CN108776790A - 云环境下基于神经网络的加密人脸识别方法 - Google Patents

Abstract

本发明公开了一种云环境下基于神经网络的加密人脸识别方法，属于多媒体信号处理领域。本发明的步骤是：首先利用Tent Map的性质在DWT‑DCT变换域内对人脸图像进行加密；再利用PCA主成分分析法提取特征得到投影矩阵；随后利用投影矩阵创建并训练BP神经网络；对待测人脸进行加密，最后将加密后的人脸图像输入到训练好的神经网络来进行识别，输出相应的人脸序号。本发明是云环境下基于BP神经网络和变换域的人脸图像识别方法，拥有较好的鲁棒性，同时能增强信息数据的安全性。

Description

云环境下基于神经网络的加密人脸识别方法

技术领域

本发明涉及云环境下基于神经网络的加密人脸识别方法，属于多媒体信号处理领域。

技术背景

人脸识别技术作为一种有效的生物特征识别技术，由于其巨大的应用价值及市场潜力已经成为图像工程和模式识别领域的研究热点，近些年来逐渐被各个领域广泛应用，比如娱乐、犯罪调查、门禁系统、军事等方面。

随着网络越来越发达，信息安全、隐私保护已经成为当今的主流话题之一，如何让信息不被泄露成为研究的重点。目前大部分人脸识别都是基于神经网络算法在原始数据库中进行检索与识别，人脸的生物特征具有唯一性，一旦遭到泄露难以更改，因此保证原始数据库的安全就显得尤为重要。

目前对于在云环境下基于BP神经网络的加密图像人脸识别方法研究较少，人脸识别系统数据库中往往具有大量人脸数据，将待测人脸进行加密后输入至训练好的神经网络中识别可以有效的保护数据，因此研究基于BP神经网络的加密图像人脸识别方法有重大的意义。

发明内容

本发明的目的是提出一种云环境下基于神经网络的加密人脸图像识别方法。该方法通过将BP神经网络和加密技术结合起来，实现受到不同攻击后依然可以准确进行人脸图像识别，解决现有技术的不足，提供高安全性、高鲁棒性的人脸识别技术。

本发明的基本原理是：首先对原始图像数据库在变换域内进行加密，再利用PCA算法提取特征得到投影矩阵，随后创建并训练BP神经网络，识别时对采集到的人脸图像进行加密，再将加密后的人脸图像经投影后输入到训练好的BP神经网络进行人脸的识别。

本发明所采用的方法主要包括人脸图像的频域加密和创建BP神经网络两大部分。

现对本发明的方法进行详细说明如下：

首先随机选择一张人脸图像作为原始数据，表示为：F＝{F(i,j)|F(i,j)∈[0,255]；1≤i≤M,1≤j≤N}。其中，F(i,j)分别表示原始人脸图像的像素灰度值，图像的大小为MxN。

第一部分：人脸图像的变换域加密

1)对人脸图像F(i,j)进行全局DWT变换，得到复数系数矩阵[cA,cH,cV,cD]；

[cA,cH,cV,cD]＝DWT2(F(i,j))

2)对得到的系数矩阵进行DCT变换

cA1(i,j)＝DCT2(cA(i,j))

cH1(i,j)＝DCT2(cH(i,j))

cV1(i,j)＝DCT2(cV(i,j))

cD1(i,j)＝DCT2(cD(i,j))

3)通过TentMap生成混沌序列；

由初始值x₀通过Tent Map混沌系统生成混沌序列bl(j)。

4)构造二值序列；

利用混沌序列bl(j)，通过定义一个阈值函数Sign而得到一个符号序列，再按人脸图像的大小构成一个二值矩阵Sign(i,j)，1≤i≤M,1≤j≤N；

5)将系数矩阵与二值矩阵进行点乘；

cA2(i,j)＝cA1(i,j).*Sign(bl(j))

cH2(i,j)＝cH1(i,j).*Sign(bl(j))

cV2(i,j)＝cV1(i,j).*Sign(bl(j))

cD2(i,j)＝cD1(i,j).*Sign(bl(j))

