CN113946858B - 一种基于数据隐私计算的身份安全认证方法及系统 - Google Patents

一种基于数据隐私计算的身份安全认证方法及系统 Download PDF

Info

Publication number
CN113946858B
CN113946858B CN202111565275.6A CN202111565275A CN113946858B CN 113946858 B CN113946858 B CN 113946858B CN 202111565275 A CN202111565275 A CN 202111565275A CN 113946858 B CN113946858 B CN 113946858B
Authority
CN
China
Prior art keywords
face image
identity
encrypted
image
neural network
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.)
Active
Application number
CN202111565275.6A
Other languages
English (en)
Other versions
CN113946858A (zh
Inventor
邹耀增
詹蕴学
戴燎元
韩声利
刘熙
刘婷婷
李鹏
李程艳
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.)
Hunan Fenghui Yinjia Science And Technology Co ltd
Original Assignee
Hunan Fenghui Yinjia Science And 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 Hunan Fenghui Yinjia Science And Technology Co ltd filed Critical Hunan Fenghui Yinjia Science And Technology Co ltd
Priority to CN202111565275.6A priority Critical patent/CN113946858B/zh
Publication of CN113946858A publication Critical patent/CN113946858A/zh
Application granted granted Critical
Publication of CN113946858B publication Critical patent/CN113946858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
    • H04L9/3231—Biological data, e.g. fingerprint, voice or retina

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioethics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种隐私计算技术领域，公开了一种基于数据隐私计算的身份安全认证方法和系统，方法包括：利用基于L‑BFGS算法的神经网络模型对人脸图像进行快速编码处理，得到人脸图像的编码向量；利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序；服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，实现身份认证。本发明通过利用基于L‑BFGS算法的神经网络模型实现人脸图像的快速编码，并利用同态加密算法对图像编码向量进行加密处理，保障人脸图像数据的隐私安全。

Description

一种基于数据隐私计算的身份安全认证方法及系统
技术领域
本发明涉及隐私计算的技术领域，尤其涉及一种基于数据隐私计算的身份安全认证方法及系统。
背景技术
人脸识别技术作为有效的生物特征识别技术之一，由于其巨大的应用前景发展成为图像处理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。而另一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，当愈加具体详细的个人信息被第三方掌握，人们也更希望出现更安全的保护措施。
鉴于此，本发明提出一种针对人脸识别身份认证的基于数据隐私计算的身份安全认证方法及系统，系统的用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败。
发明内容
本发明提供一种基于数据隐私计算的身份安全认证方法，目的在于（1）利用基于L-BFGS算法的神经网络模型实现人脸图像的快速编码；（2）利用同态加密算法对图像编码向量。
实现上述目的，本发明提供的一种基于数据隐私计算的身份安全认证方法，包括以下步骤：
S1：用户端采集人脸图像，对采集的人脸图像进行预处理；利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量；
S2：利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；
S3：用户端将加密后的人脸图像编码向量传送到服务器后端，服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密图像编码向量的优先级；
S4：在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败。
作为本发明的进一步改进方法：
所述S1步骤中采集人脸图像，对采集的人脸图像进行灰度化的预处理，包括：
采集身份认证过的人脸图像，对所采集的人脸图像进行裁剪，裁剪后的人脸图像尺寸为
Figure 416716DEST_PATH_IMAGE001
像素，对裁剪后的人脸图像进行灰度化处理，所述人脸图像灰度化处理流程为：
将图像中每个像素点的RGB颜色像素值转换为灰度值，得到人脸灰度图像，所述RGB颜色像素值的转换公式为：
Figure 206818DEST_PATH_IMAGE002
其中：
Figure 616939DEST_PATH_IMAGE003
为像素点(i,j)的灰度值，(i,j)表示为人脸图像中第i行第j列的像素；
Figure 150689DEST_PATH_IMAGE004
为像素点(i,j)的红色分量值，G(i,j)为像素点(i,j)的绿色分量，B(i,j)为像素点(i,j)的蓝色分量。
所述S1步骤中基于L-BFGS算法训练得到神经网络模型，包括：
获取训练数据集，所述训练数据集包括人脸图像以及人脸图像对应的身份ID，所获取的训练数据集格式为：
Figure 80599DEST_PATH_IMAGE005
其中：
Figure 776022DEST_PATH_IMAGE006
表示训练数据集中的第n张人脸图像，IDn表示xn所对应的身份ID；
n表示训练数据集中的人脸图像数量；
在本发明一个具体实施例中，所构建的神经网络模型包括输入层、隐含层以及输出层；
构建神经网络模型训练的目标函数：
Figure 939019DEST_PATH_IMAGE007
其中：
Figure 886247DEST_PATH_IMAGE008
表示神经网络模型中隐含层的参数，包括隐含层权重以及偏置量；
Figure 795297DEST_PATH_IMAGE009
表示第k张人脸图像xk的神经网络模型输出身份ID；
Figure 51835DEST_PATH_IMAGE010
表示第k张人脸图像xk的真实身份ID；
利用L-BFGS算法对目标函数进行优化求解：
设置隐含层参数的初始值为θ0，通过迭代的方式，得到
Figure 46336DEST_PATH_IMAGE011
的近似值Dt：
Figure 62833DEST_PATH_IMAGE012
其中：
I为单位矩阵；
Figure 91969DEST_PATH_IMAGE013
；
Figure 253829DEST_PATH_IMAGE014
；
Figure 142150DEST_PATH_IMAGE015
为单位矩阵；
T表示转置；
t表示神经网络模型中隐含层的参数θ的第t次迭代，t的初始值为0；
Figure 555814DEST_PATH_IMAGE016
为目标函数Loss(θ)的导数；
Figure 564090DEST_PATH_IMAGE011
为目标函数Loss(θ)二阶导数的倒数；
将Dt作为
Figure 772218DEST_PATH_IMAGE011
，并计算得到gt，利用迭代法求解得到隐含层参数θ的第t+1次迭代值为：
Figure 882256DEST_PATH_IMAGE017
重复上述隐含层参数迭代步骤，直到神经网络模型目标函数 Loss(θ)不变，此时的隐含层参数迭代值为神经网络模型隐含层的训练参数θ’，并由所述神经网络模型中隐含层的训练参数θ’构建神经网络模型的隐含层。
所述S1步骤中利用神经网络模型对人脸图像进行快速编码处理，包括：
将人脸图像输入到神经网络模型的输入层，输入层将接收的人脸图像传输到神经网络模型的隐含层，隐含层对所接收的人脸图像进行编码处理：
Figure 99611DEST_PATH_IMAGE018
其中：
Figure 962394DEST_PATH_IMAGE019
表示神经网络模型所接收的人脸图像；
Figure 607002DEST_PATH_IMAGE020
表示人脸图像xi的图像编码向量；
Figure 204336DEST_PATH_IMAGE021
表示神经网络模型中隐含层的训练参数θ’，其中w表示隐含层的权重值，b表示隐含层的偏置向量。
所述S2步骤中利用同态加密算法对图像编码向量进行加密处理，包括：
对于身份认证过的人脸图像，服务器后端为其图像编码向量分配唯一对应的私钥SKi和公钥PKi，其中i表示第i张身份认证过的人脸图像，利用同态加密算法对身份认证过的图像编码向量进行加密；
对于待身份认证的人脸图像，服务器后端仅为其图像编码向量分配唯一对应的公钥，并利用同态加密算法对图像编码向量进行加密处理；
