CN113033291A - 基于rfid的具有隐私保护且防伪造攻击的人脸识别方法和系统 - Google Patents
基于rfid的具有隐私保护且防伪造攻击的人脸识别方法和系统 Download PDFInfo
- Publication number
- CN113033291A CN113033291A CN202110138649.XA CN202110138649A CN113033291A CN 113033291 A CN113033291 A CN 113033291A CN 202110138649 A CN202110138649 A CN 202110138649A CN 113033291 A CN113033291 A CN 113033291A
- Authority
- CN
- China
- Prior art keywords
- rfid tag
- face
- user
- radio frequency
- rfid
- 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
Images
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于RFID的具有隐私保护且防伪造攻击的人脸识别方法和系统,人脸识别系统由RFID标签阵列、天线、混合特征提取模块,注册和识别模块组成。识别方法主要包括用户注册和用户认证两个部分。所采用的技术方案为:用户需要将其面部摆在RFID标签阵列的前面,以进行注册和身份验证。在注册阶段,收集人脸反射的射频信号的RSS和相位值,经过一个抗距离和偏转干扰的面部特征提取算法,计算RFID标签阵列上RFID之间的RSS和相位差来提取由人脸3D几何形状和内部生物材料组成的可靠混合特征。最后,将提取的混合特征组合成特征块,利用SVM中进行模型训练。用户在认证阶段只需要提供短时间的人脸反射的射频信号来提取面部特征,用于身份验证和防御伪造攻击。
Description
技术领域
本发明属于用户认证领域,具体提出了一种利用射频识别(RFID)标签阵列提取面部的三维(3D)几何形状和内部生物材料特征的隐私保护且防伪造攻击的人脸识别方法。
背景技术
面部认证系统在人们的日常生活中被广泛应用,例如,访问控制,在线支付和个人识别等。由于面部认证系统的便捷性和准确性,其被认为是最有希望替代PIN码,指纹和令牌等传统身份验证的方法。
现有的面部认证系统主要基于相机,用户的面部信息可以被远程捕获,使得认证十分方便。但是现有的面部认证技术存在一些严重的缺陷,包括视觉隐私泄露的风险以及易受到伪造攻击的安全性问题。一方面,当前大多数面部认证系统都通过RGB相机来收集用户的面部特征,这个过程不可避免地采集了用户的视觉上的面部信息(VFI),这有可能导致用户的面部隐私泄露的问题。另一方面,现有的面部认证技术很容易被人脸伪造攻击技术攻破。例如,攻击者只需要将受害者的照片或者视频展示给面部认证系统,系统就会误把照片或视频当成受害者真人进行处理,从而让攻击者通过认证。因此,人们迫切的需要一种既能保护人的视觉隐私,又能防伪造攻击的人脸身份认证技术。
近年来,基于RFID的感知技术被人们广泛关注和研究。之前的研究表明,RFID技术可以捕获到细粒度的可感知信息。例如利用RFID可以达到毫米级的振动监测。利用RFID标签阵列可以实现隔墙的人类行为识别。因此,本发明旨在利用可进行细粒度感知的RFID系统实现高精度的面部认证技术。本发明将RFID标签组成标签阵列来捕获人脸的3D几何特征和内部的生物材料特征,并利用基于机器学习和阈值比较的方法实现视觉隐私保护的防伪造攻击的面部认证技术。
发明内容
针对现有技术中存在的问题,本发明提供了一种新颖的基于射频识别技术的隐私保护且防伪造攻击的人脸识别方法。该方法使用RFID标签阵列来测量从人脸反射的射频信号的强度值(RSS:received signal strength)和相位值,并提取3D面部几何形状和生物材料特征以抵御伪造攻击,并将提取到的混合特征馈入预先训练好的支持向量机(SVM)进行用户身份验证。实验表明本发明方法对比现有的认证方式,既保护用户隐私也具有较高的认证准确率,同时满足实用性与安全性。
为了实现上述目的,本发明采用如下技术方案予以解决:
一种基于RFID的具有隐私保护且防伪造攻击的人脸识别方法,包括:
利用RFID标签阵列接收用户人脸反射的射频信号;其中,所述RFID标签阵列由R×K个RFID标签组成。
