CN110503697B - 一种基于随机噪声机制的虹膜特征隐藏方法 - Google Patents

Abstract

本发明公开了一种基于随机噪声机制的虹膜特征隐藏方法，其实现的具体步骤为：基于小波变化的过零检测和编码方法对虹膜特征提取及预处理；基于可控加噪机制的差分隐私算法实现虹膜生物特征隐藏；基于哈希算法验证差分隐私保护后的虹膜图像与原始数据之间的相似性。本发明基于差分隐私度量提出了一种隐私保护方法，以保护虹膜图像隐私，提高虹膜图像发布时的安全性，并避免隐私泄露的风险；提出了一种基于哈希算法的验证虹膜图像相似度的方法，用于比较施加随机噪声机制后的虹膜图像与虹膜原图的相似度。

Description

一种基于随机噪声机制的虹膜特征隐藏方法

技术领域：

本发明涉及虹膜图像信息安全领域，具体为一种基于随机噪声机制的虹膜特征隐藏方法。

背景技术：

随着近年来互联网概念的日益普及，个人信息的安全性变得越来越重要。生物识别技术是通过分析人类固有的生理或行为特征来保护个人信息的重要方式。人体的生物学特征主要包括指纹，面部，虹膜，声音，步态，签名等，虹膜特征是目前生物认证技术的最高水平。学术界和商界越来越重视基于虹膜特征提取的身份识别技术。虹膜识别逐渐应用于一些需要高安全性能的部门，如银行系统和安全机构，以及一些对身份验证要求较高的环境。

在网络传输过程中，由于虹膜图像信息的不安全性，恶意攻击者有机会使原始数据信息由于攻击而被泄露或破坏。由于虹膜图像是独特且不可变的，因此一旦虹膜图像被盗，我们的隐私信息可能存在长期披露的风险。面对虹膜图像信息的恶意破坏和受害者私人信息的泄漏，提高虹膜图像安全性的手段仍然是迫切需要解决的问题。

最近的许多工作都集中在设计生物识别加密算法上。比如：相关学者提出一种基于二维混沌密码系统的分组密码，它使用二维混沌系统，如Baker映射，标准映射等，实现图像数据的有效加密；然而，虹膜的识别主要基于相似度测量的汉明距离，该计划的时间复杂性很高。不仅如此，上述加密方法仅限于半诚实模式下的虹膜隐私保护，但在现实生活中，可能存在恶意攻击者从服务器窃取信息或篡改服务器。除此之外，在当前流行的云概念中，如果云用于存储用户虹膜，则可能会损害虹膜信息。

发明内容：

本发明的目的是针对现有技术的缺陷，提出了一种基于随机噪声机制的虹膜特征隐藏方法，以解决上述背景技术提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于随机噪声机制的虹膜特征隐藏方法，包括以下步骤：

步骤(1)：基于小波变化的过零检测和编码方法对虹膜特征提取及预处理；

步骤(2)：基于拉普拉斯分布噪声和高斯分布噪声机制的差分隐私算法实现虹膜生物特征隐藏；

步骤(3)：基于哈希算法验证差分隐私保护的虹膜图像与原始数据之间的相似性。

作为本发明的一种优选技术方案，所述步骤(1)构建的基于小波变化的过零检测和编码方法对虹膜特征提取及预处理具体实施流程为：

步骤(1a)：通过以虹膜中心为中心的同心圆对虹膜数字图像进行采样，生成2D虹膜数字图像；

步骤(1b)：将2D虹膜数字图像转换为1D信号；

步骤(1c)：通过特定的小波函数对1D信号进行变换形成编码，形成虹膜图像矩阵，对应于虹膜的特征信息；其中，特定的小波函数被定义为平滑函数的二阶导数。

作为本发明的一种优选技术方案，所述步骤(2)基于拉普拉斯噪声和高斯噪声的差分隐私算法实现虹膜生物特征隐藏的具体步骤为：

步骤(2a)：运用拉普拉斯机制和高斯机制将普通查询函数的查询结果映射到随机值范围，生产和虹膜图像矩阵尺寸一致的随机变量矩阵，此随机变量矩阵就是服从高斯分布或拉普拉斯分布的噪声；

步骤(2b)：将步骤(2a)中生成的满足隐私要求的随机变量矩阵中的数值与虹膜图像矩阵中的图像像素值相加，获得新的像素值矩阵；其中，如果生成的矩阵中的图像像素值超过255，则图像像素值被分配为255。

作为本发明的一种优选技术方案，所述步骤(3)基于哈希算法验证差分隐私保护的虹膜图像与原始数据之间的相似性具体步骤为：

步骤(3a)：通过减小图像的大小，以快速删除图像的高频率和详细信息，仅保留图像的结构和亮度，以排除不同尺寸和不同比例图像之间的差异；

步骤(3b)：对步骤(3a)得到的图像执行灰度处理，消除色差对处理结果的影响；

步骤(3c)：对步骤(3b)得到的图像进行离散余弦变换(DCT)，进一步压缩要处理的图像；离散余弦变换后，图像的DCT系数能量主要集中在图像的左上角，因此只需要保持左上角的区域为80*80，得到DCT系数均值；

