【技术实现步骤摘要】
一种基于竞争与协作机制的高抗哄骗多模态身份验证方法
本专利技术属于生物特征身份验证领域，主要涉及模式识别技术，具体涉及一种基于竞争与协作机制的高抗哄骗多模态身份验证方法。
技术介绍
哄骗攻击在传感器端使用伪造的生物特征，如硅胶指纹、人脸照片、视频、3D面罩或头部模型等，来欺骗生物特征身份验证系统。单模态身份验证系统如果不能有效检验所采集生物特征信息来自伪造对象，那么被破解的可能性非常高。多模态生物特征识别因需要用户输入多种类型的生物特征，而常被认为具有高安全性。但是近年研究表明，当用户的某一或某几种生物特征被伪造并用于哄骗攻击时，多模态系统被成功欺骗的可能性依然很高。为提高多模态验证系统的抗哄骗能力，有的将每种模态受哄骗攻击的可能性及哄骗的难度等先验知识用来估计正、负样本的分布情况；有的将每种模态样本的质量信息与匹配度结合进行多模态身份验证；有的则依赖活体检测来确定生物特征信息是否来自非生命体。这三种类型方法虽可一定程度上提高多模态验证系统的抗哄骗性能，但是缺点也非常明显。第一类方法所依赖的先验知识是难以准确估计的，...
【技术保护点】
1.一种基于竞争与协作机制的高抗哄骗多模态身份验证方法，其特征在于，包括如下步骤：/nS1对每一模态生物特征，根据使用者所输入用户身份确定目标类，使用目标类与竞争类的特征模板构建验证字典，对输入样本特征进行稀疏表示，然后计算输入样本与目标类的匹配度和相关度；/nS2评价各模态输入样本的质量，并据此计算自适应编码权重；/nS3对输入样本特征进行多模态自适应联合稀疏表示，计算多模态匹配度和相关度；/nS4将多模态和各模态的匹配度和相关度级联成多模态匹配向量，输入分类器进行身份验证，在系统部署前，使用多模态匹配向量正样本、普通负样本和哄骗样本集一起训练分类器，使其同时具备辨识普通...
【技术特征摘要】
1.一种基于竞争与协作机制的高抗哄骗多模态身份验证方法，其特征在于，包括如下步骤：
S1对每一模态生物特征，根据使用者所输入用户身份确定目标类，使用目标类与竞争类的特征模板构建验证字典，对输入样本特征进行稀疏表示，然后计算输入样本与目标类的匹配度和相关度；
S2评价各模态输入样本的质量，并据此计算自适应编码权重；
S3对输入样本特征进行多模态自适应联合稀疏表示，计算多模态匹配度和相关度；
S4将多模态和各模态的匹配度和相关度级联成多模态匹配向量，输入分类器进行身份验证，在系统部署前，使用多模态匹配向量正样本、普通负样本和哄骗样本集一起训练分类器，使其同时具备辨识普通负样本和哄骗样本的能力。
2.根据权利要求1所述的一种基于竞争与协作机制的高抗哄骗多模态身份验证方法，其特征在于，S1具体包括如下步骤：
(1)对于模态m∈[1,M]，M表示多模态系统所采用的生物特征类型种类，令和分别表示目标类的样本集和相应的特征模板集，它们的每一列分别是一个样本数据向量和样本的特征向量，再令和分别表示所有K-1个竞争类的样本集和相应特征模板集，使用目标类和竞争类的特征模板集构建验证字典假设ym和dm分别为输入样本和样本的特征，通过求解稀疏优化问题：其中λ>0，为稀疏正则项的权重，得到编码向量
(2)根据编码稀疏性和对输入样本特征的重构精度具有互补性的特点，计算模态m的输入样本与目标类的匹配度：其中函数表示选择与验证字典中目标类特征模板对应的编码系数，ρ为一调节因子，设置为3到8之间，ε设置为0.0001以防止分母为零；
(3)因为竞争类及其特征模板是保密的，将目标类与竞争类的特征模板对输入样本特征的协作表示精度作为输入样本与目标类的相关度：
(4)采用步骤(2)的匹配度计算方法计算剩余模态的输入样本与目标类的匹配度，采用步骤(3)的相关度计算方法计算剩余模态的输入样本与目标类的相关度。
3.根据权利要求2所述的一种基于竞争与协作机制的高抗哄骗多模态身份验证方法，其特征在于，S2具体包括如下步骤：
(A)对于模态m∈[1,M]，使用目标类和竞争类的样本模板集构建字典根据S1中所得编码向量计算模态m输入样本的表示误差：采用同样方法计...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。