一种高安全掌纹掌静脉识别方法、系统、设备及存储介质与流程

1.本发明属于生物特征识别技术领域，涉及一种高安全掌纹掌静脉识别方法、系统、设备及存储介质。


背景技术：

2.信息化时代，生物特征识别技术蓬勃兴起，逐渐取代传统的身份认证方式。掌纹掌静脉识别主要基于富含生物特征信息的特定区域，具有易采集、不易伪造且对用户隐私友好的特点，是一种具有较大前景和巨大潜力的生物特征识别技术。社区是该技术应用的主要目标场景之一。在掌纹掌静脉识别算法中，深度学习算法承担了重要的角色。而深度学习算法的效果依赖于训练数据的多少，一般情况下，可使用的训练数据越多，识别的效果就会越好。而在实际当中掌纹掌静脉识别系统主要部署在不同的社区，而由于掌纹掌静脉识别的私密性，当每个社区与其他社区共享本地的掌纹掌静脉数据和识别模型时，会发生私密信息泄露的风险，而目前的掌纹掌静脉识别算法主要关注于提高识别的准确率，很少关注到掌纹掌静脉识别系统的安全性。


技术实现要素：

3.本发明的目的在于解决现有技术中每个社区与其他社区共享本地的掌纹掌静脉数据和识别模型时，会发生私密信息泄露风险的问题，提供一种高安全掌纹掌静脉识别方法、系统、设备及存储介质。
4.为达到上述目的，本发明采用以下技术方案予以实现：
5.一种高安全掌纹掌静脉识别方法，包括以下步骤：
6.获取公开掌纹掌静脉数据、各个社区的私密掌纹掌静脉数据及掌纹掌静脉识别模型；
7.根据各个社区的掌纹掌静脉识别模型分别计算本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征，并将本地公开掌纹掌静脉数据特征上传至云端服务器；
8.根据上传的所有本地公开掌纹掌静脉数据特征计算平均特征信息，并将平均特征信息传递到各个社区；
9.将接收的平均特征信息与本地公开掌纹掌静脉数据特征进行比较，得到信息损失函数；
10.根据本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征计算得到监督损失函数；
11.根据信息损失函数和监督损失函数得到整体损失函数，对整体损失函数进行迭代，得到各个社区优化后的掌纹掌静脉识别模型。
12.本发明的进一步改进在于：
13.所述平均特征信息包括平均特征值信息、平均特征距离信息和平均特征角度信息。
14.所述信息损失函数包括特征值信息损失函数l
abs
、特征距离信息损失函数l
dis
和特征角度信息损失函数l
angel
。
15.所述特征值信息损失函数l
abs
表示为：
[0016][0017]
其中，h(
·
)表示huber损失函数，nk表示所有参与的社区的数量，fn(
·
)表示社区n的掌纹掌静脉识别模型，fn(xi)表示社区n提取的第i张公开掌纹掌静脉图像xi的特征。
[0018]
所述特征距离信息损失函数l
dis
表示为：
[0019][0020]
其中，dn(xi,xj)表示社区n提取的第i张和第j张公开掌纹掌静脉图像xi，xj的特征距离。
[0021]
所述特征角度信息损失函数l
angel
表示为：
[0022][0023]
其中，为公开掌纹掌静脉图像xi，xj，xk之间的特征角度，
[0024][0025]
所述监督损失函数表示为：
[0026][0027]
其中，l
sup
为监督损失函数，s
ij
和s
lm
均为判断函数，公开掌纹掌静脉图像xi和xj属于同一个类别时，s
ij
＝0，否则s
ij
＝1；私密掌纹掌静脉图像x
l
和xm属于同一个类别时，s
lm
＝0，否则s
lm
＝1；d
ij
表示公开掌纹掌静脉图像xi和xj特征之间的距离，d
ij
＝||fn(xi)-fn(xj)||2；d
lm
表示私密掌纹掌静脉图像x
l
和xm特征之间的距离d
lm
＝||fn(x
l
)-fn(xm)||2；t和t均为距离阈值，分别用于限制公开掌纹掌静脉图像和私密掌纹掌静脉图像中不同类别特征之间的距离。
[0028]
一种高安全掌纹掌静脉识别系统，包括：
[0029]
数据获取模块，所述数据获取模块用于获取公开掌纹掌静脉数据、各个社区的私密掌纹掌静脉数据及掌纹掌静脉识别模型；
[0030]
数据处理及传输模块，所述数据处理及传输模块用于根据各个社区的掌纹掌静脉识别模型分别计算本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征，并将本地公开掌纹掌静脉数据特征上传至云端服务器；
[0031]
云端服务器，所述云端服务器根据本地公开掌纹掌静脉数据特征计算平均特征信
息，并将平均特征信息传递到各个社区；
[0032]
比较模块，所述比较模块用于将接收的平均特征信息与本地公开掌纹掌静脉数据特征进行比较，得到信息损失函数；
[0033]
监督损失函数计算模块，所述监督损失函数计算模块用于根据本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征计算得到监督损失函数；
[0034]
模型计算模块，所述模型计算模块用于根据信息损失函数和监督损失函数得到整体损失函数，对整体损失函数进行迭代，得到各个社区优化后的掌纹掌静脉识别模型。
[0035]
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如前项任一项所述方法的步骤。
[0036]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如前项任一项所述方法的步骤。
[0037]
与现有技术相比，本发明具有以下有益效果：
[0038]
本发明通过获取每个社区都能得到的掌纹掌静脉数据，将不同社区的掌纹掌静脉识别模型进行连接，并通过信息损失函数将其他社区有用的掌纹掌静脉信息传到回社区本地，用于帮助社区本地识别模型的训练，提高模型的识别性能，同时由于不直接将社区本地的私密掌纹掌静脉数据与其他社区共享，能够提高整个识别系统的安全性。
附图说明
[0039]
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0040]
图1为本发明的高安全掌纹掌静脉识别方法流程图；
[0041]
图2为本发明的高安全掌纹掌静脉识别系统装置流程图；
[0042]
图3为本发明的高安全掌纹掌静脉识别系统示意图。
具体实施方式
[0043]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0044]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0046]
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等
指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0047]
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0048]
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0049]
下面结合附图对本发明做进一步详细描述：
[0050]
参见图1，为本发明一种高安全掌纹掌静脉识别方法流程图，包括以下步骤：
[0051]
s1，获取公开掌纹掌静脉数据、各个社区的私密掌纹掌静脉数据及掌纹掌静脉识别模型；
[0052]
s2，根据各个社区的掌纹掌静脉识别模型分别计算本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征，并将本地公开掌纹掌静脉数据特征上传至云端服务器；
[0053]
s3，云端服务器根据本地公开掌纹掌静脉数据特征计算平均特征信息，平均特征信息包括平均特征值信息、平均特征距离信息和平均特征角度信息，并将平均特征信息传递到各个社区；
[0054]
假设该系统共有nk个社区，其中社区n的私密掌纹掌静脉识别模型表示为fn(
·
)，则该社区提取的第i张公开掌纹掌静脉图像xi的特征可表示为fn(xi)，提取的第j张公开掌纹掌静脉图像xj的特征可表示为fn(xj)，提取的第k张公开掌纹掌静脉图像xk的特征可表示为fn(xk)，则公开掌纹掌静脉图像xi和xj的平均特征值信息表示为平均特征距离信息表示为其中dn(xi,xj)＝||fn(xi)-fn(xj)||2，公开掌纹掌静脉图像xi、xj和xj的平均特征角度信息表示为其中其中
[0055]
s4，各个社区将接收的平均特征信息与本地公开掌纹掌静脉数据特征进行比较，得到信息损失函数，信息损失函数包括特征值信息损失函数l
abs
、特征距离信息损失函数l
dis
和特征角度信息损失函数l
angel
；
[0056]
特征值信息损失函数l
abs
表示为：
[0057][0058]
其中，h(
·
)表示huber损失函数，具体表示为：
[0059][0060]
式中，a＝fn(xi)，
[0061]
特征距离信息损失函数l
dis
表示为：
[0062][0063]
其中，dn(xi,xj)表示社区n提取的的第i张和第j张公开掌纹掌静脉图像xi，xj的特征距离。
[0064]
特征角度信息损失函数l
angel
表示为：
[0065][0066]
其中，为公开掌纹掌静脉图像xi，xj，xk之间的特征角度。
[0067]
s5，根据本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征计算得到监督损失函数；
