CN108681698A - 一种具有隐私保护功能的大规模虹膜识别方法 - Google Patents
一种具有隐私保护功能的大规模虹膜识别方法 Download PDFInfo
- Publication number
- CN108681698A CN108681698A CN201810402195.0A CN201810402195A CN108681698A CN 108681698 A CN108681698 A CN 108681698A CN 201810402195 A CN201810402195 A CN 201810402195A CN 108681698 A CN108681698 A CN 108681698A
- Authority
- CN
- China
- Prior art keywords
- iris
- sample
- layer
- encryption
- hash
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Collating Specific Patterns (AREA)
- Ophthalmology & Optometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种具有隐私保护的大规模虹膜识别方法,通过采集虹膜样本、加密虹膜样本、构建加密虹膜检索样本集、对加密虹膜样本集进行哈希编码、对加密虹膜样本集进行特征描述、识别未知身份虹膜,实现加密虹膜的识别。该方法通过快速检索到一批相似用户,然后进行精细比较,缩短了识别时间,且利用所设计的哈希编码和特征描述可以实现快捷的同时,准确率也有提高。
Description
技术领域
本发明涉及人工智能与信息安全领域,具体涉及一种具有隐私保护功 能的大规模虹膜识别方法。
技术背景
随着信息化时代的到来,信息安全和网络安全的重要性日益加强。在 这种社会背景下,身份认证技术的发展日新月异,各种新颖高效的方法层 出不穷。其中生物识别技术凭借着它高可靠性和易用性等优点脱颖而出, 在近几年得到了足够的重视和迅速的发展和广泛应用。
虹膜识别作为生物识别技术,区别于其他的诸如人脸识别,指纹识别 等,拥有稳定性、唯一性、可采集性、高防伪性和活体检测性的特点,使 得虹膜识别技术具有巨大的研究价值和广阔的应用前景。但是虹膜作为一 种生物特征,它不能更改,即不能像密码一样泄漏后可以更换。在进行虹 膜识别和身份识别时,需要充分考虑到用户隐私保护的问题,不能将虹膜 图像信息泄漏,以免造成不可挽回的损失。特别是在网络环境下,将生物 特征数据传输到云端,即云计算服务器,进行识别或验证,由于不能保证 服务器数据的绝对安全,所以在云计算模式的生物特征数据的隐私安全保 护是一种具有非常重要的行业需求。
另外,在用户规模非常大的时候,例如十万,百万甚至千万用户,进 行虹膜的分类识别是非常耗时的,算法不具有实时性。因此,研究具有隐 私保护功能的大规模虹膜识别方法,具有重要的研究意义和经济社会价值。
发明内容
本发明针对现有技术的不足,提供了一种具有隐私保护功能的大规模 虹膜识别方法,在准确地提取虹膜位置和识别虹膜特征的同时,防止用户 虹膜信息的泄漏,实现隐私保护,其特征在于包含以下步骤:
s1采集虹膜样本:采集大量的眼部图像;并利用图像分割技术从眼部 图像中分割出虹膜图像,构建大规模虹膜样本集;
s2构建加密的虹膜样本集:对步骤s1构建的大规模虹膜样本集进行加 密,构建加密的虹膜样本集;
s3构建加密的虹膜检索样本集:基于步骤s2构建的加密的虹膜样本集, 构建加密的虹膜检索样本集;
s4对加密的虹膜样本集进行哈希编码:构建深度学习哈希网络,利用 步骤s3构建的加密的虹膜检索样本集对深度学习哈希网络进行训练,得到 深度哈希模型;并从深度哈希模型中取出从输入层到哈希层的部分,作为 哈希编码器;利用该哈希编码器对步骤s2构建的加密虹膜样本集中的加密 虹膜样本进行哈希编码,从而将输入的加密虹膜样本编码成只有0和1组 成的向量;
s5对加密虹膜样本集进行特征描述:构建深度学习分类网络,利用步 骤s2构建的加密的大规模虹膜样本集对深度学习分类网络进行训练,得到 加密虹膜分类模型;从所述加密虹膜分类模型中取出从输入层到最后一个 隐含层的部分,作为对加密虹膜的特征描述器;利用该加密虹膜特征描述 器对s2步骤构建的加密虹膜样本集中的所有样本进行特征描述;
s6识别未知身份的虹膜:对于待识别的未知身份虹膜样本i,先进行加 密,然后利用步骤4所得的哈希编码器对加密结果进行编码得到Hi;计算 Hi与步骤4所得的已知身份的虹膜哈希编码的海明距离(Hamming Distance),得到最相似的K个用户。利用所述的加密虹膜特征描述器,对 加密后的待识别的未知身份虹膜样本i进行特征描述得到Fi,并分别计算 Fi和最相似的K个用户的加密虹膜特征之间的相似度;并对相似度值进行 排序,将最大相似度值对应的用户身份作为未知身份虹膜样本的身份。
