Emerging Biometric Modalities and their Use: Loopholes in the Terminology of the GDPR and Resulting Privacy Risks
技术进步使生物识别应用比以往任何时候都更加无所不在。本文认为，在目前的欧盟数据保护法规，分类应用程序使用的生物特征数据得到较少的保护相比，生物特征识别。我们分析了监管语言中的先决条件，并探讨了这如何有可能成为基于情感等软特征对个人进行分类的处理操作的独特隐私风险的来源。这可能会对个人自由和人权产生重大影响，因此应进行数据保护影响评估。
2022-11-23 cs.CR cs.CY
Intentional Electromagnetic Interference Attacks on Facial Recognition
University of Notre Dame（圣母大学）；Naval Surface Warfare Center, Crane Division（海军水面作战中心克兰分部）
研究面部识别中针对生物识别传感器物理到数字管道漏洞的攻击。核心方法是用常见射频设备进行有意电磁干扰，评估先进人脸识别方法的鲁棒性，并提供相关数据集。主要贡献是提供测试面部识别系统抗硬件攻击的标准化方法及新基准。
2026-07-20 cs.CR cs.CV cs.LG
Privacy issues on biometric systems
Escola Universitaria Politècnica de Mataró（马塔罗理工学院）
在21世纪，人们对隐私问题有着浓厚的兴趣。技术允许在未经个人同意的情况下获取个人信息，计算机使分享和处理这些信息成为可能，这可能带来破坏性的影响。从某种意义上说，生物特征信息是个人信息，所以当有人声称生物特征信息是对个人隐私的企图时，重要的是要有意识地了解什么是真的，什么是假的。在本文中，涉及到这个问题的关键点。
2022-02-23 cs.CR cs.LG
Gradient-based facial encoding for key generation to encrypt and decrypt multimedia data
VIT University（维特大学）
本文提出融合HOG面部特征、SVM分类与AES的生物密码系统，生成32位面部密钥以加密25类多媒体文件，并通过熵、汉明距离和雪崩效应等指标验证其安全性。
2025-01-09 cs.CR cs.CV
Genomic Encryption of Biometric Information for Privacy-Preserving Forensics
DNA指纹是法医学中人类识别的基石，其中来自个体的高度多态性短串联重复序列（STR）与DNA数据库进行比较。这对数据库中具有DNA图谱的个人带来了重大的隐私风险，因为恶意攻击者可能会访问数据并将其滥用于次要目的。在本文中，我们提出了一种新的加密框架，用于联合加密基于DNA的指纹（STR）与其他生物特征数据，例如，面部图像，这样的STR和生物特征信息的个人透露，只有当一个积极的匹配被发现，即STR作为解密密钥。具体地，当使用数据库中的个体的STR序列对加密数据库执行搜索时，完美匹配生成个体的面部图像和/或其他生物特征，而缺乏匹配返回空结果。通过使用唯一的STR生成的密钥联合加密DNA指纹和其他生物特征，我们的方法确保了加密信息的完美隐私，仅解密与查询匹配的STR的记录。这保护了同一数据库中其他个人的信息。所提出的方法还可以用于在法医学之外的场景中安全地认证个人或生物材料的身份，包括跟踪用于临床遗传学和细胞疗法的样本的身份。
2021-03-26 cs.CR q-bio.GN
Privacy Attacks Against Biometric Models with Fewer Samples: Incorporating the Output of Multiple Models
University of Connecticut（康涅狄格大学）
认证系统易受模型反演攻击的攻击，其中对手能够近似目标机器学习模型的反演。生物识别模型是这种类型攻击的主要候选者。这是因为反转生物特征模型允许攻击者产生真实的生物特征输入来欺骗生物特征认证系统。进行成功的模型反演攻击的主要约束之一是所需的训练数据的量。在这项工作中，我们专注于虹膜和面部生物识别系统，并提出了一种新的技术，大大减少了所需的训练数据量。通过利用多个模型的输出，我们能够进行模型反演攻击，虹膜数据的训练集大小是Ahmad和Fuller（IJCB 2020）的1/10，面部数据的训练集大小是Mai等人（Pattern Analysis and Machine Intelligence 2019）的1/1000。我们表示我们的新的攻击技术与对齐损失的结构随机。我们的攻击是黑盒的，不需要知道目标神经网络的权重，只需要知道输出向量的维数和值。为了显示对齐损失的多功能性，我们将我们的攻击框架应用于成员推断的任务（Shokri等人，IEEE S&P 2017）的生物识别数据。对于虹膜，对分类网络的成员推断攻击的准确率从52%提高到62%。
