大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别制造技术

本发明专利技术公开了一种大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别方法，分水印嵌入和水印提取两大部分，在水印提取部分，同时实现了人脸识别；步骤如下，水印的嵌入：一)先对所有原始人脸进行小波变换，再对其近似系数进行全局DCT变换，求得特征向量；二)将每个人脸的水印与该人脸的特征向量通过密码学哈希函数相关联；水印提取：三)求取待测人脸特征向量，并得到待测人脸和原始人脸特征向量相关系数最大值，并根据该值求得对应的人脸序号，完成人脸的识别、并获得对应的嵌入的水印；四)利用待测人脸的特征向量，进行水印提取，并计算出水印的相关系数。该人脸识别方法不需进行样本训练，适合于大数据；并可以抗遮挡、光照等攻击。

【技术实现步骤摘要】
大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别
本专利技术涉及一种多媒体信号处理领域，具体涉及大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别。技术背景人脸识别技术作为一种有效的生物特征识别技术，近40年来日益得到工业界和学术界的重视。由于人脸识别技术具有高可接受，自然性，不易被人察觉等优势，因此其在娱乐、犯罪调查、门禁系统、军事等方面有较大用途。目前人脸识别的方法主要是基于PCA、神经网络、SVM等机器学习方法，由于要进行训练学习，当样本数较大，在大数据环境下，学习的时间较长，并且目前的人脸识别方法对于光照变化，表情变化或遮罩等比较敏感，因此如何解决在大数据环境下，抗光照变化、表情变化或遮罩等攻击的人脸识别方法意义重大。数字水印技术最初是用于互联网上的数字媒体的版权保护，其重要特性为鲁棒性和不可见性；本专利技术可以把人的签名或ID号等作为水印隐藏在其对应的人脸图像中，利用水印的鲁棒特性实现人脸识别算法，实验证明该算法特别对光照、遮挡等攻击具有较好的鲁棒性。目前对于基于大数据环境下，抗光照、遮挡攻击的人脸识别方法研究的较少，因此研究大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别方法，有较大的意义。
技术实现思路
专利技术目的:本专利技术所要解决的技术问题是针对现有技术的不足，提供高速、高鲁棒性的人脸识别算法。具体公开了一种大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别方法，是一种零水印方案，水印的嵌入不影响原始的人脸图像。为了实现上述目的，本专利技术是这样进行的:先对人脸图像进行小波变换得到“近似系数”和“细节系数”，根据小波原理可知。“近似系数”代表人脸图像的低频特性，反映的是人脸图像的主要轮廓；“细节系数”代表人脸图像的高频特性，反映的是人脸图像的细节信息。由于小波变换本身的抗几何攻击能力比较差，为此，我们先对人脸图像进行小波变换(DffT)，然后在对反映低频特性的“近似系数”进行全局余弦变换(DCT)，在DCT变换系数中，提取一个特征向量，寻找一个抗遮挡攻击的特征向量，并将水印序列与该特征向量相关联实现水印的嵌入；然后对于待测图像，首先计算出其特征向量，然后计算待测图像和原始图像的特征向量的相关系数，利用相关系数最大值，实现人脸的检测；并实现了水印的提取。现对本专利技术的方法进行详细说明如下:首先选择一个有意义的二值序列作为水印要嵌入人脸图像中，记为W=(w(j) |w(j) = 0，I ;1≤i≤L};同时，选取设F为原始人脸图像，表示:F ={f(i, j) |f(i, j) e R;1≤i≤Ml，I≤j≤NI}。其中，f(i，j)表示原始人脸的像素值。第一部分:水印的嵌入I)通过对每个原始人脸图像F(η)进行小波变换，然后对近似系数进行全局DCT变换，得到原始图像的特征向量集合V(n)；先依次对每个原始人脸图像F(η)进行L级小波分解获得逼近子图系数F\(i，j)。由于小波分解级数越高，占用的分解时间便会越长，因此智能防伪的疏散发耗时会长。在此，我们选用L= I。然后对逼近子图F\(i，j)进行全局DCT变换，得到DWT-DCT系数矩阵FD (i, j)，，在DffT-DCT系数矩阵FD (i, j)中选取前8X8个系数FD8(i, j)，然后再对选取出的系数矩阵FD8(i，j)进行二值化处理，当系数大于或等于零时取1，小于O是取零，得到特征向量V，主要过程描述如下:FAl(i,j) =DWT2(F(i, j))FD8(i,j) =DCT2(FAL(i, j))V(n) = BINARY(FD8(i, j))2)利用密码学HASH函数，生成含水印信息的二值密钥序列Key (η)，实现零水印的嵌入；Key (η) = V (η) ? W (η)这里，1 ^ η?^Ν,Ν为所有人脸的个数；Key(n)是由所有原始图像的特征向量V(n)和对应的数字水印W(η)，通过密码学常用的Hash函数生成；W(n)由长度为64bit的随机序列组成；保存Key (η)，在下面提取水印时要用到；通过将Key (η)作为密钥向第三方申请，以获得人脸图像的使用权和所有权；第二部分:人脸的识别和水印的提取3)求出待测人脸F’的特征向量V’ ；设待测人脸为F’ (i, j)，经过小波变换(DWT)，再对近似系数进行全局DCT变换后得到DWT-DCT系数矩阵为FD’ (i, j)，按上述Stepl的方法，求得待测图像的视觉特征向量V，;FAL’(i，j) = DWT2(F，(i，j))FD8，(i, j) = DCT2(FAl’ (i, j))V’ = BINARY(FD8，(i, j))4)计算待测人脸的特征向量V’与N个原始人脸的V(n)的相关系数NC(η)，进行人脸的识别；求出V’与V (η)的相关系数最大值所对应的η值，设n = k ;根据k值可以得到密钥Key (k)、得到原始人脸图像为F(k)和嵌入在F(k)的水印值W(k);计算特征向量的归一化相关系数公式如下:本文档来自技高网...

【技术保护点】
大数据下基于DWT‑DCT水印的抗遮挡攻击人脸识别方法，其特征在于：先对原始人脸进行小波变换，对近似系数进行DCT变换，在DWT‑DCT系数矩阵中选取前8x8系数作为特征向量，然后将水印信息和特征向量相关联，实现水印的嵌入；然后对于待测人脸，求出其特征向量，在计算出待测人脸与所有人脸特征向量的相关系数，求出相关系数最大值，根据该值得到识别的人脸图像、嵌入的水印；然后再根据待测图像的特征向量，提取出水印，求出水印相关系数；实现数字水印的嵌入与提取和人脸的识别；该专利技术包括水印嵌入和提取两大部分，其中水印的提取时，实现了人脸识别，共计六个步骤：第一部分：水印的嵌入1)通过对每个原始人脸图像F(n)进行小波变换，然后对近似系数进行全局DCT变换，得到原始图像的特征向量集合V(n)；先依次对每个原始人脸图像F(n)进行L级小波分解获得逼近子图系数FAL(i,j)；由于小波分解级数越高，占用的分解时间便会越长，在此，我们选用L＝1，然后对逼近子图FAL(i,j)进行全局DCT变换，得到DWT‑DCT系数矩阵FD(i,j)，，在DWT‑DCT系数矩阵FD(i,j)中选取前8×8个系数FD8(i,j)，然后再对选取出的系数矩阵FD8(i,j)进行二值化处理，当系数大于或等于零时取1，小于0是取零，得到特征向量V,主要过程描述如下：FAL(i,j)＝DWT2(F(i,j))FD8(i,j)＝DCT2(FAL(i,j))V(n)＝BINARY(FD8(i,j))2)利用密码学HASH函数，生成含水印信息的二值密钥序列Key(n)，实现零水印的嵌入；Key(n)＝V(n)⊕W(n)Key(n)是由所有原始图像的特征向量V(n)和对应的n个数字水印W(n)，通过密码学常用的Hash函数生成；这里W(n)由长度为64bit的二值随机序列组成；保存Key(n)，在下面提取水印时要用到；通过将Key(n)作为密钥向第三方申请，以获得人脸图像的使用权和所有权；第二部分：人脸的识别和水印的提取3)求出待测人脸F'的特征向量V'；设待测人脸为F'，经过小波变换(DWT)，再对近似系数进行全局DCT变换后得到DWT‑DCT系数矩阵为FD’(i,j)，按上述1)的方法，求得待测图像的视觉特征向量V’；FAL’(i,j)＝DWT2(F’(i,j))FD8’(i,j)＝DCT2(FAL’(i,j))V'＝BINARY(FD8’(i,j))4)计算待测人脸的特征向量V'与原始人脸的特征向量V(n)的相关系数NC(n)，进行人脸的识别；计算V'与V(n)的相关系数最大值所对应的n值,设n＝k；根据k值可以得到密钥Key(k)、识别出原始人脸图像为F(k)和嵌入在F(k)的水印值W(k),计算特征向量的归一化相关系数公式如下：NC=ΣiV(i)V′ΣiV2(i)]]>5)利用存在于第三方的二值逻辑密钥序列Key(k)和待测人脸的特征向量V’，提取出待测图像中的水印W'；W'＝Key(k)⊕V'6)计算W'和W(k)之间的相关系数；计算提取的水印和嵌入的水印的相关系数,并根据水印判别待测图像的内容。...

【技术特征摘要】
1.大数据下基于DWT-DCT水印的抗遮挡攻击人脸识别方法，其特征在于:先对原始人脸进行小波变换，对近似系数进行DCT变换，在DWT-DCT系数矩阵中选取前8x8系数作为特征向量，然后将水印信息和特征向量相关联，实现水印的嵌入；然后对于待测人脸，求出其特征向量，在计算出待测人脸与所有人脸特征向量的相关系数，求出相关系数最大值，根据该值得到识别的人脸图像、嵌入的水印；然后再根据待测图像的特征向量，提取出水印，求出水印相关系数；实现数字水印的嵌入与提取和人脸的识别；该发明包括水印嵌入和提取两大部分，其中水印的提取时，实现了人脸识别，共计六个步骤: 第一部分:水印的嵌入 1)通过对每个原始人脸图像F(η)进行小波变换，然后对近似系数进行全局DCT变换，得到原始图像的特征向量集合V(n)； 先依次对每个原始人脸图像F(n)进行L级小波分解获得逼近子图系数？\(1，j)；由于小波分解级数越高，占用的分解时间便会越长，在此，我们选用L = 1，然后对逼近子图FAji，j)进行全局DCT变换，得到DWT-DCT系数矩阵FD(i，j)，，在DWT-DCT系数矩阵FD(i, j)中选取前8X8个系数FD8 (i，j)，然后再对选取出的系数矩阵FD8 (i，j)进行二值化处理，当系数大于或等于零时取1，小于O是取零，得到特征向量V，主要过程描述如下:FAl(i，j) = DWT2(F(i, j))FD8(i，j)...

【专利技术属性】
技术研发人员：李京兵，杜文才，魏应彬，沈重，张永辉，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南;66