[發明專利]一種基于深度學習的生物特征模板保護方法及裝置

在審

• 申請號: 202011084812.0
• 申請日: 2020-10-12
• 公開（公告）號: CN112347855A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 趙恒;程川;龐遼軍;石悅;曹志誠
• 申請（專利權）人: 西安電子科技大學青島計算技術研究院;西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 劉長春

1.一種基于深度學習的生物特征模板保護方法，其特征在于，包括：

獲取待驗證生物特征圖像；

根據深度網絡對所述待驗證生物特征圖像進行特征提取，得到第一特征向量串；

對所述第一特征向量串進行隨機映射，得到第一隨機特征向量；

對所述第一隨機特征向量進行編碼，得到待驗證哈希碼；

將所述待驗證哈希碼與預先存儲的注冊哈希碼進行匹配，并輸出驗證結果。

2.根據權利要求1所述的基于深度學習的生物特征模板保護方法，其特征在于，在將所述待驗證哈希碼與預先存儲的注冊哈希碼進行匹配之前，還包括：

獲取注冊生物特征圖像；

根據深度網絡對所述注冊生物特征圖像進行特征提取，得到第二特征向量串；

對所述第二特征向量串進行隨機映射，得到第二隨機特征向量；

對所述第二隨機特征向量進行編碼，得到注冊哈希碼；

將所述注冊哈希碼存儲于數據庫中，以用于生物特征認證。

3.根據權利要求1所述的基于深度學習的生物特征模板保護方法，其特征在于，根據深度網絡對所述待驗證生物特征圖像進行特征提取，得到第一特征向量串，包括：

建立基于深度學習的網絡模型；

利用該網絡模型對所述待驗證生物特征圖像進行特征提取，得到第一特征向量串。

4.根據權利要求3所述的基于深度學習的生物特征模板保護方法，其特征在于，所述網絡模型的深度為50層。

5.根據權利要求1所述的基于深度學習的生物特征模板保護方法，其特征在于，對所述第一特征向量串進行隨機映射，得到第一隨機特征向量，包括：

利用隨機種子生成一個偽隨機矩陣；

通過史密斯正交化將所述偽隨機矩陣變換為標準正交矩陣，得到偽隨機正交矩陣；

利用所述偽隨機正交矩陣計算第一隨機特征向量。

6.根據權利要求1所述的基于深度學習的生物特征模板保護方法，其特征在于，對所述第一隨機特征向量進行編碼，得到待驗證哈希碼，包括：

根據所述第一隨機特征向量計算一維特征函數，以得到對應的特征值；

從所述特征值中選擇前k個最大特征值對應的索引值組成集合A；

根據第一預設函數對所述第一隨機特征向量中的每個數據點進行非線性多維譜哈希編碼，得到第一編碼數據；

根據第二預設函數對所述第一編碼數據中屬于所述集合A的數據進行編碼，得到待驗證哈希碼；其中，所述待驗證哈希碼為512維二進制碼串。

7.根據權利要求1所述的基于深度學習的生物特征模板保護方法，其特征在于，將所述待驗證哈希碼與預先存儲的注冊哈希碼進行匹配，并輸出驗證結果，包括：

根據所述待驗證哈希碼與所述注冊哈希碼計算加權漢明距離；

若判斷所述加權漢明距離小于預設閾值，則認為所述待驗證的哈希碼與所述注冊哈希碼相同，驗證通過；

否則，驗證失敗。

8.根據權利要求7所述的基于深度學習的生物特征模板保護方法，其特征在于，所述加權漢明距離的計算公式為：

其中，H(q,e)表示加權漢明距離，x_q(i)和x_e(i)分別表示待驗證生物特征和注冊生物特征的隨機特征向量第i個坐標對應的一維任意實特征，φ_ij(x_q(i))表示待驗證隨機特征向量x第i個坐標的所有一維特征函數中滿足集合A條件的特征函數，φ_ij(x_e(i))表示注冊隨機特征向量x第i個坐標的所有一維特征函數中滿足集合A條件的特征函數，sign(·)表示符號函數，Πλ_ij表示位權重，λ_ij表示隨機特征向量x第i個坐標的j個一維特征函數φ_ij(x(i))對應的特征值。