进一步地,所述步骤s1眼部图像和虹膜图像样本的采集采用但不限于 近红外相机、可见光相机、或超声波传感器等。
进一步地,所述步骤s1中虹膜图像的分割,采用但不限于SegNet神经 网络对虹膜进行分割。
进一步地,所述步骤s2中虹膜样本的加密操作,采用但不限于同态加 密算法。
进一步地,所述步骤s3中构建虹膜检索样本集具体过程为:根据虹膜 样本数据集计算相似度矩阵,规定同一用户的样本相似度为1,不同用户的 样本相似度为0;构建三元组虹膜样本,即每个样本包含三个虹膜样本,其 中两个样本相似度为1,另一个样本与它们不相似;将所有三元组虹膜样本 构成虹膜检索样本集。
进一步地,所述深度哈希网络采用二维卷积构建。
更进一步地,所述深度哈希网络有8层,具体结构如下:第1层是输 入层,即加密虹膜样本数据,第2层是卷积层,采用9×9的卷积核,卷积 核个数为32,步长为2,第3层是池化层,池化尺寸为2×2,第4、5层是 两个卷积层,采用3×3的卷积核,卷积核个数为64,步长为1,第6层是 池化层,池化尺寸为2×2,第7层是卷积层,卷积核个数为128,步长为1, 第8层是一个全连接层,称为哈希层,第9层是输出层。
进一步地,所述步骤s5中的深度学习分类网络采用双向长短时记忆递 归神经网络作为分类网络。
本发明的优点在于:
1)本发明针对虹膜特征识别中隐私数据容易泄露的问题,设计了一 种先对虹膜数据进行加密,然后进行身份识别的策略,能保证识别准确率 的同时实现用户隐私的保护。
2)本发明针对大规模虹膜识别速度慢的问题,设计了一种先快速虹膜 检索后精细虹膜比较的身份识别策略,能大幅提高虹膜识别的速度。首先 在快速虹膜检索中,利用深度哈希网络对虹膜数据进行二进制编码,从而 可利用亦或操作实现海明距离的快速计算,快速检索到一批相似用户,即 相似用户集;然后在精细虹膜比较中,利用预先训练好的虹膜特征描述器 对相似用户集中的虹膜样本进行虹膜特征描述,计算待识别虹膜样本特征 与相似用户集虹膜特征的相似度,从而判别出待识别虹膜样本的用户身份。
具体实施方式
下面结合具体实施例对本发明作进一步的详细描述:
一种具有隐私保护功能的大规模虹膜识别,包括以下步骤:
步骤B1:利用相机采集N个用户的眼部图像。采集所用相机包括但不 限于近红外相机、可见光相机和超声波成像仪等;
优选地,相机采用近红外相机;
从步骤B1采集的眼部图像中分割出虹膜图像,构建大规模虹膜样本集。 在进行虹膜图像分割时,采用SegNet神经网络算法;
优选地,输入图像的大小设置为512×512像素;
优选地,用户数量N=10000,每个用户收集到的虹膜样本数为1000;
步骤B2:对步骤B1构建的大规模虹膜样本集中的所有样本进行加密, 构建加密的虹膜样本数据集。
优选地,虹膜样本加密算法采用同态加密算法;
步骤B3构建虹膜检索样本集:基于步骤B2构建的大规模的加密的虹 膜样本集,构建加密的虹膜检索样本集;根据加密虹膜样本数据集计算相 似度矩阵,规定同一用户的样本相似度为1,不同用户的样本相似度为0; 构建三元组加密虹膜样本,即每个样本包含三个加密虹膜样本,其中两个 样本相似度为1,另一个样本与它们不相似;将所有三元组加密虹膜样本构 成加密虹膜检索样本集;
优选地,加密虹膜检索样本数量为10000000;
步骤B4对加密虹膜样本集进行哈希编码:构建深度学习哈希网络,利 用步骤B3构建的加密虹膜检索样本集对深度学习哈希网络进行训练,得到 深度哈希模型;并从深度哈希模型中取出从输入层到哈希层的部分,作为 哈希编码器;哈希编码器的作用是将输入的加密虹膜样本编码成只有0和1 组成的向量;
优选地,深度学习哈希网络主要利用二维卷积来构建,总共有9层, 具体为:第1层是输入层,即加密的虹膜样本数据,第2层是卷积层,采 用9×9的卷积核,卷积核个数为32,步长为2,第3层是池化层,池化尺 寸为2×2,第4、5层是两个卷积层,采用3×3的卷积核,卷积核个数为64,步长为1,第6层是池化层,池化尺寸为2×2,第7层是卷积层,卷 积核个数为128,步长为1,第8层是一个全连接层,称为哈希层,节点数 为V,第9层是输出层。
哈希层节点数可以采用多种设置方式,比如24、32、48、64等,本发 明中,优选地,设置哈希层节点数V=48,激活函数选择Sigmoid函数;
步骤B5利用步骤4所得的哈希编码器对步骤2构建的加密虹膜样本集 中的虹膜样本进行哈希编码;
步骤B6对虹膜样本集进行特征描述:构建深度学习分类网络,利用步 骤B2构建的大规模的加密虹膜样本集对深度学习分类网络进行训练,得到 加密的虹膜分类模型;
优选地,采用双向长短时记忆递归神经网络作为分类网络,隐含节点 数设置为1024,输出层节点数与步骤B2中构建的加密虹膜样本集中的类 别数相同;
