CN105631272B - 一种多重保险的身份认证方法 - Google Patents
一种多重保险的身份认证方法 Download PDFInfo
- Publication number
- CN105631272B CN105631272B CN201610072644.0A CN201610072644A CN105631272B CN 105631272 B CN105631272 B CN 105631272B CN 201610072644 A CN201610072644 A CN 201610072644A CN 105631272 B CN105631272 B CN 105631272B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- image
- handwritten signature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明一种多重保险的身份认证方法，涉及多重保险的身份认证方法技术领域。本发明的技术方案包括如下步骤，1)采集用户人脸图像；2)采集用户手写签名图像；3)设置密码；4)从采集的人脸图像集和手写签名图像集中分别提取人脸图像特征和手写签名图像特征；5)对人脸图像特征和手写签名图像特征进行特征选择；6)采用支持向量机分类器进行分类；7)步骤6)中支持向量机分类器的识别结果正确及密码输入正确，即验证成功，否则失败。采用本发明的技术方案可以减少由于人脸图像集和手写签名图像集中混有容易混淆的图像带来的误差，并提高人脸图像和手写签名图像识别的准确度。
Description
技术领域
本发明属于一种身份验证方法技术领域，尤其属于一种涉及多重保险的身份认证方法技术领域。
背景技术
目前，很多验证系统只是采用了简单的密码验证，这样的验证方式过于简单，易于破解，并且无法精准的判断操作人身份真实性。随着科技的不断发展，这样的系统是不能满足要求的。所以，近些年有不断的改进方法提出，比如有通过人脸信息和密码配合验证的一种人脸组合身份验证方法(CN103646201A)，还有活体检验和身份验证的双验证人脸防伪方法及装置(CN102622588B)。这些方法都是对传统的单一密码验证的一种升级与改进，但是，这些验证方法仅仅是加入了人脸的元素，为了使系统有更强的鲁棒性与安全性，本发明除了通过摄像头采集人脸验证以外，还加入了手写字体签名，在系统上加入了手写板的装置，可以在身份验证的时候，采集操作人的手写字体作为其中的一种验证方式，最后，还加上了数字密码的验证和友情提示的安全功能。
人脸识别在计算机视觉领域有许多的实际应用，比如人脸跟踪监测，机器人的人脸定位和基于安全监控的人脸识别，因此受到了研究人员越来越多的关注。
一般情况下，人脸图像的采集会考虑以下几个方面：1)从不同的角度采集人脸图像数据；2)不同的光照条件下采集人脸图像；3)不同的表情采集人脸图像数据；4)分别在戴眼镜和不戴眼镜的情况下采集人脸图像数据。典型的人脸识别过程由以下的几个步骤：首先，从训练图像集中提取人脸图像特征；第二，由一种特征选择算法训练出一个高效的特征选择模型，通过该特征选择模型选择对随后分类最有效的特征；第三，选择一个合适的分类器进行分类识别。在采集人脸图像的时候会考虑以上的4种情况，或者也有其他的因素的影响，有很多的人脸是很容易被混淆的。虽然现有的特征选择算法可以使得高维特征变得更加简洁和有效，也能得到一定准确度的识别率，但是在数据集混有很多容易混淆的样本的情况下，现有的特征选择算法表现受到限制。
虽说手写签名图像由于每个人的书写风格各有不同，会有自己不同的签名字体；但是，有的人会有自己的设计签名，所以这些人的字体会有些相似，采集信息时与验证时的手写字体图像，由于温度，操作人的坐姿不同，都会影响到手写的签名字体图像的差异，现在典型的特征选择算法的效果会受到一定的影响，柯西估计判别分析特征选择算法相比典型的特征选择算法会有一定的优势。
发明内容
本发明的目的是进一步增强系统的安全性与鲁棒性，增加了人体信息对系统验证的作用。不再是单一的利用人脸，而是加入了人体手写字体的验证；最后一步再用数字密码来验证和友情提示的安全功能。
