CN112347855A - 一种基于深度学习的生物特征模板保护方法及装置 - Google Patents

一种基于深度学习的生物特征模板保护方法及装置 Download PDF

Info

Publication number
CN112347855A
CN112347855A CN202011084812.0A CN202011084812A CN112347855A CN 112347855 A CN112347855 A CN 112347855A CN 202011084812 A CN202011084812 A CN 202011084812A CN 112347855 A CN112347855 A CN 112347855A
Authority
CN
China
Prior art keywords
feature vector
random
feature
verified
hash code
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.)
Pending
Application number
CN202011084812.0A
Other languages
English (en)
Inventor
赵恒�
程川
庞辽军
石悦
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.)
Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology
Xidian University
Original Assignee
Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology
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 Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology, Xidian University filed Critical Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology
Priority to CN202011084812.0A priority Critical patent/CN112347855A/zh
Publication of CN112347855A publication Critical patent/CN112347855A/zh
Pending legal-status Critical Current

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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于深度学习的生物特征模板保护方法及装置，该方法包括：获取待验证生物特征图像；根据深度网络对待验证生物特征图像进行特征提取，得到第一特征向量串；对第一特征向量串进行随机映射，得到第一随机特征向量；对第一随机特征向量进行非线性多维谱哈希编码，得到待验证哈希码；将待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。本发明提供的基于深度学习的生物特征模板保护方法具有较高的精度和安全性。

