CN108429614A - 一种基于指纹与人脸特征级融合的模糊金库实现方法 - Google Patents

Abstract

本发明涉及一种基于指纹与人脸特征级融合的模糊金库实现方法。本发明包括注册与验证两个阶段。注册时，本发明利用生物特征变换的方法对指纹与人脸特征进行不可逆变换，基于Diffie‑Hellman算法将经过变换的两种生物特征在特征级融合为一个模板，并对该融合模板执行模糊金库上锁算法。验证时，通过使用与注册相同的方法对验证指纹与人脸特征生成融合模板，由模糊金库解锁算法提取密钥。本发明在生物特征处理时引入随机矩阵，使得融合模板具备可撤销性，有效抵御相关攻击。由此，相较于单生物特征的模糊金库实现方法，本发明使用指纹与人脸两种生物特征实现认证，能在保护用户密钥的同时保障指纹与人脸特征的模板安全，具有高可靠性和高安全性的优点。

Description

一种基于指纹与人脸特征级融合的模糊金库实现方法

技术领域

本发明属于生物特征与密码学技术领域，具体涉及一种基于指纹与人脸特征级融合的模糊金库实现方法。

背景技术

2002年，A.Juels和M.Sudan提出了“A Fuzzy Vault Scheme”，方案中使用具有用户唯一性的无序集合A与秘密信息构成的多项式绑定生成真实点，在加入大量杂凑点后生成模糊金库。若要恢复密钥，则必须提供与集合A有绝大多数元素相同的集合B。2005年，Yongwha Chung等人提出了“Automatic Alignment of Fingerprint Features for FuzzyFingerprint Vault”，方案中利用几何哈希技术实现模糊金库中指纹特征的自动校准。2006年，Andrew B.J.Teoh等人提出了“Random Multispace Quantization as anAnalytic Mechanism for BioHashing of Biometric and Random Identity Inputs”，方案中将生物哈希技术应用于人脸特征。

使用基于指纹与人脸特征级融合的模糊金库实现方法为核心的本发明，安全性保障是由单一用户的指纹特征与人脸特征融合的唯一性提供的，基于Diffie-Hellman算法在特征级融合经过不可逆变换的指纹特征与人脸特征，使得即便模糊金库中的数据泄露，原始的指纹特征与人脸特征也难以被恢复出。

发明内容

本发明的目的是针对现有技术的不足，在真实可靠的实验条件下，提供了一种基于指纹与人脸特征级融合的模糊金库实现方法。

一种基于指纹与人脸特征级融合的模糊金库实现方法包括如下步骤：

步骤1.利用Diffie-Hellman算法，将经过离散对数变换的指纹细节点特征和经过生物哈希及离散对数变换的人脸PCA特征在特征级融合为一个特征集合；

步骤2.利用模糊金库上锁算法，将密钥信息与得到的融合特征集合进行绑定，生成指纹与人脸特征级融合的模糊金库；

步骤3.验证查询指纹，将经过验证的查询指纹与查询人脸在特征级融合，利用融合特征从指纹与人脸特征级融合的模糊金库中恢复密钥。

步骤1所述的利用Diffie-Hellman算法，将经过离散对数变换的指纹细节点特征和经过生物哈希及离散对数变换的人脸PCA特征在特征级融合为一个特征集合。具体如下：

1.1提取注册指纹图像A的细节点特征其中为第i个指纹细节点，和分别表示该细节点的横坐标、纵坐标、方向和细节点类型，一共是N_A个注册指纹细节点。

1.1.1选定有限乘法群和其上的一个生成元g，其中p为大素数，由经验推荐p＝65537，生成元g＝3。遍历i＝1到N_A，计算： 其中“||”表示二进制串接运算，即计算(十进制)：由此得到

1.1.2以F_A中的元素为基准点由几何哈希技术生成哈希表E_A，将F_TA中的点对应地替换哈希表E_A中作为基准点的例如用(经离散对数变换得到)替换从而生成注册哈希表E_TA。