步骤B7构建加密虹膜的特征描述器;具体操作是,从步骤B6所得的 虹膜分类模型中取出从输入层到最后一个隐含层的部分,作为加密虹膜特 征描述器;
步骤B8利用步骤B7所得的加密虹膜特征描述器,对步骤B2构建的 加密虹膜样本集中的所有样本进行特征描述;
步骤B9识别未知身份虹膜:对于待识别的未知身份虹膜样本i,利用 步骤B2中使用的加密算法对其进行加密,然后利用步骤B4所得的哈希编 码器进行编码得到Hi;计算Hi与步骤B5所得的已知身份的虹膜哈希编码 的海明距离(Hamming Distance),得到最相似的K个用户;
优选地,从步骤B5所得的已知身份的虹膜哈希编码中,对所有N个用 户中的每个用户取出1个哈希编码,分别计算Hi与它们之间的距离,将距 离值最小的K个用户构成相似用户集;
优选地,设置K=100;
步骤B10利用步骤B2中的加密算法对步骤B9中的未知身份的虹膜样 本i进行加密,然后利用步骤B7所得的加密虹膜的特征描述器对其进行特 征描述得到Fi,并分别计算Fi和步骤B9所得的最相似的K个用户的加密 虹膜特征之间的相似度;
对步骤B10所得的相似度值进行排序,将最大相似度值对应的用户身 份作为未知身份虹膜样本的身份。
本发明的优点:
1)本发明针对虹膜特征识别中隐私数据容易泄露的问题,设计了一种 先对虹膜数据进行加密,然后进行身份识别的策略,能保证识别准确率的 同时实现用户隐私的保护。
2)本发明针对大规模虹膜识别速度慢的问题,设计了一种先快速虹膜 检索后精细虹膜比较的身份识别策略,能大幅提高虹膜识别的速度。首先 在快速虹膜检索中,利用深度哈希网络对虹膜数据进行二进制编码,从而 可利用亦或操作实现海明距离的快速计算,快速检索到一批相似用户,即 相似用户集;然后在精细虹膜比较中,利用预先训练好的虹膜特征描述器 对相似用户集中的虹膜样本进行虹膜特征描述,计算待识别虹膜样本特征 与相似用户集虹膜特征的相似度,从而判别出待识别虹膜样本的用户身份。
3)本发明的方法可以部署到云计算服务器上,实现具有隐私保护功能 的云端生物特征识别。在云计算过程中,客户端对虹膜进行加密,然后传 输到云服务器进行识别等计算,然后将计算结果反馈回客户端,这个过程 中,虹膜是经过加密传到服务器的,避免信息泄露。
本发明公开了一种具有隐私保护的大规模虹膜识别方法,通过采集虹 膜样本、加密虹膜样本、构建加密虹膜检索样本集、对加密虹膜样本集进 行哈希编码、对加密虹膜样本集进行特征描述、识别未知身份虹膜,实现 加密虹膜的识别。该方法通过快速检索到一批相似用户,然后进行精细比 较,缩短了识别时间,且利用加密算法对虹膜样本进行了加密,在加密数 据集上进行了特征匹配,实现了隐私保护的虹膜识别。
Claims (7)
1.一种具有隐私保护功能的大规模虹膜识别方法,其特征在于,包括以下步骤:
s1采集虹膜样本:采集大量的眼部图像;并利用图像分割技术从眼部图像中分割出虹膜图像,构建大规模虹膜样本集;
s2构建加密的虹膜样本集:对步骤s1构建的大规模虹膜样本集进行加密,构建加密的虹膜样本集;
s3构建加密的虹膜检索样本集:基于步骤s2构建的加密的虹膜样本集,构建加密的虹膜检索样本集;
s4对加密的虹膜样本集进行哈希编码:构建深度学习哈希网络,并利所述的加密的虹膜检索样本集对深度学习哈希网络进行训练,得到虹膜哈希编码器;利用该哈希编码器对步骤s2构建的加密虹膜样本集中的加密虹膜样本进行哈希编码;
s5对加密虹膜样本集进行特征描述:构建深度学习分类网络,利用步骤s2构建的加密的大规模虹膜样本集对深度学习分类网络进行训练,得到加密虹膜的特征描述器;利用该加密虹膜特征描述器对s2步骤构建的加密虹膜样本集中的所有样本进行特征描述;
s6识别未知身份的虹膜:对于待识别的未知身份虹膜样本i,先进行加密,然后进行哈希编码,并计算与已知身份的虹膜哈希编码的海明距离,得到最相似的K个用户,利用所述的特征描述器对待识别加密虹膜进行特征描述,并与所述的K个用户的加密虹膜特征描述进行比对,将最大相似度值对应的用户身份作为未知身份虹膜样本的身份。
2.根据权利要求1具有隐私保护的大规模虹膜识别方法,其特征在于:所述步骤s1中的虹膜分割采用但不限于SegNet分割算法。
3.根据权利要求1具有隐私保护的大规模虹膜识别方法,其特征在于:所述步骤s2中的虹膜加密采用但不限于同态加密算法。
4.根据权利要求1具有隐私保护的大规模虹膜识别方法,其特征在于:所述步骤s3中构建虹膜检索样本集具体过程为:根据虹膜样本数据集计算相似度矩阵,规定同一用户的样本相似度为1,不同用户的样本相似度为0;构建三元组虹膜样本,即每个样本包含三个虹膜样本,其中两个样本相似度为1,另一个样本与它们不相似;将所有三元组虹膜样本构成虹膜检索样本集。
5.根据权利要求1具有隐私保护的大规模虹膜识别方法,其特征在于:所述深度哈希网络采用二维卷积构建。