根据接收的射频信号提取每个RFID标签感知的混合特征,所述每个RFID标签感知的混合特征为该RFID标签与任一RFID标签(优选为该RFID标签的邻近的标签)后向散射的射频信号之间的相位差和强度差,所述相位差取余弦值。其中,采用差值可以有效抑制人脸与RFID标签阵列之间距离和偏转的干扰,并实现快速准确的混合特征的提取。对相位差进行余弦计算,可以实现对于面部特征的余弦矫正,从而获得稳定的混合特征。
根据每个RFID标签感知的混合特征对用户进行注册和识别。
进一步地,所述根据接收的射频信号提取每个RFID标签感知的混合特征,具体为:
将RFID标签阵列按其阵列中心点所在行和列分割成小块,在小块重复此分割操作,直到获得行和列均不超过3的最小块。
其中,RFID标签阵列中心的RFID标签感知的混合特征取值为0。对于每个最小块中位于最小块中心的子中心RFID标签,计算子中心RFID标签与RFID标签阵列中心的RFID标签后向散射的射频信号之间的相位差和强度差,对于每个小块中除子中心RFID标签,计算剩余RFID标签与子中心RFID标签后向散射的射频信号之间的相位差和强度差作为混合特征;具体表示如下:
最小块的子中心可以表示为Csub,每个最小块中其他RFID标签可以表示为Tr,c,因此对于每个最小块中混合特征的计算可以表示为
其中和表示Tr,c与其所在最小块对应的子中心Csub之间的RSS和相位差。对于相位差部分的余弦矫正可以表示为结合RFID标签阵列中所有RFID标签的ΔR和可以得到一个形状为2×R×K的三维特征数组,其减法运算次数仅为2×R×K。
进一步地,由于面部的轻微移动和硬件缺陷,从RFID读取器收集的相位值会涉及噪声。本发明还包括对RFID标签后向散射的射频信号预处理步骤,具体为:对于采集到的射频信号的连续相位值进行展开,同时设置平滑窗口来去除窗口中的异常相位值。过滤噪声方式为用窗口中其他正常值的平均值来替换掉窗口中的异常相位值。
进一步地,所述根据每个RFID标签感知的混合特征对人脸进行注册认证的过程为:
将根据注册用户人脸采集的每个RFID标签感知的混合特征按阵列顺序和时间维度组成N/M×M×2×R×K五维数组存储至数据库,N为帧数,M为每个样本的包含的帧数,分类器根据数据库中已存储的注册用户数据进行训练,完成该用户注册认证。
进一步地,M大于5,注册用户人脸采集的时间近似2分钟。
进一步地,所述根据每个RFID标签感知的混合特征按阵列顺序组成序列对人脸进行识别的过程为:
将根据登录用户人脸采集的每个RFID标签感知的混合特征按阵列顺序和时间维度组成N/M×M×2×R×K五维数组,N为帧数,M为每个样本的包含的帧数,输入分类器对登录用户进行识别。
进一步地,登录用户人脸采集的时间为1.25秒。
进一步地,所述分类器输出表示登录用户与数据库中注册用户之间相似性的置信系数,若其中最大的置信系数大于阈值则登陆用户为合法用户识别通过,否则将拒绝该用户。由于每个人的混合特征各不相同,因此未注册的用户由于相似度低而无法通过身份验证。此外,由于伪造攻击无法产生内部生物材料特征,因此阈值置信度比较机制将拒绝攻击者。
其中根据实验数据,可以获取普适性的阈值,在本方法里置信度阈值设定为0.8。在此处置信度阈值既可以用于判断认证用户是否为非法入侵者也可以用于判断是否存在伪造攻击,实现欺骗攻击防御。
基于上述方法的基于RFID的隐私保护且防伪造攻击的人脸识别系统,包括:
由R×K个RFID标签组成RFID标签阵列,用于接收用户人脸反射的射频信号。
天线,用于发射射频信号至人脸同时采集RFID标签阵列接收用户人脸反射的射频信号后后向散射的射频信号。
混合特征提取模块,根据接收的射频信号提取每个RFID标签感知的混合特征,所述每个RFID标签感知的混合特征为该RFID标签与任一RFID标签后向散射的射频信号之间的相位差和强度差,所述相位差取余弦值。
注册和识别模块,用于根据每个RFID标签感知的混合特征对用户进行注册和识别。
进一步地,所述注册和识别模块包括数据库、分类器和判别器,其中:
数据库用于存储注册用户的混合特征数据。
分类器用于根据数据库中存储的注册用户的混合特征数据进行训练分类,并根据登陆用户的混合特征数据输出与数据库中注册用户之间相似性的置信系数。
判别器,用于根据分类器得到的最大置信系数与阈值的关系判断登陆用户是否为合法用户。
与现有技术相比,本发明具有以下有益的技术效果:本发明提出了一种同时具有保护隐私的抗伪造攻击的人脸识别方法,该方法可以从射频信号中提取包含3D面部几何形状和用户面部的内部生物材料特征的特征。此外,本方法建立了理论模型来验证特征提取方法的可行性。进一步地,本方法提出了一种新颖的算法,可通过缓解人脸与RFID标签阵列之间的距离和偏转角度变化的影响来增强人脸识别方法的鲁棒性和灵活性。
本发明仅需要用户将人脸摆放在RFID标签阵列1.25秒完成认证。
