Key points are not available for this paper at this time.
Um Probleme im Zusammenhang mit der Abhängigkeit von traditionellen Sicherheitssystemen wie Passwörtern, Persönlichen Identifikationsnummern (PINs) und Tokens zu umgehen, übernehmen moderne Sicherheitssysteme biometrische Merkmale, die für jede Person unverwechselbar sind, zur Identifizierung und Verifizierung. Diese Studie präsentiert zwei verschiedene Rahmenbedingungen zur sicheren Personenidentifikation unter Verwendung rücksetzbarer Gesichtserkennung (CFR) -Schemen. Die Fähigkeit zur Gewährleistung der Irreversibilität und der reichen Vielfalt wird ausgenutzt, indem beide Rahmen Zufallsprojektion (RP) zur Verschlüsselung der biometrischen Merkmale verwenden. Im ersten Rahmen wird eine hybride Struktur verwendet, die intuitionistische unscharfe Logik (IFL) mit RP kombiniert, um die vollständige Verzerrung und Verschlüsselung der originalen biometrischen Merkmale zu erreichen, die in der Datenbank gespeichert werden sollen, was hilft, unbefugten Zugriff auf die biometrischen Daten zu verhindern. Der Rahmen umfasst die Transformation von räumlichen Graustufen-Pixelinformationen in einen unscharfen Bereich, in dem die originalen biometrischen Bilder entstellt und weiter verzerrt werden durch Zufallsprojektionen, die die endgültigen rücksetzbaren Merkmale erzeugen. Im zweiten Rahmen werden rücksetzbare biometrische Merkmale ähnlich erzeugt durch homomorphe Transformationen, die Zufallsprojektionen verwenden, um die Reflexionskomponenten der biometrischen Merkmale zu verschlüsseln. Hier wird die Verwendung der Reflexionseigenschaften durch die Fähigkeit motiviert, die meisten Bilddetails zu behalten, während die Garantie der Nicht-Umkehrbarkeit der rücksetzbaren biometrischen Merkmale die Grundlage für die Nutzung einer weiteren RP-Phase in beiden Rahmen unterstützt, da unabhängige Ergebnisse der IFL-Phase und der Reflexionskomponente der homomorphen Transformation nicht ausreichend sind, um das ursprüngliche biometrische Merkmal wiederherzustellen. Unsere CFR-Schemata werden an verschiedenen Datensätzen validiert, die Eigenschaften aufweisen, die in tatsächlichen Anwendungsszenarien erwartet werden, wie z. B. variierende Hintergründe, Beleuchtung und Bewegung. Die Ergebnisse in Bezug auf Standardmetriken, einschließlich des strukturellen Ähnlichkeitsindex (SSIM) und der Fläche unter der Empfangs-Operating-Charakteristik-Kurve (AROC), deuten auf die Wirksamkeit unserer vorgeschlagenen Schemata über viele Anwendungen hinweg hin, die eine Personenidentifikation und -verifizierung erfordern.
Algarni et al. (Wed,) untersuchten diese Frage.