6.根据权利要求1具有隐私保护的大规模虹膜识别方法,其特征在于:所述深度哈希网络有9层,具体结构如下:第1层是输入层,即虹膜样本数据,第2层是卷积层,采用9×9的卷积核,卷积核个数为32,步长为2,第3层是池化层,池化尺寸为2×2,第4、5层是两个卷积层,采用3×3的卷积核,卷积核个数为64,步长为1,第6层是池化层,池化尺寸为2×2,第7层是卷积层,卷积核个数为128,步长为1,第8层是一个全连接层,称为哈希层,第9层是输出层。
7.根据权利要求1具有隐私保护的大规模虹膜识别方法,其特征在于:所述步骤s4中的深度学习分类网络采用双向长短时记忆递归神经网络作为分类网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810402195.0A CN108681698B (zh) | 2018-04-28 | 2018-04-28 | 一种具有隐私保护功能的大规模虹膜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810402195.0A CN108681698B (zh) | 2018-04-28 | 2018-04-28 | 一种具有隐私保护功能的大规模虹膜识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681698A true CN108681698A (zh) | 2018-10-19 |
CN108681698B CN108681698B (zh) | 2021-03-16 |
Family
ID=63802669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810402195.0A Active CN108681698B (zh) | 2018-04-28 | 2018-04-28 | 一种具有隐私保护功能的大规模虹膜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681698B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284744A (zh) * | 2018-11-02 | 2019-01-29 | 张彦龙 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
CN110011954A (zh) * | 2018-11-27 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 基于同态加密的生物识别方法、装置、终端及业务服务器 |
CN110503697A (zh) * | 2019-08-14 | 2019-11-26 | 江苏海洋大学 | 一种基于随机噪声机制的虹膜特征隐藏方法 |
CN111368336A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于秘密共享的训练方法、装置、电子设备及存储介质 |
WO2020144510A1 (en) * | 2019-01-10 | 2020-07-16 | International Business Machines Corporation | Method and system for privacy preserving biometric authentication |
WO2021228148A1 (zh) * | 2020-05-14 | 2021-11-18 | 支付宝(杭州)信息技术有限公司 | 保护个人数据隐私的特征提取方法、模型训练方法及硬件 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486302A (zh) * | 2014-12-03 | 2015-04-01 | 张家港智帆技术咨询有限公司 | 一种移动交易安全认证方法 |
CN105550626A (zh) * | 2015-07-08 | 2016-05-04 | 宇龙计算机通信科技(深圳)有限公司 | 一种虹膜识别方法及装置 |
CN105897428A (zh) * | 2016-04-28 | 2016-08-24 | 武汉大学 | 一种基于虹膜识别的实时视频安全通讯系统及方法 |
CN106503467A (zh) * | 2016-11-05 | 2017-03-15 | 深圳市前海安测信息技术有限公司 | 医疗信息化基于虹膜识别的电子病历信息查询系统及方法 |