本发明提取了面部3D几何形状和生物材料特征来抵御伪造攻击。
本发明设计了一种新颖的抑制距离和偏转干扰的算法。
本发明基于信号进行面部识别可以有效保护隐私。
附图说明
图1基于射频识别技术的隐私保护且防伪造攻击的人脸识别方法的流程图;
图2是人脸偏转对于射频信号传播影响示意图;
图3是RFID标签阵列划分区域示意图;
图4是人脸反射射频信号的传播示意图;
图5是系统装置图。
具体实施方式
本发明的目的是设计一种新颖的防伪造攻击的具有隐私保护的身份验证系统,包括:
由R×K个RFID标签组成RFID标签阵列,用于接收用户人脸反射的射频信号。
天线,用于发射射频信号至人脸同时采集RFID标签阵列接收用户人脸反射的射频信号后后向散射的射频信号。
混合特征提取模块,根据接收的射频信号提取每个RFID标签感知的混合特征,所述每个RFID标签感知的混合特征为该RFID标签与任一RFID标签后向散射的射频信号之间的相位差和强度差,所述相位差取余弦值。
注册和识别模块,用于根据每个RFID标签感知的混合特征对用户进行注册和识别。
具体来说,本系统使用RFID标签阵列来测量从人脸反射射频信号的RSS和相位值,并基于此提取人脸3D面部几何形状和内部生物材料特征以抵御伪造攻击。然后将提取到的特征输入注册和识别模块(预先训练好的支持向量机(SVM))进行身份验证。下面以7×7的RFID标签阵列为例,结合具体的步骤和说明书附图对本发明作进一步的解释说明。本发明的人脸识别方法简要流程如图1所示,具体包括如下步骤:
步骤1)用户注册
用户将人脸放置于7×7特定排布的RFID标签阵列前2分钟来提供用于注册的射频信号。
步骤2)信号预处理
由于面部的轻微移动和硬件缺陷,从RFID读取器收集的相位值会涉及噪声。本发明首先对于采集到的射频信号的连续相位值进行展开,同时设置平滑窗口来去除窗口中的异常相位值。将采集得到的射频信号的RSS和相位值,按照RFID标签阵列的排布重新排列为一个新序列。
步骤3)面部混合特征提取
步骤3.1)计算区域划分:在实际人脸识别过程中很难保证面部放置的位置和偏转方向是固定的,因此本发明提出了一种抑制人脸和RFID标签阵列之间距离和偏转方向影响的特征提取方法。其中抑制偏转的影响描述如下:
如图2所示,当人脸偏转一个指定的角度γ,最左边和最右边的RFID标签之间的距离差不仅仅会涉及人脸结构差异也会有因为人脸偏转带来的距离差dr,这个不确定的dr会给本方法带来一系列的不稳定性,例如将一个不合法用户识别为合法用户。因此为了消除这个影响,需要尽可能减小dr的值。根据理论分析,发现选择两个RFID标签越近,dr越小。因此,抑制面部偏斜影响的关键思想是缩小RFID标签阵列中的差异计算范围。
如图3所示,首先找到RFID标签阵列的中心点C,然后根据C所在的行和列将RFID标签阵列分成较小的块。然后,重复此查找中心和分割操作,直到获得行和列均不超过3的最小块。以本方法所用的7×7RFID标签阵列排布举例,RFID标签阵列的中心点为图中的C,位于第四行和第四列。沿着第四行和第四列将RFID标签阵列分割为小块,此时的小块行和列均不超过3因此为最小块。这些最小块的中心点表示为子中心点Csub。接下来的特征提取的最小单元为最小块。
步骤3.2)混合特征计算:对于每个最小块,首先找到它的子中心,然后对于该块中的每个其余RFID标签,计算该RFID标签与子中心RFID标签之间的相位差和RSS差。对于最小块的子中心,使用相同的方法通过计算子中心与整个RFID标签阵列的中心点之间的RSS差和相位差。利用这种方式可以获得整个RFID标签阵列上所有RFID标签RSS差和相位差,这可以作为人脸的混合特征用于身份认证。接下来,本方法建模分析RFID标签阵列上RFID标签之间RSS差和相位差与面部混合特征之间的对应关系。并解释如何通过作差的方法消除距离变化带来的影响。
图4表示面部反射的射频信号传播路径。人的面部平行且直接位于RFID标签阵列的前面,用户的下巴位于RFID标签阵列底部边缘的垂直平分线上。利用7×7RFID标签阵列的侧视图来解释从面部反射的信号作用与RFID标签阵列上的效果。天线与RFID标签阵列之间的距离表示为L,RFID标签阵列与下巴之间的距离表示为d。该理论模型涉及三个过程:1)将RFID标签映射到脸上的块;2)通过RSS提取面部特征;3)通过相位提取面部特征。
