CN111737706A - 一种生物特征隐私保护的前端人像加密与识别方法 - Google Patents

Abstract

本发明公开了一种生物特征隐私保护的前端人像加密与识别方法，包括：人像数据采集，利用前端摄像头拍摄具有人像生物特征的视频流；人像预处理，利用自适应分数阶积分算法对不同强度的图像噪声进行不同程度的衰减，实现图像的自适应去噪效果，并利用人像定位算法检测视频动态人像位置；人像加密，利用混沌系统生成的伪随机序列，对人像进行灰度置乱和扩散，获得加密人像，建立加密人像库；加密人像识别，以加密人像库作为训练集训练人像识别模型，可对加密待测人像直接进行识别。本发明将图像加密应用到人像识别，并利用一种加密人像识别方法，规避解密过程隐私泄露的风险，避免使用人像识别产品时导致的个人隐私泄露问题。

Description

一种生物特征隐私保护的前端人像加密与识别方法

技术领域

本发明涉及深度学习应用技术领域，具体涉及一种生物特征隐私保护 的前端人像加密与识别方法。

背景技术

生物特征识别凭借其安全性和便捷性在身份认证领域取得了越来越 广泛的应用。基于生物特征的身份识别能够解决传统身份识别存在的不安 全和不方便等问题。在指纹、人脸、掌纹、虹膜、视网膜、声音、步态等 生物特征中，人脸因其较高的通用性、唯一性、永久性、可获得性、可接 受性成为用于身份识别最广泛的生物特征之一。近年来，人脸识别取得了 非常显著的研究成果，识别率和识别速度均有大幅度的提高。

新一代人工智能的崛起，在给人类带来惊喜和更高生产力的同时，也 引发了一些如何避免人工智能挑战人类安全或社会伦理道德的担忧。其中 不乏互联网巨头出现严重数据泄露导致用户隐私泄露的问题，给企业的数 据管理和使用敲响了警钟，对数据的隐私保护重视成为大势所趋。在我国， 人工智能已经渗透到日常生活、工作的方方面面，不论是个人还是企业， 都是当中的参与者，面对AI应用所带来的一系列安全与隐私保护问题，值得每个人的重视并获得更好的解决方案。近年来，嵌入式技术的发展突飞 猛进，各式各样的嵌入式产品在工业控制、国防安全、数字通讯中发挥着 重要的作用。嵌入式处理器的性能越来越高，成本越来越低，应用开发部 署越来越快速，这个发展趋势越来越明显。

关于人像识别隐私保护方面的争议极大，成为行业发展的痛点，从技 术层面，数据隐私保护的方法论并不神秘，如k-anonymity，l-diversity，t- closeness，在模型训练里加噪声等，但在实际应用上往往会出现技术难点， 比如加入噪声、扰动后，本来可用的原信息被扰动信息淹没了，造成数据 失效。因此，面向个人隐私保护的前端人像加密与识别仍然是发展人工智 能领域的技术瓶颈问题。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种生物特征 隐私保护的前端人像加密与识别方法。

本发明的目的可以通过采取如下技术方案达到：

一种生物特征隐私保护的前端人像加密与识别方法，所述的前端人像 加密与识别方法包括：

S1、人像数据采集步骤，利用前端摄像头拍摄具有人像生物特征的视 频流，该人像生物特征包括人脸和体貌特征，提取视频流中的图像并通过 数据传输线传输到嵌入式图像处理系统；

S2、人像预处理步骤，利用自适应分数阶积分算法对采集到的图像进 行去噪、增强等预处理，对不同的边缘点采取不同程度的增强方法，以实 现图像的自适应去噪和增强效果，保证图像的质量，最后利用人像定位算 法对图像中的人像位置进行检测，截取人像；

S3、人像加密步骤，利用基于Lorenz混沌系统的加密算法，对得到的 高质量人像图像进行加密，将得到的加密人像储存，建立加密人像库；将 加密人像库中的加密人像投影到特征空间得到投影值，即提取加密人像的 特征向量，建立加密人像特征库；

S4、加密人像识别步骤，对待识别的人像图像，经过人像预处理和人 像加密处理，并采用投影方法获得该待识别加密人像的特征向量，通过欧 氏距离衡量该特征向量与加密人像特征库中数据的相似度，以相似度最大 数据对应的身份信息作为待识别人像的身份信息。