[0068]
监督损失函数表示为：
[0069][0070]
其中，l
sup
为监督损失函数，s
ij
和s
lm
均为判断函数，公开掌纹掌静脉图像xi和xj属于同一个类别时，s
ij
＝0，否则s
ij
＝1；私密掌纹掌静脉图像x
l
和xm属于同一个类别时，s
lm
＝0，否则s
lm
＝1；d
ij
表示公开掌纹掌静脉图像xi和xj特征之间的距离，d
ij
＝||fn(xi)-fn(xj)||2；d
lm
表示私密掌纹掌静脉图像x
l
和xm特征之间的距离d
lm
＝||fn(x
l
)-fn(xm)||2；t和t均为距离阈值，分别用于限制公开掌纹掌静脉图像和私密掌纹掌静脉图像中不同类别特征之间的距离。
[0071]
s6，根据信息损失函数和监督损失函数得到整体损失函数，对整体损失函数进行迭代，得到各个社区优化后的掌纹掌静脉识别模型；
[0072]
整体损失函数表示为：
[0073]
l＝l
abs
l
dis
l
angel
l
sup
ꢀꢀ
(5)
[0074]
参见图2，为本发明的一种高安全掌纹掌静脉识别系统装置流程图，包括：
[0075]
数据获取模块，所述数据获取模块用于获取公开掌纹掌静脉数据、各个社区的私密掌纹掌静脉数据及掌纹掌静脉识别模型；
[0076]
数据处理及传输模块，所述数据处理及传输模块用于根据各个社区的掌纹掌静脉
识别模型分别计算本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征，并将本地公开掌纹掌静脉数据特征上传至云端服务器；
[0077]
第一计算模块，所述第一计算模块由云端服务器根据本地公开掌纹掌静脉数据特征计算平均特征信息，并将平均特征信息传递到各个社区；
[0078]
比较模块，所述比较模块用于将各个社区接收的平均特征信息与本地公开掌纹掌静脉数据特征进行比较，得到信息损失函数；
[0079]
第二计算模块，所述第二计算模块用于根据本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征计算得到监督损失函数；
[0080]
模型计算模块，所述模型计算模块用于根据信息损失函数和监督损失函数得到整体损失函数，对整体损失函数进行迭代，得到各个社区优化后的掌纹掌静脉识别模型。
[0081]
参见图3，为本发明的高安全掌纹掌静脉识别系统示意图，各个社区利用本地网络模型提取得到公开掌纹掌静脉数据和私密掌纹掌静脉数据；根据每个社区的掌纹掌静脉识别模型计算公开掌纹掌静脉数据特征和私密掌纹掌静脉数据特征；将得到的公开掌纹掌静脉数据特征上传入云端；在云端计算得到平均特征值信息、平均特征距离信息和平均特征角度信息，并将其传递至每个社区得到特征值信息损失函数l
abs
、特征距离信息损失函数l
dis
和特征角度信息损失函数l
angel
；由本地公开掌纹掌静脉数据特征和本地私密掌纹掌静脉数据特征计算得到监督损失函数；最后结合这三种损失函数和监督损失函数l
sup
组成整体的损失函数，对本地的掌纹掌静脉识别模型的权重进行更新。通过每个社区都可以获取的公开掌纹掌静脉数据，将不同社区的掌纹掌静脉识别模型进行连接，并通过三种信息损失函数将其他社区有用的掌纹掌静脉信息传到回社区本地，用于帮助社区本地识别模型的训练，提高模型的识别性能。
[0082]
本发明一实施例提供一种终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个高安全掌纹掌静脉识别方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
[0083]
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
[0084]
所述高安全掌纹掌静脉识别装置/终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高安全掌纹掌静脉识别装置/终端设备可包括，但不仅限于，处理器、存储器。
[0085]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0086]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述高安全掌纹掌静脉识别装置/终端设备的各种功能。
[0087]
所述高安全掌纹掌静脉识别装置/终端设备集成的模块/单元如果以软件功能单
元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0088]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。