CN112001249A - 一种在物理世界通过生成贴纸构造可取消生物特征的方法 - Google Patents
一种在物理世界通过生成贴纸构造可取消生物特征的方法 Download PDFInfo
- Publication number
- CN112001249A CN112001249A CN202010704236.9A CN202010704236A CN112001249A CN 112001249 A CN112001249 A CN 112001249A CN 202010704236 A CN202010704236 A CN 202010704236A CN 112001249 A CN112001249 A CN 112001249A
- Authority
- CN
- China
- Prior art keywords
- sticker
- face
- user
- face image
- paster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000009466 transformation Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000001680 brushing effect Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
- G06V40/53—Measures to keep reference information secret, e.g. cancellable biometrics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
随着科学技术的发展,人脸识别已成为身份认证的主要方法之一。由此带来的对人脸识别系统的攻击和人脸信息泄露越来越多,因此保护人脸生物信息十分重要。本发明提出了一种在物理世界生成贴纸构造可取消的人脸信息的方法,以此来保护人脸生物信息。将带有贴纸的人脸作为用户的人脸信息录入人脸识别系统,使得带有贴纸的人脸图像能够正确识别,原始人脸图像不能够被正确识别。一旦带有贴纸的人脸图像被泄露,攻击者也很难100%恢复出原始人脸信息。并且,能够通过改变贴纸位置和图案更新贴纸,形成新的生物信息,使得被泄露的贴纸失效。这种方法能够生成可取消的人脸信息,使得原始的人脸信息不会完全录入到人脸识别系统中,从而对人脸信息形成保护。
Description
技术领域
本发明涉及生成可取消生物特征的方法,更具体地说,涉及一种在物理世界中通过生成贴纸构造可取消的人脸信息的方法。
背景技术
随着深度学习的发展,人脸识别技术也蓬勃发展。人脸识别的目的主要是从人脸图像中抽取出人的个性化特征,以此来识别人的身份。一个简单的人脸自动识别系统主要是通过人脸检测、人脸对齐、人脸比对(和系统已经录入的人脸信息比对)、返回识别结果等过程实现。从2015年至今,人脸识别技术经历了从快速落地到多领域应用的井喷式发展,用户在办理业务时,大多都需要录入脸部信息,所以如今,坐车可以刷脸、支付可以刷脸、自动取款也能刷脸、甚至在公共厕所也是“人脸识别”厕纸机……大多数人对这些技术没有一点点防备,“刷脸”已经融入到人们生活的方方面面,在金融、交通、教育、安防、社保等领域应用越来越广。然而,使用人脸信息的字段越多,人脸信息泄漏的风险越大,生物特征安全问题也越来越引起人们的关注。随着面部识别成为生物识别认证的主流方式,对面部信息的保护也提出了巨大的挑战,生成可取消的生物特征模板是研究热点之一。
在此之前,就有很多生成可取消生物特征的方法。一些解决方法是对原始生物数据进行不可逆的转换,不同的生物数据,所对应的转换函数的参数是不同的,以此来生成可取消的生物数据。用转换后的生物数据作为一个人身份的特征模板存储在系统中。比如,Ratha等研究者提出的生成可取消手指模板的方法,用户可以通过发出新的密钥进行形成新的转换函数,对原始手指特征进行转换,形成新的手指模板。通过这种方法,潜在的冒名顶替人员很难得知认证系统内部的转换函数,也就很难重构原始生物数据,窃取原始生物信息。还有一些方法是对原始生物数据提取的特征进行加密,将加密后的特征保存,在认证过程中需要先对特征进行解密。这些方法是可逆的生物特征转换,要求对不同用户的加密参数不同,且在认证过程中加密所需要的参数必须是保密的。比如,Teoh等研究人员提出了一种用于BioHash生成可取消的生物特征的方法,该方法将一组用户特定的随机向量与生物特征混合在一起。与仅使用真实令牌的生物识别方法相比,在身份验证设置中,BioHash提供极低的错误率。
