CN106446867B - 一种基于随机投影加密的双因子掌纹识别方法 - Google Patents

一种基于随机投影加密的双因子掌纹识别方法 Download PDF

Info

Publication number
CN106446867B
CN106446867B CN201610892093.2A CN201610892093A CN106446867B CN 106446867 B CN106446867 B CN 106446867B CN 201610892093 A CN201610892093 A CN 201610892093A CN 106446867 B CN106446867 B CN 106446867B
Authority
CN
China
Prior art keywords
matrix
accidental projection
palm
image
palm print
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610892093.2A
Other languages
English (en)
Other versions
CN106446867A (zh
Inventor
冯光
李恒建
董吉文
赵梓汝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN201610892093.2A priority Critical patent/CN106446867B/zh
Publication of CN106446867A publication Critical patent/CN106446867A/zh
Application granted granted Critical
Publication of CN106446867B publication Critical patent/CN106446867B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • G06V40/53—Measures to keep reference information secret, e.g. cancellable biometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于随机投影加密的双因子掌纹识别方法，首先采集两个原始掌纹图像，预处理后得到两个掌纹特征图像，对两个掌纹特征图像分别通过随机投影变换进行降维和归一化，然后与归一化后的两个随机投影矩阵进行数值比较后得到两个特征矩阵，作为两个原始掌纹图像的编码特征矩阵，最后采用距离匹配算法对获得的两个编码特征矩阵进行匹配，匹配合格则识别通过。本发明使用随机投影矩阵作为掌纹识别密钥，通过特定不可逆变换，融合掌纹特征，生成具有隐私保护和可重复发布能力的可撤除掌纹特征模板，进而进行掌纹识别，可实现通过密钥与生物特征相结合的双因子掌纹识别，具有复杂度低，识别精度高，安全性好等有益效果。