所述同态加密算法流程为：
随机选取两个大质数p和q，
Figure 84436DEST_PATH_IMAGE022
，令
Figure 942671DEST_PATH_IMAGE023
，
Figure 899126DEST_PATH_IMAGE024
；
选择一个小于r的整数e，其中e满足
Figure 577232DEST_PATH_IMAGE025
，则加密公钥为(N,e)；
求得e关于r的模反元素d：
Figure 261023DEST_PATH_IMAGE026
则加密公钥为(N,d)；
对图像编码向量进行加密的公式为：
Figure 973764DEST_PATH_IMAGE027
其中：
y表示图像编码向量；
c表示加密图像编码向量；
在本发明一个具体实施例中，所述加密图像编码向量的解密公式为：
Figure 101120DEST_PATH_IMAGE028
其中：
y表示图像编码向量；
c表示加密图像编码向量。
所述S3步骤中服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，包括：
服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，在本发明一个具体实施例中，服务器后端仅存储身份认证通过的加密图像编码向量，所述最近未使用算法流程为：
将最近未被访问且未被修改过的加密图像编码向量的优先级调整为1；
将最近未被访问但最近修改过的加密图像编码向量的优先级调整为2；
将最近访问过但未被修改过的加密图像编码向量的优先级调整为3；
将最近访问过且修改过的加密图像编码向量的优先级调整为4；
按优先级顺序升序对加密图像编码向量排序，排序位置靠前的加密图像编码向量优先被服务器后端调用。
所述S4步骤中服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败，包括：
在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量c*发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，所述欧式距离比较公式为：
Figure 656735DEST_PATH_IMAGE029
其中：
Figure 754004DEST_PATH_IMAGE030
表示服务器后端所存储的第i条加密图像编码向量与待认证加密图像编码向量c*的欧式距离比较结果；
Figure 196618DEST_PATH_IMAGE031
表示待认证加密图像编码向量c*中位置为j的向量值；
Figure 619509DEST_PATH_IMAGE032
表示服务器后端所存储的第i条加密图像编码向量ci中位置为j的向量值；
遍历比较服务器后端所存储的所有加密图像编码向量，若存在欧式距离比较结果D小于指定阈值，则身份认证成功，否则身份认证失败；
在本发明一个具体实施例中，本发明为身份认证通过的人脸图像分配私钥，并利用同态解密方法解密身份认证通过的加密图像编码向量，将解密后的图像编码向量存储到服务器后端。
本发明提供一种基于数据隐私计算的身份安全认证系统，所述系统包括：
人脸图像获取装置，用于获取人脸图像，并对所获取的人脸图像进行预处理；
图像处理器，用于利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量；利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密编码向量的优先级；
身份安全认证装置，用于将待认证的加密编码向量发送到服务器后端，服务器后端按照加密编码向量优先级依次与待认证加密编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有身份安全认证程序指令，所述身份安全认证程序指令可被一个或者多个处理器执行，以实现如上所述的基于数据隐私计算的身份安全认证的实现方法的步骤。
相对于现有技术，本发明提出一种基于数据隐私计算的身份安全认证方法，该技术具有以下优势：
首先，本方案提出一种人脸图像快速编码方法，通过构建神经网络模型训练的目标函数：
Figure 420278DEST_PATH_IMAGE007
其中：
Figure 462184DEST_PATH_IMAGE033
表示神经网络模型中隐含层的参数，包括隐含层权重以及偏置量；
Figure 149517DEST_PATH_IMAGE034
表示第k张人脸图像
Figure 602364DEST_PATH_IMAGE035
的神经网络模型输出身份ID；
Figure 742358DEST_PATH_IMAGE036
表示第k张人脸图像
Figure 56796DEST_PATH_IMAGE035
的真实身份ID；从而利用L-BFGS算法对目标函数进行优化求解：设置隐含层参数的初始值为
Figure 864215DEST_PATH_IMAGE037
，通过迭代的方式，得到
Figure 487963DEST_PATH_IMAGE038
的近似值
Figure 115254DEST_PATH_IMAGE039
：
Figure 233382DEST_PATH_IMAGE012
其中：I为单位矩阵；
Figure 285521DEST_PATH_IMAGE040
；
Figure 955537DEST_PATH_IMAGE041
；
Figure 679910DEST_PATH_IMAGE042
为单位矩阵；T表示转置；t表示神经网络模型中隐含层的参数
Figure 726364DEST_PATH_IMAGE033
的第t次迭代，t的初始值为0；
Figure 367429DEST_PATH_IMAGE043
为目标函数
Figure 473926DEST_PATH_IMAGE044
的导数；
Figure 685595DEST_PATH_IMAGE038
为目标函数
Figure 270160DEST_PATH_IMAGE044
二阶导数的倒数；将
Figure 765733DEST_PATH_IMAGE039
作为
Figure 918496DEST_PATH_IMAGE038
，并计算得到
Figure 7675DEST_PATH_IMAGE043
，利用迭代法求解得到隐含层参数
Figure 254986DEST_PATH_IMAGE033
的第t+1次迭代值为：