Description

一种基于深度学习的生物特征模板保护方法及装置
技术领域
本发明属于图像处理技术领域，具体涉及一种基于深度学习的生物特征模板保护方法及装置。
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，生物特征因其稳定性和方便性而被人们广泛研究，生物特征认证也被广泛应用到各个领域及各种场合。生物特征即一个人固有的生理或行为特征，比如指纹、掌纹、人脸、虹膜等。然而，基于生物特征的身份识别技术在带来便捷性的同时，其所涉及到的个人隐私和安全隐患问题也不容忽视。
目前，现有技术中对于生物特征的模板保护主要有两种方式，一种是采用传统的加密技术；另一种是采用生物特征变换技术。然而，传统的加密技术其安全性主要取决于秘钥的安全性，而通常情况下，秘钥即用户自定义的口令，口令简单易被猜测，口令复杂又难以记住，因此，这种利用传统加密技术进行生物模板保护的方法存在较大安全隐患。而现有的生物特征变换技术通常是针对常规生物特征图像进行模板保护，对于小面积生物特征图像，由于其存在信息不足的问题，会出现效率不高或者失效的情况，导致其可靠性不高。
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深度学习的生物特征模板保护方法及装置。本发明要解决的技术问题通过以下技术方案实现：
一种基于深度学习的生物特征模板保护方法，包括：
获取待验证生物特征图像；
根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串；
对所述第一特征向量串进行随机映射，得到第一随机特征向量；
对所述第一随机特征向量进行编码，得到待验证哈希码；
将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。
在本发明的一个实施例中，在将所述待验证哈希码与预先存储的注册哈希码进行匹配之前，还包括：
获取注册生物特征图像；
根据深度网络对所述注册生物特征图像进行特征提取，得到第二特征向量串；
对所述第二特征向量串进行随机映射，得到第二随机特征向量；
对所述第二随机特征向量进行编码，得到注册哈希码；
将所述注册哈希码存储于数据库中，以用于生物特征认证。
在本发明的一个实施例中，根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串，包括：
建立基于深度学习的网络模型；
利用该网络模型对所述待验证生物特征图像进行特征提取，得到第一特征向量串。
在本发明的一个实施例中，所述网络模型的深度为50层。
在本发明的一个实施例中，对所述第一特征向量串进行随机映射，得到第一随机特征向量，包括：
利用随机种子生成一个伪随机矩阵；
通过史密斯正交化将所述伪随机矩阵变换为标准正交矩阵，得到伪随机正交矩阵；
利用所述伪随机正交矩阵计算第一随机特征向量。
在本发明的一个实施例中，对所述第一随机特征向量进行编码，得到待验证哈希码，包括：
根据所述第一随机特征向量计算一维特征函数，以得到对应的特征值；
从所述特征值中选择前k个最大特征值对应的索引值组成集合A；
根据第一预设函数对所述第一随机特征向量中的每个数据点进行非线性多维谱哈希编码，得到第一编码数据；
根据第二预设函数对所述第一编码数据中属于所述集合A的数据进行编码，得到待验证哈希码；其中，所述待验证哈希码为512维二进制码串。
在本发明的一个实施例中，将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果，包括：
根据所述待验证哈希码与所述注册哈希码计算加权汉明距离；
若判断所述加权汉明距离小于预设阈值，则认为所述待验证的哈希码与所述注册哈希码相同，验证通过；
否则，验证失败。
在本发明的一个实施例中，所述加权汉明距离的计算公式为：
Figure BDA0002720006150000041
其中，H(q,e)表示加权汉明距离，xq(i)和xe(i)分别表示待验证生物特征和注册生物特征的随机特征向量第i个坐标对应的一维任意实特征，φij(xq(i))表示待验证随机特征向量x第i个坐标的所有一维特征函数中满足集合A条件的特征函数，φij(xe(i))表示注册随机特征向量x第i个坐标的所有一维特征函数中满足集合A条件的特征函数，sign(·)表示符号函数，Πλij表示位权重，λij表示随机特征向量x第i个坐标的j个一维特征函数φij(x(i))对应的特征值。
本发明的另一个实施例提供了一种基于深度学习的生物特征模板保护装置，包括：
数据采集模块，用于获取待验证生物特征图像；
特征提取模块，用于根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串；
随机特征向量生成模块，用于对所述第一特征向量串进行随机映射，得到第一随机特征向量；
哈希码生成模块，用于对所述第一随机特征向量进行编码，得到待验证哈希码；
信息匹配模块，用于将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。
在本发明的一个实施例中，所述数据采集模块还用于获取注册生物特征图像；
所述特征提取模块还用于根据深度网络对所述注册生物特征图像进行特征提取，得到第二特征向量串；
