CN110990847A - 一种基于局部敏感哈希的指纹模板保护方法 - Google Patents

Abstract

本发明公开了一种基于局部敏感哈希的指纹模板保护方法，包括：获取若干待训练细节点；根据高斯函数处理待训练细节点和待训练细节点对应的第一区域内的像素点得到待训练细节点的第一定长实数向量；根据待训练细节点和待训练细节点对应的第二区域内像素点的灰度得到待训练细节点的第二定长实数向量；根据第一定长实数向量和第二定长实数向量得到待训练细节点的比特向量；根据局部敏感哈希算法处理比特向量得到哈希模板。本发明利用局部敏感哈希算法对比特向量进行了处理，从而得到具有保护作用的指纹模板，本发明所得到的指纹模板即使丢失，原始模板信息也不会泄露，具有较好的安全性。

Description

一种基于局部敏感哈希的指纹模板保护方法

技术领域

本发明属于指纹识别技术领域，具体涉及一种基于局部敏感哈希的指纹模板保护方法。

背景技术

随着全球经济与信息技术的发展，尤其是全球互联网时代的到来，越来越多的领域需要可靠的身份认证。在信息化的背景下，个人身份逐渐数字化和隐性化，如何准确的鉴别一个人的身份，保证信息安全，是信息化时代的一个重要挑战。生物特征由于其稳定性和方便性而被人们所认识并深入研究，生物特征即一个人固有的生理或行为特征，比如指纹、虹膜、掌纹、声音等。

相比较传统认证和识别系统中的口令、令牌等认证信息，生物特征具有不会遗忘、不会丢失等优点，以生物特征作为识别和认证手段可以同时提供较高的用户易用性和较高的安全性，因此得到越来越广泛的应用。尤其是指纹特征已经广泛应用于各种身份识别和认证系统，例如门禁、考勤等。

然而指纹特征的广泛应用也带来了对个人隐私泄漏和其他一些安全性的担心，因此如何提高指纹特征的安全性成为了亟待解决的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于局部敏感哈希的指纹模板保护方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于局部敏感哈希的指纹模板保护方法，包括：

获取若干待训练细节点；

根据高斯函数处理所述待训练细节点和所述待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量；

根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度得到所述待训练细节点的第二定长实数向量；

根据所述第一定长实数向量和所述第二定长实数向量得到所述待训练细节点的比特向量；

根据局部敏感哈希算法处理所述比特向量得到哈希模板。

在本发明的一个实施例中，获取若干指纹的待训练细节点，包括：

获取若干第一指纹图像；

对所述第一指纹图像进行指纹增强和细化处理得到所述第二指纹图像；

提取所述第二指纹图像上的所述若干待训练细节点。

在本发明的一个实施例中，根据高斯函数处理所述待训练细节点和所述待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量，包括：

以所述待训练细节点为基点构建所述第一区域；

根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到高斯函数值；

根据所述高斯函数值得到所述第一区域内每个所述像素点的贡献值；

根据所述贡献值得到所述第一定长实数向量。

在本发明的一个实施例中，根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到高斯函数值；

根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到所述第一区域内除基点处其余待训练细节点和所述第一区域内每个所述像素点的距离；

基于所述待训练细节点和所述第一区域内每个所述像素点的距离，利用高斯函数得到所述高斯函数值。

在本发明的一个实施例中，根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度值差值得到所述待训练细节点的第二定长实数向量，包括：