进一步地，所述的嵌入式图像处理系统采用DSP架构，能够实现其内 部算法的高速运行，内部算法包括图像增强与人像检测算法、人像加密算 法、加密人像识别算法。

进一步地，所述的S2、人像预处理步骤的过程如下：

S21、对采集到的图像进行梯度转换，该梯度转换包括像素点灰度变换、 噪声梯度变换，得到含有噪声的二维梯度图像；

S22、利用小概率策略和最大类间方差准则对图像进行分割，得到图像 的各个区域(干扰噪声区域、纹理区域和平滑区域)；

S23、利用自适应分数阶微积分算法，生成具有变化阶次的分数阶掩模， 将分数阶掩模与分割后得到的图像的各区域进行卷积运算，得到自适应去 噪和增强后的二维图像。

其中，所述的自适应分数阶微积分算法的实现过程如下：

S231、依据分数阶的阶次可以连续变化这一特性，设计自适应分数阶 微积分阶次的函数，在图像的噪声处具有负阶次，在图像的边缘处具有较 大的微分阶次，在图像的弱纹理和平滑区域具有较小微分阶次，从而实现 自适应图像去噪效果和自适应图像边缘增强效果。自适应分数阶微积分阶 次的函数为：

其中，v_noise、v_edge、v_texture分别为噪声处、边缘处、弱纹理区对应的分 数阶阶次，M(i,j)为图像中每一个像素点(i，j)在8个方向上的平均梯度， Y为M(i,j)中的最大值，r是由小概率策略求取的噪声阈值，s为图像的边 缘阈值(首先对含噪图像进行基于小概率策略的自适应阶积分去噪处理后， 然后对去噪后的图像进行二维最大类间方差算法求取边缘阈值s)，v是每 一个像素点对应的分数阶阶次，参数v₁、v₂分别为噪声、边缘对应阶次的阈值。

S232、根据分数阶G-L定义，当分数阶的阶次是正数时为微分运算， 当分数阶的阶次是负数时为积分运算：

当v＞0时，G-L定义下v阶次的分数阶微分为:

其中，

表示G-L定义下的分数阶积分算子，左上标G-L表示G-L定 义，右上标v表示求微分的阶次，左下标a和右下标b表示积分式的上界 和下界，

k为一个变量，取值为

t表示像素点位置， f(t)、f(t-1)、f(t-2)、…、f(t-n)分别表示图像在像素点t、t-1、t-2、…、t- n处的局部图像块，f(t-kh)表示图像在像素点t,t-h,…,t-b+a处的局部图 像块，

Γ()表示伽马函数；

当-v＜0时，G-L定义下的分数阶积分公式为：

其中，

当h＝1，通过朗格朗日算法得到v阶微分的近似表达式：

其中，ξ₀、ξ₁、ξ₂、…、ξ_n分别是f(t)、f(t-1)、f(t-2)、…、f(t-n)的加权系 数，ξ₀＝1，ξ₁＝-v，

计算8个单 方向的分数阶偏微分掩模(与x+轴方向成0°,45°，90°,135°,180°, 225°,270°,315°)，将8个方向的掩模算子叠加，得到分数阶微分掩模， 将每一个元素除以8×(ξ₀+ξ₁+ξ₂+…+ξ_n)完成模板的归一化处理，与图像进 行卷积运算后，得到经过阶次为v的分数阶微分处理后的图像。

S24、利用人像关键点定位模型，精确检测图像中人像的关键区域位置， 包括肢体、眉毛、眼睛、鼻子、嘴巴，脸部轮廓等，获得准确的人像区域 图像。

进一步地，所述的S3中人像加密过程如下：

S31、设人像图像的高和宽分别为H、W，分离三个通道得到B、G、 R三个矩阵，通过公式(5)、(6)计算Lorenz混沌系统的三个初值x₀、y₀、z₀，

其中，x'₀、y'₀、z'₀为计算过程中产生的中间变量，sum(sum(B))、 sum(sum(G))、sum(sum(R))分别表示求解B、G、R三个矩阵中各像素值之 和，

