CN117151722B - 一种基于联盟区块链的人脸识别密码验证方法及系统 - Google Patents

一种基于联盟区块链的人脸识别密码验证方法及系统 Download PDF

Info

Publication number
CN117151722B
CN117151722B CN202311411496.7A CN202311411496A CN117151722B CN 117151722 B CN117151722 B CN 117151722B CN 202311411496 A CN202311411496 A CN 202311411496A CN 117151722 B CN117151722 B CN 117151722B
Authority
CN
China
Prior art keywords
feature
face image
block
verification
password
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
CN202311411496.7A
Other languages
English (en)
Other versions
CN117151722A (zh
Inventor
王光臣
高梦雪
赵祥蓉
陈云泽
宋海瑢
宗迷
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202311411496.7A priority Critical patent/CN117151722B/zh
Publication of CN117151722A publication Critical patent/CN117151722A/zh
Application granted granted Critical
Publication of CN117151722B publication Critical patent/CN117151722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks
    • 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
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明属于人脸识别技术领域，具体公开了一种基于联盟区块链的人脸识别密码验证方法及系统，方法包括：获取预先构建的人脸图像密码；对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；输入人脸图像密码的过程中，同时进行活体检测；若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过。本发明可以自定义设置多种不同的人脸图像组合作为人脸图像密码，避免单次人脸识别过程被伪造的问题。

