CN111783965A - 用于生物特征识别的方法、装置、系统及电子设备 - Google Patents

用于生物特征识别的方法、装置、系统及电子设备 Download PDF

Info

Publication number
CN111783965A
CN111783965A CN202010820704.9A CN202010820704A CN111783965A CN 111783965 A CN111783965 A CN 111783965A CN 202010820704 A CN202010820704 A CN 202010820704A CN 111783965 A CN111783965 A CN 111783965A
Authority
CN
China
Prior art keywords
image
target
neural network
convolution
distance value
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.)
Pending
Application number
CN202010820704.9A
Other languages
English (en)
Inventor
曹佳炯
丁菁汀
李亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010820704.9A priority Critical patent/CN111783965A/zh
Publication of CN111783965A publication Critical patent/CN111783965A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本说明书实施例提供一种用于隐私保护的生物特征识别的方法、装置、系统及电子设备，所述方法的一具体实施方式包括：获取目标生物特征所对应的初始图像；利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像，所述目标图像用于生物特征识别；其中，所述卷积图像与所述初始图像之间的距离值大于第一阈值；所述目标图像与所述初始图像之间的距离值小于第二阈值。

Description

用于生物特征识别的方法、装置、系统及电子设备
技术领域
本说明书一个或多个实施例涉及生物特征识别技术领域，特别涉及一种用于生物特征识别的方法、装置、系统及电子设备。
背景技术
随着互联网技术的不断发展，生物特征识别技术得到了越来越广泛的应用，例如，生物特征识别技术可以应用于网上支付、设备解锁以及门禁等。然而，在生物特征识别技术的应用中，尤其是在远程生物特征的注册和识别的过程中，很容易将用户的生物特征信息泄露出去，从而带来了很多的安全隐患。因此，对生物特征信息的保护变得尤为重要。
发明内容
为了解决上述技术问题之一，本说明书一个或多个实施例提供一种用于生物特征识别的方法、装置、系统及电子设备。
根据第一方面，提供一种用于生物特征识别的方法，包括：
获取目标生物特征所对应的初始图像；
利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
可选的，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
可选的，通过如下方式训练所述目标卷积神经网络和所述目标反卷积神经网络：
获取所述目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络；所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的距离值负相关，与所述当前样本图像和当前样本还原图像之间的距离值的正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
可选的，所述距离值包括以下任意一项：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
根据第二方面，提供一种用于生物特征识别的方法，包括：
接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
可选的，所述方法还包括：
将所述目标图像存入用于生物特征识别的目标特征库；或者
基于所述目标图像与预先创建的目标特征库，进行生物特征识别。
根据第三方面，提供一种神经网络的训练方法，包括：
获取目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的第一距离值负相关，与所述当前样本图像和当前样本还原图像之间的第二距离值正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件；
将迭代更新后的卷积神经网络确定为目标卷积神经网络，用于部署到所述目标生物特征的采集端；将迭代更新后的反卷积神经网络确定为目标反卷积神经网络，用于部署到所述目标生物特征的识别端。
可选的，所述停止条件包括：
所述预测损失收敛；或者
迭代执行所述更新操作的次数达到预设次数；或者
所述第一距离值大于第一阈值，并且所述第二距离值小于第二阈值。
可选的，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
可选的，所述第一距离值和第二距离值为以下任意一种距离值：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
可选的，所述方法通过所述识别端执行。
根据第四方面，提供一种用于生物特征识别的装置，应用于采集端，包括：
获取模块，用于获取目标生物特征所对应的初始图像；
处理模块，用于利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
传输模块，用于将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值，所述目标图像用于生物特征识别。
可选的，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
