[發明專利]一種基于噪聲滅活的生物特征識別對抗防御方法

有效

• 申請號: 202110522613.1
• 申請日: 2021-05-13
• 公開（公告）號: CN112990384B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 孫哲南;任民;王云龍;朱宇豪
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 孫劍鋒;李曼

1.一種基于噪聲滅活的生物特征識別對抗防御方法，其特征在于，采用卷積神經網絡為每個輸入圖像估計一個合適的子空間，將所述輸入圖像投影至估計出的子空間中進行所述輸入圖像重建，具體方法包括：

S100：采用主成分分析算法在輸入圖像訓練集上計算所述輸入圖像訓練集的M個特征向量組成的特征向量庫F；

S200：子空間估計器訓練，所述子空間估計器的輸出為m個概率向量p，所述m個概率向量p的每一分量均對應所述特征向量庫F中的一個特征向量；

S300：根據所述子空間估計器輸出的m個概率向量p中每個分量提供的選擇概率在所述特征向量庫F中進行采樣，選出特征向量構成所述子空間；

S400：將輸入圖像x’投影至選出的特征向量張成的所述子空間進行圖像重建；

所述計算所述輸入圖像訓練集的M個特征向量組成的特征向量庫F的具體方法為：

S101：將所述輸入圖像訓練集中的樣本組成樣本矩陣；所述輸入圖像訓練集中的樣本組成的樣本矩陣為X，其維度為d*n，d為每個樣本的維度，即像素數，n為樣本數量；

S102：計算樣本均值，即樣本矩陣X所有列的均值向量x_m；

S103：將所述樣本矩陣X中心化：

X_m = X - x_m

S104：計算X_m的協方差矩陣C：

C = X_mX_m^T

S105：對C進行特征值分解：

C = QAQ^-1

其中Q即為特征向量構成的矩陣；A為特征值；

S106：截取特征值最大的M個特征向量組成所述特征向量庫F；

所述子空間估計器為卷積神經網絡，訓練方法為：

S201：隨機初始化卷積神經網絡N_θ的參數θ；

S202：將訓練數據x送入所述網絡，得到輸出的所述概率向量p，p= N_θ(x)；

S203：根據所述概率向量p中每個分量提供的選擇概率在所述特征向量庫F中進行采樣，決定是否選擇該分量對應的特征向量；

S204：將選擇出來的特征向量組成矩陣F_p，F_p的維度為d*m，m為被選擇的特征向量的個數，m的數值是由對概率向量p的采樣決定的；

S205：計算F_p的損失值l；

S206：根據所述概率向量p和特征向量組成矩陣F_p，計算F_p的概率q；

S207：計算q關于網絡參數θ的導數▽_θq；

S208：計算網絡參數的更新方向s；

S209：重復步驟S203-S207 N次，并計算N次得到的N個所述更新方向的均值s_m,其中N為20-50；

S210：更新卷積神經網絡N_θ的參數θ：

θ = θ – r?s_m，

其中r為學習率，由人為設置為0.001-0.01；

S211：重復步驟S201-S210，直至所述卷積神經網絡收斂；所述損失值l的具體計算公式為：

l = ||F_pF_p^T(x-x_m) – (x-x_m)||₂ + αm，

其中，

α為損失平衡參數，由人為設置為0.001-0.005。

2.根據權利要求1所述的基于噪聲滅活的生物特征識別對抗防御方法，其特征在于，所述M為2500。

3.根據權利要求1所述的基于噪聲滅活的生物特征識別對抗防御方法，其特征在于，所述F_p的概率q的具體計算公式為：

其中p_i為p的第i個分量，f_i為F中的第i個特征向量；

所述q關于網絡參數θ的導數▽_θq具體為：▽_θq = ? q(F_p, N_θ(x)) / ?θ。