以所述待训练细节点为基点构建所述第二区域；

根据所述待训练细节点的灰度值与所述第二区域内所述像素点的灰度值的差值得到纹理特征值；

根据所述纹理特征值得到所述第二定长实数向量。

在本发明的一个实施例中，根据所述第一定长实数向量和所述第二定长实数向量得到所述待训练细节点的比特向量，包括：

获取注册指纹中待注册细节点的第二融合特征向量；

利用PCA对所述第一定长实数向量和所述第二定长实数向量分别进行降维处理后级联成第一融合特征向量；

对所述第一融合特征向量进行聚类处理得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；

根据所述第二融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到所述比特向量。

在本发明的一个实施例中，对所述第一融合特征向量进行聚类处理得到聚类中心集，包括：

利用k-means算法对所述第一融合特征向量进行聚类处理得到聚类中心集。

在本发明的一个实施例中，获取注册指纹中待注册细节点的第二融合特征向量，包括：

获取注册指纹的若干待注册细节点；

根据高斯函数处理所述待注册细节点和所述待注册细节点对应的第三区域内像素点得到所述待注册细节点的第三定长实数向量；

根据所述待注册细节点和所述待注册细节点对应的第二区域内像素点的灰度得到所述待注册细节点的第四定长实数向量；

利用PCA对所述第三定长实数向量和所述第四定长实数向量分别进行降维处理后级联成第二融合特征向量。

在本发明的一个实施例中，根据局部敏感哈希算法处理所述比特向量得到哈希模板，包括：

根据局部敏感哈希算法随机生成m组置换种子；

利用m组置换种子对所述比特向量进行随机置换得到m个置换比特向量；

根据所述m个置换比特向量得到所述哈希模板。

在本发明的一个实施例中，根据所述m个置换比特向量得到所述哈希模板，包括：

提取所述置换比特向量中的前w个元素；

提取所述前w个元素中第一个聚类成功的位置并记录所述聚类成功的位置的索引值；

对所述索引值进行取模处理，根据所述取模处理后的索引值得到所述哈希模板。

本发明的有益效果：

本发明基于细节点与像素点间的空间位置关系及灰度差异，通过高斯函数表征，得到了两个定长实数向量，并通过这两个定长实数向量得到了能够反映注册指纹特点的比特向量，然后利用局部敏感哈希算法对比特向量进行了处理，从而得到了能够得到了具有保护作用的指纹模板，本发明所得到的指纹模板即使丢失，原始模板信息也不会泄露，具有较好的安全性。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于局部敏感哈希的指纹模板保护方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种基于局部敏感哈希的指纹模板保护方法的流程示意图。本实施例提供一种基于局部敏感哈希的指纹模板保护方法，该指纹模板保护方法包括步骤1～步骤5，其中：

步骤1、获取若干待训练细节点；

本实施例的待训练细节点可以是通过采集多张指纹图像，并从每张指纹图像中获取若干细节点组合而成，待训练细节点可以包括指纹线的终点和分叉点。

为了提高待训练细节点提取的准确度，步骤1还可以具体包括步骤1.1～步骤1.3，其中：

步骤1.1、获取若干第一指纹图像；

步骤1.2、对第一指纹图像进行指纹增强和细化处理得到第二指纹图像；

步骤1.3、提取第二指纹图像上的若干待训练细节点；

在本实施例中，第一指纹图像用于提取待训练细节点，为了提高指纹图像的质量和更准确的提取细节点特征，本实施例对第一指纹图像进行了预处理从而第二指纹图像，预处理可以包括增强处理和细化处理，之后通过第二指纹图像提取训练用的待训练细节点。

步骤2、根据高斯函数处理待训练细节点和待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量；

本实施例通过高斯函数处理待训练细节点和以待训练细节点为基准得到的第一区域内的像素点，从而得到了待训练细节点的第一定长实数向量，第一定长实数向量反应了待训练细节点位置特点，因此通过第一定长实数向量获取的融合特征向量能够体现待训练细节点的位置特点。

具体地，步骤2具体可以包括步骤2.1～步骤2.4，其中：

步骤2.1、以待训练细节点为基点构建第一区域；

本实施例为了更好的反映每个待训练细节点的特征，在处理每个待训练细节点时，首先以待训练细节点为基点，以某种形状选择一第一区域，从而可以使得该第一区域包含该待训练细节点和其周围的像素点。本实施例不对第一区域进行限制，第一区域例如可以为圆形、方形等。为了更好的说明第一区域，本实施例以第一区域为圆形进行举例说明，例如以某一待训练细节点{x_r,y_r,θ_r}为圆心、以半径r_m做圆，圆内像素点的个数为