1)将RFID标签映射到脸上的块。在不损失建模有效性的前提下,对于每个RFID标签,分析最接近RFID标签的面部区域对RFID标签的影响。具体来说,将阵列上的每个RFID标签映射到最接近RFID标签的一块面部区域,该区域可以视为一个块。为了便于建模,这种可以等效于该块的中心点在RFID标签上的作用。如图4,以RFID标签Ti为例,最接近RFID标签Ti的区域可以表示为(Fu_i,Fc_i,Fl_i),其中Fu_i表示为该区域的上顶点,Fc_i表示为该区域的中心点,Fl_i表示为该区域的下顶点。因此该区域对RFID标签Ti的反射可以等效为Fc_i对其的反射。其中,将射频信号从Fc_i入射的入射角度表示为该入射角度对于不同的人都是不一样的。接下来对RFID标签Ti和RFID标签Tj进行分析,展示如何提取面部混合特征。
2)通过RSS提取面部特征。将射频信号在系统中的传播分为三个阶段:从天线到脸部,从脸部反射到RFID阵列,从脸部到天线。分别分析RSS在每个阶段的变化,以提取面部3D几何和内部生物材料特征。对于传播的第一阶段,RSS值由功率P定义,功率P与幅度A的平方成正比。RSS可以表示为:
其中D表示一个常数。通常,振幅A在单位传播距离上引起幅度上的指数损失,其可以表示为e-α,其中,α定值,对于RFID标签Ti来说,射频信号从天线传播到中心点Fc_i期间,幅度A的损失可以表示为:
其中Ain表示为射频信号到达人脸表面时的幅度,di表示中心点Fc_i到达人脸下巴的水平距离,这也表明了人脸的几何结构。对于信号传播的第二阶段,当射频信号到达人脸的表面,信号可分为两部分:直接反射的部分和折射进入面部的部分。人脸的内部结构由各种生物材料组成,例如皮肤,脂肪和肌肉。为了便于说明,假设每个人的脸都是由多层材料组成的独特混合材料,并且混合生物材料的相对介电常数可以表示为εper。此外,由于指数衰减,折射进入人脸的射频信号将只有极低的功率信号能出来,这可以忽略不计。因此只分析由于人脸反射对于信号的影响。面部反射前后信号的功率比为功率反射系数为因此相应的幅度信息可以表示为:
其中A_afer和A_before分别表示为反射前后信号的幅度。与人脸的混合材料以及射频信号的入射角有关系,因此可以反应面部的几何特性和内部材料特性。接下来详细分析两种生物材料之间界面上的反射受其相对介电常数的影响。射频信号到达空气和面部材料之间的界面时,可以将该信号分解为横波(TE)和横波(TM)分量。可以由横波(TE)和横波(TM)的功率反射系数RS和Rp表示。基于菲涅耳公式,可以表示为:
因此接收到的RSS可以表示为
可以发现RSS与距离d有关,同时由于人脸的位置不一定是固定的,因此距离d是一个不确定的因素。为了消除这个不确定因素,将两个RFID标签Ti和Tj的RSS的值进行相减:
可以发现参数距离d已经被消除掉,因此可以通过计算两个RFID标签之间的RSS的差来捕获面部的几何特性和内部材料特性。
3)通过相位提取面部特征。与分析RSS的方法一致,按照信号传播的三个阶段来分析信号相位的变化。以RFID标签Ti为例,第一阶段信号进入人脸之前,其相位可以表示为θ_before,
其中θt表示天线发射端最原始的相位。同理从人脸反射的信号的射频信号的相位可以表示为:
θ_after=θ_before+θper_i,
因此θper_i是由以及εper两者决定,二者均与人的面部特征和生理特征相关,这也就意味着相位的变化可以揭示人脸的内部生理特征和3D结构特征。结合第三阶段的信号传播,可以将RFID标签Ti所接收到的射频信号的相位表示成为:
可以发现不确定的因素距离d已经被消除掉,Z为整数。
步骤3.3)余弦矫正:可以发现最终提取出来的相位差里存在2项,因为接收到的射频信号的相位是周期为2的周期函数。这对于依据相位差提取面部特征带来了不确定性。因此本方法设计了余弦矫正的方式,利用cos(θi-θj)来代替θi-θj作为最终的面部特征来消除不确定性。基于上述的建模方式,可以验证通过计算RFID标签阵列上RFID标签之间的相位和RSS差值,可以提取面部的3D几何和内部材料特性。
步骤4)模型训练:
步骤4.1)训练SVM:将上述提取的混合特征RSSi-RSSj和cos(θi-θj)按照时间维度进行重排,每五个7×7的特征序列组成一个数组存储,并将存储的所有注册用户的数据依次输入分类器SVM进行训练,从而得到一个可以用于用户分类的模型,完成用户注册。
步骤4.2)获得阈值:根据实验得到数据,画出合法用户和非法用户输出的置信度分布图,获取普适性的阈值用于判断用户是否为合法用户以及是否存在伪造攻击。经过大量的实验观察,当阈值设定为0.8时,认证的准确率可以到达一个较高的水平。
步骤5)用户认证:如图5所示,在认证过程中,登录用户要求将人脸放置于RFID标签阵列前1.25秒,采集相应的射频信号。将采集到的射频信号进行相同的预处理流程,并将提取出的特征输入预训练好的SVM模型,该模型输出一系列置信系数,表示登录用户与数据库中注册用户之间的相似性。然后,本方法在这些置信系数中找到最大的置信系数,并将其与预定阈值进行比较。如果大于阈值,则该用户将被视为合法用户,否则,将拒绝该用户。由于每个人的混合特征各不相同,因此未注册的用户由于相似度低而无法通过身份验证。此外,由于伪造攻击无法产生内部生物材料特征,因此阈值置信度比较机制将拒绝攻击者。