6)对点乘后矩阵进行DCT逆变换；

cA3(i,j)＝IDCT2(cA2(i,j))

cH3(i,j)＝IDCT2(cH2(i,j))

cV3(i,j)＝IDCT2(cV2(i,j))

cD3(i,j)＝IDCT2(cD2(i,j))

7)再对矩阵进行DWT逆变换，得到加密后的图像E(i,j)；

E(i,j)＝IDWT2[cA3,cH3,cV3,cD3]

第二部分：创建并训练BP神经网络

1)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M。

2)利用PCA算法提取加密后图像E(i,j)的特征矩阵，计算特征脸形成的投影坐标系base。

3)将作为训练样本的每个人前i张脸，加密后的图像与base相乘得到P，作为神经网络的输入

4)依据所测试目标人脸图像个数生成目标输出矢量T。

5)利用P和T来创建并训练BP神经网络，并判断网络误差是否满足要求，得到所需的神经网络。

本发明与现有的人脸识别技术比较有以下优点：

首先：目前人脸识别技术已经有了广泛的应用领域，该人脸图像识别研究是基于神经网络和DWT-DCT变换以及Tent Map混沌序列的，通过实验以及数据分析证实，使用该加密方法得到的加密图像有较强的抗常规攻击、几何攻击。而且针对云环境下密文域的人脸识别研究很少见，对攻击后的人脸图像进行频域同态加密，防止其信息被泄露或篡改，再上传给第三方云平台，保证了信息安全。

所利用的理论基础主要有以下几个方面：

1)二维离散小波变换(2D-DWT)

离散小波变换能够在不同尺度上对小波进行分解，其中低频包含着信息的主要特征，而高频主要包含信息的细节部分。二维离散小波变换(2D-DWT)将数字图像分解为水平与垂直方向上的低频LL，水平方向低频与垂直方向高频LH，水平方向高频与垂直方向低频HL，水平方向高频与垂直方向高频HH。

2)离散余弦变换(DCT)

DCT用于图像编码是目前广泛使用的JPEG压缩和MPEG-1/2的标准。DCT是在最小均方差条件小得出的仅次于K－L变换的次最佳正交变换，是一种无损的酋变换。它运算速度快，精度高，以提取特征成分的能力和运算速度之间的最佳平衡而著称。

若图像大小为M×N，则离散余弦正变换如下：

u＝0,1,…,M-1；v＝0,1,…,N-1；

式中

二维离散余弦反变换(IDCT)公式如下：

x＝0,1,…,M-1；y＝0,1,…,N-1

其中x，y为空间域采样值；u，v为频率域采样值，通常数字图像用像素方阵表示，即M＝N。

3)Tent Map

混沌是一种貌似无规则的运动，指在确定性系统中出现的类似随机的过程。因此，有了它的初始值和参数，我们就能够生成这个混沌系统。Tent Map是最著名的一种混沌系统，其迭代方程如下所示：

当α∈(0,1)时，该映射处于混沌状态，具有在[0,1]上的均匀分布函数，用该映射产生的混沌序列具有良好的统计性质。当时,此时为著名的三角帐篷映射，相应的迭代方程为：