Description

一种基于联盟区块链的人脸识别密码验证方法及系统
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种基于联盟区块链的人脸识别密码验证方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
用户本人的身份信息验证是用户使用金融软件办理业务时不可或缺的一项，通常小额转账等普通业务由用户输入密码来进行身份验证，而个人隐私信息更改、大额转账等复杂业务则通过密码加人脸识别的方法来进行双重验证。
在实际生活中，不同的银行或其他金融机构为客户提供手机银行等金融软件系统，为居民生活提供了极高的便利性；同时，软件的身份验证也成为保证用户信息安全和财产安全的关键环节。
现有技术中，往往通过多位数字密码或者人脸识别的方法作为系统登录或操作的密码；其中：
多位数字密码方法需要用户输入预先设置好的多位数字或字符作为密码进行验证，这种方式存在被破解或信息被泄露的风险，并且无法识别出是否是本人的操作，安全系数不高。
人脸识别方法要求用户将面部置于采集框中进行照片拍摄，而后进行头部转动、眨眼睛等3D 活体识别动作，主要作用是为确保业务操作系用户本人操作，同时也起到了密码验证的作用。但是，当前人脸识别方法中的活体识别仅要求进行眨眼、转动脸部等确定性的简单动态行为，而这些行为较容易被模仿和伪造，目前已经出现了成功模拟人脸识别过程中的3D活体识别的案例；因此，简单的人脸识别防护措施所起的防护作用正在日益减弱，这极大增加了用户信息泄露和财产损失的风险。
发明内容
为了解决上述问题，本发明提出了一种基于联盟区块链的人脸识别密码验证方法及系统，构建包含多张人脸图像的人脸图像密码，在密码验证的同时进行活体识别，通过联盟区块链技术提高身份验证密码的安全系数，降低用户信息泄露的风险。
在一些实施方式中，采用如下技术方案：
一种基于联盟区块链的人脸识别密码验证方法，包括：
获取预先构建的人脸图像密码，所述人脸图像密码由多张人脸图像构成；
对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；
接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；输入人脸图像密码的过程中，同时进行活体检测；
若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过。
其中，所述多张人脸图像为：带有相同或不同的面部表情或面部动作的人脸图像，这些人脸图像按照设定的顺序，构成人脸图像密码。
可选的，对每一张人脸图像进行特征提取，具体为：
分别确定人脸图像中不同的面部器官所处位置对应的特征点；
每一个特征点提取的特征信息处理为一个二进制的特征矩阵块；
所有特征点对应的特征矩阵块按显著程度不同排成一个特征信息矩阵。
可选的，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度，具体过程为：
将单张输入人脸图像的特征信息矩阵与联盟区块链保存的特征信息矩阵进行二进制加法得到特征计算矩阵；基于特征计算矩阵中每一个分块对应的十进制数值，确定特征信息中每一个特征点的特征重合率；
若每一个特征点的特征重合率均达到了设定的特征重合率标准，将该人脸图像的所有特征重合率进行相乘，所得乘积即为该张人脸图像的特征重合度；并且计算特征计算矩阵中0元素出现的频率；
若特征计算矩阵中0元素出现的频率大于设定的第一阈值，且特征重合度大于设定的第二阈值；则认为该人脸图像的特征重合度满足要求；
依次判断输入的每一张人脸图像的特征重合度是否满足，任一人脸图像不满足要求时，验证结束。
可选的，基于输入的人脸图像密码进行活体检测，具体过程为：
将采集相邻两张人脸图像的时间定义为采集间隔；在每一个采集间隔内，判断检测对象是否为活体；若判断为活体的采集间隔数量达到设定的阈值，则判定检测对象为活体；
其中，判断检测对象是否为活体的过程为：
随机在检测对象的面部选择至少一个观察点，连续追踪特征观察点的位置参数，判断位置参数的变化是否符合状态变化标准，若符合，则判断检测对象为活体。
可选的，判断位置参数的变化是否符合状态变化标准，具体为：
当人脸图像的面部表情或面部动作发生变化时，观察点的位置会发生变化，若观察点的位置变化与预先训练的活体变化规律一致时，认为符合状态变化标准。
可选的，进行联盟区块链的身份验证，具体过程为：
联盟区块链中设有金融机构区块、用户区块、监管区块和验证区块；
验证区块设置零知识证明模型，当接收到人脸图像密码验证请求时，验证区块打开，用户的ID 信息被传入到验证区块中，并转为二进制；
零知识证明模型中产生随机数，该随机数二进制表达式的长度与二进制用户ID长度相同；
验证区块将二进制的随机数与二进制的用户ID相加，得到随机二进制表达式；将随机二进制表达式为0 的位置转为0 或者1，进行自由组合，当有a 个位置为0 时，有2a种随机二进制表达式，将2a种随机二进制表达式传给金融机构区块；
金融机构区块对2a种随机二进制表达式进行检索，最多匹配得到y个随机二进制表达式，0<y<2a+1，将y 个随机二进制表达式传给验证区块；
当验证区块中的随机二进制表达式与金融机构区块送入的y种随机二进制表达式之一相加为0时，用户的身份验证通过。
可选的，同一时间段内设置人脸图像密码的用户，通过身份验证后，存入联盟区块链的同一个用户区块。
可选的，当某一用户区块的用户更改密码时，修改该用户在所述用户区块中的标识；当某一用户区块中的所有用户标识均修改后，对该用户区块进行爆炸，并进行废弃信息清除。
在另一些实施方式中，采用如下技术方案：
一种基于联盟区块链的人脸识别密码验证系统，包括：
数据获取模块，用于获取预先构建的人脸图像密码，所述人脸图像密码由多张人脸图像构成；