2022-09-22 cs.CR cs.CV
HoneyFaces: Increasing the Security and Privacy of Authentication Using Synthetic Facial Images
University of Haifa（海法大学）；University of Kent（肯特大学）
基于生物特征的认证系统面临的主要挑战之一是需要在保持生物特征数据隐私的同时提供安全认证。以前的解决方案，如安全草图和模糊提取器，依赖于在实践中无法保证的假设，并且经常影响身份验证的准确性。在本文中，我们介绍HoneyFaces：将大量合成面孔（与真实面孔无法区分）添加到生物识别“密码文件”中的概念。这种密码膨胀保护了用户的隐私，提高了系统的安全性，而不会影响身份验证的准确性。特别地，真实用户的隐私是通过将他们“隐藏”在大量的假用户中来提供的（因为合成和真实面部的分布是相等的）。除了保持身份验证的准确性，从而不影响身份验证过程的安全性外，HoneyFaces还提供了几项安全改进：增加了渗透硬度，改进了泄漏检测，以及能够使用HoneyWords中的双服务器设置。最后，HoneyFaces可以与其他生物识别数据的安全和隐私机制相结合。我们实现了HoneyFaces系统，并使用由270个真实用户组成的密码文件对其进行了测试。“密码文件”随后被膨胀以容纳最多$2^{36.5}$用户（产生56.6 TB的“密码文件”）。同时，额外人脸的加入并不影响真接受率和假接受率，真接受率和假接受率分别为93.33%和0.01%。
2016-11-11 cs.CR cs.CV
The Reliability and Acceptance of Biometric System in Bangladesh: Users Perspective
生物识别系统是唯一身份识别的最新技术。世界各地的人们都喜欢使用这种独特的身份识别技术来确保身份验证的安全性。本研究的目的是评估生物识别系统的基础上，系统的可靠性和用户满意度。由于技术完全依赖于个人数据，因此在生物识别系统的质量和可靠性方面，用户满意度是一个主要因素。为了与数字时代同行，评估用户对数据安全的关注是非常重要的，因为系统通过分析用户的个人数据进行认证。该研究表明，用户对使用生物识别系统而不是其他安全系统感到满意。此外，硬件故障是生物识别系统用户面临的一个大问题。最后，一个矩阵生成比较流行的生物识别系统的性能，从用户的意见。由于系统可靠性和用户满意度是本研究的重点问题，生物识别服务提供商可以使用这些现象，以找到他们需要改进的服务方面。此外，这项研究可以为孟加拉国用户提供一个很好的可视化工具，以便他们可以轻松地实现他们必须选择的生物识别系统。
2021-06-14 cs.CR cs.CY cs.SY
Automated User Identification from Facial Thermograms with Siamese Networks
本文提出利用Siamese网络通过面部热图实现自动用户识别，并在实验中达到80%的准确率，展示了热成像在生物识别中的应用潜力。
2025-12-15 cs.CR cs.CV
A False Sense of Privacy: Towards a Reliable Evaluation Methodology for the Anonymization of Biometric Data
本文指出现有面部与步态生物特征匿名化评估因假设弱对手而高估隐私效果，提出知晓匿名化的强对手及改进的数据集选择方法，通过最坏情况性能度量实现可靠评估。
2024-07-09 cs.CR
A Framework to Prevent Biometric Data Leakage in the Immersive Technologies Domain
针对沉浸式技术中语音命令特征和面部动态等生物特征数据易被泄露的问题，本文提出一个简单的技术框架，并在六个数据集上验证其有效性和可行性。
2025-05-07 cs.CR
An Overview of Various Biometric Approaches: ECG One of its Trait
