本發(fā)明屬于模式識別領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜圖像加密方法。

背景技術(shù)：

虹膜識別技術(shù)是一種人類生物識別技術(shù)。虹膜識別技術(shù)是基于虹膜在眼睛中的識別，應(yīng)用于安全設(shè)備(如訪問控制等)以及高度的保密性要求的場所。人眼結(jié)構(gòu)由鞏膜、虹膜、瞳孔、視網(wǎng)膜等部位組成。虹膜是黑色瞳孔和白色鞏膜之間的環(huán)形部分，其包含許多散布點、細(xì)絲、冠狀、條紋、隱窩等細(xì)節(jié)。而在胎兒發(fā)育階段成形后的整個生命過程虹膜將保持不變。這些特性決定了虹膜特征的唯一性，并且還確定了識別的唯一性。因此，眼睛的虹膜特性可應(yīng)用于個體身份識別。

虹膜是各種生物識別技術(shù)中最堅固耐用的特征之一，作為身份特征與其他生物特征相比較具有更優(yōu)異的性質(zhì)：獨特性、穩(wěn)定性、可收集性、非侵入性和安全性。在生物識別中，非侵入性是身份研究和應(yīng)用發(fā)展的必然趨勢，與其他非接觸式識別方法(如面部和聲音)相比，虹膜識別具有更高的準(zhǔn)確性。據(jù)統(tǒng)計，虹膜識別是誤差率最低的生物識別，基于虹膜的身份識別技術(shù)已經(jīng)逐漸被學(xué)術(shù)界和商業(yè)界所關(guān)注。

虹膜能夠廣泛應(yīng)用于識別、加密等諸多領(lǐng)域，得益于虹膜具有一些異于其它生物組織的特殊特征，主要包括以下幾個方面：

(1)穩(wěn)定性：在人的一生當(dāng)中，虹膜信息變化非常小，除非是遇到一些特殊的疾病如物理損傷、白內(nèi)障等，因此虹膜具有極強的穩(wěn)定性；

(2)唯一性：虹膜在胚胎發(fā)育中形成，隨機性強，不受基因的影響。胎兒發(fā)育經(jīng)歷一個混沌形態(tài)發(fā)生過程，這一過程導(dǎo)致dna相同的雙胞胎的虹膜也不相同，對虹膜的唯一性能提高很大。迄今為止，沒有發(fā)生任何兩個人的虹膜一模一樣。從圖2可看出，虹膜并不是光滑的曲面，表面分布著許多凹陷、斑點以及收縮溝等細(xì)節(jié)，這些細(xì)節(jié)特征決定了虹膜信息數(shù)據(jù)，構(gòu)成紋理等特征，是虹膜唯一性的外在體現(xiàn)。

(3)非侵犯性：非侵犯性也被稱為非接觸性，是指對虹膜進行信息采集時不需要接觸就可讀取信息。虹膜位于角膜后側(cè)，受保護情況很好。對虹膜進行采集的過程中，不需要接觸虹膜就能夠?qū)崿F(xiàn)虹膜采集，防止了疾病傳播、虹膜損壞等不良影響，用戶接受度比較高。相對于掌紋、指紋等生物特征，虹膜不需要接觸采集，不適感更低，更有利于應(yīng)用的泛化。

(4)防偽性：虹膜特征的改變難度非常大，在對視覺無嚴(yán)重?fù)p傷情況下很難改變，對一個人的虹膜進行與特定對象的復(fù)制和轉(zhuǎn)換幾乎是不可能的，由于活體檢測技術(shù)的發(fā)展，采用圖像、錄像等虹膜來仿冒活體進行虹膜處理都很可能會檢測出來。

生物識別技術(shù)最佳選擇是虹膜，原因是相對于其他生物特征，虹膜具有最高唯一性、識別精度高、速度快、生物活性強、防偽性強而且具有終身不變的穩(wěn)定性等優(yōu)點。