Description

一种基于随机投影加密的双因子掌纹识别方法
技术领域
本发明属于掌纹识别技术领域，特别涉及一种基于随机投影加密的双因子掌纹识别方法。
背景技术
随着全球各地身份欺骗造假事件和恐怖袭击事件的不断增多，身份识别(identification)与认证(verification)技术已成为信息安全与隐私保护的重要基础，并得到了快速普及和推广。为此，对各种身份识别与认证系统的性能也提出了越来越高的要求。
传统的身份鉴别方法主要有两种基于密码的安全机制：基于知识的方法，如使用密码、口令等，或基于物品的方法，如使用钥匙、居民身份证等。
与传统的身份认证技术相比，生物特征更具有便携性、安全性、可靠性，有效性，唯一性和终身不变性，人们不可能丢失也无需记忆自己的生物特征，因此，生物特征识别与认证方式更具可靠性和有效性，越来越多的研究者把目光移向生物特征识别。基于生物特征识别的身份认证技术是指利用人体所固有的物理或行为特征，通过模式识别等计算技术自动鉴别个人身份的技术。2016年9月，公安部试点身份证“刷脸”，借助“身份证网上副本”技术，结合密码认证，脸部、指纹等生物特征验证等方式，可实现互联网上的“实名+实人+实证”的真实身份认证，今后不用携带身份证，“刷脸”就可以办业务、开网店和住酒店了，生物特征识别成为一种可以应用到安全领域的一项技术。
掌纹识别是近几年发展起来的较新的生物特征识别技术，主要有以下优点：掌纹面积大，涵括的信息比较多，即使损伤和残缺的掌纹也有足够的鉴别信息；掌纹的主要特征稳定且明显，提取特征时不易受到噪声的干扰，仅使用低分辨率图像提取的特征也足以提供身份识别所需的信息；掌纹采集设备的价格比虹膜的价格便宜得多；识别精度高，识别速度也较快。因此，理论上来讲，掌纹具有更好的可区分性，吸引越来越多的学者研究掌纹识别。近年来，掌纹识别的研究主要集中在提高掌纹的识别精度包括提出新的特征提取算法和匹配分类算法和快速算法。尽管掌纹识别的精度和速度非常重要，掌纹图像的存储和掌纹识别系统的安全性也不能忽略。然而，掌纹图像的存储和掌纹识别系统的安全性很少见到报道。
传统的密码系统由于密码的随机性，对其攻击效率主要基于数学计算上的复杂性。然而生物特征本身并不是随机信号，同时很大程度上也不具有保密性，或许在挥手中，手掌的身份信息己经泄露。另一方面，掌纹图像是稀有资源，一个人一生只有两个手掌，大部分人的手掌具有对称性，并且随着年龄的增长,掌纹的基本纹路结构并不发生变化。一旦人的这些有限的生物特征被泄露或者盗用，直接后果就是人的这些生物特征将不能再直接用于安全系统中身份匹配识别和身份认证。
发明内容
本发明要解决的技术问题是，提供一种基于随机投影加密的双因子掌纹识别方法，使用随机投影矩阵作为掌纹识别密钥，通过特定不可逆变换，融合掌纹特征，生成具有隐私保护和可重复发布能力的可撤除掌纹特征模板，进而进行掌纹识别，实现通过密钥与生物特征相结合的双因子掌纹识别。
为解决上述技术问题，本发明提供一种基于随机投影加密的双因子掌纹识别方法，包括以下步骤：
(1)获取两个掌纹特征图像；
(2)分别获取所述两个掌纹特征图像的编码特征矩阵；
(3)采用距离匹配算法对获得的两个编码特征矩阵进行匹配，匹配合格则识别通过。
在上述技术方案中，掌纹特征具有多样化形式，可以变化、更改，保证在遭受攻击和威胁时掌纹模板可以成功地撤销和重新发布，使得掌纹识别安全性得到提高。生成的编码特征矩阵可以保护原始特征数据，同样可以提高掌纹识别的安全性。采用距离分类算法编码特征矩阵进行分类匹配，计算方便，可以做到实时的掌纹识别认证。
作为上述技术方案的进一步改进，获取每个所述掌纹特征图像的编码特征矩阵具体包括以下步骤：
(1)利用随机投影对所述掌纹特征图像进行降维，得到低维表征矩阵；
(2)将所述低维表征矩阵进行归一化处理，得到第一矩阵；
(3)产生一个随机投影矩阵，并将所述随机投影矩阵进行归一化处理，得到第二矩阵；
(4)比较所述第一矩阵与所述第二矩阵对应位置的值的大小，将第一矩阵大于第二矩阵的位置上的值置为某一数值，其余位置上的值置为另一数值，产生一个由两个数值组成的特征矩阵，作为所述掌纹特征图像的编码特征矩阵。
利用随机投影变换来完成对掌纹特征图像的数据降维，变换降维后的数据具有原始数据的重要特征信息，维持原始高维数据结构特性而不引入重大数据奇异，较之其余的降维方法，产生简单、计算方便；产生一个新的随机投影矩阵并归一化后与利用随机映射降维并归一化后的掌纹数据矩阵(即第一矩阵)进行逐值比较，产生了一个由两个数值组成的编码特征矩阵，这大大减小了识别过程中的计算量；两个数值组成的编码特征矩阵，可以保护原始特征数据，提高了掌纹识别的安全性。
作为上述技术方案的进一步改进，所述降维具体包括以下步骤：
产生一个随机投影矩阵，将所述随机投影矩阵左乘所述掌纹特征图像，进而得到低维表征矩阵。
随机投影矩阵随机产生，不依赖于原始的训练样本信息。利用随机投影矩阵将高维数据投影到低维变换子空间达到降维的目的，降低了计算复杂度，且随机投影可以近似维持欧式空间内成对映射点的距离。在每次生成编码特征矩阵的过程中，用到了两个随机投影矩阵，这两个随机投影矩阵作为掌纹识别密钥只有用户知晓，且可以更换，提高掌纹识别的安全性。
作为上述技术方案的进一步改进，随机产生并被进行归一化处理的所述随机投影矩阵利用分段线性映射来完成，其公式以下：
其中u∈(0，0.5)，x∈[0，1]，该公式在参数区间内具有较好的统计特性。
作为上述技术方案的进一步改进，获取所述第一矩阵和所述第二矩阵后，在比较所述第一矩阵和所述第二矩阵对应位置的值的大小前，先对所述第一矩阵和所述第二矩阵进行采样因子ρ(2×2)的下采样，进一步缩短计算耗时。
作为上述技术方案的进一步改进，获取掌纹特征图像具体包括以下步骤：
(1)采集原始掌纹图像；
(2)将所述原始掌纹图像进行二值化处理，得到二值图像；
(3)在所述二值图像中提取手掌外边缘轮廓并检测食指、中指之间和无名指、小指之间形成的角点，以所述两角点的连线作为纵轴，从所述两角点的中点向所述纵轴作垂线，将所述垂线作为横轴，以所述纵轴和横轴的交点作为坐标原点，所述坐标原点与所述纵轴、横轴形成新坐标系，在新的坐标系下，在所述原始掌纹图像上截取掌纹矩形区域作为所述掌纹特征图像。
对原始掌纹图像进行二值化以及截取等操作有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。
作为上述技术方案的进一步改进，截取的所述掌纹矩形区域位于所述原始掌纹图像的中心部分，该部分掌纹生物特征清晰，所截取到的掌纹特征图像有利于进行下一步操作。
作为上述技术方案的进一步改进，所述距离匹配算法为Hamming距离匹配算法，具有良好的使用效果。
作为上述技术方案的进一步改进，所述编码特征矩阵产生后被存储于数据库中，掌纹特征具有多样化形式，满足在多个数据库存储或共享的安全要求。即使数据库遭遇信息泄露，也不会造成用户掌纹信息泄露，用户只需更换密钥(随机投影)便可以更新数据库中的信息，掌纹识别仍然是相对安全的。
作为上述技术方案的进一步改进，所述掌纹特征图像的大小为128×128像素，该大小的掌纹特征图像适合于进行进一步的处理操作。
本发明提供的一种基于随机投影加密的双因子掌纹识别方法，使用随机投影矩阵对掌纹特征图像进行特定不可逆变换，融合掌纹特征，生成具有隐私保护和可重复发布能力的掌纹特征模板，增强掌纹识别的安全性和隐私性。利用该掌纹识别方法进行掌纹识别过程中用到的随机投影矩阵只有用户可以知晓，可以作为掌纹识别密钥，配合掌纹进行掌纹识别，从而相当于两个掌纹识别因子。掌纹识别时既需要人的掌纹，又需要密钥，当用户掌纹信息被盗取后，仍能够安全的进行掌纹识别。该掌纹识别方法掌纹特征具有多样化形式，可以变化、更改，保证在遭受攻击和威胁时掌纹模板可以成功地撤销和重新发布，使得掌纹识别安全性得到提高。此外，随机投影变换产生简单、计算复杂度低，利用随机投影提取掌纹特征的同时，对掌纹图像进行了加密，无法从密文图像获取原图像中的相关信息，具有较高的安全性，且算法运算简单，识别精度高。用户可以通过重新获得新的随机投影矩阵的方式来更改密钥保护其隐私，系统安全性好。
综上，本发明一种基于随机投影加密的双因子掌纹识别方法复杂度低，识别精度高，密钥认证与生物特征识别相结合，并且掌纹特征模板可撤销，安全性好。
附图说明
下面结合附图和具体实施方式对本发明进行进一步的说明。
图1至图3是本发明实施例2中生成的部分二值图像
图4至图6是本发明实施例2中生成的部分掌纹特征图像
图7是本发明实施例2中在不同匹配阈值下的错误接受率(FAR、虚线)和错误拒绝率(FRR、实线)分布图
图8是本发明实施例2中生成的编码特征矩阵两两匹配的距离大小的分布曲线图
具体实施方式
在本发明具体实施方式中，本发明一种基于随机投影加密的双因子掌纹识别方法包括以下步骤：
(1)获取两个掌纹特征图像，例如获取两个大小均为128×128像素的掌纹特征图像；
(2)分别获取两个掌纹特征图像的编码特征矩阵；其中可以利用随机投影矩阵变换来获取编码特征矩阵，该编码特征矩阵可以由两个数值组成；