生物计量系统实际上是一种模式识别系统，它利用虹膜、视网膜等各种模式以及指纹、话音识别、面部几何形状和手部几何形状等生物特征。生物计量学真正吸引人的是，各种安全代码，如密码和身份证，可以互换，被盗或复制。为了提高系统的安全性和可靠性，可以使用生理特征。本文综述了生物测量的关键技术和基本技术及其存在的问题。然后介绍了心电图机的工作原理，并指出了心电图机的各种应用机会。
2022-01-31 cs.CR
Privacy Preserving Face Recognition Utilizing Differential Privacy
面部识别技术在许多领域都有应用，包括但不限于公民监控、犯罪控制、活动监控和面部表情评估。然而，处理生物特征信息是一项资源密集型任务，通常涉及第三方服务器，这些服务器可能会被恶意攻击者访问。以不受控制的方式传递到不受信任的第三方服务器的生物识别信息可以被认为是重大的隐私泄露（即不受控制的信息发布），因为生物识别信息可能与敏感数据（如医疗保健或财务记录）相关。在本文中，我们提出了一个隐私保护技术的“受控信息发布”，在那里我们伪装原始的人脸图像，并防止泄漏的生物特征，同时确定一个人。我们介绍了一种新的隐私保护人脸识别协议PEEP（隐私使用EigEnface扰动），利用本地差分隐私。PEEP利用差分隐私对特征脸应用扰动，并仅将扰动的数据存储在第三方服务器中以运行标准的特征脸识别算法。因此，经过训练的模型不会受到隐私攻击，如成员推断和模型记忆攻击。我们的实验表明，PEEP在标准隐私设置下表现出约70% - 90%的分类准确率。
2020-07-04 cs.CR cs.DB
Quality Measures in Biometric Systems
Halmstad University（哈尔姆斯塔德大学）；Univ. Autonoma de Madrid（马德里自治大学）
在过去的十年里，生物识别技术得到了越来越多的应用，比传统的个人识别方法提供了更高的安全性和便利性。虽然生物特征信号的质量严重影响生物特征系统的性能，但现有的研究对质量评估是有限的。质量是安全中的一个关键问题，特别是在涉及监控摄像头、取证、便携式设备或通过互联网进行远程访问的不利情况下。本文分析了哪些因素对生物识别质量产生负面影响，如何克服这些因素，以及如何将质量措施纳入生物识别系统。对这些问题的最新技术进行审查，为生物识别质量的挑战提供了一个总体框架。
2021-11-17 cs.CR cs.CV
Resurrecting Trust in Facial Recognition: Mitigating Backdoor Attacks in Face Recognition to Prevent Potential Privacy Breaches
CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
诸如面部图像的生物特征数据通常与敏感信息（例如，医疗、财务、个人政府记录）相关联。因此，存储此类信息的系统中的数据泄露可能会产生破坏性后果。深度学习被广泛用于人脸识别（FR）;然而，这种模型容易受到恶意方执行的后门攻击的攻击。后门攻击导致模型在识别期间将特定类错误分类为目标类。此漏洞允许攻击者访问受生物特征验证措施保护的高度敏感数据，或允许恶意方伪装成具有更高系统权限的个人。这些违规行为构成了严重的隐私威胁。先前的方法将噪声添加机制集成到人脸识别模型中以缓解此问题并提高分类对后门攻击的鲁棒性。然而，这会严重影响模型的准确性。我们提出了一种新的和可推广的方法（名为BA-BAM：生物特征认证-后门攻击缓解），旨在通过迁移学习和选择性图像扰动来防止对人脸认证深度学习模型的后门攻击。实验结果表明，BA-BAM具有很强的鲁棒性，最大准确率下降了2.4%，而攻击成功率最大降低了20%。与现有方法的比较表明，BA-BAM提供了一个更实用的后门缓解方法的人脸识别。
2022-02-18 cs.CR cs.CV cs.LG
Enhancing Privacy for Biometric Identification Cards
大多数发达国家已开始实施生物特征电子身份证，特别是护照。欧洲联盟和美利坚合众国正在努力引进这些电子文件并使之标准化。由于用于生成这些卡的生物特征元素的个人性质，大西洋两岸都提出了隐私问题，导致平民抗议和关切。负责实施此类识别系统的公共当局缺乏透明度，以及这些当局选择的技术方法不佳，是新识别方法不受欢迎的主要原因。下面的文章展示了一种方法，它提供了生物识别和密码学领域现代技术进步的所有好处，而不会牺牲新系统受益者的隐私。
2010-02-18 cs.CR
