一种手指静脉模糊保险箱加密方法与流程

本发明设计的是一种模式识别技术，具体地说是一种手指静脉加密方法。

背景技术：

目前来说，世界各地应用最为广泛的依然还是像密码和ID卡一样的一些传统的身份认证技术，不过这也导致了这些身份认证技术已经被充分的研究，因此其安全性方面也在逐渐的降低。随着生物特征识别技术越来越多的被应用到实际生活中，隐私性和安全性的重要性变得不言而喻。同时，对生物特征识别系统的攻击手段也在不断的更新。与传统密码不同，传统的密码往往是随机生成，对密码攻击的难度主要取决于计算的复杂度，而生物特征却是固定不变的，而且往往暴露在各种场合中，因此对生物特征识别系统的攻击有其新的特点。为了完善并解决上述生物特征识别技术中存在的种种隐患和缺陷，一种将生物特征识别技术和传统密码学技术有机的结合在一起的加密技术—生物特征加密技术应运而生，生物特征加密技术在理论上而言既能通过一些传统的密码学手段对生物特征模板进行保护，反过来又能通过生物特征模板对密钥进行保护，最大化的将两者的特点与优势共存。

目前在世界各地学者对生物特征加密技术的理论研究中，依然存在需要进一步提高和完善的方面，比如在生物特征加密技术中，如何在众多类型的生物特征中选择并提取出适合用于指定加密方案的特征，并使其能够与密钥进行结合；又比如在加密的过程中，有关加密域的匹配问题，如何提高匹配精度还需要进一步研究；再比如，基于所涉及的生物特征加密系统进行的实验，如何根据所得到的实验数据对加密系统的性能进行评价，毕竟到目前为止，还并没有出现一个有关生物特征加密系统性能评价的标准。

技术实现要素：

本发明的目的在于提供一种密码安全性高的手指静脉模糊保险箱加密方法。

本发明的目的是这样实现的：包括手指静脉图像预处理、特征点提取、模糊保险箱算法加密及模糊保险箱算法解密，图像预处理得到细化的指静脉图像，特征点提取后保存为特征模板用于加密与解密，所述模糊保险箱算法加密是通过提取出的手指静脉特征点的坐标信息和密钥构成的编码多项式通过数学方法的结合来建立模糊保险箱，所述模糊保险箱算法解密是提取测试用户的现场手指静脉特征样本对模糊保险箱进行解密、搜索出真实点集、进行编码多项式重构、通过重构的编码多项式系数来恢复密钥。

所述特征点提取是将静脉骨架图像中的交叉点和端点作为手指静脉的特征点从图像中提取出来，将其数量和坐标信息作为特征信息。

本发明的手指静脉加密的方法，利用手指静脉的特征点结合模糊保险箱方法对模板进行加密，有效解决了模板安全性的问题。本发明的方法主要包括：手指静脉图像预处理，特征点提取，模糊保险箱算法加密、解密。图像预处理后，得到细化的指静脉图像，包含了指静脉的多种特征，如骨架、孤立点、环、交叉点、端点等。比较常用的包括指静脉的骨架、交叉点和端点，提取后保存为特征模板用于加解密。加密阶段通过提取出的手指静脉特征点的坐标信息和密钥构成的编码多项式通过数学方法的结合来建立模糊保险箱。解密阶段，提取测试用户的现场手指静脉特征样本对模糊保险箱进行解密，搜索出真实点集，进行编码多项式重构，通过重构的编码多项式系数来恢复密钥。

手指静脉纹路具有很强的线性特征，可以看作是几何图形，将静脉纹路细化之后图像中的交叉点和端点是其比较重要的结构性特征之一。本发明也选用静脉骨架图像中的交叉点和端点作为手指静脉的特征点，将它们从图像中提取出来，把他们的数量和坐标等信息作为特征信息用于之后的分析。

传统的模糊保险箱加密方案，是在点集的基础上进行加密的，而手指静脉的端点和交叉点也正是表示出手指静脉的唯一性，将两者结合起来能有效解决加密的安全性问题。

本发明的主要特点在于：手指静脉图像预处理后得到的特征点具有唯一性，而模糊保险箱算法具有简便的优点，同时利用生物特征与传统密码相互融合，解决了密码安全性问题。

附图说明

图1手指静脉提取特征点过程；

图2基于模糊保险箱的手指静脉特征加密流程；

图3基于模糊保险箱的手指静脉特征解密流程。

具体实施方式

下面结合附图举例对本发明作进一步说明。

1、手指静脉图像的预处理及特征点提取

对手指静脉图像进行尺寸归一化、灰度归一化后，采用方向谷检测算法对手指静脉纹路进行分割，具体方法如下：

利用阈值法，将得到的纹路特征图像划分成3个区域：没有静脉的特征区域、含有噪声和伪静脉特征的区域(模糊区域)、只有静脉特征的区域。接着对每个区域分别进行处理，具体的处理思路如下：

首先去掉没有静脉的特征区域，由于经过卷积使得谷形区域的像素灰度值大于0，平滑的区域等于0，凸起的区域小于0，因此大于0的灰度值所对应的像素点一定是静脉特征，而小于等于0的点则是非静脉特征。取0为阈值，进行第一次分割。