其中，round(x'₀，4)表示对结果取四位小数；

S32、将x₀、y₀、z₀代入Lorenz混沌系统，利用龙格库塔法求解Lorenz 混沌系统的微分方程组，经5000次迭代后，得到三个长度为5000的混沌 序列，Lorenz混沌系统的微分方程组如下：

其中，α、β和δ为Lorenz混沌系统的控制参数，当控制参数满足α＝10、 β＝8/3、δ＝28时，Lorenz混沌系统进入混沌状态。

S33、对得到的混沌序列进行去相关操作，过程如下：

S331、剔除每个序列的前1000个元素，获得三个长度为4000的混沌 序列s(θ)，其中θ表示三个序列对应的标号，θ＝1，2，3；

S332、从混沌序列每个元素的小数部分第6位后开始取值，并将其乘 以10⁶后得到的结果作为去相关后的混沌序列c(θ)，其表达式如公式(8) 所示：

c(θ)＝s(θ)×10⁶-floor(s(θ)×10⁶) (8)

其中，floor表示向下取整操作；

S34、将c(θ)视为一个循环队列，把序列的第一个元素接到最后一个元 素之后，重复此操作直到序列的长度达到H×W为止，扩充后的新序列记 为c'(θ)；

S35、利用c'(θ)对原人像图像作灰度变换操作，过程如下：

S351、通过维度变换将序列c'(θ)转换为H×W的二维矩阵

S352、利用如下公式将二维矩阵

中的元素值映射到[0，255]：

其中，mod为求模操作，D(θ)为

经映射变换后得到的矩阵；

S353、利用生成的矩阵分别对图像三个通道作按位异或操作，表达式 如下：

其中

表示按位异或操作，B'、G'、R'分别为B、G、R矩阵与对应 变换矩阵进行异或操作后得到的矩阵，D(1)、D(2)、D(3)分别表示D(θ)的第 一、二、三个矩阵；

S36、对B'、G'、R'作灰度置乱操作，过程如下：

S361、分别从s(1)和s(2)序列中取前H个和W个元素，得到两个短序 列p、q，其中s(1)和s(2)表示s(θ)中的前两个序列；

S362、对序列p中的元素进行从大到小排列，对序列q中的元素进行 从小到大排列，输出排序后每个元素对应的索引值，得到两个新的序列U_x和U_y，表达式如下：

其中，sort表示获取排序后的元素索引值；

S363、分别以U_x、U_y作为图像矩阵行和列的交换坐标，对经过异或操 作后的三个矩阵B'、G'、R'作行置换和列置换，并将置乱后的三个矩阵合 并为三通道图像，得到加密的人像图像，将加密的人像图像在本地储存。

进一步地，所述的S3中加密人像特征库的构建过程如下：

基于建立的加密人像库中，取每个人物对应的人像图像构成训练样本 集，其对应的样本均值

表示为：

其中，N为训练样本的个数，X_m代表训练样本中的某个样本图像，m＝1， 2，…，N。

对应的协方差矩阵Φ为：

其中，()^T表示转置。求协方差矩阵Φ前d个最大特征值λ₁,λ₂，…,λ_d，对 应的特征向量a₁,a₂，…,a_d，将前d个特征向量张成特征子空间，构成投影矩 阵U＝[a₁,a₂，…,a_d]，将样本图像X_m向特征空间投影得到投影值

Q_m＝X_mU,m＝1,2,…,N (14)

将所有样本图像向特征空间投影所获得的投影值构建加密人像特征 库。

进一步地，所述的S4中加密人像识别的过程如下：

将待测试人像X投影到特征空间内得到投影值Q，计算投影值Q与加 密人像特征库内其它投影之间的欧氏距离

d_gm＝||Q_m-Q||₂ m＝1,2,…,N (15)

并以欧氏距离d_gm衡量待测人像样本X与库中样本X_m之间的相似度， 以相似度高的对象作为识别结果，返回该待测人像的身份信息。

本发明相对于现有技术具有如下的优点及效果：

1)、本发明采用自适应分数阶微积分算法对人像图像进行去噪、增强 等预处理，相比于其它去噪算法，此算法具有更高的效率，同时在保留图 像纹理细节信息方面也具有更好的效果；

2)、本发明采用基于Lorenz混沌系统的加密算法对人像图像进行加 密，保证了个人图像信息在本地储存过程中的安全性，且由于此算法体积 小、复杂度不高，能够在嵌入式图像处理系统上高效运行；