1.2提取注册人脸图像B的前N_B维PCA特征表示第j维特征，由经验推荐N_B＝128。

1.2.1生成随机矩阵其中R～N(0,1)。设定阈值τ，由经验推荐τ＝200。利用生物哈希技术，计算F_B′＝RF_B，得到根据量化公式(1)对进行量化，从而得到其中

1.2.2对F_RB进行分组，从左到右每8bits为一组，将每组二值序列转换为十进制得到其中N_B＝8·N′_B。遍历j＝1到N′_B，计算：得到

1.3根据Diffie-Hellman算法在特征级对指纹特征与人脸特征进行融合，运算环境为有限乘法群和其上的生成元g

1.3.1对于每个在F_VB中查找与距离最小(差值的绝对值最小)的元素记为αⁱ，αⁱ∈F_VB。

1.3.2根据公式对和αⁱ在特征级进行融合，从而得到注册融合模板

步骤2所述的利用模糊金库上锁算法，将密钥信息与得到的融合特征集合进行绑定，生成指纹与人脸特征级融合的模糊金库。具体如下：

2.1将待保护的密钥信息S添加CRC循环冗余校验码得到S_CRC，按每16bits为一组分为d+1组，转为十进制，令每组作为系数构造最高次为d的多项式P(x)：P(x)＝δ_dx^d+δ_d-1x^d-1+…+δ₁x+δ₀(mod p)，多项式最高次d根据密钥长度取值范围一般在7到10。

2.2将中的作为多项式输入值x带入多项式P(x)中，得到模糊金库真实点

2.3随机生成杂凑点其中且N_C为杂凑点数量，由经验值推荐N_C＝300。

2.4将F_L与C合并置乱，最终生成包含真实点集、杂凑点集和模糊金库基本信息在内的指纹与人脸特征级融合的模糊金库FV，其中模糊金库的基本信息包括多项式次数d和模数p。

步骤3所述的验证查询指纹，将经过验证的查询指纹与查询人脸在特征级融合，利用融合特征从指纹与人脸特征级融合的模糊金库中恢复密钥。具体如下：

3.1提取验证指纹W的细节点特征其中N_W为验证指纹细节点的总数。

3.1.1以为基准点由几何哈希技术生成一组验证哈希表，并将这组验证哈希表与注册哈希表E_TA中的所有表项进行匹配，将注册哈希表E_TA中匹配数量最多的表项的基准点添加到指纹候选点集F_TW中。对重复与相同的步骤，获得完整的指纹候选点集一共是N′_W个候选点。

3.1.2若N′_W＞d，遍历i＝1到N′_W，计算：获得并进}行下一步；否则，要求用户重新输入查询指纹，当用户被要求输入查询指纹的次数超过3次时，则告知用户验证失败，终止密钥恢复。

3.2读取查询用户的随机矩阵R，由步骤1中1.2的方法获取查询人脸Z的经过处理的人脸量化特征其中N_Z＝8·N′_Z。

3.3根据Diffie-Hellman算法，由1.3中方法对指纹特征和人脸特征}在特征级融合。最后，获得验证融合模板点集

3.4对每个查找yⁱ∈FV，如点则将该点添加到解锁集F_UL中，得到一共是N_UL个点，其中分别对应若N_UL＞d，进行下一步；否则，验证失败。

3.5在F_UL中任意选择d+1个点进行组合，对其利用拉格朗日插值公式重构多项式，并使用CRC循环冗余校验码检验重构多项式，若通过检验，则验证成功；否则，选择下一组组合重构多项式。若所有组合都未能通过CRC校验，则验证失败。

