CN103888258A - 一种生物特征模板防盗判别方法 - Google Patents

Abstract

本发明提供了一种生物特征模板防盗判别方法，其中所述方法包括如下步骤：a)将待识别生物特征模板与用户模板库中的至少一个已有模板进行相似度比对，得出比对分数；b)基于所述比对分数计算所述待识别生物特征模板为被盗用模板的概率；c)判断所述概率是否超过阈值，否则进入步骤d；是则进入步骤e；d)将所述待识别生物特征模板判定为正常生物特征模板，判定识别通过；e)将所述待识别生物特征模板判定为被盗用的生物特征模板，判定识别异常。利用本发明的生物特征模板防盗判别方法，可以简单高效地对生物特征识别系统进行对伪造及盗用的生物特征数据及模板进行识别和处理。

Description

一种生物特征模板防盗判别方法

技术领域

本发明涉及生物特征识别技术领域，特别是一种生物特征模板防盗判别方法。

背景技术

生物特征识别技术是指利用人体固有的、独一无二的生理特性或行为特征通过计算机进行身份认证的技术。典型的生物特征识别技术包括：虹膜识别、指纹识别、人脸识别、掌纹识别、语音识别等。与传统的身份认证方法相比，生物特征识别技术摆脱了对特定标志物(如钥匙、身份证等)和特定知识(如密码、口令)的依赖，更具普遍性、唯一性、安全性、方便性和不可否认性，被认为是未来身份认证的发展趋势，已经广泛应用于金融、边防、海关、网络、社会福利、信息安全、门禁、考勤等领域。

然而，与传统的智能卡、密码等身份认证技术一样，生物特征识别技术也面临假冒或被盗用的问题。例如，不法分子可以通过人皮面具、指纹套等伪造人体生物特征数据。一些黑客可以在网络通信过程中截取甚至进入后台服务器盗取授权用户的生物特征模板（类似于我们的密码），并用盗取的模板假冒身份攻击生物识别系统。由于生物特征识别的“唯一性”，人的生物特征模板一旦被获取，将无法“取消”或“更改”，生物特征识别将完全暴露，身份信息将面临巨大的风险。

传统的生物特征识别加密系统（如公开号为CN200710199631的中国发明专利）采用加密的方法对生物特征数据进行加密存储，难以避免生物特征伪造物的攻击或直接盗取的加密后的生物特征模板的攻击。生物特征活体检测技术（如公开号为CN200910079803.X的中国发明专利）采用数据分析的方法判断当前采集的生物特征数据是否来自于特定伪造物，使得生物特征识别系统具有较强的防伪能力，但是仍然无法避免所有伪造物的攻击，更无法避免盗取的生物特征模板的攻击。

因此，需要一种生物特征模板防盗判别方法，来简单高效地对生物特征识别系统进行对盗用的生物特征数据及模板进行识别和处理。

发明内容

本发明的目的是提供一种生物特征模板防盗判别方法，其中所述方法包括如下步骤：a)将待识别生物特征模板与用户模板库中的至少一个已有模板进行相似度比对，得出比对分数；b)基于所述比对分数计算所述待识别生物特征模板为被盗用模板的概率；c)判断所述概率是否超过阈值，否则进入步骤d；是则进入步骤e；d)将所述待识别生物特征模板判定为正常生物特征模板，判定识别通过；e)将所述待识别生物特征模板判定为被盗用的生物特征模板，判定识别异常。