鉴别局部配准模型对于现在比较流行的人脸数据集有不错的表现，但是由于这一类算法没有考虑容易混淆的样本所带来的影响，所以对于人脸识别的准确率没有更进一步的提升。本发明提出的特征选择算法是让特征选择以后的每个图像都距离所有图像的欧几里得中心的距离比较远，并且采用柯西估计理论，这样保证了同一个人的所有图像不会距离的太远的同时，又增大容易混淆的图像的辨识度。因此就改善了人脸图像数据集和手写签名图像数据集中混有容易混淆的图像的情况下的性能。
本发明详细描述了一套基于人脸图像，手写签名图像和数字密码的安全验证系统，和一种新的特征选择算法，就是柯西估计判别分析算法。
本发明采用如下技术方案实现。
一种多重保险的身份认证方法，本发明包括如下步骤，1)采集用户人脸图像；2)采集用户手写签名图像；3)设置密码；4)从采集的人脸图像集和手写签名图像集中分别提取人脸图像特征和手写签名图像特征；5)对人脸图像特征和手写签名图像特征进行特征选择；6)采用支持向量机分类器进行分类；7)步骤6)中支持向量机分类器的识别结果正确及密码输入正确，即验证成功，否则失败。
本发明步骤4)是利用LPQ的特征提取方法对人脸图像提取特征。
本发明步骤4)是利用path signatures的特征提取方法对手写签名图像提取特征。
本发明步骤5)对人脸图像特征和手写签名图像特征进行特征选择是利用柯西估计判别分析算法对其进行特征选择。
本发明柯西估计判别分析算法的具体步骤如下：对于一个给定的图像xi属于人脸图像或者手写签名图像集合X＝[x1,x2,...xN]∈RD×N N是人脸图像或者手写签名图像的个数，D是提取特征以后的人脸图像或者手写签名图像的原始维数，R代表在实数空间，其对应的低维图像yi属于人脸图像或者手写签名图像集合Y＝[y1,y2,...yN]∈Rd×N d是特征选择后的人脸特征的维数，找到K个最相似的图像其中，有k1个是和xi属于同一个人的人脸图像或者手写签名图像，剩下的k2个是和xi不相同的人的人脸图像或者手写签名图像，其中K＝k1+k2，分别用和表示这两组人脸特征；对于整个xi的局部块可以表示为：其中表示D×(k1+k2+1)维的线性空间，对应的低维表达是在一个新得到的低维局部块内，达到同一个人的人脸图像或者手写签名图像间的欧几里得距离足够的近，而不同人之间的人脸图像或者手写签名图像间的欧几里得距离足够的远，因此以上的说法优化函数表示如下：
α是尺度因子，用来控制同一个人所获取到的样本间的欧几里得距离与不同人所获取的样本欧几里得距离影响；
定义一个系数向量ωi：
利用定义的系数向量ωi，(1)式就会被化简成以下的形式：
tr(·)表示的是矩阵的迹运算,式中的
下面引入选择矩阵(Si)pq：
因此，得到低维表达Yi＝YSi，目标函数(2)可以改写为：
考虑到在高维空间的表示，每个图像间的差距可能较小，达到在低维的空间表示出来的图像之间的距离要比较远；对于每个图像来说就可以表示为：每个低维空间的图像与所有图像中心的欧几里得距离足够的远，表示为以下的目标函数：
就是所有图像的欧几里得距离的中心，即
为了使得所有的类具有更强的判别能力，加入了柯西估计理论，(5)式变成以下的形式：
c是一个参数，用来调整图像之间的距离。
整合(4)式和(6)式，目标函数写成以下的形式：
C1是正则化系数；
由于存在Y＝UTX关系，(7)式可以化简为
其中，S表示的是高维人脸图像或者手写签名图像特征之间的方差
为了使得(8)式有唯一解，所以给定条件：UTU＝I；
投影矩阵U通过迭代的方法和特征值的求解方法解出来。
本发明步骤3)设置密码的数量为2个或以上；一个是用于日常登录的验证密码；其余的是用于友情提示的安全密码,用于在用户身边有人要求打开系统而用户本人又不愿打开系统的情况下，那么此时可以输入友情提示密码，系统屏幕会随机返回“系统维护”，“系统繁忙”，“系统锁定”的字样，从而保护用户的隐私信息。
本发明步骤1)采集用户人脸图时使用可见光摄像头或近红外摄像头采集。
