CN111027404B - 一种基于指纹保护模板的指纹识别方法 - Google Patents

一种基于指纹保护模板的指纹识别方法 Download PDF

Info

Publication number
CN111027404B
CN111027404B CN201911121065.0A CN201911121065A CN111027404B CN 111027404 B CN111027404 B CN 111027404B CN 201911121065 A CN201911121065 A CN 201911121065A CN 111027404 B CN111027404 B CN 111027404B
Authority
CN
China
Prior art keywords
minutiae
vector
obtaining
trained
fixed
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.)
Active
Application number
CN201911121065.0A
Other languages
English (en)
Other versions
CN111027404A (zh
Inventor
庞辽军
李玉兴
赵恒�
曹志诚
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.)
Xi'an Xd Xin'an Intelligent Technology Co ltd
Xidian University
Original Assignee
Xi'an Xd Xin'an Intelligent Technology Co ltd
Xidian University
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 Xi'an Xd Xin'an Intelligent Technology Co ltd, Xidian University filed Critical Xi'an Xd Xin'an Intelligent Technology Co ltd
Priority to CN201911121065.0A priority Critical patent/CN111027404B/zh
Publication of CN111027404A publication Critical patent/CN111027404A/zh
Application granted granted Critical
Publication of CN111027404B publication Critical patent/CN111027404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于指纹保护模板的指纹识别方法，包括：根据待训练细节点的第一融合特征向量得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；根据所述聚类中心集和待认证细节点的第三融合特征向量得到第二哈希模板；基于所述第一哈希模板和所述第二哈希模板，使用所述加密域匹配公式得到识别结果。本发明因为所得到的第一哈希模板和第二哈希模板具有较好的可撤性及无关联性，因此具有较好的安全性，并且匹配操作均在加密域条件下进行，因此即使模板丢失，原始模板信息也不会泄露，进一步提高了安全性。