FacialMotionID: Identifying Users of Mixed Reality Headsets using Abstract Facial Motion Representations
针对混合现实头显的面部动作追踪隐私问题，研究收集116名参与者的面部、眼睛和头部运动抽象表示数据，发现个体重识别准确率高达98%且情绪推断达86%，揭示了此类数据的严重隐私风险。
2025-07-15 cs.CR
Securing Iris Templates using Combined User and Soft Biometric based Password Hardened Fuzzy Vault
个人身份识别和认证在当前情况下非常重要。生物识别技术在这一领域发挥着重要作用。与传统的基于密码的身份验证相比，基于生物特征的身份验证已被证明具有优越性。无论如何，生物特征是一个人的永久特征，当作为密码泄露时不能重新发布。为了克服这个问题，代替存储原始生物特征模板，可以存储变换的模板。每当变换函数被改变时，新的可删除/可取消模板被生成。软生物特征是辅助信息，可以与主要生物特征相结合，以更好的方式识别一个人。与指纹等其他生物特征相比，虹膜具有一定的优势。虹膜是一个内部的部分，是不太容易损坏。此外，攻击者很难捕获虹膜。虹膜生物识别的主要优势是其稳定性或模板寿命。生物识别系统容易受到各种攻击。本文通过应用基于用户和软生物特征的密码变换生成可撤销的虹膜模板，并通过生物特征密码学构造模糊保险库来进一步保护模板。
2010-03-07 cs.CR
Ciphera: A Decentralised Biometric Identity Framework
University of East London（东伦敦大学）
提出Ciphera框架，结合隐私保护面部识别、多节点验证、IPFS凭证元数据存储和区块链锚定撤销，实现去中心化生物特征身份管理，并通过功能、性能、安全性和分布式一致性评估验证其可行性。
2026-05-28 cs.CR cs.CV cs.DC
Privacy-Enabled Biometric Search
Computer Science Innovations, LLC（计算机科学创新有限责任公司）；Villanova University（维拉诺瓦大学）
长期以来，生物识别技术一直希望通过建立不可否认的身份并提供方便的身份验证来取代密码。便利性促使消费者选择基于生物识别的访问管理解决方案。与密码不同，生物识别技术不能注入脚本;然而，生物识别数据由于其个人性质和与用户的独特关联而被认为是高度敏感的。生物识别技术与密码的不同之处在于，受损的密码可以重置。生物识别技术的妥协并没有提供这样的救济。被破坏的生物特征在隐私（任何人都可以查看生物特征）和身份验证（任何人都可以使用生物特征）方面提供了无限的风险。诸如生物识别开放协议标准（BOPS）（IEEE 2410-2016）之类的标准提供了一种详细的机制，以通过以加密形式存储生物识别来基于预先注册的设备和先前的身份来认证生物识别。本文介绍了一种生物识别不可知的方法，解决隐私问题的生物识别技术，通过实施BOPS。具体而言，两个新的概念。首先，将生物特征应用于神经网络以创建特征向量。这个神经网络可以单独用于一对一匹配（认证），但是对于一对多的情况（身份查找），需要线性时间搜索。本文中描述的分类算法通过为每个特征向量生成规范化的浮点值来解决这个问题。这允许认证查找在最多多项式时间内发生，从而允许在加密的生物特征数据库中快速、准确和私密地进行搜索。
2017-08-16 cs.CR cs.LG
BIDO: A Biometric Identity Online Authentication Framework
CyberMACS Kadir Has University（凯德里哈大学CyberMACS）；DigitalFortress Private Limited & Indominus Labs Private Limited（DigitalFortress私人有限公司及Indominus Labs私人有限公司）；Centre of Excellence, Artificial Intelligence & Robotics (AIR), School of Computer Science and Engineering（卓越中心，人工智能与机器人（AIR），计算机科学与工程学院）；VIT-AP University, India（印度VIT-AP大学）；Centre of Excellence, Artificial Intelligence & Robotics (AIR), School of Electroncs and Communication Engineering（卓越中心，人工智能与机器人（AIR），电子与通信工程学院）