特征提取模块，用于对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；
人脸图像密码验证模块，用于在接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；输入人脸图像密码的过程中，同时进行活体检测；若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过。
与现有技术相比，本发明的有益效果是：
（1）相比与传统的数字密码和人脸图像识别，本发明使用人脸图像密码方式进行密码验证，可以自定义设置多种不同的人脸图像组合，避免单次人脸识别过程容易被伪造的问题，进一步增强了密码的安全性。
（2）本发明将人脸图像密码信息存储在联盟区块链中，保证了密码信息的安全性和不可篡改性；通过联盟区块链的零知识证明模型，用户不用受到金融机构的绝对管控，但仍接受区块链中的监管区块与金融机构区块的管控，同时金融机构区块受监管区块管控，监管区块受到所有区块监督，在一定程度上实现实时监管，实时监督，能够最大程度降低金融机构对用户信息的泄露风险。
（3）本发明在比对输入人脸图像密码与区块链中预存的人脸图像密码的特征信息时，选取人脸图像的多个特征点，通过计算每一个特征点的特征重合率，得到单张图像的特征重合度；通过判断每一个特征点的特征重合率是否符合要求来验证每一张输入人脸图像是否正确；通过多个特征点的共同验证，保证了对输入人脸图像密码验证的准确性。
（4）本发明在进行人脸图像密码验证的过程中，可以在一个采集间隔截取多张图片追踪观察点的变化，实现同步活体检测，活体检测过程不再限制于传统技术中的简单确定性动作，而是变为增加复杂性的随机动作；能够进一步避免人脸识别过程被不法分子模拟，提高密码的防护作用，进一步保护用户的信息安全和财产安全。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于联盟区块链的人脸识别密码验证方法流程图；
图2为本发明实施例中用户进行人脸图像密码设置过程的示意图；
图3为本发明实施例中联盟区块链保存用户信息的过程示意图；
图4为本发明实施例中联盟区块链中用户信息修改过程示意图；
图5为本发明实施例中活体验证过程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于联盟区块链的人脸识别密码验证方法，结合图1，具体包括如下过程：
S101：获取预先构建的人脸图像密码，人脸图像密码由多张人脸图像构成；
S102：对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；
S103：接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；输入人脸图像密码的过程中，同时进行活体检测；
S104：若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过。
作为具体的实施方式，结合图2，本实施例人脸图像密码构建过程如下：
用户申请设置人脸图像密码时，需要通过联盟区块链进行身份验证。其中，联盟区块链的身份验证过程具体如下：
联盟区块链中设有金融机构（比如银行）区块、用户区块、监管区块以及验证区块，金融机构、用户区块和监管区块均可与验证区块进行交互；金融机构区块拥有的用户信息均可送入验证区块，同时用户信息也可送入验证区块中。
验证区块设置零知识证明模型，当用户提出申请设置人脸图像密码后，验证区块打开，用户的ID 信息被传入到验证区块中，同时用户ID 被转为二进制；验证区块中的零知识证明模型中产生随机数，该随机数二进制表达式的长度与二进制用户ID 长度相同。
验证区块将二进制随机数与二进制ID相加得到随机二进制表达式，将随机二进制表达式为0 的位置转为0 或者1，进行自由组合，当有a个位置为0 时，有2a种随机二进制表达式，将2a种表达式传给金融机构区块；金融机构区块对2a种随机二进制表达式进行检索，最多可得到y个随机二进制表达式（0<y<2a+1），将y个随机二进制表达式传给验证区块；当验证区块中的随机二进制表达式与金融机构区块送入的y 种随机二进制表达式之一相加为0，则用户通过金融机构的零知识验证。
在联盟区块链中，验证区块的存在可以降低金融机构对用户信息的绝对把控，金融机构只需要知道用户存在且在进行操作，但并不需要知道具体是哪一位用户，从一定程度上降低用户信息的泄露，该用户所有的记录都会保存在联盟区块链中，当需要调取记录时，需要不同类别的区块举手表决。
本实施例通过联盟区块链的身份验证后，进入人脸图像密码构建。构建人脸图像密码时，系统提示选择自定义密码所需的一组人脸图像的张数，即用户自定义人脸图像密码长度n，用户输入n（n>0）；
用户进行n 次人脸图像输入，即完成一组人脸图像密码输入后，并通过实时活体检测时，需要再次输入人脸图像密码，并通过实时活体检测，进行人脸图像密码确认；
其中，人脸图像可以是用户拍摄的本人人脸图像出现微笑、难过等面部表情的图像；也可以是用户拍摄的本人人脸图像出现眨单眼、张嘴等面部器官的大幅度动作的图像。
对两组人脸图像密码分别进行特征信息提取，并将结果进行对比，当通过特征重合率标准时，确认首次输入为人脸图像密码，并将该组人脸图像密码提取的特征信息保存到联盟区块链中。
本实施例对构建的人脸图像密码进行特征信息提取时，设定特征提取的允许误差范围；
分别确定人脸图像密码中每一张人脸图像的眼睛、鼻子、嘴巴等多个面部器官所处位置对应的特征点；设置串联卷积层，依次对于每一张人脸图像进行显著特征提取和非显著特征提取；其中，显著特征为人脸面部易识别的特征，比如：眼睛、鼻子、嘴巴和眉毛等，以及它们的变化。
非显著特征为伴随显著特征周围的区域特征及其他区域皮肤纹理，其中，伴随显著特征周围的区域特征可以为眼睛的角纹，嘴巴张动时嘴边的皮肤纹路等。