組成虹膜的可變項多達(dá)260項，內(nèi)部結(jié)構(gòu)十分復(fù)雜，重復(fù)可能性很小。統(tǒng)計表明，兩個人虹膜一模一樣的概率幾乎為零，同一個人的左右眼睛虹膜也不完全相同。虹膜在發(fā)育到兩三歲的時候幾乎就穩(wěn)定不變，因此具有復(fù)雜結(jié)構(gòu)的虹膜可作為人體獨一無二的標(biāo)識。

虹膜加密技術(shù)是指采用特征提取算法，對虹膜圖像進行特征提取產(chǎn)生數(shù)據(jù)流，作為加密算法的密鑰，在解密的過程中采用同樣的密鑰進行解密，從而完成加密與解密整個過程。虹膜加密技術(shù)利用生物特征提取，來產(chǎn)生唯一的密鑰，密鑰是唯一的，不能夠被其他生物個體進行仿制生成。虹膜加密技術(shù)是融合生物特征識別和加密技術(shù)，生成密鑰進行加密和解密處理的新技術(shù)。

技術(shù)實現(xiàn)要素：

發(fā)明目的：針對上述現(xiàn)有技術(shù)，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜圖像加密方法，在保證加密的高安全性的前提下，解決了cnn訓(xùn)練過程中由于虹膜樣本比少的問題。

技術(shù)方案：一種基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜圖像加密方法，加密過程包括如下步驟：

步驟1，對虹膜數(shù)據(jù)庫中的虹膜圖像分別進行預(yù)處理，得出虹膜圖像數(shù)據(jù)集x，對x進行圖像塊提取，得出虹膜圖像塊數(shù)據(jù)集x'；

步驟2，所述虹膜圖像塊數(shù)據(jù)集x'用于訓(xùn)練四層sae模型，通過學(xué)習(xí)每層參數(shù)w＝{w⁽¹⁾,w⁽²⁾,w⁽³⁾，w⁽⁴⁾}，用于初始化cnn模型卷積層參數(shù)k＝{k⁽¹⁾,k⁽²⁾}和全連接層參數(shù)w′＝{w′⁽³⁾,w′⁽⁴⁾}，然后采用所述虹膜圖像數(shù)據(jù)集x進行cnn模型訓(xùn)練；

步驟3，加密方采集虹膜圖像，預(yù)處理后輸入訓(xùn)練好的cnn模型，實現(xiàn)對特征向量v1的提取，特征向量v1的維數(shù)依據(jù)采用的圖像加密算法進行調(diào)整；

步驟4，采用rs碼對特征向量v1進行編碼，得出加密密鑰vk1和rs糾錯碼；

步驟5，利用加密密鑰vk1與待加密圖像矩陣對應(yīng)像素點灰度值進行aes運算，得出加密圖像，則完成了整個加密過程；

解密過程包括如下步驟：

步驟1，對解密方進行虹膜圖像采集，預(yù)處理后輸入到訓(xùn)練好的cnn模型，實現(xiàn)提取虹膜特征向量v2；

步驟2，利用rs糾錯碼對特征向量v2進行糾錯，得到解密密鑰vk2；

步驟3，利用解密密鑰vk2與所述加密圖像矩陣對應(yīng)像素點灰度值進行aes逆運算，得出解密圖像，則完成了整個解密過程。

進一步，所述步驟2中，在cnn模型中，對初始化參數(shù)增加區(qū)間限制條件：將sae訓(xùn)練出的參數(shù)w限制在區(qū)間內(nèi)，則cnn中卷積核k＝{k⁽¹⁾,k⁽²⁾}和全連接層權(quán)值w′＝{w′⁽³⁾,w′⁽⁴⁾}的計算方法為：

n^k代表第k層sae節(jié)點數(shù)，n^k+1代表第k+1層節(jié)點個數(shù)。

進一步，對虹膜圖像預(yù)處理包括如下步驟：

(1)虹膜圖像i0邊緣檢測進行虹膜定位，實現(xiàn)虹膜分割i1；

(2)提取的虹膜圖像i1進行歸一化處理i2；

(3)將i2進行zca白化處理i3。

有益效果：本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜圖像加密算法，首先對采集的虹膜圖像數(shù)據(jù)進行預(yù)處理，然后采用訓(xùn)練好的cnn模型對虹膜圖像進行特征向量提取。提取的特征向量用于加密密鑰的生成，最后將加密密鑰與原始待加密圖像矩陣對應(yīng)像素點灰度值采用aes運算，則可得到加密圖像。

