[发明专利]一种具有盗取攻击应对机制的异质虹膜认证方法

说明书

本发明公开了一种具有盗取攻击应对机制的异质虹膜认证方法，其方法为：步骤一、构建基于卷积神经网络而改进的异质虹膜多类别认证系统；步骤二、构建盗取攻击应对机制；步骤三、开始正式认证；步骤四、图像依次进入全连接层；步骤五、得到与单一分类器所属的虹膜的相似概率；步骤六、得到精确的相似概率；步骤七、通过编码层的映射关系，输出测试虹膜所属的虹膜类别情况。有益效果：对传统的卷积神经网络进行改造，增加图像处理层和稀释层，有助于在多类别认证中放大不同类别虹膜间的差异性，提高认证的准确性。

本发明涉及一种异质虹膜认证方法，特别涉及一种具有盗取攻击应对机制的异质虹膜认证方法。

背景技术

目前，随着社会信息化的发展，以人脸、虹膜、指纹为首的生物识别技术已经开始大规模运用在实际的生产生活中。而虹膜作为一种不容易被复制的人体特征，更受到那些高机密，高警备的场所，如军事基地、金库等方面的青睐。

当前的虹膜认证主要采用的是有编码的识别模式，即通过将质量合格的虹膜进行预处理后，将测试虹膜与作为模板的对比虹膜通过相同的方式将特征转化为特征编码，并通过某种算法比较特征之间的相似性，进而完成虹膜的认证。这种模式是当前研究最广泛，也是最常见的模式，但这种模式存在一些问题：

首先，这种模式属于认证前编码，在认证之前就已经通过算法将特征转化为固定长度的特征码，相对不灵活，并且在多类别认证时，也不利于新类别的添加和删除。

这种模式对图像的采集质量要求较严格，同时对图像采集环境也有较高并且唯一的要求，通常，一种采集环境面对的是一种特征提取与认证算法，对环境的包容性较差，面对图像质量稍微差一点的图像，认证的准确性容易出现偏差；不仅如此，在多类别认证中，即使是同环境采集的虹膜，其本身因为采集人的采集状态的不同，也很容易出现不同人的编码相似的情况，进而降低了认证的准确性。

对于外部的盗取攻击的反应较差，一旦特征提取算法或者特征编码被盗取，很难采取有效的应对措施，具有一定的潜在危险。

有编码的识别需要消耗系统大量多余的空间存储模板，不利于海量数据的处理。

因此，在多类别的虹膜认证中，就需要一种识别的准确性高，消耗空间少，认证算法具有很好的容错性、鲁棒性以及环境的包容性，同时对于外部的盗取攻击的发生，也需要有一定的应对机制的认证算法。

发明内容

本发明的主要目的是为了解决现有的虹膜认证方法中所存在的一些问题；

本发明的另一个目的是为了建立一种识别的准确性高，消耗空间少，认证算法具有很好的容错性、鲁棒性以及环境的包容性，同时对于外部的盗取攻击的发生，也需要有一定的应对机制的认证算法；

本发明为了解决上述问题达到上述目的而提供的一种具有盗取攻击应对机制的异质虹膜认证方法。

本发明提供的具有盗取攻击应对机制的异质虹膜认证方法，其方法如下所述：

步骤一、构建基于卷积神经网络而改进的异质虹膜多类别认证系统，以256×32维度的虹膜归一增强图像作为卷积层的输入；

步骤二、构建盗取攻击应对机制，在确认发生了盗取攻击后，即：输出的映射关系被盗取，外来人员可以通过映射关系得到正确的认证结果；立即启动应对机制，修改冗余扩充层到映射层之间的映射关系，将原来的映射关系删除，冗余扩充层中的数据节点映射到与之前不同的同类别的其他四个节点的任意一个节点上，并将新映射关系传送到处理人手中；

在新的映射关系下，即使认证系统遭受了盗取攻击，也可以保证认证结果的正确性和安全性，因为盗取人员在原映射关系的下，已经无法得到正确的认证结果；

步骤三、开始正式认证：认证时，计算机首先通过虹膜采集仪采集测试人的虹膜图像，之后通过Daugman橡皮筋法以及均衡化直方图的方式转化为256×32维度的虹膜归一增强图像，将其输入进卷积层；