Ranking Based Locality Sensitive Hashing Enabled Cancelable Biometrics: Index-of-Max Hashing
Monash University Malaysia（莫纳什大学马来西亚校区）；Electronics and Telecommunications Research Institute（韩国电子通信研究院）；Yonsei University（延世大学）
在本文中，我们提出了一个基于排名的局部敏感哈希启发双因素可取消的生物特征，被称为“指数最大值”（IoM）哈希生物特征模板保护。通过外部生成的随机参数，IoM哈希将实值生物特征向量转换为离散索引（最大排名）哈希代码。我们展示了两种实现IoM哈希概念，即高斯随机投影和均匀随机排列的哈希方案。IoM散列码的离散索引表示性质具有一些优点。首先，IoM哈希赋予生物特征信息强隐藏性。这为不可逆性保证奠定了坚实的基础。其次，IoM哈希对特征大小不敏感，因此对生物特征变化更鲁棒。第三，IoM散列的幅度无关特性使得散列码具有尺度不变性，这对于匹配和特征对齐至关重要。在基准指纹库FVC2002和FVC2004上的实验结果表明，该算法具有良好的准确性。这些分析证明了其对现有和新引入的安全和隐私攻击的弹性，并满足可取消生物识别的可验证性和不可链接性标准。
2017-09-17 cs.CV
A Cryptanalysis of Two Cancelable Biometric Schemes based on Index-of-Max Hashing
Université Clermont Auvergne（克莱蒙奥弗涅大学）；ITK Engineering GmbH（ITK工程有限公司）；Florida Atlantic University（佛罗里达大西洋大学）；Normandie Univ（诺曼底大学）；UNICAEN（卡昂大学）；ENSICAEN（卡昂国立高等工程师学院）；CNRS（法国国家科学研究中心）
可取消的生物识别方案通过结合用户特定的令牌和生物识别数据来生成安全的生物识别模板。其主要目标是创建不可逆的，不可重复的，可重复的模板，具有高精度的匹配。在本文中，我们密码分析两个最近的可取消的生物统计计划的基础上一个特定的局部敏感的哈希函数，索引的最大值（IoM）：高斯随机投影IoM（GRP-IoM）和均匀随机置换IoM（URP-IoM）。正如最初提出的那样，这些方案被声称可以抵抗令牌被盗情况下的可逆性，身份验证和可链接性攻击。我们提出了几种攻击GRP-IoM和URP-IoM，并认为这两个计划是严重脆弱的认证和链接攻击。我们还提出了更好的，但还不实用，可逆性攻击GRP-IoM。我们的攻击的正确性和实际影响进行了验证，这两个计划的作者提供的相同的数据集。
2020-01-17 cs.CR cs.CV
Cancelable Biometric Template Generation Using Random Feature Vector Transformations
Indian Institute of Information Technology and Management-Kerala（印度信息技术与管理学院（喀拉拉邦））；Cochin University of Science and Technology（科钦科学技术大学）；Kerala University of Digital Sciences, Innovation and Technology（喀拉拉邦数字科学、创新与技术大学）；Singapore Institute of Technology（新加坡理工学院）
针对现有可撤销生物特征方案模态特异性强、易遭重构攻击等问题，提出一种基于特征向量随机变换距离的模态无关方案，可消除模板重构风险，人脸和指纹最坏情况EER分别达1.5和1.7。
2025-03-19 cs.CR cs.CV
ColorVein: Colorful Cancelable Vein Biometrics
School of Cyber Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Engineering Research Center of Blockchain Application, Supervision and Management (Southeast University), Ministry of Education（教育部区块链应用监督与管理工程研究中心（东南大学））；Purple Mountain Laboratories（紫金山实验室）；College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Department of Computer and Information Science, University of Macao（澳门大学计算机与信息科学系）；Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学计算机科学与工程系）
针对静脉生物特征泄露问题，本文提出ColorVein方案，通过交互式着色为灰度静脉图像添加可控颜色信息生成可撤销模板，并引入安全中心损失优化训练，实现高性能且安全的静脉识别。
2025-04-19 cs.CV
On the Risk of Cancelable Biometrics
