1.4)提取指纹细节点集合特征，并得到每一个细节点的质量估计。值得注意的是，所有提取细节点集合特征以及质量评估的方法都适用于本发明。

2.上述步骤2)中加密域特征融合与密钥生成的具体过程如下：

加密域特征融合过程：

2.1)对指纹模板进行上述步骤1操作，从得到指纹细节点特征集合中选取质量较好的MinuNum个细节点特征构成注册细节点集合EM，接着对EM添加足够多的杂凑点得到细节点梗概数据MS；

2.2)对步骤2.1)中的指纹模板进行指纹特征提取，对所得的指纹Biocode向量特征进行BCH梗概计算(VectorComputSketch)，得到Biocode梗概数据BS；

2.3)将步骤2.1)中所得的EM量化后与指纹特征提取所得Biocode合并，得到CSet，对得到的CSet进行IJS梗概生成(IJS_Sketch)操作得到融合梗概数据CS；

2.4)最后将上述2.1)步骤所得的MS、2.2)步骤所得的BS以及上述2.3)步骤中得到的CS保存在Smart Card中，即辅助数据(Help Data)。

密钥生成过程：

2.5)将上述2.3)步骤所得CSet进行强随机提取操作，生成密钥Key。

3.上述步骤3)中加密域特征匹配与恢复出密钥Key的具体步骤如下：

加密域特征匹配过程：

3.1)对用户提供的查询指纹图像进行步骤1)操作得到查询指纹细节点集合VM，并用VM和步骤2.1)中所得的MS经过过滤杂凑点得到解锁细节点集合QM；

上述过滤方式为：利用Help Data对准VM，然后计算VM与步骤2.1)中所得的MS之间的欧氏距离集合，并按从小到大的顺序排列，最后从中选取前MinuNum个距离大于最小距离MiniDis的MS解锁子集，即为解锁集合QM；

3.2)对上述3.1)中的查询指纹图像进行步骤1操作后，得到查询指纹Biocode向量VB，并对VB与上述2.2)中所得BS进行向量恢复(VectorRestore)操作，得到解锁Biocode向量QB；

密钥恢复过程如下：

3.3)将步骤3.1)中所得QM量化后与步骤3.2)中得到的QB合并，得到QCSet，并对QCSet和步骤2.3)中所得CS进行IJS梗概恢复(IJS_Recover)操作，如果恢复成功，则认为完全恢复了CSet，即可通过强随机提取器恢复出密钥Key，解密成功；否则，恢复不成功，解密失败。

本发明与现有技术相比较所具有的特点在于：

1.指纹多特征加密域内的融合，在保证生物特征模板安全的前提下，提高系统识别率；

2.密钥生成中引入多种特征，增加攻击者攻击的难度，即提高了系统安全性；

3.提出一个向量特征与集合特征在加密域融合的一般方法，任何一组满足这一条件的特征都适用于本发明。

附图说明

图1本发明基于加密域指纹向量特征与指纹集合特征融合的密钥生成过程示意图

图2本发明基于加密域指纹向量特征与指纹集合特征融合的密钥恢复过程示意图

名词解释：

Biocode：由Biohashing方法生成的指纹定长的向量特征；

BS：通过BCH梗概计算所得向量特征Biocode梗概数据；

CS：上述指纹向量特征Biocode与细节点集合特征融合后的融合梗概数据；

CSet：融合注册集合；

EM：注册指纹细节点集合特征；

IJS_Recover：IJS梗概恢复向量操作；

IJS_Sketch：IJS梗概计算操作；

MiniDis：判定指纹细节点足够区分的最小距离；

MinuNum：注册指纹细节点集合中指纹细节点的个数；

MS：添加随机杂凑点后的细节点梗概；

Numbits：Biocode向量分段数；

QB：解锁Biocode，由VB通过VectorRestore操作获得；

QCSet：融合解锁集合；

Secure Sketch：安全梗概集；

+：加密域特征融合；

VB：查询指纹Biocode；

VectorComputSketch：向量BCH梗概计算操作；

VectorRestore：BCH梗概恢复向量操作；

VM：查询指纹细节点集合；

WFMT：小波傅里叶-梅林变换；

具体实施方式

在具体实施方式中结合附图，将描述一个完整的基于加密域多特征融合的密钥生成、恢复流程。

本发明的基于加密域指纹向量特征与指纹集合特征融合的密钥生成方法，在进行密钥生成时，用户提供自己的指纹图像并随机选取一个用于生成Biocode的随机数，通过加密域融合的方式对指纹向量特征和集合特征进行变换，获得适用于密钥生成的生物特征表达，并用其生成稳定、安全、可行的密钥；在密钥恢复时，用户同样需要提供自己的指纹图像以及注册时所用的随机数，当且仅当经过加密域特征匹配后的解锁集合与注册集合的交集足够大时，正确计算恢复出原始密钥。

