現(xiàn)代信息社會的身份認證系統(tǒng)已經(jīng)逐漸趨向于基于生物特征的身份認證。其中的人臉特征由于具有不易偽造和不被遺忘的特性,而被廣泛用于身份識別。人臉模板保護技術的目標是結合生物度量與信息安全技術,提供一個能夠保證人臉特征安全的有效解決辦法。傳統(tǒng)的人臉認證系統(tǒng)直接將原始的人臉數(shù)據(jù)存儲在數(shù)據(jù)庫中,很容易造成丟失或者被竊取。一旦發(fā)生用戶人臉特征信息泄露,該用戶可能面臨巨大的風險和不可估量的損失,因此人臉模板的保護問題亟待解決。然而現(xiàn)有的模板保護技術難以抵抗類內差異的影響,與普通識別技術的準確率仍有差距�；蚴峭ㄟ^輔助數(shù)據(jù)保護原始生物特征,其中的輔助數(shù)據(jù)存在一定的安全隱患。除此之外,當有新人臉識別用戶加入時,訓練的模型將不能用于識別新的用戶。若采用全部樣本重新進行訓練會導致資源和時間的大量浪費,很難滿足實際需求。為解決這些問題,本文展開了深入的研究,主要研究工作如下:1)針對現(xiàn)有模板保護技術的識別率有待提高和人臉模板安全性亟需完善的問題,本文提出了基于深度糾錯碼學習的人臉模板保護方案。該方案通過生成隨機的二進制序列標識每個用戶,并且將其經(jīng)過哈希處理后的序列作為安全的人臉模板用于匹配和存儲。訓練階段,對二進...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
主要符號目錄
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀分析
        1.2.1 基于特征轉換的模板保護
        1.2.2 基于生物加密的模板保護
        1.2.3 基于同態(tài)加密的模板保護
        1.2.4 基于深度學習的模板保護
    1.3 主要挑戰(zhàn)
        1.3.1 模板安全性問題及識別準確率低
        1.3.2 新增用戶識別問題
    1.4 本文主要研究內容及結構安排
        1.4.1 主要研究內容
        1.4.2 結構安排
第2章 模板保護與增量學習
    2.1 基于卷積神經(jīng)網(wǎng)絡的魯棒映射
    2.2 基于糾錯碼的特征轉換
    2.3 基于增量學習的網(wǎng)絡更新
    2.4 數(shù)據(jù)集與評價標準
        2.4.1 數(shù)據(jù)集
        2.4.2 評價標準
    2.5 本章小結
第3章 基于深度糾錯碼學習的人臉模板保護
    3.1 基于深度LDPC編碼學習的模板保護
        3.1.1 數(shù)據(jù)集預處理
        3.1.2 多標簽學習
        3.1.3 LDPC編碼與解碼
        3.1.4 人臉保護模板
    3.2 實驗結果與討論
        3.2.1 實驗配置
        3.2.2 基于Extended Yale B實驗
        3.2.3 基于PIE實驗
        3.2.4 基于FAR=1%的GAR比較
    3.3 安全分析
        3.3.1 用戶入口攻擊
        3.3.2 數(shù)據(jù)泄露攻擊
    3.4 本章小結
第4章 基于增量學習的人臉模板保護
    4.1 基于增量學習的人臉模板保護
        4.1.1 數(shù)據(jù)集預處理
        4.1.2 代表性樣例集
        4.1.3 增量訓練
    4.2 實驗結果與討論
        4.2.1 實驗配置
        4.2.2 基于增長代表性樣例集實驗
        4.2.3 基于固定代表性樣例集實驗
    4.3 本章小結
第5章 總結與展望
    5.1 本文工作總結
    5.2 下一步工作展望
致謝
參考文獻
攻讀碩士學位期間主要的工作



本文編號：3830846