Description

一种基于指纹保护模板的指纹识别方法
技术领域
本发明属于指纹识别技术领域，具体涉及一种基于指纹保护模板的指纹识别方法。
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指纹保护模板的指纹识别方法。本发明要解决的技术问题通过以下技术方案实现：
一种基于指纹保护模板的指纹识别方法，包括：
根据待训练细节点的第一融合特征向量得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；
根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；
根据所述聚类中心集和待认证细节点的第三融合特征向量得到第二哈希模板；
基于所述第一哈希模板和所述第二哈希模板，使用所述加密域匹配公式得到识别结果。
在本发明的一个实施例中，根据待训练细节点的第一融合特征向量得到聚类中心集，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；
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；
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，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第一高斯函数值；
根据所述第一高斯函数值得到所述第一区域内每个所述像素点的第一贡献值；
根据所述第一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，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第一纹理特征值；
根据所述第一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，根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板，包括：
获取所述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第一比特向量；
根据哈希算法随机生成m组第一置换种子；
利用m组第一置换种子对所述第一比特向量进行随机置换得到m个第一置换比特向量；
根据所述第一置换比特向量得到所述第一哈希模板。
在本发明的一个实施例中，获取所述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四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，根据所述第一置换比特向量得到所述第一哈希模板，包括：
提取所述第一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第一索引值；
对所述第一索引值进行取模处理，根据所述取模处理后的第一索引值得到所述第一哈希模板。
在本发明的一个实施例中，根据所述聚类中心集和待认证细节点的第三融合特征向量得到第二哈希模板，包括：
获取所述待认证细节点的第三融合特征向量；
根据所述第三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第二比特向量；
根据哈希算法随机生成m组第二置换种子；
利用m组第二置换种子对所述第二比特向量进行随机置换得到m个第二置换比特向量；
根据所述第二置换比特向量得到所述第二哈希模板。
在本发明的一个实施例中，获取所述待认证细节点的第三融合特征向量，包括：
获取认证指纹的若干待认证细节点；
根据高斯函数处理所述待认证细节点和所述待认证细节点对应的第五区域内像素点得到所述待认证细节点的第五定长实数向量；
根据所述待认证细节点和所述待认证细节点对应的第六区域内像素点的灰度得到所述待认证细节点的第六定长实数向量；
利用PCA对所述第五定长实数向量和所述第六定长实数向量分别进行降维处理后级联成第三融合特征向量。
在本发明的一个实施例中，根据所述第二置换比特向量得到所述第二哈希模板，包括：
提取所述第二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第二索引值；
对所述第二索引值进行取模处理，根据所述取模处理后的第二索引值得到所述第二哈希模板。
本发明的有益效果：
本发明通过待训练细节点得到了包括融合特征向量的聚类中心集，然后通过待注册细节点与聚类中心集得到了第一哈希模板，又根据待认证细节点和聚类中心集得到了第二哈希模板，最后根据加密域匹配公式对第一哈希模板和第二哈希模板进行匹配，因所得到的第一哈希模板和第二哈希模板具有较好的可撤性及无关联性，因此具有较好的安全性，并且匹配操作均在加密域条件下进行，因此即使模板丢失，原始模板信息也不会泄露，进一步提高了安全性。
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；
图2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和图2，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，图2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示意图。本实施例提供一种基于指纹保护模板的指纹识别方法，该指纹识别方法包括步骤1～步骤4，其中：
步骤1、根据待训练细节点的第一融合特征向量得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；
步骤1.1、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1.1还可以具体包括步骤1.11～步骤1.13，其中：
步骤1.11、获取若干第一待训练指纹图像；
步骤1.12、对第一待训练指纹图像进行指纹增强和细化处理得到第二待训练指纹图像；
步骤1.13、提取第二待训练指纹图像上的若干待训练细节点；
在本实施例中，第一待训练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，本实施例对第一待训练指纹图像进行了预处理从而第二待训练指纹图像，预处理可以包括增强处理和细化处理，之后通过第二待训练指纹图像提取训练用的待训练细节点。
步骤1.2、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1.2具体可以包括步骤1.21～步骤1.25，其中：
步骤1.21、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{xr,yr,θr}为圆心、以半径rm做圆，圆内像素点的个数为
Figure BDA0002275490070000081
步骤1.22、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1.23、基于待训练细节点和第一区域内每个像素点的距离，利用高斯函数得到第一高斯函数值。
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第一高斯函数值，其中，高斯函数的表达式为：
Figure BDA0002275490070000082
其中，ξ为待训练细节点与第一区域内像素点的距离，σS为标准差。
步骤1.24、根据第一高斯函数值得到第一区域内每个像素点的第一贡献值；
