一种具有盗取攻击应对机制的异质虹膜认证方法技术

本发明专利技术公开了一种具有盗取攻击应对机制的异质虹膜认证方法，其方法为：步骤一、构建基于卷积神经网络而改进的异质虹膜多类别认证系统；步骤二、构建盗取攻击应对机制；步骤三、开始正式认证；步骤四、图像依次进入全连接层；步骤五、得到与单一分类器所属的虹膜的相似概率；步骤六、得到精确的相似概率；步骤七、通过编码层的映射关系，输出测试虹膜所属的虹膜类别情况。有益效果：对传统的卷积神经网络进行改造，增加图像处理层和稀释层，有助于在多类别认证中放大不同类别虹膜间的差异性，提高认证的准确性。

A Heterogeneous Iris Authentication Method with Stolen Attack Response Mechanism

【技术实现步骤摘要】
一种具有盗取攻击应对机制的异质虹膜认证方法本专利技术涉及一种异质虹膜认证方法，特别涉及一种具有盗取攻击应对机制的异质虹膜认证方法。
技术介绍
目前，随着社会信息化的发展，以人脸、虹膜、指纹为首的生物识别技术已经开始大规模运用在实际的生产生活中。而虹膜作为一种不容易被复制的人体特征，更受到那些高机密，高警备的场所，如军事基地、金库等方面的青睐。当前的虹膜认证主要采用的是有编码的识别模式，即通过将质量合格的虹膜进行预处理后，将测试虹膜与作为模板的对比虹膜通过相同的方式将特征转化为特征编码，并通过某种算法比较特征之间的相似性，进而完成虹膜的认证。这种模式是当前研究最广泛，也是最常见的模式，但这种模式存在一些问题：首先，这种模式属于认证前编码，在认证之前就已经通过算法将特征转化为固定长度的特征码，相对不灵活，并且在多类别认证时，也不利于新类别的添加和删除。这种模式对图像的采集质量要求较严格，同时对图像采集环境也有较高并且唯一的要求，通常，一种采集环境面对的是一种特征提取与认证算法，对环境的包容性较差，面对图像质量稍微差一点的图像，认证的准确性容易出现偏差；不仅如此，在多类别认证中，即使是同环境采集的虹膜，其本身因为采集人的采集状态的不同，也很容易出现不同人的编码相似的情况，进而降低了认证的准确性。对于外部的盗取攻击的反应较差，一旦特征提取算法或者特征编码被盗取，很难采取有效的应对措施，具有一定的潜在危险。有编码的识别需要消耗系统大量多余的空间存储模板，不利于海量数据的处理。因此，在多类别的虹膜认证中，就需要一种识别的准确性高，消耗空间少，认证算法具有很好的容错性、鲁棒性以及环境的包容性，同时对于外部的盗取攻击的发生，也需要有一定的应对机制的认证算法。
技术实现思路
本专利技术的主要目的是为了解决现有的虹膜认证方法中所存在的一些问题；本专利技术的另一个目的是为了建立一种识别的准确性高，消耗空间少，认证算法具有很好的容错性、鲁棒性以及环境的包容性，同时对于外部的盗取攻击的发生，也需要有一定的应对机制的认证算法；本专利技术为了解决上述问题达到上述目的而提供的一种具有盗取攻击应对机制的异质虹膜认证方法。本专利技术提供的具有盗取攻击应对机制的异质虹膜认证方法，其方法如下所述：步骤一、构建基于卷积神经网络而改进的异质虹膜多类别认证系统，以256×32维度的虹膜归一增强图像作为卷积层的输入；步骤二、构建盗取攻击应对机制，在确认发生了盗取攻击后，即：输出的映射关系被盗取，外来人员可以通过映射关系得到正确的认证结果；立即启动应对机制，修改冗余扩充层到映射层之间的映射关系，将原来的映射关系删除，冗余扩充层中的数据节点映射到与之前不同的同类别的其他四个节点的任意一个节点上，并将新映射关系传送到处理人手中；在新的映射关系下，即使认证系统遭受了盗取攻击，也可以保证认证结果的正确性和安全性，因为盗取人员在原映射关系的下，已经无法得到正确的认证结果；步骤三、开始正式认证：认证时，计算机首先通过虹膜采集仪采集测试人的虹膜图像，之后通过Daugman橡皮筋法以及均衡化直方图的方式转化为256×32维度的虹膜归一增强图像，将其输入进卷积层；步骤四、图像依次经过第一卷积层、第一池化层、第一ReLU层、第二卷积层、第二池化层、第二ReLU层、第三卷积层、第三池化层、图像处理层和平铺层后，进入全连接层；步骤五、在平铺层到全连接层中，平铺层的15个数据同步经过m+n组分类器，得到与单一分类器所属的虹膜的相似概率；步骤六、将全连接层的相似概率一对一对应到稀释层中，通过稀释层函数计算，得到精确的相似概率；步骤七、通过编码层的映射关系，输出测试虹膜所属的虹膜类别情况。上述步骤一中构建基于卷积神经网络而改进的异质虹膜多类别认证系统的具体过程如下：第一步、第一卷积层采用1个梯度Laplacian卷积核，图像卷积后，在第一池化层中通过2×2平均池化将图像转化为128×16维度图像，并通过第一ReLU层中的Softplus函数对池化图像进行稀疏化操作；梯度Laplacian卷积核：1111-81111Softplus函数：Softplus(x)＝log(1+ex)Softplus(x)为结果值；x代表第一池化层的图像单个像素点的像素值；最后第一ReLU层中的结果为1个处理图像；第二步、第二卷积层采用3个卷积核，分别为：梯度Laplacian卷积核、水平Sobel卷积核和垂直Sobel卷积核，梯度Laplacian卷积核与第一卷积层相同，将1个第一ReLU图像卷积后，形成3个卷积图像，在第二池化层中通过2×2平均池化将图像转化为64×8维度图像，并通过第二ReLU层中的Softplus函数，与第一ReLU层相同，对池化图像进行稀疏化操作；水平Sobel卷积核：-101-202-101垂直Sobel卷积核：-1-2-1000121最后第二ReLU层中的结果为3个处理图像；第三步、第二卷积层采用3个卷积核，分别为：梯度Laplacian卷积核、水平Sobel卷积核、垂直Sobel卷积核、水平梯度卷积核和垂直梯度卷积核；梯度Laplacian卷积核与第一卷积层相同；水平Sobel卷积核与第二卷积层相同；垂直Sobel卷积核与第二卷积层相同，将3个第二ReLU图像卷积后，形成15个卷积图像，在第三池化层中通过2×2平均池化将图像转化为32×4维度图像；水平梯度卷积核：-101-101-101垂直梯度卷积核：-1-1-1000111最后第三池化层中的结果为15个处理图像；第四步、将第三池化层的图像输入进图像处理层中，图像处理层的目的为锐化图像边缘，增强局部的图像对比度，采用中心为5的8邻域拉普拉斯算子与图像卷积；拉普拉斯算子为：0-10-15-10-10对图像处理后的图像再通过2×2平均池化将图像转化为16×2维度图像，共计15个，读取15个图像的平均灰度值，输入进平铺层，将图像转化为数字数据，平铺层的结果为15个数字；第五步、将平铺层的15个数字输入进全连接层，全连接层的节点数为m+n个，其中，m代表识别模板的数量，n代表空节点，用于扩充新类别，空节点与平铺层的连接权重全部为0，全连接层每个节点与平铺层15个节点相连，代表一个单类别识别器的认证结构；单节点的输出值，即：相似概率，计算公式为：Fu代表全连接层中的第u个节点的输出值，即相似概率，根据实际的采集情况，相同类别的虹膜经过同样的卷积、池化、ReLU以及图像锐化处理后，平铺层中的第i个节点的数值基本围绕着一个核心数值的周围，ti代表着平铺层中的第i个节点的核心数值，核心数值是通过统计大量的虹膜数据后分析获得，ki代表着测试虹膜的平铺层中的第i个节点的值，同类别虹膜中，平铺层的数值应该接近于同节点的核心数值，因此计算平铺层15个节点的ki与ti之间的比值与1之间的差值的绝对值的和的平均值，以此作为非线性函数e-x中的x，进而初步得到该类别的相似概率，全连接层中的不同节点对应不同虹膜类别的核心数值，进而每个节点对应了一个类别的相似概率，空节点的相似概率设为0；第六步、将全连接层的相似概率Fu输入进稀释层中，稀释层节点数和全连接层的节点数相同为m+n个，且一一对应；稀释层中的单节点输出的计算公式为：Ku为稀释层中的第u节点的输出，Fu代表全连本文档来自技高网...

