基于低質(zhì)量虹膜與熱成像人臉的多模態(tài)模板保護(hù)算法

摘 要： 基于多模態(tài)融合的生物身份認(rèn)證能夠較大程度上克服單模態(tài)生物特征的存在的問題， 基于低質(zhì)量虹膜和熱成像人臉圖像特征的融合具有較大的研究價值。多模態(tài)生物模板一旦泄露會造成更大的危害，有必要研究針對多模態(tài)的模板保護(hù)算法。首先將復(fù)數(shù)熱成像人臉特征轉(zhuǎn)換為二進(jìn)制比特特征，在模糊承諾架構(gòu)下，利用熱成像人臉圖像特征產(chǎn)生安全略圖和生物密鑰，用此生物密鑰對低質(zhì)量虹膜特征進(jìn)行加密存儲，達(dá)到安全保護(hù)模板的目的。實驗表明，該多模態(tài)模板保護(hù)方法能夠解決生物特征類內(nèi)誤差較大，不利于容錯的問題，保障了認(rèn)證效果又具有一定的安全性。分析了在部分生物特征泄露下，交叉匹配帶來的安全性， 得出在有生物特征泄露的情況時，需要降低容錯能力犧牲認(rèn)證性能來換取安全性的結(jié)論。

關(guān)鍵詞： 多模態(tài)； 低質(zhì)量虹膜； 熱成像人臉； 模糊承諾； 模板保護(hù)

中圖分類號： TP391；TN911.73 文獻(xiàn)標(biāo)識碼： A 文章編號：2095-2163（2013）03-0069-04

The Multibiometrics Template Protection Algorithm for Lower Quality Iris and

Thermal Face Image based on Fuzzy Commitment

WANG Ning， LI Qiong， NIU Xiamu

（School of Computer Science and Technology， Harbin Institute of Technology， Harbin 150080， China）

Abstract： Some problems of unimodal biometrics can be solved by multibiometrics， and it is valuable to implement the multibiometric system based on the lower quality dual iris， thermal face images. However， the threat is higher if leakage of the template of multibiometrcs. This paper converts the real thermal face image feature to binary initially， and then generates the secure sketch and biometric via binary thermal face image feature based on the fuzzy commitment scheme. The biometric key is used to encrypt the lower quality iris binary feature for securing the multibiometric template. The experimental results show that this approach can solve the problem of larger distance of intra-class of biometric feature template. And the system not only keeps higher verification performance， but also has the higher security. Furthermore， the paper also analyzes the security based on cross matching after the leakage of the part biometric thermal face feature. Meanwhile the paper obtains the conclusion of decreasing the error tolerance capability and sacrificing verification performance to enhance the system security.

Key words： Multibiometrics； Lower Quality Iris； Thermal Face Images； Fuzzy Commitment； Template Protection

0 引 言

基于生物特征的身份認(rèn)證在現(xiàn)代社會中發(fā)揮著重要作用，然而由于單模態(tài)生物特征面臨著諸如低普適性，低區(qū)分性，低安全性等問題，多模態(tài)生物認(rèn)證作為一項新興技術(shù)逐漸引起學(xué)者的廣泛興趣[1]。多模態(tài)生物認(rèn)證的目的之一是提高區(qū)分性和普適性，因此在選擇單模態(tài)時除了考慮認(rèn)證性能之外，還需要考慮面向?qū)嶋H應(yīng)用。另外，多模態(tài)的應(yīng)用還旨在提高安全性，提高系統(tǒng)被惡意破解的難度。而且，多模態(tài)系統(tǒng)中又存儲了多個生物特征模板，其安全性則顯得更為重要，因為多模態(tài)生物特征模板一旦泄露，相對于單模態(tài)來說就會帶來更大的安全問題[2]。考慮模板獲取的便利性，面向?qū)嶋H應(yīng)用以及防偽性等幾個方面的因素，本文選擇使用低質(zhì)量虹膜和熱成像人臉圖像作為多模態(tài)的研究對象，著重從安全角度研究這種多模態(tài)系統(tǒng)下的模板保護(hù)問題。

現(xiàn)有的模板保護(hù)算法主要有模糊承諾和模糊金庫兩類。模糊承諾[3]主要利用糾錯碼對生物特征進(jìn)行容錯，并提取生物密鑰，其主要的保護(hù)對象是二進(jìn)制特征。模糊金庫[4]主要利用多項式開展生物特征運(yùn)算，生成真實點，并將雜湊點與之進(jìn)行混淆，達(dá)到安全保護(hù)的目的，其主要的保護(hù)對象是基于細(xì)節(jié)點的特征。