一种多重保险的身份认证方法的使用步骤，首先，系统会要求操作人正脸对着摄像头，然后会要求上下左右转动头，足以让摄像头采集到用户不同角度的人脸图像，最后将采集到的数据同数据库预留的数据进行比对，若大于某一阈值，则认为操作对象为真实有效，若比较结果小于设定的阈值，提示人脸匹配失败，匹配N1次还是小于设定的阈值，则系统自动锁闭；如果第一步检验通过，接下来是手写签名校对，会要求在手写板上手写自己的签名，获取到的签名会同数据库预留的数据进行比对，若大于某一阈值，则认为操作对象为真实有效，如果小于设定的阈值，提示签名匹配失败，最多匹配N2次失败系统自动锁闭，如果第二步的验证也通过，第三步是数字密码校对，如果输入的数字密码匹配成功，那么用户就可以进入系统，如果输入错误N3次，系统会自动锁闭；在用户身边有人要求打开系统而用户本人又不愿打开系统的情况下，那么此时可以输入友情提示密码，系统屏幕会随机返回“系统维护”，“系统繁忙”，“系统锁定”字样，从而保护用户的隐私信息；系统自动锁闭以后需要管理员权限才能激活。
本发明的有益效果为，本发明的目的是进一步增强验证系统的安全性与鲁棒性，增加了组合的人体生物特征信息对系统验证的作用。在利用人脸生物特征信息的同时，加入了手写签名这一人体行为特征；最后再用数字密码来验证，增加系统的可靠性。与其他典型的特征选择算法相比，采用本发明中的特征选择算法可以减少由于人脸图像集和手写签名图像集中混有容易混淆的图像带来的误差，并提高人脸图像和手写签名图像识别的准确度。
下面结合具体实施方式对本发明做进一步解释。
具体实施方式
本发明可以应用在实验室数据安全存储管理中，在登记数据库管理人员的信息的时候，首先，会录制登记人员的人脸视频图像，包括正面，侧面图像；然后会要求登记人员在手写板上用自己常用的书写习惯书写20个左右的本人签名；最后设置2个数字密码，一个是用于使用的验证密码，第二个是用于友情提示的安全密码，用于在用户身边有人要求打开系统而用户本人又不愿打开系统的情况下，那么此时可以输入友情提示密码，系统屏幕会随机返回“系统维护”，“系统繁忙”，“系统锁定”等字样，从而保护用户的隐私信息等。
管理人员的组合人体生物特征的采集和数字密码的注册完成以后，其通过系统验证的具体使用步骤如下，首先，此系统会要求用户正脸对着摄像头，然后会要求上下左右转动头，足以让摄像头采集到用户不同角度的人脸图像，然后将采集到的数据同数据库预留的数据进行比对，若大于某一阈值，则认为操作对象为真实有效，若比较结果小于设定的阈值，提示人脸匹配失败，最多匹配N1(N1可以人工设置)次还是小于设定的阈值，则系统自动锁闭；如果第一步检验通过，接下来是手写签名校对，会要求在手写板上书写自己的签名，系统获取到的签名会同数据库预留的数据进行比对，若大于某一阈值，则认为操作对象为真实有效，如果小于设定的阈值，提示签名匹配失败，最多匹配N2(N2可以人工设置)次失败系统自动锁闭，如果第二步的验证也通过，第三步是数字密码校对，如果输入的数字密码匹配成功，那么用户就可以进入系统，用户最多匹配N3(N3可以人工设置)次失败系统自动锁闭。在用户身边有人要求打开系统而用户本人又不愿打开系统的情况下，那么此时可以输入友情提示密码，系统屏幕会随机返回“系统维护”，“系统繁忙”，“系统锁定”等字样，从而保护用户的隐私信息等。系统自动锁闭以后需要管理员权限才能激活。
本发明中的特征选择算法的目的在于克服容易混淆的图像会对识别的准确性产生影响的问题，提出了柯西估计判别分析特征选择算法，主要包括以下的步骤：1)从采集的人脸图像集和手写签名图像集中分别提取人脸图像特征和手写签名图像特征；2)采用柯西估计判别分析的特征选择算法，对第一步的图像特征进行特征选择；3)采用支持向量机(SVM)分类器进行分类。
所述的第一步利用LPQ[1]的特征提取方法对人脸图像提取特征，利用pathsignatures[2]的特征提取方法对手写签名图像提取特征。
[1]V.Ojansivu and J.Heikkila,“Blur insensitive texture classificationusing local phase quantization,”in Image Signal Process.Springer,2008,pp.236–243.