【技术保护点】
1.一种具有盗取攻击应对机制的异质虹膜认证方法，其特征在于：其方法如下所述：步骤一、构建基于卷积神经网络而改进的异质虹膜多类别认证系统，以256×32维度的虹膜归一增强图像作为卷积层的输入；步骤二、构建盗取攻击应对机制，在确认发生了盗取攻击后，即：输出的映射关系被盗取，外来人员可以通过映射关系得到正确的认证结果；立即启动应对机制，修改冗余扩充层到映射层之间的映射关系，将原来的映射关系删除，冗余扩充层中的数据节点映射到与之前不同的同类别的其他四个节点的任意一个节点上，并将新映射关系传送到处理人手中；在新的映射关系下，即使认证系统遭受了盗取攻击，也可以保证认证结果的正确性和安全性，因为盗取人员在原映射关系的下，已经无法得到正确的认证结果；步骤三、开始正式认证：认证时，计算机首先通过虹膜采集仪采集测试人的虹膜图像，之后通过Daugman橡皮筋法以及均衡化直方图的方式转化为256×32维度的虹膜归一增强图像，将其输入进卷积层；步骤四、图像依次经过第一卷积层、第一池化层、第一ReLU层、第二卷积层、第二池化层、第二ReLU层、第三卷积层、第三池化层、图像处理层和平铺层后，进入全连接层；步骤五、在平铺层到全连接层中，平铺层的15个数据同步经过m+n组分类器，得到与单一分类器所属的虹膜的相似概率；步骤六、将全连接层的相似概率一对一对应到稀释层中，通过稀释层函数计算，得到精确的相似概率；步骤七、通过编码层的映射关系，输出测试虹膜所属的虹膜类别情况。...

