基于神经网络的人脸识别系统生物特征模板保护：方法与评估技术综述

随着自动化人脸识别应用趋于普及，对这些系统中使用的敏感人脸数据进行保护的需求日益增长。本文综述了用于保护基于神经网络的人脸识别系统中人脸模板（图像/特征）的生物特征模板保护（BTP）方法。BTP方法分为两类：非神经网络（Non-NN）与神经网络学习（NN-learned）。非神经网络方法使用神经网络（NN）作为特征提取器，但BTP部分基于非神经网络算法；而神经网络学习方法则采用神经网络从非保护模板中学习得到保护模板。我们给出了文献中非神经网络与神经网络学习人脸BTP方法的实例，并讨论了它们的优缺点。我们还研究了依据三项最常见的BTP准则——识别准确率、不可逆性以及可更新性/不可关联性——评估这些方法的技术。受保护人脸识别系统的识别准确率通常采用与评估标准（未保护）生物特征系统相同的（经验）技术进行评估。然而，大多数不可逆性与可更新性/不可关联性的评估被发现基于理论假设/估计或文字性推断，缺乏在实际人脸识别情境下的经验验证。因此，我们建议更加关注经验评估，以对实践中人脸BTP方法的不可逆性与可更新性/不可关联性提供更具体的见解。此外，从实现代码与评估数据集/程序的公开可用性角度对所述BTP研究可复现性的探究表明，忠实复现大多数已报道发现将是困难的。因此，我们倡导推动可复现性，以期推进人脸BTP研究。