WiFaKey: Generating Cryptographic Keys from Face in the Wild

从生物测量中派生出唯一的加密密钥是一项具有挑战性的任务，因为生物测量和误差校正编码之间存在噪声差距。此外，由于生物测量与用户本身密切相关，因此会引起隐私和安全方面的担忧。生物密码系统是解决这些问题的关键解决方案之一。然而，许多现有的生物密码系统依赖于手工制作的特征提取器和误差校正编码，通常导致性能下降。为了解决这些挑战并提高生物测量的可靠性，我们提出了一种新的生物密码系统，名为WiFaKey，用于在不受限制的环境中从面部生成加密密钥。具体而言，WiFaKey首先引入了一种自适应随机掩蔽驱动的特征转换流水线AdaMTrans。AdaMTrans有效地量化和二值化实值特征，并采用自适应随机掩蔽方案来使误比特率与误差校正要求相一致，从而缓解噪声差距。此外，WiFaKey还结合了一种基于监督学习的神经解码方案Neural-MS解码器，该解码器比非学习解码器具有更强的纠错性能，迭代次数更少，从而减轻了性能下降的问题。我们使用广泛采用的面部特征提取器在六个大型非受限和两个受限数据集上评估了WiFaKey。在LFW数据集上，WiFaKey在MagFace和AdaFace特征下的0％误匹配率的情况下实现了85.45％和85.20％的平均真实匹配率。我们的全面比较分析显示了WiFaKey的显着性能提高。我们的工作源代码可在github.com/xingbod/WiFaKey上找到。

提出一种名为WiFaKey的生物特征加密系统，以从面部特征中生成加密密钥，以解决生物特征测量与误差纠正编码之间的噪声差异问题，同时解决隐私和安全问题。

WiFaKey采用自适应随机掩蔽驱动特征转换管道AdaMTrans和基于监督学习的神经解码方案Neural-MS解码器来提高生物特征测量的可靠性。AdaMTrans通过量化和二值化实值特征，并采用自适应随机掩蔽方案来对齐误比特率与纠错要求，从而减轻噪声差距。Neural-MS解码器提供比非学习解码器更强的纠错性能和更少的迭代次数，从而缓解性能退化。

论文通过在六个大型非约束和两个约束数据集上使用广泛采用的面部特征提取器对WiFaKey进行评估。在LFW数据集上，WiFaKey针对MagFace和AdaFace特征分别实现了85.45％和85.20％的平均真实匹配率和0％虚假匹配率。研究表明WiFaKey具有显着的性能改进。此外，研究人员还开放了他们的源代码。

相关研究包括使用生物特征进行加密的其他生物加密系统，以及使用神经网络进行纠错编码的其他研究。其中一些论文包括“基于声纹的身份验证系统的生物加密方案”和“基于神经网络的非二进制LDPC码的解码方法”。