所述随机特征向量生成模块还用于对所述第二特征向量串进行随机映射，得到第二随机特征向量；
所述哈希码生成模块还用于对所述第二随机特征向量进行编码，得到注册哈希码。
本发明的有益效果：
1、本发明提供的基于深度学习的生物特征模板保护方法，利用神经网络提取原始生物特征的特征向量并将其变换为二进制特征向量，算法具有较强的不可逆性，且直接对原始图像进行操作，相比传统算法，其受生物特征图像包含数据量信息少的影响较小，提高了算法效率以及可靠性；
2、本发明提供的方法其匹配操作在加密域进行，即使注册模板丢失，原始生物特征模板信息也不会泄露，具有较高的安全性；
3、本发明提供的方法对生物特征的深度特征向量进行了随机映射，当注册模板丢失时，可以通过更换新的置换种子发布新模板，这使得系统具有较好的可撤销性及无关联性；
4、本发明提供的方法基于非线性多维谱哈希算法生成哈希码，对生物特征类型没有特殊限制，可以应用到其他类型生物特征的模板保护上；
5、本发明提供的方法可以有效保护原始生物特征信息，使其不被非法窃取，能够促进信息产业安全发展，具有重要的市场价值。
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深度学习的生物特征模板保护方法流程示意图；
图2是本发明实施例提供另一种基于深度学习的生物特征模板保护方法流程示意图；
图3是本发明实施例提供的基于深度学习的生物特征模板保护装置结构示意图。
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。
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深度学习的生物特征模板保护方法流程示意图，包括：
S1：获取待验证生物特征图像。
在本实施例中，生物特征可以是指纹、掌纹、人脸、虹膜等人体固有的生理特征，本实施例中以指纹为例进行详细说明。
具体地，本实施例通过采集指纹得到指纹图像，记为I，该指纹图像I即为待验证的生物特征图像。
S2：根据深度网络对待验证生物特征图像进行特征提取，得到第一特征向量串，包括：
S21：建立基于深度学习的网络模型。
本实施例将ResNet神经网络思想应用于生物特征模板提取中，可结合生物特征的特点，对网络模型进行设计命名。
例如，本实施例采用指纹图像，则命名网络模型为FingerANet。然后结合指纹图像的特点，进行网络模型设计。
请参见表1，表1是本实施例提供FingerANet网络模型的详细结构参数。其中，残差块使用三层残差函数可以降低参数的数目、减少计算量、提高训练效率。
进一步地，对于指纹图像来说，不需要过深的网络，因此可将该网络模型的深度设计为50层，同时结合Triplet loss与Softmax损失函数，使得指纹特征提取具有更高的准确性。
表1详细模型结构参数
Figure BDA0002720006150000071
S22：利用该网络模型对待验证生物特征图像进行特征提取，得到第一特征向量串。
具体地，第一特征向量串采用欧式空间中定义的深度特征向量串来表示，记为：v＝Rn,n＝512。
S3：对第一特征向量串进行随机映射，得到第一随机特征向量，包括：
首先，利用随机种子生成一个伪随机矩阵。
然后，通过史密斯正交化将所述伪随机矩阵变换为标准正交矩阵，得到伪随机正交矩阵，记为R∈Rn×n。
最后，利用该伪随机正交矩阵计算第一随机特征向量x，其计算公式为：
x＝vR∈Rn。
S4：对第一随机特征向量x进行编码，得到待验证哈希码，具体包括：
S41：根据第一随机特征向量计算一维特征函数，并得到对应的特征值。
具体地，一维特征函数φij(x(i))的计算公式为：
Figure BDA0002720006150000081
其中，x(i)表示随机向量x第i个坐标对应的一维任意实特征，φij(x(i))表示随机特征向量第i个坐标的第j个特征函数。本实施例中，i,j∈[1,512]，[ai,bi]表示x(i)均匀分布的范围，λij表示φij(x(i))对应的特征值，且
Figure BDA0002720006150000082
δ表示随机参数，其值可根据用户经验设定。
S42：从所述特征值中选择前k个最大特征值对应的坐标与特征函数标号值，也称为索引值，由此组成集合A。
在本实施例中，将特征值λij按照降序排序，选择前k个最大特征值对应的索引值，组成集合A，记为：
A＝{(i1,j1),(i2,j2),...,(ik,jk)}；
其中，(ik,jk)表示第k个使特征值最大的索引值。k∈[1，j]，k的取值要使特征向量包含最多的信息，大小依据用户经验设定，本实施例中k值设定为512。
S43：根据第一预设函数对所述随机特征向量中的每个数据点进行非线性多维谱哈希(Nonlinear Multi-dimen Sional Spectral Hashing，NMDSH)编码，得到第一编码数据。
具体地，设置第一预设函数为
Figure BDA0002720006150000083
其中，q(·)为Softmod激活函数，其表达式为：
Figure BDA0002720006150000091
其中，α表示非线性率参数。
采用该第一预设函数对所有第一随机特征向量中的每个数据点进行非线性多维谱哈希编码，得到第一编码数据，该第一编码数据为十进制哈希码。
