基于局部排序的雙虹膜模板保護(hù)方法

張文云，劉笑楠，高艷娜

（沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院,沈陽(yáng)110870）

1 引言

近年來，生物特征識(shí)別技術(shù)已成為研究熱點(diǎn)，并在實(shí)際中得到廣泛應(yīng)用。但是，該技術(shù)中用于識(shí)別身份的生物特征模板有可能被盜取從而泄露隱私，威脅用戶的隱私安全[1]。并且生物特征是不可再生的，一旦被竊取，用戶損失無(wú)法挽回。因此尋找一種安全可靠的模板保護(hù)方法是保證生物特征識(shí)別技術(shù)實(shí)用化的關(guān)鍵。

虹膜是被廣泛應(yīng)用的生物特征之一，目前最常用的一種模板保護(hù)方法是基于不可逆變換的保護(hù)方法。不可逆變換法利用不可逆變換函數(shù)無(wú)法恢復(fù)出原始數(shù)據(jù)的特性實(shí)現(xiàn)數(shù)據(jù)保護(hù)。Ratha等人[2]首先將不可逆變換應(yīng)用于圖像領(lǐng)域。此類方法包括隨機(jī)投影和稀疏表示法[3-4]、隨機(jī)移位和XOR操作變換法[5-7]、Bloom濾波器方法等。由于隨機(jī)移位和XOR操作變換法會(huì)減少可用于識(shí)別的信息量，后續(xù)許多學(xué)者對(duì)該類方法提出改進(jìn)，采用Bloom濾波器方法，如文獻(xiàn)[8-9]分析了基于Bloom濾波器的特征保護(hù)方法的不可鏈接性，并且引入了采用數(shù)據(jù)不均勻性的不可逆性分析。Dong等人[10]提出了一種基于遺傳算法的相似性攻擊框架，針對(duì)生物哈希法和Bloom濾波器方法進(jìn)行實(shí)驗(yàn)。Rudresh等人[11]提出一種基于隨機(jī)查表映射的可撤銷的虹膜模板生成方法。上述方法幾乎都滿足不可逆變換這條特性，并且都是在基于二值模板的基礎(chǔ)上采取保護(hù)措施，這類方法一旦攻擊者獲取變換函數(shù)的相關(guān)參數(shù)，并且采用多重放攻擊，以及解方程能夠得到原始模板，也會(huì)導(dǎo)致信息泄露。2018年Randa等人[12]提出了一種基于雙隨機(jī)相位編碼的可撤銷虹膜識(shí)別方法。該方法是一種編碼加密方法，從獲取的特征數(shù)據(jù)直接通過雙隨機(jī)編碼得到加密的二值模板，但是通過逆推法以及解方程也可能獲得原始模板。

綜上所述，在此提出一種基于局部排序的雙虹膜模板保護(hù)方法。首先將左虹膜特征數(shù)據(jù)與右虹膜特征數(shù)據(jù)進(jìn)行異或，對(duì)左虹膜特征數(shù)據(jù)進(jìn)行第一重加密保護(hù)，其次，將異或所得結(jié)果分塊分組處理，并將每組換算為十進(jìn)制數(shù)進(jìn)行排序，再將排序數(shù)值換算為二進(jìn)制字符串作為最終的加密模板。

2 算法流程

所提的虹膜模板保護(hù)方法是利用同一用戶的一只虹膜作為密鑰去加密需要被認(rèn)證的另一只虹膜，并通過轉(zhuǎn)換的手段得到最終的加密模板。算法的具體流程如下：

首先，對(duì)同一用戶左右虹膜的歸一化虹膜圖像采用log-Gabor變換進(jìn)行特征提取，獲得左虹膜特征數(shù)據(jù)記作xi=x1,x2,...,xm，右虹膜特征數(shù)據(jù)記作yi=y1,y2,...,ym，則兩特征數(shù)據(jù)的異或如式(1)所示:

其中i=1,2,...,m，⊕表示異或。

其次，進(jìn)行分塊處理。將異或所得結(jié)果分為n塊，記作b=b1,b2,...,bn，每塊含有a位二值數(shù)組，即：bi=bi，1,bi，2,...,bi，a，bi,j=t(i-1)×a+j，其中j=1,2,...,a。將b=b1,b2,...,bn分成g組，即B=B1,B2,...,Bg，Bi={b(i-1)×d+1,...,bi×d}，其中i=1,2,...,g，d為分組大小，n=g×d。

然后將上述分塊的二進(jìn)制數(shù)轉(zhuǎn)換成十進(jìn)制數(shù)，記作q1,q2,...,qd，即：

將q1,q2,...,qd排序后轉(zhuǎn)換為二進(jìn)制序列r(i-1)×d+1,...,ri×d，i=1,2,...,g，存儲(chǔ)該模板數(shù)據(jù)并刪掉其它參數(shù)。

最后得出分類結(jié)果如下式：

3 算法安全性分析

根據(jù)生物特征信息保護(hù)標(biāo)準(zhǔn)，安全的虹膜特征模板保護(hù)方法應(yīng)滿足不可逆性，在未知右虹膜特征數(shù)據(jù)的前提下對(duì)算法的不可逆性進(jìn)行理論分析。

不可逆性要求從原始數(shù)據(jù)到安全模板的轉(zhuǎn)換是不可逆的。若滿足不可逆性，則攻擊者無(wú)法從加密數(shù)據(jù)模板r中恢復(fù)出原始數(shù)據(jù)模板x。具體分析如下：

當(dāng)進(jìn)行逆變換時(shí)，攻擊者獲取存儲(chǔ)在數(shù)據(jù)庫(kù)中的加密模板即r(i-1)×d+1,...,ri×d時(shí)，其中i=1,2,...,g，要將其進(jìn)行十進(jìn)制的轉(zhuǎn)換恢復(fù)出q1,q2,...,qd，并做反排序處理，最后進(jìn)行反異或處理得到原始數(shù)據(jù)特征。在此過程中必須要知道同一用戶的右虹膜數(shù)據(jù)特征即yi=y1,y2,...,ym。在一般情況下，假設(shè)轉(zhuǎn)換的十進(jìn)制數(shù)q1,q2,...,qd是按照從小到大的順序進(jìn)行的排序，如若攻擊者從r(i-1)×d+1,...,ri×d恢復(fù)出q1,q2,...,qd，只需要知道同一用戶的右虹膜數(shù)據(jù)特征yi=y1,y2,...,ym，則可恢復(fù)出原始數(shù)據(jù)模板x。

當(dāng)獲取到存儲(chǔ)在數(shù)據(jù)庫(kù)中的模板r(i-1)×d+1,...,ri×d時(shí)，假設(shè)由r(i-1)×d+1,...,ri×d可以映射到q1,q2,...,qd的數(shù)目為f(d,2a)，如下式：

其中，a是塊大小，2a為qd所有可能值的數(shù)量。

由上述可知qd可取值的范圍為0,1,...,2a-1，分別為f(d-1,1),f(d-1,2),...,f(d-1,2a)，由此可得初始值為f(d,1)=1,f(d-1,1)=1,f(d-2,1)=1,...,f(1,1)=1，f(1,2)=2,f(1,4)=4,...,f(1,2a)=2a，由此可將式(4)轉(zhuǎn)化為:

然而該模板總共分為g組，如獲取加密模板數(shù)據(jù)，則可能生成原始數(shù)據(jù)的數(shù)量有:

調(diào)節(jié)參數(shù)a與d，可實(shí)現(xiàn)不可逆性。

4 實(shí)驗(yàn)結(jié)果與分析

為測(cè)試算法的各項(xiàng)性能指標(biāo)，采用數(shù)據(jù)集CASIA-V3中的兩個(gè)子圖庫(kù)CASIA-IrisV3-Interval、CASIA-IrisV3-Lamp以及MMU-V1進(jìn)行算法測(cè)試。采用CASIA-IrisV3-Interval圖庫(kù)中的249個(gè)人的虹膜圖像，CASIA-IrisV3-Lamp圖庫(kù)中的411個(gè)人的虹膜圖像，MMU-V1圖庫(kù)中的46個(gè)人的虹膜圖像。

本虹膜識(shí)別系統(tǒng)包括注冊(cè)和認(rèn)證兩個(gè)階段。在圖像預(yù)處理過程中，采用文獻(xiàn)[13]的定位方法分割出虹膜區(qū)域，將所得虹膜區(qū)域的下半部分進(jìn)行歸一化處理，獲得52×624的歸一化虹膜圖像，再通過log-Gabor變換進(jìn)行特征提取。預(yù)處理及提取效果如圖1所示。

圖1虹膜圖像預(yù)處理及特征提取

注冊(cè)階段采用每個(gè)人的左右虹膜特征數(shù)據(jù)進(jìn)行異或處理，再通過分塊以及塊分組，將二進(jìn)制轉(zhuǎn)化為十進(jìn)制數(shù)進(jìn)行排序處理，在轉(zhuǎn)換為二進(jìn)制模板作為最終的加密模板。在驗(yàn)證階段，應(yīng)用程序通過相同模式得到最終模板并使用漢明距離將其與數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行匹配得到身份識(shí)別結(jié)果。

為說明算法的識(shí)別性能，通過正確識(shí)別率GAR、等錯(cuò)誤率EER、ROC曲線下的與坐標(biāo)軸圍成的面積AUC三種評(píng)價(jià)指標(biāo)來分析。除此而外用可判定性度量d'來區(qū)分真實(shí)和假冒分布，定義如下：

其中μi和μg為假冒者和真實(shí)者的均方值，σi和σg為假冒者和真實(shí)者的方差。d'越大，表明冒名頂替者與真實(shí)分布之間的距離越大，識(shí)別性能越好。以上各性能指標(biāo)的值是通過真實(shí)的和冒名頂替者的得分來評(píng)估的。這里采用類間匹配得分評(píng)估冒名頂替者得分，將每個(gè)用戶的虹膜模板與其他用戶的模板匹配；采用類內(nèi)匹配得分評(píng)估真實(shí)者得分，通過每個(gè)用戶的虹膜與同一用戶的其他虹膜模板相匹配，得到類內(nèi)的匹配總次數(shù)。

分別對(duì)三種圖庫(kù)進(jìn)行100次隨機(jī)注冊(cè)和測(cè)試樣本選取，所得各項(xiàng)性能指標(biāo)的平均值如表1所示。不同算法的ROC曲線如圖2所示。

表1不同算法的識(shí)別性能比較

圖2不同算法的ROC曲線

測(cè)試結(jié)果表明，本方法識(shí)別正確率略低于未進(jìn)行加密保護(hù)的識(shí)別算法，但其d'值較高，說明該法的模板保護(hù)性能更好。與文獻(xiàn)[7]方法相比，雖然本法GAR、AUC略低，但d'值高，說明冒名頂替者與真實(shí)分布之間的距離較大，算法保護(hù)性能更好一些。

為說明本算法對(duì)不同虹膜圖像的適用性，將CASIA-IrisV3-Interval，CASIA-IrisV3-Lamp以 及MMU-V1三種圖庫(kù)的測(cè)試結(jié)果列于表2。

表2不同數(shù)據(jù)庫(kù)所對(duì)應(yīng)的GAR/EER(%)

其中，基本算法指未加密的虹膜識(shí)別方法。結(jié)果表明本方法在三種圖庫(kù)中均能夠取得較好的識(shí)別效果，并且加密時(shí)的識(shí)別性能與本算法相差無(wú)幾，說明本算法在對(duì)模板保護(hù)的同時(shí)能夠兼顧識(shí)別性能，具有適用性和有效性。

按照文獻(xiàn)[7]，分塊的大小d通常設(shè)置為2到64之間的整數(shù)，而比特位數(shù)a設(shè)置為1至8之間的整數(shù)。不同取值下的GAR（%）如表3所示，可見，當(dāng)a=1,d=16時(shí)，識(shí)別率最好。

5 結(jié)束語(yǔ)

針對(duì)模板泄露提出的雙虹膜模板保護(hù)方法，將左虹膜特征數(shù)據(jù)與右虹膜特征數(shù)據(jù)進(jìn)行異或，對(duì)左虹膜特征數(shù)據(jù)進(jìn)行第一重加密保護(hù)，將異或結(jié)果分塊分組處理，通過十進(jìn)制數(shù)排序與二進(jìn)制的換算，很好地實(shí)現(xiàn)了依據(jù)漢明距離對(duì)加密模板進(jìn)行匹配識(shí)別，算法滿足不可逆性。測(cè)試結(jié)果表明該算法在保護(hù)模板的條件下識(shí)別正確率能夠達(dá)到90.55%，在滿足虹膜識(shí)別正確率的同時(shí)，亦可滿足識(shí)別性能的需求，有效地保護(hù)用戶的生物特征信息。