Face authentication is one of the most common biometrics available nowadays, which can be used in widely amount of areas. Ensuring security of facial templates is vital to circumvent impersonation and privacy invasion. One of the notable remedies for facial template protection is cancelable biometrics whereby the compromised template can be revoked and replaced. In this work, we propose a cancelable facial template technique based on the Index-of-Maximum (IoM) hashing by means of deep neural networks, termed as Deep IoM (DIoM) hashing. Unlike data-agnostic IoM hashing, the DIoM hashing is data-driven and trained by supervision to render a discriminative cancelable facial template. The DIoM hashing relies upon a permutable pretrained deep feature learning network and a hashing network responsible for optimizing the DIoM hash codes. The hashing network consolidates maxout and softmax function, namely softmaxout to approximate the discrete DIoM hash code. A dedicated loss function is designed in order to achieve similarity preserving learning, code balancing and quantization. The proposed network is assessed on three popular datasets, which are called unconstraint Labeled Faces in the Wild dataset, the Yale Face Database B (YaleB) and The CMU Multi-PIE (Multi-PIE). The performance of this network is shown outperformed vanilla IoM hashing significantly in those datasets respectively.
현재 얼굴 인증은 가장 널리 사용되는 생체 인식 중 하나이며 광범위한영역에서 사용할 수 있다. 얼굴 템플릿의 보안을 유지하는 것 및 개인정보 침해를 피하기 위한 것은 필수적이다. 얼굴 템플릿 보호에 대한주목할만한 개선방법 중 하나는 취소 가능한 생체 인식으로 손상된템플릿을 취소하고 교체할 수 있다. 이 연구에서는 Deep IoM (DIoM)해싱이라고 하는 깊은 신경망을 통해 IoM (Index-of-Maximum) 해싱을기반으로 취소 가능한 얼굴 템플릿 기술을 제안한다. 데이터에구애받지 않는 IoM 해싱과 달리 DIoM 해싱은 데이터 중심이며지도학습에 의해 훈련되어 차별적인 취소 가능한 얼굴 템플릿을렌더링한다. DIoM 해싱은 변경 가능한 사전 훈련된 딥 기능 학습네트워크 및 DIoM 해시 코드 최적화를 담당하는 해싱 네트워크에의존한다. 해싱 네트워크는 maxout 및 softmax 기능, 즉 softmaxout 을통합하여 이산 DIoM 해시 코드와 유사하다. 전용 손실 함수는 유사성보존 학습, 코드 밸런싱 및 양자화를 달성하기 위해 설계되었다. 제안된네트워크는 Unconstraint Labeled Faces Wild 데이터 세트, Yale FaceDatabase B (Yale B) 및 CMU Multi-PIE (Multi-PIE) 세 가지의 널리쓰이는 얼굴 데이터 세트에서 평가된다. 이 네트워크의 성능은 해당데이터 세트에서 각각 기존의 IoM 해싱보다 성능이 상당히 뛰어나다.