3)、本发明基于加密人像库构建训练样本，通过训练构建的特征空间， 将加密人像转换为投影值进行储存。仅需将经过一系列相同算法处理后的 待识别人像转换为投影值后与其他投影值进行对比即可得到该对象的身 份信息。此方法由于直接对加密后的人像进行识别，可避免由于解密过程 而造成的隐私泄露问题，从而进一步对个人隐私作出保护。

附图说明

图1是本发明实施例中公开的一种生物特征隐私保护的人像加密与识 别方法的应用架构图；

图2是本发明实施例中人像预处理的流程图；

图3是本发明实施例中人像加密的流程图；

图4是本发明实施例中加密人像识别的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本 发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。 基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1是本实施例公开的一种生物特征隐私保护的人像加密与识别的 应用架构图。整个方法流程可划分为两部分：具有隐私保护的人像采集和 加密人像识别。其中，具有隐私保护的人像采集部分具体包括：摄像采集 视频流、人像预处理和人像加密。视频流的采集通过前端摄像头完成，收 集的人像视频数据经数据传输线传到嵌入式图像处理系统进行后续的处 理。所用的嵌入式图像处理系统采用DSP架构，实现了高速人像检测，性 能优化至25帧。基于这一架构，人像预处理和人像加密过程的运行效率也 得以提高。加密人像识别部分则包括：加密人像特征库的构建和针对待测 人像的识别。加密人像识别部分采用分布式集群方式，智能扩展数据与运 算量规模。

所述的前端人像加密与识别方法包括：

S1、人像数据采集步骤，利用前端摄像头拍摄具有人像生物特征的视 频流，该人像生物特征包括人脸和体貌特征，提取视频流中的图像传输到 嵌入式图像处理系统；

S2、人像预处理步骤，利用自适应分数阶积分算法对检测到的人像图 像进行去噪、增强，然后利用人像定位算法对图像中的人像位置进行检测， 截取人像；

S3、人像加密步骤，利用基于Lorenz混沌系统的加密算法，对得到的 高质量人像图像进行加密，将得到的加密人像储存，建立加密人像库，将 加密人像库中的加密人像投影到特征空间得到投影值，即提取加密人像的 特征向量，建立加密人像特征库；

S4、加密人像识别步骤，对待识别的人像图像，经过人像预处理和人 像加密处理，并采用投影方法获得该待识别加密人像的特征向量，通过欧 氏距离衡量该特征向量与加密人像特征库中数据的相似度，以相似度最大 数据对应的身份信息作为待识别人像的身份信息。

具体地，步骤S1中所述人像数据采集过程如下：

S11、利用前端摄像头采集带有人像生物特征的视频流；

S12、通过数据传输线将视频流数据传到嵌入式图像处理系统。

二维图像在采集和传输的过程中不可避免的受到噪声的影响，导致图 像信息的不确定性，为后续的图像处理过程带来困难。因此，需对采集到 的图像进行去噪处理。常用的非局部均值滤波，卡尔曼滤波，小波图像去 噪，以及由中值滤波、低通滤波、维纳滤波等方法虽然都具有一定程度的 去噪效果，但是这些图像去噪算法都直接或间接地在去噪模型的构建中采 用了整数阶积分，这样会在去除噪声的同时损失图像的纹理信息。采用分数阶积分对图像进行去噪处理不用预先估计图像的噪声方差，而直接进行 滤波处理，因而相比于其它去噪算法，分数阶积分算法在图像去噪方面具 有更高的效率，同时在保留图像纹理细节信息方面也具有更好的效果。因 此，本发明设计了基于小概率策略的自适应分数阶微积分算法对图像进行 去噪处理。具体地，步骤S2中所述人像预处理算法如图2所示，处理过程 如下：

S21、对采集到的图像进行梯度转换，该梯度转换包括像素点灰度变换、 噪声梯度变换，得到含有噪声的二维梯度图像；

S22、利用小概率策略和最大类间方差准则对图像进行分割，得到图像 的干扰噪声区域、纹理区域和平滑区域；

S23、利用自适应分数阶微积分算法，生成具有变化阶次的分数阶掩模， 将分数阶掩模与分割后得到的图像的各区域进行卷积运算，得到自适应去 噪和增强后的二维图像。

其中，自适应分数阶微积分算法设计过程如下：

S231、依据分数阶的阶次可以连续变化这一特性，设计自适应分数阶 微积分阶次的函数，在图像的噪声处具有负阶次，在图像的边缘处具有较 大的微分阶次，在图像的弱纹理和平滑区域具有较小微分阶次，从而实现 自适应图像去噪效果和自适应图像边缘增强效果。自适应分数阶微积分阶 次的函数为：

