基于特征截断的无训练维度缩减：提升隐私保护多模态生物识别系统的效率
计算机视觉与模式识别
2025-08-18 v1
摘要
生物识别技术广泛应用于实际场景，使得提取模板的隐私与安全性成为关键关注议题。生物识别模板保护方案，特别是利用同态加密（Homomorphic Encryption, HE）的方案，因计算负担的增加而面临挑战。近期深度神经网络的进展，使我们能够从面部、指纹和虹膜等模态中实现最先进的特征提取。生物识别传感器的普及与便宜，进一步促进了多模态融合，这有助于通过结合不同模态的特征来增强安全性。本文我们考察了降低多模态生物识别模板大小后的生物识别性能。实验在一个来自 FRGC、MCYT 和 CASIA 数据库的人工构建的虚拟多模态生物识别数据库上进行，数据库来源于 DNN 提取的面部、指纹和虹膜特征。评估的方法具有以下特点：（i）可解释且在加密环境下易于实现；（ii）无需训练；（iii）具备泛化能力。特征向量的维度缩减意味着在同态加密（HE）域将执行 fewer 操作，从而在保持生物识别准确性和安全性（相当于或超过单一生物识别）的同时，实现更高效的加密处理。我们的实验结果表明，通过融合来自多个模态的特征向量，可将模板大小降低 67%，且在 Equal Error Rate（EER）方面不输于单一最佳模态。
引用
@article{arxiv.2508.11419,
title = {Training-free Dimensionality Reduction via Feature Truncation: Enhancing Efficiency in Privacy-preserving Multi-Biometric Systems},
author = {Florian Bayer and Maximilian Russo and Christian Rathgeb},
journal= {arXiv preprint arXiv:2508.11419},
year = {2025}
}