具体地，将第一区域内每个像素点所得到的第一高斯函数值记为该像素点的第一贡献值，即Cφ s(mt,px,y)＝G(d(mt,px,y))，其中G(d(mt,px,y))为高斯函数，ξ＝d(mt,px,y)，Cφ s(mt,px,y)为像素点的贡献值。
步骤1.25、根据第一贡献值得到第一定长实数向量；
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第一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第一区域内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1.3、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之间的差值，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1.3具体可以包括步骤1.31～步骤1.33，其中：
步骤1.31、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{xr,yr,θr}为圆心、以半径rt做圆，圆内像素点的个数为
Figure BDA0002275490070000091
步骤1.32、根据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得到第一纹理特征值；
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，并将该差值记为第一纹理特征值。
步骤1.33、根据第一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第一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第二区域内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1.4、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，Primcipal Compomemts Amalysis)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1.5、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，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。
步骤2、根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；
步骤2.1、获取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2.11、获取注册指纹的若干待注册细节点；
步骤2.12、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2.121、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2.122、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二高斯函数值，并根据该第二高斯函数值得到第三区域内每个像素点的第二贡献值；
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，利用高斯函数得到第二高斯函数值，之后将第三区域内每个像素点所得到的第二高斯函数值记为该像素点的第二贡献值。
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第二高斯函数值，并将第三区域内每个像素点所得到的第二高斯函数值记为该像素点的第二贡献值。
步骤2.123、根据第三区域内每个像素点的第二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第二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第三区域内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2.13、根据待注册细节点和待注册细节点对应的第四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2.131、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2.132、根据待注册细节点的灰度值与第四区域内像素点的灰度值的差值得到第二纹理特征值；
具体地，计算该待注册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第二纹理特征值。
步骤2.133、根据第四区域内像素点的第二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第二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第四区域内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2.14、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2.2、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第一比特向量。
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第一比特向量。
步骤2.3、根据局部敏感哈希算法随机生成m组第一置换种子；
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组第一置换种子，第一置换种子用于对所得到的第一比特向量进行位置置换。
步骤2.4、利用m组第一置换种子对第一比特向量进行随机置换得到m个第一置换比特向量；
具体地，第一比特向量按照随机生成的第一置换种子对第一比特向量进行位置置换并对应得到一个第一置换比特向量，则m组第一置换种子对第一比特向量进行随机置换可对应得到m个第一置换比特向量，例如第一比特向量为[00110]，第一置换种子分别为[13245]和[43215]，则对应得到的第一置换比特向量分别为[01010]和[11000]。
步骤2.5、根据第一置换比特向量得到第一哈希模板；
步骤2.51、提取第一置换比特向量中的前w个元素；
步骤2.52、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第一索引值；
步骤2.53、对第一索引值进行取模处理，根据取模处理后的第一索引值得到第一哈希模板。
具体地，首先提取每个第一置换比特向量中前w个元素，例如第一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第一索引值ti，第一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，则其第一索引值为2，又如前5个元素为00001，则其第一索引值为5；则m个第一置换比特向量对应得到m个第一索引值。
之后，对索引值ti进行取模操作(mod)，则最终可以得到第一哈希模板te＝{ti e|i＝1,2,…,m}。
步骤3、根据所述聚类中心集和待注册细节点的第三融合特征向量得到第二哈希模板；