对只有静脉特征的区域，取合适的阈值对图像进行分割，大于该阈值的灰度值设为阈值，小于该阈值的灰度值不变，从而保留明显的静脉特征。

模糊区域的阈值分割时整个静脉特征提取的关键部分，采用邻域阈值法，计算每个点邻域内的均值与方差，利用Niblack方法确定该点的阈值。如此，图像中每个点便都有一个阈值，利用每个阈值进行分割，最终得到静脉特征图像。

尽管图像增强处理可以弱化静脉图像中的噪声影响，但是通常并没有办法完全消除，因此我们得到的静脉特征图像中仍然存在噪声。二值图像中的噪声有三种，分别是空洞、斑点和毛刺。对于不同的噪声，有不同的处理方法，经过对于上述噪声的处理之后，静脉特征图像的质量将会大大提高。经过之前的预处理和图像分割，我们得到了手指静脉特征图像，但是图像中静脉纹路较粗。在实际中，静脉纹路的粗细会受到光照和手指倾斜角度等因素的影响，但是手指静脉的走向和它的拓扑结构是稳定不变的，这也是手指静脉的特点。因此，我们需要对之前得到的手指静脉特征图像进行细化。

在细化后的手指静脉图像中，把每一个值为1的点作为中点，和它周围的8个相邻点放在一起，形成一个3*3的八邻域，对细化图像中所有值为1的点依次计算

p₁,p₂,p₃,…,p₈为8个邻点的值，N_trans指的是从P₁到P₈时，0和1交替变换的次数。对于某个值为1的点，当N_trans≥6时，我们认为该点即为交叉点。当N_trans＝2时，我们认为该点为端点。利用这个方法，我们可以将指静脉的所有交叉点和端点提取出来。

2、基于模糊保险箱的手指静脉加解密过程

我们用平面位置信息(x,y)来描述手指静脉特征点，这也是我们用于加密过程中的信息。假设我们所要加密的密钥K长度为16nbits，所有的运算都是在有限域GF(2¹⁶)上进行，基于手指静脉特征点的模糊保险箱的加密方案步骤如下：

加密过程如图2所示：

加密阶段通过提取出的手指静脉特征点的坐标信息和密钥构成的编码多项式通过数学方法的结合来建立模糊保险箱，具体流程如图2。

(1)首先通过密钥K来构造出编码多项式，需要构造的编码多项式为p(x)，由于K的长度为16nbits，运算域为GF(2¹⁶)，将K顺序分割为n(16n/16)个长度为16bits的字符串，即K＝k_nk_n-1…k₁，计算出K的CRC-16值，记为k₀，将k_n,k_n-1,…,k₀依次分别作为多项式高阶到低阶的系数，即：

p(x)＝k_nxⁿ+k_n-1x^n-1+…+k₁x+k₀(2)

(2)建立模糊保险箱中的真实点集。提取出注册手指静脉模板的特征点集合，假设手指静脉特征点集合为M_T＝{(x_i,y_i)},i＝1,2,…,N，其中N是特征点的数量。将每个特征点的横纵坐标(x_i,y_i)用8bits的字符串表示，并把它们简单的串联起来成为一个长度为16bits的字符串，进行GF(2¹⁶)上的量化，结果记为u_i，将u_i映射到编码多项式p(x)上，得到集合U＝{u_i,p(u_i)},i＝1,2,…,N，该集合就是我们所建立的模糊保险箱的真实特征点集。

(3)添加杂凑点构成最终的模糊保险箱。随机产生一定数量的杂凑点，杂凑点集合表示为C{m_j,n_j},j＝1,2,…,N_c，N_c是杂凑点的数量，且N_c>>N，同时杂凑点均不在编码多项式上，即n_j≠p(m_j),j＝1,2,…,N'。把真实点集和杂凑点集混合在一起，便构成了最后的模糊保险箱

解密过程如图3所示：

解密阶段，提取测试用户的现场手指静脉特征样本对模糊保险箱进行解密，搜索出真实点集，进行编码多项式重构，通过重构的编码多项式系数来恢复密钥。具体流程如图3。

(1)现场采集测试用户的手指静脉样本，从中提取出手指静脉特征点，得到用来解密的手指静脉特征点集M_Q＝{(x_i',y_i')},i＝1,2,…,N'。将模糊保险箱中所有点的横坐标a_k拆分成两个8bits的数，表示为(x_i^*,y_i^*)。

(2)从模糊保险箱中筛选出符合条件的点，建立候选点集。将测试用户的手指静脉特征点集与模糊保险箱中的点一一进行比较，计算所有点之间的平面距离

从模糊保险箱中筛选出所有符合条件的点，其中是预先指定的阈值，我们根据经验取阈值经过阈值筛选以后得到的所有候选点便构成了候选点集T。

(3)利用候选点集重构编码多项式。如果测试用户是真实用户的话，筛选得到的候选点集中大部分的点都是真实点，但依然会有一部分未被筛选的杂凑点。由于编码多项式的阶数为n，若要重构出编码多项式，我们至少需要n+1个候选点。对候选点集T，从中任取n+1个候选点通过拉格朗日插值法对多项式进行重构：

展开以后得到多项式把p'(x)各单项式系数转化为二进制序列后串联起来，得到就是待检验密钥，计算的CRC-16值，看是否与k'₀相等，若相等，就是真实密钥，若不相等，再次从候选点集中选取n+1个候选点重构密钥，直到遍历候选点集T中所有候选点为止，若依然没有重构出正确的密钥，证明该测试用户不是真实用户，解密失败。