Figure 746010DEST_PATH_IMAGE017
重复上述隐含层参数迭代步骤，直到神经网络模型目标函数
Figure 804096DEST_PATH_IMAGE044
不变，此时的隐含层参数迭代值为神经网络模型隐含层的训练参数
Figure 380571DEST_PATH_IMAGE045
，并由神经网络模型中隐含层的训练参数
Figure 431572DEST_PATH_IMAGE045
构建神经网络模型的隐含层。相较于传统方案，本方案利用启发式算法对神经网络模型中的参数进行求解，减少了传统神经网络模型训练过程中所需要的数据量，并将人脸图像输入到神经网络模型的输入层，输入层将接收的人脸图像传输到神经网络模型的隐含层，将神经网络模型中隐含层的输出结果作为人脸图像编码结果，实现了人脸图像的快速编码处理。
同时，本方案提出一种服务器后端优化方案， 服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，使得服务器后端优先遍历最近未被访问过的加密图像编码向量，在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量
Figure 777103DEST_PATH_IMAGE046
发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，所述欧式距离比较公式为：
Figure 271669DEST_PATH_IMAGE029
其中：
Figure 194495DEST_PATH_IMAGE047
表示服务器后端所存储的第i条加密图像编码向量与待认证加密图像编码向量
Figure 924553DEST_PATH_IMAGE048
的欧式距离比较结果；
Figure 999957DEST_PATH_IMAGE049
表示待认证加密图像编码向量
Figure 790058DEST_PATH_IMAGE048
中位置为j的向量值；
Figure 200180DEST_PATH_IMAGE050
表示服务器后端所存储的第i条加密图像编码向量
Figure 733929DEST_PATH_IMAGE051
中位置为j的向量值；通过遍历比较服务器后端所存储的所有加密图像编码向量，若存在欧式距离比较结果D小于指定阈值，则身份认证成功，否则身份认证失败，从而在加密环境下实现用户身份认证。
附图说明
图1为本发明一实施例提供的一种基于数据隐私计算的身份安全认证方法的流程示意图；
图2为本发明一实施例提供的一种基于数据隐私计算的身份安全认证系统的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
S1：用户端采集人脸图像，对采集的人脸图像进行预处理；利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量。
所述S1步骤中采集人脸图像，对采集的人脸图像进行灰度化的预处理，包括：
采集身份认证过的人脸图像，对所采集的人脸图像进行裁剪，裁剪后的人脸图像尺寸为
Figure 663839DEST_PATH_IMAGE001
像素，对裁剪后的人脸图像进行灰度化处理，所述人脸图像灰度化处理流程为：
将图像中每个像素点的RGB颜色像素值转换为灰度值，得到人脸灰度图像，所述RGB颜色像素值的转换公式为：
Figure 749476DEST_PATH_IMAGE002
其中：
Figure 522260DEST_PATH_IMAGE003
为像素点(i,j)的灰度值，(i,j)表示为人脸图像中第i行第j列的像素；
Figure 469487DEST_PATH_IMAGE004
为像素点(i,j)的红色分量值，G(i,j)为像素点(i,j)的绿色分量，B(i,j)为像素点(i,j)的蓝色分量。
所述S1步骤中基于L-BFGS算法训练得到神经网络模型，包括：
获取训练数据集，所述训练数据集包括人脸图像以及人脸图像对应的身份ID，所获取的训练数据集格式为：
Figure 378537DEST_PATH_IMAGE005
其中：
Figure 900654DEST_PATH_IMAGE006
表示训练数据集中的第n张人脸图像，IDn表示xn所对应的身份ID；
n表示训练数据集中的人脸图像数量；
在本发明一个具体实施例中，所构建的神经网络模型包括输入层、隐含层以及输出层；
构建神经网络模型训练的目标函数：
Figure 895155DEST_PATH_IMAGE007
其中：
Figure 646074DEST_PATH_IMAGE008
表示神经网络模型中隐含层的参数，包括隐含层权重以及偏置量；
Figure 409630DEST_PATH_IMAGE009
表示第k张人脸图像xk的神经网络模型输出身份ID；
Figure 837069DEST_PATH_IMAGE010
表示第k张人脸图像xk的真实身份ID；
利用L-BFGS算法对目标函数进行优化求解：
设置隐含层参数的初始值为θ0，通过迭代的方式，得到
Figure 459812DEST_PATH_IMAGE011
的近似值Dt：
Figure 873476DEST_PATH_IMAGE012
其中：
I为单位矩阵；
Figure 881752DEST_PATH_IMAGE013
；
Figure 355458DEST_PATH_IMAGE014
；
Figure 465497DEST_PATH_IMAGE015
为单位矩阵；
T表示转置；
t表示神经网络模型中隐含层的参数θ的第t次迭代，t的初始值为0；
Figure 682852DEST_PATH_IMAGE016
为目标函数Loss(θ)的导数；
Figure 545634DEST_PATH_IMAGE011
为目标函数 Loss(θ)二阶导数的倒数；
将Dt作为
Figure 190242DEST_PATH_IMAGE011
，并计算得到gt，利用迭代法求解得到隐含层参数θ的第t+1次迭代值为：
Figure 521998DEST_PATH_IMAGE017
重复上述隐含层参数迭代步骤，直到神经网络模型目标函数 Loss(θ)不变，此时的隐含层参数迭代值为神经网络模型隐含层的训练参数
Figure 667677DEST_PATH_IMAGE045
，并由此神经网络模型中隐含层的训练参数
Figure 525912DEST_PATH_IMAGE045