可选的，通过如下方式训练所述目标卷积神经网络和所述目标反卷积神经网络：
获取所述目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络；所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的距离值负相关，与所述当前样本图像和当前样本还原图像之间的距离值的正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
可选的，所述距离值包括以下任意一项：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
根据第五方面，提供一种用于生物特征识别的装置，应用于识别端，包括：
接收模块，用于接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
处理模块，用于利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值，所述目标图像用于生物特征识别。
可选的，所述装置还包括：
存储模块，用于将所述目标图像存入用于生物特征识别的目标特征库；或者
识别模块，用于基于所述目标图像与预先创建的目标特征库，进行生物特征识别。
根据第六方面，提供一种神经网络的训练装置，所述神经网络包括卷积神经网络和反卷积神经网络，包括：
获取模块，用于获取目标生物特征对应的样本集，所述样本集包括多个样本图像；
卷积模块，用于从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
反卷积模块，用于将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
确定模块，用于基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的第一距离值负相关，与所述当前样本图像和当前样本还原图像之间的第二距离值正相关；
更新模块，用于以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件；
输出模块，用于将迭代更新后的卷积神经网络确定为目标卷积神经网络，用于部署到所述目标生物特征的采集端；将迭代更新后的反卷积神经网络确定为目标反卷积神经网络，用于部署到所述目标生物特征的识别端。
可选的，所述停止条件包括：
所述预测损失收敛；或者
迭代执行所述更新操作的次数达到预设次数；或者
所述第一距离值大于第一阈值，并且所述第二距离值小于第二阈值。
可选的，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
可选的，所述第一距离值和第二距离值为以下任意一种距离值：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
可选的，所述装置配置于所述识别端。
根据第七方面，提供一种用于生物特征识别的系统，包括采集端和识别端：
所述采集端，用于获取目标生物特征所对应的初始图像；利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；并将所述卷积图像传输至所述识别端；
所述识别端，用于接收所述采集端传输的卷积图像；利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像，所述目标图像用于生物特征识别；
其中，所述卷积图像与所述初始图像之间的距离值大于第一阈值；所述目标图像与所述初始图像之间的距离值小于第二阈值。
根据第八方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。
根据第九方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面中任一项所述的方法。
本说明书的实施例提供的技术方案可以包括以下有益效果：
本说明书的实施例提供的用于生物特征识别的方法和装置，通过获取目标生物特征所对应的初始图像，利用目标卷积神经网络对初始图像进行卷积处理，得到卷积图像，将卷积图像传输至识别端，以使识别端利用目标反卷积神经网络对卷积图像进行反卷积处理，得到目标图像，该目标图像可以用于生物特征识别。其中，上述卷积图像与上述初始图像之间的距离值大于第一阈值，上述目标图像与上述初始图像之间的距离值小于第二阈值。从而能够在生物特征的注册或识别的过程中，达到对生物特征信息进行加密的目的，即使生物特征信息被恶意截取到，也难以获取其中的重要特征，提高了生物特征信息的安全性。并且，加密后的生物特征信息中大部分特征还能够得到还原。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释实施例的原理。
图1是应用本说明书实施例的示例性系统架构示意图；
图2是本说明书根据一示例性实施例示出的一种用于生物特征识别的方法的流程图；
图3是本说明书根据一示例性实施例示出的另一种用于生物特征识别的方法的流程图；
图4是本说明书根据一示例性实施例示出的一种神经网络的训练方法的示意图；
图5是本说明书根据一示例性实施例示出的一种用于生物特征识别的装置的框图；
图6是本说明书根据一示例性实施例示出的另一种用于生物特征识别的装置的框图；
图7是本说明书根据一示例性实施例示出的一种神经网络的训练装置的框图；
图8是本说明书根据一示例性实施例示出的一种用于生物特征识别的系统框图；
图9是本说明根据一示例性实施例示出的一种电子设备的结构示意图；
图10是本说明根据一示例性实施例示出的另一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，为应用本说明书实施例的示例性系统架构示意图：
如图1所示，系统架构100可以包括电子设备101、网络102和电子设备103。应该理解，图1中的电子设备和网络的数目或类型仅仅是示意性的。根据实现需要，可以具有任意数目或类型的电子设备和网络。
网络102用于在电子设备之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
电子设备101和电子设备103可以通过网络102进行交互，以接收或发送请求或信息等。