由于本文涉及到的低質(zhì)量虹膜是二進(jìn)制特征，熱成像人臉特征是復(fù)數(shù)特征，且低質(zhì)量虹膜特征類內(nèi)誤差本身就比較大，不能很好地使用容錯算法，無法直接使用模糊承諾的模板保護(hù)方法。針對以上問題，本文提出了一種多模態(tài)模板保護(hù)方案，較好解決了這一問題。

1 多模態(tài)模板保護(hù)方法

1.1 方法架構(gòu)第3期 王寧，等：基于低質(zhì)量虹膜與熱成像人臉的多模態(tài)模板保護(hù)算法 智能計算機(jī)與應(yīng)用 第3卷

本文針對低質(zhì)量虹膜、熱成像人臉圖像融合系統(tǒng)設(shè)計的多模態(tài)模板保護(hù)方案的示意圖如圖1所示。方案主要包括兩個部分，注冊階段和認(rèn)證階段。

圖1 多模態(tài)模板保護(hù)方案

protection scheme 在注冊階段，首先使用混沌系統(tǒng)[5]為每個用戶分配隨機(jī)密鑰k，以保證密鑰選取的隨機(jī)性。應(yīng)用此密鑰以及混沌的方式對虹膜的二進(jìn)制比特特征進(jìn)行加密，得到加密后的虹膜特征EL，并將其存儲在數(shù)據(jù)庫中，同時還要存儲密鑰k的哈希值H=hash（k）。另外，對于熱成像人臉圖像的復(fù)數(shù)特征來說，首先將其轉(zhuǎn)換成二進(jìn)制比特特征BT，將BT與使用密鑰k進(jìn)行BCH糾錯碼（Error Correcting Code，ECC）編碼后得到的碼C進(jìn)行異或操作，得到相應(yīng)的安全略圖W，并將其存儲在系統(tǒng)數(shù)據(jù)庫中。總的來說，在注冊階段，為每個用戶存儲了向量（H，El，W）作為模板。

在認(rèn)證階段，得到了待進(jìn)入系統(tǒng)的生物特征，這里假設(shè)已經(jīng)通過了假樣本檢測的驗證。首先對熱成人臉圖像特征FT′，使用同樣的方法進(jìn)行二進(jìn)制比特特征的轉(zhuǎn)換，得到BT′，從模板庫中取出安全略圖W，計算異或值C′=BT′W，則C′含有人臉特征的模糊性，通過BCH糾錯碼的解碼過程解出此糾錯碼C′對應(yīng)的信息位，也就是密鑰k′。此時，比較k′與k的哈希值H′=hash（k′）與H′=hash（k），如不相等，直接認(rèn)為是類間用戶；如若相等，則繼續(xù)利用采集到的低質(zhì)量虹膜特征L′，與使用密鑰k′正確解密以后的虹膜特征L進(jìn)行匹配，對得到的分?jǐn)?shù)值適當(dāng)選擇系統(tǒng)閾值，再次判斷類內(nèi)與類間用戶，得到相應(yīng)的結(jié)果。

1.2 混沌加密

由于混沌系統(tǒng)具有加密實效快，能產(chǎn)生比較均勻的隨機(jī)數(shù)的特點[5]，本文選擇使用Ahmed等人[6]提出的通過使用局部映射和耦合的方法，構(gòu)造不同的單向耦合映象格子（One-way coupled map lattice，OCML）時空混沌系統(tǒng)，來產(chǎn)生密鑰，以及對低質(zhì)量虹膜比特向量進(jìn)行加密。一個基于混沌Logistic的OCML可以由式（1）給出。

（1）

其中，hm（i）表示狀態(tài)變量，i=1，2，…，L∈N，L指的是在時間m=0，1，…，T-1中的耦合格子，T表示生物特征的維數(shù)，τ∈[0，1]是耦合常量，這里使用τ=0.02。OCML的周期邊界條件為hm（0）=hm（L），f（.）是局部混沌映射，由式（2）給出，

（2）

基于式（1）定義的OCML，針對生物特征的加密可以表示為Cm（i）=Biom（i）keym（i），且，keym（i）=int[hm（i）*2α]mod2β。其中，α和β均為整數(shù)。