(3)采用距离匹配算法(例如Hamming距离匹配算法)对获得的两个编码特征矩阵进行匹配，匹配合格则掌纹识别通过。
本发明首先获取掌纹特征图像，掌纹特征具有多样化形式，可以变化、更改，保证在遭受攻击和威胁时掌纹模板可以成功地撤销和重新发布，使得掌纹识别安全性得到提高。其次，本发明生成掌纹特征图像的编码特征矩阵，编码特征矩阵可以由两个数值组成，可以保护原始特征数据，同样可以提高掌纹识别的安全性。随机投影变换产生简单、计算复杂度低，且用户可以通过重新获得新的随机投影矩阵的方式来更改密钥保护其隐私，系统安全性好，故而可以采用随机投影变换获得编码特征矩阵。最后采用距离分类算法(例如Hamming距离匹配算法)对编码特征矩阵进行分类匹配，计算方便，可以做到实时的掌纹识别认证。
在本具体实施方式中，前述的获取掌纹特征图像的过程具体包括如下步骤：
(1)采集原始掌纹图像；
(2)将原始掌纹图像进行二值化处理，得到二值图像；
(3)在二值图像中提取手掌外边缘轮廓并检测食指、中指之间和无名指、小指之间形成的角点，以两角点的连线作为纵轴，从两角点的中点向纵轴作垂线，将垂线作为横轴，以纵轴和横轴的交点作为坐标原点，坐标原点与纵轴、横轴形成新坐标系，在新的坐标系下，在原始掌纹图像上截取掌纹矩形区域作为掌纹特征图像，优选在原始掌纹图像的中心部分截取掌纹矩形区域。
在本过程中，对原始掌纹图像进行二值化以及截取等操作，有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。原始掌纹图像的中心部分具有清晰的掌纹生物特征，在此部分截取掌纹矩形区域作为掌纹特征图像有利于进行下一步操作。
在本具体实施方式中，前述的获取编码特征矩阵的过程具体包括以下步骤：
(1)利用随机投影对掌纹特征图像进行降维，得到低维表征矩阵；
(2)将低维表征矩阵进行归一化处理，得到第一矩阵；
(3)产生一个随机投影矩阵，并将该随机投影矩阵进行归一化处理，得到第二矩阵；该随机投影矩阵可以利用分段线性映射来完成，其公式以下：
其中u∈(0，0.5)，x∈[0，1]，该公式在参数区间内具有较好的统计特性。
(4)比较第一矩阵与第二矩阵对应位置的值的大小，将第一矩阵大于第二矩阵的位置上的值置为某一数值，其余位置上的值置为另一数值，产生一个由两个数值组成的特征矩阵，作为掌纹特征图像的编码特征矩阵。
在本过程中，利用随机投影变换来完成对掌纹特征图像的数据降维，变换降维后的数据具有原始数据的重要特征信息，维持原始高维数据结构特性而不引入重大数据奇异，较之其余的降维方法，产生简单、计算方便；另外再产生一个新的随机投影矩阵并归一化后与利用随机映射降维并归一化后的掌纹数据矩阵(即第一矩阵)进行逐值比较，产生了一个由两个数值组成的编码特征矩阵，这大大减小了识别过程中的计算量；两个数值组成的编码特征矩阵，可以保护原始特征数据，提高了掌纹识别的安全性。
在本具体实施方式中，对前述的掌纹特征图像进行降维操作具体包括以下步骤：
产生一个随机投影矩阵，将该随机投影矩阵左乘掌纹特征图像，进而得到低维表征矩阵。
在本过程中，所使用的随机投影矩阵随机产生，不依赖于原始的训练样本信息。利用随机投影矩阵将高维数据投影到低维变换子空间达到降维的目的，降低了计算复杂度，且随机投影可以近似维持欧式空间内成对映射点的距离。结合前述内容，在每次生成编码特征矩阵的过程中，用到了两个随机投影矩阵，这两个随机投影矩阵作为掌纹识别密钥只有用户知晓，且可以更换，提高掌纹识别的安全性。
在本具体实施方式中，获取第一矩阵和第二矩阵后，在比较第一矩阵和第二矩阵对应位置的值的大小前，先对第一矩阵和第二矩阵进行采样因子ρ(2×2)的下采样，进一步缩短计算耗时。
在本具体实施方式中，可以将产生的编码特征矩阵存储于数据库中。掌纹特征具有多样化形式，满足在多个数据库存储或共享的安全要求。将编码特征矩阵存储于数据库中，即使数据库遭遇信息泄露，也不会造成用户掌纹信息泄露，用户只需更换密钥(随机投影)便可以更新数据库中的信息，掌纹识别仍然是相对安全的。
本发明使用随机投影矩阵对掌纹特征图像进行特定不可逆变换，融合掌纹特征，生成具有隐私保护和可重复发布能力的掌纹特征模板，增强掌纹识别的安全性和隐私性。利用该掌纹识别方法进行掌纹识别过程中用到的随机投影矩阵只有用户可以知晓，可以作为掌纹识别密钥，配合掌纹进行掌纹识别，从而相当于两个掌纹识别因子。掌纹识别时既需要人的掌纹，又需要密钥，当用户掌纹信息被盗取后，仍能够安全的进行掌纹识别。该掌纹识别方法掌纹特征具有多样化形式，可以变化、更改，保证在遭受攻击和威胁时掌纹模板可以成功地撤销和重新发布，使得掌纹识别安全性得到提高。此外，随机投影变换产生简单、计算复杂度低，利用随机投影提取掌纹特征的同时，对掌纹图像进行了加密，无法从密文图像获取原图像中的相关信息，具有较高的安全性，且算法运算简单，识别精度高。用户可以通过重新获得新的随机投影矩阵的方式来更改密钥保护其隐私，系统安全性好。