附图说明

图1 ORL人脸数据库中的第1个人的人脸图像。

图2 ORL人脸数据库中的第1个人的加密人脸图像。

图3 ORL人脸数据库中的第2个人的人脸图像。

图4 ORL人脸数据库中的第2个人的加密人脸图像。

图5 ORL人脸数据库中的第3个人的人脸图像。

图6 ORL人脸数据库中的第3个人的加密人脸图像。

图7 ORL人脸数据库中的第4个人的人脸图像。

图8 ORL人脸数据库中的第4个人的加密人脸图像。

图9 ORL人脸数据库中的第5个人的人脸图像。

图10 ORL人脸数据库中的第5个人的加密人脸图像。

图11 ORL人脸数据库中的第6个人的人脸图像。

图12 ORL人脸数据库中的第6个人的加密人脸图像。

图13 ORL人脸数据库中的第7个人的人脸图像。

图14 ORL人脸数据库中的第7个人的加密人脸图像。

图15 ORL人脸数据库中的第8个人的人脸图像。

图16 ORL人脸数据库中的第8个人的加密人脸图像。

图17 ORL人脸数据库中的第9个人的人脸图像。

图18 ORL人脸数据库中的第9个人的加密人脸图像。

图19 ORL人脸数据库中的第10个人的人脸图像。

图20 ORL人脸数据库中的第10个人的加密人脸图像。

图21高斯噪声强度为1％的人脸图像。

图22高斯噪声强度为1％加密后的人脸图像。

图23高斯噪声强度为20％的人脸图像。

图24高斯噪声强度为20％加密后的人脸图像。

图25压缩质量为5％的人脸图像。

图26压缩质量为5％加密后的人脸图像。

图27压缩质量为30％的人脸图像。

图28压缩质量为30％加密后的人脸图像。

图29中值滤波参数为[7x7]，滤波重复次数为10的人脸图像。

图30中值滤波参数为[7x7]，滤波重复次数为10加密后的人脸图像。

图31中值滤波参数为[5x5]，滤波重复次数为10的人脸图像。

图32中值滤波参数为[5x5]，滤波重复次数为10加密后的人脸图像。

图33顺时针旋转10°的人脸图像；

图34顺时针旋转10°加密后的人脸图像；

图35逆时针旋转40°的人脸图像；

图36逆时针旋转40°加密后的人脸图像。

图37垂直上移5％的人脸图像；

图38垂直上移5％加密后的人脸图像；

图39垂直下移5％人脸图像；

图40垂直下移5％加密后的人脸图像；

图41水平左移5％的人脸图像；

图42水平左移5％加密后的人脸图像；

图43水平右移5％人脸图像；

图44水平右移5％加密后的人脸图像；

图45眼镜遮挡大小为M的待测人脸图像

图46加密后的眼镜遮挡大小为M的人脸图像

图47口罩遮挡大小为M的人脸图像

图48加密后的口罩遮挡大小为M的人脸图像

图49光照强度为-100％的人脸图像

图50加密后的光照强度为-100％的人脸图像

图51光照强度为100％的人脸图像

图52加密后的光照强度为100％的人脸图像

具体实施方式

下面结合附图对本发明做进一步说明，实验仿真平台为Matlab2015b，采用ORL人脸库进行加密人脸识别，该数据库中包含40个人，将其标记为序号1～40，每个人拥有10张不同表情的人脸图像，图像大小为92×112，灰度级为256，我们选择每个人的前5张表情脸做为BP神经网络的训练样本，后5张表情脸用于测试神经网络识别率，所设置神经网络包含2个隐藏层，隐藏层节点数分别为60与15，输入层节点数为71，输出层节点数为40，表1为所提出的方法与普通识别方法的识别率。

表1未加密与DWT-DCT加密后的识别率

识别方法	识别率(％)	时间(s)	迭代次数
				普通方法	81.5	10	1840
加密方法	84	9	1625

由表1可以看出，加密后的方法识别率更好于普通未加密的方法，并且有效的保护了人脸图像数据

下面我们选择第一个人的第一张人脸图像为实验对象，通过具体实验来判断该基于神经网络的加密人脸识别算法抗光照、遮挡和常规攻击，几何攻击等能力，观察攻击后输入神经网络能否识别，人脸序号为1表示识别正确，其它序号则表示错误识别为相应序号的人。