其中，v_noise、v_edge、v_texture分别为噪声处、边缘处、弱纹理区对应的分 数阶阶次，M(i,j)为图像中每一个像素点的8个方向上的平均梯度，Y为 M(i,j)中的最大值，r是由小概率策略求取的噪声阈值，r是由小概率策略 求取的噪声阈值，s为图像的边缘阈值(首先对含噪图像进行基于小概率策 略的自适应阶积分去噪处理后，然后对去噪后的图像进行二维最大类间方 差算法求取边缘阈值s)，v是每一个像素点对应的分数阶阶次，参数v₁、v₂分别为噪声、边缘对应阶次的阈值。

S232、根据分数阶G-L定义，当分数阶的阶次是正数时为微分运算， 当分数阶的阶次是负数时为积分运算：

当v＞0时，G-L定义下v阶次的分数阶微分为:

其中，

表示G-L定义下的分数阶积分算子，左上标G-L表示G- L定义，右上标v表示求微分的阶次，左下标a和右下标b表示积分式的 上界和下界，

k为一个变量，取值为

t表示像素 点位置，f(t)表示图像在像素点t处的局部图像块，f(t-kh)表示图像在像 素点t,t-h,…,t-b+a处的局部图像块，

Γ()表示伽马函数；

当-v＜0时，G-L定义下的分数阶积分公式为：

其中，

当h＝1，通过朗格朗日等算法到v阶微分的近似表达式：

其中，ξ₀＝1，ξ₁＝-v，

计算 8个单方向的分数阶偏微分掩模(与x⁺轴方向成0°,45°,90°,135°, 180°,225°,270°,315°)，将8个方向的掩模算子叠加，得到分数阶微 分掩模，将每一个元素除以8×(ξ₀+ξ₁+ξ₂+…+ξ_n)完成模板的归一化处理，与 图像进行卷积运算后，得到经过阶次为v的分数阶微分处理后的图像。

如表1所示，给出G-L定义的分数阶的5*5的掩模来实现分数阶图像 增强。

表1 G-L定义掩模

v(v-1)/2	0	v(v-1)/2	0	v(v-1)/2
					0	-v	-v	-v	0
v(v-1)/2	-v	8	-v	v(v-1)/2
					0	-v	-v	-v	0
v(v-1)/2	0	v(v-1)/2	0	v(v-1)/2

S24、利用人像关键点定位模型，精确检测图像中人像的关键区域位置， 包括肢体、眉毛、眼睛、鼻子、嘴巴，脸部轮廓等，获得准确的人像区域 图像。

针对预处理后得到的高质量人像图像，利用基于Lorenz混沌系统产生 的伪随机序列，对人像图像进行灰度变换和灰度置乱，实现人像加密效果。 具体地，所述步骤S3中人像加密算法如图3所示，加密过程如下：

S31、设人像图像的高和宽分别为H、W，分离三个通道得到B、G、 R三个矩阵。通过公式(5)、(6)计算Lorenz混沌系统的三个初值x₀、y₀、z₀，

其中，x'₀、y'₀、z'₀为计算过程中产生的中间变量，sum(sum(B))、 sum(sum(G))和sum(sum(R))分别表示B、G、R三个矩阵中各像素值之和。

其中，round(x'₀，4)表示对结果取四位小数。

S32、将x₀、y₀、z₀代入Lorenz混沌系统，利用龙格库塔法求解Lorenz 混沌系统的微分方程组，经5000次迭代后，得到三个长度为5000的混沌 序列。Lorenz混沌系统的微分方程组如下：

