【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；p>
5、将镶嵌图像和目标第二图像特征进行拼接，通过预训练的第一生成器处理镶嵌图像和目标第二图像特征的拼接结果生成加密图像，所形成的加密图像的对象类型为b；
6、将所述加密图像和所述目标第一图像特征结合传输，以实现电子印章的加密传输；
7、解密时，加密图像和所述目标第一图像特征拼接，通过预训练的第二生成器处理加密图像和第一图像特征的拼接结果还原出镶嵌图像，从所述镶嵌图像中提取电子印章图像和电子印章图像溯源二维码。
8、更进一步地，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；
9、所述残差卷积神经网络包括：堆叠的残差卷积块，残差卷积块包括卷积层、激活函数、归一化层和连接输入和输出跳连，以将输入和输出结合，最后残差卷积块连接全连接层；训练所述残差卷积神经网络时，提供包含对象类型为a和对象类型为b的图像数据集，通过交叉熵损失函数训练所述残差卷积神经网络识别图像数据集中对象的类别；
10、提供包含对象类型为a和对象类型为b的图像数据集和语义分割标签，训练所述unet语义分割模型对对象a或对象b进行语义分割，unet编码器同样输出浅层、中层和深层特征，输出特征经扩张卷积处理成与输入图像大小一致后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；
11、提供包含对象类型为a和对象类型为b的图像数据集和语义分割标签，训练所yolo模型对对象a或对象b进行检测识别，骨干编码网络同样输出浅层、中层和深层特征，输出特征经扩张卷积处理成与输入图像大小一致后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。
12、更进一步地，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。
13、更进一步地，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。
14、更进一步地，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；
15、从第二图像集中随机选出一目标第二图像，从第一图像集中随机选出一目标第一图像，扩充第一图像集中的目标第一图像数量，使得非目标第一图像和目标第一图像数量一致；
16、通过预训练的残差卷积神经网络处理第一图像集和第二图像集的每一对象分别获取相应的第一图像特征集和第二图像特征集；
17、从第一图像集随机选取第一图像，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后嵌入选出的第一图像中形成镶嵌图像；
18、将镶嵌图像和目标第二图像特征进行拼接输入第一生成器，所述第一生成器生成训练加密图像，将训练加密图像和第一图像的第一图像特征拼接，输入到第二生成器，所述第二生成器生成训练镶嵌图像；
19、所述第一判别器在训练过程中判别第一生成器所生成的训练加密图像的对象与目标第二图像的对象是否属于类型b，所述第二判别器判别第二生成器还原出的训练镶嵌图像的对象与选出的第一图像的对象是否属于类型b；
20、约束输入镶嵌图像和还原的训练镶嵌图像的l2损失，以使输入镶嵌图像和还原的训练镶嵌图像一致；将第二生成器基于第一生成器输出生成的训练镶嵌图像结合目标第二图像特征输入到第一生成器，生成的训练加密图像，约束第二生成器生成的两个训练加密图像的l2损失，以使两者一致。
21、更进一步地，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：
22、将目标第二图像和选出的第一图像输入到残差卷积神经网络进行分类处理；
23、将第二生成器基于第一生成器输出生成的训练镶嵌图像输入到残差卷积神经网络进行分类处理；
24、将第二生成器基于第一生成器输出生成的训练镶嵌图像结合目标第二图像特征输入到第一生成器，生成的训练加密图像，并输入到残差卷积神经网络进行分类处理；
25、将残差卷积神经网络的浅层、中层和深层残差卷积块提取的目标第二图像、训练加密图像的特征差，残差卷积神经网络的浅层、中层和深层残差卷积块提取的选出的第一图像和训练镶嵌图像的特征差累加，约束累加和为零。
26、更进一步地，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。
27、更进一步地，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。
28、第二方面，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本文档来自技高网...
【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。