先测试由该算法得到加密图像的抗常规攻击的能力。

(1)高斯噪声

使用imnoise()函数在人脸图像中加入高斯噪声后，再进行加密。

图21是高斯噪声强度为1％的人脸图像；

图22是高斯噪声强度为1％加密后的人脸图像；

图23是高斯噪声强度为20％的人脸图像，在视觉上与原始的人脸图像已有明显差别；

图24是高斯噪声强度为20％加密后的人脸图像；

表2是对抗高斯噪声干扰的人脸图像加密后的实验数据。从中可以看到，随着高斯噪声强度的增加，PSNR值随之降低，当待测图像高斯噪声强度达到20％时，待测图像的PSNR降至8.87dB，这时待测图像的质量较差；但仍可以正确的识别出原始图像，这表明采用该发明具有较好的抗高斯噪声能力。

表2高斯噪声干扰的人脸图像加密后的实验数据

噪声强度(％)	1	3	5	10	15	20
							PSNR(dB)	19.29	14.97	12.98	10.67	9.51	8.87
人脸序号	1	1	1	1	1	1

(2)JPEG压缩处理

采用图像压缩质量百分数作为参数对人脸图像进行JPEG压缩；表3为在JPEG压缩攻击下的人脸图像的实验数据。当压缩质量仅为2％，这时压缩质量较低，PSNR＝22.22dB，仍然能准确的识别出人脸图像，这说明采用该发明有较好的抗JPEG压缩能力。

图25是压缩质量为5％的人脸图像，该图已经出现方块效应；

图26是压缩质量为5％加密后的人脸图像；

图27是压缩质量为30％的人脸图像；

图28是压缩质量为30％加密后的人脸图像。

表3 JPEG压缩的人脸图像实验数据

压缩质量(％)	2	5	10	15	20	30
							PSNR(dB)	22.22	25.13	27.70	29.04	29.87	31.15
人脸序号	1	1	1	1	1	1

(3)中值滤波处理

图29是中值滤波参数为[7x7]，滤波重复次数为10的人脸图像；

图30是中值滤波参数为[7x7]，滤波重复次数为10加密后的人脸图像；

图31是中值滤波参数为[5x5]，滤波重复次数为10的人脸图像；

图32是中值滤波参数为[5x5]，滤波重复次数为10加密后的人脸图像。

对于不同滤波值的大小和滤波次数的改变，加密后的图像始终能实现人脸的识别，这说明采用该发明有较好的抗中值滤波能力。表4为对中值滤波的人脸图像进行加密后的实验数据。

表4中值滤波的人脸图像加密后的实验数据

抗几何攻击能力

(1)旋转变换

图33是顺时针旋转10°的人脸图像；

图34是顺时针旋转10°加密后的人脸图像；

图35是逆时针旋转40°的人脸图像；

图36是逆时针旋转40°加密后的人脸图像。

表5为旋转攻击的人脸图像实验数据，从表中可以看出即使当旋转角度达到40°时，经顺时针旋转或逆时针旋转加密后的图像均能被准确识别，这表明该发明具有良好的抗旋转攻击能力。

表5旋转攻击下的人脸图像实验数据

(2)垂直平移变换

图37是垂直上移5％的人脸图像；

图38是垂直上移5％加密后的人脸图像；

图39是垂直下移5％人脸图像；

图40是垂直下移5％加密后的人脸图像；

表6是垂直平移变换时的人脸图像实验数据。从表中得知当人脸图像垂直下移百分比为8％再加密后，PSNR＝15.52，能准确识别出加密后的人脸图像；但当人脸图像垂直上移百分比达到7％再加密后，PSNR＝13.51，此时错误的识别为ORL人脸库中标记序号为23的人脸，这表明抗垂直方向上移攻击效果比抗垂直方向下移攻击效果差一些。

表6垂直平移变换的人脸图像实验数据

(3)水平平移变换

表7为水平平移变换时的人脸图像实验数据，从表中可以看到，当水平方向左移达到7％时，经过加密后的人脸图像错误识别为序号8的人脸，而水平右移能准确识别为第一个人的人脸，这表明该方法抗水平右移效果好于抗水平左移，但其他情况下仍能进行人脸图像识别，这说明采用该发明有较好的抗水平平移变换的能力。