本发明的有益效果：与单一生物特征的模糊金库实现方法相比较，本发明使用多生物特征认证的方式，实现了只有在用户的指纹与人脸特征同时通过验证后才能恢复密钥。本发明在执行模糊金库上锁前，对指纹特征进行了离散对数变换，对人脸特征进行了生物哈希和离散对数变换，并将经过变换的两种生物特征在特征级使用Diffie-Hellman算法融合为一个模板，当用于生物哈希的随机矩阵更新时，融合模板会得到更新，从而使得模糊金库可以有效抵御相关攻击。本发明的实现方法既有效的保护了密钥，又保障了指纹特征与人脸特征的模板安全，具有高安全高可靠的优点。

附图说明

图1基于指纹与人脸特征级融合的模糊金库实现流程图；

图2基于Diffie-Hellman算法的指纹与人脸特征级融合流程图；

图3基于指纹与人脸特征级融合的模糊金库解锁流程图；

图4基于指纹与人脸特征级融合的模糊金库生成仿真图；

图5基于指纹与人脸特征级融合的模糊金库解锁仿真图；

具体实施方式

以下结合附图对本发明作进一步说明。

一种基于指纹与人脸特征级融合的模糊金库实现方法主要包括三个部分：第一步，利用Diffie-Hellman算法，将经过离散对数变换的指纹细节点特征和经过生物哈希及离散对数变换的人脸PCA特征在特征级融合为一个特征集合；第二步，利用模糊金库上锁算法，将密钥信息与得到的融合特征集合进行绑定，生成指纹与人脸特征级融合的模糊金库；第三步，验证查询指纹，将经过验证的查询指纹与查询人脸在特征级融合，利用融合特征从指纹与人脸特征级融合的模糊金库中恢复密钥。

其中第一步所述的利用Diffie-Hellman算法，将经过离散对数变换的指纹细节点特征和经过生物哈希及离散对数变换的人脸PCA特征在特征级融合为一个特征集合(流程图如图1所示)。具体如下：

1.1提取注册指纹图像A的细节点特征其中为第i个指纹细节点，和分别表示该细节点的横坐标、纵坐标、方向和细节点类型，一共是N_A个注册指纹细节点。

1.1.1选定有限乘法群和其上的一个生成元g，其中p为大素数，由经验推荐p＝65537，生成元g＝3。遍历i＝1到N_A，计算： 其中“||”表示二进制串接运算，即计算(十进制)：由此得到

1.1.2以F_A中的元素为基准点由几何哈希技术生成哈希表E_A，将F_TA中的点对应地替换哈希表E_A中作为基准点的例如用(经离散对数变换得到)替换从而生成注册哈希表E_TA。

1.2提取注册人脸图像B的前N_B维PCA特征 表示第j维特征，由经验推荐N_B＝128。

1.2.1生成随机矩阵其中R～N(0,1)。设定阈值τ，由经验推荐τ＝200。利用生物哈希技术，计算F_B′＝RF_B，得到根据量化公式(1)对进行量化，从而得到其中

1.2.2对F_RB进行分组，从左到右每8bits为一组，将每组二值序列转换为十进制得到其中N_B＝8·N′_B。遍历j＝1到N′_B，计算：得到

1.3根据Diffie-Hellman算法在特征级对指纹特征与人脸特征进行融合(流程图如图2所示)，运算环境为有限乘法群和其上的生成元g。

1.3.1对于每个在F_VB中查找与距离最小(差值的绝对值最小)的元素记为αⁱ，αⁱ∈F_VB。

1.3.2根据公式对和αⁱ在特征级进行融合，从而得到注册融合模板

其中第二步所述的利用模糊金库上锁算法，将密钥信息与得到的融合特征集合进行绑定，生成指纹与人脸特征级融合的模糊金库。具体如下：

2.1将待保护的密钥信息S添加CRC循环冗余校验码得到S_CRC，按每16bits为一组分为d+1组，转为十进制，令每组作为系数构造最高次为d的多项式P(x)：P(x)＝δ_dx^d+δ_d-1x^d-1+…+δ₁x+δ₀(mod p)，多项式最高次d根据密钥长度取值范围一般在7到10。