整個加密與解密過程之前，需要先進行深度學(xué)習(xí)模型的訓(xùn)練，深度學(xué)習(xí)模型采用cnn，由于虹膜圖像采集難度大造成樣本較少的問題，需要進行cnn參數(shù)初始化。在cnn訓(xùn)練過程中由于虹膜樣本比較少，為保證加密的高安全性，密鑰的生成必須采用整體虹膜，不能將虹膜進行圖像塊提取來彌補樣本不足的問題。針對上述問題，首先對虹膜進行圖像塊提取，訓(xùn)練sae模型，采用sae初始化cnn參數(shù)，采用整幅虹膜圖像進行cnn模型訓(xùn)練。如此設(shè)計不僅解決了虹膜樣本少的問題，而且對圖像加密的安全性有了保障。

附圖說明

圖1基于卷積神經(jīng)網(wǎng)網(wǎng)絡(luò)的虹膜圖像加密與解密流程；

圖2casia虹膜數(shù)據(jù)庫圖像樣本；

圖3虹膜圖像標(biāo)準(zhǔn)化；

圖4虹膜圖像zca白化；

圖5虹膜圖像rs碼編碼；

圖6訓(xùn)練與測試集精確度。

具體實施方式

下面結(jié)合附圖對本發(fā)明做更進一步的解釋。

一種基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜圖像加密方法，加密過程包括如下步驟：

步驟1，對虹膜數(shù)據(jù)庫中的虹膜圖像分別進行預(yù)處理，得出虹膜圖像數(shù)據(jù)集x，對x進行圖像塊提取，得出虹膜圖像塊數(shù)據(jù)集x'。對虹膜圖像預(yù)處理包括如下步驟：

(1)虹膜圖像邊緣檢測進行虹膜定位，實現(xiàn)虹膜分割；

(2)提取的虹膜圖像進行歸一化處理；

(3)將歸一化處理后的圖像進行zca白化處理。

步驟2，虹膜圖像塊數(shù)據(jù)集x'用于訓(xùn)練四層sae模型(stackedautoencoder，棧式自編碼模型)，得到訓(xùn)練好的參數(shù)矩陣w＝{w⁽¹⁾,w⁽²⁾,w⁽³⁾，w⁽⁴⁾}，用于初始化cnn模型(convolutionalneuralnetwork，卷積神經(jīng)網(wǎng)絡(luò))卷積層參數(shù)k＝{k⁽¹⁾,k⁽²⁾}和全連接層參數(shù)w′＝{w′⁽³⁾,w′⁽⁴⁾}，然后采用虹膜圖像數(shù)據(jù)集x進行cnn模型訓(xùn)練。

在cnn模型中，初始化參數(shù)如果沒有限制條件會導(dǎo)致梯度消失或者幅度擴散的現(xiàn)象，因此對初始化參數(shù)增加區(qū)間限制條件。cnn卷積層前向傳播線性化計算為：

式中，z表示網(wǎng)絡(luò)層結(jié)點輸出，ωi表示第i個特征圖對應(yīng)權(quán)值矩陣，xi表示第i個特征圖，m表示特征圖個數(shù)。假設(shè)滿足均值為0標(biāo)準(zhǔn)差為σ的均勻分布，則每層的方差計算式為：

式中，n代表網(wǎng)絡(luò)各層的結(jié)點數(shù)，n^k-1表示第k-1層節(jié)點個數(shù)，表示第k-1層輸入的期望，表示第k-1層權(quán)值矩陣的期望，表示第k-2層輸入的期望，表示第1層輸入的期望，表示第i層權(quán)值矩陣的期望，nⁱ表示第i層節(jié)點個數(shù)，k表示第k層網(wǎng)絡(luò)結(jié)構(gòu)層。

