一种面向高安全身份识别的可撤销手指静脉检测器

本发明涉及一种面向高安全身份识别的可撤销手指静脉检测器,属于生物识别。

背景技术：

1、随着信息化社会的发展，传统的基于密码或id卡的认证技术已无法满足人们对安全的需求。近年来生物特征识别在金融、安防、医疗等领域的应用显示出了许多优点。生物特征识别(biometrics)是指智能机器自动捕获、处理、分析和识别人体数字化生理或行为特征信号，这是一个典型的模式识别任务，一直处于人工智能发展的前沿，主要包括如人脸识别、指纹识别、静脉识别、语音识别和步态识别等。指静脉识别作为第二代生物识别的代表技术，因为其便捷性和更高的安全性成为最近研究的主流。指静脉识别主要分为图像采集、预处理、特征提取和识别认证，其中基于深度学习的指静脉识别系统将统一地自动完成静脉特征的提取与识别。预处理作为指静脉识别的关键步骤可以有效地提高系统性能，但由于采集设备结构与应用环境的不同，相应地需要设计特殊的图像处理操作(感兴趣区域提取、图像增强和特征对齐等)，这使得预处理操作和接下来的特征提取和识别认证是分离的，严重影响识别系统的便捷性、整体性和自动化水平。

2、同时，随着生物识别技术的广泛应用，生物识别技术中带来的信息泄露问题严重地损害用户的隐私和匿名性。尽管生物特征比传统认证技术更难被欺诈性复制或伪造，并且提高了便利性与安全性，但由于生物特征唯一的特性，攻击者可以通过生物特征跟踪已在不同域中注册的受试者的活动。一旦生物特征泄露，识别系统的安全性会急剧下降，并且此生物特征无法继续使用，从而进一步限制了受试者可以使用的生物特征。以上问题表明了生物识别信息无法撤销和重新发布，为解决这一问题，引入了一个称为可取消生物特征的概念，它是指将生物特征信号进行有意和可重复的失真变换操作，这使得生物特征模板在加密域进行认证，实现对生物特征进行保护。

3、一个优秀的可撤销生物特征识别技术应当具有(1)不可逆转性：给定一个受保护的模板，应不可能重建原始生物识别样本；(2)可逆性：从一个给定的生物识别样本中，可以生成多个受保护的模板；(3)不可链接性：如果两个受保护的模板由相同的生物识别信息生成，并存储在不同的系统中，则不可能确定它们属于同一个对象；(4)性能：使用btp方案不应明显降低系统的识别性能。此外，识别性能不应对指定所采用的模板保护步骤的参数敏感。与传统识别认证方式不同，基于深度卷积神经网络(deep convolutional neuralnetwork,dcnn)的指静脉识别系统无需将特征模板存储至数据库中，不会出现导致模板失窃的问题。但攻击者可以入侵手指静脉系统分析网络输出的手指静脉信息，dcnn的主要组成部分是卷积运算，通过反卷积可以在一定程度上恢复出原始静脉模板。这导致基于dcnn的手指静脉识别系统将面临模板被恢复所造成的安全隐患。为解决此类问题，将生物特征模板保护与基于dcnn的指静脉识别系统相结合，设计具有模板保护的识别方式，利用简单有效的不可逆变换对生物特征进行重组或失真，设计可撤销生物特征模板保护，使得攻击者无法利用加密后的模板还原出原始生物特征。为解决以上问题，实现智能一体化指静脉安全识别，本发明提供了面向高安全身份识别的可撤销手指静脉检测器用于构建识别系统。

技术实现思路

1、目前，许多可撤销指静脉特征识别系统的模板保护过程与识别过程是分离的，通常首先将原始特征模板转换至保护域后存储至数据库，待后续进行传输或放入分类器中进行识别。且原始特征模板往往需要设计精细的预处理工作，包括感兴趣区域提取和特征对齐等。这使得可撤销指静脉识别系统变得繁琐，且十分不鲁棒。