步骤(3d)：对步骤(3c)中得到的图像区域中的像素与DCT系数的平均值进行比较，将像素的位置大于或等于均值记录为1，比较不同哈希序列的数量；保存所获得的汉明距离，提供用于后续判别阈值的基本数据；汉明距离越小，两幅图像越相似，其中，哈希序列的数量就代表汉明距离。

本发明的有益效果：本发明所提出的一种基于随机噪声机制的虹膜特征隐藏算法不仅为虹膜图像提供了有效的隐私保护，而且防止了虹膜图像特征被不法分子所窃取，还能保护了图像的美观，以保护虹膜图像隐私，提高虹膜识别验证的安全性，并避免隐私泄露的风险；提出了一种基于哈希算法的验证虹膜图像相似度的方法，用于比较基于拉普拉斯噪声和高斯噪声机制的差分隐私保护后的虹膜图像与原图的相似度。

附图说明：

图1是本发明的流程图；

图2是本发明的虹膜数据库中的虹膜图片；

图3是本发明添加具有不同噪声参数的拉普拉斯噪声隐私保护后的虹膜图像、放大后的局部虹膜图像、放大红色框中的虹膜图像；

图4是本发明添加具有不同噪声参数的高斯噪声隐私保护后的虹膜图像、放大后的局部虹膜图像、放大红色框中的虹膜图像；

图5是本发明基于两种噪声机制的隐私保护后的虹膜图像与噪声参数为0.02、0.04、0.06时的原始数据之间的哈希差异的大小对比图。

具体实施方式：

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1-5，本发明提供一种技术方案：一种基于随机噪声机制的虹膜特征隐藏算法：根据图1流程图，本发明的实现步骤如下：

(1)：基于小波变化的过零检测和编码方法对虹膜特征提取及预处理。

(1a)：通过以虹膜中心为中心的同心圆对虹膜数字图像进行采样，生成2D虹膜数字图像；

(1b)：将2D虹膜数字图像转换为1D信号；

(1c)：通过特定的小波函数对1D信号进行变换形成编码，形成虹膜图像矩阵，对应于虹膜的特征信息，其中，特定的小波函数被定义为平滑函数的二阶导数。

(2)：基于拉普拉斯分布噪声融合和高斯分布噪声融合的差分隐私算法实现虹膜生物特征隐藏。

(2a)：运用拉普拉斯机制和高斯机制将普通查询函数的查询结果映射到随机值范围，生产和虹膜图像矩阵尺寸一致的随机变量矩阵，此随机变量矩阵就是服从高斯分布或拉普拉斯分布的噪声；

(2b)：将(2a)中生成的满足隐私要求的随机变量矩阵中的数值与虹膜图像矩阵中的图像像素值相加，获得新的像素值矩阵，其中，如果生成的矩阵中的图像像素值超过255，则图像像素值被分配为255；

(3)：基于哈希算法验证差分隐私保护的虹膜图像与原始数据之间的相似性。

(3a)：通过减小图像的大小，以快速删除图像的高频率和详细信息，仅保留图像的结构和亮度，以排除不同尺寸和不同比例图像之间的差异；

(3b)：对(3a)得到的图像执行灰度处理，消除色差对处理结果的影响；

(3c)：对(3b)得到的图像进行离散余弦变换(DCT)，进一步压缩要处理的图像，离散余弦变换后，图像的DCT系数能量主要集中在图像的左上角，因此只需要保持左上角的区域为80*80，得到DCT系数均值；

(3d)：根据(3c)中得到的图像区域中的像素与DCT系数的平均值进行比较，将像素的位置大于或等于均值记录为1，比较不同哈希序列的数量，保存所获得的汉明距离，提供用于后续判别阈值的基本数据，汉明距离越小，两幅图像越相似，其中，哈希序列的数量就代表汉明距离。

为了评估相关哈希算法的潜力和优势，比较了较为常用的三种相似性检测算法，对比算法分别为：Average Hash(aHash)算法，Perceptual Hash(pHash)算法和DeferenceHash(dHash)算法，以下做简要介绍。

aHash算法基于像素域设计，该设计利用图片中的低频分量。首先，通过缩小图像来剔除图像中的高频分量，从而保留图像中的低频信息。其次，通过灰度处理进一步去除图像中的高频分量。接着，需要计算图像的哈希值，并比较灰度图像中的每个像素与灰度图像中的像素的平均值之间的大小。如果灰度图像中的单个像素大于或等于平均值，则记录为1；否则，它表示为0。二进制字符串是图像的aHash值。图像大小缩放对图像散列值的影响较小。