以下结合具体实施例对本发明进行进一步的说明。
实施例1：
一种基于随机投影加密的双因子掌纹识别方法，包括以下步骤：
(1)分别采集两个原始掌纹图像；
(2)分别将两个原始掌纹图像进行二值化处理，得到两个二值图像；
(3)分别在每个二值图像中提取手掌外边缘轮廓并检测食指、中指之间和无名指、小指之间形成的角点，以两角点的连线作为纵轴，从两角点的中点向纵轴作垂线，将垂线作为横轴，以纵轴和横轴的交点作为坐标原点，坐标原点与纵轴、横轴形成新坐标系，在新的坐标系下，在该二值图像所对应的原始掌纹图像中心部分截取大小为128×128像素的掌纹矩形区域，如此由两个原始掌纹图像可得到两个掌纹矩形区域，将这两个掌纹矩形区域作为掌纹特征图像，记为t1和t2；
(4)产生一个服从高斯分布的随机投影矩阵的随机投影矩阵R1，在此实施例中选择的随机投影矩阵R1的大小为64×128像素，将R1左乘t1，得到低维表征矩阵即：
再产生一个服从高斯分布的随机投影矩阵R2，同样选择R2的大小为64×128像素，将R2左乘t2，得到低维表征矩阵即：
(5)将和分别进行归一化处理，得到矩阵和矩阵
(6)再产生两个随机投影矩阵R3和R4，将R3和R4分别进行归一化处理，得到矩阵R3′和矩阵R4′；其中R3和R4均可以利用分段线性映射来完成，其公式以下：
其中u∈(0，0.5)，x∈[0，1]；
(7)对矩阵R3′和R4′进行采样因子ρ(2×2)的下采样，得到矩阵 和
(8)逐个比较矩阵与矩阵对应位置的值的大小，将矩阵大于矩阵的位置上的值置为0，其余位置上的值置为1，产生一个由0和1组成的特征矩阵，该特征矩阵即作为掌纹图像t1的编码特征矩阵CF1(Coding Features)；对矩阵和进行同样的操作，即可得到掌纹图像t2的编码特征矩阵CF2(Coding Features)；
本步骤用公式表示如下：
表示矩阵或的第i行第j列位置上的值，表示矩阵或的第i行第j列位置上的值，CFi(i，j)表示矩阵CF1或CF2的第i行第j列位置上的值；
(9)采用Hamming距离匹配算法对掌纹编码特征CF1和CF2进行匹配，得到匹配结果，匹配合格则认证通过。
在本实施例中，用户可以根据系统安全性的要求来设定Hamming距离匹配算法不同的门限值。
实施例2：
本实施例采用实施例1的步骤进行计算机仿真实验，仿真实验中使用的是香港理工大学公开的免费掌纹数据库，该数据库包含600张掌纹图像，来自100个人，每个人6张。在此数据库中，分两个阶段对每个手掌采集6幅图像，每个阶段采集3幅掌纹图像，采集的时间间隔大约为2个月，图像的大小是384×284像素。在实验中，将采集的掌纹图像进行二值化处理后得到二值图像，图1至图3示出了其中的部分二值图像；通过掌纹图像的定位分割提取出128×128大小的掌纹ROI区域，得到掌纹特征图像，然后用该区域代表整个掌纹图像，图4至图6示出了其中的部分掌纹特征图像。
本仿真实验中，将数据库中的每一个样本都与其他样本进行实施例1方法的匹配识别。来自同一手掌的匹配称为真匹配，其余为假匹配。实验共进行了179700(600×599/2)次匹配，其中1500次为真匹配，178200次为假匹配。实验中，我们利用统计量错误接受率FAR、错误拒绝率FRR来衡量掌纹识别系统的性能。FRR指系统将合法用户当成假冒者而拒绝的概率；FAR是指系统将假冒者当成合法用户而接受的概率。为了更好的体现FAR和FRR之间的关系，在不同匹配阈值(Matching Distance)下的错误接受率FAR和错误拒绝率(FRR)分布如图7所示。其中横坐标为匹配阈值(Matching Distance)，纵坐标为FAR或FRR值，实线对应的纵坐标值为FRR，虚线对应的值为FAR。从图7可以看出FAR和FRR在不同的阈值下的分布情况。当匹配阈值为[0.05,0.44]之间时，FAR和FRR均为零。
图8为本实施例生成的掌纹特征两两匹配的距离大小的分布曲线。可以看出不同类别掌纹图像生成的特征矩阵有明显的区别。
