CN111967303A - 一种基于最大-最小索引哈希的指纹模板保护方法 - Google Patents

一种基于最大-最小索引哈希的指纹模板保护方法 Download PDF

Info

Publication number
CN111967303A
CN111967303A CN202010616501.8A CN202010616501A CN111967303A CN 111967303 A CN111967303 A CN 111967303A CN 202010616501 A CN202010616501 A CN 202010616501A CN 111967303 A CN111967303 A CN 111967303A
Authority
CN
China
Prior art keywords
fingerprint image
fingerprint
hash
template
vector corresponding
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.)
Granted
Application number
CN202010616501.8A
Other languages
English (en)
Other versions
CN111967303B (zh
Inventor
赵恒�
李玉兴
庞辽军
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 CN202010616501.8A priority Critical patent/CN111967303B/zh
Publication of CN111967303A publication Critical patent/CN111967303A/zh
Application granted granted Critical
Publication of CN111967303B publication Critical patent/CN111967303B/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
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • 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
    • G06V40/1353—Extracting features related to minutiae or pores
    • 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
    • G06V40/1371—Matching features related to minutiae or pores
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种基于最大‑最小索引哈希的指纹模板保护方法；该方法包括：根据指纹库中样本指纹图像的MCC描述子，通过KPCA法计算映射矩阵；响应于指纹注册指令，根据注册指纹图像的MCC描述子与样本指纹图像的MCC描述子的相似度，计算注册指纹图像对应的定长向量；通过映射矩阵将定长向量映射为聚合向量；根据多个随机向量，生成多个局部哈达玛矩阵，并将聚合向量与多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量；记录每个第一目标向量中的最大值和最小值的索引值，作为注册指纹图像的哈希模板。本发明在确保指纹模板具有较好的安全性的前提下，可以使指纹模板适于存储和后续的查询匹配。

