System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电子印章加解密,尤其涉及一种基于深度学习的电子印章加解密方法、装置及介质。
技术介绍
1、电子印章技术通过数字技术模拟传统实物印章,加盖电子印章的电子文件具有与加盖实物印章的纸张文件相同的外观和效应。
2、对实物印章进行数字化后,能够节约成本,更加高效便捷;但是与此同时,由于电子印章网络传输过程中,被外部拦截获取,使得电子印章流出,安全性降低,容易导致重要的电子印章被复制滥用,进而造成电子印章所属公司的财产损失和公信力下降。现有技术中,有结合混沌系统对数字图像进行加密的方式,包括图像置乱和图像扩散过程,图像置乱是将图像的像素值排列顺序打乱,打乱后再通过图像扩散过程改变像素值,增强图像安全性和隐蔽性,这种方式加密后的图像呈混乱状态,缺乏迷惑性,且用公知的置乱和图像扩散算法实现图像加密,可能遍历置乱参数破解。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题,本专利技术提供一种基于深度学习的电子印章加解密方法、装置及介质。
2、第一方面,本专利技术提供一种基于深度学习的电子印章加解密方法,包括:
3、获取电子印章图像和电子印章图像溯源二维码,将电子印章图像和电子印章图像溯源二维码结合并嵌入目标第一图像中形成镶嵌图像,其中目标第一图像的对象类型为a;
4、通过预训练的特征提取神经网络处理目标第一图像和目标第二图像分别获取解密用的目标第一图像特征和加密用的目标第二图像特征,其中目标第二图像的对象类型为b;
...【技术保护点】
1.一种基于深度学习的电子印章加解密方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,特征提取神经网络采用下面任一一种,包括:残差卷积神经网络,Unet语义分割模型的Unet编码器和扩张卷积,YOLO模型的骨干编码网络和扩张卷积;
3.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,通过预训练的特征提取神经网络处理目标第一图像和目标第二图像分别获取解密用的目标第一图像特征和加密用的目标第二图像特征包括:从特征提取神经网络中选出浅层、中层和深层特征输出层,取浅层、中层和深层特征输出层的提取特征分别作为目标第一图像特征或目标第二图像特征三个通道中的一个通道。
4.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,所述第一生成器和第二生成器的结构一致,均包括编码器、残差卷积颈和解码器;其中所述编码器采用降维的卷积神经网络,所述解码器采用升维的卷积神经网络,所述残差卷积颈连接编码器输出和解码器输入。
5.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特
6.根据权利要求5所述的基于深度学习的电子印章加解密方法,其特征在于,训练所述第一生成器和所述第二生成器时,结合残差卷积神经网络进行训练,包括:
7.根据权利要求5所述的基于深度学习的电子印章加解密方法,其特征在于,所述第一判别器和所述第二判别器的结构一致,为卷积神经网络,所述第一判别器和所述第二判别器通过卷积将输入图像特征展开,最后将展开特征通过卷积加权为一个分类权重,根据所述分类权重判别输入图像的类型。
8.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,所述电子印章图像溯源二维码记录电子图章应用的项目,电子图章应用的时间,电子图章授权方,电子图章被授权方。
9.一种基于深度学习的电子印章加解密装置,其特征在于,包括:发送端和接收端,其中发送端和接收端均包括经总线互联的处理单元、存储单元和通讯接口,发送端和接收端的通讯接口相连,其中,所述存储单元存储计算机程序,所述处理单元读取并执行所述计算机程序时,实现如权利要求1-8任一所述的基于深度学习的电子印章加解密方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令被处理器执行时实现如权利要求1-8任一所述的基于深度学习的电子印章加解密方法。
...【技术特征摘要】
1.一种基于深度学习的电子印章加解密方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,特征提取神经网络采用下面任一一种,包括:残差卷积神经网络,unet语义分割模型的unet编码器和扩张卷积,yolo模型的骨干编码网络和扩张卷积;
3.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,通过预训练的特征提取神经网络处理目标第一图像和目标第二图像分别获取解密用的目标第一图像特征和加密用的目标第二图像特征包括:从特征提取神经网络中选出浅层、中层和深层特征输出层,取浅层、中层和深层特征输出层的提取特征分别作为目标第一图像特征或目标第二图像特征三个通道中的一个通道。
4.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,所述第一生成器和第二生成器的结构一致,均包括编码器、残差卷积颈和解码器;其中所述编码器采用降维的卷积神经网络,所述解码器采用升维的卷积神经网络,所述残差卷积颈连接编码器输出和解码器输入。
5.根据权利要求1所述的基于深度学习的电子印章加解密方法,其特征在于,训练所述第一生成器和所述第二生成器时,构建包含a类对象的第一图像集和包含b类对象的第二图像集,创建第一判别器和第二判别器;
【专利技术属性】
技术研发人员:韩晓光,时磊,王阳,张广涛,刘申,张磊,牟泽刚,吴昊,张帆,王成龙,秦晓燕,姚杨,秦萍,黄莉莎,郭丁鸣,程安娜,
申请(专利权)人:国网山东省电力公司济南供电公司,
类型:发明
国别省市:
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。