步骤3.1、获取待认证细节点的第三融合特征向量；
具体地，认证指纹为在实际使用中需要识别认证的指纹，待认证细节点为认证指纹中含有的细节点，每个待认证细节点可以包括指纹线的终点和分叉点，第三融合特征向量反映了待认证细节点的位置和灰度特征。
步骤3.11、获取认证指纹的若干待认证细节点；
步骤3.12、根据高斯函数处理待认证细节点和待认证细节点对应的第五区域内像素点得到待认证细节点的第五定长实数向量；
步骤3.121、以待认证细节点为基点构建第五区域；
本实施例为了更好的反映每个待认证细节点的特征，在处理每个待认证细节点时，首先以待认证细节点为基点，以某种形状选择一第五区域，从而可以使得该第五区域包含该待认证细节点和其周围的像素点。本实施例不对第五区域进行限制，第五区域例如可以为圆形、方形等。
步骤3.122、根据待认证细节点的极坐标和第五区域内每个像素点的极坐标得到第三高斯函数值，并根据该第三高斯函数值得到第五区域内每个像素点的第三贡献值；
具体地，首先根据待认证细节点的极坐标和第五区域内每个像素点的极坐标得到第五区域内除基点处其余待认证细节点和第五区域内每个像素点的距离；再基于待认证细节点和第五区域内每个像素点的距离，利用高斯函数得到第三高斯函数值，之后将第五区域内每个像素点所得到的第三高斯函数值记为该像素点的第三贡献值。
进一步地，首先对待认证细节点进行极坐标转换得到待认证细节点的极坐标，并对第五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，之后利用第五区域内除基点处其余待认证细节点的极坐标和第五区域内每个像素点的极坐标计算该待认证细节点与第五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第三高斯函数值，并将第五区域内每个像素点所得到的第三高斯函数值记为该像素点的第三贡献值。
步骤3.123、根据第五区域内每个像素点的第三贡献值得到待认证细节点的第五定长实数向量；
具体地，按照设定顺序遍历完第五区域内所有像素点后，按照设定顺序集合第五区域内所有像素点的第三贡献值组合成该待认证细节点的第五定长实数向量，并通过上述方式对应得到第五区域内每个待认证细节点的第五定长实数向量，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3.13、根据待认证细节点和待认证细节点对应的第六区域内像素点的灰度得到待认证细节点的第六定长实数向量；
步骤3.131、以待认证细节点为基点构建第六区域；
本实施例为了更好的反映每个待认证细节点的特征，在处理每个待认证细节点时，首先以待认证细节点为基点，以某种形状选择一第六区域，从而可以使得该第六区域包含该待认证细节点和其周围的像素点。本实施例不对第六区域进行限制，第六区域例如可以为圆形、方形等。
步骤3.132、根据待认证细节点的灰度值与第六区域内像素点的灰度值的差值得到第三纹理特征值；
具体地，计算该待认证细节点的灰度值与第六区域内像素点的灰度值的差值，并将该差值记为第六区域内像素点的第三纹理特征值。
步骤3.133、根据第六区域内像素点的第三纹理特征值得到第六定长实数向量。
具体地，按照设定顺序遍历完第六区域内所有像素点后，按照设定顺序集合所有第三纹理特征值组合成该待认证细节点的第六定长实数向量，并通过上述方式对应得到第六区域内每个待认证细节点的第六定长实数向量，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3.14、利用PCA对第五定长实数向量和第六定长实数向量分别进行降维处理后级联成第三融合特征向量；
具体地，利用PCA方法分别对待注册细节点的第五定长实数向量和第六定长实数向量进行降维处理，并将降维处理后的第五定长实数向量和第六定长实数向量进行级联，级联后所得到的向量即为该待认证细节点的第三融合特征向量。
步骤3.2、根据第三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第二比特向量。
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认证细节点的第三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，对应得到每个第三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位置分配为1，其余位置分配为0，遍历完所有待认证细节点后，便可以得到待认证指纹的第二比特向量。
步骤3.3、根据局部敏感哈希算法随机生成m组第二置换种子；
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组第二置换种子，第二置换种子用于对所得到的第二比特向量进行位置置换。
步骤3.4、利用m组第二置换种子对第二比特向量进行随机置换得到m个第二置换比特向量；
具体地，第二比特向量按照随机生成的第二置换种子对第二比特向量进行位置置换并对应得到一个第二置换比特向量，则m组第二置换种子对第二比特向量进行随机置换可对应得到m个第二置换比特向量。
步骤3.5、根据第二置换比特向量得到第二哈希模板；
步骤3.51、提取第二置换比特向量中的前w个元素；
步骤3.52、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第二索引值；
步骤3.53、对第二索引值进行取模处理，根据取模处理后的第二索引值得到第二哈希模板。
具体地，首先提取每个第二置换比特向量中前w个元素；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第二索引值tj，第二索引值即为第一个为1的元素的位置所对应的数值，则m个第二置换比特向量对应得到m个第二索引值。
之后，对第二索引值tj进行取模操作(mod)，则最终可以得到第二哈希模板tq＝{tj q|j＝1,2,…,m}。
步骤4、基于第一哈希模板和第二哈希模板，使用加密域匹配公式得到识别结果，其中，加密域匹配公式为：
Figure BDA0002275490070000181
其中，S(te,tq)为匹配分数，Qeq为索引值匹配向量，其由0和1组成，其长度与第一哈希模板和第二哈希模板均相等，且将第一哈希模板中的第一索引值和第二哈希模板中的第二索引值相同的位置记为1，其余位置记为0，例如第一哈希模板为[135425]，第二哈希模板为[136435]，则Qeq为[110101]，|Qeq|＝4，Be为第一哈希模板对应的匹配向量，Bq为第二哈希模板对应的匹配向量，Be和Bq均为二值矩阵，Be、Bq的长度与Qeq相等，且初始化为零矩阵，te中不为0的位置在Be对应的位置记为1，te中为0的位置在Be对应的位置记为0，tq中不为0的位置在Bq对应的位置记为1，tq中为0的位置在Bq对应的位置记为0，例如，第一哈希模板为[135425]，则Be为[111111]，第二哈希模板为[136435]，则Bq为[111111]，则|Be∩Bq|＝6，最终S(te,tq)＝4/6＝0.67。
在本实施例中，可以设定某一阈值，当所得到的S(te,tq)大于该阈值时，则认为识别成功，小于该阈值则认为识别失败，该阈值可以根据实际需求进行设定，本实施例对此不做具体限定。
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，同时，本发明所采取的取模操作也进一步增强了安全强度，并且匹配操作均在加密域进行，即使模板丢失，原始模板信息也不会泄露，具有较好的安全性。
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 (7)

