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
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
Biometric Template Protection for Neural-Network-based Face Recognition Systems: A Survey of Methods and Evaluation Techniques
Idiap Research Institute（Idiap研究所）
本文综述了基于神经网络的人脸识别系统中保护人脸模板的生物特征模板保护方法，将其分为非NN和NN学习两类，评估了识别准确率、不可逆性和可更新性等标准，并呼吁加强经验性评估与可复现性研究。
2022-12-06 cs.CR cs.CV
Enhancing Privacy in Face Analytics Using Fully Homomorphic Encryption
University at Buffalo（布法罗大学）；Michigan State University（密歇根州立大学）
针对人脸识别嵌入中软生物特征信息易泄露的问题，提出结合全同态加密（FHE）与 PolyProtect 模板保护方案的新技术，通过多项式转换实现不可逆与不可链接的安全模板，在不损害识别准确率的前提下有效防止属性泄露。
2024-04-24 cs.CR cs.CV
Deep Face Fuzzy Vault: Implementation and Performance
secunet Security Networks AG（Secunet安全网络股份公司）；Hochschule Darmstadt（达姆施塔特应用技术大学）；Ruhr-Universität Bochum（波鸿鲁尔大学）
生物识别技术，特别是人脸识别，已成为全球身份管理系统的重要组成部分。在生物特征识别技术的应用中，为了保护用户的隐私，生物特征信息的安全存储是必要的。在这种情况下，生物特征密码系统被设计为满足生物特征信息保护的关键要求，从而实现生物特征数据的隐私保护存储和比较。本文研究了一种著名的生物特征密码系统，即改进的模糊保险库方案，通过深度卷积神经网络提取的面部特征向量的应用。为此，引入了一种特征变换方法，该方法将固定长度的实值深度特征向量映射到整数值特征集。作为所述特征变换的一部分，进行不同特征量化和二值化技术的详细分析。在密钥绑定时，将获得的特征集锁定在一个不可分割的改进模糊库中。对于密钥检索，不同的多项式重建技术的效率进行了研究。所提出的特征变换方法和模板保护方案与生物特征无关。在实验中，一个unconventional改进的深层面模糊保险库为基础的模板保护方案的构造采用的特征提取的最先进的深卷积神经网络训练的附加角裕度损失（ArcFace）。对于最佳配置，在FERET和FRGCv2人脸数据库上的跨数据库实验中，在0.01%的误匹配率下，误不匹配率低于1%。平均而言，获得高达约28位的安全级别。本文提出了一种有效的基于人脸的模糊保险库方案，该方案提供人脸参考数据的隐私保护以及从人脸中导出数字密钥。
2021-11-05 cs.CV
Unsupervised Enhancement of Soft-biometric Privacy with Negative Face Recognition
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所）；Technical University of Darmstadt（达姆施塔特工业大学）
目前软生物特征识别技术的研究表明，可以从个体的生物特征模板中推断出隐私敏感信息。由于对于许多应用程序，这些模板预计将被用于识别的目的，这引起了重大的隐私问题。以前的工作集中在监督隐私增强的解决方案，需要隐私-敏感信息的个人和限制其应用程序的抑制单一和预定义的属性。因此，它们不会考虑训练中未考虑的属性。在这项工作中，我们提出了消极的人脸识别（NFR），一种新的人脸识别方法，通过在互补（负）域中表示人脸模板来增强模板级的软生物特征隐私。虽然普通模板表征了个体的面部特性，但负模板描述了该个体不存在的面部特性。这抑制了来自存储的模板的隐私敏感信息。实验进行了两个公开可用的数据集上捕获的受控和非受控的情况下，对三个隐私敏感的属性。实验表明，我们提出的方法达到更高的抑制率比以前的工作，同时保持较高的识别性能。与以前的作品不同，我们的方法不需要隐私敏感的标签，并提供了一个更全面的隐私保护不限于预定义的属性。
2020-02-21 cs.CV
Deep Secure Encoding: An Application to Face Recognition
在本文中，我们提出了深度安全编码：一个使用深度神经网络进行安全分类的框架，并将其应用于面部生物特征模板保护任务。使用深度卷积神经网络（CNN），我们学习了人脸类到高熵安全代码的鲁棒映射。然后使用SHA-256等标准散列函数对这些安全代码进行散列，以生成安全的人脸模板。该方法的有效性显示在两个人脸数据库上，即CMU-PIE和Extended Yale B，在那里我们实现了最先进的匹配性能，以及可取消性和高安全性，没有不切实际的假设。此外，该方案可以工作在识别和验证模式。
2015-06-14 cs.CV
Maximum Entropy Binary Encoding for Face Template Protection
University at Buffalo, SUNY（纽约州立大学布法罗分校）
