[发明专利]基于模糊区间的掌纹特征模板保护的方法

说明书

技术领域

本发明涉及一种掌纹特征模板保护的方法。

背景技术

随着网络与通讯技术的飞速发展，人们对于系统和信息安全性的要求日益增加。在信息化、网络化、数字化社会背景下，传统的身份识别方法呈现出无法解决的重大缺陷，生物特征识别技术就是在这种情况下应运而生的。其中掌纹识别技术作为生物特征识别技术领域的一名成员，以其丰富的信息量、稳定而唯一的特征，近年来受到了国内外很多研究团队的重视与此相关的新技术和新方法不断出现。

随着掌纹识别技术的迅速发展，相关的隐私问题和安全问题引起了人们的注意。传统的身份认证系统通常采用密码或智能卡作为身份标识，在它们丢失或被盗后可以更新或重置。然而对于掌纹识别系统，存储在数据库中的掌纹模板一旦泄露将无法撤销和重置。而且，相同的掌纹模板可能应用在不同的系统中，模板的泄露将威胁所有使用此模板的系统安全，用户的隐私也无法得到保证。

传统的基于主成份分析的掌纹识别方法存在着严重的安全漏洞，解决问题的关键是如何在数据库泄漏的情况下不让攻击者获得模板。为了解决这个问题人们首先想到的是能否用密码学中的哈希函数来保护模板。但是每次采集的掌纹图像不可能完全相同，提取的掌纹特征也不会完全相同，这与哈希函数的敏感性相矛盾。HDS(Helper Data System)系统利用纠错码技术来解决这个问题，但由于纠错码的限制，使得该系统只适用于二进制向量。而且错误数一旦超出了纠错码纠错能力，系统将无法正常工作。

主成份分析的核心是在原始样本空间寻找一组最优的映射方向将原始样本映射到特征空间后达到极大不相关，从而实现降维作用。假设训练样本集为{x₁,x₂,…,x_n}，它的目标函数表示形式如下：

其中，W为所要求取的映射方向集合，即映射矩阵,S_T为总散度矩阵，可通过如下形式得到：

其中，为所有训练样本的均值。求取映射矩阵W即是求取总体散度矩阵S_T的特征向量。令

则S_T＝AA^T。通常情况，A的维数过大，为了更方便计算S_T的特征值和特征向量，根据奇异值分解定理，通过求矩阵R＝A^TA的特征值和特征项量来获得。设λ_k为R不为零的第k个特征值，v_k为对应的特征向量，则w_k＝Av_k为ST第k个不为零的特征向量。选取前m个最大的特征值对应的特征相量组成了映射矩阵W＝[w₁…w_m]。则映射特征y_i可通过下式求得：y_i＝W^Tx_i

在基于主成份分析的掌纹识别系统中，需要存储的数据包括：全体训练样本均值映射矩阵W和样本的注册模板特征。如果数据发生泄漏，将会给系统带来两方面的威胁：一方面是对用户隐私的泄露。另一方面是对系统安全性的威胁。数据库的泄漏会使得攻击者很容易获取注册模板特征。攻击者通过伪造模板特征便可以轻易通过系统的认证，从而进入系统。这就意味着系统的安全性将不复存在。

发明内容

本发明目的是为了解决现有基于主成份分析的掌纹识别方法存在严重的安全漏洞，攻击者在数据库泄露的情况下很容易获得模板的问题，提供了一种基于自适应非均匀量化掌纹识别模板保护的方法。

本发明所述基于模糊区间的掌纹特征模板保护的方法，该模板保护的方法具体过程为：

步骤一、提取注册人员的掌纹图像，生成训练样本和测试样本；

步骤二、提取训练样本的特征生成注册模板特征T，T＝{t₁,t₂,…t_c}，c为正整数，表示样本的类别，提取测试样本的特征生成测试特征Y，Y＝{y₁,…y_p}，p为正整数，表示测试样本个数，其中注册模板特征和测试特征的维数相同，即T和Y的行数相等；

步骤三、统计注册模板特征T的分量分布情况，选取归一化参数t_q，令T中每个分量均除以t_q，确定T的归一化范围[m,n]，同时得到归一化后的注册模板特征表示t_i归一化后的的第j个分量，i＝1,2,…,c；