PalmSecGANNet：基于深度学习的可撤销模板安全掌纹识别技术

《Pattern Recognition》：PalmSecGANNet: Deep learning-based secure palmprint recognition with cancelable templates

　　•DeepSRNet能够利用密集残差从低分辨率输入中重建高质量的掌纹图像。•PalmFCRNet通过特征通道残差注意力机制提取强大的区分性特征。•AdaptiHash可将嵌入向量转换为紧凑的二进制代码，以实现快速且安全的匹配。•GenSecGAN能够生成不可逆、无法关联且可取消的模板，并具备多层保护功能。

引言
利用独特的生理和行为特征进行身份验证的生物识别系统，在国防、金融、教育以及公共监控等领域中对于实现安全认证至关重要[1]。与容易丢失、被盗或出现人为错误的密码或安全令牌不同，生物识别技术基于个人固有特征，提供了一种可靠且用户友好的替代方案[2]。由于准确性高、获取方便且成本效益好，掌纹识别[3]已成为一种特别有效的识别方式。其丰富的纹理和结构信息使得身份验证既快速又可靠，但若存储的掌纹模板被泄露，其永久性特点会引发严重的隐私问题[4]。与密码不同，被盗的掌纹数据可能导致不可逆转的身份欺诈，而包括基于GAN的反向生成方法在内的先进重建攻击，甚至可以从存储的模板中恢复图像，这凸显出对安全且不可逆的模板保护的需求[5]。可取消的生物识别技术通过将原始生物特征数据转换为可撤销、不可逆的表示形式来降低这些风险。在掌纹识别系统中[6]，这种方法无需存储原始数据，同时仍能保持身份验证功能，从而允许撤销和重新生成模板，以保护隐私和系统完整性。本文介绍了PalmSecGANNet，这是一种统一的深度学习框架，能够在不同的成像条件下提升识别精度、特征表示能力以及可取消模板的安全性，从而实现更稳定的性能。有效的可取消模板需满足四项要求[7]：不可逆性（从计算上无法恢复原始数据）、可撤销性（在模板被泄露时可以生成新的替换模板）、不可关联性（防止多个转换后的模板与同一身份相关联），以及性能保持性（在经过转换后仍能保持较高的识别精度）。尽管深度学习的进步提升了掌纹识别的性能[8]，但安全的模板保护依然是一项挑战。现有方法往往无法充分隐藏原始特征或有效提取区分性特征[9]，即便是一些可取消的方案也容易受到包括原始生物特征图像重建在内的对抗性攻击。使用局部敏感哈希（LSH）[10]或随机排列最大值变换（RPM）[11]的转换技术，在安全性与识别精度之间存在权衡。虽然GANs[12]、VAEs等深度生成模型以及少量样本特征增强方法[13]已被用于数据增强和伪造检测[14]，但它们尚未被系统地用于生成安全且可取消的模板。现有的基于GAN的转换方法[15]或许能改善图像质量，但在提供强大的模板保护、可撤销性以及隐私保护方面往往不尽如人意。这就凸显出需要构建能够结合强大特征提取、区分性表示学习以及安全模板生成的框架，以实现高性能的掌纹识别。为应对这些挑战，我们提出了PalmSecGANNet，这是一种统一的深度学习框架，旨在提升识别精度和模板安全性。该框架首先由DeepSRNet构成，它能重建高质量的掌纹图像，同时保留区分性信息；接着是PalmFCRNet，用于在各种条件下提取强大的特征。AdaptiHash则将特征转换为紧凑的二进制代码，以实现高效且注重隐私的匹配。最后，GenSecGAN通过混沌密钥初始化实现个性化处理，采用随机保真编码生成紧凑的特征，通过对抗性正则化提升稳定性，并借助潜在扰动加强安全性，从而共同实现准确且无法关联的可取消掌纹模板。虽然该框架整合了多种成熟的深度学习组件，但其核心创新在于GenSecGAN，它能够生成安全、不可逆且无法关联的生物识别模板，而AdaptiHash则实现了高效且注重隐私的二进制编码。DeepSRNet和PalmFCRNet则作为辅助模块，分别通过图像增强和特征提取来支持生物识别功能。所提出的PalmSecGANNet框架在以下方面具有显著优势：(1)我们将DeepSRNet和PalmFCRNet作为互补模块，分别用于图像增强和特征提取，从而在复杂条件下提升识别精度和稳定性。(2)我们提出了AdaptiHash，这是一种自适应梯度引导的哈希技术，它能高效地将连续的特征嵌入转换为紧凑的二进制代码，从而实现快速且可扩展的匹配，同时减少内存占用并提升隐私保护水平。(3)我们将GenSecGAN作为核心的安全模板生成模块，它通过生成不可逆、无法关联且可取消的生物识别模板，同时保持较高的识别性能，从而实现多层保护。本文的结构如下：第2节回顾相关研究，第3节介绍基本概念，第4节阐述PalmSecGANNet框架，第5节报告实验结果，第6节分析安全性和隐私性，第7节讨论所提方法的局限性，第8节对全文进行总结。

相关研究
在掌纹识别领域，有一种基于感兴趣区域的方法[6]，它将竞争码特征与正交高斯随机投影以及OIOM哈希相结合。为克服指纹哈希的局限性，有人提出了重定位布隆过滤器[16]，用以增强安全表示能力，提高生物识别模板保护的稳定性。AVET[17]则着眼于跨模态保护，通过应用非线性变换来实现不可逆性和隐私保护。可取消的掌纹识别方法[18]则对局部敏感哈希进行了改进。

局部敏感哈希（LSH）[10]是一种广泛应用于高维空间近似相似性搜索的概率技术，其目标是以较高概率将相似的数据点映射到相同的哈希码，同时尽量减少不相似数据点之间的冲突。设H是一组哈希函数h:Rd→Z，如果对于相似度度量S(u,v)，有Ph∈H[h(u)=h(v)]∝S(u,v)，则称H对于该相似度度量是局部敏感的，这样可以确保冲突概率与向量相似度相关。在实际应用中，

PalmSecGANNet框架概述
卷积神经网络（CNNs）通过提取具有区分性的纹理特征，并能够高效地处理大规模数据集，因此在掌纹识别中表现出优异的性能。包括变分自编码器（VAEs）和GANs在内的深度生成模型，则进一步提升了特征学习的稳定性及识别精度，同时还能够实现注重隐私的可取消模板生成。为同时解决识别精度、系统稳定性以及模板安全性问题，我们提出了PalmSecGANNet，

评估与数据集
评估指标。我们对所提出的PalmSecGANNet框架进行了全面实验测试，旨在评估其掌纹识别性能以及可取消模板的安全性。识别性能通过真实接受率（GAR）、错误接受率（FAR）、错误拒绝率（FRR）和等错误率（EER）来衡量，同时通过接收者操作特征曲线（ROC）和检测误差权衡曲线（DET）来分析模型的区分能力和阈值设定。

安全性与隐私性分析
所提出的框架在确保高度识别精度的同时，还具备了强大的隐私保护和安全性，这一点是通过隐私性分析以及针对各类攻击场景的稳定性测试来评估的。

讨论与局限性
所提出的框架构建了一个统一的生物识别安全流程，将特征增强、区分性表示学习、高效哈希处理以及安全模板生成集成在同一个注重隐私的认证系统中。尽管该框架优势明显，但由于其多模块设计，会带来额外的计算和内存开销，这可能会限制其在资源有限的设备上的实时应用。此外，目前的评估都是基于特定的数据集进行的。

结论
本研究提出了PalmSecGANNet，这是一种统一的深度学习框架，可实现高精度的掌纹识别，并能生成安全且可取消的模板。该框架借助DeepSRNet重建高分辨率的掌纹纹理，同时保留关键的生物特征，从而为后续的识别过程提供可靠的输入。PalmFCRNet则通过残差注意力机制和多级特征融合，提取出极具区分性的特征，进而显著提升识别性能。

作者贡献说明
Md Sabuj Khan：写作——审阅与编辑、写作——初稿撰写、可视化、验证、方法论、形式分析、数据整理、概念构思。Ting Zhong：写作——审阅与编辑、指导、概念构思。Hengjian Li：写作——审阅与编辑、概念构思。Fan Zhou：写作——审阅与编辑、指导、资源协调、资金筹集。Muhammad Zamir：写作——审阅与编辑、数据整理、概念构思。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本研究部分得到了中国国家自然科学基金的支持，项目编号分别为62072077和62176043。Md Sabuj Khan是中国电子科技大学信息与软件工程学院的博士生，他于2024年在济南大学获得硕士学位，2021年从四川大学获得学士学位。他的研究兴趣包括生物识别隐私与模板保护、图像处理以及深度学习领域。

Md Sabuj Khan|Ting Zhong|Hengjian Li|Fan Zhou|Muhammad Zamir