但是,通过不可逆转换生成可取消的生物数据的方法,会引起识别性能有所下降。而对生物特征进行加密的方法,一旦加密系统参数被泄露,冒名顶替者很可能能够重构出原始数据信息,他们可以使用原始生物数据攻击用户的其它认证系统,对用户的安全和隐私带来了威胁。同时,据我们所知,在现在生成可取消生物信息的研究中,都是提取了原始人脸图像后,在原始人脸图像上进行数字图像处理领域的操作,没有研究是在将人脸信息录入人脸识别之前人脸识别之前的物理世界中展开的。因此,本发明设计了一种在物理世界生成可取消生物特征的方法,该方法既是不可逆的,又不会影响生物认证的性能。
发明内容
本发明提出了一种在物理世界实现可取消面部生物信息的方法。传统的可取消生物信息的生成方法几乎都是在身份认证系统内部对生物信息进行变换,需要将原始生物信息录入身份认证系统,这样做要么是降低了识别准确率,要么很容易被攻击造成信息泄露。本发明是在物理世界中、在识别系统之外生成的可取消生物信息。针对不同的人脸识别系统,使用生成算法可以生成用户特定的不同的贴纸,将贴纸贴到面部后,根据粘贴位置的不同和贴纸图案的不同,就可形成不同的面部生物数据。使用带有贴纸的人脸数据录入到人脸识别系统后,即使此人脸识别系统被攻击后,攻击者也无法准确地还原出原始的人脸信息,因此能够对该用户的人脸数据起到了很大的保护作用。在定位贴纸的放置位置时,本发明采用的是掩膜与欧式距离度量相结合的方法,能够很好地定位到某个人脸识别系统在进行人脸识别时所使用的关键部位。通过这个方法,能够实现不同用户生成特定的可取消面部生物特征,并且生成过程是不可逆的,能够很好地保护用户安全和隐私,生成过程也是和原始生物数据紧密结合的,不会降低识别准确率。
本发明的具体技术方案如下:
一种在物理世界通过生成贴纸构造可取消生物特征的方法,包括以下步骤:
步骤1:使用掩膜测试的方法对贴纸放置位置进行定位,具体方法为:在人脸图像上添加掩膜,掩膜位置遍历整幅人脸图像,计算添加掩膜后的人脸图像与原始人脸图像在特征空间的欧式距离,将距离最大的掩膜位置作为贴纸在人脸上放置的大概位置,目标函数定义如下:
其中,Lx表示贴纸在人脸上放置的大概位置,ψ表示求出掩膜mi所在位置的函数,表示带有掩膜的人脸图像,e表示原始人脸图像,表示原始人脸图像与带有掩膜的人脸图像之间的欧式距离,mi表示使得原始人脸图像与添加掩膜后的人脸图像之间欧式距离最大的掩膜,DM表示添加掩膜后的图像与原始人脸图像之间的最大距离;
步骤2:选定贴纸尺寸,采用不同形式的噪音对贴纸进行初始化,得到初始化的矩形贴纸xinit;
步骤3:将初始化的矩形贴纸经过抛物线变换变成弧形贴纸,映射到人脸图像上,所述抛物线变换公式为:
其中,xinit是初始化的矩形贴纸,xt是经抛物线变换后的贴纸,a,b和c是控制抛物线变换的参数;
步骤4:采用生成算法生成贴纸,用户p在录入人脸识别系统F时的贴纸为:
p(x|F)=xinit+Δ(xinit|F)
其中,Δ(xinit|F)表示对于人脸识别系统F的初始化贴纸添加的扰动。
生成算法生成的贴纸需要满足以下条件:特定用户在进行特定人脸认证系统的人脸信息采集时,录入带个性化贴纸的人脸图像,该个性化贴纸是该用户对于该特定系统特有的;当用户进行系统认证时,只有粘贴该用户针对该系统生成的特定贴纸,才能够被正确识别,不粘贴贴纸、或者粘贴其他用户的贴纸、或者粘贴的贴纸不是针对该系统生成的,都不能被系统正确识别,具体表达式为:
其中,ep(x|F)表示用户p粘贴系统F对用户p特有的贴纸的人脸图像,ep(x|G)表示用户p粘贴系统G对用户p特有的贴纸的人脸图像,ep表示用户p原始人脸图像,ep←q(x|F)表示用户p粘贴系统F对用户q特有的贴纸的人脸图像,ep←q(x|G)表示用户p粘贴系统G对用户q特有的贴纸的人脸图像,
F(ep(x|F))=p,G(ep(x|G))=p表示:当用户进行特定系统的认证时,如果粘贴的贴纸是该系统对于该用户生成的特定贴纸,则能被系统正确识别;
F(ep)≠p,G(ep)≠p表示:当用户进行特定系统的认证时,如果不粘贴贴纸,则
不能被系统正确识别;
F(ep(x|G))≠p,G(ep(x|F))≠p表示:当用户进行特定系统的认证时,如果粘贴的贴纸不是针对该系统生成的,则不能被系统正确识别;
F(ep←q(x|F))≠p,G(ep←q(x|G))≠p表示:当用户进行特定系统的认证时,如果粘贴的是该系统对于其他用户生成的特定贴纸,则不能被系统正确识别;
步骤5:将步骤4生成的贴纸粘贴到用户的面部,生成可取消的生物信息;贴纸粘贴的位置不同,构成的可取消生物信息也不同。
附图说明
图1为本发明方法流程图。