构建神经网络模型的隐含层。
所述S1步骤中利用神经网络模型对人脸图像进行快速编码处理，包括：
将人脸图像输入到神经网络模型的输入层，输入层将接收的人脸图像传输到神经网络模型的隐含层，隐含层对所接收的人脸图像进行编码处理：
Figure 951208DEST_PATH_IMAGE018
其中：
Figure 894893DEST_PATH_IMAGE019
表示神经网络模型所接收的人脸图像；
Figure 578684DEST_PATH_IMAGE020
表示人脸图像xi的图像编码向量；
Figure 557004DEST_PATH_IMAGE021
表示神经网络模型中隐含层的训练参数
Figure 418781DEST_PATH_IMAGE045
，其中w表示隐含层的权重值，b表示隐含层的偏置向量。
S2：利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量。
所述S2步骤中利用同态加密算法对图像编码向量进行加密处理，包括：
对于身份认证过的人脸图像，服务器后端为其图像编码向量分配唯一对应的私钥SKi和公钥PKi，其中i表示第i张身份认证过的人脸图像，利用同态加密算法对身份认证过的图像编码向量进行加密；
对于待身份认证的人脸图像，服务器后端仅为其图像编码向量分配唯一对应的公钥，并利用同态加密算法对图像编码向量进行加密处理；
所述同态加密算法流程为：
随机选取两个大质数p和q，
Figure 584183DEST_PATH_IMAGE022
，令
Figure 806086DEST_PATH_IMAGE023
，
Figure 779858DEST_PATH_IMAGE024
；
选择一个小于r的整数e，其中e满足
Figure 937170DEST_PATH_IMAGE025
，则加密公钥为(N,e)；
求得e关于r的模反元素d：
Figure 714502DEST_PATH_IMAGE026
则加密公钥为(N,d)；
对图像编码向量进行加密的公式为：
Figure 881041DEST_PATH_IMAGE027
其中：
y表示图像编码向量；
c表示加密图像编码向量；
在本发明一个具体实施例中，所述加密图像编码向量的解密公式为：
Figure 443741DEST_PATH_IMAGE028
其中：
y表示图像编码向量；
c表示加密图像编码向量。
S3：用户端将加密后的人脸图像编码向量传送到服务器后端，服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密图像编码向量的优先级。
所述S3步骤中服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，包括：
服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，在本发明一个具体实施例中，服务器后端仅存储身份认证通过的加密图像编码向量，所述最近未使用算法流程为：
将最近未被访问且未被修改过的加密图像编码向量的优先级调整为1；
将最近未被访问但最近修改过的加密图像编码向量的优先级调整为2；
将最近访问过但未被修改过的加密图像编码向量的优先级调整为3；
将最近访问过且修改过的加密图像编码向量的优先级调整为4；
按优先级顺序升序对加密图像编码向量排序，排序位置靠前的加密图像编码向量优先被服务器后端调用。
S4：在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败。
所述S4步骤中服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败，包括：
在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量
Figure 771954DEST_PATH_IMAGE052
发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，所述欧式距离比较公式为：
Figure 36582DEST_PATH_IMAGE029
其中：
Figure 616599DEST_PATH_IMAGE030
表示服务器后端所存储的第i条加密图像编码向量与待认证加密图像编码向量c*的欧式距离比较结果；
Figure 158439DEST_PATH_IMAGE031
表示待认证加密图像编码向量 c*中位置为j的向量值；
Figure 782187DEST_PATH_IMAGE032
表示服务器后端所存储的第i条加密图像编码向量ci中位置为j的向量值；
遍历比较服务器后端所存储的所有加密图像编码向量，若存在欧式距离比较结果D小于指定阈值，则身份认证成功，否则身份认证失败；
在本发明一个具体实施例中，本发明为身份认证通过的人脸图像分配私钥，并利用同态解密方法解密身份认证通过的加密图像编码向量，将解密后的图像编码向量存储到服务器后端。
发明还提供一种基于数据隐私计算的身份安全认证系统。参照图2所示，为本发明一实施例提供的基于数据隐私计算的身份安全认证系统的内部结构示意图。
在本实施例中，所述基于数据隐私计算的身份安全认证系统 1至少包括人脸图像获取装置11、图像处理器12、身份安全认证装置13，通信总线14，以及网络接口15。
其中，人脸图像获取装置11可以是PC（Personal Computer，个人电脑），或者是智能手机、平板电脑、便携计算机等终端设备。
图像处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。图像处理器12在一些实施例中可以是基于数据隐私计算的身份安全认证系统1的内部存储单元，例如该基于数据隐私计算的身份安全认证系统1的硬盘。图像处理器12在另一些实施例中也可以是基于数据隐私计算的身份安全认证系统1的外部存储设备，例如基于数据隐私计算的身份安全认证系统1上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，图像处理器12还可以既包括基于数据隐私计算的身份安全认证系统1的内部存储单元也包括外部存储设备。图像处理器12不仅可以用于存储安装于基于数据隐私计算的身份安全认证系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