Description

一种基于最大-最小索引哈希的指纹模板保护方法
技术领域
本发明属于指纹模板技术领域，具体涉及一种基于最大-最小索引哈希的指纹模板保护方法。
背景技术
在指纹模板技术领域中，利用MCC(Minutia Cylinder Code，指纹圆柱形编码)构建的MCC描述子具有旋转平移不变性，可抵抗非线性形变，是一种较优的指纹信息采集方法，逐渐被应用于指纹模板的生成与匹配查询中。
然而，由于MCC描述子的长度随着指纹细节点的个数而不同，使得指纹模板的存储和后续的查询匹配存在不便。因此，在确保指纹模板具有较好的安全性的前提下，如何使指纹模板适于存储和后续的查询匹配，是一个亟待解决的技术问题。
发明内容
为了在确保指纹模板具有较好的安全性的前提下，使指纹模板适于存储和后续的查询匹配，本发明提供了一种基于最大-最小索引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：
第一方面，本发明提供了一种基于最大-最小索引哈希的指纹模板保护方法，包括：
根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA(KernelPrincipal component analysis)法，计算一映射矩阵；
响应于指纹注册指令，根据注册指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述注册指纹图像对应的定长向量；
通过所述映射矩阵将所述注册指纹图像对应的定长向量映射为所述注册指纹图像对应的聚合向量；
根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述注册指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量；
记录每个所述第一目标向量中的最大值和最小值的索引值，作为所述注册指纹图像的哈希模板。
可选地，所述注册指纹图像包括多个；所述方法还包括：
在得到多个注册指纹图像的哈希模板之后，响应于指纹查询指令，根据查询指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述查询指纹图像对应的定长向量；
通过所述映射矩阵将所述查询指纹图像对应的定长向量映射为所述查询指纹图像对应的聚合向量；
根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述查询指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第二目标向量；
确定每个所述第二目标向量中的最大值和最小值的索引值，作为所述查询指纹图像的哈希模板；
根据所述查询指纹图像的哈希模板和所述多个注册指纹图像的哈希模板，确定所述查询指纹图像的查询结果。
可选地，所述方法还包括：
当所述聚合向量与所述局部哈达玛矩阵的维度不匹配时，对所述聚合向量进行维度扩充，以使所述聚合向量能够与所述局部哈达玛矩阵作矩阵乘法。
可选地，所述根据所述查询指纹图像的哈希模板和所述多个注册指纹图像的哈希模板，确定所述查询指纹图像的查询结果，包括：
利用预设的匹配公式，分别计算每个所述注册指纹图像的哈希模板与所述查询指纹图像的哈希模板的匹配度；
将匹配度最高的一个注册指纹图像的哈希模板作为所述查询指纹图像的查询结果；
所述匹配公式为：
Figure BDA0002563911130000031
其中，TN为所述哈希模板的长度；Cquery为所述查询指纹图像的哈希模板；Cenroll为任一所述注册指纹图像的哈希模板，S(Cenroll,Cquery)为该注册指纹图像的哈希模板与所述查询指纹图像的哈希模板的匹配度。
可选地，所述根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵，包括：
根据指纹库中的样本指纹图像的MCC描述子之间的相似度，计算一维度为N×N的核矩阵；
通过计算所述核矩阵的特征向量，得到维度为N×D的所述映射矩阵；
其中，N等于所述指纹库中的样本指纹图像的个数；D等于所述聚合向量的长度。
可选地，所述通过所述映射矩阵将所述注册指纹图像对应的定长向量映射为所述注册指纹图像对应的聚合向量，包括：
将所述注册指纹图像对应的定长向量与所述映射矩阵作矩阵乘法，得到所述注册指纹图像对应的聚合向量；
所述通过所述映射矩阵将所述查询指纹图像对应的定长向量映射为所述查询指纹图像对应的聚合向量，包括：
将所述查询指纹图像对应的定长向量与所述映射矩阵作矩阵乘法，得到所述查询指纹图像对应的聚合向量。
第二方面，本发明提供了一种基于最大-最小索引哈希的指纹模板保护装置，包括：
第一计算模块，用于根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵；
第二计算模块，用于响应于指纹注册指令，根据注册指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述注册指纹图像对应的定长向量；
第一映射模块，用于通过所述映射矩阵将所述注册指纹图像对应的定长向量映射为所述注册指纹图像对应的聚合向量；
第三计算模块，用于根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述注册指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量；
记录模块，用于记录每个所述第一目标向量中的最大值和最小值的索引值，作为所述注册指纹图像的哈希模板。
可选地，所述注册指纹图像包括多个；所述装置还包括：
第四计算模块，用于在得到多个注册指纹图像的哈希模板之后，响应于指纹查询指令，根据查询指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述查询指纹图像对应的定长向量；
第二映射模块，用于通过所述映射矩阵将所述查询指纹图像对应的定长向量映射为所述查询指纹图像对应的聚合向量；