电子设备101可以是任意能够支持生物特征采集的终端设备，可以包括但不限于智能手机、智能穿戴设备、平板电脑、台式电脑、门禁设备以及电子支付设备等等。
电子设备103可以是任意能够支持生物特征识别的电子设备，例如，服务器或者终端设备等。其中，终端设备可以包括但不限于智能手机、智能穿戴设备、平板电脑、台式电脑、门禁设备以及电子支付设备等等。
基于图1示出的系统架构，本说明书实施例中，在进行生物特征注册或识别的过程中，电子设备101可以获取生物特征所对应的初始图像，并利用卷积神经网络对该初始图像进行卷积处理，得到卷积图像。然后，将该卷积图像通过网络102传输至电子设备103。电子设备103接收到该卷积图像后，利用反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像。该目标图像与初始图像高度近似，因此，电子设备103可以进一步利用目标图像进行生物特征注册或识别。
下面将结合具体的实施例对本说明书提供的方案进行详细描述。
如图2所示，图2是根据一示例性实施例示出的一种用于生物特征识别的方法的流程图，该方法应用于采集端，该采集端可以是终端设备。该终端设备可以为任意能够支持生物特征采集的终端设备。本领域技术人员可以理解，该终端设备可以包括但不限于诸如智能手机的移动终端设备、智能穿戴设备、平板电脑、台式电脑、门禁设备以及电子支付设备等等。该方法包括以下步骤：
在步骤201中，获取目标生物特征所对应的初始图像。
本实施例中所涉及的生物特征识别的方式可以包括但不限于人脸识别，眼部识别，声纹识别，指纹识别，掌纹识别，心跳识别，脉搏识别，静脉识别，人牙咬痕识别以及多模态(即多生物特征融合)识别等等。
在本实施例中，目标生物特征是进行生物特征识别时，所需要采集的生物特征。目标生物特征可以包括图像形式的特征，和/或非图像形式的特征。其中，图像形式的特征可以包括但不限于人脸特征，眼部特征，指纹特征，掌纹特征以及人牙咬痕特征等等。非图像形式的特征可以包括但不限于声纹特征，心跳特征，脉搏特征，静脉特征等等。
在本实施例中，在采集端上可以安装有生物特征采集装置，例如，可以安装有摄像头，录音器，指纹采集器以及心电传感器等等。在进行生物特征的注册或识别时，可以由采集端上的生物特征采集装置采集目标生物特征的特征信息，并基于采集的特征信息，得到目标生物特征所对应的初始图像。
具体来说，在一种实现方式中，如果目标生物特征包括图像形式的特征，则采集端可以直接将采集到的图像形式的特征信息作为目标生物特征所对应的初始图像。
例如，如果目标生物特征包括指纹特征，则采集端可以直接将采集到的指纹图像作为指纹特征所对应的初始图像。又例如，如果目标生物特征包括人脸特征，则采集端可以直接将拍摄到的人脸图像作为人脸特征所对应的初始图像。
在另一种实现方式中，如果目标生物特征包括非图像形式的特征，则采集端可以首先获取针对目标生物特征采集的特征信息，然后，将采集的该特征信息转化成图像形式的信息，作为初始图像。
例如，如果目标生物特征包括声纹特征，则采集端可以获取由声波转换的电信号。然后，利用该电信号生成声波频谱图像，将该声波频谱图像作为声纹特征所对应的初始图像。又例如，如果目标生物特征包括心跳特征，则采集端可以获取采集的心电信号。然后，利用心电信号生成心电波图像，将心电波图像作为心跳特征所对应的初始图像。
可以理解，本领域中已知的以及将来可能出现的任何获取上述初始图像的方法都可以应用于本说明书的实施例中，本说明书的实施例对获取上述初始图像的具体方式方面不限定。
在一个实施例中，上述初始图像是需要进行隐私保护的隐私图像。
在步骤202中，利用目标卷积神经网络对上述初始图像进行卷积处理，得到卷积图像。
在步骤203中，将该卷积图像传输至识别端。
在本实施例中，识别端可以是任意能够支持生物特征识别的电子设备，例如，识别端可以是服务器，也可以是终端设备等。其中，终端设备可以包括但不限于智能手机、智能穿戴设备、平板电脑、台式电脑、门禁设备以及电子支付设备等等。
可以预先训练出目标卷积神经网络和目标反卷积神经网络，并将目标卷积神经网络部署于采集端，将目标反卷积神经网络部署于识别端。
在进行生物特征的注册或识别时，采集端获取到目标生物特征所对应的初始图像后，可以利用部署的目标卷积神经网络对上述初始图像进行卷积处理，得到卷积图像，该卷积图像与该初始图像之间的距离值大于第一阈值。使得该卷积图像与该初始图像之间具有较大的差异，该初始图像中的大部分特征无法在该卷积图像中得到体现。
然后，采集端将该卷积图像传输至识别端。识别端接收到该卷积图像后，可以利用部署的目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像，该目标图像与该初始图像之间的距离值小于第二阈值。使得该初始图像中的大部分特征均能在该目标图像中得到体现，因此，该目标图像与该初始图像之间差异很小，从而实现了对初始图像的还原。最后，采集端可以将该目标图像存入用于生物特征识别的目标特征库中(生物特征的注册阶段)，或者基于上述目标图像与预先创建的目标特征库，进行生物特征识别(生物特征的识别阶段)。
在本实施例中，上述距离值可以包括以下任意一项：欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
需要说明的是，第一阈值和第二阈值可以是根据经验得到的，可以取任意合理的数值，本说明书对第一阈值和第二阈值的具体取值方面不限定。
本说明书的上述实施例提供的用于生物特征识别的方法，通过获取目标生物特征所对应的初始图像，利用目标卷积神经网络对初始图像进行卷积处理，得到卷积图像，将卷积图像传输至识别端，以使识别端利用目标反卷积神经网络对卷积图像进行反卷积处理，得到目标图像，该目标图像可以用于生物特征识别。其中，上述卷积图像与上述初始图像之间的距离值大于第一阈值，上述目标图像与上述初始图像之间的距离值小于第二阈值。从而能够在生物特征的注册或识别的过程中，达到对生物特征信息进行加密的目的，即使生物特征信息被恶意截取到，也难以获取其中的重要特征，提高了生物特征信息的安全性。并且，加密后的生物特征信息中大部分特征还能够得到还原。
在一些可选实施方式中，上述目标生物特征可以包括以下任意一项或多项：人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