其中，α、β和δ为Lorenz混沌系统的控制参数，当控制参数满足α＝10、 β＝8/3、δ＝28时，Lorenz混沌系统进入混沌状态。

S33、对得到的混沌序列进行去相关操作，包括：

S331、剔除每个序列的前1000个元素，获得三个长度为4000的混沌 序列s(θ)，其中θ表示三个序列对应的标号，θ＝1，2，3；

S332、从混沌序列每个元素的小数部分第6位后开始取值，并将其乘 以10⁶后得到的结果作为最终的混沌序列c(θ)。其表达式如公式(8)所示：

c(θ)＝s(θ)×10⁶-floor(s(θ)×10⁶) (8)

其中，floor表示向下取整操作。

S34、将c(θ)视为一个循环队列，把序列的第一个元素接到最后一个元 素之后，重复此操作直到序列的长度达到H×W为止，扩充后的新序列记 为c'(θ)。

S35、利用c'(θ)对原人像图像作灰度变换操作，包括：

S351、通过维度变换将序列c'(θ)转换为H×W的二维矩阵

S352、利用如下公式将矩阵

中的元素值映射到[0，255]：

其中，mod为求模操作；D(θ)为

经映射变换后得到的矩阵；

S353、利用生成的矩阵分别对图像三个通道作按位异或操作，表达式 如下：

其中

表示按位异或操作；B'，G'，R'分别为B、G、R矩阵与对应 变换矩阵进行异或操作后得到的矩阵，D(1)、D(2)、D(3)分别表示D(θ)中的 第一、二、三个矩阵。

S36、对B'，G'，R'作灰度置乱操作，包括：

S361、分别从s(1)和s(2)序列中取前H个和W个元素，得到两个短序 列p、q，其中s(1)和s(2)表示s(θ)中的前两个序列；

S362、对序列p中的元素进行从大到小排列，对序列q中的元素进行 从小到大排列，输出排序后每个元素对应的索引值，得到两个新的序列U_x和U_y，表达式如下：

其中，sort表示获取排序后的元素索引值。

S363、分别以U_x、U_y作为图像矩阵行和列的交换坐标，对经过异或操 作后的三个矩阵B'，G'，R'作行置换和列置换，并将置乱后的三个矩阵合并 为三通道图像，得到加密后的人像图像，将密文人像图像存储在本地。

由于混沌系统具有不确定性、初值敏感性等特点，使用此算法加密后 的人像图像能够有效抵御穷举、差分、统计分析等攻击，并且由于此算法 体积小、运算成本低，可在嵌入式系统上高效运行。

基于建立的加密人像库，利用深度学习方法对加密人像进行识别。深度 图像中每个像素点分别代表的人像表面上的对应点到摄像头焦点之间的 相对距离。因此所谓的深度图像即是将代表深度距离的点云以某个角度进 行映射，得到经过插值处理后的二维平面图像，对应的像素点能够有效地 反映原始距离。

具体地，加密人像识别方法如图4所示，人像特征库构建与人像识别 步骤如下：

取每个人物对应的人像图像构成训练样本集，其对应的样本均值

可 表示为：

其中，N为训练样本的个数，X_m代表训练样本中的某个样本图像，m＝1， 2，…，N。

对应的协方差矩阵Φ为：

其中，()^T表示转置。求协方差矩阵Φ前d个最大特征值λ₁,λ₂，…,λ_d，对 应的特征向量a₁,a₂，…,a_d，将前d个特征向量张成特征子空间，构成投影矩 阵U＝[a₁,a₂，…,a_d]。将样本图像X_m向特征空间投影得到投影值

Q_m＝X_mU,m＝1,2,…,N (14)

由所有样本图像向特征空间投影所获得的投影值，可构建加密人像特 征库。

将待测试人像X以类似的方式投影到特征空间内得到投影值Q。由此 可以计算它与特征库内其它投影之间的欧氏距离

d_gm＝||Q_m-Q||₂ m＝1,2,…,N (15)

并以欧氏距离d_gm衡量待测人像样本X与库中样本X_m之间的相似度，以相 似度高的对象作为识别结果，返回该待测人像的身份信息。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上 述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改 变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明 的保护范围之内。

Claims (7)

