[发明专利]一种面向生物特征隐私保护的人像加解密系统有效

专利信息
申请号: 202011564745.2 申请日: 2020-12-25
公开(公告)号: CN112580011B 公开(公告)日: 2022-05-24
发明(设计)人: 谢巍;余孝源;张浪文;余锦伟 申请(专利权)人: 华南理工大学
主分类号: G06F21/32 分类号: G06F21/32;G06K9/00;G06K9/62;H04L9/00;H04L9/08;H04L9/40;H04N1/44;G06N3/04;G06N3/08
代理公司: 广州市华学知识产权代理有限公司 44245 代理人: 杨望仙
地址: 510640 广*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 面向 生物 特征 隐私 保护 人像 解密 系统
【权利要求书】:

1.一种面向生物特征隐私保护的人像加解密系统,其特征在于,包括:人像数据采集系统、人像特征提取系统、基于数据传输能力的网络传输能力判断系统、基于编码解码框架与身份特征的人像图像加解密系统、基于混沌系统的人像特征向量加解密系统,其中:

基于编码解码框架与身份特征的人像图像加解密系统包括:部署在前端一体机上的基于编码解码框架与身份特征的人像图像加密网络和部署在公共云端的对称式的人像图像解密网络及人脸识别系统;

基于混沌系统的人像特征向量加解密系统包括:部署在前端一体机上的基于混沌系统的人像特征向量加密网络和部署在本地服务器的人像特征向量解密网络及基于特征匹配的人脸识别系统;

基于数据传输能力的网络传输能力判断系统依据传输网络的宽带传输能力和前端一体机所连接的不同服务器类型,选择基于编码解码框架与身份特征的人像图像加解密系统或基于混沌系统的人像特征向量加解密系统;

前端一体机所连接服务器类型包括:本地服务器和公共云端,其中本地服务器是指具有较小存储空间以及低算力的本地服务器,公共云端是指具有大存储空间以及高算力的公共云端集群;

传输网络的宽带传输能力的判别指标包括:传输速率、数据吞吐量、网络利用率;标准传输速率为Tv0、标准数据吞吐量为Dt0、标准网络利用率为Nu0,当一个传输网络的传输速率、数据吞吐量和网络利用率分别为Tv、Dt和Nu时,传输网络的传输能力按以下公式计算:

其中:λ1、λ2和λ3为权重参数,取值为0到1之间;若Score的得分大于1.5,则表示网络的传输速率、数据吞吐量以及网络利用率指标较高,则选择基于编码解码框架与身份特征的人像图像加解密系统;若Score的得分小于1.5,则选择基于混沌系统的人像特征向量加解密系统。

2.根据权利要求1所述的人像加解密系统,其特征在于,基于混沌系统的人像特征向量加密系统构建过程包括:构建人像特征提取网络的训练数据集、人像身份特征提取网络的构建与训练、构建多项混沌函数组、人像特征向量的加密;其中:

构建人像特征提取网络的训练数据集是利用现有的人脸数据库的标注信息,提取人像及其对应的身份信息,构建人像身份训练数据;

人像身份特征提取网络的构建与训练指设计人像身份特征提取网络,用于寻找人像的身份特征,并利用构建的人像身份训练数据集对人像身份特征提取网络进行训练,获得人像身份特征提取子网络模型与参数;

人像特征向量的加密指利用训练后的人像身份特征提取子网络获取的人像身份特征,并利用构建的多项混沌函数组生成加密的人像特征。

3.根据权利要求2所述的人像加解密系统,其特征在于,人像身份特征提取网络的构建与训练,过程包括:

首先,设计基于残差网络的人像分类网络Gf,对人脸数据进行分类;

接着,利用人像数据对人像分类网络Gf进行训练,直到人像分类网络Gf收敛;其训练优化损失函数设置如下所示:

其中:y'i表示人像分类网络Gf对第i类人像的提取结果,y'k表示人像分类网络Gf对第k类人像的提取结果,mi表示第i类人像的向量表示,e表示自然常数;

最后,在人像分类网络Gf训练完毕后,舍去人像分类网络Gf的最后一层全连接层,以剩余的网络结构以及网络参数作为人像身份特征提取子网络Gff,Gff用于提取输入人像的身份特征向量。

4.根据权利要求2所述的人像加解密系统,其特征在于,构建的多项混沌函数组包括四种函数:正弦映射函数、Baker混沌映射函数、分段线性混沌映射函数和数据标准化函数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华南理工大学,未经华南理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011564745.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top