步骤2.2、根据待训练细节点的极坐标和第一区域内每个像素点的极坐标得到高斯函数值；

步骤2.21、根据待训练细节点的极坐标和第一区域内每个像素点的极坐标得到第一区域内除基点处其余待训练细节点和第一区域内每个像素点的距离；

步骤2.22、基于待训练细节点和第一区域内每个像素点的距离，利用高斯函数得到高斯函数值。

具体地，首先对待训练细节点进行极坐标转换得到待训练细节点的极坐标，并对第一区域内的像素点进行极坐标转换得到每个像素点的极坐标，之后利用第一区域内除基点处其余待训练细节点的极坐标和第一区域内每个像素点的极坐标计算该待训练细节点与第一区域内每个像素点的距离，并将所得到的距离代入至高斯函数中从而得到高斯函数值，其中，高斯函数的表达式为：

其中，ξ为待训练细节点与第一区域内像素点的距离，σ_S为标准差。

步骤2.3、根据高斯函数值得到第一区域内每个像素点的贡献值；

具体地，将每个像素点所得到的高斯函数值记为该像素点的贡献值，即

其中G(d(m_t,p_x,y))为高斯函数，ξ＝d(m_t,p_x,y)，

为像素点的贡献值。

步骤2.4、根据贡献值得到第一定长实数向量表示为

具体地，按照设定顺序遍历完第一区域内所有像素点后，按照设定顺序集合所有贡献值组合成该待训练细节点的第一定长实数向量，并通过上述方式对应得到每个待训练细节点的第一定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。

步骤3、根据待训练细节点和待训练细节点对应的第二区域内像素点的灰度得到待训练细节点的第二定长实数向量；

本实施例通过待训练细节点的灰度和以待训练细节点为基准得到的第二区域内像素点的灰度，从而得到了待训练细节点的第二定长实数向量，第二定长实数向量反应了待训练细节点灰度特点，因此通过第二定长实数向量获取的融合特征向量能够体现待训练细节点的灰度特点。

具体地，步骤3具体可以包括步骤3.1～步骤3.3，其中：

步骤3.1、以待训练细节点为基点构建第二区域；

本实施例为了更好的反映每个待训练细节点的特征，在处理每个待训练细节点时，首先以待训练细节点为基点，以某种形状选择一第二区域，从而可以使得该第二区域包含该待训练细节点和其周围的像素点。本实施例不对第二区域进行限制，第二区域例如可以为圆形、方形等。为了更好的说明第二区域，本实施例以第二区域为圆形进行举例说明，例如以某一待训练细节点{x_r,y_r,θ_r}为圆心、以半径r_t做圆，圆内像素点的个数为

步骤3.2、根据待训练细节点的灰度值与第二区域内所述像素点的灰度值的差值得到纹理特征值；定义基点处的待训练细节点与像素点差值作为某一像素点的特征，公式为，VGV(x_p,y_p)＝I(x_p,y_p)-I(x_r,y_r)，其中，VGV(x_p,y_p)为像素点(x_p,y_p)的灰度差值，I(x_p,y_p)和I(x_r,y_r)为标准化后像素点和基点处的待训练细节点的灰度值。向量表示为

具体地，计算该待训练细节点的灰度值与第二区域内像素点的灰度值的差值，并将该差值记为纹理特征值。

步骤3.3、根据纹理特征值得到第二定长实数向量。

具体地，按照设定顺序遍历完第二区域内所有像素点后，按照设定顺序集合所有纹理特征值组合成该待训练细节点的第二定长实数向量，并通过上述方式对应得到每个待训练细节点的第二定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。

步骤4、根据第一定长实数向量和第二定长实数向量得到待训练细节点的比特向量；

步骤4.1、利用PCA对第一定长实数向量和第二定长实数向量分别进行降维处理后级联成第一融合特征向量；

具体地，利用PCA(主成分分析，Principal Components Analysis)方法分别对待训练细节点的第一定长实数向量和第二定长实数向量进行降维处理，并将降维处理后的第一定长实数向量和第二定长实数向量进行级联，级联后所得到的向量即为该待训练细节点的第一融合特征向量。