[2]Benjamin Graham,“Sparse arrays of signatures for online characterrecognition,”CoRR abs/1308.0371,2013.
所述的第二步特征选择算法，即柯西估计判别分析算法具体步骤如下：
具体步骤如下：对于一个给定的图像xi属于所有人脸图像或者手写签名图像集合X＝[x1,x2,...xN]∈RD×N(N是人脸图像或者手写签名图像的个数，D是提取特征以后的人脸图像或者手写签名图像的原始维数，R代表在实数空间)，其对应的低维图像yi属于人脸图像或者手写签名图像集合Y＝[y1,y2,...yN]∈Rd×N(d是特征选择后的人脸特征的维数)，可以找到K个最相似的图像其中，有k1个是和xi属于同一个人的人脸图像或者手写签名图像，剩下的k2个是和xi不相同的人的人脸图像或者手写签名图像，其中K＝k1+k2，分别用和表示这两组人脸特征；对于整个xi的局部块可以表示为：(其中表示D×(k1+k2+1)维的线性空间)，对应的低维表达是在一个新得到的低维局部块内，达到同一个人所有图像间的欧几里得距离足够的近而不同人之间的人脸图像或者手写签名图像间的欧几里得距离足够的远，因此以上的说法优化函数表示如下：
α是尺度因子，用来控制同一个人所获取到的样本间的欧几里得距离与不同人所获取的样本欧几里得距离影响。
定义一个系数向量ωi：
利用定义的系数向量ωi，(1)式就会被化简成以下的形式：
tr(·)表示的是矩阵的迹运算,式中的
下面引入选择矩阵(Si)pq：
因此，可以得到低维表达Yi＝YSi，目标函数(2)可以改写为：
考虑到在高维空间的表示，每个图像间的差距可能不大，所以希望在低维的空间表示出来的图像之间的距离要远一些。对于每个图像来说就可以表示为：每个低维空间的图像与所有图像中心的欧几里得距离足够的远，可以表示为以下的目标函数：
就是所有图像的欧几里得距离的中心，即
为了使得所有的类具有更强的判别能力，加入了柯西估计[3]的理论[3]M.Ivanand C.H.Muller,“Breakdown points of cauchy regression-scale estimators,”Statistics&probability letters,vol.57,no.1,pp.79–89,Feb.2002.，(5)式变成以下的形式：
c是一个参数，用来调整图像之间的距离。
整合(4)式和(6)式，目标函数就可以写成以下的形式：
C1是正则化系数。
由于存在Y＝UTX关系，(7)式可以化简为
其中，S表示的是高维人脸图像或者手写签名图像特征之间的方差
为了使得(8)式有唯一解，所以给定条件：UTU＝I。
投影矩阵U可以通过迭代的方法和特征值的求解方法解出来。
所述的第三步是用支持向量机(SVM)分类器进行分类。
Claims (6)
1.一种多重保险的身份认证方法，其特征在于，包括如下步骤，1)采集用户人脸图像；2)采集用户手写签名图像；3)设置密码；4)从采集的人脸图像集和手写签名图像集中分别提取人脸图像特征和手写签名图像特征；5)对人脸图像特征和手写签名图像特征是利用柯西估计判别分析算法对其进行特征选择；柯西估计判别分析算法的具体步骤如下：对于一个给定的图像xi属于人脸图像或者手写签名图像集合X＝[x1,x2,...xN]∈RD×NN是人脸图像或者手写签名图像的个数，D是提取特征以后的人脸图像或者手写签名图像的原始维数，R代表在实数空间，其对应的低维图像yi属于人脸图像或者手写签名图像集合Y＝[y1,y2,...yN]∈Rd×Nd是特征选择后的人脸特征的维数，找到K个最相似的图像其中，有k1个是和xi属于同一个人的人脸图像或者手写签名图像，剩下的k2个是和xi不相同的人的人脸图像或者手写签名图像，其中K＝k1+k2，分别用和表示这两组人脸特征；对于整个xi的局部块可以表示为：其中表示D×(k1+k2+1)维的线性空间，对应的低维表达是在一个新得到的低维局部块内，达到同一个人的人脸图像或者手写签名图像间的欧几里得距离足够的近，而不同人之间的人脸图像或者手写签名图像间的欧几里得距离足够的远，因此以上的说法优化函数表示如下：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<msup>
<mi>i</mi>
<mi>j</mi>
</msup>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<msub>
<mi>i</mi>
<mi>p</mi>
</msub>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
α是尺度因子，用来控制同一个人所获取到的样本间的欧几里得距离与不同人所获取的样本欧几里得距离影响；
定义一个系数向量ωi：
利用定义的系数向量ωi，(1)式就会被化简成以下的形式：
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
</munder>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>Y</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
这里的tr(·)表示的是矩阵的迹运算,式中的
下面引入选择矩阵(Si)pq：
<mrow>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>I</mi>
<mi>f</mi>
<mi> </mi>
<mi>p</mi>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>{</mo>
<mi>q</mi>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