因为实施例2按照实施例1的步骤进行实验，故在实施例2中应用高斯函数和分段线性映射函数生成随机投影矩阵，而初值的改变将会导致随机投影矩阵发生很大的变换，所以它的安全性是优秀的。并且就算密钥(随机投影矩阵)被盗，只需要重新替换密钥，就可以产生新的掌纹特征模板；一旦掌纹数据库被盗，只需删除原来的掌纹特征模板，更改密钥后重新发布新的模板不影响系统的性能。
综上，本发明一种基于随机投影加密的双因子掌纹识别方法复杂度低，识别精度高，密钥认证与生物特征识别相结合，并且掌纹特征模板可撤销，安全性好，利用本掌纹识别方法来进行身份认证具有良好的效果。
上面结合附图和具体实施方式以及实施例对本发明进行了进一步的说明，但本发明并不限于上述具体实施方式和实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种基于随机投影加密的双因子掌纹识别方法，其特征在于，包括以下步骤：
1.1.获取两个掌纹特征图像；
1.2.分别获取所述两个掌纹特征图像的编码特征矩阵；
步骤1.2具体包括以下步骤：
2.1.利用随机投影对所述掌纹特征图像进行降维，得到低维表征矩阵；
2.2.将所述低维表征矩阵进行归一化处理，得到第一矩阵；
2.3.产生一个随机投影矩阵，并将所述随机投影矩阵进行归一化处理，得到第二矩阵；
2.4.比较所述第一矩阵与所述第二矩阵对应位置的值的大小，将第一矩阵大于第二矩阵的位置上的值置为某一数值，其余位置上的值置为另一数值，产生一个由两个数值组成的矩阵，作为所述掌纹特征图像的编码特征矩阵；
1.3.采用距离匹配算法对获得的两个编码特征矩阵进行匹配，匹配合格则识别通过。
2.根据权利要求1所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，步骤2.1具体包括以下步骤：
产生一个随机投影矩阵，将所述随机投影矩阵左乘所述掌纹特征图像，进而得到低维表征矩阵。
3.根据权利要求1所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，步骤2.3中的随机投影矩阵利用分段线性映射来完成。
4.根据权利要求1所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，完成步骤2.3后，在进行步骤2.4前，首先对第一矩阵和第二矩阵进行采样因子□(2×2)的下采样。
5.根据权利要求1所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，步骤1.1具体包括以下步骤：
6.1.采集原始掌纹图像；
6.2.将所述原始掌纹图像进行二值化处理，得到二值图像；
6.3.在所述二值图像中提取手掌外边缘轮廓并检测食指、中指之间和无名指、小指之间形成的角点，以所述两角点的连线作为纵轴，从所述两角点的中点向所述纵轴作垂线，将所述垂线作为横轴，以所述纵轴和横轴的交点作为坐标原点，所述坐标原点与所述纵轴、横轴形成新坐标系，在新的坐标系下，在所述原始掌纹图像上截取掌纹矩形区域作为所述掌纹特征图像。
6.根据权利要求5所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，步骤6.3中截取的所述掌纹矩形区域位于所述原始掌纹图像的中心部分。
7.根据权利要求1所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，步骤1.3中所述距离匹配算法为Hamming距离匹配算法。
8.根据权利要求1所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，所述编码特征矩阵产生后被存储于数据库中。
9.根据权利要求1、5或6中任一项所述的一种基于随机投影加密的双因子掌纹识别方法，其特征在于，所述掌纹特征图像的大小为128×128像素。
CN201610892093.2A 2016-10-13 2016-10-13 一种基于随机投影加密的双因子掌纹识别方法 Expired - Fee Related CN106446867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610892093.2A CN106446867B (zh) 2016-10-13 2016-10-13 一种基于随机投影加密的双因子掌纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610892093.2A CN106446867B (zh) 2016-10-13 2016-10-13 一种基于随机投影加密的双因子掌纹识别方法