图2为本发明方法实施生成的贴纸示意图。
图3为本发明实例研究结果样例图。能被正确识别的人脸图像会被框出,并带有用户ID。其中,第一行为第一个用户使用鼻子带有个性化贴纸录入人脸识别系统时的结果图,从左到右分别为鼻子区域粘贴个性化贴纸人脸图像,原始人脸图像,鼻子区域粘贴非个性化人脸图像的识别结果。第二行为第二个用户使用嘴巴带有个性化贴纸录入人脸识别系统时的结果图,从左到右分别为嘴巴区域粘贴个性化贴纸人脸图像,原始人脸图像,嘴巴区域粘贴非个性化人脸图像的识别结果。
具体实施方式
本实施例在目前识别效果最好的人脸识别系统ArcFace上进行了实验。实验主要包括对贴纸进行关键性定位以及定位后生成可取消人脸生物信息两个个部分。
1.数据集处理:
CASIA-WebFace数据集,包含了10575个人的494414张图像。本实施例将此数据集用于ArcFace人脸识别系统预训练过程,因为此数据集数据量大,人的种类较多,可以使得我们训练得到的模型更加通用。
本实施例采集并构建了MMSys_Face和MMSys_Sticker数据集,采集时均通过被采集者的同意,可以应用于非商业化的科学研究。本发明使用自己采集的数据集进行实验的最主要原因是进行生成的可取消人脸信息验证时,需要在物理世界中将贴纸贴在脸上。因此,用自己身边的朋友的图像构造数据集更方便实验的进行。其中,MMSys_Face数据集包含25个人共1605张图片,所有的人脸图像都是不带有贴纸的自然图像。MMSys_Sticker数据集包含11个人共7533张图片,该数据集中所有图像都是根据ArcFace人脸识别系统生成的带有贴纸的图像。
所有用于训练ArcFace模型以及生成贴纸的图像均预先通过MTCNN网络进行人脸检测、关键点定位、人脸对齐三个预处理过程,得到128×128尺寸的人脸图像。
2.本发明具体实施步骤:
步骤1:使用掩膜测试的方法对贴纸放置位置进行定位,具体方法为:在人脸图像上添加掩膜,掩膜位置遍历整幅人脸图像,计算添加掩膜后的人脸图像与原始人脸图像在特征空间的欧式距离,将距离最大的掩膜位置作为贴纸在人脸上放置的大概位置,本实施例中采用的掩膜尺寸大小为16×16,在人脸图像上的滑动步长为1,目标函数定义如下:
其中,Lx表示贴纸在人脸上放置的大概位置,ψ表示求出掩膜mi所在位置的函数,表示带有掩膜的人脸图像,e表示原始人脸图像,表示原始人脸图像与带有掩膜的人脸图像之间的欧式距离,mi表示使得原始人脸图像与添加掩膜后的人脸图像之间欧式距离最大的掩膜,DM表示添加掩膜后的图像与原始人脸图像之间的最大距离;
步骤2:选定贴纸尺寸,采用不同形式的噪音(如高斯噪声,随机噪声,纯白色或其他纯色)对贴纸进行初始化,得到初始化的矩形贴纸xinit。在本实施例中,贴纸尺寸为900×400,采用纯白色对贴纸初始化;
步骤3:将初始化的矩形贴纸经过抛物线变换变成弧形贴纸,映射到人脸图像上,所述抛物线变换公式为:
其中,xinit是初始化的矩形贴纸,xt是经抛物线变换后的贴纸,a,b和c是控制抛物线变换的参数。初始化的贴纸经过抛物线变换后,映射到人脸上,再经过生成算法生成新的贴纸。
步骤4:采用生成算法生成贴纸,可以选用生成对抗网络(GANs)生成贴纸,也可以选用传动的对图像添加扰动的方法。用户p在录入人脸识别系统F时的贴纸为:
p(x|F)=xinit+Δ(xinit|F)
其中,Δ(xinit|F)表示对于人脸识别系统F的初始化贴纸添加的扰动。
在本实施例中,采用FGSM(Fast Gradient Sign Method)生成贴纸,具体实施公式如下:
p(x|F)=xinit+ε×sign(▽(xinit|F))
其中,▽(xinit|F)表示人脸识别模型F对输入的初始化贴纸xinit的梯度,然后通过符号函数sign求出梯度方向,接着乘以步长ε得到加在初始化贴纸的扰动,生成新的贴纸。
生成算法生成的贴纸需要满足以下条件:以用户p为例,用户p在进行人脸认证系统F的人脸信息采集时,录入带个性化贴纸的人脸图像ep(x|F),即该贴纸是用户p对于系统F特有的。用户p在进行人脸认证系统G的人脸信息采集时,录入带个性化贴纸的人脸图像ep(x|G),即该贴纸是用户p对于系统G特有的。当用户进行系统F认证时,只有粘贴针对系统F生成的特定贴纸,才能够被正确识别,不粘贴贴纸或者粘贴其他用户的贴纸(ep←q(x|F)或ep←q(x|G))或者粘贴的贴纸不是针对系统F生成的,都不能被系统正确识别。
对于系统G或其他人脸识别系统亦是如此。
其中,ep(x|F)表示用户p粘贴系统F对用户p特有的贴纸的人脸图像,ep(x|G)表示用户p粘贴系统G对用户p特有的贴纸的人脸图像,ep表示用户p原始人脸图像,ep←q(x|F)表示用户p粘贴系统F对用户q特有的贴纸的人脸图像,ep←q(x|G)表示用户p粘贴系统G对用户q特有的贴纸的人脸图像,
F(ep(x|F))=p,G(ep(x|G))=p表示:当用户进行特定系统的认证时,如果粘贴的贴纸是该系统对于该用户生成的特定贴纸,则能被系统正确识别;
F(ep)≠p,G(ep)≠p表示:当用户进行特定系统的认证时,如果不粘贴贴纸,则
不能被系统正确识别;
F(ep(x|G))≠p,G(ep(x|F))≠p表示:当用户进行特定系统的认证时,如果粘贴的贴纸不是针对该系统生成的,则不能被系统正确识别;
F(ep←q(x|F))≠p,G(ep←q(x|G))≠p表示:当用户进行特定系统的认证时,如果粘贴的是该系统对于其他用户生成的特定贴纸,则不能被系统正确识别;
步骤5:将步骤4生成的贴纸粘贴到用户的面部,生成可取消的生物信息;贴纸粘贴的位置不同,构成的可取消生物信息也不同。本实施例中选取了人脸鼻子和嘴巴两个位置构建不同的生物信息。
3.算法实现
(1)对贴纸放置位置进行定位:
我们使用的掩膜的大小为16×16,掩膜在人脸图像上的滑动步长为1,将原图与加了掩膜的图像输入人脸识别系统,提取得到512维特征,然后计算欧式距离。最后,找出对应于距离最大的贴纸的所在的位置。
我们从MMSys_Face数据集中随机挑选了23张图像,从CASIA-WebFace数据集中随机挑选了38张图像进行实验,这些图像中男女比例大约为1:1。然后,我们绘制了每个图像所有加了掩膜的图像与原图之间的距离散点图,找出距离最大的图像,确定掩膜所在位置。最后,所有测试图像的结果如表1所示。其中,N表示用于测试的人脸图像数目,n表示关键位置在鼻子和嘴巴附近的图像数目,m表示关键位置在人脸其它位置的图像数目,μ表示n与N的比率。从表1中我们可以看出,大部分人脸的关键位置位于鼻子和嘴巴附近。考虑到每个用户在物理世界中粘贴贴纸的位置并不是必须在某个特定的地方,而且每个人的人脸尺寸不一致,我们将大致确定关键位置,而不是明确规定关键位置。因此,我们将贴纸的位置放在鼻子或嘴巴上,以便适用于大多数用户。
表1人脸图像关键位置统计表
数据集 | N | n | m | μ |
MMSys_Face | 23 | 17 | 6 | 73.9% |
CASIA-WebFace | 38 | 21 | 17 | 55.3% |
总计 | 61 | 38 | 23 | 62.3% |
(2)生成贴纸:
优化了贴纸的位置后,我们使用FGSM算法针对用户的鼻子或嘴巴生成个性化贴纸,示例如图2所示。其中,(a)为针对人脸鼻子部位生成的对抗贴纸,(b)为针对人脸嘴巴部位生成的对抗贴纸。
4.结果验证
我们分别使用人脸鼻子上带有贴纸的图像数据集和人脸嘴巴上带有贴纸的图像数据集训练ArcFace人脸识别模型。然后,在录入人脸识别系统时也分别使用鼻子或嘴巴带有贴纸的人脸图像。最后,分别使用带有个性化贴纸的人脸图像、原始人脸图像以及粘贴非个性化贴纸的人脸进行测试,实验结果如图3所示。我们可以看出只有嘴巴或鼻子上粘贴个性化贴纸的人脸图像能够被正确识别,其它两种人脸图像都不能被正确识别。这也进一步说明我们提出的生成可取消的人脸生物信息的方法是可行的,且能够对原始人脸信息起到保护作用。而且,在更换了贴纸的位置后,ArcFace人脸识别系统的识别效果有所提升,性能更加稳定。
Claims (2)
1.一种在物理世界通过生成贴纸构造可取消生物特征的方法,包括以下步骤:
步骤1:使用掩膜测试的方法对贴纸放置位置进行定位,具体方法为:在人脸图像上添加掩膜,掩膜位置遍历整幅人脸图像,计算添加掩膜后的人脸图像与原始人脸图像在特征空间的欧式距离,将距离最大的掩膜位置作为贴纸在人脸上放置的大概位置,目标函数定义如下:
其中,Lx表示贴纸在人脸上放置的大概位置,ψ表示求出掩膜mi所在位置的函数,表示带有掩膜的人脸图像,e表示原始人脸图像,表示原始人脸图像与带有掩膜的人脸图像之间的欧式距离,mi表示使得原始人脸图像与添加掩膜后的人脸图像之间欧式距离最大的掩膜,DM表示添加掩膜后的图像与原始人脸图像之间的最大距离;
步骤2:选定贴纸尺寸,采用不同形式的噪音对贴纸进行初始化,得到初始化的矩形贴纸xinit;
步骤3:将初始化的矩形贴纸经过抛物线变换变成弧形贴纸,映射到人脸图像上,所述抛物线变换公式为:
其中,xinit是初始化的矩形贴纸,xt是经抛物线变换后的贴纸,a,b和c是控制抛物线变换的参数;
步骤4:采用生成算法生成贴纸,用户p在录入人脸识别系统F时的贴纸为:
p(x|F)=xinit+Δ(xinit|F)
其中,Δ(xinit|F)表示对于人脸识别系统F的初始化贴纸添加的扰动;
生成算法生成的贴纸需要满足以下条件:特定用户在进行特定人脸认证系统的人脸信息采集时,录入带个性化贴纸的人脸图像,该个性化贴纸是该用户对于该特定系统特有的;当用户进行系统认证时,只有粘贴该用户针对该系统生成的特定贴纸,才能够被正确识别,不粘贴贴纸、或者粘贴其他用户的贴纸、或者粘贴的贴纸不是针对该系统生成的,都不能被系统正确识别,具体表达式为:
其中,ep(x|F)表示用户p粘贴系统F对用户p特有的贴纸的人脸图像,ep(x|G)表示用户p粘贴系统G对用户p特有的贴纸的人脸图像,ep表示用户p原始人脸图像,ep←q(x|F)表示用户p粘贴系统F对用户q特有的贴纸的人脸图像,ep←q(x|G)表示用户p粘贴系统G对用户q特有的贴纸的人脸图像,
F(ep(x|F))=p,G(ep(x|G))=p表示:当用户进行特定系统的认证时,如果粘贴的贴纸是该系统对于该用户生成的特定贴纸,则能被系统正确识别;
F(ep)≠p,G(ep)≠p表示:当用户进行特定系统的认证时,如果不粘贴贴纸,则不能被系统正确识别;
F(ep(x|G))≠p,G(ep(x|F))≠p表示:当用户进行特定系统的认证时,如果粘贴的贴纸不是针对该系统生成的,则不能被系统正确识别;
F(ep←q(x|F))≠p,G(ep←q(x|G))≠p表示:当用户进行特定系统的认证时,如果粘贴的是该系统对于其他用户生成的特定贴纸,则不能被系统正确识别;
步骤5:将步骤4生成的贴纸粘贴到用户的面部,生成可取消的生物信息;贴纸粘贴的位置不同,构成的可取消生物信息也不同。
2.如权利要求1所述的在物理世界中通过生成贴纸构造可取消生物信息的方法,其特征在于:不需要将原始人脸信息录入人脸识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704236.9A CN112001249B (zh) | 2020-07-21 | 2020-07-21 | 一种在物理世界通过生成贴纸构造可取消生物特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704236.9A CN112001249B (zh) | 2020-07-21 | 2020-07-21 | 一种在物理世界通过生成贴纸构造可取消生物特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001249A true CN112001249A (zh) | 2020-11-27 |
CN112001249B CN112001249B (zh) | 2022-08-26 |
Family
ID=73467045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010704236.9A Active CN112001249B (zh) | 2020-07-21 | 2020-07-21 | 一种在物理世界通过生成贴纸构造可取消生物特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240732A (zh) * | 2021-06-24 | 2022-03-25 | 中国人民解放军陆军工程大学 | 一种攻击人脸验证模型的对抗贴片生成方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014164656A (ja) * | 2013-02-27 | 2014-09-08 | Ricoh Co Ltd | 画像処理方法およびプログラム |
CN106339201A (zh) * | 2016-09-14 | 2017-01-18 | 北京金山安全软件有限公司 | 贴图处理方法、装置和电子设备 |
CN108182401A (zh) * | 2017-12-27 | 2018-06-19 | 武汉理工大学 | 一种基于聚合块信息的安全虹膜识别方法 |
CN109214281A (zh) * | 2018-07-30 | 2019-01-15 | 苏州神指微电子有限公司 | 一种用于ai芯片人脸识别的cnn硬件加速装置 |
CN110321790A (zh) * | 2019-05-21 | 2019-10-11 | 华为技术有限公司 | 一种对抗样本的检测方法及电子设备 |
US20200029144A1 (en) * | 2018-07-18 | 2020-01-23 | Nicolas Casati | Sound Directing Device for a Mobile Telecommunication Device |