本发明提出了一种基于射频识别技术的隐私保护且防伪造攻击的人脸识别方法。此外,本发明建立了严格的理论模型,以证明从反向散射RFID信号中提取面部3D几何形状和生物材料特征的可行性。本发明方法在保证系统灵活性的同时考虑了3D几何形状和生物材料特征,可以有效地抵御伪造攻击。
进一步,本发明仅需要用户将人脸摆放在RFID标签阵列1.25秒完成认证。
进一步,本发明建立严格的理论模型证明反向散射RFID信号包含了面部3D几何形状和生物材料特征。
进一步,本发明提取了面部3D几何形状和生物材料特征来抵御伪造攻击。
进一步,本发明设计了一种新颖的抑制距离和偏转干扰的算法。
进一步,本发明基于信号进行面部识别可以有效保护隐私。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。
Claims (10)
1.一种基于RFID的具有隐私保护且防伪造攻击的人脸识别方法,其特征在于,包括:
利用RFID标签阵列接收用户人脸反射的射频信号;其中,所述RFID标签阵列由R×K个RFID标签组成。
根据接收的射频信号提取每个RFID标签感知的混合特征,所述每个RFID标签感知的混合特征为该RFID标签与任一RFID标签后向散射的射频信号之间的相位差和强度差,所述相位差取余弦值。
根据每个RFID标签的混合特征对用户进行注册和识别。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述根据接收的射频信号提取每个RFID标签感知的混合特征,具体为:
将RFID标签阵列按其阵列中心点所在行和列分割成小块,在小块重复此分割操作,直到获得行和列均不超过3的最小块。
对于每个最小块中位于最小块中心的子中心RFID标签,计算子中心RFID标签与RFID标签阵列中心的RFID标签后向散射的射频信号之间的相位差和强度差,对于每个小块中除子中心RFID标签,计算剩余RFID标签与子中心RFID标签后向散射的射频信号之间的相位差和强度差作为混合特征;所述相位差取余弦值。其中,RFID标签阵列中心的RFID标签感知的混合特征取值为0。
3.根据权利要求1所述的人脸识别方法,其特征在于,还包括RFID标签后向散射的射频信号预处理步骤,具体为:将每个RFID标签后向散射的射频信号展开相位值序列并利用设置平滑窗口的方法去除射频信号中的噪声。
4.根据权利要求1所述的人脸识别方法,其特征在于,所述根据每个RFID标签感知的混合特征对人脸进行注册认证的过程为:
将根据注册用户人脸采集的每个RFID标签感知的混合特征按阵列顺序和时间维度组成N/M×M×2×R×K五维数组并存储至数据库,N为帧数,M为每个样本的包含的帧数,分类器根据数据库中已存储的注册用户数据进行训练,完成该用户注册认证。
5.根据权利要求4所述的人脸识别方法,其特征在于,M大于5,注册用户人脸采集的时间大于2分钟。
6.根据权利要求1所述的人脸识别方法,其特征在于,所述根据每个RFID标签感知的混合特征对人脸进行识别的过程为:
将根据登录用户人脸采集的每个RFID标签感知的混合特征按阵列顺序和时间维度组成N/M×M×2×R×K五维数组,N为帧数,M为每个样本的包含的帧数,输入分类器对登录用户进行识别。
7.根据权利要求6所述的人脸识别方法,其特征在于,登录用户人脸采集的时间为1.25秒。
8.根据权利要求6所述的人脸识别方法,其特征在于,所述分类器输出表示登录用户与数据库中注册用户之间相似性的置信系数,若其中最大的置信系数大于阈值则登陆用户为合法用户识别通过,否则不通过。
9.根据权利要求1所述方法的基于RFID的具有隐私保护且防伪造攻击的人脸识别系统,其特征在于,包括:
由R×K个RFID标签组成RFID标签阵列,用于接收用户人脸反射的射频信号。
天线,用于发射射频信号至人脸同时采集RFID标签阵列接收用户人脸反射的射频信号后后向散射的射频信号。
混合特征提取模块,根据接收的射频信号提取每个RFID标签感知的混合特征,所述每个RFID标签感知的混合特征为该RFID标签与任一RFID标签后向散射的射频信号之间的相位差和强度差,所述相位差取余弦值。
注册和识别模块,用于根据每个RFID标签感知的混合特征对用户进行注册和识别。
10.根据权利要求7所述的人脸识别系统,其特征在于,所述注册和识别模块包括数据库、分类器和判别器,其中:
数据库用于存储注册用户的混合特征数据。