每一个特征点提取的特征信息经处理后对应一个特征矩阵块，所有特征点对应的特征矩阵块按显著程度排成一个特征信息矩阵，用于储存特征信息；其中，显著程度为特征变化被观察到的难易程度，越容易被观察到的特征显著程度越高，眼睛的变化比鼻子的变化更容易观察到（眨眼比鼻孔变化更容易看出来），那么眼睛的特征信息矩阵位置就比鼻子的特征信息矩阵位置顺序靠前。
当提取的特征信息在允许的误差范围内，则系统处理时则认为该误差范围的特征信息处理结果是一致的。即：二进制结果对应的十进制是一个范围，例如标准结果是52，误差范围是-10到10，那么42到62都变为二进制110100。这样做的好处是因为在实际处理中，二进制矩阵的维数是相对较大的，例如一个眼睛的四维矩阵，则16位二进制，对于16位二进制对应的十进制数字是非常的大，那么该数字相差一二并不能看出变化，所以一个二进制结果对应一个十进制范围。从实际来看，例如嘴巴微笑时，嘴角弯曲的程度，不能保证每一次弯曲的程度都一样，因此一定范围内的弯曲程度都定义为一个弯曲程度是符合实际的。
在用户设置密码，输入第一组人脸图像密码过程中，系统对用户本人进行活体检测，通过活体检测后，可进行第二次人脸图像密码输入确认；
对第二次系统录入的人脸图像密码的每一张图像进行特征提取，特征提取的方法与上面相同；并与首次获得的特征矩阵进行特征重合率计算，当特征重合率符合标准时，且第二次输入人脸图像密码的过程中通过活体检测，则将第一次系统提取的特征信息、用户ID 等信息同时放入联盟区块链中的用户区块进行保存：规定同一时间段内设置人脸图像密码的用户通过验证区块的身份验证后，从验证区块通道进入联盟区块链的同一个用户区块；在此区块中按照各自产生的密码设置信息时间顺序连接成链条，将这些链条储存在对应的联盟区块链的用户区块的服务器中。
结合图3，具体的保存方法如下：
（1）将特征信息按显著特征信息、非显著特征信息进行信息分片，且同一用户的特征信息必须位于同一联盟区块链节点上。
（2）为分片后的特征信息分别生成Hash，进行加密，且存储系统要加密本地系统的特征信息，有且仅有用户本人可以查看人脸图像密码。
（3）存储系统复制特征信息的分片，产生特征信息副本。将副本送去另一个区块进行保存，原本和副本之间的区块可进行联系。保证密码在受到攻击破坏时，副本能够对信息进行补充，防止密码被恶意篡改。规定一定时间段内设置人脸图像密码的用户进入同一个区块。在此区块中按照各自产生的密码设置信息时间顺序连接成链条，将这些链条储存在对应的区块链服务器中。
结合图4，当用户要进行密码修改时，由于区块链的不可篡改性，用户是无法在原联盟区块链中的信息存储位置修改信息的，需要通过设置修改密码，重新进联盟入区块链；由于联盟区块链节点设有共识机制，当位于某一区块的用户进行修改密码时，该用户在联盟区块链中的标识更改为与未修改密码的用户标识相反。
为降低联盟区块链的冗余，应将同一时间段内进入重置密码的用户放到同一个联盟区块链的用户区块中，在该区域的用户应每隔固定年限进行密码重置；当该区域的用户均完成密码重置，该区域的标识均变为已更改密码标识，通过区块链的共识机制，该联盟区块链中的此区域进行爆炸，强制进行废弃信息清除。
本实施例人脸图像密码验证过程如下：
用户按照其设置的人脸图像密码依次进行输入，在用户输入人脸密码的同时，系统后端进行活体检测；在用户输入的过程中，联联盟区块链的验证区块通道打开，与联盟区块链进行通信，在联盟区块链中的验证区块中通过身份验证。当用户完成输入第m（0<m<n+1,m 为整数）位人脸图像密码时，系统处理完成该位人脸图像密码的特征信息处理，与联盟区块链中的特征信息进行特征重合度计算，当特征重合度的结果符合要求且后端检测为活体时，则认为用户通过检测，确定为用户本人，允许用户进行下一步系统操作。
当该位人脸图像密码未通过特征重合率标准时，系统将停止第m+1至n 位的人脸图像密码验证，此时联盟区块链的用户区块通信通道将关闭，不再进行信息交互，但用户仍须一直完成密码输入，完成密码输入后，系统提示用户密码输入错误。
本实施例中，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度，具体过程为：
每一张人脸图像的特征信息都分别保存为矩阵，矩阵中只含有数字0 和1，系统将矩阵进行分块，每一块代表着不同的特征点信息，每一块特征点矩阵的行列数相同，且同一矩阵块的不同位置代表的显著程度均不同；
当进行特征对比时，按照二进制原则，将保存的特征信息矩阵与用户输入所提取的特征信息矩阵进行二进制加法得到特征计算矩阵；
每一块特征计算矩阵的各元素按照规定的顺序进行排序得到一串二进制数字常量表达式，将保存在联盟区块链中的表达式与用户输入人脸图像密码后系统处理得到的二进制数字常量表达式进行相加得到特征计算表达式，当数字1出现的位置越向左，说明特征重合度越低；
计算每一个特征计算表达式的十进制数值，数值越大，说明该特征对应的特征重合率越低，通过大量重复实验确定数值范围，每一数值范围对应一个特征重合率；根据显著程度的不同，显著程度高的特征重合率标准应比显著程度低的特征重合率标准高。
当该张人脸图像的各特征所对应的特征重合率都达到标准后，将各特征重合率进行相乘，所得乘积即为该张人脸图像的特征重合度。
计算特征矩阵中0 元素出现的频率，若特征计算矩阵中0元素出现的频率大于设定的第一阈值，且特征重合度大于设定的第二阈值；则认为该人脸图像的特征重合度满足要求；
依次判断输入的每一张人脸图像的特征重合度是否满足，任一人脸图像不满足要求时，验证结束。
第一阈值和第二阈值是本领域技术人员可以根据实际需要进行设置的。
需要说明的是，进行密码设置时的特征重合率计算过程也是采用与上述相同的方法。
本实施例中，根据输入的多张人脸图像，在进行密码验证的同时，进行活体检测；结合图5，具体过程如下：
将采集相邻两张人脸图像的时间定义为采集间隔；在采集框连续采集过程中，活体检测过程为检测两个采集框之间，即上一个采集框的第0.6s 到下一个采集框的0.5s 之间，能否判断为活体，若n 个采集框，共n-1 个采集间隔，若有x 个采集间隔可检测为活体，则通过率=x/(n-1)大于一定值时，可认为最终结果为判定活体；
系统随机在面部选择多个观察点，连续追踪观察点的位置，记录位置参数；判断位置参数是否发生变化，且其位置变化是否符合状态变化标准，当符合状态变化标准时，则可判断为活体。
本实施例中，状态变化标准具体为：
系统随机选择多组特征观察点，并进行定位，生成三维坐标系；
在系统视频监测的过程中，当面部表情发生变化时，其面部的特征观察点位置是会发生变化的，连续瞬时的记录特征观察点的位置；
录入人脸图像密码结束后，系统生成观察点位移图像，由于用户体验前会使用数据库得到大量的训练数据，当位移图像符合活体训练数据图像时，则认为通过状态变化标准。例如微笑，每一组活体训练数据图像为真人微笑的连续图像，收集大量组数该类图像，建立坐标系，对每一组选定特征观察点，则会得到特征观察点的位移图像；每一组的每一个特征观察点得到一个位移图像，则多组得到多个位移图像，形成一个集合，对该集合采用一定的方法处理筛选后，则为某特征观察点的活体训练数据图像集合。当录入人脸图像密码时，得到的该特征观察点位移图像在活体训练数据图像集合中时，则认为符合状态变化标准。
当用户忘记密码时，用户点击忘记密码，进入忘记密码操作界面，在该界面中，系统进行二次确认用户是否忘记密码，当用户选择否，则系统强制退出该操作界面，当用户选择是，则系统开启信息防护功能；在进行密码修改时，需要确认为用户本人，由于用户无法输入原有人脸图像密码进行验证，需要改变验证方法；
在联盟区块链中，是基于部分去中心化，因而金融机构区块和监管区块对用户区块具有一定程度的管控权。当用户忘记密码时，用户通过验证区块进入金融机构区块，而不是进入用户区块，同时监管区块对进入金融机构区块进行监督；用户进入金融机构区块后，金融机构对用户本人进行确认，要求用户提供实时拍摄身份证证件、本人的数字密钥以及本人的人脸图像，验证通过后，允许用户通过验证区块进入用户区块，此时流程与修改密码将一致。
本实施例中，系统开启信息防护功能，包括：
用户必须根据系统提示完成忘记密码整个流程，中途不可退出，不允许中途退出，一旦发生中途退出行为，用户账号立即锁定，须前往相关办理单位进行解锁；用户账号立即锁定后，锁定时间由监管单位和金融机构确定，在锁定时间内由金融机构对用户本人进行电话、邮件等方式进行通知。当锁定时间结束后，用户必须再次修改密码，否则将无法使用该软件系统。
实施例二
在一个或多个实施方式中，公开了一种基于联盟区块链的人脸识别密码验证系统，包括：
数据获取模块，用于获取预先构建的人脸图像密码，所述人脸图像密码由多张人脸图像构成；
特征提取模块，用于对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；
人脸图像密码验证模块，用于在接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；同时基于输入的人脸图像密码进行活体检测；若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过。
需要说明的是，上述各模块的具体实现方式与实施例一中相同，此处不再详述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种基于联盟区块链的人脸识别密码验证方法，其特征在于，包括：
获取预先构建的人脸图像密码，所述人脸图像密码由多张人脸图像构成；
对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；
接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；输入人脸图像密码的过程中，同时进行活体检测；
若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过；
所述对每一张人脸图像进行特征提取，具体为：
分别确定人脸图像中不同的面部器官所处位置对应的特征点；
每一个特征点提取的特征信息处理为一个二进制的特征矩阵块；
所有特征点对应的特征矩阵块按显著程度不同排成一个特征信息矩阵；
所述对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度，具体过程为：
将单张输入人脸图像的特征信息矩阵与联盟区块链保存的特征信息矩阵进行二进制加法得到特征计算矩阵；基于特征计算矩阵中每一个分块对应的十进制数值，确定特征信息中每一个特征点的特征重合率；
若每一个特征点的特征重合率均达到了设定的特征重合率标准，将该人脸图像的所有特征重合率进行相乘，所得乘积即为该张人脸图像的特征重合度；并且计算特征计算矩阵中0元素出现的频率；
若特征计算矩阵中0元素出现的频率大于设定的第一阈值，且特征重合度大于设定的第二阈值；则认为该人脸图像的特征重合度满足要求；
依次判断输入的每一张人脸图像的特征重合度是否满足，任一人脸图像不满足要求时，验证结束；
所述进行活体检测，具体过程为：
将采集相邻两张人脸图像的时间定义为采集间隔；在每一个采集间隔内，判断检测对象是否为活体；若判断为活体的采集间隔数量达到设定的阈值，则判定检测对象为活体；
其中，判断检测对象是否为活体的过程为：
随机在检测对象的面部选择至少一个观察点，连续追踪特征观察点的位置参数，判断位置参数的变化是否符合状态变化标准，若符合，则判断检测对象为活体；
所述判断位置参数的变化是否符合状态变化标准，具体为：