CN110991299A (zh) * | 2019-11-27 | 2020-04-10 | 中新国际联合研究院 | 一种物理域上针对人脸识别系统的对抗样本生成方法 |
CN111401331A (zh) * | 2020-04-27 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
-
2020
- 2020-07-21 CN CN202010704236.9A patent/CN112001249B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014164656A (ja) * | 2013-02-27 | 2014-09-08 | Ricoh Co Ltd | 画像処理方法およびプログラム |
CN106339201A (zh) * | 2016-09-14 | 2017-01-18 | 北京金山安全软件有限公司 | 贴图处理方法、装置和电子设备 |
CN108182401A (zh) * | 2017-12-27 | 2018-06-19 | 武汉理工大学 | 一种基于聚合块信息的安全虹膜识别方法 |
US20200029144A1 (en) * | 2018-07-18 | 2020-01-23 | Nicolas Casati | Sound Directing Device for a Mobile Telecommunication Device |
CN109214281A (zh) * | 2018-07-30 | 2019-01-15 | 苏州神指微电子有限公司 | 一种用于ai芯片人脸识别的cnn硬件加速装置 |
CN110321790A (zh) * | 2019-05-21 | 2019-10-11 | 华为技术有限公司 | 一种对抗样本的检测方法及电子设备 |
CN110991299A (zh) * | 2019-11-27 | 2020-04-10 | 中新国际联合研究院 | 一种物理域上针对人脸识别系统的对抗样本生成方法 |
CN111401331A (zh) * | 2020-04-27 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
CHRISTIAN RATHGEB ET AL: "A survey on biometric cryptosystems and cancelablebiometrics", 《JOURNAL ON INFORMATION SECURITY》 * |
ESSAM ABDELLATEF ET AL: "Cancelable multi-biometric recognition system based on deep learning", 《THE VISUAL COMPUTER》 * |
刘橙橙 等: "面向手机图像的来源取证方法", 《信息技术与信息化》 * |
张笛 等: "移动终端人工智能发展趋势", 《人工智能》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240732A (zh) * | 2021-06-24 | 2022-03-25 | 中国人民解放军陆军工程大学 | 一种攻击人脸验证模型的对抗贴片生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112001249B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaddam et al. | Efficient Cancelable Biometric Key Generation Scheme for Cryptography. | |
Galbally et al. | Iris image reconstruction from binary templates: An efficient probabilistic approach based on genetic algorithms | |
Gumaei et al. | Anti-spoofing cloud-based multi-spectral biometric identification system for enterprise security and privacy-preservation | |
Yang et al. | Cancelable fingerprint templates with delaunay triangle-based local structures | |