Publications (2)

Publication Number Publication Date
CN106446867A CN106446867A (zh) 2017-02-22
CN106446867B true CN106446867B (zh) 2019-03-15

Family

ID=58174303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610892093.2A Expired - Fee Related CN106446867B (zh) 2016-10-13 2016-10-13 一种基于随机投影加密的双因子掌纹识别方法

Country Status (1)

Country Link
CN (1) CN106446867B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951865B (zh) * 2017-03-21 2020-04-07 东莞理工学院 一种基于海明距离的隐私保护生物识别方法
CN108960003A (zh) * 2017-05-18 2018-12-07 济南大学 基于Gabor和混沌映射的掌纹特征生成及认证方法
CN107704846A (zh) * 2017-10-27 2018-02-16 济南大学 基于二值方向共生向量和bloom滤波器的掌纹识别方法
CN107958210A (zh) * 2017-11-20 2018-04-24 济南大学 一种基于十进制映射查询表的掌纹识别方法
CN108427923B (zh) * 2018-03-08 2022-03-25 广东工业大学 一种掌纹识别方法及装置
CN108573212B (zh) * 2018-03-08 2022-03-25 广东工业大学 一种手掌特征身份认证方法及装置
CN109064373B (zh) * 2018-07-17 2022-09-20 大连理工大学 一种基于外包图像数据录入的隐私保护方法
CN109558820A (zh) * 2018-11-21 2019-04-02 中共中央办公厅电子科技学院 一种基于随机可逆矩阵的隐秘物体检测方法
CN110175569B (zh) * 2019-05-28 2022-11-08 济南大学 一种单因子可撤销掌纹特征认证方法及系统
CN110188729B (zh) * 2019-06-06 2022-11-08 济南大学 一种基于并行IoM的可撤销掌纹特征识别方法及系统
CN110516594B (zh) * 2019-08-27 2022-03-18 安徽大学 一种指静脉可取消特征模板的保护方法及其保护装置
CN113034741A (zh) * 2021-03-02 2021-06-25 桂林电子科技大学 一种基于dwt-dct变换加密算法的掌静脉智能锁
CN113033700B (zh) * 2021-04-19 2022-11-08 安徽大学 一种指静脉特征模板保护方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971582A (zh) * 2005-11-24 2007-05-30 中国科学院自动化研究所 一种基于掌纹图像识别的身份鉴别方法
CN101308542A (zh) * 2008-06-26 2008-11-19 西南交通大学 基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法
CN101459514A (zh) * 2007-12-11 2009-06-17 财团法人工业技术研究院 生物辨识方法与装置及其生物特征数据的加密方法
CN101604385A (zh) * 2009-07-09 2009-12-16 深圳大学 一种掌纹识别方法和掌纹识别装置
CN102938698A (zh) * 2012-10-16 2013-02-20 东北大学秦皇岛分校 基于压缩感知理论的安全数据传输方法
CN103593660A (zh) * 2013-11-27 2014-02-19 青岛大学 一种稳定特征图像下交叉梯度编码的掌纹识别方法
CN103886303A (zh) * 2014-03-28 2014-06-25 上海云享科技有限公司 一种掌纹识别方法及装置
CN104008174A (zh) * 2014-06-04 2014-08-27 北京工业大学 一种海量图像检索的隐私保护索引生成方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971582A (zh) * 2005-11-24 2007-05-30 中国科学院自动化研究所 一种基于掌纹图像识别的身份鉴别方法
CN101459514A (zh) * 2007-12-11 2009-06-17 财团法人工业技术研究院 生物辨识方法与装置及其生物特征数据的加密方法
CN101308542A (zh) * 2008-06-26 2008-11-19 西南交通大学 基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法
CN101604385A (zh) * 2009-07-09 2009-12-16 深圳大学 一种掌纹识别方法和掌纹识别装置
CN102938698A (zh) * 2012-10-16 2013-02-20 东北大学秦皇岛分校 基于压缩感知理论的安全数据传输方法
CN103593660A (zh) * 2013-11-27 2014-02-19 青岛大学 一种稳定特征图像下交叉梯度编码的掌纹识别方法
CN103886303A (zh) * 2014-03-28 2014-06-25 上海云享科技有限公司 一种掌纹识别方法及装置
CN104008174A (zh) * 2014-06-04 2014-08-27 北京工业大学 一种海量图像检索的隐私保护索引生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Semi-Supervised Palmprint Recognition Based on Similarity Projection Analysis》;Qian Liu等;《2011 International Conference on Hand-Based Biometrics》;20111231;第1-6页
《采用均匀局部二元模式及稀疏表示的掌纹识别》;王文龙等;《光电工程》;20141231;第41卷(第12期);第60-65页