US20170193316A1 (en) * | 2014-04-14 | 2017-07-06 | Alibaba Group Holding Limited | Method and apparatus of verifying usability of biological characteristic image |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
-
2018
- 2018-04-28 CN CN201810402195.0A patent/CN108681698B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193316A1 (en) * | 2014-04-14 | 2017-07-06 | Alibaba Group Holding Limited | Method and apparatus of verifying usability of biological characteristic image |
CN104486302A (zh) * | 2014-12-03 | 2015-04-01 | 张家港智帆技术咨询有限公司 | 一种移动交易安全认证方法 |
CN105550626A (zh) * | 2015-07-08 | 2016-05-04 | 宇龙计算机通信科技(深圳)有限公司 | 一种虹膜识别方法及装置 |
CN105897428A (zh) * | 2016-04-28 | 2016-08-24 | 武汉大学 | 一种基于虹膜识别的实时视频安全通讯系统及方法 |
CN106503467A (zh) * | 2016-11-05 | 2017-03-15 | 深圳市前海安测信息技术有限公司 | 医疗信息化基于虹膜识别的电子病历信息查询系统及方法 |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284744A (zh) * | 2018-11-02 | 2019-01-29 | 张彦龙 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
CN110011954A (zh) * | 2018-11-27 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 基于同态加密的生物识别方法、装置、终端及业务服务器 |
CN110011954B (zh) * | 2018-11-27 | 2021-09-14 | 创新先进技术有限公司 | 基于同态加密的生物识别方法、装置、终端及业务服务器 |
WO2020144510A1 (en) * | 2019-01-10 | 2020-07-16 | International Business Machines Corporation | Method and system for privacy preserving biometric authentication |
GB2595381A (en) * | 2019-01-10 | 2021-11-24 | Ibm | Method and system for privacy preserving biometric authentication |
US11201745B2 (en) | 2019-01-10 | 2021-12-14 | International Business Machines Corporation | Method and system for privacy preserving biometric authentication |
GB2595381B (en) * | 2019-01-10 | 2023-05-03 | Ibm | Method and system for privacy preserving biometric authentication |
CN110503697A (zh) * | 2019-08-14 | 2019-11-26 | 江苏海洋大学 | 一种基于随机噪声机制的虹膜特征隐藏方法 |
CN110503697B (zh) * | 2019-08-14 | 2023-04-28 | 江苏海洋大学 | 一种基于随机噪声机制的虹膜特征隐藏方法 |
WO2021228148A1 (zh) * | 2020-05-14 | 2021-11-18 | 支付宝(杭州)信息技术有限公司 | 保护个人数据隐私的特征提取方法、模型训练方法及硬件 |
CN111368336A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于秘密共享的训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108681698B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681698A (zh) | 一种具有隐私保护功能的大规模虹膜识别方法 | |