2.2将中的作为多项式输入值x带入多项式P(x)中，得到模糊金库真实点

2.3随机生成杂凑点其中且N_C为杂凑点数量，由经验值推荐N_C＝300。

2.4将F_L与C合并置乱，最终生成包含真实点集、杂凑点集和模糊金库基本信息在内的指纹与人脸特征级融合的模糊金库FV，其中模糊金库的基本信息包括多项式次数d和模数p。

其中第三步所述的验证查询指纹，将经过验证的查询指纹与查询人脸在特征级融合，利用融合特征从指纹与人脸特征级融合的模糊金库中恢复密钥(流程图如图3所示)。具体如下：

3.1提取验证指纹W的细节点特征其中N_W为验证指纹细节点的总数。

3.1.1以为基准点由几何哈希技术生成一组验证哈希表，并将这组验证哈希表与注册哈希表E_TA中的所有表项进行匹配，将注册哈希表E_TA中匹配数量最多的表项的基准点添加到指纹候选点集F_TW中。对重复与相同的步骤，获得完整的指纹候选点集一共是N′_W个候选点。

3.1.2若N′_W＞d，遍历i＝1到N′_W，计算：获得并进}行下一步；否则，要求用户重新输入查询指纹，当用户被要求输入查询指纹的次数超过3次时，则告知用户验证失败，终止密钥恢复。

3.2读取查询用户的随机矩阵R，由步骤1中1.2的方法获取查询人脸Z的经过处理的人脸量化特征其中N_Z＝8·N′_Z。

3.3根据Diffie-Hellman算法，由1.3中方法对指纹特征和人脸特征}在特征级融合。最后，获得验证融合模板点集

3.4对每个查找yⁱ∈FV，如点则将该点添加到解锁集F_UL中，得到一共是N_UL个点，其中分别对应若N_UL＞d，进行下一步；否则，验证失败。

3.5在F_UL中任意选择d+1个点进行组合，对其利用拉格朗日插值公式重构多项式，并使用CRC循环冗余校验码检验重构多项式，若通过检验，则验证成功；否则，选择下一组组合重构多项式。若所有组合都未能通过CRC校验，则验证失败。

Claims (4)

1.一种基于指纹与人脸特征级融合的模糊金库实现方法，其特征在于如下步骤：

步骤1.1利用Diffie-Hellman算法，将经过离散对数变换的指纹细节点特征和经过生物哈希及离散对数变换的人脸PCA特征在特征级融合为一个特征集合；

步骤1.2利用模糊金库上锁算法，将密钥信息与得到的融合特征集合进行绑定，生成指纹与人脸特征级融合的模糊金库；

步骤1.3验证查询指纹，将经过验证的查询指纹与查询人脸在特征级融合，利用融合特征从指纹与人脸特征级融合的模糊金库中恢复密钥。

2.如权利要求1所述的一种基于指纹与人脸特征级融合的模糊金库实现方法，其特征在于步骤1.1所述的利用Diffie-Hellman算法，将经过离散对数变换的指纹细节点特征和经过生物哈希及离散对数变换的人脸PCA特征在特征级融合为一个特征集合，具体如下：

步骤2.1提取注册指纹图像A的细节点特征其中为第i个指纹细节点，和分别表示该细节点的横坐标、纵坐标、方向和细节点类型，一共是N_A个注册指纹细节点。

步骤2.1.1选定有限乘法群和其上的一个生成元g，其中p为大素数，由经验推荐p＝65537，生成元g＝3。遍历i＝1到N_A，计算： 其中“||”表示二进制串接运算，即计算(十进制)：由此得到

步骤2.1.2以F_A中的元素为基准点由几何哈希技术生成哈希表E_A，将F_TA中的点对应地替换哈希表E_A中作为基准点的例如用(经离散对数变换得到)替换从而生成注册哈希表E_TA。