1.一种生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的前端人像加密与识别方法包括以下步骤：

S1、人像数据采集步骤，利用前端摄像头拍摄具有人像生物特征的视频流，该人像生物特征包括人脸和体貌特征，提取视频流中的图像传输到嵌入式图像处理系统；

S2、人像预处理步骤，利用自适应分数阶积分算法对采集到的图像进行去噪、增强，然后利用人像定位算法对图像中的人像位置进行检测，截取人像；

S3、人像加密步骤，利用基于Lorenz混沌系统的加密算法，对得到的高质量人像图像进行加密，将得到的加密人像储存，建立加密人像库，将加密人像库中的加密人像投影到特征空间得到投影值，即提取加密人像的特征向量，建立加密人像特征库；

S4、加密人像识别步骤，对待识别的人像图像，经过人像预处理和人像加密处理，并采用投影方法获得该待识别加密人像的特征向量，通过欧氏距离衡量该特征向量与加密人像特征库中数据的相似度，以相似度最大数据对应的身份信息作为待识别人像的身份信息。

2.根据权利要求1所述的一种生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的S2、人像预处理步骤的过程如下：

S21、对采集到的图像进行梯度转换，该梯度转换包括像素点灰度变换、噪声梯度变换，得到含有噪声的二维梯度图像；

S22、利用小概率策略和最大类间方差准则对图像进行分割，得到图像的干扰噪声区域、纹理区域和平滑区域；

S23、利用自适应分数阶微积分算法，生成具有变化阶次的分数阶掩模，将分数阶掩模与分割后得到的图像的各区域进行卷积运算，得到自适应去噪和增强后的二维图像；

S24、对人像进行关键点定位，精确检测图像中人像的关键区域位置，关键区域位置包括肢体、眉毛、眼睛、鼻子、嘴巴和脸部轮廓，获得准确的人像区域图像。

3.根据权利要求2所述的一种生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的S23中自适应分数阶微积分算法的实现过程如下：

S231、设计自适应分数阶微积分阶次的函数，在图像的噪声处采用负阶次，在图像的边缘处采用较大的微分阶次，在图像的弱纹理和平滑区域采用较小微分阶次，其中，自适应分数阶微积分阶次的函数为：

其中，v_noise、v_edge、v_texture分别为噪声处、边缘处、弱纹理区对应的分数阶阶次，M(i,j)为图像中每一个像素点(i，j)在与X轴正方向分别成0°、45°、90°、135°、180°、225°、270°、315°这8个方向上的平均梯度，Y为M(i,j)中的最大值，r是由小概率策略求取的噪声阈值，s为图像的边缘阈值，v是每一个像素点对应的分数阶阶次，参数v₁、v₂分别为噪声、边缘对应阶次的阈值；

S232、根据分数阶G-L定义，当分数阶的阶次是正数时为微分运算，当分数阶的阶次是负数时为积分运算：

当v＞0时，G-L定义下v阶次的分数阶微分为:

其中，

表示G-L定义下的分数阶积分算子，左上标G-L表示G-L定义，右上标v表示求微分的阶次，左下标a和右下标b表示积分式的上界和下界，

k为一个变量，取值为

t表示像素点位置，f(t)、f(t-1)、f(t-2)、…、f(t-n)分别表示图像在像素点t、t-1、t-2、…、t-n处的局部图像块，f(t-kh)表示图像在像素点t,t-h,…,t-b+a处的局部图像块，

Γ()表示伽马函数；

当-v＜0时，G-L定义下的分数阶积分公式为：

其中，

当h＝1，通过朗格朗日算法得到v阶微分的近似表达式：

其中，ξ₀、ξ₁、ξ₂、…、ξ_n分别是f(t)、f(t-1)、f(t-2)、…、f(t-n)的加权系数，

计算与X轴正方向分别成0°、45°、90°、135°、180°、225°、270°、315°这8个方向的分数阶偏微分掩膜，将8个方向的掩模算子叠加，得到分数阶微分掩模，将每一个元素除以8×(ξ₀+ξ₁+ξ₂+…+ξ_n)完成模板的归一化处理，与图像进行卷积运算后，得到经过阶次为v的分数阶微分处理后的图像。

4.根据权利要求3所述的一种生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的边缘阈值s的计算过程如下：

首先对含噪图像进行基于小概率策略的自适应阶积分去噪处理，然后对去噪后的图像进行二维最大类间方差算法求取边缘阈值s。

5.根据权利要求1所述的生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的S3中人像加密过程如下：

S31、设人像图像的高和宽分别为H、W，分离三个通道得到B、G、R三个矩阵，通过公式(5)、(6)计算Lorenz混沌系统的三个初值x₀、y₀、z₀，

其中，x'₀、y'₀、z'₀为计算过程中产生的中间变量，sum(sum(B))、sum(sum(G))、sum(sum(R))分别表示求解B、G、R三个矩阵中各像素值之和，