这里
因此，得到低维表达Yi＝YSi，目标函数(2)可以改写为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>argmin</mi>
<mi>Y</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>YS</mi>
<mi>i</mi>
</msub>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>S</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msup>
<mi>Y</mi>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mi>Y</mi>
</munder>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>YLY</mi>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
考虑到在高维空间的表示，每个图像间的差距可能较小，达到在低维的空间表示出来的图像之间的距离要比较远；对于每个图像来说就可以表示为：每个低维空间的图像与所有图像中心的欧几里得距离足够的远，表示为以下的目标函数：
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
就是所有图像的欧几里得距离的中心，即
为了使得所有的类具有更强的判别能力，加入了柯西估计理论，(5)式变成以下的形式：
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</munder>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>(</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>c</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
c是一个参数，用来调整图像之间的距离；
整合(4)式和(6)式，目标函数写成以下的形式：
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</munder>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>YLY</mi>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>c</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
C1是正则化系数；
由于存在Y＝UTX关系，(7)式可以化简为
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>U</mi>
</munder>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>U</mi>
<mi>T</mi>
</msup>
<msup>
<mi>XLX</mi>
<mi>T</mi>
</msup>
<mi>U</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>U</mi>
<mi>T</mi>
</msup>
<mi>S</mi>
<mi>U</mi>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>c</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，S表示的是高维人脸图像或者手写签名图像特征之间的方差
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
为了使得(8)式有唯一解，所以给定条件：UTU＝I；
投影矩阵U通过迭代的方法和特征值的求解方法解出来；6)采用支持向量机分类器进行分类；7)步骤6)中支持向量机分类器的识别结果正确及密码输入正确，即验证成功，否则失败。
2.根据权利要求1所述的一种多重保险的身份认证方法，其特征在于，步骤4)是利用LPQ的特征提取方法对人脸图像提取特征。
3.根据权利要求1所述的一种多重保险的身份认证方法，其特征在于，步骤4)是利用pathsignatures的特征提取方法对手写签名图像提取特征。
4.根据权利要求1所述的一种多重保险的身份认证方法，其特征在于，步骤3)设置密码的数量为2个或以上；一个是用于日常登录的验证密码；其余的是用于友情提示的安全密码,用于在用户身边有人要求打开系统而用户本人又不愿打开系统的情况下，那么此时可以输入友情提示密码，系统屏幕会随机返回“系统维护”，“系统繁忙”，“系统锁定”的字样，从而保护用户的隐私信息。
5.根据权利要求1所述的一种多重保险的身份认证方法，其特征在于，步骤1)采集用户人脸图时使用可见光摄像头或近红外摄像头采集。