pHash算法基于频域实现。具体而言，该算法将图像视为不同频率分量的叠加。首先通过离散余弦变换将图像转换到频域。可以看出，频率分量的较小系数是它占据的图像覆盖的较高比例。对于相反的情况，这同样适用。系数矩阵元素值表示从左上角到右下角沿对角线方向的减小趋势。此外，矩阵的左上角元素用于计算苛刻值以及该角上每个元素之间的大小与总元素的平均值的比较。如果左上角的系数矩阵中的单个元素大于或等于均值，则记录为1。另外，对于具有大系数的频率分量值，它们通常集中在系数矩阵的左上角。获得二进制字符串是图像的pHash值。离散余弦变换极大地保留了图像的低频分量。只要图像的整体结构不改变，图像的哈希值就可以保持不变。

dHash算法基于像素域设计构建。具体地，根据许多相邻像素之间的差异来计算图像散列值。首先，通过灰度处理将缩小的图像转换为灰度图像。其次，相对于像素矩阵的相同线性能，比较相邻像素值之间的大小关系。如果左边的像素值大于右边的像素值，则记录为1；否则，它被记录为0。两个图像的像素之间的关系越近，它们之间的相似性越高。因此，可以通过比较像素矩阵的所有行来获得图像的哈希值。

结果表明：pHash算法在识别效果方面是最优的，dHash算法优于aHash算法。在实现速度方面，aHash算法速度最快，dHash算法优于pHash算法。dHash算法在识别效果和实现速度方面处于中间位置。在本验证方案中，选择pHash算法。

图2显示了虹膜数据库中的虹膜图片。

图3显示了添加具有不同噪声参数的拉普拉斯噪声隐私保护后的虹膜图像、添加了具有不同噪声参数的拉普拉斯噪声隐私保护后放大的局部虹膜图像、放大了红色框中的图像图片。

图4显示了添加具有不同噪声参数的高斯噪声隐私保护后的虹膜图像、添加了具有不同噪声参数的高斯噪声后放大的局部虹膜图像、放大了红色框中的图像。

根据图3、图4的仿真结果，可以看出基于拉普拉斯噪声和高斯噪声机制的差分隐私保护后的虹膜图像隐藏了图2的特征。随着噪声参数数值的增加，虹膜特征的隐藏效果更好。

图5显示了噪声参数为0.02、0.04、0.06时的基于两种噪声机制的隐私保护后的虹膜图像与原始数据之间的哈希差异的大小。使用matlab工具对中国科学院虹膜数据库中的50个虹膜图像(640*480像素值)进行模拟，虹膜图像信息缩放到80*80维度。虹膜图像的一些细节将被隐藏。由虹膜图像生成的0和1序列值是图像的散列值，总共6400位。根据图5结果可以看出，在相同的噪声参数下，高斯噪声的图像差分隐私策略好于拉普拉斯噪声。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种基于随机噪声机制的虹膜特征隐藏方法，其特征在于，包括以下步骤：

步骤(1)：基于小波变化的过零检测和编码方法对虹膜特征提取及预处理；

步骤(1a)：通过以虹膜中心为中心的同心圆对虹膜数字图像进行采样，生成2D虹膜数字图像；

步骤(1b)：将2D虹膜数字图像转换为1D信号；

步骤(1c)：通过特定的小波函数对1D信号进行变换形成编码，形成虹膜图像矩阵，对应于虹膜的特征信息；其中，特定的小波函数被定义为平滑函数的二阶导数；

步骤(2)：基于拉普拉斯分布噪声和高斯分布噪声机制的差分隐私算法实现虹膜生物特征隐藏；

步骤(2a)：运用拉普拉斯机制和高斯机制将普通查询函数的查询结果映射到随机值范围，产生和虹膜图像矩阵尺寸一致的随机变量矩阵，此随机变量矩阵就是服从高斯分布或拉普拉斯分布的噪声；

步骤(2b)：将步骤(2a)中生成的满足隐私要求的随机变量矩阵中的数值与虹膜图像矩阵中的图像像素值相加，获得新的像素值矩阵；其中，如果生成的矩阵中的图像像素值超过255，则图像像素值被分配为255；

步骤(3)：基于哈希算法验证差分隐私保护的虹膜图像与原始数据之间的相似性；

步骤(3a)：通过减小图像的大小，以快速删除图像的高频率和详细信息，仅保留图像的结构和亮度，以排除不同尺寸和不同比例图像之间的差异；

步骤(3b)：对步骤(3a)得到的图像执行灰度处理，消除色差对处理结果的影响；

步骤(3c)：对步骤(3b)得到的图像进行离散余弦变换，进一步压缩要处理的图像；离散余弦变换后，图像的DCT系数能量主要集中在图像的左上角，因此只需要保持左上角的区域为80*80，得到DCT系数均值；

步骤(3d)：对步骤(3c)中得到的图像区域中的像素与DCT系数的平均值进行比较，将像素的位置大于或等于均值记录为1，比较不同哈希序列的数量；保存所获得的汉明距离，提供用于后续判别阈值的基本数据；汉明距离越小，两幅图像越相似，其中，哈希序列的数量就代表汉明距离。

Images