步骤4.2、对第一融合特征向量进行聚类处理得到聚类中心集，其中聚类中心集中包括若干第一融合特征向量；

具体地，本实施例将所有用于训练的第一融合特征向量进行聚类处理，例如设定一定数目，将聚类处理完成之后满足该数目的所有第一融合特征向量集合为聚类中心集，例如，设定聚类数目为4000，则将满足聚类条件的第一融合特征向量进行聚类。

进一步地，可以利用k-means算法对第一融合特征向量进行聚类处理得到聚类中心集。

步骤4.3、获取注册指纹中待注册细节点的第二融合特征向量；

具体地，注册指纹为在实际使用中需要注册的指纹，待注册细节点为注册指纹中含有的细节点，每个待注册细节点可以包括指纹线的终点和分叉点，第二融合特征向量反映了待注册细节点的位置和灰度特征。

步骤4.31、获取注册指纹的若干待注册细节点；

步骤4.32、根据高斯函数处理待注册细节点和待注册细节点对应的第三区域内像素点得到待注册细节点的第三定长实数向量；

步骤4.321、以待注册细节点为基点构建第三区域；

本实施例为了更好的反映每个待注册细节点的特征，在处理每个待注册细节点时，首先以待注册细节点为基点，以某种形状选择一第三区域，从而可以使得该第三区域包含该待注册细节点和其周围的像素点。本实施例不对第三区域进行限制，第三区域例如可以为圆形、方形等。

步骤4.322、根据待注册细节点的极坐标和第三区域内每个像素点的极坐标得到高斯函数值，并根据该高斯函数值得到第三区域内每个像素点的贡献值；

具体地，首先根据待注册细节点的极坐标和第三区域内每个像素点的极坐标得到第三区域内除基点处其余待注册细节点和第三区域内每个像素点的距离；再基于待注册细节点和第三区域内每个像素点的距离，利用高斯函数得到高斯函数值，之后将第三区域内每个像素点所得到的高斯函数值记为该像素点的贡献值。

进一步地，首先对待注册细节点进行极坐标转换得到待注册细节点的极坐标，并对第三区域内的像素点进行极坐标转换得到每个像素点的极坐标，之后利用第三区域内除基点处其余待注册细节点的极坐标和第三区域内每个像素点的极坐标计算该待注册细节点与第三区域内每个像素点的距离，并将所得到的距离代入至高斯函数中从而得到高斯函数值，并将第三区域内每个像素点所得到的高斯函数值记为该像素点的贡献值。

步骤4.323、根据第三区域内每个像素点的贡献值得到待注册细节点的第三定长实数向量；

具体地，按照设定顺序遍历完第三区域内所有像素点后，按照设定顺序集合第三区域内所有像素点的贡献值组合成该待注册细节点的第三定长实数向量，并通过上述方式对应得到每个待注册细节点的第三定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。

步骤4.33、根据待注册细节点和待注册细节点对应的第二区域内像素点的灰度得到待注册细节点的第四定长实数向量；

步骤4.331、以待注册细节点为基点构建第四区域；

本实施例为了更好的反映每个待注册细节点的特征，在处理每个待注册细节点时，首先以待注册细节点为基点，以某种形状选择一第四区域，从而可以使得该第四区域包含该待注册细节点和其周围的像素点。本实施例不对第四区域进行限制，第四区域例如可以为圆形、方形等。

步骤4.332、根据待注册细节点的灰度值与第四区域内所述像素点的灰度值的差值得到纹理特征值；

具体地，计算该注册练细节点的灰度值与第四区域内像素点的灰度值的差值，并将该差值记为第四区域内像素点的纹理特征值。

步骤4.333、根据第四区域内像素点的纹理特征值得到第四定长实数向量。

具体地，按照设定顺序遍历完第四区域内所有像素点后，按照设定顺序集合所有纹理特征值组合成该待注册细节点的第四定长实数向量，并通过上述方式对应得到每个待注册细节点的第四定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。