具体来说，本实施例涉及的生物特征识别的方式可以包括但不限于人脸识别，眼部识别，声纹识别，指纹识别，掌纹识别，心跳识别，脉搏识别，静脉识别，人牙咬痕识别以及多模态(即多生物特征融合)识别等等。目标生物特征是进行生物特征识别时，所需要采集的生物特征。因此，当生物特征识别的方式为单一模式识别时，目标生物特征可以包括以下任意一项，当生物特征识别的方式为多模态识别时，目标生物特征可以包括以下任意多项：人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
在另一些可选实施方式中，可以通过如下方式训练目标卷积神经网络和目标反卷积神经网络：首先，获取目标生物特征对应的样本集，该样本集可以包括多个样本图像。基于该样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络。
其中，该更新操作可以包括：从上述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像。将当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像。基于当前样本图像、当前样本卷积图像和当前样本还原图像，确定预测损失，该预测损失与当前样本图像和当前样本卷积图像之间的距离值负相关，与当前样本图像和当前样本还原图像之间的距离值的正相关。以减小该预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
在本实施例中，上述距离值可以包括以下任意一项：欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
如图3所示，图3根据一示例性实施例示出的另一种用于生物特征识别的方法的流程图，该方法应用于识别端。该识别端可以是任意能够支持生物特征识别的电子设备，该识别端可以是终端设备，也可以是服务器。本领域技术人员可以理解，该终端设备可以包括但不限于诸如智能手机的移动终端设备、智能穿戴设备、平板电脑、台式电脑、门禁设备以及电子支付设备等等。该方法包括以下步骤：
在步骤301中，接收采集端传输的卷积图像。
在步骤302中，利用目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像。
在本实施例中，可以预先训练出目标卷积神经网络和目标反卷积神经网络，并将目标卷积神经网络部署于采集端，将目标反卷积神经网络部署于识别端。
在进行生物特征的注册或识别时，采集端可以获取目标生物特征所对应的初始图像，并利用部署的目标卷积神经网络对初始图像进行卷积处理，得到卷积图像，该卷积图像与该初始图像之间的距离值大于第一阈值。然后，采集端将该卷积图像传输至识别端。识别端接收该卷积图像，利用部署的目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像。该目标图像与该初始图像之间的距离值小于第二阈值，该目标图像可以用于图像识别。
需要说明的是，对于与图2实施例中相应的内容，在上述图3实施例中不再进行赘述，相关内容可参见图2实施例。
本说明书的上述实施例提供的用于生物特征识别的方法，通过接收采集端传输的卷积图像，利用目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像，该目标图像可以用于生物特征识别。其中，该卷积图像是采集端用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的。该卷积图像与该初始图像之间的距离值大于第一阈值，该目标图像与该初始图像之间的距离值小于第二阈值。从而能够在生物特征的注册或识别的过程中，达到对生物特征信息进行加密的目的，即使生物特征信息被恶意截取到，也难以获取其中的重要特征，提高了生物特征信息的安全性。并且，加密后的生物特征信息中大部分特征还能够得到还原。
在一些可选实施方式中，图3所示的实施例的方法还可以进一步包括：将上述目标图像存入用于生物特征识别的目标特征库中，或者基于上述目标图像与预先创建的目标特征库，进行生物特征识别。
具体来说，在进行生物特征的注册时，识别端在得到目标图像后，可以将目标图像存储至预先构建的目标特征库中，该目标特征库可以用于生物特征识别。在进行生物特征的识别时，识别端在得到目标图像后，可以将目标图像与预先构建的目标特征库中的生物特征进行比对，从而完成生物特征的识别。
如图4所示，图4是根据一示例性实施例示出的一种神经网络的训练方法的流程图，该方法可以应用于终端设备中，也可以应用于服务器中。本领域技术人员可以理解，该终端设备可以包括但不限于诸如膝上型便携式电脑、平板电脑以及台式电脑等等。其中，该神经网络包括卷积神经网络和反卷积神经网络，该方法包括以下步骤：
在步骤401中，获取目标生物特征对应的样本集，该样本集包括多个样本图像。
在本实施例中，首先，可以针对目标生物特征，采集大量的样本图像，构建样本集。其中，目标生物特征可以包括图像形式的特征，和/或非图像形式的特征。如果目标生物特征包括图像形式的特征，则可以直接将采集到的图像形式的样本特征信息作为样本图像。如果目标生物特征包括非图像形式的特征，则可以首先获取针对目标生物特征采集的样本特征信息，然后，将采集的该样本特征信息转化成图像形式的信息，作为样本图像。
在步骤402中，从上述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像。
在本实施例中，可以从上述样本集中随机取出样本图像作为当前样本图像，将当前样本图像输入至当前的卷积神经网络，将当前的卷积神经网络输出的图像作为当前样本卷积图像。
在步骤403中，将当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像。
在步骤404中，基于当前样本图像、当前样本卷积图像和当前样本还原图像，确定预测损失。
其中，上述预测损失与当前样本图像和当前样本卷积图像之间的第一距离值负相关，与当前样本图像和当前样本还原图像之间的第二距离值正相关。
在一种实现方式中，上述预测损失对应的函数可以通过如下公式表示：
L＝L2-L1，
其中，L可以表示预测损失对应的损失函数，L1可以表示第一距离值，L2可以表示第二距离值。