6.根据权利要求1所述的一种多重保险的身份认证方法，其特征在于，还包括，首先，系统会要求操作人正脸对着摄像头，然后会要求上下左右转动头，足以让摄像头采集到用户不同角度的人脸图像，最后将采集到的数据同数据库预留的数据进行比对，若大于某一阈值，则认为操作对象为真实有效，若比较结果小于设定的阈值，提示人脸匹配失败，匹配N1次还是小于设定的阈值，则系统自动锁闭；如果第一步检验通过，接下来是手写签名校对，会要求在手写板上手写自己的签名，获取到的签名会同数据库预留的数据进行比对，若大于某一阈值，则认为操作对象为真实有效，如果小于设定的阈值，提示签名匹配失败，最多匹配N2次失败系统自动锁闭，如果第二步的验证也通过，第三步是数字密码校对，如果输入的数字密码匹配成功，那么用户就可以进入系统，如果输入错误N3次，系统会自动锁闭；在用户身边有人要求打开系统而用户本人又不愿打开系统的情况下，那么此时可以输入友情提示密码，系统屏幕会随机返回“系统维护”，“系统繁忙”，“系统锁定”字样，从而保护用户的隐私信息；系统自动锁闭以后需要管理员权限才能激活。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610072644.0A CN105631272B (zh) | 2016-02-02 | 2016-02-02 | 一种多重保险的身份认证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610072644.0A CN105631272B (zh) | 2016-02-02 | 2016-02-02 | 一种多重保险的身份认证方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105631272A CN105631272A (zh) | 2016-06-01 |
| CN105631272B true CN105631272B (zh) | 2018-05-11 |
Family
ID=56046199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610072644.0A Active CN105631272B (zh) | 2016-02-02 | 2016-02-02 | 一种多重保险的身份认证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105631272B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798279B (zh) * | 2016-09-07 | 2022-01-25 | 北京眼神科技有限公司 | 一种人脸活体检测方法及装置 |
| CN106503262B (zh) * | 2016-11-22 | 2019-12-27 | 张新民 | 社交人脸记忆识别方法及装置 |
| CN106788973A (zh) * | 2016-12-19 | 2017-05-31 | 四川九洲电器集团有限责任公司 | 一种签名方法和发送设备 |
| CN106951832B (zh) * | 2017-02-28 | 2022-02-18 | 广东数相智能科技有限公司 | 一种基于手写字符识别的验证方法及装置 |
| CN107358148B (zh) * | 2017-05-24 | 2022-04-29 | 广东数相智能科技有限公司 | 一种基于手写识别的防作弊网络调研的方法及装置 |
| CN109409071A (zh) * | 2018-11-13 | 2019-03-01 | 湖北文理学院 | 电子设备的解锁方法、装置和电子设备 |
| CN109543611A (zh) * | 2018-11-22 | 2019-03-29 | 珠海市蓝云科技有限公司 | 一种基于人工智能的图像匹配的方法 |
| CN110414246B (zh) * | 2019-06-19 | 2023-05-30 | 平安科技（深圳）有限公司 | 共享文件安全管理方法、装置、终端及存储介质 |
| CN111193595B (zh) * | 2019-11-28 | 2023-05-09 | 腾讯云计算（北京）有限责任公司 | 电子签名的错误检测方法、装置、设备和存储介质 |
| CN114758440B (zh) * | 2020-12-29 | 2023-07-18 | 成都启源西普科技有限公司 | 基于图像和文字混合识别的门禁系统 |
| CN114758439B (zh) * | 2020-12-29 | 2023-07-18 | 成都启源西普科技有限公司 | 一种基于人工智能的多模态门禁系统 |
| CN112733645B (zh) * | 2020-12-30 | 2023-08-01 | 平安科技（深圳）有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
| CN113793427A (zh) * | 2021-09-09 | 2021-12-14 | 周口师范学院 | 一种具有智能识别功能的机器视觉系统及其使用方法 |
| CN116186672B (zh) * | 2023-04-20 | 2023-07-28 | 北京万讯博通科技发展有限公司 | 一种多特征变量的用户协同识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1794266A (zh) * | 2005-12-31 | 2006-06-28 | 清华大学 | 生物特征融合的身份识别和认证方法 |
| CN101246543A (zh) * | 2008-03-18 | 2008-08-20 | 苏州纳米技术与纳米仿生研究所 | 基于仿生与生物特征识别的考试者身份鉴定系统 |
| CN102904885A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 多身份认证信息特征复合认证方法 |
| CN103020599A (zh) * | 2012-12-12 | 2013-04-03 | 山东神思电子技术股份有限公司 | 基于人脸的身份认证方法 |
-
2016
- 2016-02-02 CN CN201610072644.0A patent/CN105631272B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1794266A (zh) * | 2005-12-31 | 2006-06-28 | 清华大学 | 生物特征融合的身份识别和认证方法 |