Anhui University（安徽大学）；Yonsei University（延世大学）；Monash University（莫纳什大学）；University of Sassari（萨萨里大学）
可取消生物特征识别（CB）采用不可逆变换将生物特征转换为变换后的模板，同时保留两个模板之间的相对距离，以实现安全和隐私保护。然而，距离保持会带来意想不到的安全问题，如预映像攻击，这往往是被忽视的。本文提出了一种广义的预映像攻击方法及其扩展版本，实际CB系统上运行。我们从理论上揭示了距离保持性是CB方案的一个脆弱性来源。然后，我们提出了一个经验的信息泄漏估计算法来评估CB方案的前像攻击风险。针对人脸、虹膜和指纹设计的6种CB方案的实验结果表明，从两个变换模板计算的距离所产生的风险会显著损害CB方案的安全性。我们的工作揭示了现有CB系统的潜在风险，理论和实验。
2022-09-29 cs.CV
Using k-nearest neighbors to construct cancelable minutiae templates
School of Engineering Technology, SUNY at Farmingdale（纽约州立大学法明代尔分校工程技术学院）
指纹被广泛应用于各种应用中。必须采取安全措施来保护指纹数据的隐私。可撤销生物特征认证是作为一种有效的生物特征使用和保护机制而提出的。本文提出了一种将真实模板和合成模板相结合来构造可撤销指纹模板的新方法。具体地，每个用户被给予一个利用随机数生成器生成的合成细节点模板。将真实模板中的每个细节点单独放入合成模板中，从中找到其k-近邻，并通过组合任意的k-近邻来构造验证模板。为了证明该方案的有效性，在三个数据库上进行了测试。实验结果表明，所构造的模板满足可撤销生物特征识别的要求。
2016-08-30 cs.CV
CBRW: A Novel Approach for Cancelable Biometric Template Generation based on
National Institute of Technology, Uttarakhand（北阿坎德邦国立技术学院）
本文提出两种基于随机游走的可撤销生物特征模板生成方法（CBRW-BitXOR和CBRW-BitCMP），在八个公开数据集上的定性和定量实验结果均优于现有最先进方法。
2024-04-25 cs.CV
On Generating Cancelable Biometric Template using Reverse of Boolean XOR
National Institute of Technology, Uttarakhand（北阿坎德邦国立理工学院）
本文提出基于逆布尔异或和视觉秘密共享的三种可撤销生物特征模板生成方法，实验表明M3在ORL人脸和IIT Delhi虹膜数据集上生成质量与性能最佳。
2024-04-23 cs.CV eess.IV
Benchmarking of Cancelable Biometrics for Deep Templates
Idiap Research Institute（Idiap研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Universidad Autonoma de Madrid (UAM)（马德里自治大学）；Hochschule Darmstadt (HDA)（达姆施塔特应用技术大学）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）；Université de Lausanne (UNIL)（洛桑大学）
在本文中，我们基准几个可取消的生物特征识别（CB）计划在不同的生物特征。我们考虑生物散列、多层感知器（MLP）散列、布隆过滤器和基于最大索引（IoM）散列的两种方案（即，IoM-URP和IoM-GRP）。除了上述CB方案，我们引入了CB方案（作为基线）的基础上，用户特定的随机转换，其次是二进制化。我们评估了这些CB方案在基于深度学习的模板上的不可链接性、不可逆性和识别性能（这是ISO/IEC 24745标准所要求的标准），这些模板是从不同的生理和行为生物特征（包括面部、语音、手指静脉和虹膜）中提取的。此外，我们提供了所有实验的开源实现，以促进我们的结果的再现性。
2023-02-26 cs.CR cs.CV
Cancelable Indexing Based on Low-rank Approximation of Correlation-invariant Random Filtering for Fast and Secure Biometric Identification
National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；Shizuoka University（静冈大学）；Hitachi, Ltd.（日立有限公司）
相关不变随机滤波（CIRF）是一种可撤销的生物特征识别方案，被认为是一种有前途的模板保护方案。该方案通过二维数论变换（NTT）和随机滤波将生物特征表示为图像。CIRF具有完美的保密性，因为变换后的特征不会泄露原始特征的任何信息。然而，CIRF不能应用于大规模的生物特征识别，因为在匹配阶段的2D逆NTT需要很高的计算时间。此外，现有的生物特征索引方案不能与模板保护方案结合使用以加速生物特征识别，因为生物特征索引泄漏了关于原始特征的一些信息。在本文中，我们提出了一种新的索引方案称为“可取消索引”，以加快CIRF而不失去其安全性。该方案是基于快速计算CIRF通过低秩近似的生物特征图像，并通过最小生成树表示的低秩矩阵在傅立叶域。我们证明了变换后的索引不泄露关于原始索引和原始生物特征的信息（即，完全保密），并对方案的安全性进行了深入的讨论。我们还证明，它显着减少了一对多的匹配时间，使用手指静脉数据集，其中包括来自505名受试者的六个手指。
2018-04-05 cs.CR cs.CV
Deep Hashing for Secure Multimodal Biometrics
当与单峰系统相比时，多模态生物识别系统具有若干优点，包括较低的出错率、较高的准确性和较大的人口覆盖率。然而，多模式系统对完整性和隐私性的要求越来越高，因为它们必须存储与每个用户相关联的多个生物特征。在本文中，我们提出了一个用于特征级融合的深度学习框架，该框架从每个用户的面部和虹膜生物特征生成安全的多模态模板。我们将深度哈希（二值化）技术集成到融合架构中，以生成一个强大的二进制多模态共享潜在表示。此外，我们采用了一种混合安全架构，将可取消的生物特征与安全草图技术相结合，并将其与深度哈希框架相结合，这使得在计算上禁止伪造通过身份验证的多个生物特征的组合。所提出的方法的有效性示出使用多模态数据库的人脸和虹膜，它是观察到的匹配性能得到改善，由于多个生物特征的融合。此外，所提出的方法还提供了模板的可取消性和不可链接性以及生物特征数据的改进的隐私性。此外，我们还使用基准数据集测试了图像检索应用程序的哈希函数。本文的主要目标是开发一种集成多模态融合、深度哈希和生物特征安全的方法，重点是来自人脸和虹膜等模态的结构数据。所提出的方法绝不是一个通用的生物识别安全框架，可以应用于所有的生物识别方式，需要进一步的研究，以扩展所提出的框架，以其他不受约束的生物识别方式。
2020-12-29 cs.AI cs.CV cs.IT
Optimizing Key-Selection for Face-based One-Time Biometrics via Morphing
Hochschule Darmstadt（达姆施塔特应用科学大学）；Universidad Autonoma de Madrid（马德里自治大学）
针对人脸识别易受对抗性攻击且隐私增强方案忽视该威胁的问题，提出多种信号层密钥选择策略，增强可取消生物特征方案安全性，并将实用阈值下攻击成功率降至约5.0%。
2023-10-04 cs.CV
A novel hybrid score level and decision level fusion scheme for cancelable multi-biometric verification
Indian Institute of Technology Indore（印度理工学院印多尔分校）
尽管基于生物特征的认证系统的好处，有很少的关注，因为生物特征数据的异常值的敏感性，由于类内的变化和信息泄漏造成的隐私侵犯造成的低性能。为了解决这些问题，我们提出了一个混合融合框架，只有受保护的模态相结合，以满足保密性和性能提高的要求。本文提出了一种基于均值闭合加权（MCW）评分水平和Dempster-Shafer（DS）理论的虹膜和指纹决策层融合的可取消模态集成方法，以缓解个体评分或决策融合机制的局限性。建议的混合融合方案采用了不同的匹配器对应于每个保护模态的相似性得分。使用MCW分数融合方法将从不同匹配器获得的每个模态的个体分数相结合。MCW技术实现了得分计算中涉及的每个匹配器的最佳权重。此外，DS理论被应用于诱导分数以输出最终决策。在三个虚拟数据库上进行的严格的实验评估表明，所提出的混合融合框架优于组件级或单个融合方法（评分级和决策级融合）。实验结果表明，在Virtual_A、Virtual_B和Virtual_C数据库上，与单模态可取消虹膜和单模态可取消指纹验证系统相比，性能分别提高了（48%，66%）、（72%，86%）和（49%，38%）.同时，该方法对分数和离群值的变化具有足够的鲁棒性，满足安全认证的要求。
2018-05-26 cs.CV
OTB-morph: One-Time Biometrics via Morphing applied to Face Templates
Universidad Autonoma de Madrid（马德里自治大学）
可取消的生物特征是指一组技术，其中生物特征输入在处理或存储之前有意地使用密钥进行变换。这种转换是可重复的，从而能够进行后续的生物特征比较。本文介绍了一种新的计划，可取消的生物特征，旨在保护模板免受潜在的攻击，适用于任何基于生物特征的识别系统。我们提出的方案是基于时变密钥从变形随机生物特征信息。该方案的实验实现人脸生物特征识别。实验结果表明，该方法能够抵抗泄漏攻击，同时提高识别性能。
2021-11-25 cs.CR cs.CV cs.LG
Cancelable Biometric Template Protection Based on Multi-Instance Fusion: A Contralateral Iris Approach
National Science and Technology Development Agency（泰国国家科学技术发展局）
提出可撤销对侧虹膜模板保护方案，无需外部密钥或令牌。用多数投票融合每只眼睛三个样本生成稳定模板，结合盐基位排列及左右模板异或得到保护融合模板，提高系统准确性和安全性。
2026-07-07 cs.CR cs.CV
Quadratic Projection Based Feature Extraction with Its Application to Biometric Recognition
Xiamen University（厦门大学）；Xiamen University of Technology（厦门理工学院）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；The Hong Kong Polytechnic University（香港理工大学）
本文提出了一种新的基于二次投影的特征提取框架，其中学习一组二次矩阵来区分每个类与所有其他类。我们制定二次矩阵学习（QML）作为一个标准的半定规划（SDP）问题。然而，传统的邻域点SDP求解器不能很好地扩展到高维数据的QML问题。为了解决QML的可扩展性，我们开发了一个有效的算法，称为DualQML，基于拉格朗日对偶理论，提取非线性特征。为了评估所提出的框架的可行性和有效性，我们进行了广泛的生物识别实验。在人脸、掌纹和人耳等三个典型生物特征识别任务上的实验结果表明，基于DualQML的特征提取算法优于现有的特征提取算法
2016-03-25 cs.CV
Random Hash Code Generation for Cancelable Fingerprint Templates using Vector Permutation and Shift-order Process
College of Computer and Information Technology（计算机与信息学院）；China Three Gorges University（三峡大学）
可取消生物测定技术已经被用于通过生成和使用其对应的可取消模板来防止生物测定数据的泄露以用于用户认证。然而，在各种方案中采用的不可逆距离保持变换方法往往容易受到信息泄漏，因为匹配是在变换域中执行的。在本文中，我们提出了一个不可逆的距离保持方案的基础上，向量置换和移位顺序过程。首先，使用核主成分分析（KPCA）的特征向量的维数减少之前随机置换提取的向量特征。然后将移位顺序过程应用于生成的特征，以实现不可逆性并对抗基于相似性的攻击。所生成的哈希码对不同的安全和隐私攻击具有弹性，同时满足主要的可验证性和不可链接性要求。在FVC2002和FVC2004的6个数据集上进行的实验评估表明，所提出的方案具有高性能的准确性，优于其他现有的国家的最先进的计划。
2021-05-21 cs.CR cs.CV
Generating protected fingerprint template utilizing coprime mapping transformation
Indian Institute of Technology Indore（印度理工学院印多尔分校）
如果生物特征数据受到损害，用户的身份将永久丢失，因为生物特征信息是不可替代和不可撤销的。为了撤销并重新发布新模板以代替受损的生物特征模板，引入了可取消生物特征的想法。可取消生物特征背后的概念是不可逆地转换原始生物特征模板并在受保护域中执行比较。本文提出了一种互质变换方案来构造受保护的指纹模板。该方法将指纹区域相对于每个细节点划分为多个扇区，并识别每个扇区中的最近邻细节点。然后，计算所有相邻细节点的脊线特征，并将其映射到随机矩阵的互质位置，以生成可取消模板。该方法在FVC 2002的DB1、DB2、DB3和DB4数据集上的EER分别为1.82、1.39、4.02和5.77，在FVC 2004的DB1、DB2、DB3和DB4数据集上的EER分别为8.70、7.95、5.23和4.87。实验评估表明，该方法优于目前的最先进的。此外，它已被证实，从安全性分析，该方法满足所需的特性的多样性，可扩展性，和不可逆性与轻微的性能下降所造成的转换。
2018-05-25 cs.CV
FDFNet : A Secure Cancelable Deep Finger Dorsal Template Generation Network Secured via. Bio-Hashing
IIT Mandi（印度理工学院曼迪分校）；IIT Dharwad（印度理工学院达尔瓦德分校）；IIT Jodhpur（印度理工学院焦特布尔分校）
当今世界已经通过施加多个具有挑战性的问题/场景来不断探索在线和数字世界的精细边缘。与物理世界类似，个人身份管理对于提供任何安全的在线系统都非常重要。在过去的十年里，人们已经看到了很多工作在这一领域使用生物识别技术，如面部，指纹，虹膜等，仍然存在一些漏洞，应该更加认真地解决受损生物识别技术的问题，因为它们一旦受损就不能轻易修改。在这项工作中，我们提出了一个安全的可取消的手指背模板生成网络（学习域特定功能）通过。生物哈希。提出的系统有效地保护了原始手指背图像撤回妥协的模板，并重新分配新的。提出了一种新的用于提取鉴别特征的指背特征提取网（FDFNet）。该网络专门针对特定特征进行训练，而不使用任何类型的预训练架构。后来的生物哈希，一种基于为每个用户分配标记化随机数的技术，已被用于对从FDFNet提取的特征进行哈希。为了测试所提出的架构的性能，我们已经在两个基准公共手指关节数据集上进行了测试：PolyU FKP和PolyU Contactless FKI。实验结果表明，该系统在安全性和准确性方面的有效性。
2018-12-13 cs.CV
Secure and Scalable Face Retrieval via Cancelable Product Quantization
Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（深圳国际研究生院，清华大学，深圳，中国）；Qiji Technology, Shenzhen, China（启智科技，深圳，中国）
针对人脸检索外包的隐私风险，提出基于可撤销乘积量化的两阶段安全检索框架，兼顾有效性、效率与安全性。
2025-08-31 cs.CR cs.CV
A Novel Approach For Generating Face Template Using Bda
MCERC
在身份管理系统中，常用的生物特征识别系统需要关注生物特征模板保护问题，以寻求更可靠的解决方案。鉴于此，生物特征模板保护算法应满足安全性、可鉴别性和可撤销性。针对单一的模板保护方法不能满足基本要求的问题，提出了一种新的人脸模板生成和保护技术。提出了新的方法，以提供新用户注册以及认证过程中的安全性和准确性。这种新的技术利用了混合方法和二元判别分析算法。该算法是基于随机投影、二元判别分析和模糊承诺方案设计的。三个公开的基准人脸数据库用于评估。所提出的新技术提高了80%的人脸图像的匹配分数方面的可辨别性和识别精度，并提供了很高的安全性。
2013-12-31 cs.CV
MLP-Hash: Protecting Face Templates via Hashing of Randomized Multi-Layer Perceptron
Idiap Research Institute（Idiap研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Université de Lausanne (UNIL)（洛桑大学）
本文提出MLP-hash，一种通过用户特定随机权重多层感知器哈希并二值化特征的可取消人脸模板保护方法，在MOBIO和LFW数据集上验证了其满足ISO/IEC 30136标准，性能与BioHashing等方法相当。
2023-09-04 cs.CR cs.CV
A Novel Scheme for Generating Secure Face Templates Using BDA
MCERC
在身份管理系统中，常用的生物特征识别系统需要对生物特征模板的保护问题有所认识，以寻求更可靠的解决方案。鉴于这种生物特征模板保护算法应满足基本要求，即安全性，可辨别性和可取消性。由于没有一种模板保护方法能够满足这些要求，提出了一种新的人脸模板生成和保护方案。新方案的提出，以提供新用户注册和认证过程中的安全性和准确性。这种新的方案利用了混合方法和二进制鉴别分析算法。该算法是基于随机投影、二元判别分析和模糊承诺方案设计的。公开可用的基准人脸数据库（FERET，FRGC，CMU-PIE）和其他数据集用于评估。所提出的新方案提高了区分度和识别精度方面的匹配分数的人脸图像的每个阶段，并提供了高的安全性，对潜在的攻击，即暴力和智能攻击。在本文中，我们讨论的结果，即平均匹配得分，计算时间和安全的混合方法和新的方法。
2013-12-29 cs.CR cs.CV
Assessing Risks of Biases in Cognitive Decision Support Systems
University of Calgary（卡尔加里大学）；Defence Research and Development Canada (DRDC)（加拿大国防研究与发展中心）
本文针对认知DSS中多源异构偏见的管理问题，提出基于概率推理的偏见风险评估方法，并通过人脸生物特征安检站实验验证偏见集合发现与风险评估技术。
2020-07-28 cs.CV cs.CY
HEFT: Homomorphically Encrypted Fusion of Biometric Templates
Michigan State University（密歇根州立大学）；University at Buffalo（布法罗大学）
提出了一种基于全同态加密（FHE）的非交互式端到端生物特征模板安全融合与匹配解决方案。给定一对加密的特征向量，我们执行以下密文操作，i）特征级联，ii）通过学习的线性投影进行融合和降维，iii）尺度归一化为单位$\ell_2$ -范数，以及iv）匹配分数计算。我们的方法，被称为HEFT（同态加密融合的生物识别模板），是定制设计，以克服FHE所施加的独特约束，即缺乏对非算术运算的支持。从推理的角度来看，我们系统地探索不同的数据包装方案的计算效率的线性投影，并介绍了多项式近似尺度归一化。从训练的角度来看，我们引入了一个FHE感知算法来学习线性投影矩阵，以减轻近似归一化引起的错误。人脸和语音生物特征的模板融合和匹配的实验评估表明，HEFT（i）与相应的unibiometric表示相比，在将特征向量压缩16倍的同时，提高了生物特征验证性能11.07%和9.58%AUROC（512 D到32 D），以及（ii）融合一对加密的特征向量，并在884 ms内计算其与大小为1024的图库的匹配分数https://github.com/human-analysis/encrypted-biometric-fusion
2022-08-15 cs.CR cs.CV