2、为了解决上述技术问题，本发明通过以下技术手段解决上述问题：一种全自动可撤销手指静脉检测器(cancelable finger vein detection,cfvd)。其主要包括一个bwr-roialign即插即用模块，它由定位、压缩和转换三个子模块构成。cfvd采用分类任务中常用的resnet50作为骨架，整个cfvd模型根据处理不同域的静脉特征被分为两个阶段：浅层特征(源域)提取阶段与深层特征(加密域)提取阶段。

3、具体步骤如下：

4、步骤1：采集到的原始手指静脉图像，将其进行尺寸归一化(通常为256×320)，并记为f。将f输入cfvd浅层特征提取阶段得到手指静脉浅层特征fs。

5、步骤2：将浅层特征fs输入bwr-roialign中的定位子模块，利用浅层特征得到roi的四个回归坐标，得到roi坐标信息为p(xmin,ymin,xmax,ymax)。

6、步骤3：将浅层特征fs输入bwr-roialign中的压缩子模块，首先利用roi坐标信息p，将手指静脉浅层特征fs中划分出唯一稳定区域froi，实现空间冗余压缩，接下来将得到的froi使用本发明提供的de-r conv方法进行通道冗余去除，得到紧凑的手指静脉特征图fc。

7、步骤4：将浅层特征处理阶段最终得到的特征图fc输入深层特征(加密域)提取分析阶段。首先将fc输入bwr-roialign中的转换子模块中，利用提出的块扭曲重映射(blockwarpingremapping，bwr)模板保护方法将fc转换为fp。

8、步骤5：将转换后的特征图fp输入深层特征提取分析加密域后的手指静脉特征信息。最后将提取后的特征信息输入全连接层中进行识别分类。

9、进一步地，所述步骤2中，对于手指roi定位，roi坐标回归是寻找一种映射f使得从而减小与真实边界框(gx,gy,gw,gh)之间的偏移量。对于共有n个训练对的集合。

10、

11、其中t是回归标签与建议框间的偏移量。*代表四种映射：平移变换δx和δy，尺度变换sw和sh。fi是输入特征图。最后通过优化正则化最小二乘目标来学习ω，其中λ是正则化系数。

12、

13、而指静脉图像roi并不是一种小目标，定位子模块通过学习四种繁琐的映射来预测边界框间偏移量，而直接预测真实坐标，目标函数定义为：

14、

15、其中c代表roi在指静脉图像中的真实坐标(xmin,ymin,xmax,ymax)。同样地，fi是输入的特征图，是通过特征图得到的预测roi坐标其中ω通过优化正则化最小二乘目标来学习。

16、进一步地，所述步骤3中，将定位子模块中提供的roi矩形窗口坐标p(xmin,ymin,xmax,ymax)映射到特征图上对应的网格单元，然后将映射的网格单元划分为h×w数量的子区域，最终在这些子区域中采样得到统一尺寸的roi特征图froi，尺寸为(b,c,h,w)。需要注意的是在所有可能出现量化的操作中，使用线性插值来避免在坐标映射和网格划分中的任何量化损失。进一步地，所述步骤3中，de-r conv将得到的特征froi分成4个组，将每个组融合从而减少冗余的特征图，它分为正反两个路径。

17、首先对于一个尺度为(b,c,h,w)的特征图froi，利用平均池化和两个1×1卷积获取各个通道的权重w和倒序权重这是一个类似通道注意力的操作。

18、接下来将权重w和w′赋予对应的特征图得到fw和将fw和分别分为4个组，并将他们进行线性融合，分别得到尺度为的特征图fw′和

19、

20、

21、其中，表示将加权后的特征图平均划分为四组没有交集的特征图。表示将4组特征图对应位置进行线性融合。

22、接下来将fw′和分别送入一个标准的3×3卷积对密集的特征图进行提取。

23、最后，正向路径部分得到特征图尺寸为反向路径部分得到特征图尺寸为将正反路径得到的特征图进行连接，整合完整的信息，得到尺寸为的特征图fc作为输出。

24、进一步地，所述步骤4中，提供了一种块扭曲重映射的生物特征模板保护的方法，其主要分为两个部分块网格扭曲和块重映射，并且拥有四个预定义的超参数：图像块尺寸b，扭曲网格尺寸s，扭曲因子o和重采样率r，用于平衡识别系统的安全性和识别性能。