第五计算模块，用于根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述查询指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第二目标向量；
第一确定模块，用于确定每个所述第二目标向量中的最大值和最小值的索引值，作为所述查询指纹图像的哈希模板；
第二确定模块，用于根据所述查询指纹图像的哈希模板和所述多个注册指纹图像的哈希模板，确定所述查询指纹图像的查询结果。
可选地，所述装置还包括：维度扩充模块；
所述维度扩充模块，用于当所述聚合向量与所述局部哈达玛矩阵的维度不匹配时，对所述聚合向量进行维度扩充，以使所述聚合向量能够与所述局部哈达玛矩阵作矩阵乘法。
可选地，所述第二确定模块，具体用于：
利用预设的匹配公式，分别计算每个所述注册指纹图像的哈希模板与所述查询指纹图像的哈希模板的匹配度；
将匹配度最高的一个注册指纹图像的哈希模板作为所述查询指纹图像的查询结果；
所述匹配公式为：
Figure BDA0002563911130000061
其中，TN为所述哈希模板的长度；Cquery为所述查询指纹图像的哈希模板；Cenroll为任一所述注册指纹图像的哈希模板，S(Cenroll,Cquery)为该注册指纹图像的哈希模板与所述查询指纹图像的哈希模板的匹配度。
可选地，所述第一计算模块，具体用于：
根据指纹库中的样本指纹图像的MCC描述子之间的相似度，计算一维度为N×N的核矩阵；
通过计算所述核矩阵的特征向量，得到维度为N×D的所述映射矩阵；
其中，N等于所述指纹库中的样本指纹图像的个数；D等于所述聚合向量的长度。
可选地，所述第一映射模块具体用于：将所述注册指纹图像对应的定长向量与所述映射矩阵作矩阵乘法，得到所述注册指纹图像对应的聚合向量；
所述第二映射模块具体用于：将所述查询指纹图像对应的定长向量与所述映射矩阵作矩阵乘法，得到所述查询指纹图像对应的聚合向量。
第三方面，本发明提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一基于最大-最小索引哈希的指纹模板保护方法所述的方法步骤。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于最大-最小索引哈希的指纹模板保护方法所述的方法步骤。
在本发明的又一方面中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一基于最大-最小索引哈希的指纹模板保护方法所述的方法步骤。
本发明提供的基于最大-最小索引哈希的指纹模板保护方法中，将注册指纹图像的MCC描述子映射为一个定长的聚合向量；将该聚合向量与随机生成的多个局部哈达玛矩阵作矩阵乘法，得到多个第一目标向量；然后，将每个第一目标向量中的最大值和最小值的索引值作为注册指纹图像的哈希模板。通过这种方式得到的哈希模板，数据存储量小，存储消耗较低，可以使匹配查询速度较快。并且，本发明一方面将聚合向量映射到与原始指纹信息毫无关联的索引值空间，可以保证哈希模板的注册和查询匹配的整个过程不可逆；另一方面，本发明通过随机向量生成局部哈达玛矩阵来计算第一目标向量，进一步增强了安全强度。这样，后续的匹配查询均可以在加密域进行，即使注册指纹图像的哈希模板丢失，原始指纹信息也不会泄露，具有较好的安全性。因此，本发明可以在确保指纹模板具有较好的安全性的前提下，使指纹模板适于存储和查询匹配。
另外，由于MCC描述子的平移不变性，使得本发明生成的注册指纹图像的哈希模板具有能够抵抗非线性形变的特点。
并且，相对原始的实数形式的聚合向量而言，变换后的哈希模板为实数向量中的最大值和最小值的相对索引位置；这样，即使聚合向量的数值有一定的变化，也不会对索引值造成较大影响，从而使哈希模板具有更强的容错性以及局部平滑性。
并且，本发明在注册哈希模板时，以随机生成的随机向量作为用户口令；这样，当用户已注册的哈希模板丢失时，使用随机生成的随机向量重新进行注册，即可发布新的哈希模板，原有的哈希模板即失效，这使得应用本发明所提供保护方法的系统可以具有较好的可撤性及无关联性。
以下将结合附图及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最大-最小索引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另一种基于最大-最小索引哈希的指纹模板保护方法的流程示意图；
图3是图1所示方法中，各种指纹图像的MCC描述子的构建示意图；
图4是图3中的每个立方体单元的临近细节点的选取示意图；
图5是本发明实施例提供的一种基于最大-最小索引哈希的指纹模板保护装置的结构示意图；
图6是本发明实施例提供的另一种基于最大-最小索引哈希的指纹模板保护装置的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
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。
为了在确保指纹模板具有较好的安全性的前提下，使指纹模板适于存储和后续的查询匹配，本发明实施例提供了一种基于最大-最小索引哈希的指纹模板保护方法。本发明实施例提供的基于最大-最小索引哈希的指纹模板保护方法的执行主体，可以为一种基于最大-最小索引哈希的指纹模板保护装置；该装置可以应用于电子设备中。在具体应用中，该电子设备可以是指纹采集设备、指纹考勤设备、指纹支付设备或指纹识别设备等等，并不局限于此。
如图1所示，本发明实施例提供的一种基于最大-最小索引哈希的指纹模板保护方法可以包括以下步骤：
S10：根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵。
这里所使用的指纹库可以是FVC指纹库，也可以是自行采集的指纹数据库等等，并不局限于此。
该步骤中，根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵的具体过程可以包括：
(1)根据指纹库中的样本指纹图像的MCC描述子之间的相似度，计算一维度为N×N的核矩阵。
