鑒別生物特征提取及密鑰生成研究.pdf

1、科學(xué)技術(shù)的飛速發(fā)展使得信息安全已成為全球信息化進(jìn)程中最具挑戰(zhàn)性的課題，保證數(shù)據(jù)的安全性是信息安全中最值得考慮的重要問題。傳統(tǒng)的密碼技術(shù)中，系統(tǒng)的安全性完全依賴于密鑰的安全性。由于密鑰和用戶之間缺乏必然的聯(lián)系，系統(tǒng)無(wú)法區(qū)分密鑰使用者的身份，即不能判斷是授權(quán)用戶還是惡意攻擊者，從而導(dǎo)致非法的密鑰共享。生物特征密鑰從用戶獨(dú)一無(wú)二的生物特征中產(chǎn)生密鑰，可以有效地解決傳統(tǒng)密碼學(xué)中的這一安全問題。
　　 生物特征密鑰技術(shù)的研究?jī)?nèi)容主要包括三

2、個(gè)方面的內(nèi)容：鑒別生物特征提取、生物特征密鑰生成和安全設(shè)計(jì)。鑒別生物特征提取是生物特征密鑰生成的首要條件，對(duì)密鑰生成具有重要的影響。生物特征密鑰生成指利用生物特征和密碼學(xué)中的一些算法產(chǎn)生一個(gè)穩(wěn)定序列的技術(shù)。安全設(shè)計(jì)針對(duì)生物特征密鑰生成系統(tǒng)中的安全漏洞設(shè)計(jì)相關(guān)方案保護(hù)生物特征密鑰和用戶的生物特征信息。本論文圍繞這三個(gè)方面展開研究，在分析總結(jié)前人工作的基礎(chǔ)上，主要?jiǎng)?chuàng)新工作如下：
　　 1)針對(duì)UDP算法中的小樣本問題，提出了最大方差

3、差分嵌入算法(VDE)，該算法直接通過(guò)求解一個(gè)特征值問題而獲得投影矩陣，無(wú)需矩陣求逆運(yùn)算，因此VDE無(wú)小樣本問題，另外由于是求解特征值問題而獲得正交特征向量。
　　 2)局部保持投影(LPP)強(qiáng)調(diào)數(shù)據(jù)的局部特性而不是直接面向分類問題，為了使LPP提取的特征更具有鑒別能力，將最大邊緣準(zhǔn)則嵌入到局部保持投影算法中，形成了最大邊緣局部保持投影算法(MMLPP)，MMLPP增強(qiáng)了局部保持投影算法所提取特征的鑒別能力。局部線性鑒別嵌入(L

4、LDE)將最大邊緣準(zhǔn)則嵌入到NPE的目標(biāo)函數(shù)中，從而增強(qiáng)了NPE算法所提取特征的鑒別能力。然而LLDE難于最大化數(shù)據(jù)類間離散度和最小化類內(nèi)離散度，所提MMNPE算法直接最大化數(shù)據(jù)類間離散度和最小化類內(nèi)離散度之比，獲得了比LLDE更好的性能。
　　 3)針對(duì)鑒別局部保持投影(DLPP)中的小樣本問題，所提直接鑒別局部保持投影算法執(zhí)行DLPP準(zhǔn)則時(shí)不用矩陣求逆，無(wú)需采用PCA進(jìn)行預(yù)降維，而是進(jìn)行二次特征值求解而獲得一個(gè)投影矩陣，該過(guò)

5、程利用DLPP準(zhǔn)則最大限度地提取數(shù)據(jù)的鑒別信息。另外，基于多項(xiàng)式擴(kuò)展和Gabor濾波器的DDLPP算法進(jìn)一步提高了生物特征模板的鑒別能力。
　　 4)梯度臉僅僅描述了人臉?biāo)椒较蚝痛怪狈较蛏系奶荻?，而且?shí)驗(yàn)表明梯度臉?biāo)惴ㄐ阅懿惶€(wěn)定。所提多方向正交梯度相位臉?biāo)惴由献涌臻g數(shù)據(jù)降維的方法提高了梯度臉?biāo)惴ǖ淖R(shí)別精度，增強(qiáng)了梯度臉?biāo)惴ǖ姆€(wěn)定性。
　　 5)針對(duì)生物特征密鑰生成中的一些問題展開了一系列工作，主要包括：1)提出了一