1.3 實數(shù)特征至二進(jìn)制的轉(zhuǎn)換

將用實數(shù)表示的生物特征轉(zhuǎn)換為二進(jìn)制比特特征的方法有很多[7-8]，目前沒有文獻(xiàn)指出哪種方式是最好的。本文采用Nagar等人[2]給出的實數(shù)轉(zhuǎn)換成二進(jìn)制比特的方法。由于需要操作的是人臉特征復(fù)數(shù)Gabor Jet Descriptor形式的特征[9]，因此將實部與虛部分開進(jìn)行操作，均轉(zhuǎn)換成二進(jìn)制比特向量以后，再按照實部在前、虛部在后的方式串聯(lián)結(jié)合。具體過程如下：

首先，獲得實數(shù)特征的訓(xùn)練集合測試集，并對其歸一化到[0，1]之間，再將[0，1]區(qū)間分成N+1個小區(qū)間。這里，N是對特征向量中的每個實數(shù)特征期望所用的比特向量的長度，區(qū)間的劃分按照L=[0，1/N）∪...∪[1-1/N，1.1）所示的方式進(jìn)行，為了便于后續(xù)操作，可將最后的值定為1.1。

其后，尋找實數(shù)特征落在向量區(qū)間組合L中的區(qū)間號I，進(jìn)而計算Z=I-2，并利用整數(shù)構(gòu)造該實數(shù)特征元素對應(yīng)的維數(shù)為N的二進(jìn)制向量B，B的前N-Z個比特為“1”，后Z個比特為“0”。相應(yīng)地，特征向量中，所有的實數(shù)元素都映射成二進(jìn)制比特向量，按照先后順序串聯(lián)而成最終的二進(jìn)制比特特征向量。

然后，需要從這些比特向量中，選擇有價值的比特進(jìn)行使用，評價的標(biāo)準(zhǔn)是比特位的身份鑒別效果，也就是說對于每一個比特位，找到模板和對應(yīng)的測試集，通過實驗得到對應(yīng)的FMR和FNMR，再將所有比特依據(jù)diff=|FMR-FNMR|按照由低到高排序。

最后，則是根據(jù)排序完成的比特特征，選擇向量長度進(jìn)行遍歷，找到認(rèn)證性能最好的特征長度，形成最終的比特特征，并記錄這些比特特征對應(yīng)的排序前位置，留待下次使用。

1.4 安全性分析

對基于模糊承諾的多模態(tài)生物特征融合的模板保護(hù)算法的安全性分析是非常必要的、更是重要的，不僅要分析模板整體泄露前的安全性，更要分析部分生物特征的模板泄露后，系統(tǒng)還存留多大程度的安全性。

假設(shè)攻擊者現(xiàn)在擁有NI個可以用來攻擊系統(tǒng)中多生物模板的比特向量，目的是安全略圖w。用be表示長為N的多模態(tài)生物特征模板，對于攻擊者提供的二進(jìn)制特征向量bi，可以得到糾錯碼ci=wbi。為了討論的嚴(yán)密性，設(shè)生物特征有r個最魯棒的比特，記bre，bri及cri分別為be，bi和ci的魯棒部分，ρri為bre和bri之間的距離。bi與be之間的差值，一部分是魯棒向量的差值，記為ρri，一部分用（N-r）/2表示。

根據(jù)糾錯碼的相關(guān)原理，bi與be之間的差，與糾錯碼的碼距Dmin=2t+1有密切關(guān)系，t表示ECC 的糾錯能力，分以下兩種情況討論：

（1） 當(dāng)（N-r）/2+ρri≤t時，攻擊者利用糾錯碼的解碼功能，即可以完成對真實用戶的生物特征be的攻擊，成功進(jìn)入系統(tǒng)。

（2） 當(dāng)（N-r）/2+ρri>t時，攻擊者如果想通過這種方式進(jìn)入系統(tǒng)，必須預(yù)測足夠的比特位，以滿足小于等于糾錯能力的要求。記mri=t-（N-r）/2是攻擊者需要預(yù)估的比特位數(shù)，0≤mri<（N-r）/2+ρ-t，就需要從魯棒特征向量中的錯誤比特部分中選擇mri比特并進(jìn)行翻轉(zhuǎn)，成功的概率可以表示為P=ρir

mirr

mir。

一般情況下，最為常見的安全性，則是類內(nèi)與類間用戶在進(jìn)行交叉匹配認(rèn)證過程中產(chǎn)生的。這時，對于系統(tǒng)中已經(jīng)注冊過的用戶bg，并考慮特征向量的不均勻分布特性，又依據(jù)香農(nóng)熵原理，部分特征泄露后，模糊承諾框架的安全性的計算方法則如式（3）所示。