Jia et al. | A semisupervised Siamese network for hyperspectral image classification | |
Mai et al. | On the reconstruction of face images from deep face templates | |
Ben et al. | Coupled patch alignment for matching cross-view gaits | |
CN108446680A (zh) | 一种基于边缘计算的人脸认证系统中的隐私保护方法 | |
CN107480163A (zh) | 一种云环境下支持隐私保护的高效密文图像检索方法 | |
CN112862001A (zh) | 一种隐私保护下的去中心化数据建模方法 | |
Chen et al. | Feature map pooling for cross-view gait recognition based on silhouette sequence images | |
Wang et al. | Underwater sonar image detection: A novel quantum‐inspired shuffled frog leaping algorithm | |
CN112906493A (zh) | 一种基于互相关注意力机制的跨模态行人重识别方法 | |
Xu et al. | Fusing structure and color features for cancelable face recognition | |
CN112766217A (zh) | 基于解纠缠和特征级差异学习的跨模态行人重识别方法 | |
Zhang et al. | Fchp: Exploring the discriminative feature and feature correlation of feature maps for hierarchical dnn pruning and compression | |
Moradi et al. | A real-time biometric encryption scheme based on fuzzy logic for IoT | |
Kim et al. | Keypoint aware robust representation for transformer-based re-identification of occluded person | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
Zhang et al. | Morphganformer: Transformer-based face morphing and de-morphing | |
CN114401229A (zh) | 一种基于Transformer深度学习模型的加密流量识别方法 | |
Ma et al. | Cascade transformer decoder based occluded pedestrian detection with dynamic deformable convolution and Gaussian projection channel attention mechanism | |
CN112580011B (zh) | 一种面向生物特征隐私保护的人像加解密系统 | |
Li et al. | Decoupled pose and similarity based graph neural network for video person re-identification | |
CN104462918A (zh) | 基于自适应非均匀量化的人脸生物密钥生成方法 | |
Kekre et al. | Iris recognition using vector quantization | |
He et al. | MTRFN: Multiscale temporal receptive field network for compressed video action recognition at edge servers | |
Zhang et al. | Improving cross-view gait recognition with generative adversarial networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |