.png){kind=icon}
返回
A keyless multimodal-based user authentication scheme using generative adversarial networks
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.3360.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生物识别技术越来越多地应用于访问控制、欺诈检测和认证系统。然而，攻击者可以利用伪造的生物识别技术欺骗此类系统。本研究提出了一种新颖的方法，使生物识别安全系统更能抵御此类攻击。该方法将用户的生物识别数据转换为不可逆的代码以保护原始数据。该代码结合了多种生物识别模态的数据，使得伪造虚假生物识别更加困难。此外，该方法不依赖于任何密钥，有助于避免令牌被盗的情况。该方法利用生成对抗网络（GAN）从多种模态生成合成生物识别模板，这被认为是生物识别数据的转换函数。提出了三个融合级别；在每个融合级别中，首先提取多种生物识别模态的特征。随后，这些特征训练生成对抗网络以生成合成的生物识别模板。这些合成模板在认证过程中作为原始生物识别数据的替代品，防止原始生物识别数据的直接暴露。我们在CASIA-V3-Internal和MMU1虹膜数据集以及AT&T（ORL）和FERET人脸数据集上评估了我们的方法。结果表明，与单一生物识别模态相比，我们提出的方法可以实现更高的准确率、可用性和改进的安全性。对于CASIA和ORL数据集，提出的特征级、基于GAN的和决策级融合方案分别实现了2.03%、0.82%和0.0297%的错误率；对于MMU1和FERET数据集，分别实现了1.53%、0.80%和0.0313%的错误率。此外，我们证明了该方法能够抵御前像攻击和相关性攻击。
Keyword:
Multimodal cancelable biometrics
Template protection
Generative adversarial network
Biometric fusion
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
.png){kind=icon}
Performance Improvement of Multibiometric Authentication System Using Score Level Fusion with Ant Colony Optimization基于蚁群优化的分数级融合的多生物特征认证系统性能提升
PREAI
分享收藏分享收藏
查看更多内容