| CN101246543A (zh) * | 2008-03-18 | 2008-08-20 | 苏州纳米技术与纳米仿生研究所 | 基于仿生与生物特征识别的考试者身份鉴定系统 |
| CN102904885A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 多身份认证信息特征复合认证方法 |
| CN103020599A (zh) * | 2012-12-12 | 2013-04-03 | 山东神思电子技术股份有限公司 | 基于人脸的身份认证方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105631272A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105631272B (zh) | 一种多重保险的身份认证方法 | |
| CN108009528B (zh) | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 | |
| Sharma et al. | On the exploration of information from the DTW cost matrix for online signature verification | |
| Jain et al. | Biometrics: a tool for information security | |
| US8768049B2 (en) | Small vein image recognition and authorization using constrained geometrical matching and weighted voting under generic tree model | |
| Ross et al. | Handbook of multibiometrics | |
| Delac et al. | A survey of biometric recognition methods | |
| CN108229427A (zh) | 一种基于身份证件和人脸识别的身份安全验证方法及系统 | |
| CN108549806B (zh) | 基于用户滑动和点击行为的身份认证方法 | |
| AU2017200935B2 (en) | Method for securing and verifying a document | |
| Scherhag et al. | Performance variation of morphed face image detection algorithms across different datasets | |
| WO2018072028A1 (en) | Face authentication to mitigate spoofing | |
| CN104951940A (zh) | 一种基于掌纹识别的移动支付验证方法 | |
| CN102254165A (zh) | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 | |
| Lai et al. | Towards gesture-based user authentication | |
| Mane et al. | Review of multimodal biometrics: applications, challenges and research areas | |
| CN106096348A (zh) | 一种基于多维码的证卡验证系统及方法 | |
| CN105893952A (zh) | 基于pca方法的手写签名识别方法 | |
| EP2701096A2 (en) | Image processing device and image processing method | |
| Fenu et al. | Controlling user access to cloud-connected mobile applications by means of biometrics | |
| Kim et al. | Reconstruction of fingerprints from minutiae using conditional adversarial networks | |
| Lee et al. | Robust iris recognition baseline for the grand challenge | |
| CN100365645C (zh) | 基于眉毛识别的身份鉴别方法 | |
| Prasanalakshmi et al. | Biometric cryptosystem involving two traits and palm vein as key | |
| CN112862491B (zh) | 基于安全单元和可信执行环境的人脸支付安全方法及平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210302 Address after: 650091 Yunnan province Kunming City Lake Road No. 2 Patentee after: YUNNAN University Patentee after: Tao Dapeng Address before: 650091 Yunnan province Kunming City Lake Road No. 2 Patentee before: YUNNAN University |