【技术实现步骤摘要】
一种针对生物纹理特征识别算法安全性测试的重构方法及其应用
[0001]本申请涉及生物特征识别
，具体涉及一种针对生物纹理特征识别算法安全性测试的重构方法及其应用
。
技术介绍
[0002]生物特征识别是基于人类的生理特征或行为特征对个体进行识别认证的一种技术，其中生理特征包括虹膜
、
人脸
、
手部静脉
、
指纹和掌纹等，而行为特征包括步态
、
声音
、
姿势等个体行为
。
它相较于传统的密码认证系统有着用户友好，便捷等优势，在电子支付
、
安全系统
、
身份识别等方面得到了广泛应用
。
随着生物特征识别的应用普及，其安全性方面也开始逐渐受到人们的关注
。
值得注意的是，生理特征中虹膜，手部静脉，指纹和掌纹等都是纹理特征模态
。
[0003]生物特征的识别方法在通常包括利用设计的算法编码的方法以及基于深度学习的方法
。
利...
【技术保护点】
【技术特征摘要】
1.
一种针对生物纹理特征识别算法安全性测试的重构方法，其特征在于，包括如下步骤：
S101
：构建图像数据集，将所述图像数据集划分为测试集和训练集；
S102
：构建图像重构模型
ProGAN
，所述图像重构模型
ProGAN
为对抗生成网络，包括生成器和判别器，生成器用于将输入的特征向量输出为重构图像，判别器用于将生成器输出的重构图像与真实图像进行对比，输出判断重构图像真假的判断分数；所述生成器包括初始化生成器模块
、
至少一个标准生成器模块和
RGB
层，所述初始化生成器模块包括转置卷积层，卷积层和
Dropout 2D
层；所述标准生成器模块包括插值上采样层和两层卷积层，两层卷积层之间还设置有
Dropout 2D
层；所述判别器包括
RGB
层
、
至少一个标准判别器模块和条件判别器模块，所述标准判别器模块包括两个卷积层和
2D
平均池化层，所述条件判别器模块包括最小批处理层，三层卷积层和映射条件层；
S103
：通过对抗损失
、
像素损失
、
结构损失和纹理损失构建图像重构模型
ProGAN
的目标函数，其中，以生成器的基础对抗损失
、
像素损失
、
结构损失和纹理损失的综总和作为图像重构模型
ProGAN
中生成器的目标函数，以判别器的基础对抗损失图像重构模型
ProGAN
中判别器的目标函数；在计算纹理损失时，通过尺度自适应多纹理互补方法保证重构图与原始图在纹理上相似，并通过尺度自适应卷积核适应不同图像分辨率下的纹理特征损失；
S104
：对构建好的图像重构模型
ProGAN
采用双重复用训练策略进行两个阶段的训练，第一阶段采用随机生成的隐向量输入图像重构模型
ProGAN
进行训练，得到第一阶段的生成器参数和隐向量重构生成对应的假图像；第二阶段将假图像和训练集中的真图像输入到生物特征识别算法的特征提取器中提取出对应的假特征向量和真特征向量，采用第一阶段的生成器参数对第二阶段的生成器进行初始化，并将所述真特征向量和假特征向量输入到第二阶段的生成器中进行训练，完成图像重构模型
ProGAN
的训练过程；训练完毕后使用训练集对图像重构模型
ProGAN
进行测试；
S105
：采用训练完毕的图像重构模型
ProGAN
进行图像重构
。2.
根据权利要求1所述的一种针对生物纹理特征识别算法安全性测试的重构方法，其特征在于，在构建图像重构模型
ProGAN
时，在所述初始化生成器模块和标准生成器模块的卷积层后均增加批归一化操作
。3.
根据权利要求1所述的一种针对生物纹理特征识别算法安全性测试的重构方法，其特征在于，所述对抗损失的计算公式为：特征在于，所述对抗损失的计算公式为：其中，表示判别器的基础对抗损失，表示生成器的基础对抗损失，表示真实图像的分布，
C(x
r
)
表示真图像在判别器的输出，表示假图像的分布，
C(x
f
)
表示假图像在判别器的输出，
x
r
表示真图像，
x
f
表示假图像
。4.
根据权利要求1所述的一种针对生物纹理特征识别算法安全性测试的重构方法，其
特征在于，所述像素损失的计算公式为：其中，表示像素损失，
C
表示图像通道数，
H
表示图像高度，
W
表示图像宽度，表示假图像上第
i
个通道
、
第
h
行
、
第
w
列的像素点的像素值，表示真图像上第
i
个通道
、
第
h
行
、
第
w
列的像素点的像素值
。5.
根据权利要求1所述的一种针对生物纹理特征识别算法安全性测试的重构方法，其特征在于，结构损失的计算公式为：特征在于，结构损失的计算公式为：其中，表示结构损失，
SSIM(x
f
,x
r
)
表示真图像和假图像的结构相似性，
μ
F
表示真图像的均值，...
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。