其中，round(，4)表示对结果取四位小数；

S32、将x₀、y₀、z₀代入Lorenz混沌系统，利用龙格库塔法求解Lorenz混沌系统的微分方程组，经5000次迭代后，得到三个长度为5000的混沌序列，Lorenz混沌系统的微分方程组如下：

其中，α、β和δ为Lorenz混沌系统的控制参数，当控制参数满足α＝10、β＝8/3、δ＝28时，Lorenz混沌系统进入混沌状态；

S33、对得到的混沌序列进行去相关操作，过程如下：

S331、剔除每个序列的前1000个元素，获得三个长度为4000的混沌序列s(θ)，其中θ表示三个序列对应的标号，θ＝1，2，3；

S332、从混沌序列每个元素的小数部分第6位后开始取值，并将其乘以10⁶后得到的结果作为去相关后的混沌序列c(θ)，其表达式如公式(8)所示：

c(θ)＝s(θ)×10⁶-floor(s(θ)×10⁶) (8)

其中，floor表示向下取整操作；

S34、将c(θ)视为一个循环队列，把序列的第一个元素接到最后一个元素之后，重复此操作直到序列的长度达到H×W为止，扩充后的新序列记为c'(θ)；

S35、利用c'(θ)对原人像图像作灰度变换操作，过程如下：

S351、通过维度变换将序列c'(θ)转换为H×W的二维矩阵

S352、利用如下公式将二维矩阵

中的元素值映射到[0，255]：

其中，mod为求模操作，D(θ)为

经映射变换后得到的矩阵；

S353、利用生成的矩阵分别对图像三个通道作按位异或操作，表达式如下：

其中

表示按位异或操作，B'、G'、R'分别为B、G、R矩阵与对应变换矩阵进行异或操作后得到的矩阵，D(1)、D(2)、D(3)分别表示D(θ)的第一、二、三个矩阵；

S36、对B'、G'、R'作灰度置乱操作，过程如下：

S361、分别从s(1)和s(2)序列中取前H个和W个元素，得到两个短序列p、q，其中s(1)和s(2)表示s(θ)中的前两个序列；

S362、对序列p中的元素进行从大到小排列，对序列q中的元素进行从小到大排列，输出排序后每个元素对应的索引值，得到两个新的序列U_x和U_y，表达式如下：

其中，sort表示获取排序后的元素索引值；

S363、分别以U_x、U_y作为图像矩阵行和列的交换坐标，对经过异或操作后的三个矩阵B'、G'、R'作行置换和列置换，并将置乱后的三个矩阵合并为三通道图像，得到加密的人像图像，将加密的人像图像在本地储存。

6.根据权利要求1所述的生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的S3中加密人像特征库的构建过程如下：

基于建立的加密人像库中，取每个人物对应的人像图像构成训练样本集，其对应的样本均值

表示为：

其中，N为训练样本的个数，X_m代表训练样本中的某个样本图像，m＝1，2，…，N，

对应的协方差矩阵Φ为：

其中，()^T表示转置，求协方差矩阵Φ前d个最大特征值λ₁,λ₂，…,λ_d，对应的特征向量a₁,a₂，…,a_d，将前d个特征向量张成特征子空间，构成投影矩阵U＝[a₁,a₂，…,a_d]，将样本图像X_m向特征空间投影得到投影值

Q_m＝X_mU,m＝1,2,…,N (14)

将所有样本图像向特征空间投影所获得的投影值构建加密人像特征库。

7.根据权利要求6所述的生物特征隐私保护的前端人像加密与识别方法，其特征在于，所述的S4中加密人像识别的过程如下：

将待测试人像X投影到特征空间内得到投影值Q，计算投影值Q与加密人像特征库内其它投影之间的欧氏距离

d_gm＝||Q_m-Q||₂ m＝1,2,…,N (15)

并以欧氏距离d_gm衡量待测人像样本X与库中样本X_m之间的相似度，以相似度高的对象作为识别结果，返回该待测人像的身份信息。

Images