该核矩阵可以表示为：
K(p,q)＝exp(-(1-SMCC(p,q))2/2σ2)；
该公式中，SMCC∈[0,1]，代表MCC描述子间的相似度，σ为高斯核的宽展系数；p和q代表任意两个描述子。
(2)通过计算该核矩阵的特征向量，得到维度为N×D的映射矩阵。
其中，N等于指纹库中的样本指纹图像的个数；D等于期望在后续步骤中输出的聚合向量的长度。
需要说明的是，计算映射矩阵的具体过程，属于核主成分分析KPCA法的部分步骤，后续利用该映射矩阵完成向量的映射，才是核主成分分析KPCA法的完整步骤。
另外，为了方案布局清晰，后续对本发明实施例所提及的各种指纹图像的MCC描述子的构建过程进行详细说明。
S20：响应于指纹注册指令，根据注册指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算注册指纹图像对应的定长向量。
这里，指纹注册指令，可以是由用户在上述的指纹采集设备、指纹考勤设备、指纹支付设备或指纹识别设备中给出的。
该步骤中，根据注册指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算注册指纹图像对应的定长向量，具体可以包括：
分别计算注册指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度；
将计算的各个相似度作为向量元素，并参照各个样本指纹图像的MCC描述子在映射矩阵的维度N中的对应位置，生成一个定长的向量；该向量的长度即等于上述的N。
然后，对生成的该向量进行高斯核化处理，得到注册指纹图像对应的定长向量。该定长向量的长度也等于N。
其中，高斯核化处理的公式可以表示为：
v'＝exp(-(1-v)2/2σ2)；
该公式中，v代表高斯核化处理前的向量，v'代表高斯核化处理得到的定长向量；σ为高斯核的宽展系数，exp代表以自然常数e为底的指数函数。
S30：通过映射矩阵将注册指纹图像对应的定长向量映射为注册指纹图像对应的聚合向量。
该步骤具体可以是将映射矩阵与注册指纹图像对应的定长向量作矩阵乘法，得到注册指纹图像对应的聚合向量。该聚合向量的长度即等于上述的D。
S40：根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将注册指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量。
这里，生成的随机向量的长度是随机的。在实际应用中，可以根据需要在生成多个随机向量时，设定随机向量的最大长度，使得生成的随机向量的长度不超过该最大长度。此外，关于根据随机向量生成局部哈达玛矩阵的具体实现方式，非本发明实施例的发明点，可以参照相关技术中根据随机向量生成局部哈达玛矩阵的具体实现方式，本发明实施例不再赘述。
另外，如果步骤S30中直接计算的聚合向量与局部哈达玛矩阵的维度不匹配，使得无法将聚合向量与局部哈达玛矩阵作矩阵乘法，还可以对聚合向量进行维度扩充，以使聚合向量能够与局部哈达玛矩阵作矩阵乘法。
S50：记录每个第一目标向量中的最大值和最小值的索引值，作为注册指纹图像的哈希模板。
由此，便完成了对注册指纹图像的哈希模板的注册，该哈希模板即是指纹模板。本发明实施例提供的基于最大-最小索引哈希的指纹模板保护方法中，将注册指纹图像的MCC描述子映射为一个定长的聚合向量；将该聚合向量与随机生成的多个局部哈达玛矩阵作矩阵乘法，得到多个第一目标向量；然后，将每个第一目标向量中的最大值和最小值的索引值作为注册指纹图像的哈希模板。通过这种方式得到的哈希模板，数据存储量小，存储消耗较低，可以使匹配查询速度较快。并且，本发明实施例一方面将聚合向量映射到与原始指纹信息毫无关联的索引值空间，可以保证哈希模板的注册和查询匹配的整个过程不可逆；另一方面，本发明实施例通过随机向量生成局部哈达玛矩阵来计算第一目标向量，进一步增强了安全强度。这样，后续的匹配查询均可以在加密域进行，即使注册指纹图像的哈希模板丢失，原始指纹信息也不会泄露，具有较好的安全性。因此，本发明可以在确保指纹模板具有较好的安全性的前提下，使指纹模板适于存储和查询匹配。
另外，由于MCC描述子的平移不变性，使得本发明实施例生成的注册指纹图像的哈希模板具有能够抵抗非线性形变的特点。
并且，相对原始的实数形式的聚合向量而言，变换后的哈希模板为实数向量中的最大值和最小值的相对索引位置；这样，即使聚合向量的数值有一定的变化，也不会对索引值造成较大影响，从而使哈希模板具有更强的容错性以及局部平滑性。
并且，本发明实施例在注册哈希模板时，以随机生成的随机向量作为用户口令；这样，当用户已注册的哈希模板丢失时，使用随机生成的随机向量重新进行注册，即可发布新的哈希模板，原有的哈希模板即失效，这使得应用本发明实施例所提供保护方法的系统可以具有较好的可撤性及无关联性。
在利用本发明实施例对多个注册指纹图像的哈希模板进行注册的基础上，本发明实施例提供的指纹模板保护方法还可以对查询指纹图像的哈希模板进行查询匹配。具体的，如图2所示，包括：
S20’：在得到多个注册指纹图像的哈希模板之后，响应于指纹查询指令，根据查询指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算查询指纹图像对应的定长向量。
这里，指纹查询指令可以是由用户在上述的指纹采集设备、指纹考勤设备、指纹支付设备或指纹识别设备中给出的。该用户可以是已经完成哈希模板注册的用户，也可以是未经哈希模板注册的用户。相应的，该用户的查询指纹图像可以与已有的多个注册指纹图像中的某一个对应同一指纹，也可以与已有的多个注册指纹图像中的任何一个都对应着不同的指纹。当然，用户注册或不注册哈希模板，分别会得到不同的查询结果。例如，已经完成哈希模板注册的用户，查询结果可以得到一个与该用户查询时输入的查询指纹图像匹配的注册指纹图像的哈希模板，从而根据查询到的哈希模板确定该用户的身份信息。而未经注册的用户，则可能得到无匹配的哈希模板的查询结果。
