通过联邦哈希学习实现隐私掌纹识别

---

摘要

目前，基于深度学习的掌纹识别方法已经取得了很大的成功。然而，在实际应用中更重要的是隐私问题，他们主要关注的是准确性而忽略了隐私问题。在这封信中，提出了一种新的方法，联邦哈希学习(FHL)，用于隐私掌纹识别。在不同的社区中部署了几个代理，它们具有不同的模型和私有数据。引入一个可用的公共数据集，为每个代理提供通信。通过适当的联合损耗，将各代理连接起来，互相帮助训练模型，提高精度。在有约束和无约束掌纹基准测试上进行了实验。结果表明，该方法的性能优于其他基线，具有较高的准确性。

---

一、介绍

掌纹识别是一种先进的生物特征识别技术，越来越受到学术界的重视。传统的掌纹识别主要基于手工特征。Fei等[2]提取掌纹的判别方向二进制码(DDBCs)，并将其串联为全局特征向量，命名为判别方向二进制掌纹描述符(DDBPD)。目前，基于深度学习的特征表示方法极大地提高了掌纹识别的性能。

Genovese等[3]提出了基于Gabor响应和主成分分析(PCA)的掌纹识别无监督过程中的PalmNet。Zhong等[4]采用深度哈希网络(deep hash network, DHN)提取掌纹图像的二进制代码，并将其与手背静脉融合，进行多重生物识别。然而，这些方法主要关注掌纹识别的准确性，忽略了更重要的掌纹识别的隐私性。在实际应用中，可能会有多个不同的掌纹识别代理，它们被部署到不同的位置，为不同的社区执行身份验证。但是，由于隐私性，不同agent和社区的掌纹数据无法共享来训练模型。因此，如何利用不同agent的数据，在不影响隐私的前提下提高性能，是一个亟待解决的问题。在这封信中，受联邦学习[5]的启发，针对隐私掌纹识别，提出了一种称为联邦哈希学习(FHL)的新算法。据我们所知，这项工作是第一个基于联合学习的隐私掌纹识别研究。

二、提出的方法

1

假设在不同的社区中部署了三个代理。对于每个代理，它都有独立的私有数据和模型。但是，对于不同的代理，它们既不能访问彼此的数据，也不知道其他模型的结构。我们引入了一个公共数据集，它与私有数据相关但又不同，并且对所有代理都可用。代理可以使用公共数据集来帮助彼此训练模型，以提高精度。

本文采用DHN作为私有模型提取特征，将掌印图像转换为二进制码，提高匹配效率。假设DHN先提取图像i和j的卷积特征f(i)和f(j)，然后通过符号(·)函数传递为代码bi和bj。对于DHN来说，它的目标是让真实的特征离得更近，让冒名顶替的特征离得更远。

2

---

总结

在这封信中，我们提出了FHL隐私掌纹识别。有几个代理部署在不同的地方，这些代理具有私有的模型和数据。由于隐私性，代理不能访问其他私有数据和模型。为了提高不同代理的准确率，引入了一个可用的公共数据集。采用DHN作为特征提取器，提高匹配效率。对于公共样本，不同的代理首先使用DHN提取特征。然后这些特征被平均为中心共识特征。最后，主体更新它们的模型，使之与中心共识特征一致。通过这种方式，各代理之间相互连接，互相帮助，训练模型，提高精度。FHL在受约束和不受约束的掌纹基准测试上进行评估。实验表明，我们的FHL性能优于其他基线，具有良好的性能。