步骤4.334、利用PCA对第三定长实数向量和第四定长实数向量分别进行降维处理后级联成第二融合特征向量；

具体地，利用PCA方法分别对待注册细节点的第三定长实数向量和第四定长实数向量进行降维处理，并将降维处理后的第三定长实数向量和第四定长实数向量进行级联，级联后所得到的向量即为该待注册细节点的第二融合特征向量。

步骤4.4、根据第二融合特征向量和聚类中心集中的第一融合特征向量的欧式距离得到比特向量。

具体地，首先初始化一个向量，其长度与聚类中心集中所包含的第一融合特征向量的数量相等，之后计算所得到的待注册细节点的第二融合特征向量和聚类中心集中每个第一融合特征向量的欧式距离，对应得到每个第二融合特征向量中欧式距离最小的第一融合特征向量，并将初始化向量中对应的该位置分配为1，其余位置分配为0，遍历完所有待注册细节点后，便可以得到待注册指纹的比特向量。

步骤5、根据局部敏感哈希算法处理比特向量得到哈希模板；

步骤5.1、根据局部敏感哈希算法随机生成m组置换种子；

具体地，首先将哈希码值初始化，将各元素初始化为0，之后随机生成m组置换种子，置换种子用于对所得到的比特向量进行位置置换。

步骤5.2、利用m组置换种子对比特向量进行随机置换得到m个置换比特向量；

具体地，比特向量按照随机生成的置换种子对比特向量进行位置置换对应得到一个置换比特向量，则m组置换种子对比特向量进行随机置换可对应得到m个置换比特向量，例如比特向量为[00110]，置换种子分别为[13245]和[43215]，则对应得到的置换比特向量分别为[01010]和[11000]。

步骤5.3、根据m个置换比特向量得到哈希模板；

步骤5.31、提取置换比特向量中的前w个元素；

步骤5.32、提取前w个元素中第一个聚类成功的位置并记录聚类成功的位置的索引值；

步骤5.33、对索引值进行取模处理，根据取模处理后的索引值得到哈希模板。

具体地，首先提取每个置换比特向量中前w个元素，例如置换比特向量中含有4000个元素，w为200；之后确定该前w个元素中第一个聚类成功的位置，第一个聚类成功的位置即第一个元素为1的位置，之后记录该聚类成功的位置的索引值t_i，索引值即为第一个为1的元素的位置所对应的数值，例如w取5，前5个元素为01000，则其索引值为2，又如前5个元素为00001，则其索引值为5；则m个置换比特向量对应得到m个索引值。

步骤5.34、对索引值进行取模处理，根据取模处理后的索引值得到哈希模板。

具体地，对索引值t_i进行取模操作(mod)，则最终可以得到哈希模板

本发明提出的基于局部敏感哈希的指纹模板保护方法，将原始指纹特征映射到与原始指纹信息毫无关联的索引值空间，保证了整个保护模板的不可逆性。

本发明以随机生成的置换种子作为用户口令，当注册模板丢失时，可以任意更换新的置换种子，并可发布新的模板。这使得基于本发明所得到系统具有较好的可撤性及无关联性。

本发明基于局部敏感哈希算法设计了一种基于置换比特向量中第一个为1的索引的变换方法，通过优化哈希函数的个数及相关参数，变换前后的匹配性能损失较小(在公开库FVC 2002 DB1的测试中，系统等错误率在特征变换前后的差别仅为0.05％)，并且本发明对生物特征类型没有特别的限制，可以拓展到其他生物特征的模板保护上。

本发明提取的指纹特征为免对准的细节点局部特征，该特征具有旋转平移不变性，可以有效的避免由于疤痕、灰尘、指纹干湿程度以及不同采集仪环境下所造成的形变损及细节点丢失误差。同时，由于该特征最终存储为定长有序的比特向量形式，其匹配速度快，存储消耗较小。

