基于生成对抗网络的智能门锁防攻击生物特征识别方法与流程

摘要: 本技术涉及智能门锁,具体涉及基于生成对抗网络的智能门锁防攻击生物特征识别方法。背景技术:1、在现有智能门锁系统中,生物特征识别技术(如指纹识别)广泛应用于身份验...
基于生成对抗网络的智能门锁防攻击生物特征识别方法与流程

本技术涉及智能门锁,具体涉及基于生成对抗网络的智能门锁防攻击生物特征识别方法。

背景技术:

1、在现有智能门锁系统中,生物特征识别技术(如指纹识别)广泛应用于身份验证,但其性能易受到物理遮挡因素的影响,例如污渍、汗液等导致的局部纹理失真,从而引发误识问题。传统的卷积神经网络(cnn)在处理此类干扰时存在一定的局限性,难以有效区分正常特征与由外部因素引起的纹理扰动。生成对抗网络(gan)在图像生成和增强方面表现出色,但其与cnn骨架网络的结合尚未有效解决因局部纹理异常而导致的识别精度下降问题。

技术实现思路

1、有鉴于此,本公开实施例提供了基于生成对抗网络的智能门锁防攻击生物特征识别方法,至少部分解决现有技术中存在的问题。

2、基于生成对抗网络的智能门锁防攻击生物特征识别方法,包括:

3、采集用户生物特征图像并输入至生成对抗网络的生成器中进行纹理扰动增强;

4、基于生成对抗网络的判别器中间层输出的纹理扰动敏感度热图,对cnn骨干网第3至5残差块的droppath丢弃概率进行分层调控;

5、利用经过分层调控的cnn骨干网对增强后的生物特征图像进行特征提取与身份验证;

6、根据验证结果触发智能门锁开锁动作或防御响应;

7、所述基于生成对抗网络的判别器中间层输出的纹理扰动敏感度热图对cnn骨干网第3至5残差块的droppath丢弃概率进行分层调控,包括:

8、根据所述判别器中间层输出的敏感度热图,计算一个用于表征纹理扰动程度的全局扰动因子;

9、将所述全局扰动因子分别输入至与第3、第4、第5残差块对应的映射函数中,生成对应于各残差块的权重因子;

10、对于第i个残差块,通过公式p_i=p0_i×(1+w_i)计算其动态丢弃概率,其中,p0_i为该残差块的预设基础丢弃概率,w_i为对应于该残差块的权重因子;

11、按照计算出的动态丢弃概率p_i,对每个残差块独立执行droppath操作。

12、优选的,所述计算一个用于表征纹理扰动程度的全局扰动因子,包括:

13、获取判别器中间层输出的敏感度热图;

14、计算所述敏感度热图中所有像素点的梯度幅值;

15、取所述敏感度热图中心区域内的梯度幅值总和,再除以该中心区域的像素点总数,得到平均梯度幅值,并将其作为所述全局扰动因子δg;

16、所述全局扰动因子的计算公式为:δg=(1/n)×∑_{j∈roi}||g_j||,其中,roi为热图的预设中心区域,n为roi内的像素点总数,g_j为roi内像素点j处的梯度向量,||·||表示取梯度幅值。

17、优选的,所述映射函数的设计依据于判别器敏感度热图中的高敏感区域的空间分布比例,具体包括:

18、定义热图中高敏感区域的比例r_high=a_high/a_total,其中a_high为热图中梯度幅值超过预设阈值的像素点构成的区域面积,a_total为热图总面积;

19、所述映射函数是一个与r_high正相关的连续非递减函数,使得当r_high越大时,生成的权重因子w_i越大;

20、其中,不同残差块的映射函数具有不同的斜率或偏置,以使得在相同的r_high下,为更深层的残差块生成相对更大的权重因子。

21、优选的,所述分层调控策略进一步包括:

22、获取判别器输出的原始敏感度热图s_input;

23、对s_input进行归一化处理,得到归一化热图s_normalized=(s_input-min(s_input))/(max(s_input)-min(s_input));

24、计算所述归一化热图s_normalized的全局统计值作为所述全局扰动因子;

25、或,基于以下公式动态调整各残差块的droppath概率:

26、p_i=p0_i+λ_i×f(s_normalized)

27、其中,f(·)是一个将归一化热图映射为一个标量调控值的函数,λ_i为对应于第i个残差块的调控系数,且λ_3<λ_4<λ_5。

28、优选的,所述分层调控策略还包括结合环境光照条件的补偿步骤:

29、通过摄像头采集背景光强或当前场景的评估光照强度b_current,并将其与一参考光照强度b_ref进行对比;

30、当光照强度比值b_current/b_ref低于第一阈值或高于第二阈值时,对生成所述全局扰动因子的过程进行补偿,使得在低光照或过曝条件下,所述全局扰动因子被相应增大;

31、根据补偿后的全局扰动因子,对各残差块的droppath概率进行分层调节。

32、优选的,所述分层调控策略采用自适应权重策略进行分组调控:

33、根据训练阶段获取的各类典型遮挡模式,预置若干类别的敏感区标记模板m_k;

34、通过实时识别当前用户生物特征的遮挡类型k,匹配对应的模板m_k并生成对应的分块权重向量[w_3,w_4,w_5];

35、基于以下公式调整各残差块droppath的丢弃概率:p_i=p0_i×(1+a×w_i),其中w_i为从所述权重向量中获取的第i个残差块的权重,a为全局动态调整系数。

36、优选的,所述动态调整系数a由系统当前的安全等级决定:

37、设定多级安全等级,对应不同的防御强度;

38、所述安全等级越高,动态调整系数a的值越大,以使得相同遮挡类型下,高安全等级时各残差块的droppath丢弃概率均高于低安全等级时的丢弃概率。

39、优选的,所述分层调控还引入用户历史行为数据作为约束条件:

40、建立用户的日常生物特征与遮挡发生频率的数据集;

41、计算历史遮挡发生频率p_occl和对应敏感区占比p_sens,并生成用户定制的基础调控系数w_user=p_sens/(p_occl+ε),其中ε为一个大于零的极小常数,以避免除零错误;

42、将所述用户定制的基础调控系数w_user作为一个乘性因子,作用于全局扰动因子或各残差块的权重因子上,以生成针对不同用户定制的droppath策略。

43、优选的,所述分层调控基于敏感度热图的不同空间区域:

44、将敏感度热图在空间上划分为中心区域、过渡区域和边缘区域;

45、分别对每个区域计算区域扰动因子;

46、对不同残差块,由不同空间区域的区域扰动因子组合进行调控,使得深层残差块的丢弃概率更多地受中心区域扰动的影响,而浅层残差块的丢弃概率更多地受整体或边缘区域扰动的影响。

47、优选的,所述将敏感度热图划分为不同空间区域的具体操作包括:

48、计算热图像素点与热图中心的距离d_center;

49、根据d_center与预设比例阈值的比较,将热图划分为中心区域、过渡区域和边缘区域;

50、分别对所述三类区域计算其各自的平均梯度幅值,用于对各残差块的droppath概率进行差异化调节。

51、本发明相比现有技术具有以下有益效果:首先,通过提取生成对抗网络判别器中间层对纹理扰动的敏感度热图,并依据热图中心区域平均梯度幅值和高敏感区域比例动态计算各残差块组的权重因子,实现了对cnn骨干网第3至5残差块droppath丢弃概率的精准分层调控,使网络结构能够自适应输入图像的纹理失真程度,在污渍、汗液等物理遮挡条件下显著提升特征提取的鲁棒性,经实测整体识别准确率达97.8%,较固定droppath概率的传统方法提升约3.5个百分点,且通过动态调整深层残差块丢弃概率,有效抑制了伪造攻击样本的异常特征传递,伪造攻击拒识率提升约6.5个百分点达98.5%;同时,本发明引入环境光照补偿机制,在低光照或过曝条件下自动增大丢弃概率,进一步保障极端成像环境下的识别稳定性,并结合用户历史遮挡行为定制调控系数,实现个性化防御策略,而整个动态调控过程仅增加约20毫秒计算延时,不影响智能门锁的实时开锁响应,且在无遮挡场景下丢弃概率回归基础值,不损失正常识别性能,具有良好的适用性和推广价值。