分类器用于根据数据库中存储的注册用户的混合特征数据进行训练分类,并根据登陆用户的混合特征数据输出与数据库中注册用户之间相似性的置信系数。
判别器,用于根据分类器得到的最大置信系数与阈值的关系判断登陆用户是否为合法用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110138649.XA CN113033291B (zh) | 2021-02-01 | 2021-02-01 | 基于rfid的人脸识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110138649.XA CN113033291B (zh) | 2021-02-01 | 2021-02-01 | 基于rfid的人脸识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033291A true CN113033291A (zh) | 2021-06-25 |
CN113033291B CN113033291B (zh) | 2022-06-17 |
Family
ID=76459633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110138649.XA Active CN113033291B (zh) | 2021-02-01 | 2021-02-01 | 基于rfid的人脸识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033291B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7911324B2 (en) * | 2001-02-16 | 2011-03-22 | Automotive Technologies International, Inc. | Method and system for obtaining information about RFID-equipped objects |
CN110020520A (zh) * | 2019-03-26 | 2019-07-16 | 华中科技大学 | 一种基于声音信号的人脸识别辅助认证方法和系统 |
CN110970053A (zh) * | 2019-12-04 | 2020-04-07 | 西北工业大学深圳研究院 | 一种基于深度聚类的多通道与说话人无关语音分离方法 |
CN111178106A (zh) * | 2020-01-03 | 2020-05-19 | 华东理工大学 | 一种基于超高频rfid相位和svm的判断标签位移方向的方法 |
CN112232256A (zh) * | 2020-10-26 | 2021-01-15 | 南京读动信息科技有限公司 | 一种无接触式运动及体测数据采集系统 |
-
2021
- 2021-02-01 CN CN202110138649.XA patent/CN113033291B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7911324B2 (en) * | 2001-02-16 | 2011-03-22 | Automotive Technologies International, Inc. | Method and system for obtaining information about RFID-equipped objects |
CN110020520A (zh) * | 2019-03-26 | 2019-07-16 | 华中科技大学 | 一种基于声音信号的人脸识别辅助认证方法和系统 |
CN110970053A (zh) * | 2019-12-04 | 2020-04-07 | 西北工业大学深圳研究院 | 一种基于深度聚类的多通道与说话人无关语音分离方法 |
CN111178106A (zh) * | 2020-01-03 | 2020-05-19 | 华东理工大学 | 一种基于超高频rfid相位和svm的判断标签位移方向的方法 |
CN112232256A (zh) * | 2020-10-26 | 2021-01-15 | 南京读动信息科技有限公司 | 一种无接触式运动及体测数据采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113033291B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bolle et al. | Guide to biometrics | |
Sengar et al. | Multimodal biometric authentication system using deep learning method | |
Lourde et al. | Fingerprint identification in biometric securitysystems | |
Uludag et al. | Attacks on biometric systems: a case study in fingerprints | |
You et al. | On hierarchical palmprint coding with multiple features for personal identification in large databases | |
US8265347B2 (en) | Method and system for personal identification using 3D palmprint imaging | |
US7039221B1 (en) | Facial image verification utilizing smart-card with integrated video camera | |
Dass et al. | Fingerprint-based recognition | |
Mukhaiyar | Cancellable biometric using matrix approaches | |
CN113033291B (zh) | 基于rfid的人脸识别方法和系统 | |
Daramola et al. | Algorithm for fingerprint verification system | |
Ross et al. | Multimodal human recognition systems | |
Esan et al. | Bimodal biometrics for financial infrastructure security | |
Lavanya et al. | Performance evaluation of fingerprint identification based on DCT and DWT using multiple matching techniques | |
Kong et al. | A study of brute-force break-ins of a palmprint verification system | |
Arivazhagan et al. | Fingerprint verification using Gabor co-occurrence features | |
Akhtar et al. | Security analysis of multimodal biometric systems against spoof attacks | |
Sharma et al. | Human recognition methods based on biometric technologies | |
Mehmandoust et al. | A Comparison between Different Fingerprint Matching Techniques | |
Akhtar et al. | Multimodal biometric fusion: Performance under spoof attacks | |
Ashiba | Proposed framework for cancelable face recognition system | |
Khan et al. | Dorsal hand vein biometric using Independent Component Analysis (ICA) | |
Prasad et al. | Bimodal personal recognition using hand images | |
Baek | The fake fingerprint detection system using a novel color distribution | |
KR100428540B1 (ko) | 개인 식별을 위한 손등의 혈관패턴 인식 장치 및 그 방법 |
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 |