Apr, 2024

生成可取消化生物特征模板的布尔 XOR 反函数方法

PDF
TL;DR生成可取消生物特征模板，采用逆布尔异或技术，在三种不同方法中，以视觉秘密共享方案为基础，使用一个秘密图像和 n-1 个覆盖图像。通过在公开可获得的 ORL 人脸数据库和 IIT 德里虹膜数据库上的实验证明，提出的方法在相关系数、均方差、均方差、结构相似性、峰值信噪比、像素变化率和统一平均变化强度等方面进行了比较，发现在质量方面，方法 M3 生成了良好的可取消模板，并在 ORL 数据集上具有最佳性能，在 IIT 德里虹膜数据集上，M2 和 M3 具有可比性。
发现论文，激发创造
  • CBRW: 基于可取消生物特征模板生成的新方法

    提出了两种基于随机游走的新颖简单的可取消生物特征模板生成方法 CBRW-BitXOR 和 CBRW-BitCMP，通过将原始生物特征转换为可取消模板。与其他最先进的方法进行比较，证明了所提方法在定性和定量分析方面均优于其他方法，且 CBRW 在灰度图像和彩色图像上都表现更好。

    Apr, 2024

  • 嵌入非失真可取消人脸模板生成

    使用创新的图像扭曲技术，我们介绍一种能使面部图像对肉眼不可识别但仍可由自定义嵌入神经网络模型识别的生物特征认证系统，通过在 MNIST 和 LFW 数据集上的实验评估其有效性，并基于传统比较指标进行比较。

    Feb, 2024

  • 使用多保险库模糊模板的安全和私密集成匹配器

    提出了一种通过在原始模板中隐藏子模板并使用足够多的冗余点来保护生物特征模板信息的混淆方法，并使用生成对抗网络（GAN）生成的合成面部图像作为安全保险库授权系统中的随机冗余点，该方法在测试中表现良好且不会对准确性产生不利影响。

    Apr, 2024

  • 通过形变优化基于面部一次性生物特征的密钥选择

    通过在信号水平上选择关键策略，提出一种竞争式可取消方案的安全改进，以防止对人脸识别系统的敌对攻击。实验结果表明，基于最安全阈值的某些策略可以完全阻止迭代优化的敌对攻击，而对于最实用的阈值，攻击成功率可降低到约 5.0%。

    Oct, 2023

  • 逆向生物特征识别综述

    使用生物特征识别广泛应用，但随着对该技术的隐私和安全性的关注，普遍认为的模板不可逆转的观点已经被证明是错误的。因此，本文旨在综述生物特征识别中逆向生物特征问题的不同方面，包括问题本身、问题的评估以及问题的缓解。

    Jan, 2024

  • 生物识别模板保护系统中链接性评估的一般框架

    通过提出一个新的综合框架，本文解决了不可逆转的生物特征模板的不可链接性缺乏系统定量分析的问题，并将该方法应用于评估四种最先进的生物特征模板保护技术的不可链接性，包括生物特征盐化、布隆过滤器、同态加密和块重映射。对于最后一种技术，将提出的框架与其他现有指标进行比较以展示其优势。

    Nov, 2023

  • 生物识别中的非定向近碰撞攻击

    这篇论文研究了基于概率建模的生物识别技术中的安全问题，探讨了模板大小、数据库大小和阈值对识别精度的影响，揭示了生物识别技术的两种攻击方式，并提出了选择参数的建议。

    Apr, 2023

  • 基于频繁二进制模式的隐私保护多生物特征索引

    提出了一种高效的隐私保护多生物特征识别系统，通过利用来自不同类型生物特征的频繁二进制模式中包含的低类内变异属性，设计了一种多生物特征分箱方案，实验结果表明，该多生物特征识别系统可以将计算工作量降低约 57%（索引最多三种生物特征类型）和 53%（索引最多两种生物特征类型），同时提高了基准生物特征系统在高安全阈值下的生物特征性能。

    Oct, 2023

  • 操作掩码生成器：基于修改总变差噪声减少的高质量图像操作掩码生成方法

    该研究论文提出了一种改进的总变差降噪方法，用于获取高质量的篡改图像，并结合最大稳定极值区域提取技术和文本信息，以生成可以应用于深度学习模型的数据集，从而在人工智能的领域中取得更好的结果。

    Oct, 2023

  • 使用新型预激活倒置残差网络和混合元启发式优化密集网络的虹膜和掌纹多模态生物识别

    本文提出了一种利用深度学习算法、采用虹膜和掌纹模态的新型多模态生物识别系统。通过实施修改过的萤火虫算法与洛维飞行算法（MFALF），对对比受限的自适应直方图均衡化（CLAHE）算法进行优化，从而有效增强图像对比度。然后，通过 ReliefF 与 Moth Flame 优化（MFOR）的独特混合进行特征选择。在分类方面，采用了两种并行方法，首先介绍了一种新颖的预激活反转 ResNet（PIR）架构，其次利用创新的 Johnson Flower 多孔虫算法和 Rainfall 优化算法的混合来微调基于 Transfer Learning 的 DenseNet 架构的学习率和随机失活参数（JFPA-ROA）。最后，实现了得分级别的融合策略，将两种分类器的输出组合起来，提供一个强大而准确的多模态生物识别系统。通过对 CASIA Palmprint，MMU，BMPD 和 IIT 数据集的测试，得到的多模态识别体系结构实现了 100％的识别准确率，胜过了单模态的虹膜和掌纹识别方法。

    Jul, 2024