端到端的指静脉加密识别框架

《Biomedical Signal Processing and Control》：End-to-end finger vein encryption recognition framework

基于对抗生成网络和视觉图神经网络的指纹静脉加密识别框架，通过引入随机噪声和联合损失函数优化，在满足生物特征模板保护四标准的同时保持高识别准确率与计算效率，并具备可撤销性加密特性。

　　

贾桂林|周锡龙|高凤静

中国民用航空大学电子信息与自动化学院，天津 300300，中国

摘要

生物特征本质上是独特且永久的，但其潜在的泄露会带来不可逆的隐私和安全威胁。然而，现有的手指静脉识别方法往往难以在安全性、识别性能和操作效率之间取得满意的平衡。为了解决这个问题，本文提出了一种端到端的深度学习框架——ETE-FVER——该框架将手指静脉图像加密和识别任务深度集成到一个统一的优化系统中，旨在提供一种新的安全生物特征识别解决方案。为了在保持高识别性能的同时最大化加密图像与原始图像的差异，ETE-FVER框架基于生成对抗网络（GAN）和对抗训练原理进行设计。加密模块创新地引入随机噪声作为输入，并将其与手指静脉图像的浅层特征深度融合以实现有效加密。我们设计了一种独特的组合损失函数，在训练过程中同时优化加密和识别任务。对于识别网络，采用了视觉图神经网络（ViG）。在两个公开的手指静脉数据集上进行的全面实验表明，ETE-FVER不仅为手指静脉模板提供了强大的保护，还保持了出色的识别准确性和高计算效率。此外，该方法具有显著的可撤销性——通过简单修改随机噪声的分布或参数，可以在模板泄露时快速生成新的受保护模板，突显了其强大的实际应用价值。

引言

生物特征技术通过利用独特的生理或行为特征（例如面部、指纹、虹膜、步态、静脉、声纹）提供了一种安全可靠的身份验证方法，这些特征本质上难以丢失或复制[1]，[2]。与面部或指纹等外部可见特征不同，后者容易受到非接触式盗取，手指静脉图案位于手指内部，需要近红外光进行捕获，因此天生更抗伪造。这一固有特性使手指静脉识别在反伪造和隐私保护方面具有天然优势[3]。由于这些优势，手指静脉识别吸引了广泛的研究关注，并已被应用于高安全场景，如保险箱的安全访问和重要考试中的身份验证，显示出相当大的实际价值和广阔的发展前景[4]。

尽管在没有用户合作的情况下很难直接捕获手指静脉信息，但攻击者仍可能通过破坏系统数据库或使用反卷积等技术从模型输出中重建生物特征信息[5]。鉴于生物特征是独特且永久的，其泄露可能导致不可逆的隐私和安全风险。然而，大多数现有的手指静脉识别方法——无论是基于传统方法[6]，[7]，[8]还是深度学习模型[9]，[10]——都缺乏强大的信息安全机制。因此，生物特征信息的保护在生物特征技术领域受到了越来越多的关注。

为了减轻这些风险，现代生物特征系统通常避免直接存储原始生物特征数据，而是将其转换为加密或编码的生物特征模板进行存储。模板保护技术通过对生物特征数据应用不可逆的数学变换，显著提高了整个系统的安全性。根据ISO/IEC 24745:2022标准[11]，一个完整的生物特征模板保护（BTP）方案必须满足四个核心要求：不可逆性、可撤销性、不可链接性和性能。如果一种方法能够被验证满足这四个标准，就可以认为它能够为生物特征系统提供有效的隐私和安全保护。

然而，使用加密或编码的生物特征模板对生物特征识别方法的性能提出了更高的要求[12]。这对于依赖传输成像的内部生物特征（如手指静脉）来说尤其具有挑战性。手指静脉的原始图像质量通常较差，模板保护所涉及的额外处理进一步增加了识别的难度。尽管已经提出了一些结合模板保护机制的手指静脉识别方法，但很少有方法能够保持令人满意的识别性能。因此，手指静脉识别的准确性和计算效率往往都会受到显著影响。

为了解决这一挑战，我们提出了一种新的解决方案：将手指静脉图像加密和手指静脉识别这两个要求集成到一个统一的深度神经网络中。通过巧妙的加密设计和端到端模型训练，新方法不仅满足了生物特征模板保护的四个主要要求，还保持了出色的识别性能。

本文的主要贡献如下：

1) 提出了一种端到端的手指静脉加密和识别框架：我们提出了一个将加密和识别结合到一个统一系统中的新框架。这项研究为将生物信息学安全集成到生物特征识别任务中提供了开创性的方法。

2) 开发了基于深度学习的手指静脉图像加密模型：我们提出了一种基于深度学习的加密模型，该模型将随机噪声与从手指静脉图像中提取的浅层特征结合，生成一个加密特征图。生成的加密图像与原始图像有显著差异，同时保留了足够的身份识别信息。值得注意的是，该模型在加密过程中不依赖于传统的数学加密方法或图像变换方法。

3) 设计了一种用于框架优化的独特组合损失函数：我们设计了一种独特的组合损失函数，在训练过程中同时优化加密和识别任务，确保了平衡的细化和整体性能的提升。

本文的结构如下：第2节回顾了相关工作；第3节介绍了提出的ETE-FVER框架及其实现细节；第4节通过广泛的实验评估了所提出的方法；第5节总结了研究。

部分摘录

相关工作

随着深度学习在手指静脉识别系统中的发展，一些研究人员意识到了潜在的安全问题，并尝试将模板保护集成到识别系统中。下面，我们简要回顾了手指静脉识别算法的最新进展，并探讨了这些系统中的模板保护。

ETE-FVER框架的设计动机

我们的目标是设计一个具有模板保护的新型端到端深度神经网络框架，用于手指静脉识别，该框架同时实现手指静脉图像的加密和识别功能，并满足生物特征模板保护（BTP）的四个核心要求：不可逆性、可撤销性、不可链接性和性能。不可逆性要求无法从生物特征模板中重建原始的手指静脉图像。可撤销性允许方法

数据集、实验设置和评估指标

1) 数据集。

本研究在两个公开的手指静脉数据集FV-USM [45]和SDUMLA [46]上评估了不同方法的性能。FV-USM数据集包含来自123名受试者的5,904个样本，分为492个类别，每个类别有12张图像。该数据集提供了原始手指静脉图像及其感兴趣区域（ROI）提取。在本研究中，使用分辨率为100 × 300像素的ROI图像作为模型输入。对于实验设置，使用了八

结论

本研究的重要性在于它创新地解决了手指静脉识别中的一个关键挑战：生物特征模板安全性和识别性能之间的固有权衡。我们设计了一个端到端的深度神经网络，将模板保护直接集成到识别过程中。该框架不仅符合四个核心安全标准，还保持了高识别准确性和计算效率，从而提供了

CRediT作者贡献声明

贾桂林：写作 – 审稿与编辑，撰写 – 原稿，方法论，资金获取，概念化，资源，监督，验证。周锡龙：软件，验证，可视化，数据管理，形式分析，写作 – 审稿与编辑。高凤静：形式分析，方法论，软件，写作 – 原稿。

资助

本研究得到了中国航空科学基金会（资助编号2024Z071067002）、中国天津市自然科学基金会（资助编号2022KJ062）和中国国家自然科学基金会（资助编号61502498）的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。