关于根据查询指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算查询指纹图像对应的定长向量的具体实现方式，可以参见步骤S20中根据注册指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算注册指纹图像对应的定长向量的具体实现方式，这里不再赘述。
S30’：通过映射矩阵将查询指纹图像对应的定长向量映射为查询指纹图像对应的聚合向量。
该步骤具体实现方式可参考步骤S30，将步骤S30中的注册指纹图像替换为查询指纹图像即可。
S40’：根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将查询指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第二目标向量。
该步骤可参见步骤S40，将注册指纹图像替换为查询指纹图像、第一目标向量替换为第二目标向量即可。
S50’：确定每个第二目标向量中的最大值和最小值的索引值，作为查询指纹图像的哈希模板。
可以理解的是，由于当前是为了获得查询指纹图像的哈希模板的查询结果，故而确定每个第二目标向量中的最大值和最小值的索引值后，可以直接将索引值作为查询指纹图像的哈希模板投入下一步的使用，可以无需保存查询指纹图像的哈希模板。
当然，在实际应用中，也可以对查询指纹图像的哈希模板进行保存。这样，当查询指纹图像的查询结果为查询指纹图像未经注册时，可以直接将此时存储的哈希模板作为完成注册的哈希模板。
S60’：根据查询指纹图像的哈希模板和多个注册指纹图像的哈希模板，确定查询指纹图像的查询结果。
这里，根据查询指纹图像的哈希模板和多个注册指纹图像的哈希模板，确定查询指纹图像的查询结果的具体实现方式存在多种。示例性的，在一种实现方式中，根据查询指纹图像的哈希模板和多个注册指纹图像的哈希模板，确定查询指纹图像的查询结果，可以包括：
利用预设的匹配公式，分别计算每个注册指纹图像的哈希模板与查询指纹图像的哈希模板的匹配度；
将匹配度最高的一个注册指纹图像的哈希模板作为查询指纹图像的查询结果。
在另一种实现方式中，根据查询指纹图像的哈希模板和多个注册指纹图像的哈希模板，确定查询指纹图像的查询结果，可以包括：
利用上述的匹配公式，分别计算每个注册指纹图像的哈希模板与查询指纹图像的哈希模板的匹配度；
确定最高的一个匹配度是否超出预设阈值；
当超出预设阈值时，将该匹配度最高的一个注册指纹图像的哈希模板作为查询指纹图像的查询结果；
当未超出预设阈值时，得到该查询指纹图像未经注册的查询结果。
其中，匹配公式为：
Figure BDA0002563911130000151
该公式中，TN为哈希模板的长度；Cquery为查询指纹图像的哈希模板；Cenroll为任一注册指纹图像的哈希模板，S(Cenroll,Cquery)为该注册指纹图像的哈希模板与查询指纹图像的哈希模板的匹配度。
下面对注册指纹图像、样本指纹图像以及查询指纹图像这三种指纹图像的MCC描述子的构建过程进行详细说明，该构建过程可以包括：
(1)对指纹图像进行预处理，包括图像细化处理、图像增强处理等等。
(2)提取预处理后的指纹图像的指纹细节点，得到细节点集合T＝{m1,m2,...mn}，该细节点集合的数据符合遵从ISO/IEC 19794-2标准。
(3)对于细节点集合中任意一细节点m＝{xi,yi,θi)，参照图3所示，构造一个半径为R，高度为2π的圆柱体；其中，xi,yi为细节点的横纵坐标，θ为细节点的角度。
(4)将圆柱体离散化为NC个立方体单元；NC＝NS×NS×ND；NS为圆柱体径向的立方体单元的个数，ND为圆柱体高度方向的立方体单元的个数。每个立方体单元为的体积可以表示为ΔS×ΔS×ΔD；其中，ΔS＝2·R/NS，ΔD＝2π/ND，每个立方体单元在圆柱体中的索引值为(i,j,k)。
(5)令
Figure BDA0002563911130000152
作为高度为k的所有立方体单元的角度，并令
Figure BDA0002563911130000161
作为索引值为(i,j)的立方体单元的中心位置。
(6)计算圆柱体中每个立方体单元的贡献值Cm(i,j,k)；该贡献值聚合了落在每个立方体单元一定距离范围内的每一个细节点mt对该立方体单元的贡献值。该贡献值包括空间贡献值和方向贡献值两部分；假设
Figure BDA0002563911130000162
为所有mt的集合，即
Figure BDA0002563911130000163
其中，如图4所示，3σS为距离范围的大小，dS(m,p)为细节点mt和
Figure BDA0002563911130000164
的欧氏距离。由此，贡献值的Cm(i,j,k)计算公式为：
Figure BDA0002563911130000165
其中，
Figure BDA0002563911130000166
为每个立方体单元的中心坐标，
Figure BDA0002563911130000167
为
Figure BDA0002563911130000168
的邻近细节点。
Ψ(v)＝Z(v,uΨ,tΨ)为S型函数，其取值范围为[0,1]。该函数定义为：
Figure BDA0002563911130000169
其中，u,t为控制该函数的两个参数，其取值为经验值。
Figure BDA00025639111300001610
的计算公式为
Figure BDA00025639111300001611
其中
Figure BDA00025639111300001612
为均值0、标准差σS的高斯函数。
Figure BDA00025639111300001613
的计算公式为
Figure BDA00025639111300001614
其中，dφ(θ1,θ2)为两个角度θ1,θ2的角度差，dφ(θ1,θ2)表示为：
Figure BDA00025639111300001615
dθ(m1,m2)为两个细节点之间的角度差。GD(α)为均值为0、标准差为σD的高斯函数在区间
Figure BDA00025639111300001616
下的面积，GD(α)的计算公式如下：