1.一种基于指纹保护模板的指纹识别方法，其特征在于，包括：
根据待训练细节点的第一融合特征向量得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；
根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；
根据所述聚类中心集和待认证细节点的第三融合特征向量得到第二哈希模板；
基于所述第一哈希模板和所述第二哈希模板，使用加密域匹配公式得到识别结果；
根据待训练细节点的第一融合特征向量得到聚类中心集，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；
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；
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；
根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板，包括：
获取所述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第一比特向量；
根据局部敏感哈希算法随机生成m组第一置换种子；
利用m组第一置换种子对所述第一比特向量进行随机置换得到m个第一置换比特向量；
根据所述第一置换比特向量得到所述第一哈希模板；
根据所述聚类中心集和待认证细节点的第三融合特征向量得到第二哈希模板，包括：
获取所述待认证细节点的第三融合特征向量；
根据所述第三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第二比特向量；
根据局部敏感哈希算法随机生成m组第二置换种子；
利用m组第二置换种子对所述第二比特向量进行随机置换得到m个第二置换比特向量；
根据所述第二置换比特向量得到所述第二哈希模板。
2.根据权利要求1所述的指纹识别方法，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，利用高斯函数得到第一高斯函数值；
根据所述第一高斯函数值得到所述第一区域内每个所述像素点的第一贡献值；
根据所述第一贡献值得到所述第一定长实数向量。
3.根据权利要求1所述的指纹识别方法，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第一纹理特征值；
根据所述第一纹理特征值得到所述第二定长实数向量。
4.根据权利要求1所述的指纹识别方法，其特征在于，获取所述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四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。
5.根据权利要求1所述的指纹识别方法，其特征在于，根据所述第一置换比特向量得到所述第一哈希模板，包括：
提取所述第一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第一索引值；
对所述第一索引值进行取模处理，根据所述取模处理后的第一索引值得到所述第一哈希模板。
6.根据权利要求1所述的指纹识别方法，其特征在于，获取所述待认证细节点的第三融合特征向量，包括：
获取认证指纹的若干待认证细节点；
根据高斯函数处理所述待认证细节点和所述待认证细节点对应的第五区域内像素点得到所述待认证细节点的第五定长实数向量；
根据所述待认证细节点和所述待认证细节点对应的第六区域内像素点的灰度得到所述待认证细节点的第六定长实数向量；
利用PCA对所述第五定长实数向量和所述第六定长实数向量分别进行降维处理后级联成第三融合特征向量。
7.根据权利要求1所述的指纹识别方法，其特征在于，根据所述第二置换比特向量得到所述第二哈希模板，包括：
提取所述第二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第二索引值；
对所述第二索引值进行取模处理，根据所述取模处理后的第二索引值得到所述第二哈希模板。
CN201911121065.0A 2019-11-15 2019-11-15 一种基于指纹保护模板的指纹识别方法 Active CN111027404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911121065.0A CN111027404B (zh) 2019-11-15 2019-11-15 一种基于指纹保护模板的指纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911121065.0A CN111027404B (zh) 2019-11-15 2019-11-15 一种基于指纹保护模板的指纹识别方法