2 實驗結(jié)果

首先給出該算法在不同糾錯碼下，得到的認(rèn)證性能和安全性能，具體如表1所示。

表1 應(yīng)用不同BCH糾錯碼的模板保護(hù)算法的認(rèn)證和安全性能

Tab.1 The verification and security performance after using different BCH codes

n k t t/n FMR（%） HF（%） GMR（%） HG（%） En（bit） HE（bit）

255 9 63 0.25 ε 99.47 91.63 100 64.07 0.02

255 13 59 0.23 ε 97.55 87.21 100 71.46 0.15

255 21 55 0.22 ε 91.09 81.86 100 79.53 0.66

255 29 47 0.18 ε 55.89 66.74 99.77 99.92 4.92

255 37 45 0.18 ε 44.14 62.09 99.77 106.3 7

255 45 43 0.17 ε 32.71 56.05 99.77 113.1 9.49

255 47 42 0.16 ε 27.46 52.79 99.77 116.8 10.9

511 10 127 0.25 3.64 100 99.53 100 38.97 0

511 19 119 0.23 0.94 100 99.30 100 51.74 0

511 28 111 0.22 0.20 100 99.07 100 65.1 0

511 31 109 0.21 0.13 100 99.07 100 68.53 0

511 40 95 0.19 ε 99.99 94.19 100 93.63 0.03

511 49 93 0.18 ε 99.96 92.79 100 97.38 0.08

511 58 91 0.18 ε 99.85 91.86 100 101.2 0.18

511 67 87 0.17 ε 99.15 89.07 100 108.9 0.72

511 76 85 0.17 ε 98.32 87.44 100 112.8 1.26

511 85 63 0.12 ε 24.58 58.37 99.77 159.9 34.2

511 94 62 0.12 ε 21 54.65 99.77 162.3 36.7

由于得到的二進(jìn)制比特向量的長度為408，因此對于255長度的糾錯碼，需要使用兩個，對于511的糾錯碼則只需要一個即可。由表1可以看出，隨著糾錯碼的降低，錯誤匹配率（FMR）也逐漸降低，表1中ε=2.736×10-3，從糾錯碼長度為511來看尤為明顯。另外，類內(nèi)用戶的真匹配率（GMR）也在下降，主要是由于糾錯能力的降低，使得類內(nèi)之間的錯誤并不能糾正過來；然而安全性En卻逐漸在升高，這是因為，類間的錯誤也需要猜測更多的比特才能滿足糾錯的要求。

表1還給出了，在有一半生物特征泄露后，模板保護(hù)算法的身份認(rèn)證性能有所提高，比較HF與HG就可以得出此結(jié)論，然而安全性能卻有所下降，可以比較HE而獲知。然而，部分生物模板泄露后，隨著糾錯能力的降低，安全性反而逐漸升高，這是因為類間的錯誤由于糾錯能力降低的緣故，攻擊者需要猜測更多的比特，以達(dá)到攻擊成功的目的。

綜合表1給出的身份認(rèn)證和安全性能的指標(biāo)，最后選擇BCH糾錯碼（511，40，95）來實現(xiàn)系統(tǒng)，得到基于模糊承諾架構(gòu)，低質(zhì)量虹膜和熱成像人臉圖像特征的多模態(tài)模板保護(hù)算法的身份認(rèn)證性能為FMR=2.736×10-5，GMR=94.19%，并在交叉匹配的過程中，具有93.63比特的香農(nóng)熵。

3 結(jié)束語

本文旨在設(shè)計基于低質(zhì)量虹膜和熱成像人臉圖像特征，這種多模態(tài)融合系統(tǒng)的模板保護(hù)算法，針對低質(zhì)量虹膜類內(nèi)誤差大，熱成像人臉圖像復(fù)數(shù)特征等問題，設(shè)計了該多模態(tài)模板保護(hù)算法。首先將熱成像復(fù)數(shù)人臉特征轉(zhuǎn)換為二進(jìn)制比特特征，利用混沌的方式產(chǎn)生密鑰得到安全略圖和生物密鑰，并利用此密鑰加密低質(zhì)量虹膜特征。實驗結(jié)果表明， 隨