优选地，所述生物特征选自虹膜特征、指纹特征、人脸特征、掌纹特征、指静脉特征、掌静脉特征、眼静脉特征以及语音特征其中任一一种或多种的组合。

优选地，在步骤b中，所述基于比对分数确定所述待识别生物特征模板为被盗用模板的概率的函数是利用以下方法中的任意一种：

加法函数，公式为：

$f(S_1,...,S_N)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i,$

乘法函数，公式为：

$f(S_1,...,S_N)=\underset{I=1}{\overset{N}{\mathrm{\Π}}}{S}_i,$

选择函数，公式为：

$f(S_1,...,S_N)=\underset{i}{\max }\left\{S_i\right\},$

或

$f(S_1,...,S_N)=\underset{i}{\min }\left\{S_i\right\},$

或基于机器学习方法获得的函数；

其中，s₁,s₂,…,s_N为比对分数，N为模板库中模板的个数。

优选地，所述阈值的大小根据经验、模板库中现有的历史模板数量或系统所要求判别的敏感程度进行设定。

优选地，在步骤e之后存在步骤f，针对所述被盗用的生物特征模板进行后续处理，所述处理选自下列任意一种或多种的组合：f1)从模板库中删除被盗用的生物特征模板；f2)让该模板被盗用的用户重新采集注册生物特征；f3)利用基于可变参数的模板转换算法，撤销所盗用的模板，重新生成生物特征模板替换原有的模板库。

优选地，步骤f3中的模板转换算法为：

Feature′=f(Feature,τ)

其中,Feature是用户的原始生物特征，Feature′是生成的生物特征模板，τ是随机生成的可变参数。

优选地，在步骤f中还包括启动报警处理流程。

根据本发明的另一方面，提供了一种包含生物特征模板防盗判别的身份识别方法，其特征在于，包括如下步骤：a)采集当前待识别用户的生物特征数据；b)根据所述生物特征数据，利用基于可变参数的模板转换算法生成待识别生物特征模板；c)验证所述当前用户的身份信息；d)将所述待识别生物特征模板与所述当前用户的模板库中的至少一个已有模板进行相似度比对，得出比对分数；e)基于所述比对分数计算所述待识别生物特征模板为被盗用模板的概率；f)判断所述概率是否超过阈值，是则进入步骤g，否则进入步骤i；g)将所述待识别生物特征模板判定为所述被盗用的生物特征模板；h)撤销所述被盗用的生物特征模板，重新生成模板；i)将所述待识别生物特征模板判定为正常生物特征模板，判定识别通过。

优选地，在步骤c中，验证所述当前用户的身份信息的方式包括以下方式中的任意一个：方式一，将步骤b中得到的所述当前用户的所述待识别生物特征模板与数据库中的所有注册用户的所述模板库进行比对，找到与所述当前用户的所述待识别生物特征模板匹配的生物特征模板，确定当前用户的身份信息；方式二：利用其他非生物特征识别的方法进行用户的身份信息验证。

优选地，在步骤f中，若所述概率大于所述阈值，则返回步骤a重新识别，若新的待识别生物特征模板的所述概率仍然超过所述阈值，则进入步骤g。

根据本发明的利用本发明的生物特征模板防盗判别方法，可以简单高效地对生物特征识别系统进行对伪造及盗用的生物特征数据及模板进行识别和处理。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示意性示出了本发明的生物特征模板防盗判别方法的流程图。

图2示意性示出了应用本发明的生物特征模板防盗判别方法的身份识别的方法流程图。

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

图1示意性示出了本发明的生物特征模板防盗判别方法的流程图。

如图1所示：

步骤110，将待识别生物特征模板（以下，简称为待识别模板）与过去已获取同一用户的N（N≥1）个生物特征模板分别进行相似度比对，得出N个比对分数s₁,s₂,…,s_N。其中，生物特征选自虹膜特征、指纹特征、人脸特征、掌纹特征、指静脉特征、掌静脉特征、眼静脉特征或语音特征等其中任一一种或多种的组合。以获取的生物特征模板指的是，在用户注册时根据用户录入的一次或多次的生物特征数据，通过特征提取算法生成的存入数据库中的一个或多个生物特征模板（以下，简称为模板库）。

计算相似度比对分数的方法例如采用本领域常见的定序测量、Gabor等典型的生物特征提取和比对算法。通常，对比分数根据所对比的两个模版的相似度而定，相似度越高，对比分数越高。

步骤120，基于N个比对分数计算待识别模板为被盗用模板的概率。

计算当前待识别模板为被盗用模板的概率的函数可以是利用以下方法中的任意一种：

加法函数，如

$f(S_1,...,S_N)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i;$

其中s₁,s₂,…,s_N为步骤110计算出的对比分数。

乘法函数，如

$f(S_1,...,S_N)=\underset{I=1}{\overset{N}{\mathrm{\Π}}}{S}_i;$

选择函数，如

$f(S_1,...,S_N)=\underset{i}{\max }\left\{S_i\right\},$

或

$f(S_1,...,S_N)=\underset{i}{\min }\left\{S_i\right\};$

基于机器学习方法（如SVM，Adaboost等）获得的函数，该函数输入N个比对分数，输出一个概率结果。

步骤130，判断待识别模板为被盗用模板的概率是否超过阈值T，否则进入步骤140；是则进入步骤150。阈值T的大小可以由系统管理员自行设定，例如根据经验、模板库中现有的历史模板数量或系统所要求判别的敏感程度等。例如，对模板盗用情况高发的场合，可以将其阈值设置地较低，以易于判别出被盗用的特征模板。

步骤140，将待识别模板判定为非盗用的正常生物特征模板，判断为识别通过。

步骤150，将待识别模板判定为从库中模板中盗用的模板，判断为识别异常。

根据本发明的判别方法，由于人体生物特征通常随采集时间的不同会发生轻微的变化，因此所产生的对应模版也并非完全一致的（但其变化仍远小于不同身份的人体生物特征之间的差异）。因此，当当前待识别模板为盗用模板时，由于盗用模板和模板库中已保存的一个用户历史模板完全一致，会导致其相似度对比分数异常的高，从而导致所计算得到的判别盗用模板的概率异常高，当高于所设定的阈值时，由此就可以判别为是被盗的特征模板。

优选地，在步骤150判断为识别异常之后存在步骤160，当判别出当前待识别的模板为被盗用模板时，针对被盗用的生物特征模板进行后续处理，所述后续处理例如从模板库中删除被盗用的生物特征模板。特别地，若模板库中已有的历史特征模板数量较少时，可以在删除后让该模板被盗用的用户重新采集注册生物特征。

或者更优选地，对被盗模板的后续处理可以采取撤销的方式，即用户进行重新注册生成新的可撤销模板。所述撤销过程是利用基于可变参数的模板转换算法，重新生成可撤销的生物特征模板，并存入数据库中。其加密或编码过程可以看做一个二元映射的过程。

优选地，基于可变参数的模板转换公式例如：

Feature′=f(Feature,τ)

其中,Feature是用户的原始生物特征，Feature′是生成的可撤销的生物特征模板，τ是随机生成的可变参数。随着改变τ，生成的可撤销的生物特征模板也不相同。当利用本发明的方法判别出模板被盗后，可以通过改变τ重新生成编码后的模板进行保存。特别地，在注册过程中，用户的原始生物特征并不会被保存，即无论是用户还是数据管理人员无法得到Feature，从而保证了原始生物特征模板的安全性。

优选地，在所述后续处理中还可以启动相应的报警处理流程。

以下，对用户注册生物特征模板的过程进行解释，其过程包括：

步骤a,采集用户的生物特征数据，特别地，可以一次或多次采集得到多个该用户的生物特征数据；

步骤b,根据当前采集的生物特征数据，生成生物特征模板，并存入数据库中。优选利用基于可变参数的模板转换算法，生成可撤销的生物特征模板。其中，基于可变参数的模板转换公式例如：

Feature′=f(Feature,τ)

其中,Feature是用户的原始生物特征，Feature′是生成的可撤销的生物特征模板，τ是随机生成的可变参数。随着改变τ，生成的可撤销的生物特征模板也不相同。

图2示意性示出了应用本发明的生物特征模板防盗判别方法的用于身份识别的方法流程图。

如图2所示：

步骤210，采集当前待识别用户的生物特征数据。其中，可以利用存储介质（如U盘，照片，打印纸张等），通过生物特征采集处理终端，或通过网络传输过程等方式，采集当前待识别用户的生物特征数据。

步骤220,根据当前采集的生物特征数据，转化为待识别的生物特征模板数据。

步骤230，验证当前用户的身份信息。验证当前用户的身份信息的方式可以选自下面其中任意一种：

方式一，将步骤220中得到的当前用户的待识别模板与模板库中的所有注册用户的每个模板集进行比对，找到用当前用户的待识别模板匹配的生物特征模板，从而确定当前用户的身份信息。优选地，为了减少运算量，与所有注册用户的每个模板集中的任意一个模板进行比对，得出与之匹配的生物特征模板，确定当前用户身份信息。

方式二：利用用户身份识别密码认证、标识用户身份的磁卡等其他利用非生物特征识别的方法进行用户的身份信息验证。特别地，若采用方式二，则可以在步骤210之前进行用户的身份验证步骤。

步骤240，将待识别模板与该用户模板库中的所有模板进行比对，得出N个比对分数s₁,s₂,…,s_N。这里，模板库中的模板可以来自于该用户注册时获得的特征模板。

步骤250，基于N个比对分数确定待识别模板为被盗用模板的概率。

计算当前待识别模板为被盗用模板的概率的函数可以是利用以下方法中的任意一种：

加法函数，如

$f(S_1,...,S_N)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i;$

乘法函数，如

$f(S_1,...,S_N)=\underset{I=1}{\overset{N}{\mathrm{\Π}}}{S}_i;$

选择函数，如

$f(S_1,...,S_N)=\underset{i}{\max }\left\{S_i\right\},$

或

$f(S_1,...,S_N)=\underset{i}{\min }\left\{S_i\right\};$

基于机器学习方法（如SVM，Adaboost等）获得的函数，该函数输入N个比对分数，输出一个概率结果。

步骤260，判断步骤250中获得的概率值是否超过阈值T，是则进入步骤270，否则进入步骤290。

优选地，在步骤260中，为了避免偶然误判的情况，若待识别模板为被盗用模板的概率大于阈值，则返回步骤210重新识别。若新的待识别模板为从模板库中盗用的模板的概率仍然超过阈值，则进入步骤270。

步骤270，将待识别模板判定为从模板库中盗用的模板。

优选地，可以包括步骤280对判定为盗用模板的模板进行后续处理，所述处理选自删除所盗用的模板，让用户重新采集注册，或撤销被盗用的生物特征模板等等。所述后续处理类似于图1中的步骤160。

步骤290，将待识别模板判定为正常生物特征模板。

以下是根据本发明的方法在生物特征后台服务器端检测盗用模板的实施例。例如，不法分子张某利用黑客技术盗取了某系统VIP客户李某存储在某系统后台数据库服务器上的虹膜特征模板，试图利用该模板攻击该系统的身份认证系统。该虹膜识别后台服务器中部署了本发明的方法。该后台服务器接收到该已被盗用的特征模板时，首先将该模板与注册数据库中的模板进行比对，判断出该模板对应的用户是李某。然后，系统继续将该模板与李某的注册特征模板和历史使用过程中记录的虹膜特征模板进行比对，获得N个比对分数，并输入伪盗用模板判断函数g中。由于当前虹膜特征模板是盗用的系统中的注册模板，所以该模板与注册模板比对时完全匹配。函数g输出值Q值就会高于阈值。则本发明的方法判定当前虹膜特征模板是从模板库中盗用的模板，并发出报警。与此同时，通知用户李某，进行盗取模板的撤销工作，及时重新注册模板。

利用本发明的生物特征模板防盗判别方法，可以简单高效地对生物特征识别系统进行对伪造及盗用的生物特征数据及模板进行识别和处理。

结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。

Claims (10)

1.一种生物特征模板防盗判别方法，其中所述方法包括如下步骤：

a)将待识别生物特征模板与用户模板库中的至少一个已有模板进行相似度比对，得出比对分数；

b)基于所述比对分数计算所述待识别生物特征模板为被盗用模板的概率；

c)判断所述概率是否超过阈值，否则进入步骤d；是则进入步骤e；

d)将所述待识别生物特征模板判定为正常生物特征模板，判定识别通过；

e)将所述待识别生物特征模板判定为被盗用的生物特征模板，判定识别异常。

2.根据权利要求1所述的方法，其特征在于，所述生物特征选自虹膜特征、指纹特征、人脸特征、掌纹特征、指静脉特征、掌静脉特征、眼静脉特征以及语音特征其中任一一种或多种的组合。

3.根据权利要求1所述的方法，其特征在于，在步骤b中，所述基于比对分数确定所述待识别生物特征模板为被盗用模板的概率的函数是利用以下方法中的任意一种：

加法函数，公式为：

$f(S_1,...,S_N)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i,$

乘法函数，公式为：

$f(S_1,...,S_N)=\underset{I=1}{\overset{N}{\mathrm{\Π}}}{S}_i,$

选择函数，公式为：

$f(S_1,...,S_N)=\underset{i}{\max }\left\{S_i\right\},$

或

$f(S_1,...,S_N)=\underset{i}{\min }\left\{S_i\right\},$

或基于机器学习方法获得的函数；

其中，s₁,s₂,…,s_N为比对分数，N为模板库中模板的个数。

4.根据权利要求1所述的方法，其特征在于，所述阈值的大小根据经验、模板库中现有的历史模板数量或系统所要求判别的敏感程度进行设定。

5.根据权利要求1所述的方法，其特征在于，在步骤e之后存在步骤f，针对所述被盗用的生物特征模板进行后续处理，所述处理选自下列任意一种或多种的组合：

f1)从模板库中删除被盗用的生物特征模板；

f2)让该模板被盗用的用户重新采集注册生物特征；

f3)利用基于可变参数的模板转换算法，撤销所盗用的模板，重新生成生物特征模板替换原有的模板库。

6.根据权利要求5所述的方法，其特征在于，步骤f3中的模板转换算法为：

Feature′=f(Feature,τ)，

其中,Feature是用户的原始生物特征，Feature′是生成的生物特征模板，τ是随机生成的可变参数。

7.根据权利要求5所述的方法，其特征在于，在步骤f中还包括启动报警处理流程。

8.一种包含生物特征模板防盗判别的身份识别方法，其特征在于，包括如下步骤：

a)采集当前待识别用户的生物特征数据；

b)根据所述生物特征数据，利用基于可变参数的模板转换算法生成待识别生物特征模板；

c)验证所述当前用户的身份信息；

d)将所述待识别生物特征模板与所述当前用户的模板库中的至少一个已有模板进行相似度比对，得出比对分数；

e)基于所述比对分数计算所述待识别生物特征模板为被盗用模板的概率；

f)判断所述概率是否超过阈值，是则进入步骤g，否则进入步骤i；

g)将所述待识别生物特征模板判定为所述被盗用的生物特征模板；

h)撤销所述被盗用的生物特征模板，重新生成模板；

i)将所述待识别生物特征模板判定为正常生物特征模板，判定识别通过。

9.根据权利要求8所述的方法，其特征在于，在步骤c中，验证所述当前用户的身份信息的方式包括以下方式中的任意一个：

方式一，将步骤b中得到的所述当前用户的所述待识别生物特征模板与数据库中的所有注册用户的所述模板库进行比对，找到与所述当前用户的所述待识别生物特征模板匹配的生物特征模板，确定当前用户的身份信息；

方式二：利用其他非生物特征识别的方法进行用户的身份信息验证。

10.根据权利要求8所述的方法，其特征在于，在步骤f中，若所述概率大于所述阈值，则返回步骤a重新识别，若新的待识别生物特征模板的所述概率仍然超过所述阈值，则进入步骤g。

Images