Publications (2)

Publication Number Publication Date
CN111027404A CN111027404A (zh) 2020-04-17
CN111027404B true CN111027404B (zh) 2023-05-23

Family

ID=70200387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911121065.0A Active CN111027404B (zh) 2019-11-15 2019-11-15 一种基于指纹保护模板的指纹识别方法

Country Status (1)

Country Link
CN (1) CN111027404B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI737280B (zh) * 2020-04-28 2021-08-21 大陸商北京集創北方科技股份有限公司 生物特徵資料加密裝置與方法及利用該方法之資訊處理裝置
CN111967303B (zh) * 2020-06-30 2023-08-22 西安电子科技大学 一种基于最大-最小索引哈希的指纹模板保护方法
CN112364319B (zh) * 2020-10-12 2022-12-23 西安电子科技大学 一种基于二叉树混洗的生物特征模板保护方法及装置
CN114936361A (zh) * 2022-01-28 2022-08-23 中国银联股份有限公司 生物特征识别方法、服务器以及客户端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG139580A1 (en) * 2006-07-20 2008-02-29 Privylink Pte Ltd Method for generating cryptographic key from biometric data
CN108960039B (zh) * 2018-05-07 2021-08-06 西安电子科技大学 一种基于对称hash的不可逆指纹模板加密方法
CN109358987B (zh) * 2018-10-26 2019-09-24 黄淮学院 一种基于两级数据去重的备份集群

Also Published As

Publication number Publication date
CN111027404A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111027404B (zh) 一种基于指纹保护模板的指纹识别方法
Manisha et al. Cancelable biometrics: a comprehensive survey
EP1825418B1 (en) Fingerprint biometric machine
Wang et al. Alignment-free cancelable fingerprint template design: A densely infinite-to-one mapping (DITOM) approach
Yang et al. Cancelable fingerprint templates with delaunay triangle-based local structures
US20140331059A1 (en) Method and System for Authenticating Biometric Data
Yang et al. Biometrics Based Privacy‐Preserving Authentication and Mobile Template Protection
US11138409B1 (en) Biometric recognition and security system
CN110956468B (zh) 一种指纹支付系统
Kim et al. Reconstruction of fingerprints from minutiae using conditional adversarial networks
CN110990847B (zh) 一种基于局部敏感哈希的指纹模板保护方法
Schuch Survey on features for fingerprint indexing
Wijewardena et al. Fingerprint template invertibility: Minutiae vs. deep templates
Goh et al. A framework for multimodal biometric authentication systems with template protection
Belguechi et al. Comparative study on texture features for fingerprint recognition: application to the biohashing template protection scheme
Lahmidi et al. Fingerprint template protection using irreversible minutiae tetrahedrons
Kandasamy Multimodal biometric crypto system for human authentication using ear and palm print
Agarwal et al. An alignment-free non-invertible transformation-based method for generating the cancellable fingerprint template
Drozdowski et al. Signal‐level fusion for indexing and retrieval of facial biometric data
Vallabhadas et al. Cancelable bimodal shell using fingerprint and iris
Wu et al. Multibiometric fusion authentication in wireless multimedia environment using dynamic Bayesian method
Vallabhadas et al. Cancelable scheme for bimodal biometric authentication
CN110942536B (zh) 一种指纹识别开锁系统
Ali et al. An Alignment-Free Fingerprint Template Protection Technique Based on Minutiae Triplets
Sushma et al. Multi Biometric Template Protection using Random Projection and Adaptive Bloom Filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant