CN116152529A - 一种用于保障信息安全的权限识别系统 - Google Patents

一种用于保障信息安全的权限识别系统 Download PDF

Info

Publication number
CN116152529A
CN116152529A CN202310422753.0A CN202310422753A CN116152529A CN 116152529 A CN116152529 A CN 116152529A CN 202310422753 A CN202310422753 A CN 202310422753A CN 116152529 A CN116152529 A CN 116152529A
Authority
CN
China
Prior art keywords
image
similarity
pixel points
images
identification
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
Application number
CN202310422753.0A
Other languages
English (en)
Other versions
CN116152529B (zh
Inventor
郭昊
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.)
Jilin Provincial Institute Of Information Technology
Original Assignee
Jilin Provincial Institute Of Information Technology
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 Jilin Provincial Institute Of Information Technology filed Critical Jilin Provincial Institute Of Information Technology
Priority to CN202310422753.0A priority Critical patent/CN116152529B/zh
Publication of CN116152529A publication Critical patent/CN116152529A/zh
Application granted granted Critical
Publication of CN116152529B publication Critical patent/CN116152529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于安全管理领域，公开了一种用于保障信息安全的权限识别系统，包括特征图像获取模块、预匹配模块、第一识别模块、第二识别模块和权限识别模块；特征图像获取模块用于获取用于进行权限识别的图像；预匹配模块用于获取该图像与匹配数据集中的图像之间的最大相似度；第一识别模块用于对数值最大的最大相似度所对应的图像A进行计算得到第一特征相似度；第二识别模块用于在第一特征相似度处于设定的相似度区间时，计算集合S中最大相似度第二大的图像B的第二特征相似度；权限识别模块用于基于第一相似度和第二相似度得到权限识别结果。本发明能够降低硬件的性能要求，避免了计算资源的浪费，保证了识别的效率。

Description

一种用于保障信息安全的权限识别系统
技术领域
本发明涉及安全管理领域，尤其涉及一种用于保障信息安全的权限识别系统。
背景技术
为了保障存储的信息的安全，现有技术中出现了多种类型的权限识别系统，例如人脸识别、指纹识别、瞳孔识别等，但是单一的识别方式有时候不能够满足更高的安全性要求，因此，出现了同时采用两种类型的识别方式进行权限识别的方法，例如同时进行瞳孔识别和指纹识别。但是同时进行两种类型的识别，需要相应的硬件设备具有更高的性能才能满足要求，因此，如何在保证识别效率的同时降低硬件的性能要求便成为需要解决的技术问题。
发明内容
有鉴于此，本发明的目的在于公开一种用于保障信息安全的权限识别系统，解决如何在保证安全性和识别效率的同时降低硬件的性能要求的问题。
为了达到上述目的，本发明提供如下技术方案：
一种用于保障信息安全的权限识别系统，包括特征图像获取模块、预匹配模块、第一识别模块、第二识别模块和权限识别模块；
特征图像获取模块用于获取至少两种不同类型的用于进行权限识别的图像，将获得的图像保存到集合S；
预匹配模块用于将集合S中的图像分别与对应的匹配数据集中的图像进行相似度计算，获得集合S中的每张图像的最大相似度；
第一识别模块用于对得到的所有的最大相似度中，数值最大的最大相似度所对应的图像A进行特征提取，得到第一图像特征，以及用于基于第一图像特征计算得到第一特征相似度；
第二识别模块用于在第一特征相似度处于设定的相似度区间时，对集合S中最大相似度第二大的图像B进行特征提取，得到第二图像特征，以及用于基于第二图像特征计算得到第二特征相似度；
权限识别模块用于在第一特征相似度大于相似度区间的上限值或第一特征相似度处于设定的相似度区间且第二特征相似度大于设定的相似度阈值时，判定特征图像获取模块获取的图像所对应的人员具有对存储的信息进行操作的权限。
优选的，用于进行权限识别的图像的类型包括指纹图像、人脸图像和虹膜图像。
优选的，将集合S中的图像分别与对应的匹配数据集中的图像进行相似度计算，包括：
对于集合S中的图像C，先获取图像C的类型，然后根据图像C的类型获取对应的匹配数据集Cset；
将图像C分别与匹配数据集Cset中的每张图像进行相似度的计算，得到多个相似度。
优选的，匹配数据集Cset中保存的是与图像C的类型相同的图像，每张图像对应一个具有对存储的信息进行操作的权限的人员。
优选的，将图像C分别与匹配数据集Cset中的每张图像进行相似度的计算，得到多个相似度，包括：
使用如下方式计算图像C与匹配数据集Cset中的图像cset之间的相似度：
第一步，使用如下方式分别获取图像C和图像cset的图像特征：
对于需要提取图像特征的图像D：
获取图像D中属于图像边缘的像素点的集合borSetD；
计算集合borSetD中的像素点的识别系数；
将识别系数从大到小进行排序，将排在前T%的像素点保存到集合Q；
对集合Q中的像素点进行筛选，获得筛选集合；
在图像D中根据设定的排序规则对筛选集合中的像素点进行排序，得到有序集合；
将有序集合中的像素点的相对位置、相对像素值和顺序作为图像特征;
第二步，基于图像C和图像cset的图像特征计算图像C和图像cset之间的相似度。
优选的，计算集合borSetD中的像素点的识别系数，包括：
获取集合borSetD中的像素点在Lab颜色空间中的三种分量图像中的像素值；
对集合borSetD中的像素点进行噪声抑制处理，得到噪声抑制后的像素值；
识别系数的计算函数为：
Figure SMS_1
计算函数中，L，a，b表示Lab颜色空间中的三种分量图像；
Figure SMS_2
表示坐标为/>
Figure SMS_3
的像素点在分量图像i中的像素值，/>
Figure SMS_4
表示分量图像i的计算系数，/>
Figure SMS_5
表示坐标为
Figure SMS_6
的像素点对应的噪声抑制后的像素值；/>
Figure SMS_7
表示坐标为/>
Figure SMS_8
的像素点的识别系数。
优选的，对集合Q中的像素点进行筛选，获得筛选集合，包括：
按照从上到下的顺序依次对图像D中的每行像素点进行判断：
对于图像D中第j行像素点的所在的集合
Figure SMS_9
,
若
Figure SMS_10
中不存在集合Q中的像素点，则结束对第j行的像素点进行判断；
若
Figure SMS_11
中存在集合Q中的像素点，则采用如下方式对/>
Figure SMS_12
中的像素点进行判断：
若
Figure SMS_13
和Q的交集的元素的数量为小于等于2，则将交集保存到筛选集合；
若
Figure SMS_14
和Q的交集的元素的数量大于2，则将交集中横坐标最小和横坐标最大的像素点保存到筛选集合。
优选的，在图像D中根据设定的排序规则对筛选集合中的像素点进行排序，得到有序集合，包括：
获取图像D的图像中心；
获取筛选集合中与图像中心之间距离最远的像素点mxpix；
连接图像中心和mxpix得到扫描线段；
扫描线段顺时针沿着图像中心进行转动，依次将扫描线段所经过的属于筛选集合的像素点保存到有序集合，且将该像素点从筛选集合中删除，直至筛选集合为空集。
本发明在保障信息安全的权限识别过程中，不像现有技术那样，同时对得到的不同类型的图像进行相似度的计算，而是通过最大相似度来对决定图像的识别顺序，然后先对最大相似度最大的图像进行第一特征相似度的计算，若第一特征相似度直接大于相似度区间，则直接判定人员具有权限，若第一特征相似度区域相似度区间内，则再对最大相似度排在第二的图像进行识别，根据识别结果来判断是否具有权限。
这种处理方式的优点至少包括：不用同时对两个及以上不同类型图像进行识别，能够降低单位时间的最大计算量，从而能够降低硬件的性能要求。由于直接是对最大相似度的取得最大值的图像A进行识别，那么如果图像A所对应的第一特征相似度处于小于等于设定的相似度区间的下限值，则直接判定不具有权限，不用再对其它的图像进行识别，避免了计算资源的浪费。如果图像A所对应的第一特征相似度处于大于设定的相似度区间的上限值时，则直接判定为具有权限，无需再对剩余的图像进行识别，保证了识别的效率。
附图说明
从下文给出的详细描述和附图中将更充分地理解本公开，附图仅以说明的方式给出，因此不限制本公开，并且其中：
图1为本发明一种用于保障信息安全的权限识别系统的一种示意图。
图2为本发明获取图像D中的图像特征的一种示意图。
具体实施方式
下面的详细描述中，出于解释的目的，阐述了许多具体细节以便提供对所公开的实施例的透彻理解。根据说明书所揭示的说明书、权利要求书及附图，所属领域的技术人员可容易地了解本发明的概念及特征。以下实施例进一步说明本发明的各个方面，但不用于限制本发明的范围。
如图1所示的一种实施例，本发明提供了一种用于保障信息安全的权限识别系统，包括特征图像获取模块、预匹配模块、第一识别模块、第二识别模块和权限识别模块；
特征图像获取模块用于获取至少两种不同类型的用于进行权限识别的图像，将获得的图像保存到集合S；
预匹配模块用于将集合S中的图像分别与对应的匹配数据集中的图像进行相似度计算，获得集合S中的每张图像的最大相似度；
第一识别模块用于对得到的所有的最大相似度中，数值最大的最大相似度所对应的图像A进行特征提取，得到第一图像特征，以及用于基于第一图像特征计算得到第一特征相似度；
第二识别模块用于在第一特征相似度处于设定的相似度区间时，对集合S中最大相似度第二大的图像B进行特征提取，得到第二图像特征，以及用于基于第二图像特征计算得到第二特征相似度；
权限识别模块用于在第一特征相似度大于相似度区间的上限值或第一特征相似度处于设定的相似度区间且第二特征相似度大于设定的相似度阈值时，判定特征图像获取模块获取的图像所对应的人员具有对存储的信息进行操作的权限。
本发明在保障信息安全的权限识别过程中，不像现有技术那样，同时对得到的不同类型的图像进行相似度的计算，而是通过最大相似度来对决定图像的识别顺序，然后先对最大相似度最大的图像进行第一特征相似度的计算，若第一特征相似度直接大于相似度区间，则直接判定人员具有权限，若第一特征相似度区域相似度区间内，则再对最大相似度排在第二的图像进行识别，根据识别结果来判断是否具有权限。
这种处理方式的优点至少包括：不用同时对两个及以上不同类型图像进行识别，能够降低单位时间的最大计算量，从而能够降低硬件的性能要求。由于直接是对最大相似度的取得最大值的图像A进行识别，那么如果图像A所对应的第一特征相似度处于小于等于设定的相似度区间的下限值，则直接判定不具有权限，不用再对其它的图像进行识别，避免了计算资源的浪费。如果图像A所对应的第一特征相似度处于大于设定的相似度区间的上限值时，则直接判定为具有权限，无需再对剩余的图像进行识别，保证了识别的效率。
优选的，用于进行权限识别的图像的类型包括指纹图像、人脸图像和虹膜图像。
具体的，上述类型还可以是其它类型的，能够用于进行权限验证的图像。
优选的，将集合S中的图像分别与对应的匹配数据集中的图像进行相似度计算，包括：
对于集合S中的图像C，先获取图像C的类型，然后根据图像C的类型获取对应的匹配数据集Cset；
将图像C分别与匹配数据集Cset中的每张图像进行相似度的计算，得到多个相似度。
具体的，获取最大相似度的目的在于在匹配数据集Cset中确定最有可能属于正在进行权限识别的员工提前录入的图像。从而避免对匹配数据集Cset中所有的图像进行更为深入的特征提取，从而提高权限验证的效率。
优选的，匹配数据集Cset中保存的是与图像C的类型相同的图像，每张图像对应一个具有对存储的信息进行操作的权限的人员。
具体的，这些图像是管理员事先录入的，管理员在权限分配的过程中，可以在向员工分配权限的同时，要求员工提供各种类型的用于进行权限验证的图像。
优选的，将图像C分别与匹配数据集Cset中的每张图像进行相似度的计算，得到多个相似度，包括：
使用如下方式计算图像C与匹配数据集Cset中的图像cset之间的相似度：
第一步，使用如下方式分别获取图像C和图像cset的图像特征：
如图2所示，对于需要提取图像特征的图像D：
获取图像D中属于图像边缘的像素点的集合borSetD；
计算集合borSetD中的像素点的识别系数；
将识别系数从大到小进行排序，将排在前T%的像素点保存到集合Q；
对集合Q中的像素点进行筛选，获得筛选集合；
在图像D中根据设定的排序规则对筛选集合中的像素点进行排序，得到有序集合；
将有序集合中的像素点的相对位置、相对像素值和顺序作为图像特征;
第二步，基于图像C和图像cset的图像特征计算图像C和图像cset之间的相似度。
本发明为了因为本发明在最大相似度的图像的获取阶段并非需要获得最终能够确定是否具有权限的相似度，因此，本发明没有采用lbp、hog等算法来提取图像D的特征，因为这些算法的计算耗时比较长，本发明采用的是先获取属于图像边缘的像素点的集合，然后再基于得到的集合筛选得到有序集合，利用有序集合中的像素点的相对位置和相对像素值来作为图像特征，从而使得在缩短特征提取的耗时的同时，提高相似度的计算效率。
优选的，获取图像D中属于图像边缘的像素点，包括：
采用
Figure SMS_15
的窗口在图像D中进行非重叠滑动，计算窗口中的像素点的方差，若像素点的方差小于设定的方差阈值，则将窗口内的像素点保存到集合discol；
在对图像D中所有的像素点进行窗口滑动后，将图像D中不属于集合discol的像素点保存到集合blcol；
使用图像边缘检测算法对blcol中的像素点进行计算，得到图像D中属于图像边缘的像素点。
具体的，图像D中的像素点并不是都属于图像边缘的像素点，而传统的边缘识别方式为直接对所有的像素点进行计算，从而得到属于图像边缘的像素点，但是这种计算方式需要参与进行计算的像素点的数量过多，因此，计算速度较慢，会影响本发明进行权限识别的效率。发明人研究发现，对于像素值过于相似的窗口，其中存在图像边缘的概率过低，因而本发明利用了窗口中的像素点的方差来进行初步的筛选，能够大幅度的减少参与图像边缘计算的像素点的数量，提高得到属于图像边缘的像素点的速度。
优选的，计算集合borSetD中的像素点的识别系数，包括：
获取集合borSetD中的像素点在Lab颜色空间中的三种分量图像中的像素值；
对集合borSetD中的像素点进行噪声抑制处理，得到噪声抑制后的像素值；
识别系数的计算函数为：
Figure SMS_16
计算函数中，L，a，b表示Lab颜色空间中的三种分量图像；
Figure SMS_17
表示坐标为/>
Figure SMS_18
的像素点在分量图像i中的像素值，/>
Figure SMS_19
表示分量图像i的计算系数，/>
Figure SMS_20
表示坐标为
Figure SMS_21
的像素点对应的噪声抑制后的像素值；/>
Figure SMS_22
表示坐标为/>
Figure SMS_23
的像素点的识别系数。
具体的，识别系数的计算主要是为了获取在局部具有代表性的像素点，利用这些像素点，能够得到图像的大致特征，这种程度的特征能够满足从匹配数据集中选出与图像之间具有最大相似度的图像，从而避免使用lbp、hog等算法来提取图像的特征，提高了最大相似度的图像的获取效率。
而且，本发明在三种不同的分量图像中获取像素值，然后基于像素值和声抑制后的像素值来计算识别系数，能够降低噪声的影响，在计算过程中进行了噪声抑制处理。在噪声水平相同的情况下，当像素点在局部具有代表性时，分量图像中的像素值会比其它的像素点的像素值大，因此，能够筛选出具有局部代表性的像素点。
另外，在计算的过程中还使用了计算系数，使得求和的结果更能够表示像素点的局部代表性。
优选的，计算系数的计算函数为：
Figure SMS_24
Figure SMS_25
表示分量图像i的图像熵，/>
Figure SMS_26
表示权重，/>
Figure SMS_27
表示设定的图像熵对比值，
Figure SMS_28
表示分量图像i的噪声方差估计值，/>
Figure SMS_29
表示设定的噪声方差估计值的对比值。
本发明在计算系数的计算过程中，除了考虑图像熵之外，还考虑了噪声方差，从而使得图像熵越大，即包含信息越多，且噪声方差越低，即噪声越小的分量图像的图像系数越大，从而提高识别系数的准确率。
优选的，对集合Q中的像素点进行筛选，获得筛选集合，包括：
按照从上到下的顺序依次对图像D中的每行像素点进行判断：
对于图像D中第j行像素点的所在的集合
Figure SMS_30
,
若
Figure SMS_31
中不存在集合Q中的像素点，则结束对第j行的像素点进行判断；
若
Figure SMS_32
中存在集合Q中的像素点，则采用如下方式对/>
Figure SMS_33
中的像素点进行判断：
若
Figure SMS_34
和Q的交集的元素的数量为小于等于2，则将交集保存到筛选集合；
若
Figure SMS_35
和Q的交集的元素的数量大于2，则将交集中横坐标最小和横坐标最大的像素点保存到筛选集合。
具体的，筛选的目的是在同一行中最多仅保留两个属于集合Q中的像素点，从而使得后续的排序结果更具有代表性。同时也能够减少需要进行排序的像素点的数量，提高排序效率。进行筛选之后，获得了筛选集合中的分布范围最大且数量最少的像素点的集合，使得排序结果也包含分布范围这一特征，提高了排序结果中的特征信息的含量。
优选的，在图像D中根据设定的排序规则对筛选集合中的像素点进行排序，得到有序集合，包括：
获取图像D的图像中心；
获取筛选集合中与图像中心之间距离最远的像素点mxpix；
连接图像中心和mxpix得到扫描线段；
扫描线段顺时针沿着图像中心进行转动，依次将扫描线段所经过的属于筛选集合的像素点保存到有序集合，且将该像素点从筛选集合中删除，直至筛选集合为空集。
通过扫描线段，能够得到更为有效的排序结果，扫描线段在扫描的过程中，使得排序结果中也包含了图像的轮廓信息，从而提高了排序结果中的特征信息的含量，使得最大相似度能够以更多不同方面的特征作为计算基准计算得到，进而提高最大相似度获取结果的准确率。
具体的，还可以是以逆时针的顺序来获得有序集合。
优选地，相对位置采用如下方式计算得到：
以图像D的左下角为坐标原点，建立直角坐标系；
获取筛选集合中距离坐标原点最远的像素点opix；
对于筛选集合中的像素点chpix，使用如下方式计算其相对位置：
Figure SMS_36
Figure SMS_37
其中，
Figure SMS_38
表示像素点chpix的相对位置，/>
Figure SMS_39
和/>
Figure SMS_40
分别为chpix的横坐标和纵坐标，/>
Figure SMS_41
和/>
Figure SMS_42
分别为opix的横坐标和纵坐标。
具体的，本发明采用相对位置来作为图像特征之一，使得本发明能够更为方便地计算图像C的图像特征和图像cset的图像特征之间的相似度，因为图像的尺寸不同可能会导致具体的坐标信息发生变化，因此，本发明上述实施方式能够提高图像C和图像cset之间的相似度的计算效率，从而提高本发明进行权限识别的效率。
优选地，相对像素值采用如下方式计算得到：
获取筛选集合中像素值最大的像素点gpix；
对于筛选集合中的像素点chpix，使用如下方式计算其相对像素值：
Figure SMS_43
Figure SMS_44
表示像素点chpix的相对像素值，/>
Figure SMS_45
和/>
Figure SMS_46
分别为像素点chpix和gpix的像素值。
具体的，本发明采用相对像素值来作为图像特征之一，使得本发明能够更为方便地计算图像C的图像特征和图像cset的图像特征之间的相似度，因为图像C和图像cset的亮度可能不同，此时，传统的相似度获取方式需要将两者的亮度扩充至一致才能进行相似度的计算，显然这种方式会增加额外的工作量，因此，本发明利用相对像素值作为图像特征之一，能够提高图像C和图像cset之间的相似度的计算效率，从而提高本发明进行权限识别的效率。
优选的，第一图像特征可以使用传统的图像特征提取算法，例如lab算法、hog算法等进行特征的提取，从而保证得到的第一特征相似度能够满足安全性要求。
优选的，基于第一图像特征计算得到第一特征相似度，包括：
使用同样的特征提取方式获取匹配数据集中，与图像A之间取得最大相似度的图像的第一图像特征；
计算得到的两个第一图像特征之间的相似度，从而得到第一特征相似度。
具体的，第二特征相似度的计算方式与第一相似度的计算方式相同，这里不再赘述。
优选地，第二图像特征在获取的过程中可以采用与第一图像特征的获取算法不同的算法来进行获取。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种用于保障信息安全的权限识别系统，其特征在于，包括特征图像获取模块、预匹配模块、第一识别模块、第二识别模块和权限识别模块；
特征图像获取模块用于获取至少两种不同类型的用于进行权限识别的图像，将获得的图像保存到集合S；
预匹配模块用于将集合S中的图像分别与对应的匹配数据集中的图像进行相似度计算，获得集合S中的每张图像的最大相似度；
第一识别模块用于对得到的所有的最大相似度中，数值最大的最大相似度所对应的图像A进行特征提取，得到第一图像特征，以及用于基于第一图像特征计算得到第一特征相似度；
第二识别模块用于在第一特征相似度处于设定的相似度区间时，对集合S中最大相似度第二大的图像B进行特征提取，得到第二图像特征，以及用于基于第二图像特征计算得到第二特征相似度；
权限识别模块用于在第一特征相似度大于相似度区间的上限值或第一特征相似度处于设定的相似度区间且第二特征相似度大于设定的相似度阈值时，判定特征图像获取模块获取的图像所对应的人员具有对存储的信息进行操作的权限。
2.根据权利要求1所述的一种用于保障信息安全的权限识别系统，其特征在于，用于进行权限识别的图像的类型包括指纹图像、人脸图像和虹膜图像。
3.根据权利要求1所述的一种用于保障信息安全的权限识别系统，其特征在于，将集合S中的图像分别与对应的匹配数据集中的图像进行相似度计算，包括：
对于集合S中的图像C，先获取图像C的类型，然后根据图像C的类型获取对应的匹配数据集Cset；
将图像C分别与匹配数据集Cset中的每张图像进行相似度的计算，得到多个相似度。
4.根据权利要求3所述的一种用于保障信息安全的权限识别系统，其特征在于，匹配数据集Cset中保存的是与图像C的类型相同的图像，每张图像对应一个具有对存储的信息进行操作的权限的人员。
5.根据权利要求3所述的一种用于保障信息安全的权限识别系统，其特征在于，将图像C分别与匹配数据集Cset中的每张图像进行相似度的计算，得到多个相似度，包括：
使用如下方式计算图像C与匹配数据集Cset中的图像cset之间的相似度：
第一步，使用如下方式分别获取图像C和图像cset的图像特征：
对于需要提取图像特征的图像D：
获取图像D中属于图像边缘的像素点的集合borSetD；
计算集合borSetD中的像素点的识别系数；
将识别系数从大到小进行排序，将排在前T%的像素点保存到集合Q；
对集合Q中的像素点进行筛选，获得筛选集合；
在图像D中根据设定的排序规则对筛选集合中的像素点进行排序，得到有序集合；
将有序集合中的像素点的相对位置、相对像素值和顺序作为图像特征;
第二步，基于图像C和图像cset的图像特征计算图像C和图像cset之间的相似度。
6.根据权利要求5所述的一种用于保障信息安全的权限识别系统，其特征在于，计算集合borSetD中的像素点的识别系数，包括：
获取集合borSetD中的像素点在Lab颜色空间中的三种分量图像中的像素值；
对集合borSetD中的像素点进行噪声抑制处理，得到噪声抑制后的像素值；
识别系数的计算函数为：
Figure QLYQS_2
计算函数中，L，a，b表示Lab颜色空间中的三种分量图像；/>
Figure QLYQS_5
表示坐标为/>
Figure QLYQS_7
的像素点在分量图像i中的像素值，/>
Figure QLYQS_3
表示分量图像i的计算系数，/>
Figure QLYQS_4
表示坐标为/>
Figure QLYQS_6
的像素点对应的噪声抑制后的像素值；/>
Figure QLYQS_8
表示坐标为
Figure QLYQS_1
的像素点的识别系数。
7.根据权利要求5所述的一种用于保障信息安全的权限识别系统，其特征在于，对集合Q中的像素点进行筛选，获得筛选集合，包括：
按照从上到下的顺序依次对图像D中的每行像素点进行判断：
对于图像D中第j行像素点的所在的集合
Figure QLYQS_9
,
若
Figure QLYQS_10
中不存在集合Q中的像素点，则结束对第j行的像素点进行判断；
若
Figure QLYQS_11
中存在集合Q中的像素点，则采用如下方式对/>
Figure QLYQS_12
中的像素点进行判断：
若
Figure QLYQS_13
和Q的交集的元素的数量为小于等于2，则将交集保存到筛选集合；
若
Figure QLYQS_14
和Q的交集的元素的数量大于2，则将交集中横坐标最小和横坐标最大的像素点保存到筛选集合。
8.根据权利要求5所述的一种用于保障信息安全的权限识别系统，其特征在于，在图像D中根据设定的排序规则对筛选集合中的像素点进行排序，得到有序集合，包括：
获取图像D的图像中心；
获取筛选集合中与图像中心之间距离最远的像素点mxpix；
连接图像中心和mxpix得到扫描线段；
扫描线段顺时针沿着图像中心进行转动，依次将扫描线段所经过的属于筛选集合的像素点保存到有序集合，且将该像素点从筛选集合中删除，直至筛选集合为空集。
CN202310422753.0A 2023-04-20 2023-04-20 一种用于保障信息安全的权限识别系统 Active CN116152529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310422753.0A CN116152529B (zh) 2023-04-20 2023-04-20 一种用于保障信息安全的权限识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310422753.0A CN116152529B (zh) 2023-04-20 2023-04-20 一种用于保障信息安全的权限识别系统

Publications (2)

Publication Number Publication Date
CN116152529A true CN116152529A (zh) 2023-05-23
CN116152529B CN116152529B (zh) 2023-07-07

Family

ID=86339206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310422753.0A Active CN116152529B (zh) 2023-04-20 2023-04-20 一种用于保障信息安全的权限识别系统

Country Status (1)

Country Link
CN (1) CN116152529B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107294730A (zh) * 2017-08-24 2017-10-24 北京无线电计量测试研究所 一种多模态生物特征身份认证方法、装置及系统
CN107305625A (zh) * 2016-04-20 2017-10-31 厦门中控智慧信息技术有限公司 一种基于多模式生物计量信息的个人识别方法
CN107437074A (zh) * 2017-07-27 2017-12-05 深圳市斑点猫信息技术有限公司 一种身份认证方法和装置
CN110399786A (zh) * 2019-06-06 2019-11-01 万翼科技有限公司 一种无感识别方法及系统
CN110738177A (zh) * 2019-10-17 2020-01-31 日立楼宇技术（广州）有限公司 一种指静脉识别的方法、装置、设备和存储介质
WO2021007857A1 (zh) * 2019-07-18 2021-01-21 深圳海付移通科技有限公司 一种身份验证方法、终端设备、存储介质
CN112508064A (zh) * 2020-11-24 2021-03-16 广州广电运通金融电子股份有限公司 指静脉身份识别方法、装置、计算机设备和存储介质
CN115359575A (zh) * 2022-07-25 2022-11-18 支付宝(杭州)信息技术有限公司 身份识别方法、装置和计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107305625A (zh) * 2016-04-20 2017-10-31 厦门中控智慧信息技术有限公司 一种基于多模式生物计量信息的个人识别方法
CN107437074A (zh) * 2017-07-27 2017-12-05 深圳市斑点猫信息技术有限公司 一种身份认证方法和装置
CN107294730A (zh) * 2017-08-24 2017-10-24 北京无线电计量测试研究所 一种多模态生物特征身份认证方法、装置及系统
CN110399786A (zh) * 2019-06-06 2019-11-01 万翼科技有限公司 一种无感识别方法及系统