25、对于一张源域特征图fc(x,y)，其尺寸为(h,w)。将fc划分为尺寸为b×b大小的像素块，记作at，t＝1,2,…,(hw/b2)，继续将at在x,y方向上进行网格划分为s×s尺寸的四边形，然后对at中所有的网格的顶点进行随机变换，得到扭曲后的特征图块bt。对于任意一个网格，axi，ayi为第i个顶点ai的横纵坐标值。而bi为变形后的第i个顶点，同样地bxi，byi为变形后的横纵坐标值，则变换前后的顶点间的坐标关系为：

26、

27、其中δx，δy分别为单个网格在x,y方向上的长度。ox，oy分别为x,y方向上的扭曲因子，取值范围为[0,1]，越接近1，扭曲程度越高，反之越低。

28、顶点进行变换后，所有at被随机变形的不规则网格划分，接下来则需要将这些网格映射到新特征图块ct相应规则的网格中。假设某个扭曲后的网格为b1b2b3b4，则共有b1b2、b2b3、b3b4、b4b1四条边，将四条边进行t-1等分，则bt将被划分为t×t个映射结点，同样新图像也被划分为t×t个结点。b1b2方向上第tx条结点线m1m2，b2b3方向上第ty条结点线n1n2，tx,ty∈[0,t]，p为m1m2和n1n2的交点，则p的横纵坐标px,py为：

29、

30、m1x，m1y为m1横纵坐标；m2x，m2y为m2的横纵坐标。接下来，将点p映射在新特征图中相同位置的点p′，则p′的横纵坐标px′,py′为：

31、

32、其中c为新特征图块该网格左上角顶点，cx,cy，为c的横纵坐标。δt代表新特征图中等分后两点间长度。将扭曲后网格点(px,py)中的像素值映射到新网格中(p′x,p′y)处即可得到扭曲后特征图块。对ct集合进行采样率为r的采样，选择ct的一个子集ct′重建图像，将ct′随机映射到特征图fp上产生最终的加密域特征图(需要注意的是，ct′中的部分块将被重复使用)，具体方式如下：

33、fp＝fmap(fr(ct,r),k)

34、fr(·)表示对扭曲后的图像块进行随机采样。k为用户自定义的外部密钥，fmap(·)表示对fr(·)操作后得到的子集ct′使用k随机采样，然后映射生成加密后的特征图fp)

35、与现有的技术相比，本发明的有益成果为：与以往的手指静脉识别系统不同，本发明将预处理任务和模板保护任务集成到一个深度学习模型中，提出一种高效安全智能的一体化指静脉识别方案，是第一个端到端的可撤销手指静脉识别系统。本发明可以完成自动手指静脉感兴趣区域定位，获取稳定唯一的静脉区域，减少人力消耗，降低成本并提高识别效率。且识别过程中的静脉特征信息是高度不可逆转、不可链接和可撤销的，有效解决了指静脉识别系统存在的隐私泄露和安全问题。同时本发明提供的bwr-roialign是一种即插即用的架构单元，可以为基于dcnn手指静脉识别系统引入上述特性。本发明为指静脉识别提供了一种高效安全智能的一体化设计方案的全新方法和思路，可实现手指静脉生物特征的撤销复用，并达到99.5％的平均识别准确率。在安全方面基于cfvd的手指静脉识别可以很好避免暴力攻击、逆转攻击、交叉攻击和字典攻击等，并且有着优秀的可撤销生物特征特性。