Also Published As

Publication number Publication date
CN106446867A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106446867B (zh) 一种基于随机投影加密的双因子掌纹识别方法
Galbally et al. Iris image reconstruction from binary templates: An efficient probabilistic approach based on genetic algorithms
Yang et al. Cancelable fingerprint templates with delaunay triangle-based local structures
Leng et al. Palmhash code vs. palmphasor code
Jin et al. A non-invertible randomized graph-based hamming embedding for generating cancelable fingerprint template
Moujahdi et al. Fingerprint shell: Secure representation of fingerprint template
Leng et al. Conjugate 2DPalmHash code for secure palm-print-vein verification
Zhao et al. Negative iris recognition
Sedik et al. Deep learning modalities for biometric alteration detection in 5G networks-based secure smart cities
Chong et al. Iris authentication using privatized advanced correlation filter
Liu et al. Minutiae and modified biocode fusion for fingerprint-based key generation
Verma et al. A Hybrid Privacy Preserving Scheme Using Finger Print Detection in Cloud Environment.
Qiu et al. Cancelable palmprint templates based on random measurement and noise data for security and privacy-preserving authentication
Walia et al. Design and analysis of adaptive graph-based cancelable multi-biometrics approach
CN108960003A (zh) 基于Gabor和混沌映射的掌纹特征生成及认证方法
Rahman et al. Performance analysis of a parameterized minutiae-based approach for securing fingerprint templates in biometric authentication systems
CN105678150A (zh) 一种用户权限管理方法
Meetei et al. A variant of cancelable iris biometric based on BioHashing
Ramakrishnan et al. An efficient automatic attendance system using fingerprint reconstruction technique
Wijewardena et al. Fingerprint template invertibility: Minutiae vs. deep templates
Shao et al. Template protection based on chaotic map for finger vein recognition
Esan et al. Bimodal biometrics for financial infrastructure security
Meraoumia et al. Robust human identity identification system by using hand biometric traits
Sinduja et al. Sheltered iris attestation by means of visual cryptography (sia-vc)
Han et al. Generation of reliable PINs from fingerprints

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190315

Termination date: 20211013