HEFT：生物特征模板的同态加密融合
计算机视觉与模式识别
2022-08-16 v1 密码学与安全
摘要
本文提出一种基于全同态加密（FHE）的非交互端到端方案，用于生物特征模板的安全融合与匹配。给定一对加密特征向量，我们执行以下密文操作：i) 特征拼接，ii) 通过学习的线性投影进行融合与降维，iii) 缩放归一化至单位 范数，iv) 匹配分数计算。我们的方法称为 HEFT（Homomorphically Encrypted Fusion of biometric Templates，生物特征模板的同态加密融合），专为克服 FHE 所特有的约束（即不支持非算术操作）而设计。从推理角度看，我们系统探索不同数据打包方案以实现计算高效的线性投影，并引入多项式近似用于缩放归一化。从训练角度看，我们提出一种 FHE 感知算法用于学习线性投影矩阵，以缓解由近似归一化引起的误差。针对人脸与声纹生物特征模板融合与匹配的实验评估表明，HEFT（i）相较各自单生物特征表示将生物特征验证性能提升 11.07% 和 9.58% 的 AUROC，同时将特征向量压缩 16 倍（512 维至 32 维）；（ii）在 884 毫秒内融合一对加密特征向量并计算其相对于大小为 1024 的图库的匹配分数。代码与数据见 https://github.com/human-analysis/encrypted-biometric-fusion
引用
@article{arxiv.2208.07241,
title = {HEFT: Homomorphically Encrypted Fusion of Biometric Templates},
author = {Luke Sperling and Nalini Ratha and Arun Ross and Vishnu Naresh Boddeti},
journal= {arXiv preprint arXiv:2208.07241},
year = {2022}
}
备注
IJCB 2022