WO2021007857A1 (zh) * 2019-07-18 2021-01-21 深圳海付移通科技有限公司 一种身份验证方法、终端设备、存储介质
CN110738177A (zh) * 2019-10-17 2020-01-31 日立楼宇技术（广州）有限公司 一种指静脉识别的方法、装置、设备和存储介质
CN112508064A (zh) * 2020-11-24 2021-03-16 广州广电运通金融电子股份有限公司 指静脉身份识别方法、装置、计算机设备和存储介质
CN115359575A (zh) * 2022-07-25 2022-11-18 支付宝(杭州)信息技术有限公司 身份识别方法、装置和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KUONG-HONPONG: ""Multi-resolutionfeaturefusionforfacerecognition"", 《PATTERNRECOGNITION》 *
魏莲芳: ""基于多元特征的生物识别技术警务应用研究"", 《中国人民公安大学学报( 自然科学版)》 *

Also Published As

Publication number Publication date
CN116152529B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN108038476B (zh) 一种基于边缘检测与sift的人脸表情识别特征提取方法
WO2021003824A1 (zh) 基于图像识别的违章建筑识别方法、装置
CN110334706B (zh) 一种图像目标识别方法及装置
WO2020151489A1 (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
CN103116763B (zh) 一种基于hsv颜色空间统计特征的活体人脸检测方法
US7072523B2 (en) System and method for fingerprint image enhancement using partitioned least-squared filters
CN102419819B (zh) 人脸图像识别方法和系统
CN106709450A (zh) 一种指纹图像识别方法及系统
CN106250821A (zh) 一种聚类再分类的人脸识别方法
US20130202159A1 (en) Apparatus for real-time face recognition
CN110751024A (zh) 基于手写签名的用户身份识别方法、装置及终端设备
CN104036254A (zh) 一种人脸识别方法
CN1092372C (zh) 虹膜识别方法
CN113723309A (zh) 身份识别方法、身份识别装置、设备及存储介质
WO2017054276A1 (zh) 一种生物特征身份识别方法及装置
CN116152529B (zh) 一种用于保障信息安全的权限识别系统
US8879805B2 (en) Automated image identification method
CN111163332A (zh) 视频色情度检测方法、终端及介质
CN110619273B (zh) 一种高效的虹膜识别方法以及识别装置
Deshpande et al. Iris recognition system using block based approach with DWT and DCT
Winarno et al. Edge detection and grey level co-occurrence matrix (glcm) algorithms for fingerprint identification
CN109784187B (zh) 人脸识别的优化方法及装置
CN111652119A (zh) 一种结合位置信息的人脸特征提取方法
Najafi et al. A new iris identification method based on ridgelet transform
CN112270218A (zh) 一种用于指纹自动识别的方法及系统

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