在另一种实现方式中，上述预测损失对应的函数还可以通过如下公式表示：
L＝(L2-C1)-(L1-C2)，
其中，L可以表示预测损失对应的函数，L1可以表示第一距离值，L2可以表示第二距离值，C1和C2可以表示两个不同的常数。
可以理解，上述预测损失可以采用任意合理形式的公式表示，本说明书对上述预测损失的具体函数表示方式方面不限定。
在步骤405中，以减小该预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
在步骤406中，判断当前是否满足停止条件。
在步骤407中，若未满足停止条件，则对当前的卷积神经网络和当前的反卷积神经网络的网络参数进行调整，并重新执行步骤402。
在步骤408中，若满足停止条件，则输出经过调整后的目标卷积神经网络及目标反卷积神经网络。
在本实施例中，可以将输出的目标卷积神经网络，部署到目标生物特征的采集端。将输出的目标反卷积神经网络，部署到目标生物特征的识别端。
需要说明的是，对于与图2和3实施例中相应的内容，在上述图4实施例中不再进行赘述，相关内容可参见图2和3实施例。
本说明书的上述实施例提供的神经网络的训练方法，获取目标生物特征对应的样本集，该样本集包括多个样本图像。基于样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，该更新操作包括：从样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像。将当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像。基于当前样本图像、当前样本卷积图像和当前样本还原图像，确定预测损失，该预测损失与当前样本图像和当前样本卷积图像之间的第一距离值负相关，与当前样本图像和当前样本还原图像之间的第二距离值正相关。以减小预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件，得到目标卷积神经网络和目标反卷积神经网络。目标卷积神经网络用于部署到目标生物特征的采集端，目标反卷积神经网络用于部署到目标生物特征的识别端。由于本实施例基于上述预测损失更新卷积神经网络和反卷积神经网络，使得训练得到的目标卷积神经网络及目标反卷积神经网络在应用于生物特征的注册或识别时，能够达到对生物特征信息进行加密的目的，提高了生物特征信息的安全性。并且，加密后的生物特征信息中大部分特征还能够得到还原。
在另一些可选实施方式中，上述停止条件可以包括：预测损失收敛，或者迭代执行上述更新操作的次数达到预设次数，或者第一距离值大于第一阈值，并且第二距离值小于第二阈值。
在另一些可选实施方式中，目标生物特征包括以下任意一项或多项：人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
在另一些可选实施方式中，第一距离值和第二距离值为以下任意一种距离值：欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
在另一些可选实施方式中，图4的实施例提供的方法可以通过目标生物特征的识别端执行。
应当注意，尽管在上述图2-图4的实施例中，以特定顺序描述了本说明书实施例的方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
下面结合一个完整的应用实例，对本说明书一个或多个实施例的方案进行示意性说明。
应用场景可以为：用户A在购买商品后，需要对商品进行支付，支付时首先要进行支付认证，可以通过人脸识别来完成支付认证。
具体来说，用户A所持有的手机为采集端，提供支付服务的服务器为识别端。首先，安装于手机上的摄像头采集用户A的脸部图像。手机中部署有目标卷积神经网络，利用该目标卷积神经网络对该脸部图像进行处理，得到卷积图像。该卷积图像与该脸部图像差异很大，该脸部图像中的大部分特征无法在该卷积图像中得到体现。因此，该卷积图像不会泄露采集的用户A的脸部图像。接着，手机将该卷积图像上传至提供支付服务的服务器。
该服务器中部署有目标反卷积神经网络，服务器接收到该卷积图像后，利用该目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像。该目标图像与该脸部图像差异很小。因此，该脸部图像中的大部分特征均能在该目标图像中得到体现，从而实现了对该脸部图像的还原。服务器可以利用该目标图像进行生物特征识别，完成支付认证。
可见，应用上述方案，能够在生物特征识别的过程中，达到对生物特征信息进行加密的目的，即使生物特征信息被恶意截取到，也难以获取其中的重要特征，提高了生物特征信息的安全性。并且，加密后的生物特征信息中大部分特征还能够得到还原。
与前述用于生物特征识别及神经网络的训练方法实施例相对应，本说明书还提供了用于生物特征识别及神经网络的训练装置的实施例。
如图5所示，图5是本说明书根据一示例性实施例示出的一种用于生物特征识别的装置框图，该装置配置于生物特征识别的采集端，该装置可以包括：获取模块501，处理模块502和传输模块503。
其中，获取模块501，用于获取目标生物特征所对应的初始图像。
处理模块502，用于利用目标卷积神经网络对初始图像进行卷积处理，得到卷积图像，该卷积图像与该初始图像之间的距离值大于第一阈值。
传输模块503，用于将该卷积图像传输至识别端，以使识别端利用目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像，该目标图像与该初始图像之间的距离值小于第二阈值，该目标图像用于生物特征识别。
在一些可选实施方式中，目标生物特征可以包括以下任意一项或多项：人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
在另一些可选实施方式中，可以通过如下方式训练目标卷积神经网络和目标反卷积神经网络：获取目标生物特征对应的样本集，该样本集包括多个样本图像。基于该样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络。上述更新操作可以包括：从样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像。将当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像。基于当前样本图像、当前样本卷积图像和当前样本还原图像，确定预测损失，该预测损失与当前样本图像和当前样本卷积图像之间的距离值负相关，与当前样本图像和当前样本还原图像之间的距离值的正相关。以减小该预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
在另一些可选实施方式中，距离值可以包括以下任意一项：欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
应当理解，上述装置可以预先设置在终端设备中，也可以通过下载等方式而加载到终端设备中。上述装置中的相应模块可以与终端设备中的模块相互配合以实现用于生物特征识别的方案。
如图6所示，图6是本说明书根据一示例性实施例示出的一种用于生物特征识别的装置框图，该装置配置于生物特征识别的识别端，该装置可以包括：接收模块601和处理模块602。
其中，接收模块601，用于接收采集端传输的卷积图像，该卷积图像是采集端，利用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的，该卷积图像与上述初始图像之间的距离值大于第一阈值。
处理模块602，用于利用目标反卷积神经网络对该卷积图像进行反卷积处理，得到目标图像，该目标图像与该初始图像之间的距离值小于第二阈值，该目标图像用于生物特征识别。
在一些可选实施方式中，该装置还可以包括：存储模块或识别模块(图中未示出)。
其中，存储模块，用于将上述目标图像存入用于生物特征识别的目标特征库。
识别模块，用于基于该目标图像进行生物特征识别。
应当理解，上述装置可以预先设置在终端设备或者服务器中，也可以通过下载等方式而加载到终端设备或者服务器中。上述装置中的相应模块可以与终端设备或者服务器中的模块相互配合以实现用于生物特征识别的方案。
如图7所示，图7是本说明书根据一示例性实施例示出的一种神经网络的训练装置框图，该神经网络包括卷积神经网络和反卷积神经网络，该装置可以包括：获取模块701，卷积模块702，反卷积模块703，确定模块704，更新模块705和输出模块706。
其中，获取模块701，用于获取目标生物特征对应的样本集，该样本集包括多个样本图像。
卷积模块702，用于从该样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像。
反卷积模块703，用于将当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像。
确定模块704，用于基于当前样本图像、当前样本卷积图像和当前样本还原图像，确定预测损失，该预测损失与当前样本图像和当前样本卷积图像之间的第一距离值负相关，与当前样本图像和当前样本还原图像之间的第二距离值正相关。
更新模块705，用于以减小该预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件。
输出模块706，用于将迭代更新后的卷积神经网络确定为目标卷积神经网络，用于部署到目标生物特征的采集端，将迭代更新后的反卷积神经网络确定为目标反卷积神经网络，用于部署到目标生物特征的识别端。
在一些可选实施方式中，上述停止条件可以包括：上述预测损失收敛；或者迭代执行上述更新操作的次数达到预设次数；或者上述第一距离值大于第一阈值，并且上述第二距离值小于第二阈值。
在另一些可选实施方式中，目标生物特征可以包括以下任意一项或多项：人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
在另一些可选实施方式中，上述第一距离值和上述第二距离值可以为以下任意一种距离值：欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
在另一些可选实施方式中，图7所示的装置配置于目标生物特征的识别端。
应当理解，上述装置可以预先设置在终端设备或者服务器中，也可以通过下载等方式而加载到终端设备或者服务器中。上述装置中的相应模块可以与终端设备或者服务器中的模块相互配合以实现神经网络的训练方案。
如图8所示，图8是本说明书根据一示例性实施例示出的一种用于生物特征识别的系统框图，该系统可以包括：采集端801和识别端802。
其中，采集端801，用于获取目标生物特征所对应的初始图像，利用目标卷积神经网络对初始图像进行卷积处理，得到卷积图像，并将卷积图像传输至识别端802。
识别端802，用于接收采集端801传输的卷积图像，利用目标反卷积神经网络对卷积图像进行反卷积处理，得到目标图像，所述目标图像用于生物特征识别。
其中，上述卷积图像与上述初始图像之间的距离值大于第一阈值，上述目标图像与上述初始图像之间的距离值小于第二阈值。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书一个或多个实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本说明书一个或多个实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2至图4任一实施例提供的生物特征识别及神经网络训练的方法。
对应于上述的用于生物特征的识别的方法，本说明书一个或多个实施例还提出了图9所示的根据本说明书的一示例性实施例的电子设备的示意结构图。请参考图9，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成用于生物特征的识别装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对应于上述的神经网络的训练方法，本说明书一个或多个实施例还提出了图10所示的根据本说明书的一示例性实施例的电子设备的示意结构图。请参考图10，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成神经网络的训练装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (29)

1.一种用于生物特征识别的方法，应用于采集端，所述方法包括：
获取目标生物特征所对应的初始图像；
利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
2.根据权利要求1所述的方法，其中，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
3.根据权利要求1所述的方法，其中，通过如下方式训练所述目标卷积神经网络和所述目标反卷积神经网络：
获取所述目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络；所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的距离值负相关，与所述当前样本图像和当前样本还原图像之间的距离值的正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
4.根据权利要求1-3中任一所述的方法，其中，所述距离值包括以下任意一项：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
5.一种用于生物特征识别的方法，应用于识别端，所述方法包括：
接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
6.根据权利要求5所述的方法，其中，所述方法还包括：
将所述目标图像存入用于生物特征识别的目标特征库；或者
基于所述目标图像与预先创建的目标特征库，进行生物特征识别。
7.一种用于隐私保护的生物特征识别的方法，应用于采集端，所述方法包括：
获取目标生物特征所对应的隐私图像；
利用目标卷积神经网络对所述隐私图像进行卷积处理，得到卷积图像；所述卷积图像与所述隐私图像之间的距离值大于第一阈值；
将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述隐私图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
8.一种用于隐私保护的生物特征识别的方法，应用于识别端，所述方法包括：
接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的隐私图像进行卷积处理得到的；所述卷积图像与所述隐私图像之间的距离值大于第一阈值；
利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述隐私图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
9.一种神经网络的训练方法，所述神经网络包括卷积神经网络和反卷积神经网络，所述方法包括：
获取目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的第一距离值负相关，与所述当前样本图像和当前样本还原图像之间的第二距离值正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件；
将迭代更新后的卷积神经网络确定为目标卷积神经网络，用于部署到所述目标生物特征的采集端；将迭代更新后的反卷积神经网络确定为目标反卷积神经网络，用于部署到所述目标生物特征的识别端。
10.根据权利要求9所述的方法，其中，所述停止条件包括：
所述预测损失收敛；或者
迭代执行所述更新操作的次数达到预设次数；或者
所述第一距离值大于第一阈值，并且所述第二距离值小于第二阈值。
11.根据权利要求9所述的方法，其中，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
12.根据权利要求9所述的方法，其中，所述第一距离值和第二距离值为以下任意一种距离值：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
13.根据权利要求9所述的方法，其中，所述方法通过所述识别端执行。
14.一种用于生物特征识别的装置，应用于采集端，所述装置包括：
获取模块，用于获取目标生物特征所对应的初始图像；
处理模块，用于利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
传输模块，用于将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
15.根据权利要求14所述的装置，其中，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
16.根据权利要求14所述的装置，其中，通过如下方式训练所述目标卷积神经网络和所述目标反卷积神经网络：
获取所述目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络；所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的距离值负相关，与所述当前样本图像和当前样本还原图像之间的距离值的正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。
17.根据权利要求14-16中任一所述的装置，其中，所述距离值包括以下任意一项：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
18.一种用于生物特征识别的装置，应用于识别端，所述装置包括：
接收模块，用于接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
处理模块，用于利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值，所述目标图像用于生物特征识别。
19.根据权利要求18所述的装置，其中，所述装置还包括：
存储模块，用于将所述目标图像存入用于生物特征识别的目标特征库；或者
识别模块，用于基于所述目标图像与预先创建的目标特征库，进行生物特征识别。
20.一种用于隐私保护的生物特征识别的装置，应用于采集端，所述装置包括：
获取模块，用于获取目标生物特征所对应的隐私图像；
处理模块，用于利用目标卷积神经网络对所述隐私图像进行卷积处理，得到卷积图像；所述卷积图像与所述隐私图像之间的距离值大于第一阈值；
传输模块，用于将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述隐私图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。
21.一种用于隐私保护的生物特征识别的装置，应用于识别端，所述装置包括：
接收模块，用于接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的隐私图像进行卷积处理得到的；所述卷积图像与所述隐私图像之间的距离值大于第一阈值；
处理模块，用于利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述隐私图像之间的距离值小于第二阈值，所述目标图像用于生物特征识别。
22.一种神经网络的训练装置，所述神经网络包括卷积神经网络和反卷积神经网络，所述装置包括：
获取模块，用于获取目标生物特征对应的样本集，所述样本集包括多个样本图像；
卷积模块，用于从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
反卷积模块，用于将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
确定模块，用于基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的第一距离值负相关，与所述当前样本图像和当前样本还原图像之间的第二距离值正相关；
更新模块，用于以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件；
输出模块，用于将迭代更新后的卷积神经网络确定为目标卷积神经网络，用于部署到所述目标生物特征的采集端；将迭代更新后的反卷积神经网络确定为目标反卷积神经网络，用于部署到所述目标生物特征的识别端。
23.根据权利要求22所述的装置，其中，所述停止条件包括：
所述预测损失收敛；或者
迭代执行所述更新操作的次数达到预设次数；或者
所述第一距离值大于第一阈值，并且所述第二距离值小于第二阈值。
24.根据权利要求22所述的装置，其中，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。
25.根据权利要求22所述的装置，其中，所述第一距离值和第二距离值为以下任意一种距离值：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。
26.根据权利要求22所述的装置，其中，所述装置配置于所述识别端。
27.一种用于生物特征识别的系统，包括采集端和识别端：
所述采集端，用于获取目标生物特征所对应的初始图像；利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；并将所述卷积图像传输至所述识别端；
所述识别端，用于接收所述采集端传输的卷积图像；利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像，所述目标图像用于生物特征识别；
其中，所述卷积图像与所述初始图像之间的距离值大于第一阈值；所述目标图像与所述初始图像之间的距离值小于第二阈值。
28.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-13中任一项所述的方法。
29.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1-13中任一项所述的方法。
CN202010820704.9A 2020-08-14 2020-08-14 用于生物特征识别的方法、装置、系统及电子设备 Pending CN111783965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010820704.9A CN111783965A (zh) 2020-08-14 2020-08-14 用于生物特征识别的方法、装置、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010820704.9A CN111783965A (zh) 2020-08-14 2020-08-14 用于生物特征识别的方法、装置、系统及电子设备

