基于负人脸识别的无监督软生物特征隐私增强

当前关于软生物特征的研究表明，可从个体的生物特征模板中推断出隐私敏感信息。由于在诸多应用中这些模板预期仅用于识别目的，这引发了重大的隐私问题。以往工作聚焦于有监督的隐私增强方案，其需要关于个体的隐私敏感信息，并将应用限制于抑制单一且预定义的属性。因此，它们未考虑训练中所未涉及的属性。本工作中，我们提出负人脸识别（Negative Face Recognition, NFR），一种新颖的人脸识别方法，通过在互补（负）域中表示人脸模板，在模板层级增强软生物特征隐私。普通模板刻画个体的面部属性，而负模板描述该个体不存在的面部属性。这从存储的模板中抑制了隐私敏感信息。实验在两个公开数据集上开展，涵盖受控与非受控场景下的三个隐私敏感属性。实验表明，我们提出的方法达到了比以往工作更高的抑制率，同时保持了更高的识别性能。与以往工作不同，我们的方法不需要隐私敏感标签，并提供了不限于预定义属性的更全面的隐私保护。