身份安全认证装置13在一些实施例中可以是一中央处理器（Central ProcessingUnit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，包括监控单元，用于运行图像处理器12中存储的程序代码或处理数据，例如身份安全认证程序指令01等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口（如WI-FI接口），通常用于在该系统1与其他电子设备之间建立通信连接。
可选地，基于数据隐私计算的身份安全认证系统1还可以包括用户接口，用户接口可以包括显示器（Display）、输入单元比如键盘（Keyboard），可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于数据隐私计算的身份安全认证系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有人脸图像获取装置11、图像处理器12、身份安全认证装置13，通信总线14，以及网络接口15以及基于数据隐私计算的身份安全认证系统1，本领域技术人员可以理解的是，图2示出的结构并不构成对基于数据隐私计算的身份安全认证系统1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的基于数据隐私计算的身份安全认证系统1实施例中，图像处理器12中存储有身份安全认证程序指令01；身份安全认证装置13执行图像处理器12中存储的身份安全认证程序指令01的步骤，与基于数据隐私计算的身份安全认证的实现方法相同，在此不作类述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有身份安全认证程序指令，所述身份安全认证程序指令可被一个或多个处理器执行，以实现如下操作：
用户端采集人脸图像，对采集的人脸图像进行预处理；利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量；
利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；
用户端将加密后的人脸图像编码向量传送到服务器后端，服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密图像编码向量的优先级；
在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于数据隐私计算的身份安全认证方法，其特征在于，所述方法包括：
S1：用户端采集人脸图像，对采集的人脸图像进行预处理；利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量；
S2：利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；
S3：用户端将加密后的人脸图像编码向量传送到服务器后端，服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密图像编码向量的优先级；
S4：在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败；
所述S1步骤中基于L-BFGS算法训练得到神经网络模型，包括：
获取训练数据集，所述训练数据集包括人脸图像以及人脸图像对应的身份ID，所获取的训练数据集格式为：
{(x1，ID1)，(x2，ID2)，...，(xn，IDn)}
其中：
xn表示训练数据集中的第n张人脸图像，IDn表示xn所对应的身份ID；
n表示训练数据集中的人脸图像数量；
构建神经网络模型训练的目标函数：
Figure FDA0003502917180000011
其中：
θ表示神经网络模型中隐含层的参数，包括隐含层权重以及偏置量；
Figure FDA0003502917180000012
表示第k张人脸图像xk的神经网络模型输出身份ID；
IDk表示第k张人脸图像xk的真实身份ID；
利用L-BFGS算法对目标函数进行优化求解：
设置隐含层参数的初始值为θ0，通过迭代的方式，得到
Figure FDA0003502917180000013
的近似值Dt：
Figure FDA0003502917180000014
其中：
I为单位矩阵；
st＝θt+1-θt；
yt＝gt+1-gt；
D0为单位矩阵；
T表示转置；
t表示神经网络模型中隐含层的参数θ的第t次迭代，t的初始值为0；
gt为目标函数Loss(θ)的导数；
Figure FDA0003502917180000015
为目标函数Loss(θ)二阶导数的倒数；
将Dt作为
Figure FDA0003502917180000016
并计算得到gt，利用迭代法求解得到隐含层参数θ的第t+1次迭代值为：
θt+1＝θt-Dt·gt
重复上述隐含层参数迭代步骤，直到神经网络模型目标函数Loss(θ)不变，此时的隐含层参数迭代值θ′为神经网络模型隐含层的训练参数，并由此训练参数θ′构建神经网络模型的隐含层。
2.如权利要求1所述的一种基于数据隐私计算的身份安全认证方法，其特征在于，所述S1步骤中采集人脸图像，对采集的人脸图像进行灰度化的预处理，包括：
采集身份认证过的人脸图像，对所采集的人脸图像进行裁剪，裁剪后的人脸图像尺寸为M×N像素，对裁剪后的人脸图像进行灰度化处理，所述人脸图像灰度化处理流程为：
将图像中每个像素点的RGB颜色像素值转换为灰度值，得到人脸灰度图像，所述RGB颜色像素值的转换公式为：
Gray(i，j)＝0.299×R(i，j)+0.587×G(i，j)+0.114×B(i，j)
其中：
Gray(i，j)为像素点(i，j)的灰度值，(i，j)表示为人脸图像中第i行第j列的像素；
R(i，j)为像素点(i，j)的红色分量值，G(i，j)为像素点(i，j)的绿色分量，B(i，j)为像素点(i，j)的蓝色分量。
3.如权利要求1所述的一种基于数据隐私计算的身份安全认证方法，其特征在于，所述S1步骤中利用神经网络模型对人脸图像进行快速编码处理，包括：
将人脸图像输入到神经网络模型的输入层，输入层将接收的人脸图像传输到神经网络模型的隐含层，隐含层对所接收的人脸图像进行编码处理：
yi＝wTxi+b
其中：
xi表示神经网络模型所接收的人脸图像；
yi表示人脸图像xi的图像编码向量；
w，b表示神经网络隐含层的参数θ′，其中w表示隐含层的权重值，b表示隐含层的偏置向量。
4.如权利要求1所述的一种基于数据隐私计算的身份安全认证方法，其特征在于，所述S2步骤中利用同态加密算法对图像编码向量进行加密处理，包括：
对于身份认证过的人脸图像，服务器后端为其图像编码向量分配唯一对应的私钥SKi和公钥PKi，其中i表示第i张身份认证过的人脸图像，利用同态加密算法对身份认证过的图像编码向量进行加密；
对于待身份认证的人脸图像，服务器后端仅为其图像编码向量分配唯一对应的公钥，并利用同态加密算法对图像编码向量进行加密处理；
所述同态加密算法流程为：
随机选取两个大质数p和q，p≠q，令N＝pq，r＝(p-1)(q-1)；
选择一个小于r的整数e，其中e满足gcd(e，r)＝1，则加密公钥为(N，e)；
求得e关于r的模反元素d：
e×d＝1 mod r
则加密公钥为(N，d)；
对图像编码向量进行加密的公式为：
c＝yemod N
其中：
y表示图像编码向量；
c表示加密图像编码向量。
5.如权利要求1所述的一种基于数据隐私计算的身份安全认证方法，其特征在于，所述S3步骤中服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，包括：
服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，所述最近未使用算法流程为：
将最近未被访问且未被修改过的加密图像编码向量的优先级调整为1；
将最近未被访问但最近修改过的加密图像编码向量的优先级调整为2；
将最近访问过但未被修改过的加密图像编码向量的优先级调整为3；
将最近访问过且修改过的加密图像编码向量的优先级调整为4；
按优先级顺序升序对加密图像编码向量排序，排序位置靠前的加密图像编码向量优先被服务器后端调用。
6.如权利要求1所述的一种基于数据隐私计算的身份安全认证方法，其特征在于，所述S4步骤中服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败，包括：
在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量c*发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，所述欧式距离比较公式为：
Figure FDA0003502917180000031
其中：
Di表示服务器后端所存储的第i条加密图像编码向量与待认证加密图像编码向量c*的欧式距离比较结果；
c* j表示待认证加密图像编码向量c*中位置为j的向量值；
ci，j表示服务器后端所存储的第i条加密图像编码向量ci中位置为j的向量值；
遍历比较服务器后端所存储的所有加密图像编码向量，若存在欧式距离比较结果D小于指定阈值，则身份认证成功，否则身份认证失败。
7.一种基于数据隐私计算的身份安全认证系统，其特征在于，所述系统包括：
人脸图像获取装置，用于获取人脸图像，并对所获取的人脸图像进行预处理；
图像处理器，用于利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量；利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密编码向量的优先级；
身份安全认证装置，用于将待认证的加密编码向量发送到服务器后端，服务器后端按照加密编码向量优先级依次与待认证加密编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败；
所述S1步骤中基于L-BFGS算法训练得到神经网络模型，包括：
获取训练数据集，所述训练数据集包括人脸图像以及人脸图像对应的身份ID，所获取的训练数据集格式为：
{(x1，ID1)，(x2，ID2)，...，(xn，IDn)}
其中：
xn表示训练数据集中的第n张人脸图像，IDn表示xn所对应的身份ID；
n表示训练数据集中的人脸图像数量；
构建神经网络模型训练的目标函数：
Figure FDA0003502917180000041
其中：
θ表示神经网络模型中隐含层的参数，包括隐含层权重以及偏置量；
Figure FDA0003502917180000042
表示第k张人脸图像xk的神经网络模型输出身份ID；
IDk表示第k张人脸图像xk的真实身份ID；
利用L-BFGS算法对目标函数进行优化求解：
设置隐含层参数的初始值为θ0，通过迭代的方式，得到
Figure FDA0003502917180000043
的近似值Dt：
Figure FDA0003502917180000044
其中：
I为单位矩阵；
st＝θt+1-θt；
yt＝gt+1-gt；
D0为单位矩阵；
T表示转置；
t表示神经网络模型中隐含层的参数θ的第t次迭代，t的初始值为0；
gt为目标函数Loss(θ)的导数；
Figure FDA0003502917180000045
为目标函数Loss(θ)二阶导数的倒数；
将Dt作为
Figure FDA0003502917180000046
并计算得到gt，利用迭代法求解得到隐含层参数θ的第t+1次迭代值为：
θt+1＝θt-Dt·gt
重复上述隐含层参数迭代步骤，直到神经网络模型目标函数Loss(θ)不变，此时的隐含层参数迭代值θ′为神经网络模型隐含层的训练参数，并由此训练参数θ′构建神经网络模型的隐含层。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有身份安全认证程序指令，所述身份安全认证程序指令可被一个或者多个处理器执行，以实现如权利要求1-6任一所述的基于数据隐私计算的身份安全认证方法的步骤。
CN202111565275.6A 2021-12-20 2021-12-20 一种基于数据隐私计算的身份安全认证方法及系统 Active CN113946858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111565275.6A CN113946858B (zh) 2021-12-20 2021-12-20 一种基于数据隐私计算的身份安全认证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111565275.6A CN113946858B (zh) 2021-12-20 2021-12-20 一种基于数据隐私计算的身份安全认证方法及系统

Publications (2)

Publication Number Publication Date
CN113946858A CN113946858A (zh) 2022-01-18
CN113946858B true CN113946858B (zh) 2022-03-18

Family

ID=79339407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111565275.6A Active CN113946858B (zh) 2021-12-20 2021-12-20 一种基于数据隐私计算的身份安全认证方法及系统

Country Status (1)

Country Link
CN (1) CN113946858B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013091B (zh) * 2023-03-24 2023-07-07 山东康威大数据科技有限公司 基于车流量大数据的隧道监控系统与分析方法
CN118018335A (zh) * 2024-04-10 2024-05-10 北京大学 数据分级加密方法、装置、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046234B (zh) * 2015-08-04 2018-05-11 北京电子科技学院 基于稀疏表示的云环境中人脸图像隐秘识别方法
CN105631296B (zh) * 2015-12-30 2018-07-31 北京工业大学 一种基于cnn特征提取器的安全人脸认证系统设计方法
CN111126173B (zh) * 2019-12-04 2023-05-26 玉林师范学院 一种高精度人脸检测方法
CN111401272B (zh) * 2020-03-19 2021-08-24 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
CN111600707B (zh) * 2020-05-15 2023-04-14 华南师范大学 一种在隐私保护下的去中心化联邦机器学习方法

Also Published As

Publication number Publication date
CN113946858A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
KR102536354B1 (ko) 바이오메트릭 식별을 위한 시스템 및 방법
Guo et al. Towards efficient privacy-preserving face recognition in the cloud
EP2634955B1 (en) Information authentication method and information authentication system
CN113946858B (zh) 一种基于数据隐私计算的身份安全认证方法及系统
US20090293119A1 (en) User authentication method and system and password management system
CN105046234B (zh) 基于稀疏表示的云环境中人脸图像隐秘识别方法
JP4929136B2 (ja) 生体認証方法、装置およびシステム
US10360406B2 (en) Method of obfuscating data
CN113537633B (zh) 基于纵向联邦学习的预测方法、装置、设备、介质和系统
CN111680676B (zh) 训练人脸识别模型、图像注册、人脸识别方法和装置
CN115336223A (zh) 经优化私人生物特征匹配
US11799642B2 (en) Biometric public key system providing revocable credentials
Zeroual et al. Lightweight deep learning model to secure authentication in Mobile Cloud Computing
Im et al. Privacy-preserving palm print authentication using homomorphic encryption
Evangelin et al. Securing recognized multimodal biometric images using cryptographic model
CN112733111A (zh) 一种基于片段分割的阈值谓词加密生物特征认证方法
CN112865958A (zh) 通过物联网摄像头进行目标搜索的隐私保护系统和方法
Sardar et al. Face recognition system with hybrid template protection scheme for Cyber–Physical-Social Services
CN114065169B (zh) 一种隐私保护生物认证方法和装置、电子设备
CN105721166B (zh) 一种量子计算安全的身份识别协议建立方法
Meraoumia et al. Biometric cryptosystem to secure smart object communications in the internet of things
Aguilar Santiago et al. Chaotic Cryptosystem for Selective Encryption of Faces in Photographs
CN113868690B (zh) 一种基于可信存证的隐私计算方法及系统
Shaikh et al. Significance of the transition to biometric template protection: explore the future
JP2013157032A (ja) 生体認証方法及び生体認証システム

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