【技术特征摘要】
1.一种具有盗取攻击应对机制的异质虹膜认证方法，其特征在于：其方法如下所述：步骤一、构建基于卷积神经网络而改进的异质虹膜多类别认证系统，以256×32维度的虹膜归一增强图像作为卷积层的输入；步骤二、构建盗取攻击应对机制，在确认发生了盗取攻击后，即：输出的映射关系被盗取，外来人员可以通过映射关系得到正确的认证结果；立即启动应对机制，修改冗余扩充层到映射层之间的映射关系，将原来的映射关系删除，冗余扩充层中的数据节点映射到与之前不同的同类别的其他四个节点的任意一个节点上，并将新映射关系传送到处理人手中；在新的映射关系下，即使认证系统遭受了盗取攻击，也可以保证认证结果的正确性和安全性，因为盗取人员在原映射关系的下，已经无法得到正确的认证结果；步骤三、开始正式认证：认证时，计算机首先通过虹膜采集仪采集测试人的虹膜图像，之后通过Daugman橡皮筋法以及均衡化直方图的方式转化为256×32维度的虹膜归一增强图像，将其输入进卷积层；步骤四、图像依次经过第一卷积层、第一池化层、第一ReLU层、第二卷积层、第二池化层、第二ReLU层、第三卷积层、第三池化层、图像处理层和平铺层后，进入全连接层；步骤五、在平铺层到全连接层中，平铺层的15个数据同步经过m+n组分类器，得到与单一分类器所属的虹膜的相似概率；步骤六、将全连接层的相似概率一对一对应到稀释层中，通过稀释层函数计算，得到精确的相似概率；步骤七、通过编码层的映射关系，输出测试虹膜所属的虹膜类别情况。2.根据权利要求1所述的一种具有盗取攻击应对机制的异质虹膜认证方法，其特征在于：所述的步骤一中构建基于卷积神经网络而改进的异质虹膜多类别认证系统的具体过程如下：第一步、第一卷积层采用1个梯度Laplacian卷积核，图像卷积后，在第一池化层中通过2×2平均池化将图像转化为128×16维度图像，并通过第一ReLU层中的Softplus函数对池化图像进行稀疏化操作；梯度Laplacian卷积核：1111-81111Softplus函数：Softplus(x)＝log(1+ex)Softplus(x)为结果值；x代表第一池化层的图像单个像素点的像素值；最后第一ReLU层中的结果为1个处理图像；第二步、第二卷积层采用3个卷积核，分别为：梯度Laplacian卷积核、水平Sobel卷积核和垂直Sobel卷积核，梯度Laplacian卷积核与第一卷积层相同，将1个第一ReLU图像卷积后，形成3个卷积图像，在第二池化层中通过2×2平均池化将图像转化为64×8维度图像，并通过第二ReLU层中的Softplus函数，与第一ReLU层相同，对池化图像进行稀疏化操作；水平Sobel卷积核：垂直Sobel卷积核：-1-2-1000121最后第二ReLU层中的结果为3个处理图像；第三步、第二卷积层采用3个卷积核，分别为：梯度Laplacian卷积核、水平Sobel卷积核、垂直Sobel卷积核、水平梯度卷积核和垂直梯度卷积核；梯度Laplacian卷积核与第一卷积层相同；水平Sobel卷积核与第二卷积层相同；垂直Sobel卷积核与第二卷积层相同，将3个第二ReLU图像卷积后，形成15个卷积图像，在第三池化层中通过2×2平均池化将图像转化为32×4维度图像；水平梯度卷积核：-101-101-101垂直梯度卷积核：最后第三池化层中的结果为15个处理图像；第四步、将第三池化层的图像输入进图像处理层中，图像处理层的目的为锐化图像边缘，增...

【专利技术属性】
技术研发人员：刘元宁，刘帅，朱晓冬，董立岩，程垚松，崔靖威，张齐贤，丁通，张阔，肖刚毅，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22