本发明指纹特征提取过程如下：

1)指纹特征提取：提取指纹图像的细节点集合特征和定长向量特征：

对用户指纹提取Biocode向量特征的具体步骤如下：

1.1)对用户提供的指纹图像进行WFMT操作，得到一个n×n维的矩阵特征X；

1.2)用户提供一个随机数K，由K生成m个随机向量r_i∈Rⁿ，i＝1，...，m，并将r_i∈Rⁿ，i＝1，...，m进行格兰施密特(Gram-Schmidt)正交化，得到正交化的向量or_i，i＝1，...，m，写成矩阵形式记为A，其中n为指纹特征向量的维数，m小于n，再将X按行展开与矩阵A做内积得到矩阵X′；然后再将X′按列展开与矩阵A做内积得到矩阵Y。

1.3)将上述1.2)中所得矩阵Y按照公式 ${\mathrm{\τ}}_i=\frac{1}{L}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{y_i}^k.$

(1)所得的统计阈值τ_i，i＝1，...，m²，按公式 $b_i=\left\{\begin{array}{ccc}0& \mathrm{if}& y_i\≤{\mathrm{\τ}}_i\\ 1& \mathrm{if}& y_i>{\mathrm{\τ}}_i\end{array}\right.,$ i＝1，2，...，m²，

(2)进行二值化，得到Biocode，由如下公式求得：

${\mathrm{\τ}}_i=\frac{1}{L}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{y_i}^k.---\left(1\right)$

$b_i=\left\{\begin{array}{ccc}0& \mathrm{if}& y_i\≤{\mathrm{\τ}}_i\\ 1& \mathrm{if}& y_i>{\mathrm{\τ}}_i\end{array}\right.,i=\mathrm{1,2},...,m^2---\left(2\right)$

上式中L为训练样本容量，y_i∈Y，i＝1，2，...，m²。

提取指纹细节点集合特征的过程如下：

1.4)提取指纹细节点集合特征，并得到每一个细节点的质量估计。本发明所用提取的是cubs特征。

参照图1，本发明的加密域特征融合与密钥生成过程如下：

2)加密域特征融合与密钥生成过程：对注册指纹模板进行步骤1)操作，所得指纹集合特征与所得指纹向量特征在加密域融合，得到注册融合特征集合CSet，再通过对融合特征集合进行IJS_Sketch算法操作生成融合梗概数据CS，最后对CSet进行强随机提取操作得到密钥Key；

在该过程中，输入信息为注册指纹图像、随机数K；输出为Smart card，其中包括MS、BS和CS。

加密域特征融合过程如下：

2.1)对用户指纹图像进行步骤1)操作获得指纹细节点特征集合，并在得到的细节点集合选取质量较好的MinuNum个细节点特征构成EM，接着对EM添加足够多的杂凑点得到MS；

2.2)对2.1)步骤中用户指纹图像进行步骤1)操作得到Biocode，并对生成的Biocode进行VectorComputSketch操作得到BS；

2.3)将上述2.1)中所得的EM量化成与上述1)中的Biocode有相同格式的向量，再与上述2.2)中所得Biocode合并，得到合并后的集合CSet，接着对得到的CSet进行IJS_Sketch操作得到CS。

2.4)最后将步骤2.1)中所得的MS和步骤2.2)中得到的BS以及步骤2.3)中得到的CS保存在Smart Card中，即辅助数据(Help Data)。

密钥生成过程如下：

2.5)将上述2.3)步骤中所得CSet进行强随机提取，生成密钥Key。

参照图2，本发明的加密域特征匹配与密钥恢复过程如下：

3)加密域特征匹配密钥恢复过程：对查询指纹进行上述步骤1)中的特征提取操作，再经过一个加密域特征匹配操作，得到相应的解锁细节点集合QM和解锁向量特征QB，最后将QM和QB在加密域融合得到解锁特征集合QCSet，再将QCSet和上述2)步骤中所得的CS进行IJS_Recover操作，当且仅当上述解锁特征集合与上述注册特征集合的交集足够大时才可以恢复原始的注册特征集合，即恢复出密钥Key。

在该过程中，输入信息为查询指纹原始图像、随机数K，Smart card；输出信息为当密钥成功恢复时为CSet，即恢复出密钥Key，而当恢复失败时返回恢复错误信息。

加密域特征匹配过程如下：

3.1)对用户查询指纹图像进行1)操作，获得细节点特征VM，并用VM和上述2.1)步骤中所得的MS进行过滤杂凑点操作得到QM；

上述过滤方式为：利用Help Data对准VM，然后计算VM与步骤2.1)中所得的MS之间的欧氏距离集合，并按从小到大的顺序排列，最后从其中选取前MinuNum个两两之间欧氏距离大于最小距离MiniDis相应的MS解锁子集，即为解锁集合QM；

3.2)对上述3.1)中的查询指纹图像进行1)操作得到VB，并对VB与上述2.2)中所得BS进行VectorRestore操作，得到QB；

密钥恢复过程如下：

3.3)将上述3.1)中所得QM量化后与上述3.2)中得到的QB合并，得到QCSet，并对QCSet和上述2.3)中所得CS进行IJS_Recover操作，如果恢复成功，则认为完全恢复了CSet，即可对恢复出的CSet进行强随机恢复操作获得密钥Key，解密成功；否则，恢复不成功，解密失败。