在本实施例中，还可通过变换非线性Softmod激活函数q(·)中的非线性率参数α改变算法的抗相似性攻击性能。
S44：根据第二预设函数对所述第一编码数据中属于所述集合A的数据进行编码，得到待验证哈希码。
首先，从第一编码数据中选取所有属于集合A的数据，即满足条件(i,j)∈A的数据，作为待编码数据。
然后，设置第二预设函数为
Figure BDA0002720006150000092
其中，sign(·)表示符号函数。
将第一编码数据中所有满足条件(i,j)∈A的每个数据点用函数
Figure BDA0002720006150000093
进行编码，得到第二编码数据，即待验证哈希码，又称待验证模板。其中，待验证哈希码为512维二进制码串。
S5：将待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。
具体地，在进行匹配之前，还需要：
x1)获取注册生物特征图像I’。
x2)根据深度网络对注册生物特征图像进行特征提取，得到第二特征向量串。
x3)对第二特征向量串进行随机映射，得到第二随机特征向量。
x4)对第二随机特征向量进行编码，得到注册哈希码，也即注册模板。
x5)将注册哈希码存储于数据库中，以用于生物特征认证。
本实施例提供的方法基于随机种子对指纹图像的特征向量进行了随机映射，当注册模板丢失时，可以通过更换新的置换种子发布新模板，这使得系统具有较好的可撤销性及无关联性。
请参见图2，图2是本发明实施例提供另一种基于深度学习的生物特征模板保护方法流程示意图。
本实施例以指纹图像为例，通过提取指纹图像的原始特征向量并进一步编码为二进制向量串来达到模板保护的目的。
具体地，认证阶段首先获取待验证的指纹图像；然后对指纹图像进行特征提取，得到特征向量；再对特征向量进行随机映射得到随机特征向量；最后对随机特征向量进行NMDSH编码，得到十进制哈希码，对十进制哈希码进行二进制编码，得到最终的待验证哈希码，并保存于数据库中。
注册阶段与认证阶段的过程相同，当需要进行指纹认证时，读取注册哈希码与生成的待验证哈希码进行匹配。
本实施例的匹配过程在加密域进行，即使注册模板丢失，原始指纹模板信息也不会泄露，具有较高的安全性。具体地：
根据待验证哈希码与注册哈希码计算加权汉明距离，其计算公式为：
Figure BDA0002720006150000101
其中，H(q,e)表示加权汉明距离，xq(i)和xe(i)分别表示待验证生物特征和注册生物特征的随机特征向量第i个坐标对应的一维任意实特征，φij(xq(i))表示待验证随机特征向量x第i个坐标的所有一维特征函数中满足集合A条件的特征函数，φij(xe(i))表示注册随机特征向量x第i个坐标的所有一维特征函数中满足集合A条件的特征函数，sign(·)表示符号函数，Πλij表示位权重，其是待验证和注册随机向量的一维特征函数中满足集合A条件的特征函数对应特征值的乘积，λij表示随机特征向量x第i个坐标的j个一维特征函数φij(x(i))对应的特征值。
若判断所述加权汉明距离小于预设阈值，则认为所述待验证的哈希码与所述注册哈希码相同，验证通过；否则，验证失败。
本发明提供的基于深度学习的生物特征模板保护方法，利用神经网络提取原始生物特征向量并将其变换为二进制向量串，算法具有较强的不可逆性，且直接对原始图像进行操作，相比传统算法，其受生物特征图像包含数据量信息少的影响较小，提高了算法效率以及可靠性；且本发明提供的方法对生物特征向量进行了随机映射，当注册模板丢失时，可以通过更换新的置换种子发布新模板，这使得系统具有较好的可撤销性及无关联性。
此外，本发明提供的方法基于非线性多维谱哈希算法生成哈希码，可以有效保护原始生物特征信息，使其不被非法窃取，能够促进信息产业安全发展，具有重要的市场价值，且其对生物特征类型没有特殊限制，可以应用到其他类型生物特征的模板保护上。
实施例二
在上述实施例一的基础上，本实施例提供了一种基于深度学习的生物特征模板保护装置，请参见图3，图3是本发明实施例提供的基于深度学习的生物特征模板保护装置结构示意图，包括：
数据采集模块1，用于获取待验证生物特征图像；
特征提取模块2，用于根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串；
随机特征向量生成模块3，用于对所述第一特征向量串进行随机映射，得到第一随机特征向量；
哈希码生成模块4，用于对所述第一随机特征向量进行编码，得到待验证哈希码；
信息匹配模块5，用于将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。
在本实施例中，所述数据采集模块1还用于获取注册生物特征图像；
所述特征提取模块2还用于根据深度网络对所述注册生物特征图像进行特征提取，得到第二特征向量串；
所述随机特征向量生成模块3还用于对所述第二特征向量串进行随机映射，得到第二随机特征向量；
所述哈希码生成模块4还用于对所述第二随机特征向量进行编码，得到注册哈希码。
本实施例提供的基于深度学习的生物特征模板保护装置可实现上述实施例一所述的基于深度学习的生物特征模板保护方法，具体过程在此不再赘述。
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)

1.一种基于深度学习的生物特征模板保护方法，其特征在于，包括：
获取待验证生物特征图像；
根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串；
对所述第一特征向量串进行随机映射，得到第一随机特征向量；
对所述第一随机特征向量进行编码，得到待验证哈希码；
将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。
2.根据权利要求1所述的基于深度学习的生物特征模板保护方法，其特征在于，在将所述待验证哈希码与预先存储的注册哈希码进行匹配之前，还包括：
获取注册生物特征图像；
根据深度网络对所述注册生物特征图像进行特征提取，得到第二特征向量串；
对所述第二特征向量串进行随机映射，得到第二随机特征向量；
对所述第二随机特征向量进行编码，得到注册哈希码；
将所述注册哈希码存储于数据库中，以用于生物特征认证。
3.根据权利要求1所述的基于深度学习的生物特征模板保护方法，其特征在于，根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串，包括：
建立基于深度学习的网络模型；
利用该网络模型对所述待验证生物特征图像进行特征提取，得到第一特征向量串。
4.根据权利要求3所述的基于深度学习的生物特征模板保护方法，其特征在于，所述网络模型的深度为50层。
5.根据权利要求1所述的基于深度学习的生物特征模板保护方法，其特征在于，对所述第一特征向量串进行随机映射，得到第一随机特征向量，包括：
利用随机种子生成一个伪随机矩阵；
通过史密斯正交化将所述伪随机矩阵变换为标准正交矩阵，得到伪随机正交矩阵；
利用所述伪随机正交矩阵计算第一随机特征向量。
6.根据权利要求1所述的基于深度学习的生物特征模板保护方法，其特征在于，对所述第一随机特征向量进行编码，得到待验证哈希码，包括：
根据所述第一随机特征向量计算一维特征函数，以得到对应的特征值；
从所述特征值中选择前k个最大特征值对应的索引值组成集合A；
根据第一预设函数对所述第一随机特征向量中的每个数据点进行非线性多维谱哈希编码，得到第一编码数据；
根据第二预设函数对所述第一编码数据中属于所述集合A的数据进行编码，得到待验证哈希码；其中，所述待验证哈希码为512维二进制码串。
7.根据权利要求1所述的基于深度学习的生物特征模板保护方法，其特征在于，将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果，包括：
根据所述待验证哈希码与所述注册哈希码计算加权汉明距离；
若判断所述加权汉明距离小于预设阈值，则认为所述待验证的哈希码与所述注册哈希码相同，验证通过；
否则，验证失败。
8.根据权利要求7所述的基于深度学习的生物特征模板保护方法，其特征在于，所述加权汉明距离的计算公式为：
Figure FDA0002720006140000031
其中，H(q,e)表示加权汉明距离，xq(i)和xe(i)分别表示待验证生物特征和注册生物特征的随机特征向量第i个坐标对应的一维任意实特征，φij(xq(i))表示待验证随机特征向量x第i个坐标的所有一维特征函数中满足集合A条件的特征函数，φij(xe(i))表示注册随机特征向量x第i个坐标的所有一维特征函数中满足集合A条件的特征函数，sign(·)表示符号函数，Πλij表示位权重，λij表示随机特征向量x第i个坐标的j个一维特征函数φij(x(i))对应的特征值。
9.一种基于深度学习的生物特征模板保护装置，其特征在于，包括：
数据采集模块(1)，用于获取待验证生物特征图像；
特征提取模块(2)，用于根据深度网络对所述待验证生物特征图像进行特征提取，得到第一特征向量串；
随机特征向量生成模块(3)，用于对所述第一特征向量串进行随机映射，得到第一随机特征向量；
哈希码生成模块(4)，用于对所述第一随机特征向量进行编码，得到待验证哈希码；
信息匹配模块(5)，用于将所述待验证哈希码与预先存储的注册哈希码进行匹配，并输出验证结果。
10.根据权利要求9所述的基于深度学习的生物特征模板保护装置，其特征在于，所述数据采集模块(1)还用于获取注册生物特征图像；
所述特征提取模块(2)还用于根据深度网络对所述注册生物特征图像进行特征提取，得到第二特征向量串；
所述随机特征向量生成模块(3)还用于对所述第二特征向量串进行随机映射，得到第二随机特征向量；
所述哈希码生成模块(4)还用于对所述第二随机特征向量进行编码，得到注册哈希码。
CN202011084812.0A 2020-10-12 2020-10-12 一种基于深度学习的生物特征模板保护方法及装置 Pending CN112347855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011084812.0A CN112347855A (zh) 2020-10-12 2020-10-12 一种基于深度学习的生物特征模板保护方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011084812.0A CN112347855A (zh) 2020-10-12 2020-10-12 一种基于深度学习的生物特征模板保护方法及装置

Publications (1)

Publication Number Publication Date
CN112347855A true CN112347855A (zh) 2021-02-09

Family

ID=74361779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011084812.0A Pending CN112347855A (zh) 2020-10-12 2020-10-12 一种基于深度学习的生物特征模板保护方法及装置

Country Status (1)

Country Link
CN (1) CN112347855A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033700A (zh) * 2021-04-19 2021-06-25 安徽大学 一种指静脉特征模板保护方法及装置
CN113435416A (zh) * 2021-08-25 2021-09-24 北京万里红科技股份有限公司 一种虹膜搜索方法及计算设备
WO2023066374A1 (zh) * 2021-10-21 2023-04-27 墨奇科技（北京）有限公司 隐私保护的图像处理方法、身份注册方法及身份认证方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215223A (zh) * 2011-05-20 2011-10-12 北京工业大学 一种基于人脸特征的模糊保险箱远程身份认证方法
CN105512273A (zh) * 2015-12-03 2016-04-20 中山大学 一种基于可变长深度哈希学习的图像检索方法
CN107315765A (zh) * 2017-05-12 2017-11-03 南京邮电大学 一种大规模图片集分布式近似搜索的方法
CN107480261A (zh) * 2017-08-16 2017-12-15 上海荷福人工智能科技（集团）有限公司 一种基于深度学习细粒度人脸图像快速检索方法
CN110175248A (zh) * 2019-04-04 2019-08-27 中国科学院信息工程研究所 一种基于深度学习和哈希编码的人脸图像检索方法和装置
CN111209886A (zh) * 2020-01-14 2020-05-29 中国人民解放军陆军工程大学 一种基于深度神经网络的快速行人再识别方法
CN111709311A (zh) * 2020-05-27 2020-09-25 西安理工大学 一种基于多尺度卷积特征融合的行人重识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215223A (zh) * 2011-05-20 2011-10-12 北京工业大学 一种基于人脸特征的模糊保险箱远程身份认证方法
CN105512273A (zh) * 2015-12-03 2016-04-20 中山大学 一种基于可变长深度哈希学习的图像检索方法
CN107315765A (zh) * 2017-05-12 2017-11-03 南京邮电大学 一种大规模图片集分布式近似搜索的方法
CN107480261A (zh) * 2017-08-16 2017-12-15 上海荷福人工智能科技（集团）有限公司 一种基于深度学习细粒度人脸图像快速检索方法
CN110175248A (zh) * 2019-04-04 2019-08-27 中国科学院信息工程研究所 一种基于深度学习和哈希编码的人脸图像检索方法和装置
CN111209886A (zh) * 2020-01-14 2020-05-29 中国人民解放军陆军工程大学 一种基于深度神经网络的快速行人再识别方法
CN111709311A (zh) * 2020-05-27 2020-09-25 西安理工大学 一种基于多尺度卷积特征融合的行人重识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XINGBO DONG等: ""A Cancellable Face Template Scheme Based on Nonlinear Multi-Dimension Spectral Hashing"", 《2019 7TH INTERNATIONAL WORKSHOP ON BIOMETRICS AND FORENSICS (IWBF)》, 21 June 2019 (2019-06-21), pages 1 - 6 *
XINGBO DONG等: ""A Cancellable Face Template Scheme Based on Nonlinear Multi-Dimension Spectral Hashing"", 《2019 7TH INTERNATIONAL WORKSHOP ON BIOMETRICS AND FORENSICS (IWBF)》, pages 1 - 6 *
范文博: ""基于Android系统的小面积指纹识别技术的研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 6 - 49 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033700A (zh) * 2021-04-19 2021-06-25 安徽大学 一种指静脉特征模板保护方法及装置
CN113033700B (zh) * 2021-04-19 2022-11-08 安徽大学 一种指静脉特征模板保护方法及装置
CN113435416A (zh) * 2021-08-25 2021-09-24 北京万里红科技股份有限公司 一种虹膜搜索方法及计算设备
WO2023066374A1 (zh) * 2021-10-21 2023-04-27 墨奇科技（北京）有限公司 隐私保护的图像处理方法、身份注册方法及身份认证方法

Similar Documents

Publication Publication Date Title
Abdullahi et al. Fractal coding-based robust and alignment-free fingerprint image hashing
CN112347855A (zh) 一种基于深度学习的生物特征模板保护方法及装置
Zhang et al. Fragile bits in palmprint recognition
Lee et al. A new method for generating an invariant iris private key based on the fuzzy vault system
Zhao et al. Negative iris recognition
Eskander et al. A bio-cryptographic system based on offline signature images
Gadde et al. Indexing iris images using the burrows-wheeler transform
Jin et al. Generating revocable fingerprint template using minutiae pair representation
Asaker et al. A novel cancellable Iris template generation based on salting approach
Yang et al. Robust image hashing scheme based on low-rank decomposition and path integral LBP
Ayoup et al. Cancellable Multi-Biometric Template Generation Based on Arnold Cat Map and Aliasing.
Salama et al. Cancelable biometric system for IoT applications based on optical double random phase encoding
Asthana et al. Random area-perimeter method for generation of unimodal and multimodal cancelable biometric templates
SP et al. Cancelable biometric scheme based on dynamic salting of random patches
Djebli et al. Quantized random projections of SIFT features for cancelable fingerprints
Dong et al. Template protection based on DNA coding for multimodal biometric recognition
CN112364319B (zh) 一种基于二叉树混洗的生物特征模板保护方法及装置
Nandini et al. Efficient cryptographic key generation from fingerprint using symmetric hash functions
Sheng et al. Reliable and secure encryption key generation from fingerprints
Ghouzali Watermarking based multi-biometric fusion approach
Luong et al. Reconstructing a fragmented face from a cryptographic identification protocol
CN111652166B (zh) 基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法
Zhou et al. Attacks and improvement of unlinkability of biometric template protection scheme based on bloom filters
Leng et al. Cancelable palmcode generated from randomized gabor filters for palmprint protection
Kaur et al. Biometric Cryptosystem with Deep Learning: A New Frontier in Security

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210209

RJ01 Rejection of invention patent application after publication