当人脸图像的面部表情或面部动作发生变化时，观察点的位置会发生变化，若观察点的位置变化与预先训练的活体变化规律一致时，认为符合状态变化标准；
所述进行联盟区块链的身份验证，具体过程为：
联盟区块链中设有金融机构区块、用户区块、监管区块和验证区块；
验证区块设置零知识证明模型，当接收到人脸图像密码验证请求时，验证区块打开，用户的ID 信息被传入到验证区块中，并转为二进制；
零知识证明模型中产生随机数，该随机数二进制表达式的长度与二进制用户ID 长度相同；
验证区块将二进制的随机数与二进制的用户ID相加，得到随机二进制表达式；将随机二进制表达式为0 的位置转为0 或者1，进行自由组合，当有a 个位置为0 时，有2a 种随机二进制表达式，将2a种随机二进制表达式传给金融机构区块；
金融机构区块对2a种随机二进制表达式进行检索，最多匹配得到y个随机二进制表达式，0<y<2a+1，将y 个随机二进制表达式传给验证区块；
当验证区块中的随机二进制表达式与金融机构区块送入的y种随机二进制表达式之一相加为0时，用户的身份验证通过。
2.如权利要求1所述的一种基于联盟区块链的人脸识别密码验证方法，其特征在于，所述多张人脸图像为：带有相同或不同的面部表情或面部动作的人脸图像，这些人脸图像按照设定的顺序，构成人脸图像密码。
3.如权利要求1所述的一种基于联盟区块链的人脸识别密码验证方法，其特征在于，同一时间段内设置人脸图像密码的用户，通过身份验证后，存入联盟区块链的同一个用户区块。
4.如权利要求3所述的一种基于联盟区块链的人脸识别密码验证方法，其特征在于，当某一用户区块的用户更改密码时，修改该用户在所述用户区块中的标识；当某一用户区块中的所有用户标识均修改后，对该用户区块进行爆炸，并进行废弃信息清除。
5.一种基于联盟区块链的人脸识别密码验证系统，其特征在于，包括：
数据获取模块，用于获取预先构建的人脸图像密码，所述人脸图像密码由多张人脸图像构成；
特征提取模块，用于对每一张人脸图像进行特征提取，并将特征信息及对应的用户信息保存在联盟区块链中；
人脸图像密码验证模块，用于在接收到输入的人脸图像密码时，进行联盟区块链的身份验证，验证通过后，对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度；输入人脸图像密码的过程中，同时进行活体检测；若活体检测以及所有输入的人脸图像的特征重合度均满足设定要求，则密码验证通过；
所述对每一张人脸图像进行特征提取，具体为：
分别确定人脸图像中不同的面部器官所处位置对应的特征点；
每一个特征点提取的特征信息处理为一个二进制的特征矩阵块；
所有特征点对应的特征矩阵块按显著程度不同排成一个特征信息矩阵；
所述对输入的每一张人脸图像进行特征提取，并与保存在联盟区块链中的特征信息进行对比，计算人脸图像的特征重合度，具体过程为：
将单张输入人脸图像的特征信息矩阵与联盟区块链保存的特征信息矩阵进行二进制加法得到特征计算矩阵；基于特征计算矩阵中每一个分块对应的十进制数值，确定特征信息中每一个特征点的特征重合率；
若每一个特征点的特征重合率均达到了设定的特征重合率标准，将该人脸图像的所有特征重合率进行相乘，所得乘积即为该张人脸图像的特征重合度；并且计算特征计算矩阵中0元素出现的频率；
若特征计算矩阵中0元素出现的频率大于设定的第一阈值，且特征重合度大于设定的第二阈值；则认为该人脸图像的特征重合度满足要求；
依次判断输入的每一张人脸图像的特征重合度是否满足，任一人脸图像不满足要求时，验证结束；
所述进行活体检测，具体过程为：
将采集相邻两张人脸图像的时间定义为采集间隔；在每一个采集间隔内，判断检测对象是否为活体；若判断为活体的采集间隔数量达到设定的阈值，则判定检测对象为活体；
其中，判断检测对象是否为活体的过程为：
随机在检测对象的面部选择至少一个观察点，连续追踪特征观察点的位置参数，判断位置参数的变化是否符合状态变化标准，若符合，则判断检测对象为活体；
所述判断位置参数的变化是否符合状态变化标准，具体为：
当人脸图像的面部表情或面部动作发生变化时，观察点的位置会发生变化，若观察点的位置变化与预先训练的活体变化规律一致时，认为符合状态变化标准；
所述进行联盟区块链的身份验证，具体过程为：
联盟区块链中设有金融机构区块、用户区块、监管区块和验证区块；
验证区块设置零知识证明模型，当接收到人脸图像密码验证请求时，验证区块打开，用户的ID 信息被传入到验证区块中，并转为二进制；
零知识证明模型中产生随机数，该随机数二进制表达式的长度与二进制用户ID 长度相同；
验证区块将二进制的随机数与二进制的用户ID相加，得到随机二进制表达式；将随机二进制表达式为0 的位置转为0 或者1，进行自由组合，当有a 个位置为0 时，有2a 种随机二进制表达式，将2a种随机二进制表达式传给金融机构区块；
金融机构区块对2a种随机二进制表达式进行检索，最多匹配得到y个随机二进制表达式，0<y<2a+1，将y 个随机二进制表达式传给验证区块；
当验证区块中的随机二进制表达式与金融机构区块送入的y种随机二进制表达式之一相加为0时，用户的身份验证通过。
CN202311411496.7A 2023-10-30 2023-10-30 一种基于联盟区块链的人脸识别密码验证方法及系统 Active CN117151722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311411496.7A CN117151722B (zh) 2023-10-30 2023-10-30 一种基于联盟区块链的人脸识别密码验证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311411496.7A CN117151722B (zh) 2023-10-30 2023-10-30 一种基于联盟区块链的人脸识别密码验证方法及系统

Publications (2)

Publication Number Publication Date
CN117151722A CN117151722A (zh) 2023-12-01
CN117151722B true CN117151722B (zh) 2024-02-23

Family

ID=88884680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311411496.7A Active CN117151722B (zh) 2023-10-30 2023-10-30 一种基于联盟区块链的人脸识别密码验证方法及系统

Country Status (1)

Country Link
CN (1) CN117151722B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010146522A (ja) * 2008-12-22 2010-07-01 Nec Software Kyushu Ltd 顔画像追跡装置及び顔画像追跡方法並びにプログラム
CN105227316A (zh) * 2015-09-01 2016-01-06 深圳市创想一登科技有限公司 基于人脸图像身份验证的移动互联网账号登录系统及方法
CN108898093A (zh) * 2018-02-11 2018-11-27 陈佳盛 一种人脸识别方法及应用该方法的电子病历登陆系统
CN112634067A (zh) * 2020-12-28 2021-04-09 广州绿怡信息科技有限公司 一种基于人脸识别的智能终端手机投保方法
CN113221662A (zh) * 2021-04-14 2021-08-06 上海芯翌智能科技有限公司 人脸识别模型的训练方法及装置、存储介质、终端
CN114090994A (zh) * 2021-11-22 2022-02-25 湖南科技学院 一种基于区块链的人脸识别认证方法及系统
CN114612823A (zh) * 2022-03-06 2022-06-10 北京工业大学 一种面向实验室安全管理的人员行为监测方法
CN115374420A (zh) * 2022-10-27 2022-11-22 中安网脉(北京)技术股份有限公司 基于人脸安全验证的跨浏览器高并发数据访问的软件系统
CN116453196A (zh) * 2023-04-22 2023-07-18 北京易知环宇文化传媒有限公司 一种人脸识别方法及系统
CN116884070A (zh) * 2023-07-17 2023-10-13 罗国庆 高效图像处理算法及其在人脸识别中的应用

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010146522A (ja) * 2008-12-22 2010-07-01 Nec Software Kyushu Ltd 顔画像追跡装置及び顔画像追跡方法並びにプログラム
CN105227316A (zh) * 2015-09-01 2016-01-06 深圳市创想一登科技有限公司 基于人脸图像身份验证的移动互联网账号登录系统及方法
CN108898093A (zh) * 2018-02-11 2018-11-27 陈佳盛 一种人脸识别方法及应用该方法的电子病历登陆系统
CN112634067A (zh) * 2020-12-28 2021-04-09 广州绿怡信息科技有限公司 一种基于人脸识别的智能终端手机投保方法
CN113221662A (zh) * 2021-04-14 2021-08-06 上海芯翌智能科技有限公司 人脸识别模型的训练方法及装置、存储介质、终端
CN114090994A (zh) * 2021-11-22 2022-02-25 湖南科技学院 一种基于区块链的人脸识别认证方法及系统
CN114612823A (zh) * 2022-03-06 2022-06-10 北京工业大学 一种面向实验室安全管理的人员行为监测方法
CN115374420A (zh) * 2022-10-27 2022-11-22 中安网脉(北京)技术股份有限公司 基于人脸安全验证的跨浏览器高并发数据访问的软件系统
CN116453196A (zh) * 2023-04-22 2023-07-18 北京易知环宇文化传媒有限公司 一种人脸识别方法及系统
CN116884070A (zh) * 2023-07-17 2023-10-13 罗国庆 高效图像处理算法及其在人脸识别中的应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习与多哈希相似度加权实现快速人脸识别;邓良;许庚林;李梦杰;陈章进;;计算机科学(第09期);第163-168页 *

Also Published As

Publication number Publication date
CN117151722A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN111626925B (zh) 一种对抗补丁的生成方法及装置
US10375066B2 (en) Authentication method and system by garbled circuit
CN106203333A (zh) 人脸识别方法及系统
CN112949535B (zh) 一种基于生成式对抗网络的人脸数据身份去识别方法
Sardar et al. A novel cancelable facehashing technique based on non-invertible transformation with encryption and decryption template
CN112862001A (zh) 一种隐私保护下的去中心化数据建模方法
Sheng et al. Template-free biometric-key generation by means of fuzzy genetic clustering
CN109934187B (zh) 基于人脸活性检测-眼睛视线随机挑战响应方法
Solomon et al. Hdlhc: Hybrid face anti-spoofing method concatenating deep learning and hand-crafted features
Saraswathi et al. Retinal biometrics based authentication and key exchange system
Balakumar et al. Secure biometric key generation scheme for cryptography using combined biometric features of fingerprint and iris
CN117151722B (zh) 一种基于联盟区块链的人脸识别密码验证方法及系统
Ara et al. An efficient privacy-preserving user authentication scheme using image processing and blockchain technologies
CN116886315A (zh) 一种web3.0下的基于生物特征和零知识证明的身份验证方法
Cao et al. Hiding among your neighbors: Face image privacy protection with differential private k-anonymity
CN112862491A (zh) 基于安全单元和可信执行环境的人脸支付安全方法及平台
WO2023142453A1 (zh) 生物特征识别方法、服务器以及客户端
Sivakumar et al. A Secure and Compact Multimodal Biometric Authentication Scheme using Deep Hashing
CN113190858B (zh) 一种基于隐私保护的图像处理方法、系统、介质和设备
CN114612991A (zh) 攻击人脸图片的转换方法及装置、电子设备及存储介质
CN114612989A (zh) 人脸识别数据集的生成方法及装置、电子设备及存储介质
CN115708135A (zh) 人脸识别模型的处理方法、人脸识别方法及装置
CN106650349B (zh) 一种对身份证使用安全进行监控的方法
Uddin et al. Artificial neural network inducement for enhancement of cloud computing security
CN113158920B (zh) 特定动作识别模型的训练方法、装置以及计算机设备

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