2020TIFS-一种生成多模态可取消生物特征模板的自适应加权图方法

Adaptive Weighted Graph Approach to Generate Multimodal Cancelable Biometric Templates

 

2020年，TIFS，CCF A刊，原文地址：Adaptive Weighted Graph Approach to Generate Multimodal Cancelable Biometric Templates | IEEE Journals & Magazine | IEEE Xplorehttps://ieeexplore.ieee.org/document/8907867

G. S. Walia, G. Jain, N. Bansal and K. Singh, "Adaptive Weighted Graph Approach to Generate Multimodal Cancelable Biometric Templates," in IEEE Transactions on Information Forensics and Security, vol. 15, pp. 1945-1958, 2020, doi: 10.1109/TIFS.2019.2954779.

研友的文章(32条消息) 读《Adaptive Weighted Graph Approach to Generate Multimodal Cancelable Biometric Templates》_Mighty_Crane的博客-CSDN博客https://blog.csdn.net/weixin_40459958/article/details/120628221

生物特征识别系统面临两个问题：（1）模板数据库泄露

（2）呈现攻击（例如来自合法用户的面罩、手指等）

为了保护生物特征数据，引入可取消生物特征的概念，

演示攻击安全性分析：

为了实现对此类攻击的可靠性，同时确保对真正用户的畅通无阻的访问，在AWGF的自适应模式中采用捕获的生物特征数据的图像质量。在这一部分中，我们将比较AWGF的非自适应模式和自适应模式的性能，以验证结合图像质量对呈现攻击的有效性。为此，使用可公开获得的用于呈现攻击的基准数据库进行实验，即，用于人脸的重放攻击数据库[50]，用于虹膜的Clarkson LivDet-Iris 2017数据库[51]，以及用于指纹的LivDet-指纹2015数据库[52]。训练、测试和攻击三个子集组成，训练用于注册，测试和攻击作为探针生物特征数据。为了进行评估，我们计算了攻击呈现分类错误率(APCER)：错误分类为真实或真实呈现攻击的比率；以及善意呈现分类错误率(BPCER)：错误分类为呈现攻击的真实呈现比率。

对于呈现攻击采用图像质量进行评估，

图9绘制了非自适应和自适应AWGF的非自适应和自适应AWGF的不同欺骗生物特征组合的APCER和BPCER之间的DET曲线。结果表明，对于单一的欺骗模式，由于欺骗图像的质量较差，非自适应模式的误码率低于自适应模式。在这种情况下，自适应模式降低权重(λ(K)Spoof∀k∈{p，f，i})，并基于相对较高质量捕获的生物特征进行决策。此外，当两个模态被欺骗时，伪造信息的交叉融合以及两个模态的权重降低起着关键作用。因此，比非自适应模式更能降低错误率。最后，当所有三种模式都被欺骗时，实现了极低的错误率，从而确保了针对演示攻击的安全性。

综上所述，本文提出的基于密钥的通用特征提取与AWGF相结合，提供了对安全攻击的健壮性，并有效地保证了可撤销、不可链接和不可逆性等可撤销属性。