CN113762077B - 基于双分级映射的多生物特征虹膜模板保护方法 - Google Patents

基于双分级映射的多生物特征虹膜模板保护方法 Download PDF

Info

Publication number
CN113762077B
CN113762077B CN202110879586.3A CN202110879586A CN113762077B CN 113762077 B CN113762077 B CN 113762077B CN 202110879586 A CN202110879586 A CN 202110879586A CN 113762077 B CN113762077 B CN 113762077B
Authority
CN
China
Prior art keywords
iris
mapping
template
bloom filter
eyes
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
CN202110879586.3A
Other languages
English (en)
Other versions
CN113762077A (zh
Inventor
刘笑楠
高艳娜
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Publication of CN113762077A publication Critical patent/CN113762077A/zh
Application granted granted Critical
Publication of CN113762077B publication Critical patent/CN113762077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F21/602—Providing cryptographic facilities or services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种基于双分级映射的多生物特征虹膜模板保护方法，包括：对采集的虹膜图像以及人脸图像进行预处理；提取预处理之后的虹膜的二值特征，作为被加密的模板；对预处理之后的人脸图像中的瞳孔中心进行定位，同时利用Harris角点检测算子进行双眼内眼角角点的定位，通过计算双眼内眼角角点的距离以及双眼瞳孔中心点的距离，得到自定义的加密特征：眼距比，其定义为双眼内眼角角点的距离与双眼瞳孔中心距离的比值；对得到的密钥序列进行分级处理；最后进行分级Bloom过滤器匹配。算法运算量低，简化设备并降低了成本，在保证系统识别性能的同时提高了系统的安全性能，并满足生物特征模板保护要求的三大标准：不可逆性、可撤销性以及不可链接性。

