用于生物特征识别的方法、装置、系统及电子设备制造方法及图纸

本说明书实施例提供一种用于隐私保护的生物特征识别的方法、装置、系统及电子设备，所述方法的一具体实施方式包括：获取目标生物特征所对应的初始图像；利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像，所述目标图像用于生物特征识别；其中，所述卷积图像与所述初始图像之间的距离值大于第一阈值；所述目标图像与所述初始图像之间的距离值小于第二阈值。

【技术实现步骤摘要】
用于生物特征识别的方法、装置、系统及电子设备
本说明书一个或多个实施例涉及生物特征识别
，特别涉及一种用于生物特征识别的方法、装置、系统及电子设备。
技术介绍
随着互联网技术的不断发展，生物特征识别技术得到了越来越广泛的应用，例如，生物特征识别技术可以应用于网上支付、设备解锁以及门禁等。然而，在生物特征识别技术的应用中，尤其是在远程生物特征的注册和识别的过程中，很容易将用户的生物特征信息泄露出去，从而带来了很多的安全隐患。因此，对生物特征信息的保护变得尤为重要。
技术实现思路
为了解决上述技术问题之一，本说明书一个或多个实施例提供一种用于生物特征识别的方法、装置、系统及电子设备。根据第一方面，提供一种用于生物特征识别的方法，包括：获取目标生物特征所对应的初始图像；利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目本文档来自技高网...

【技术保护点】
1.一种用于生物特征识别的方法，应用于采集端，所述方法包括：/n获取目标生物特征所对应的初始图像；/n利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；/n将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。/n

【技术特征摘要】
1.一种用于生物特征识别的方法，应用于采集端，所述方法包括：
获取目标生物特征所对应的初始图像；
利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。


2.根据权利要求1所述的方法，其中，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。


3.根据权利要求1所述的方法，其中，通过如下方式训练所述目标卷积神经网络和所述目标反卷积神经网络：
获取所述目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，直至满足停止条件，分别将迭代更新后的卷积神经网络和反卷积网络作为目标卷积神经网络和目标反卷积神经网络；所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的距离值负相关，与所述当前样本图像和当前样本还原图像之间的距离值的正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络。


4.根据权利要求1-3中任一所述的方法，其中，所述距离值包括以下任意一项：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。


5.一种用于生物特征识别的方法，应用于识别端，所述方法包括：
接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的初始图像进行卷积处理得到的；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。


6.根据权利要求5所述的方法，其中，所述方法还包括：
将所述目标图像存入用于生物特征识别的目标特征库；或者
基于所述目标图像与预先创建的目标特征库，进行生物特征识别。


7.一种用于隐私保护的生物特征识别的方法，应用于采集端，所述方法包括：
获取目标生物特征所对应的隐私图像；
利用目标卷积神经网络对所述隐私图像进行卷积处理，得到卷积图像；所述卷积图像与所述隐私图像之间的距离值大于第一阈值；
将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述隐私图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。


8.一种用于隐私保护的生物特征识别的方法，应用于识别端，所述方法包括：
接收采集端传输的卷积图像，所述卷积图像是所述采集端，利用目标卷积神经网络对目标生物特征所对应的隐私图像进行卷积处理得到的；所述卷积图像与所述隐私图像之间的距离值大于第一阈值；
利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述隐私图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。


9.一种神经网络的训练方法，所述神经网络包括卷积神经网络和反卷积神经网络，所述方法包括：
获取目标生物特征对应的样本集，所述样本集包括多个样本图像；
基于所述样本集，迭代执行对待训练的卷积神经网络和反卷积神经网络的更新操作，所述更新操作包括：
从所述样本集中取出当前样本图像输入至当前的卷积神经网络，得到当前样本卷积图像；
将所述当前样本卷积图像输入至当前的反卷积神经网络，得到当前样本还原图像；
基于所述当前样本图像、所述当前样本卷积图像和当前样本还原图像，确定预测损失，所述预测损失与所述当前样本图像和当前样本卷积图像之间的第一距离值负相关，与所述当前样本图像和当前样本还原图像之间的第二距离值正相关；
以减小所述预测损失为目标，更新当前的卷积神经网络和当前的反卷积神经网络，直至满足停止条件；
将迭代更新后的卷积神经网络确定为目标卷积神经网络，用于部署到所述目标生物特征的采集端；将迭代更新后的反卷积神经网络确定为目标反卷积神经网络，用于部署到所述目标生物特征的识别端。


10.根据权利要求9所述的方法，其中，所述停止条件包括：
所述预测损失收敛；或者
迭代执行所述更新操作的次数达到预设次数；或者
所述第一距离值大于第一阈值，并且所述第二距离值小于第二阈值。


11.根据权利要求9所述的方法，其中，所述目标生物特征包括以下任意一项或多项：
人脸特征，眼部特征，声纹特征，指纹特征，掌纹特征，心跳特征，脉搏特征，静脉特征以及人牙咬痕特征。


12.根据权利要求9所述的方法，其中，所述第一距离值和第二距离值为以下任意一种距离值：
欧式距离值，余弦距离值，曼哈顿距离值，切比雪夫距离值以及汉明距离值。


13.根据权利要求9所述的方法，其中，所述方法通过所述识别端执行。


14.一种用于生物特征识别的装置，应用于采集端，所述装置包括：
获取模块，用于获取目标生物特征所对应的初始图像；
处理模块，用于利用目标卷积神经网络对所述初始图像进行卷积处理，得到卷积图像；所述卷积图像与所述初始图像之间的距离值大于第一阈值；
传输模块，用于将所述卷积图像传输至识别端，以使所述识别端利用目标反卷积神经网络对所述卷积图像进行反卷积处理，得到目标图像；所述目标图像与所述初始图像之间的距离值小于第二阈值；所述目标图像用于生物特征识别。


15.根...

【专利技术属性】
技术研发人员：曹佳炯，丁菁汀，李亮，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33