步骤2.2提取注册人脸图像B的前N_B维PCA特征 表示第j维特征，由经验推荐N_B＝128。

步骤2.2.1生成随机矩阵其中R～N(0,1)。设定阈值τ，由经验推荐τ＝200。利用生物哈希技术，计算F_B′＝RF_B，得到根据量化公式(1)对进行量化，从而得到其中

步骤2.2.2对F_RB进行分组从左到右每8bits为一组，将每组二值序列转换为十进制得到其中N_B＝8·N′_B。遍历j＝1到N′_B，计算：得到

步骤2.3根据Diffie-Hellman算法在特征级对指纹特征与人脸特征进行融合，运算环境为有限乘法群和其上的生成元g。

步骤2.3.1对于每个在F_VB中查找与uⁱ _A距离最小(差值的绝对值最小)的元素记为αⁱ，αⁱ∈F_VB。

步骤2.3.2根据公式对和αⁱ在特征级进行融合，从而得到注册融合模板

3.如权利要求2所述的一种基于指纹与人脸特征级融合的模糊金库实现方法，其特征在于步骤1.2所述的利用模糊金库上锁算法，将密钥信息与得到的融合特征集合进行绑定，生成指纹与人脸特征级融合的模糊金库，具体如下：

步骤3.1将待保护的密钥信息S添加CRC循环冗余校验码得到S_CRC，按每16bits为一组分为d+1组，转为十进制，令每组作为系数构造最高次为d的多项式P(x)：P(x)＝δ_dx^d+δ_d-1x^d-1+…+δ₁x+δ₀(mod p)，多项式最高次d根据密钥长度取值范围一般在7到10。

步骤3.2将中的作为多项式输入值x带入多项式P(x)中，得到模糊金库真实点

步骤3.3随机生成杂凑点其中且N_C为杂凑点数量，由经验值推荐N_C＝300。

步骤3.4将F_L与C合并置乱，最终生成包含真实点集、杂凑点集和模糊金库基本信息在内的指纹与人脸特征级融合的模糊金库FV，其中模糊金库的基本信息包括多项式次数d和模数p。

4.如权利要求3所述的一种基于指纹与人脸特征级融合的模糊金库实现方法，其特征在于步骤1.3所述的验证查询指纹，将经过验证的查询指纹与查询人脸在特征级融合，利用融合特征从指纹与人脸特征级融合的模糊金库中恢复密钥。具体如下：

步骤4.1提取验证指纹W的细节点特征其中N_W为验证指纹细节点的总数。

步骤4.1.1以为基准点由几何哈希技术生成一组验证哈希表，并将这组验证哈希表与注册哈希表E_TA中的所有表项进行匹配，将注册哈希表E_TA中匹配数量最多的表项的基准点添加到指纹候选点集F_TW中。对重复与相同的步骤，获得完整的指纹候选点集一共是N′_W个候选点。

步骤4.1.2若N′_W＞d，遍历i＝1到N′_W，计算：获得并进行下一步；否则，要求用户重新输入查询指纹，当用户被要求输入查询指纹的次数超过3次时，则告知用户验证失败，终止密钥恢复。

步骤4.2读取查询用户的随机矩阵R，由步骤2.2中的方法获取查询人脸Z的经过处理的人脸量化特征其中N_Z＝8·N′_Z。

步骤4.3根据Diffie-Hellman算法，由1.3中方法对指纹特征和人脸特征在特}征级融合。最后，获得验证融合模板点集

步骤4.4对每个查找yⁱ∈FV，如点则将该点添加到解锁集F_UL中，得到一共是N_UL个点，其中分别对应若N_UL＞d，进行下一步；否则，验证失败。

步骤4.5在F_UL中任意选择d+1个点进行组合，对其利用拉格朗日插值公式重构多项式，并使用CRC循环冗余校验码检验重构多项式，若通过检验，则验证成功；否则，选择下一组组合重构多项式。若所有组合都未能通过CRC校验，则验证失败。