CN106503655B (zh) | 一种基于人脸识别技术的电子签名方法和验签方法 | |
Ren et al. | Signature verification using critical segments for securing mobile transactions | |
EP2517150B1 (en) | Method and system for generating a representation of a finger print minutiae information | |
Wai Kuan et al. | Secure hashing of dynamic hand signatures using wavelet-fourier compression with biophasor mixing and discretization | |
Mitra et al. | iface 1.1: A proof-of-concept of a facial authentication based digital id for smart cities | |
CN112001249B (zh) | 一种在物理世界通过生成贴纸构造可取消生物特征的方法 | |
Ara et al. | An efficient privacy-preserving user authentication scheme using image processing and blockchain technologies | |
Ramakrishnan et al. | An efficient automatic attendance system using fingerprint reconstruction technique | |
CN112163542A (zh) | 一种基于ElGamal加密的掌纹保密认证方法 | |
Liu et al. | Biohashing for human acoustic signature based on random projection | |
Butt et al. | Privacy protection of biometric templates | |
Khan et al. | Privacy-preserving and tokenless chaotic revocable face authentication scheme | |
Sinduja et al. | Sheltered iris attestation by means of visual cryptography (sia-vc) | |
Jeong et al. | Cancellable face biometrics system by combining independent component analysis coefficients | |
Bayly et al. | Fractional biometrics: safeguarding privacy in biometric applications | |
Ohana et al. | HoneyFaces: Increasing the security and privacy of authentication using synthetic facial images | |
Mitra et al. | ◾ Overview of Biometric Authentication | |
Ashiba et al. | Suggested wavelet transform for cancelable face recognition system | |
Ghouzali | Multimodal Biometric Watermarking-based Transfer Learning Authentication | |
Hanawa et al. | Face Image De-identification Based on Feature Embedding for Privacy Protection | |
Su et al. | Gait-Based Privacy Protection for Smart Wearable Devices |
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 |