基于深度纠错码学习的人脸模板保护技术研究

发布时间：2023-06-04 19:07

　　现代信息社会的身份认证系统已经逐渐趋向于基于生物特征的身份认证。其中的人脸特征由于具有不易伪造和不被遗忘的特性,而被广泛用于身份识别。人脸模板保护技术的目标是结合生物度量与信息安全技术,提供一个能够保证人脸特征安全的有效解决办法。传统的人脸认证系统直接将原始的人脸数据存储在数据库中,很容易造成丢失或者被窃取。一旦发生用户人脸特征信息泄露,该用户可能面临巨大的风险和不可估量的损失,因此人脸模板的保护问题亟待解决。然而现有的模板保护技术难以抵抗类内差异的影响,与普通识别技术的准确率仍有差距。或是通过辅助数据保护原始生物特征,其中的辅助数据存在一定的安全隐患。除此之外,当有新人脸识别用户加入时,训练的模型将不能用于识别新的用户。若采用全部样本重新进行训练会导致资源和时间的大量浪费,很难满足实际需求。为解决这些问题,本文展开了深入的研究,主要研究工作如下:1)针对现有模板保护技术的识别率有待提高和人脸模板安全性亟需完善的问题,本文提出了基于深度纠错码学习的人脸模板保护方案。该方案通过生成随机的二进制序列标识每个用户,并且将其经过哈希处理后的序列作为安全的人脸模板用于匹配和存储。训练阶段,对二进...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
主要符号目录
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状分析
        1.2.1 基于特征转换的模板保护
        1.2.2 基于生物加密的模板保护
        1.2.3 基于同态加密的模板保护
        1.2.4 基于深度学习的模板保护
    1.3 主要挑战
        1.3.1 模板安全性问题及识别准确率低
        1.3.2 新增用户识别问题
    1.4 本文主要研究内容及结构安排
        1.4.1 主要研究内容
        1.4.2 结构安排
第2章 模板保护与增量学习
    2.1 基于卷积神经网络的鲁棒映射
    2.2 基于纠错码的特征转换
    2.3 基于增量学习的网络更新
    2.4 数据集与评价标准
        2.4.1 数据集
        2.4.2 评价标准
    2.5 本章小结
第3章 基于深度纠错码学习的人脸模板保护
    3.1 基于深度LDPC编码学习的模板保护
        3.1.1 数据集预处理
        3.1.2 多标签学习
        3.1.3 LDPC编码与解码
        3.1.4 人脸保护模板
    3.2 实验结果与讨论
        3.2.1 实验配置
        3.2.2 基于Extended Yale B实验
        3.2.3 基于PIE实验
        3.2.4 基于FAR=1%的GAR比较
    3.3 安全分析
        3.3.1 用户入口攻击
        3.3.2 数据泄露攻击
    3.4 本章小结
第4章 基于增量学习的人脸模板保护
    4.1 基于增量学习的人脸模板保护
        4.1.1 数据集预处理
        4.1.2 代表性样例集
        4.1.3 增量训练
    4.2 实验结果与讨论
        4.2.1 实验配置
        4.2.2 基于增长代表性样例集实验
        4.2.3 基于固定代表性样例集实验
    4.3 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 下一步工作展望
致谢
参考文献
攻读硕士学位期间主要的工作



本文编号：3830846