图41是水平左移5％的人脸图像；

图42是水平左移5％加密后的人脸图像；

图43是水平右移5％人脸图像；

图44是水平右移5％加密后的人脸图像；

表7水平平移变换的人脸图像实验数据

遮挡攻击

图45为眼镜遮挡，遮挡大小为M的待测图像；这时已有一定的遮挡效果，信噪比PSNR为17.99dB；

图46为眼镜遮挡大小为M加密后的人脸图像

图47是口罩遮挡，遮挡大小为M，这时遮挡效果明显，信噪比较低，PSNR为17.09dB；

图48是加密后的口罩遮挡大小为M的人脸图像

遮挡是人脸识别过程中较难解决的问题，表8是抗遮挡攻击的实验数据，包括眼镜遮挡，口罩遮挡；表中S，M，L分别表示遮挡面积的相对大小(L>M>S)；从表中可以看到，当口罩遮挡大小为L时进行加密，PSNR＝15.15dB，此时将会错误的识别为序号为30的人脸图像，当眼镜遮挡大小为L时进行加密，PSNR＝15.77dB，此时会错误的识别为序号为40的人脸图像，其余情况下均能准确识别，只有当遮挡面积足够大时才会识别出错，这表明该方法具有一定的抗遮挡攻击能力。

表8遮挡攻击的人脸图像加密后的实验数据

光照攻击

表9为对光照攻击的人脸图像进行加密后的实验数据。从表中可以看到当人脸图像光照强度为-100％时再进行加密，PSNR＝11.53dB，此时能准确的识别为序号为1的人脸图像；当人脸图像光照强度为50％时进行加密，PSNR＝15.00，此时仍然能准确的识别为序号为1的人脸，这表明采用该发明有较好的抗光照攻击能力。

图49是光照强度为-100％的待测图像；视觉上图像较暗，信噪比PSNR为11.53dB；

图50是加密后的光照强度为-100％的人脸图像；

图51是光照强度为100％的人脸图像；

图52是加密后的光照强度为100％的人脸图像

表9光照攻击的人脸图像加密后的实验数据

光照强度(％)	-100	-50	-20	20	50	100
							PSNR(dB)	11.53	14.92	22.31	23.28	15.00	11.25
人脸序号	1	1	1	1	1	1

Claims (1)

1.云环境下基于神经网络的加密人脸图像识别方法，其特征在于：对人脸图像进行DWT-DCT变换，在变换域内加密图像，用以保护人脸图像信息，结合神经网络实现人脸的识别，同时可以实现抗常规、几何、光照、遮挡等攻击，该实现方法共分两个部分，共计10个步骤：

第一部分：人脸图像的频域加密

对频域的人脸图像利用Tent Map的性质对图像进行混沌加密，得到加密的图像E(i,j)；

1)对人脸图像F(i,j)进行全局DWT变换后在进行DCT变换，得到4个复系数矩阵[cA1,cH1,cV1,cD1]；

2)由初始值x₀通过TentMap混沌系统生成混沌序列bl(j)；

3)利用混沌序列bl(j)，通过定义得到一个符号序列，再按人脸图像的大小构成一个二值加密矩阵S(i,j)；

4)将复系数矩阵分别与二值矩阵进行点乘；

5)对点乘后矩阵进行DCT逆变换后在进行DWT逆变换得到加密后的人脸图像E(i,j)；

第二部分：创建并训练和测试BP神经网络

1)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M；

2)利用PCA算法提取数据库中加密后图像E(i,j)的特征矩阵，计算特征脸形成的投影坐标系base；

3)将作为训练样本的每个人前i张脸加密后的图像与base相乘得到P，作为神经网络的输入；

4)依据所测试目标人脸图像个数生成目标输出矢量T。

5)利用P和T来创建并训练BP神经网络，并判断网络误差是否满足要求，得到所需的神经网络；

最终将加密后的待测图像经投影矩阵投影后输入到神经网络中来观察是否能实现人脸的准确识别。