本发明可以有效保护原始指纹信息不被非法窃取，能够促进信息产业的安全发展，具有重要市场价值。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于局部敏感哈希的指纹模板保护方法，其特征在于，包括：

获取若干待训练细节点；

根据高斯函数处理所述待训练细节点和所述待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量；

根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度得到所述待训练细节点的第二定长实数向量；

根据所述第一定长实数向量和所述第二定长实数向量得到所述待训练细节点的比特向量；

根据局部敏感哈希算法处理所述比特向量得到哈希模板。

2.根据权利要求1所述的指纹模板保护方法，其特征在于，获取若干指纹的待训练细节点，包括：

获取若干第一指纹图像；

对所述第一指纹图像进行指纹增强和细化处理得到所述第二指纹图像；

提取所述第二指纹图像上的所述若干待训练细节点。

3.根据权利要求1所述的指纹模板保护方法，其特征在于，根据高斯函数处理所述待训练细节点和所述待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量，包括：

以所述待训练细节点为基点构建所述第一区域；

根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到高斯函数值；

根据所述高斯函数值得到所述第一区域内每个所述像素点的贡献值；

根据所述贡献值得到所述第一定长实数向量。

4.根据权利要求3所述的指纹模板保护方法，其特征在于，根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到高斯函数值，包括：

根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到所述第一区域内除基点处其余待训练细节点和所述第一区域内每个所述像素点的距离；

基于所述待训练细节点和所述第一区域内每个所述像素点的距离，利用高斯函数得到所述高斯函数值。

5.根据权利要求1所述的指纹模板保护方法，其特征在于，根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度值差值得到所述待训练细节点的第二定长实数向量，包括：

以所述待训练细节点为基点构建所述第二区域；

根据所述待训练细节点的灰度值与所述第二区域内所述像素点的灰度值的差值得到纹理特征值；

根据所述纹理特征值得到所述第二定长实数向量。

6.根据权利要求1所述的指纹模板保护方法，其特征在于，根据所述第一定长实数向量和所述第二定长实数向量得到所述待训练细节点的比特向量，包括：

利用PCA对所述第一定长实数向量和所述第二定长实数向量分别进行降维处理后级联成第一融合特征向量；

对所述第一融合特征向量进行聚类处理得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；

获取注册指纹中待注册细节点的第二融合特征向量；

根据所述第二融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到所述比特向量。

7.根据权利要求6所述的指纹模板保护方法，其特征在于，对所述第一融合特征向量进行聚类处理得到聚类中心集，包括：

利用k-means算法对所述第一融合特征向量进行聚类处理得到聚类中心集。

8.根据权利要求6所述的指纹模板保护方法，其特征在于，获取注册指纹中待注册细节点的第二融合特征向量，包括：

获取注册指纹的若干待注册细节点；

根据高斯函数处理所述待注册细节点和所述待注册细节点对应的第三区域内像素点得到所述待注册细节点的第三定长实数向量；

根据所述待注册细节点和所述待注册细节点对应的第二区域内像素点的灰度得到所述待注册细节点的第四定长实数向量；

利用PCA对所述第三定长实数向量和所述第四定长实数向量分别进行降维处理后级联成第二融合特征向量。

9.根据权利要求1所述的指纹模板保护方法，其特征在于，根据局部敏感哈希算法处理所述比特向量得到哈希模板，包括：

根据局部敏感哈希算法随机生成m组置换种子；

利用m组置换种子对所述比特向量进行随机置换得到m个置换比特向量；

根据所述m个置换比特向量得到所述哈希模板。

10.权利要求9述的指纹模板保护方法，其特征在于，根据所述m个置换比特向量得到所述哈希模板，包括：

提取所述置换比特向量中的前w个元素；

提取所述前w个元素中第一个聚类成功的位置并记录所述聚类成功的位置的索引值；

对所述索引值进行取模处理，根据所述取模处理后的索引值得到所述哈希模板。

Images