Description

基于双分级映射的多生物特征虹膜模板保护方法
技术领域
本发明涉及图像识别及加密技术领域，具体是涉及一种基于分级Logistic与分级Bloom过滤器的多生物特征虹膜模板保护方法，可应用于虹膜识别系统中虹膜模板的加密保护。
背景技术
目前，生物特征识别技术已经被广泛应用于社会生活的方方面面，对生物特征模板保护技术的研究越来越广泛。与单生物特征识别相比，多生物特征识别虽然在识别安全性和识别正确率方面有优势，但在硬件复杂性上有其劣势。比如指纹与虹膜融合，人脸与指纹融合等，需要配置不同的生物特征采集设备，硬件成本大且运算量大。又如人脸与虹膜融合，虽然可以同时利用图像采集设备获取两种生物特征，但是非均匀光照和多姿态等因素可能干扰人脸特征信息，影响识别准确率和加密性能。在目前的研究成果中，结合多特征的生物特征信息保护方法还需要进一步简化设备、降低成本，并且用于作为加密密钥的生物特征信息的鲁棒性也有待提高。亟需寻找一种稳定的，不易受采集环境干扰且算法运算量低的多生物特征虹膜模板保护方法。
发明内容
发明目的：
本发明的目的在于提供一种多生物特征的模板保护方法，其目的是解决以往所存在的需要多种传感器采集多种生物特征且在加密的同时影响识别正确率的问题。该方法具有准确度高，安全性能高的特点。
技术方案：
一种基于双分级映射的多生物特征虹膜模板保护方法，其步骤包括：
(A1)、对采集的虹膜图像以及人脸图像进行预处理；
(A2)、通过经典的Log-Gabor变换提取(A1)步骤预处理之后的虹膜的二值特征，作为被加密的模板；
(A3)、采用canny边缘检测算子以及Hough变换对(A1)步骤中预处理之后的人脸图像中的瞳孔中心进行定位，同时利用Harris角点检测算子进行双眼内眼角角点的定位，通过计算双眼内眼角角点的距离以及双眼瞳孔中心点的距离，得到自定义的加密特征：眼距比，其定义为双眼内眼角角点的距离与双眼瞳孔中心距离的比值；
(A4)、根据(A3)步骤得到的眼距比数值的特点，结合Logistic混沌映射的特点，对得到的密钥序列进行分级处理；
(A5)、同时将(A4)步骤分级后的眼距比特征和(A2)步骤虹膜特征进行分级Bloom过滤器映射，以达到对虹膜特征进行加密保护的目的，最后进行分级Bloom过滤器匹配。
(A1)步骤中所述的虹膜图像预处理包括虹膜定位，并对定位之后的虹膜图像归一化的预处理；人脸图像预处理包括对采集的人脸图像进行人脸定位，并对定位之后的人脸归一化、以及光斑去除的预处理。
步骤(A4)具体包括以下步骤：
眼距比的分级Logistic混沌映射；眼距比D∈(0,1)，将D的M位小数部分分为前M1位和后M2位两部分，对其分别进行Logistic混沌映射，根据改进的Logistic混沌映射公式，将D分为两个部分分别进行Logistic混沌映射；即在第一级映射中，令y0＝floor(D×100)×10-M1，经过k次迭代后，产生前k位混沌序列；在第二级映射中，令yk+1＝D-y0，迭代M×N-k次，获得后M×N-k位混沌序列，k＝w×l×n,n＝1,2,...K,x0,xk+1∈(0,1)，最后，将全部M×N的行向量转化为二值序列xM×N作为后续加密步骤的密钥。
步骤(A5)具体包括以下步骤：
(C1)、Bloom过滤器对虹膜加密：将待加密的二值矩阵XM×N分为K个w×l的二值矩阵block(2w≥l)，对此二值矩阵的每一列做的变换，将二值矩阵的每一列都转化为十进制，xα代表该列的第α个元素；设一个长度为Nb＝2w的处于初始状态的Bloom过滤器bi，索引范围为[1,2w]。根据式/>令bi[h(x)]＝1，即将每列转为十进制后，并将其在bi上对应索引下的值设置为1，得到K个独立的哈希函数；遍历XM×N中的K个block，重复与上述相同的步骤，即可得到经过Bloom过滤器映射的可撤销模板B＝{bi|i＝1,...,K}。其中，bi是长度为Nb的二值序列。B的展开式为：/>XM×N经过Bloom过滤器加密后的模板大小为K×Nb；将眼距比作为Logistic混沌映射的初值进行分级映射，迭代M×N次获得，由改进的logistic混沌映射公式/>获得序列密钥x。再将序列x中的元素依序转化为M×N的矩阵xM×N，将其与IM×N进行异或得到/>完成对虹膜模板的第一次加密；
(C2)、先将虹膜特征IM×N映射到Bloom过滤器模板上，再将分级的RM×N映射到同一个Bloom过滤器模板上的前2w×K1位和后2w×K2位，其中K1+K2＝K，从而完成对虹膜模板的第二次加密并将该结果存储为虹膜特征模板。
(C3)、Bloom过滤器的分级匹配；对原有公式进行改进，加入加权系数，对匹配结果进行分级求匹配距离，如式：
其中，α,β为加权系数。bi,bj≠0为bloom过滤器模板被置为1的个数，HD为汉明距离，即两个被比较的模板中对应位不同的个数。
步骤(A1)具体使用的方法为，采用经典的Danguman虹膜定位方法，Rubber Sheet虹膜归一化模型对虹膜图像进行预处理，采用Viola-Jones算法检测人脸，离散余弦变换插值法去除眼睛上的光斑等对人脸图像做预处理。
优点效果：
本发明的优点在于：采用稳定的加密特征作为加密密钥，算法运算量低，简化设备并降低了成本，在保证系统识别性能的同时提高了系统的安全性能，并满足生物特征模板保护要求的三大标准：不可逆性、可撤销性以及不可链接性。
附图说明
图1为多生物特征模板保护方法总体流程图；
图2为虹膜原始图像；
图3为虹膜定位图像；
图4为虹膜归一化图像；
图5为虹膜特征提取图像；
图6为人眼区域定位图像；
图7为眼角和瞳孔定位以及眼距比示意图；
图8为眼距比的分级Logistic示意图；
图9为眼距比的误差棒图
图10为同一个人不同光照和姿态下的眼距比。
具体实施方式
一种基于双分级映射的多生物特征虹膜模板保护方法，其步骤包括：
(A1)、对采集的虹膜图像以及人脸图像进行预处理；
(A2)、通过经典的Log-Gabor变换提取(A1)步骤预处理之后的虹膜的二值特征，作为被加密的模板；
(A3)、采用canny边缘检测算子以及Hough变换对(A1)步骤中预处理之后的人脸图像中的瞳孔中心进行定位，同时利用Harris角点检测算子进行双眼内眼角角点(内眼角角点就是靠近鼻子的一侧的眼角角点)的定位，通过计算双眼内眼角角点的距离以及双眼瞳孔中心点的距离，得到自定义的加密特征：眼距比，其定义为双眼内眼角角点的距离与双眼瞳孔中心距离的比值；
(A4)、根据(A3)步骤得到的眼距比数值的特点，结合Logistic混沌映射的特点，对得到的密钥序列进行分级处理；
(A5)、同时将(A4)步骤分级后的眼距比特征和(A2)步骤虹膜特征进行分级Bloom过滤器映射，以达到对虹膜特征进行加密保护的目的，最后进行分级Bloom过滤器匹配。
(A1)步骤中所述的虹膜图像预处理包括虹膜定位，并对定位之后的虹膜图像进行归一化；人脸图像预处理包括对采集的人脸图像进行人脸定位，并对定位之后的人脸图像进行归一化、以及光斑去除的预处理，使其方便后续的加密步骤。
步骤(A4)具体包括以下步骤：
眼距比的分级Logistic混沌映射；由于眼距比D∈(0,1)，将D的M位小数部分分为前M1位和后M2位两部分，对其分别进行Logistic混沌映射，如图8所示。根据改进的Logistic混沌映射公式，将D分为两个部分分别进行Logistic混沌映射；即在第一级映射中，令经过k次迭代后，产生前k位混沌序列；在第二级映射中，令yk+1＝D-y0，迭代M×N-k次，获得后M×N-k位混沌序列，k＝w×l×n,n＝1,2,...K,x0,xk+1∈(0,1)，最后，将全部M×N的行向量转化为二值序列xM×N作为后续加密步骤的密钥。
(B1)、眼距比的数值稳定性分析：如图10所示为一个人8张不同姿态以及光照条件下的人脸图像示例，该样本D∈[0.5613,0.5678]，数值的小数点后两位相同，仅在小数点后3、4位存在微小的类内差异。为了验证样本集中的人脸样本眼距比是否都具备上述特性。随机选取图库中70个人，计算其490张人脸图像的眼距比，将这些眼距比数值以误差棒图的形式示于图9中，图中横坐标表示70个不同的人，纵坐标表示眼距比，中间坐标点为每个人的7个眼距比的均值，间距为每个人眼距比的离散程度，间距越大，离散程度越大，间距越小，离散程度越小。可根据方差公式，选取每个人的7个眼距比再求平均可得每个人的平均类内方差σintra＝0.0020；选取每个人第一张图片的眼距比值可得70人眼距比的类间方差σintre＝0.0435。可见眼距比是一种比较优秀的生物特征密钥，其类间差异较大，而类内差异却较小。因此，为进一步保证加密特征的稳定性，本发明提出对眼距比D进行分级Logistic混沌映射的方法；
步骤(A5)具体包括以下步骤：
(C1)、Bloom过滤器对虹膜加密：将待加密的二值矩阵XM×N分为K个w×l的二值矩阵block(2w≥l)，对此二值矩阵的每一列做的变换，将二值矩阵的每一列都转化为十进制，xα代表该列的第α个元素；设一个长度为Nb＝2w的处于初始状态的Bloom过滤器bi，索引范围为[1,2w]。根据式/>令bi[h(x)]＝1，即将每列转为十进制后，并将其在bi上对应索引下的值设置为1，得到K个独立的哈希函数；遍历XM×N中的K个block，重复与上述相同的步骤，即可得到经过Bloom过滤器映射的可撤销模板B＝{bi|i＝1,...,K}。其中，bi是长度为Nb的二值序列。B的展开式为：/>XM×N经过Bloom过滤器加密后的模板大小为K×Nb；将眼距比作为Logistic混沌映射的初值进行分级映射，迭代M×N次获得，由改进的Logistic混沌映射公式/>获得序列密钥x。再将序列x中的元素依序转化为M×N的矩阵xM×N，将其与IM×N进行异或得到/>完成对虹膜模板的第一次加密；
(C2)、先将虹膜特征IM×N映射到Bloom过滤器模板上，再将分级的RM×N映射到同一个Bloom过滤器模板上的前2w×K1位和后2w×K2位，如图1所示，图中浅色标识的数据矩阵部分2w×K1位由D的前M1位映射，深色标识的数据矩阵部分2w×K2位由后M2位映射，其中K1+K2＝K，从而完成对虹膜模板的第二次加密并将该结果存储为虹膜特征模板。
(C3)、Bloom过滤器的分级匹配；为适应眼距比的分级机制对经典Bloom过滤器的匹配方法进行改进，提出了一种分级Bloom过滤器匹配方法。为了消除由于眼距比的后M2位存在微小的类内差异而对匹配结果造成的影响，对原有公式进行改进，加入加权系数，对匹配结果进行分级求匹配距离，如式：
其中，α,β为加权系数。bi,bj≠0为bloom过滤器模板被置为1的个数，HD为汉明距离，即两个被比较的模板中对应位不同的个数。这种改进能够在保护眼距比特征参数稳定性的同时维护不同样本之间的微小差异。
步骤(A1)具体使用的方法为，采用经典的Danguman虹膜定位方法，Rubber Sheet虹膜归一化模型对虹膜图像进行预处理，采用Viola-Jones算法检测人脸，离散余弦变换插值法去除眼睛上的光斑等对人脸图像做预处理。
按照图1的总体框图，具体说明本发明方法的实现过程。
本发明所包含以下步骤：
(A1)对采集的虹膜图像进行虹膜定位，虹膜图像归一化等预处理，对采集的人脸图像进行人脸定位，人脸归一化，光斑去除等预处理。去除背景，消除噪声，使其方便后续的加密步骤；
(A2)通过经典的Log-Gabor变换提取虹膜的二值特征，作为被加密的模板；
(A3)采用canny边缘检测算子以及Hough变换对瞳孔中心进行定位，同时利用Harris角点检测算子进行双眼内眼角角点的定位，通过计算双眼内眼角角点的距离以及双眼瞳孔中心点的距离，得到自定义的加密特征：眼距比，其定义为双眼内眼角角点的距离与双眼瞳孔中心距离的比值；
(A4)根据得到的眼距比数值的特点，结合Logistic混沌映射的特点，对得到的密钥序列进行分级处理；
(A5)同时将分级后的眼距比特征和虹膜特征进行分级Bloom过滤器映射，最后进行分级Bloom过滤器匹配。
其中(A4)所述具体包括以下步骤：
(B1)眼距比的数值稳定性分析。如图10所示为一个人8张不同姿态以及光照条件下的人脸图像示例，该样本D∈[0.5613,0.5678]，数值的小数点后两位相同，仅在小数点后3、4位存在微小的类内差异。为了验证样本集中的人脸样本眼距比是否都具备上述特性。随机选取图库中70个人，计算其490张人脸图像的眼距比，将这些眼距比数值以误差棒图的形式示于图9中，图中横坐标表示70个不同的人，纵坐标表示眼距比，中间坐标点为每个人的7个眼距比的均值，间距为每个人眼距比的离散程度，间距越大，离散程度越大，间距越小，离散程度越小。可根据方差公式，选取每个人的7个眼距比再求平均可得每个人的平均类内方差σintra＝0.0020；选取每个人第一张图片的眼距比值可得70人眼距比的类间方差σintre＝0.0435。可见眼距比是一种比较优秀的生物特征密钥，其类间差异较大，而类内差异却较小。因此，为进一步保证加密特征的稳定性，本发明提出对眼距比D进行分级Logistic混沌映射的方法。(B2)眼距比的分级Logistic混沌映射。由于眼距比D∈(0,1)，将D的M位小数部分分为前M1位和后M2位两部分，对其分别进行Logistic混沌映射，如图8所示。根据改进的Logistic混沌映射公式，将D分为两个部分分别进行Logistic混沌映射。即在第一级映射中，令经过k次迭代后，产生前k位混沌序列；在第二级映射中，令yk+1＝D-y0，迭代M×N-k次，获得后M×N-k位混沌序列，k＝w×l×n,n＝1,2,...K,x0,xk+1∈(0,1)，最后，将全部M×N的行向量转化为二值序列xM×N作为后续加密步骤的密钥。
(A5)所述分级映射和分级匹配具体步骤如下：
(C1)Bloom过滤器原理：将待加密的二值矩阵XM×N分为K个w×l的二值矩阵block(2w≥l)，对此二值矩阵的每一列做的变换，将二值矩阵的每一列都转化为十进制，xα代表该列的第α个元素。设一个长度为Nb＝2w的处于初始状态的Bloom过滤器bi，索引范围为[1,2w]。根据式/>令bi[h(x)]＝1，即将每列转为十进制后，并将其在bi上对应索引下的值设置为1，得到K个独立的哈希函数。遍历XM×N中的K个block，重复与上述相同的步骤，即可得到经过Bloom过滤器映射的可撤销模板B＝{bi|i＝1,...,K}。其中，bi是长度为Nb的二值序列。B的展开式为：/>XM×N经过Bloom过滤器加密后的模板大小为K×Nb。
(C2)先将虹膜特征IM×N映射到Bloom过滤器模板上，再将分级的RM×N映射到同一个Bloom过滤器模板上的前2w×K1位和后2w×K2位，如图1所示，图中浅色部分2w×K1位由D的前M1位映射，深色部分2w×K2位由后M2位映射，其中K1+K2＝K，从而完成对虹膜模板的第二次加密并将该结果存储为虹膜特征模板。
(C3)Bloom过滤器的分级匹配。为适应眼距比的分级机制对经典Bloom过滤器的匹配方法进行改进，提出了一种分级Bloom过滤器匹配方法。为了消除由于眼距比的后M2位存在微小的类内差异而对匹配结果造成的影响，对原有公式进行改进，加入加权系数，对匹配结果进行分级求匹配距离，如式：
其中，α,β为加权系数。这种改进能够在保护眼距比特征参数稳定性的同时维护不同样本之间的微小差异。
图2为一幅采集到的原始虹膜图像。对图2进行虹膜定位得到图3的虹膜定位图像，对图3进行归一化得到图4的虹膜归一化图像，对图4进行虹膜特征提取得到图5的虹膜二值特征。
对归一化后的人脸图像进行人眼检测，得到图6的人眼检测图像，对图6的人眼部分进行去光斑处理，且定位双眼内眼角和双眼瞳孔，得到本发明加密的密钥——眼距比。
以图10中同一个人8张不同光照和姿态下测得的眼距比，并对其进行图9的稳定性分析可知，该生物特征密钥具有类内差异较小，类间差异较大的特性。因此对其进行图8的眼距比分级Logistic混沌映射，在第一级加密中，利用Logistic混沌映射将眼距比分级映射到一个加密矩阵。加密矩阵由两部分组成，一个是由第一个映射级别的眼距比的前M1小数位创建，另一个是由第二个映射级别的其余小数位创建。然后将加密矩阵与虹膜特征矩阵进行异或运算。在第二个加密步骤中，用Bloom滤波器分别对异或后矩阵的两部分进行加密。最后，提出了一种分级匹配方法，在保持不同样本间的小差异的同时，改进了经典的Bloom过滤器匹配，保证了眼距比的稳定性。

Claims (3)

1.一种基于双分级映射的多生物特征虹膜模板保护方法，其特征在于：其步骤包括：
(A1)、对采集的虹膜图像以及人脸图像进行预处理；
(A2)、通过经典的Log-Gabor变换提取(A1)步骤预处理之后的虹膜的二值特征，作为被加密的模板；
(A3)、采用canny边缘检测算子以及Hough变换对(A1)步骤中预处理之后的人脸图像中的瞳孔中心进行定位，同时利用Harris角点检测算子进行双眼内眼角角点的定位，通过计算双眼内眼角角点的距离以及双眼瞳孔中心点的距离，得到自定义的加密特征：眼距比，其定义为双眼内眼角角点的距离与双眼瞳孔中心距离的比值；
(A4)、根据(A3)步骤得到的眼距比数值的特点，结合Logistic混沌映射的特点，对得到的密钥序列进行分级处理；
(A5)、同时将(A4)步骤分级后的眼距比特征和(A2)步骤虹膜特征进行分级Bloom过滤器映射，以达到对虹膜特征进行加密保护的目的，最后进行分级Bloom过滤器匹配；
步骤(A4)具体包括以下步骤：
眼距比的分级Logistic混沌映射：眼距比D∈(0,1)，将D的M位小数部分分为前M1位和后M2位两部分，对其分别进行Logistic混沌映射，根据改进的Logistic混沌映射公式，将D分为两个部分分别进行Logistic混沌映射；即在第一级映射中，令经过k次迭代后，产生前k位混沌序列；在第二级映射中，令yk+1＝D-y0，迭代M×N-k次，获得后M×N-k位混沌序列，k＝w×l×n,n＝1,2,...K,x0,xk+1∈(0,1)，最后，将全部M×N的行向量转化为二值序列xM×N作为后续加密步骤的密钥；
步骤(A5)具体包括以下步骤：
(C1)、Bloom过滤器对虹膜加密：将待加密的二值矩阵XM×N分为K个w×l的二值矩阵block，2w≥l，对此二值矩阵的每一列做的变换，将二值矩阵的每一列都转化为十进制，xα代表该列的第α个元素；设一个长度为Nb＝2w的处于初始状态的Bloom过滤器bi，索引范围为[1,2w]；根据式/>令bi[h(x)]＝1，即将每列转为十进制后，并将其在bi上对应索引下的值设置为1，得到K个独立的哈希函数；遍历XM×N中的K个block，重复与上述相同的步骤，即得到经过Bloom过滤器映射的可撤销模板B＝{bi|i＝1,...,K}；其中，bi是长度为Nb的二值序列；B的展开式为：/>XM×N经过Bloom过滤器加密后的模板大小为K×Nb；将眼距比作为Logistic混沌映射的初值进行分级映射，迭代M×N次获得，由改进的Logistic混沌映射公式/>获得序列密钥x；再将序列x中的元素依序转化为M×N的矩阵xM×N，将其与IM×N进行异或得到/>完成对虹膜模板的第一次加密；
(C2)、先将虹膜特征IM×N映射到Bloom过滤器模板上，再将分级的RM×N映射到同一个Bloom过滤器模板上的前2w×K1位和后2w×K2位，其中K1+K2＝K，从而完成对虹膜模板的第二次加密并将结果存储为虹膜特征模板；
(C3)、Bloom过滤器的分级匹配；对原有公式进行改进，加入加权系数，对匹配结果进行分级求匹配距离，如式：
其中，i1+i2＝M×N，j1+j2＝M×N，α,β为加权系数；bi,bj≠0为Bloom过滤器模板被置为1的个数，HD为汉明距离，即两个被比较的模板中对应位不同的个数。
2.根据权利要求1所述的基于双分级映射的多生物特征虹膜模板保护方法，其特征在于：(A1)步骤中所述的虹膜图像预处理包括虹膜定位，并对定位之后的虹膜图像归一化的预处理；人脸图像预处理包括对采集的人脸图像进行人脸定位，并对定位之后的人脸归一化、以及光斑去除的预处理。
3.根据权利要求1所述的基于双分级映射的多生物特征虹膜模板保护方法，其特征在于：步骤(A1)具体使用的方法为，采用经典的Danguman虹膜定位方法，Rubber Sheet虹膜归一化模型对虹膜图像进行预处理，采用Viola-Jones算法检测人脸，离散余弦变换插值法去除眼睛上的光斑对人脸图像做预处理。
CN202110879586.3A 2021-07-19 2021-08-02 基于双分级映射的多生物特征虹膜模板保护方法 Active CN113762077B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021108122435 2021-07-19
CN202110812243 2021-07-19

Publications (2)

Publication Number Publication Date
CN113762077A CN113762077A (zh) 2021-12-07
CN113762077B true CN113762077B (zh) 2024-02-02

Family

ID=78788373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110879586.3A Active CN113762077B (zh) 2021-07-19 2021-08-02 基于双分级映射的多生物特征虹膜模板保护方法

Country Status (1)

Country Link
CN (1) CN113762077B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114531220A (zh) * 2022-01-12 2022-05-24 重庆邮电大学 一种基于前向和后向隐私的高效容错动态短语搜索方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013087026A1 (zh) * 2011-12-16 2013-06-20 北京天诚盛业科技有限公司 一种虹膜定位方法和定位装置
CN103530571A (zh) * 2013-09-25 2014-01-22 上海理工大学 基于正弦映射和Logistic混沌序列的图像加密方法
CN103731271A (zh) * 2013-12-30 2014-04-16 北京工业大学 一种基于同态加密和混沌置乱的在线人脸身份认证方法
CN105488377A (zh) * 2015-12-15 2016-04-13 深圳先进技术研究院 伪虹膜模板的产生方法和设备以及身份认证方法和设备
CN105874473A (zh) * 2014-01-02 2016-08-17 虹膜技术公司 利用了脸部构成要素距离的虹膜识别用图像的取得装置和方法
CN108985210A (zh) * 2018-07-06 2018-12-11 常州大学 一种基于人眼几何特征的视线追踪方法及系统
CN110505047A (zh) * 2019-08-14 2019-11-26 江苏海洋大学 一种用于虹膜特征保护的双重加密算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013087026A1 (zh) * 2011-12-16 2013-06-20 北京天诚盛业科技有限公司 一种虹膜定位方法和定位装置
CN103530571A (zh) * 2013-09-25 2014-01-22 上海理工大学 基于正弦映射和Logistic混沌序列的图像加密方法
CN103731271A (zh) * 2013-12-30 2014-04-16 北京工业大学 一种基于同态加密和混沌置乱的在线人脸身份认证方法
CN105874473A (zh) * 2014-01-02 2016-08-17 虹膜技术公司 利用了脸部构成要素距离的虹膜识别用图像的取得装置和方法
CN105488377A (zh) * 2015-12-15 2016-04-13 深圳先进技术研究院 伪虹膜模板的产生方法和设备以及身份认证方法和设备
CN108985210A (zh) * 2018-07-06 2018-12-11 常州大学 一种基于人眼几何特征的视线追踪方法及系统
CN110505047A (zh) * 2019-08-14 2019-11-26 江苏海洋大学 一种用于虹膜特征保护的双重加密算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Efficient Cancelable Iris Recognition Scheme Based on Modified Logistic Map;Randa F. Soliman 等;《Springer》;第1-7页 *
基于混沌图像加密算法的研究;张慧奔;《中国优秀硕士学位论文全文数据库 信息科技辑》(第2期);第1-63页 *

Also Published As

Publication number Publication date
CN113762077A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
WO2021227349A1 (zh) 一种生物特征隐私保护的前端人像加密与识别方法
Chen et al. Illumination normalization for face recognition and uneven background correction using total variation based image models
CN109598247B (zh) 基于静脉图像细节点与纹路特征的二维码身份认证方法
CA2768504A1 (en) Automatic identification of fingerprint inpainting target areas
Scherhag et al. Performance variation of morphed face image detection algorithms across different datasets
CN113762077B (zh) 基于双分级映射的多生物特征虹膜模板保护方法
Wijewardena et al. Fingerprint template invertibility: Minutiae vs. deep templates
Ram et al. Biohashing application using fingerprint cancelable features
KR100955255B1 (ko) 얼굴 인식 장치 및 그 방법, 얼굴의 내외적 환경 변화 정도추정 방법
CN116342968A (zh) 一种双通道人脸识别方法及装置
DR et al. Fingerprint verification based on fusion of minutiae and ridges using strength factors
Tantubay et al. A Survey of Biometric Key-Binding Biocrypto-System Using Different Techniques
Mon et al. Evaluating biometrics fingerprint template protection for an emergency situation
CN111898405A (zh) 基于3DHarris关键点及优化SHOT特征的三维人耳识别方法
Sun et al. Band Selection for Palmprint Recognition
CN111898404B (zh) 基于多点投票局部二进制模式的三维掌纹识别方法
CN106897672A (zh) 一种利用对数变换和Priwitt算子的人脸光照不变特征提取方法
Reddy et al. Authentication using fuzzy vault based on iris textures
Selvamuthukumaran et al. An optimized rubber sheet model for normalization phase of IRIS recognition
Patel et al. Improve fingerprint and recognition using both minutiae based and pattern based method
CN114091571B (zh) 基于Ridgelet-DCT变换和Tent-Henon双混沌的加密人脸识别方法
TWI759818B (zh) 基於熵的叢集演算處理指紋影像之指紋奇異點偵測方法及其系統
CN106934342A (zh) 一种基于Kirsch算子的人脸光照不变特征提取方法
Kathuria Design of a Vein Based Personal Identification System
CN117218685A (zh) 考虑特征模板保护的生物特征识别方法

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