本文提出BIDO框架，通过动态生成非居民Web认证凭证，实现无需存储长期生物特征模板的设备无关身份验证，达到NIST SP 800-63B中的AAL2标准，同时在多个面部基准测试中表现出高准确率和低误报率。
2026-05-16 cs.CR cs.CV cs.ET
Biometrics Employing Neural Network
Syracuse University（雪城大学）
本文综述了基于神经网络的生物识别技术，指出人工神经网络作为精细分类器能提升识别准确率和整体安全性，是解决传统密码认证漏洞的有效方案。
2024-02-01 cs.AI cs.CR
An Efficient Secure Multimodal Biometric Fusion Using Palmprint and Face Image
J.S.S. research foundation（J.S.S.研究基金会）；Mysore University（迈索尔大学）
基于生物特征的身份识别被认为是一种有效的自动识别方法，具有高置信度的个人身份。多模态生物特征系统整合了多个生物特征源提供的证据，与基于单一生物特征模态的系统相比，通常具有更好的识别性能。提出了一种利用人脸和掌纹两个特征进行多模态生物系统辨识认证的方法。所提出的系统被设计用于其中训练数据包含面部和掌纹的应用。将掌纹和人脸特征相结合，提高了身份认证的鲁棒性。最后的决定是由融合在匹配分数级架构，其中特征向量独立创建查询措施，然后比较注册模板，这是存储在数据库准备。多模态生物特征识别系统是通过融合人脸识别和掌纹识别来实现的。
2009-09-12 cs.CR cs.CV
Private Facial Diagnosis as an Edge Service for Parkinson's DBS Treatment Valuation
Lancaster University（兰卡斯特大学）；Durham University（杜伦大学）；Northumbria University（诺森比亚大学）
面部表型分析最近已被成功地用于医学诊断，作为诊断一系列疾病的新方法，其中面部生物识别技术已被揭示与潜在的遗传或医学原因有着丰富的联系。本文以帕金森病（Parkinson's Diseases，PD）为例，提出了一种面向医疗智能物联网（AIoT）边缘的隐私保护面部诊断框架，用于分析脑深部电刺激（Deep Brain Stimulation，DBS）对PD患者的治疗效果。在所提出的框架中，提出了一种新的基于边缘的信息理论安全框架，以在面向隐私保护的AIoT多方通信方案上实现隐私深度面部诊断作为服务，其中部分同态加密（PHE）被利用来直接在加密的面部模式上实现隐私保护的深度面部诊断。在我们对PD患者收集的面部数据集进行的实验中，我们首次证明面部模式可用于评估接受DBS治疗的PD患者的改善。我们进一步实现了一个隐私保护的深度面部诊断框架，可以实现与非加密框架相同的准确性，显示了我们的隐私保护面部诊断作为一种值得信赖的边缘服务的潜力，用于对患者的PD严重程度进行分级。
2021-05-16 cs.AI cs.CR cs.CV
When Physical Unclonable Function Meets Biometrics
San Jose State University（圣何塞州立大学）
随着新冠肺炎疫情席卷全球，医疗体系正在重塑，电子医疗概念更有可能被接受。可穿戴设备通常携带来自用户的敏感信息，这些信息暴露于安全和隐私风险。此外，用户一直担心在制造过程和供应商存储之间被假冒。因此，不仅保护个人数据正在成为一项重要义务，而且设备验证也是另一项挑战。为了解决生物特征认证和物理不可克隆功能（PUF）需要到位，以减轻用户的安全性和隐私。在生物识别模态中，基于心电图（ECG）的生物识别已经变得流行，因为它可以认证患者并监测患者的生命体征。然而，研究人员最近开始研究ECG生物识别系统的漏洞，并试图解决欺骗问题。此外，大多数可穿戴设备都配有CPU和内存。因此，基于易失性存储器（NVM）的PUF可以容易地放置在设备中以避免伪造。然而，许多研究对PUFs的不可克隆性提出了挑战。因此，对这些攻击进行仔细研究应足以满足这一需要。在本文中，我们的目的是提供一个全面的研究国家的最先进的发展论文的基础上，生物识别技术使硬件安全。
2020-12-14 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