Publications (1)

Publication Number Publication Date
CN111783965A true CN111783965A (zh) 2020-10-16

Family

ID=72762188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010820704.9A Pending CN111783965A (zh) 2020-08-14 2020-08-14 用于生物特征识别的方法、装置、系统及电子设备

Country Status (1)

Country Link
CN (1) CN111783965A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931758A (zh) * 2020-10-19 2020-11-13 北京圣点云信息技术有限公司 一种结合面部静脉的人脸识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062780A (zh) * 2017-12-29 2018-05-22 百度在线网络技术（北京）有限公司 图像压缩方法和装置
CN108510454A (zh) * 2018-03-21 2018-09-07 百度在线网络技术（北京）有限公司 用于生成深度图像的方法和装置
CN111310734A (zh) * 2020-03-19 2020-06-19 支付宝(杭州)信息技术有限公司 保护用户隐私的人脸识别方法和装置
CN111401272A (zh) * 2020-03-19 2020-07-10 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062780A (zh) * 2017-12-29 2018-05-22 百度在线网络技术（北京）有限公司 图像压缩方法和装置
CN108510454A (zh) * 2018-03-21 2018-09-07 百度在线网络技术（北京）有限公司 用于生成深度图像的方法和装置
CN111310734A (zh) * 2020-03-19 2020-06-19 支付宝(杭州)信息技术有限公司 保护用户隐私的人脸识别方法和装置
CN111401272A (zh) * 2020-03-19 2020-07-10 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931758A (zh) * 2020-10-19 2020-11-13 北京圣点云信息技术有限公司 一种结合面部静脉的人脸识别方法及装置
CN111931758B (zh) * 2020-10-19 2021-01-05 北京圣点云信息技术有限公司 一种结合面部静脉的人脸识别方法及装置

Similar Documents

Publication Publication Date Title
JP7129598B2 (ja) 学習済みモデル生成方法、学習済みモデル生成装置、および学習済みモデル利用装置
US11276068B2 (en) Fraudulent transaction identification method and apparatus, server, and storage medium
US8463025B2 (en) Distributed artificial intelligence services on a cell phone
US8996886B2 (en) Encrypted biometric data management and retrieval
WO2018112035A1 (en) Obtaining a medical record stored on a blockchain from a wearable device
CN110489951A (zh) 风险识别的方法、装置、计算机设备和存储介质
CN110874571B (zh) 人脸识别模型的训练方法及装置
CN110263916B (zh) 数据处理方法和装置、存储介质及电子装置
KR20110127264A (ko) 부분적 수집물의 모자이킹 및 인페인팅 기술을 통하여 홍채 스캔을 복원하는 방법
JP2012088944A5 (zh)
CN106845267B (zh) 应用历史信息的处理方法及移动终端
CN113411805A (zh) 一种实现访问网络的认证方法、认证设备及用户设备
CN110362700B (zh) 数据处理方法、装置、计算机设备及存储介质
CN111553235B (zh) 保护隐私的网络训练方法、身份识别方法及装置
CN112132996A (zh) 一种门锁控制方法、移动终端、门控终端及存储介质
CN113705426A (zh) 人脸校验方法、装置、服务器及可读存储介质
CN111444830B (zh) 基于超声回波信号的成像的方法、装置、存储介质及电子装置
CN111783965A (zh) 用于生物特征识别的方法、装置、系统及电子设备
CN116758590B (zh) 用于身份认证的手掌特征处理方法、装置、设备和介质
CN108171185B (zh) 身份识别的方法、装置及系统
CN109523408A (zh) 参保人的身份认证方法、保险机构服务器及用户终端
CN111178339A (zh) 用户身份识别方法、装置、设备及介质
JP2018142137A (ja) 情報処理装置、情報処理方法、及びプログラム
CN115035608A (zh) 活体检测方法、装置、设备及系统
CN108446653B (zh) 用于处理面部图像的方法和装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40039456

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication