一种基于深度神经网络编码的指静脉生物密钥生成方法技术

本发明专利技术公开一种基于深度神经网络编码的指静脉生物密钥生成方法。利用经典指静脉图像处理方法与指静脉原图的深度神经网络处理方法相结合，与现有经典的指静脉特征点提取方法比较，可以更为精准地提取同枚指静脉不同样本的稳定特征分量，并通过深度神经网络的层层处理，进一步稳定特征于特征值，最后通过指静脉模糊提取器，实现正常指静脉图像高强度密钥序列生成，所生成的指静脉生物密钥长度可大于256bit。本发明专利技术不存在需记录的生物特征模板信息，大大降低了隐私泄露的风险，同时用户无需高强度的记忆即可生成高安全性的密钥，该密钥可用于现有的公私钥、对称加密等操作，提高了指静脉生物特征使用的安全性和灵活性。指静脉生物特征使用的安全性和灵活性。指静脉生物特征使用的安全性和灵活性。

【技术实现步骤摘要】
一种基于深度神经网络编码的指静脉生物密钥生成方法


[0001]本专利技术属于信息安全
，具体涉及一种从人类指静脉图像中经由深度神经网络编码生成生物密钥的方法。生成的密钥即可用于身份认证，也可用于加密运算，可以理解为网络安全中泛在加密技术的一种。

技术介绍

[0002]手指静脉识别较其它生物特征具有较强的普遍性和惟一性，活体辨识，手指表面皮肤条件不影响识别工作，非接触性采集等优势，在本地身份认证领域，正逐渐受到重视。指静脉识别与传统的生物特征识别技术框架类似，均采用首先获取生物信息图像，指静脉识别一般用红外成像技术获取指静脉图像；然后从生物信息图像中提取生物特征，生成生物特征模板，存储在认证端；当用户需要进行身份认证时，再次采集生物信息图像，提取生物特征，与存储的生物特征模板进行比对，一致则认证通过，不一致则认证失败。
[0003]随着网络安全、隐私保护技术的发展，在本地安全域或服务器端存储生物特征模板用于身份认证的方式，被认为存在隐私安全问题，因为用户生物特征信息一般来说伴随一生，一旦泄露，后续继续使用会有巨大安全隐患。此类问题局本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于该方法包括以下步骤：步骤(1)、对同一枚指静脉进行多次样本采集，获得指静脉灰度图像；将上述指静脉灰度图像统一缩放到某一固定像素大小，记为指静脉图像1；步骤(2)、对指静脉图像1进行第1阶段预处理，获得指静脉图像2；步骤(3)、对指静脉图像进行第2阶段预处理，即特征扩展操作，获得指静脉图像4：将同一枚指静脉的多个样本获得的指静脉图像4组成一类，打上该枚指静脉的标签，存入训练样本集合L1；取多枚指静脉的多个样本，重复以上操作，当指静脉类别数大于预设阈值C1时，训练集合L1构建完毕；步骤(4)、构造指静脉深度神经网络，并利用训练样本进行训练所述的指静脉深度神经网络包括串联的指静脉稳定特征提取器、指静脉生物密钥稳定器、指静脉生物密钥提取器；4
‑
1构造指静脉稳定特征提取器M1，其输入为指静脉图像4，输出为指静脉图像5；指静脉稳定特征提取器M1由深度神经网络学习模型、指静脉稳定特征选择器组成；所述的指静脉稳定特征选择器用于从深度神经网络学习模型中提取最后一层输出的所有特征图，选出取值更趋稳定的特征点，拼接为一张输出特征图；4
‑
2构造指静脉生物密钥稳定器M2，其输入为指静脉稳定特征提取器M1输出的指静脉图像5，输出为指静脉生物特征序列L4；4
‑
3构造指静脉生物密钥提取器M3，其输入为指静脉生物密钥稳定器M2输出的指静脉生物特征序列L4，输出为指静脉生物密钥；步骤(5)、利用训练好的指静脉深度神经网络，以实现指静脉生物密钥生成。2.根据权利要求1所述的一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于步骤(2)第1阶段预处理包括灰度归一化、方向滤波增强、平滑、细化等。3.根据权利要求1所述的一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于步骤(3)是将经步骤(2)处理获得的指静脉图像2进行Gabor滤波，获得指静脉图像3；将指静脉图像1、2、3通过R、G、B三通道合成为一张彩色图像，或者图像1、2、3的任意线性组合拼接为一张图像，获得指静脉图像4。4.根据权利要求1所述的一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于所述的指静脉稳定特征提取器M1中深度神经网络学习模型采用ResNet或DenseNet模型，在模型经训练集L1训练稳定后，移除全连接层，用指静脉稳定特征选择器替换全连接层。5.根据权利要求1或4所述的一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于指静脉稳定特征提取器M1中深度神经网络学习模型输出的所有特征图组成集合X，其中图片集为X＝(X1，X2，...，X
i
，...，X
n1
)，X
i
为单张输出特征图，n1为输出特征图的数
量，所有图片大小均相同；像素点集p
i，j
表示第i张特征图中第j个位置的单个像素点，每张特征图有m1个像素点，共n1
×
m1个像素点；然后指静脉稳定特征选择器从像素点集P中选出取值更趋稳定的像素点集P
′
，由像素点集P
′
整理为指静脉图像5；所述指静脉稳定特征选择器从像素点集P中选出取值更趋稳定的像素点集P
′
具体是：a)根据公式(1)获得特征图X
i
在j位置处的像素值p
i，j
的绝对误差R(p
i，j
)；如果R(p
i，j
)＜Δ1则将像素位置(i，j)存入队列；如果R(p
i，j
)≥Δ1则继续判断像素位置(i，j)是否已存在于队列中；若存在于队列中则执行步骤b)；若不存在于队列中，则将像素位置(i，j)加入队列，并计算队列中所有像素点值的方差δ；若δ≥Δ2，则将像素位置(i，j)从队列中删除，执行步骤b)；若δ＜Δ2则保留像素位置(i，j)，执行步骤b)；b)继续遍历i、j，选择一个新的像素点位置，返回步骤a)；直至i＝n1，j＝m1时迭代结束，将队列中存放的所有像素位置对应的像素点组成像素点集P
′
；其中为像素点集P中j列的所有像素点的均值，p
i，j
表示特征图X
i
在j位置处的像素值，Δ1、Δ2均为人为定义的阈值。6.根据权利要求1所述的一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于指静脉生物密钥稳定器M2以现有的具备编码
‑
解码以及跳跃连接结构特点的Unet网络模型为基础，模型的基本构造为多层编码
‑
解码模块的堆叠，编码采用卷积加下采样操作，解码采用上采样加卷积操作。7.根据权利要求6所述的一种基于深度神经网络编码的指静脉生物密钥生成方法，其特征在于Unet网络的跳跃连接处嵌入Atte
‑
GRU网络结构；注意力门控单元(Atte
‑
GRU)网络用来控制流经该网络的原始数据保留程度；Atte
‑
GRU包括注意力门、重置门和更新门，注意力门对原始数据按照重要程度打分，重置门和更新门控制数据的保留程度；原始数据作为注意力门的输入，注意力门的输出与原始数据拼接后作为重置门和更新门的输入；重置门输出分别将原始数据与注意力门输出重置，重置后的数据与更新门输出共同作为更新过程的输入，更新过程的输出即原始数据流经At...

【专利技术属性】
技术研发人员：吴震东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：