Figure BDA0002563911130000171
(7)将计算的各个立方体单元的贡献值作为指纹图像的MCC描述子。
需要说明的是，本发明实施例提供的基于最大-最小索引哈希的指纹模板保护方法可扩展应用于其他生物特征的模板保护。此时，将指纹这种生物特征替换为其他的生物特征即可。
相应于上述的基于最大-最小索引哈希的指纹模板保护方法，本发明实施例还提供了一种基于最大-最小索引哈希的指纹模板保护装置，如图5所示，该装置可以包括：
第一计算模块501，用于根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵；
第二计算模块502，用于响应于指纹注册指令，根据注册指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算注册指纹图像对应的定长向量；
第一映射模块503，用于通过映射矩阵将注册指纹图像对应的定长向量映射为注册指纹图像对应的聚合向量；
第三计算模块504，用于根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将注册指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量；
记录模块505，用于记录每个第一目标向量中的最大值和最小值的索引值，作为注册指纹图像的哈希模板。
这里，可以将第一计算模块501、第二计算模块502、第一映射模块503、第三计算模块504以及记录模块505，作为一个总的注册模块。
可选地，注册指纹图像包括多个；由此，在这些已经完成注册的注册指纹图像的哈希模板的基础上，如图6所示，该装置还可以包括：
第四计算模块502’，用于在得到多个注册指纹图像的哈希模板之后，响应于指纹查询指令，根据查询指纹图像的MCC描述子与每个样本指纹图像的MCC描述子的相似度，计算查询指纹图像对应的定长向量；
第二映射模块503’，用于通过映射矩阵将查询指纹图像对应的定长向量映射为查询指纹图像对应的聚合向量；
第五计算模块504’，用于根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将查询指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第二目标向量；
第一确定模块505’，用于确定每个第二目标向量中的最大值和最小值的索引值，作为查询指纹图像的哈希模板；
第二确定模块506’，用于根据查询指纹图像的哈希模板和多个注册指纹图像的哈希模板，确定查询指纹图像的查询结果。
这里，可以将第四计算模块502’、第二映射模块503’、第五计算模块504’、第一确定模块505’以及第二确定模块506’作为一个总的查询模块。由此如图6所示，该装置可以包括注册模块和查询模块这两个大的模块。
在实际应用中，第四计算模块502’与第二计算模块可以对应相同的程序模块，第二映射模块503’和第一映射模块503可以对应相同的程序模块；第五计算模块504’和第三计算模块504可以对应相同的程序模块。
可选地，该装置还可以包括：维度扩充模块；
维度扩充模块，用于当聚合向量与局部哈达玛矩阵的维度不匹配时，对聚合向量进行维度扩充，以使聚合向量能够与局部哈达玛矩阵作矩阵乘法。
可选地，第二确定模块506’，具体用于：
利用预设的匹配公式，分别计算每个注册指纹图像的哈希模板与查询指纹图像的哈希模板的匹配度；
将匹配度最高的一个注册指纹图像的哈希模板作为查询指纹图像的查询结果；
匹配公式为：
Figure BDA0002563911130000191
其中，TN为哈希模板的长度；Cquery为查询指纹图像的哈希模板；Cenroll为任一注册指纹图像的哈希模板，S(Cenroll,Cquery)为该注册指纹图像的哈希模板与查询指纹图像的哈希模板的匹配度。
可选地，第一计算模块501，具体用于：
根据指纹库中的样本指纹图像的MCC描述子之间的相似度，计算一维度为N×N的核矩阵；
通过计算核矩阵的特征向量，得到维度为N×D的映射矩阵；
其中，N等于指纹库中的样本指纹图像的个数；D等于聚合向量的长度。
可选地，第一映射模块503具体用于：将注册指纹图像对应的定长向量与映射矩阵作矩阵乘法，得到注册指纹图像对应的聚合向量；
第二映射模块503’具体用于：将查询指纹图像对应的定长向量与映射矩阵作矩阵乘法，得到查询指纹图像对应的聚合向量。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现上述任一种基于最大-最小索引哈希的指纹模板保护方法所述的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供了一种计算机可读存储介质。在该计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一种基于最大-最小索引哈希的指纹模板保护方法所述的方法步骤。
可选地，该计算机可读存储介质可以为非易失性存储器(Non-Volatile Memory，NVM)，例如为至少一个磁盘存储器。可选的，所述计算机可读存储器还可以是至少一个位于远离前述处理器的存储装置。
在本发明的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一基于最大-最小索引哈希的指纹模板保护方法所述的方法步骤。
需要说明的是，对于装置/电子设备/存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，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。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本申请是参照本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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)