在本文中，我们提出了一个使用深度神经网络进行安全识别的框架，并将其应用于人脸认证的模板保护任务。我们使用深度卷积神经网络（CNN）来学习从人脸图像到最大熵二进制（MEB）代码的映射。映射足够强大，可以解决精确匹配的问题，为用户的新样本生成与训练期间分配的代码相同的代码。然后使用遵循随机预言模型（如SHA-512）的任何哈希函数对这些代码进行哈希处理，以生成受保护的面部模板（类似于基于文本的密码保护）。该算法没有不切实际的假设，并提供高模板安全性，可取消性和最先进的匹配性能。CMU-PIE、Extended Yale B和Multi-PIE人脸数据库上显示了该方法的有效性。我们实现了高（~95%）的真实接受率（GAR），零错误接受率（FAR），高达1024位的模板安全性。
2015-12-05 cs.CV
Training-free Dimensionality Reduction via Feature Truncation: Enhancing Efficiency in Privacy-preserving Multi-Biometric Systems
Hochschule Darmstadt（达姆斯塔特应用技术大学）
本文研究免训练的特征截断降维方法，通过融合人脸、指纹和虹膜多模态特征，在保持等错误率不损失的前提下将模板尺寸缩减67%，从而提升同态加密下多生物特征识别系统的效率。
2025-08-15 cs.CV
GFT-GCN: Privacy-Preserving 3D Face Mesh Recognition with Spectral Diffusion
The Graduate University for Advanced Studies, SOKENDAI（高级研究大学，SOKENDAI）；National Institute of Informatics, NII（信息研究所）；The University of Tokyo（东京大学）
GFT-GCN通过结合谱图学习与扩散机制，实现隐私保护的3D人脸识别，兼顾高准确性和防攻击能力。
2025-11-26 cs.CV
Zero-Shot Deep Hashing and Neural Network Based Error Correction for Face Template Protection
West Virginia University（西弗吉尼亚大学）
在本文中，我们提出了一种新的架构，集成了深度哈希框架与神经网络解码器（NND）的应用程序，以面对模板保护。它改进了现有的人脸模板保护技术，以提供更好的匹配性能与单次和多次登记。我们提出的架构的一个关键的新颖性是，该框架也可以用于zero-shot注册。这意味着我们的架构不需要重新训练，即使一个新的主题是要注册到系统中。所提出的架构由两个主要组件组成：深度哈希（DH）组件，用于将面部图像鲁棒地映射到其相应的中间二进制代码，以及NND组件，用于纠正由于姿势、照明和其他因素的变化等因素导致的注册和探头生物特征差异所导致的中间二进制代码中的错误。然后，NND生成的最终二进制代码将被加密散列，并作为安全的人脸模板存储在数据库中。我们的方法与zero-shot，one-shot，和多次拍摄登记的有效性CMU-PIE，扩展耶鲁B，WVU多模态和多PIE人脸数据库。在zero-shot注册的情况下，系统在0.01%的错误接受率（FAR）下实现约85%的真实接受率（GAR），并且在单次和多次注册的情况下，系统在0.01%的FAR下实现约99.95%的GAR，同时提供高级别的模板安全性。
2019-08-05 cs.CV
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
Blockchain meets Biometrics: Concepts, Application to Template Protection, and Trends
Universidad Autonoma de Madrid（马德里自治大学）
区块链技术为保护和管理存储在生物识别模板中的敏感和隐私数据提供了出色的架构和实用工具，但这是有成本的。我们讨论了区块链和生物识别技术集成的机遇和挑战，重点是生物识别模板存储和保护，这是生物识别技术中的一个关键问题，在很大程度上尚未解决。通过在以太坊区块链平台上实施智能合约，对该集成中涉及的关键权衡，即延迟，处理时间，经济成本和生物识别性能进行了实验研究，该平台在github中公开供研究使用。
2020-03-19 cs.CR cs.CV
Composite Fixed-Length Ordered Features for Palmprint Template Protection with Diminished Performance Loss
Xidian University（西安电子科技大学）
掌纹识别由于其面积大、信息丰富、能够远距离工作等优点而成为越来越受欢迎的生物识别方式。然而，掌纹隐私和安全问题（特别是掌纹模板保护）仍然研究不足。在为数不多的研究工作中，大多数只是利用掌纹的方向性和方位性特征进行变换处理，保护和识别效果不理想。因此，本文提出了一种面向掌纹模板保护的算子，该算子具有固定的长度，并通过融合点特征和方向特征在本质上是有序的。首先，基于MFRAT算法，提高了双方向的提取精度。然后提取SURF的关键点，并将其转换为定长有序特征。最后，利用IOM的不可逆变换，将双方向和SURF点融合的复合特征进行变换，生成可识别的掌纹模板。实验结果表明，在PolyU和CASIA数据库上，不可逆变换后的EER分别为0.17%和0.19%，绝对精度损失分别为0.08%和0.07%，证明了该方法的优越性。
2022-11-09 cs.CR cs.CV
Privacy protection based on mask template
Beijing University of Technology（北京工业大学）；Beijing Friendship Hospital（北京友谊医院）
强大的识别算法被广泛应用于互联网或重要的医疗系统中，对个人隐私构成严重威胁。尽管法律规定了多样性保护，例如欧洲的通用数据保护条例（GDPR）和中国的民法典第1032条至第1039条。然而，作为重要的隐私泄露事件，生物特征数据往往具有隐蔽性，机主很难察觉和溯源。人体生物特征通常存在于图像中。为了避免个人隐私的泄露，我们应该防止未经授权的识别算法获取原始图像的真实特征。
2022-02-13 cs.AI cs.CR cs.CV
Morton Filters for Superior Template Protection for Iris Recognition
Norwegian Biometrics Laboratory（挪威生物识别实验室）；NTNU（挪威科技大学）；The Norwegian Colour and Visual Computing Laboratory（挪威色彩与视觉计算实验室）
我们解决了虹膜验证的模板保护（TP）的基本性能问题。我们的工作基于流行的Bloom-Filter模板保护，并解决了次优性能和低不可链接性等关键挑战。具体来说，我们专注于布卢姆过滤器模板的情况下，由于虹膜图像内存在大的退化导致非理想的性能。虹膜识别面临着许多遮挡因素的挑战，例如捕获图像中存在睫毛，眼睑遮挡，运动模糊导致的低质量虹膜图像。所有这些降级因素导致获得不可靠的虹膜代码，从而提供不理想的生物计量性能。这些因素直接影响经典的布卢姆滤波器时，从虹膜图像中得到的保护模板。为此，我们提出并扩展我们早期的想法莫顿过滤器获得更好的和可靠的虹膜模板。基于Morton滤波器的虹膜编码的TP是基于利用低秩虹膜编码的类内和类间分布来获得特定对象的虹膜图像上的稳定比特，并且还分析各种对象上的可辨别比特。这种低秩无噪声虹膜代码使得能够以优越的方式实现模板保护，其不仅可以用于约束设置，而且可以用于宽松的虹膜成像。我们进一步扩展的工作，分析VIS虹膜图像的适用性，采用大规模的公共虹膜图像数据库- UBIRIS（V1和V2），在无约束的设置中捕获。通过一组实验，我们证明了所提出的方法的适用性和检查的优点和缺点。这项工作的另一个贡献是评估所提出的方法的安全性，其中研究了Unlinkability的因素，以表明放松虹膜成像场景的对抗性质。
2020-01-15 cs.CR cs.CV
Rank Correlation Measure: A Representational Transformation for Biometric Template Protection
尽管已经提出了各种理论上合理的技术用于生物特征模板保护，但是很少有实际的解决方案同时保证不可逆性、可取消性、不可链接性和性能。提出了一种基于排序的指纹模板表示变换方法。该方法将一个实值特征向量转换为索引码，使得生成的索引码中的两两顺序度量与秩相似性度量紧密相关。这种基于排序的技术提供了两个主要优点：1）对数值中的噪声/扰动有弹性;以及2）基于偏序统计的高度非线性嵌入。前者负责减轻数字噪声/扰动的准确性性能，而后者通过从欧几里得到秩空间的非线性特征嵌入提供强大的不可逆变换，从而导致反演的韧性。在FVC 2002和FVC 2004指纹库上的实验结果表明，该方法具有较好的准确性，从而证实了秩相关性的理论。此外，安全和隐私分析证明了强大的能力，对现有的主要隐私攻击。
2016-07-23 cs.CR cs.CV
FaceAnonyMixer: Cancelable Faces via Identity Consistent Latent Space Mixing
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University of Waterloo（滑铁卢大学）；Michigan State University（密歇根州立大学）
FaceAnonyMixer提出一种利用预训练生成模型潜在空间混合的可撤销人脸生成框架，通过不可逆混合真实与合成潜在代码并优化多目标损失，实现高识别精度与强隐私保护，在商业API上提升超11%。
2025-08-07 cs.CV
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
Towards Protecting Face Embeddings in Mobile Face Verification Scenarios
Idiap Research Institute（Idiap研究所）
本文提出PolyProtect方法，通过用户特定多项式映射保护移动人脸验证中的嵌入，在完全知情攻击者威胁下实现准确性与不可逆性的平衡，并确保模板不可关联。
2022-01-27 cs.CR cs.CV
Analyze and Development System with Multiple Biometric Identification
Suleyman Demirel University（苏莱曼·德米雷尔大学）
由于技术发展的迅速增加，身份盗窃、消费欺诈日益增多，对个人数据的威胁也与日俱增。早期开发的确保个人信息被盗的方法既不有效也不安全。生物识别技术是在需要更有效地保护个人信息的技术时引入的。老式的传统方法，如个人识别码（PIN），密码，密钥，登录ID可能会被遗忘，被盗或丢失。在生物认证系统中，用户可能不记得任何密码或携带任何密钥。作为人，他们通过物理外观和行为特征来识别对方，生物识别系统使用物理特征，如指纹，面部识别，话音识别，以区分实际用户和骗子。为了提高安全性，在2005年，生物识别方法被开发的政府和商业部门，但今天它已经达到了几乎所有的私营部门，如银行，金融，家庭安全和保护，医疗保健，商业安全和安全等，因为生物样本和模板的生物识别系统具有一个生物特征检测和用户可以被替换和复制，已经引入了合并多种生物测定识别技术的新思想，所谓的多模态生物测定识别系统使用了可以被识别为真实用户或不是真实用户的个体的两个或更多个生物测定数据特征。
2020-04-10 cs.CV
Is it Possible to Generate Irreversible PolyProtected Templates from Face Embeddings using System-Specific Keys?
本研究证明使用系统特定密钥的PolyProtect可生成不可逆模板，实现身份去重，通过三种密钥选择方法验证安全性。
2026-10-02 cs.CR cs.CV
A Genetic Algorithm Enabled Similarity-Based Attack on Cancellable Biometrics
Monash University Malaysia（莫纳什大学马来西亚分校）；Yonsei University（延世大学）
可撤销生物特征（CB）作为一种生物特征模板保护方法，是指对原始模板进行不可逆的相似性保持变换。利用相似性保持特性，模板和查询实例之间的匹配可以在变换域中执行，而不会损害准确性性能。不幸的是，这种特性会引起一类攻击，即基于相似性的攻击（SA）。SA产生一个原像，转换后的模板的逆，它可以被用来模仿和交叉匹配。在本文中，我们提出了一个遗传算法启用基于相似性的攻击框架（GASAF），以证明CB方案，具有相似性保持属性是非常脆弱的基于相似性的攻击。此外，设计了一套新的度量相似性攻击效果的指标。我们对两个有代表性的CB方案进行了实验，即BioHash和Bloom-filter。实验结果证明了这种类型的攻击下的脆弱性。
2019-09-15 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
Fast refacing of MR images with a generative neural network lowers re-identification risk and preserves volumetric consistency
Lausanne University Hospital (CHUV)（洛桑大学医院）；Siemens Healthineers International AG（西门子医疗国际股份公司）；Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Lausanne (UNIL)（洛桑大学）
针对MRI图像隐私保护问题，提出基于3D条件生成对抗网络的快速换脸方法，在降低重识别风险的同时保持脑形态测量后处理的一致性，处理速度仅需9秒。
2023-05-26 cs.CV eess.IV
Hypersphere Secure Sketch Revisited: Probabilistic Linear Regression Attack on IronMask in Multiple Usage
Shanghai Jiao Tong University（上海交通大学）
本文提出概率线性回归攻击，利用底层纠错码的线性特性，在多次使用场景下成功恢复IronMask保护的原始生物特征模板，并给出两种缓解策略。
2024-09-19 cs.CR cs.CV
MaLP: Manipulation Localization Using a Proactive Scheme
Michigan State University（密歇根州立大学）；Meta AI
针对现有被动方法泛化性差的问题，提出主动篡改定位方案MaLP，通过双分支架构学习模板加密图像，实现高泛化性的篡改检测与像素定位，并可作为判别器提升生成质量。
2023-04-04 cs.CV
Securing Face and Fingerprint Templates in Humanitarian Biometric Systems
Simprints；Idiap Research Institute（Idiap研究 institute）；International Committee of the Red Cross (ICRC)（国际红十字会委员会）
针对人道主义场景中的生物识别风险，提出基于PolyProtect的模板保护方案，应用于人脸和指纹，首次评估其识别性能，结果良好。
2025-08-25 cs.CR cs.CV
FeatMark: Feature-level Watermark Protection against Mimicry Attacks with Diffusion Models
The Hong Kong Polytechnic University（香港理工大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61研究所）；Macquarie University（麦考瑞大学）
FeatMark提出特征级水印框架，通过场景一致的语义微特征替代像素扰动，抵御扩散模型模仿攻击，实验证明其鲁棒性高，可扩展至视频场景。
2026-09-28 cs.CR cs.CV
FakeIDet3-DB: Refining Digital Attacks and Patch Extraction for Secure ID Benchmarking
School of Engineering, Universidad Autónoma de Madrid（马德里自治大学工程学院）
针对真实ID数字篡改检测的领域差距，构建首个含520万补丁的FakeIDet3-DB数据库，提出PACE算法，评估显示现有模型对其攻击检测定位性能不佳。
2026-09-22 cs.AI cs.CV