其恢复原则为：对于选定的阈值t，当且仅当解锁集合与注册集合的对称差小于t时，能够完全恢复出注册集合，并得其由它生成的密钥，否则解锁失败。

通过以上认证过程，实现了基于加密域指纹向量特征Biocode与细节点集合特征融合的密钥生成和恢复过程。

本发明所述的基于指纹向量特征与指纹集合特征在加密域融合的密钥生成和恢复方法并不仅限于说明书和实施方式中的描述。凡在本发明的精神和原则之内，所做的任何修改、同等替换、改进等，均包含在本发明的权利要求范围之内。

Claims (4)

1.一种基于加密域多特征融合的密钥生成方法，其特征在于：在进行密钥生成时，用户提供自己的指纹图像并随机选取一个用于生成Biocode的随机数，通过加密域融合的方式对指纹向量特征和集合特征进行变换，获得适用于密钥生成的生物特征表达，并用其生成稳定、安全、可行的密钥；在密钥恢复时，用户同样需要提供自己的指纹图像以及注册时所用的随机数，当且仅当经过加密域特征匹配后的解锁集合与注册集合的交集足够大时，正确计算恢复出原始密钥，所述密钥的生成和恢复过程包括如下步骤：

1)指纹特征提取：提取指纹图像的细节点集合特征和定长向量特征：

2)加密域特征融合与密钥生成：对注册指纹模板进行步骤1)操作，所得指纹集合特征与所得指纹向量特征在加密域融合，得到注册融合特征集合CSet，通过对融合特征集合进行IJS_Sketch算法操作生成融合梗概数据CS，再后对注册融合特征集合CSet进行强随机提取操作得到密钥Key；

3)加密域特征匹配与密钥恢复：对查询指纹进行步骤1)中的特征提取操作，经过加密域特征匹配操作，得到相应的解锁细节点集合QM和解锁向量特征QB，将QM和QB在加密域融合得到解锁特征集合QCSet，再将解锁特征集合QCSet与融合梗概数据CS进行IJS_Recover操作，当且仅当上述解锁特征集合与上述注册特征集合的交集足够大时才可以恢复原始的注册特征集合，即恢复出密钥Key。

2.根据权利要求1中所述的基于加密域多特征融合的密钥生成方法，其特征在于：所述步骤2)中加密域特征融合与密钥生成过程如下：

加密域特征融合过程

2.1)对用户注册指纹模板进行提取细节点特征集合操作，并从提取出的细节点特征集合中选取质量较好的前MinuNum个细节点特征构成注册细节点集合EM，对EM添加足够多的杂凑点得到细节点梗概数据MS；

2.2)对步骤2.1)中的注册指纹模板提取指纹Biocode向量特征，对提取出的指纹向量特征进行BCH梗概计算操作得到Biocode梗概数据BS；

2.3)将步骤2.1)中所得的注册细节点集合特征EM量化后与所得向量特征Biocode合并，得到合并后的注册融合特征集合CSet，接着对得到的CSet进行IJS_Sketch操作得到融合梗概数据CS，上述合并方式为在分段后的Biocode集合后按顺序添加EM量化后集合元素；

2.4)将步骤2.1)中所得的MS、步骤2.2)中得到的BS以及步骤2.3)中得到的CS保存在SmartCard中，即辅助数据Help Data；

密钥生成过程：

2.5)将步骤2.3)所得的注册融合特征集合CSet进行强随机提取操作，生成密钥Key。

3.根据权利要求1中所述的基于加密域多特征融合的密钥生成方法，其特征在于：所述步骤3)恢复出密钥Key的具体过程如下：

加密域特征匹配过程：

3.1)对用户查询指纹图像进行步骤1)操作，获得细节点特征VM，并用VM和步骤2.1)中所得的细节点梗概数据MS进行过滤杂凑点操作得到解锁细节点集合QM；

3.2)对步骤3.1)中的查询指纹图像进行步骤1)操作得到VB，并对VB与步骤2.2)中所得BS进行VectorRestore操作，得到QB；

密钥恢复过程：

3.3)将步骤3.1)中所得解锁细节点集合QM量化后与步骤3.2)中得到的QB合并，得到解锁特征集合QCSet，并对QCSet和上述2.3)中所得融合梗概数据CS进行IJS_Recover操作，如果恢复成功，则认为完全恢复了CSet，即可对恢复出的CSet进行强随机恢复操作获得密钥Key，解密成功；否则，恢复不成功，解密失败。

4.根据权利要求3中所述的基于加密域多特征融合的密钥生成方法，其特征在于：所述步骤3.1)过滤细节点梗概数据MS杂凑点方式为，利用手动对准细节点特征数据VM，然后计算VM与步骤2.1)中的MS之间的欧氏距离集合，并按从小到大的顺序排列，最后从其中选取前MinuNum个两两之间欧氏距离大于最小距离MiniDis相应的MS解锁子集，即为解锁细节点集合QM。

Images