1.一种基于最大-最小索引哈希的指纹模板保护方法，其特征在于，包括：
根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵；
响应于指纹注册指令，根据注册指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述注册指纹图像对应的定长向量；
通过所述映射矩阵将所述注册指纹图像对应的定长向量映射为所述注册指纹图像对应的聚合向量；
根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述注册指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量；
记录每个所述第一目标向量中的最大值和最小值的索引值，作为所述注册指纹图像的哈希模板。
2.根据权利要求1所述的方法，其特征在于，所述注册指纹图像包括多个；所述方法还包括：
在得到多个注册指纹图像的哈希模板之后，响应于指纹查询指令，根据查询指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述查询指纹图像对应的定长向量；
通过所述映射矩阵将所述查询指纹图像对应的定长向量映射为所述查询指纹图像对应的聚合向量；
根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述查询指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第二目标向量；
确定每个所述第二目标向量中的最大值和最小值的索引值，作为所述查询指纹图像的哈希模板；
根据所述查询指纹图像的哈希模板和所述多个注册指纹图像的哈希模板，确定所述查询指纹图像的查询结果。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
当所述聚合向量与所述局部哈达玛矩阵的维度不匹配时，对所述聚合向量进行维度扩充，以使所述聚合向量能够与所述局部哈达玛矩阵作矩阵乘法。
4.根据权利要求2所述的方法，其特征在于，所述根据所述查询指纹图像的哈希模板和所述多个注册指纹图像的哈希模板，确定所述查询指纹图像的查询结果，包括：
利用预设的匹配公式，分别计算每个所述注册指纹图像的哈希模板与所述查询指纹图像的哈希模板的匹配度；
将匹配度最高的一个注册指纹图像的哈希模板作为所述查询指纹图像的查询结果；
所述匹配公式为：
Figure FDA0002563911120000021
其中，TN为所述哈希模板的长度；Cquery为所述查询指纹图像的哈希模板；Cenroll为任一所述注册指纹图像的哈希模板，S(Cenroll,Cquery)为该注册指纹图像的哈希模板与所述查询指纹图像的哈希模板的匹配度。
5.根据权利要求1或2所述的方法，其特征在于，所述根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵，包括：
根据指纹库中的样本指纹图像的MCC描述子之间的相似度，计算一维度为N×N的核矩阵；
通过计算所述核矩阵的特征向量，得到维度为N×D的所述映射矩阵；
其中，N等于所述指纹库中的样本指纹图像的个数；D等于所述聚合向量的长度。
6.根据权利要求5所述的方法，其特征在于，
所述通过所述映射矩阵将所述注册指纹图像对应的定长向量映射为所述注册指纹图像对应的聚合向量，包括：
将所述注册指纹图像对应的定长向量与所述映射矩阵作矩阵乘法，得到所述注册指纹图像对应的聚合向量；
所述通过所述映射矩阵将所述查询指纹图像对应的定长向量映射为所述查询指纹图像对应的聚合向量，包括：
将所述查询指纹图像对应的定长向量与所述映射矩阵作矩阵乘法，得到所述查询指纹图像对应的聚合向量。
7.一种基于最大-最小索引哈希的指纹模板保护装置，其特征在于，包括：
第一计算模块，用于根据指纹库中的样本指纹图像的MCC描述子，通过核主成分分析KPCA法，计算一映射矩阵；
第二计算模块，用于响应于指纹注册指令，根据注册指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述注册指纹图像对应的定长向量；
第一映射模块，用于通过所述映射矩阵将所述注册指纹图像对应的定长向量映射为所述注册指纹图像对应的聚合向量；
第三计算模块，用于根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述注册指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第一目标向量；
记录模块，用于记录每个所述第一目标向量中的最大值和最小值的索引值，作为所述注册指纹图像的哈希模板。
8.根据权利要求7所述的装置，其特征在于，所述注册指纹图像包括多个；所述装置还包括：
第四计算模块，用于在得到多个注册指纹图像的哈希模板之后，响应于指纹查询指令，根据查询指纹图像的MCC描述子与每个所述样本指纹图像的MCC描述子的相似度，计算所述查询指纹图像对应的定长向量；
第二映射模块，用于通过所述映射矩阵将所述查询指纹图像对应的定长向量映射为所述查询指纹图像对应的聚合向量；
第五计算模块，用于根据随机生成的多个随机向量，生成多个局部哈达玛矩阵，并将所述查询指纹图像对应的聚合向量与生成的多个局部哈达玛矩阵分别作矩阵乘法，得到多个第二目标向量；
第一确定模块，用于确定每个所述第二目标向量中的最大值和最小值的索引值，作为所述查询指纹图像的哈希模板；
第二确定模块，用于根据所述查询指纹图像的哈希模板和所述多个注册指纹图像的哈希模板，确定所述查询指纹图像的查询结果。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202010616501.8A 2020-06-30 2020-06-30 一种基于最大-最小索引哈希的指纹模板保护方法 Active CN111967303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010616501.8A CN111967303B (zh) 2020-06-30 2020-06-30 一种基于最大-最小索引哈希的指纹模板保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010616501.8A CN111967303B (zh) 2020-06-30 2020-06-30 一种基于最大-最小索引哈希的指纹模板保护方法

Publications (2)

Publication Number Publication Date
CN111967303A true CN111967303A (zh) 2020-11-20
CN111967303B CN111967303B (zh) 2023-08-22

Family

ID=73360733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010616501.8A Active CN111967303B (zh) 2020-06-30 2020-06-30 一种基于最大-最小索引哈希的指纹模板保护方法

Country Status (1)

Country Link
CN (1) CN111967303B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926041A (zh) * 2021-02-08 2021-06-08 西安电子科技大学 一种基于生物特征的远程身份认证系统
CN112926422A (zh) * 2021-02-08 2021-06-08 西安电子科技大学 一种基于oph的可撤销二值特征的模板保护方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096149A1 (en) * 2016-09-30 2018-04-05 AVAST Software s.r.o. Detecting malware with hash-based fingerprints
US20180365479A1 (en) * 2017-06-20 2018-12-20 Samsung Electronics Co., Ltd. Fingerprint verification method and apparatus
CN109993129A (zh) * 2019-04-04 2019-07-09 郑州师范学院 一种基于指纹细结点圆柱码的指纹识别方法
CN110163079A (zh) * 2019-03-25 2019-08-23 腾讯科技（深圳）有限公司 视频检测方法及装置、计算机可读介质和电子设备
CN110990847A (zh) * 2019-11-15 2020-04-10 西安电子科技大学 一种基于局部敏感哈希的指纹模板保护方法
CN111027404A (zh) * 2019-11-15 2020-04-17 西安电子科技大学 一种基于指纹保护模板的指纹识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096149A1 (en) * 2016-09-30 2018-04-05 AVAST Software s.r.o. Detecting malware with hash-based fingerprints
US20180365479A1 (en) * 2017-06-20 2018-12-20 Samsung Electronics Co., Ltd. Fingerprint verification method and apparatus
CN110163079A (zh) * 2019-03-25 2019-08-23 腾讯科技（深圳）有限公司 视频检测方法及装置、计算机可读介质和电子设备
CN109993129A (zh) * 2019-04-04 2019-07-09 郑州师范学院 一种基于指纹细结点圆柱码的指纹识别方法
CN110990847A (zh) * 2019-11-15 2020-04-10 西安电子科技大学 一种基于局部敏感哈希的指纹模板保护方法
CN111027404A (zh) * 2019-11-15 2020-04-17 西安电子科技大学 一种基于指纹保护模板的指纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姚旭;于璐;刘嘉勇;汤殿华;: "一种基于指纹特征比特串的可撤销指纹加密方案", 四川大学学报(自然科学版), no. 04 *
杨汉辉;曾华;: "一种可撤销指纹身份认证方案", 福建电脑, no. 03 *
赵伟舟;杨宝珍;景慧丽;: "安全指纹识别系统的研究与设计", 南昌大学学报(工科版), no. 03 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926041A (zh) * 2021-02-08 2021-06-08 西安电子科技大学 一种基于生物特征的远程身份认证系统
CN112926422A (zh) * 2021-02-08 2021-06-08 西安电子科技大学 一种基于oph的可撤销二值特征的模板保护方法
CN112926041B (zh) * 2021-02-08 2022-09-09 西安电子科技大学 一种基于生物特征的远程身份认证系统
CN112926422B (zh) * 2021-02-08 2024-02-27 西安电子科技大学 一种基于oph的可撤销二值特征的模板保护方法

Also Published As

Publication number Publication date
CN111967303B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Xu et al. Fingerprint verification using spectral minutiae representations
Dey et al. Iris data indexing method using Gabor energy features
Guo et al. Collaborative representation with HM-LBP features for palmprint recognition
Yang et al. Fingerprint matching based on extreme learning machine
EP1821172B1 (en) Collation method, collation system, computer, and program
CN111967303B (zh) 一种基于最大-最小索引哈希的指纹模板保护方法
CN117121068A (zh) 使用机器学习和登记数据的个性化生物测定反欺骗保护
Pang et al. Palmprint verification with moments
CN112597978B (zh) 指纹匹配方法、装置、电子设备及存储介质
Fei et al. Local orientation binary pattern with use for palmprint recognition
Pandey et al. ASRA: Automatic singular value decomposition-based robust fingerprint image alignment
Khodadoust et al. Partial fingerprint identification for large databases
El-Abed et al. Quality assessment of image-based biometric information
Ramya et al. An efficient Minkowski distance-based matching with Merkle hash tree authentication for biometric recognition in cloud computing
Pang et al. Palmprint authentication with Zernike moment invariants
Amato et al. Aggregating binary local descriptors for image retrieval
KR20200137450A (ko) 인공지문 감지 시스템 및 이를 이용한 인공지문 감지 방법
CN114120377A (zh) 一种空间金字塔指纹精准识别的印控仪应用方法及系统
CN110610132B (zh) 指纹图像模板生成方法及系统、指纹识别方法及系统
CN110990847B (zh) 一种基于局部敏感哈希的指纹模板保护方法
CN110956468A (zh) 一种指纹支付系统
Ragendhu et al. Fast and accurate fingerprint recognition in principal component subspace
Gupta et al. An accurate slap fingerprint based verification system
WO2021151274A1 (zh) 图像文档处理方法、装置、电子设备及计算机可读存储介质
Tabejamaat et al. A coding-guided holistic-based palmprint recognition approach

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