從式中可看出，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，如果則方差會越來越大，產(chǎn)生參數(shù)擴散；如果則方差會越來越小，產(chǎn)生梯度消失。因此，理想的情況是此時則可得出

在反向傳播過程中，有：

同理可得出：

式中，loss表示目標(biāo)函數(shù)，表示第k層第i個輸入特征圖，表示第1層第j個輸入特征圖，表示第k+1層第j個輸入特征圖對應(yīng)權(quán)值矩陣，表示第k+1層權(quán)值矩陣對應(yīng)期望，表示第k+1層第i個特征圖。

為了防止參數(shù)溢出和梯度消失，需要滿足：

比較可發(fā)現(xiàn)此時的方差產(chǎn)生了矛盾，為了解決這一情況，計算方差采用式：

對于均勻分布數(shù)據(jù)x∈[-a,a]，a表示數(shù)據(jù)x的模值，方差計算式為：

通過計算可得出：

因此，將sae訓(xùn)練出的參數(shù)限制在區(qū)間內(nèi)，n^k代表第k層sae節(jié)點數(shù)，n^k+1代表第k+1層節(jié)點個數(shù)，從而避免了上述問題的發(fā)生。

將訓(xùn)練好的參數(shù)矩陣w＝{w⁽¹⁾,w⁽²⁾,w⁽³⁾,w⁽⁴⁾}進行區(qū)間歸一化，作為cnn中卷積核k＝{k⁽¹⁾,k⁽²⁾}和全連接層權(quán)值w′＝{w′⁽³⁾,w′⁽⁴⁾}，計算方法為：

n^k代表第k層sae節(jié)點數(shù)，n^k+1代表第k+1層節(jié)點個數(shù)。

步驟3，加密方采集虹膜圖像，預(yù)處理后輸入訓(xùn)練好的cnn模型，實現(xiàn)對特征向量v1的提取，特征向量v1的維數(shù)依據(jù)采用的圖像加密算法進行調(diào)整。

步驟4，采用rs碼(reed-solomoncodes，rs碼)對特征向量v1進行編碼，得出加密密鑰vk1和rs糾錯碼；

步驟5，利用加密密鑰vk1與待加密圖像矩陣對應(yīng)像素點灰度值進行aes加密運算(advancedencryptionstandard，高級加密標(biāo)準(zhǔn))，得出加密圖像，加密圖像即密文，則完成了整個加密過程。

解密是為了還原原始圖像信息，一般來講解密過程是加密過程的逆運算，但是本發(fā)明提出的算法并不是完全的逆變換。解密過程包括如下步驟：

步驟1，對解密方進行虹膜圖像采集，預(yù)處理后輸入到訓(xùn)練好的cnn模型，實現(xiàn)提取虹膜特征向量v2。

步驟2，由于v2和v1有可能存在某些維度上數(shù)值的差異，利用rs糾錯碼對特征向量v2進行糾錯，得到解密密鑰vk2。

步驟3，利用解密密鑰vk2與加密圖像矩陣對應(yīng)像素點灰度值進行aes逆運算，得出解密圖像，則完成了整個解密過程。

為了提高算法的可信度和預(yù)測性，實驗虹膜數(shù)據(jù)集采用casia虹膜數(shù)據(jù)庫公共版，將數(shù)據(jù)集分成訓(xùn)練集和測試集，原始虹膜圖像樣本如圖2所示。原始采集的虹膜圖像包含有人臉、睫毛等無關(guān)干擾因素，首先對其進行虹膜定位、分割、歸一化與zca白化預(yù)處理，虹膜圖像預(yù)處理過程如圖1所示。

預(yù)處理后的虹膜圖像，去除了部分人臉、睫毛、眼瞼等干擾因素，只包含虹膜部分，為了降低圖像冗余提高特征辨識度，采用對虹膜圖像zca白化處理，如圖4。然后將其進行rs碼編碼，對虹膜圖像進行rs碼編碼的目的是防止在解密過程中進行特征向量提取時，提取的虹膜特征向量與加密時提取的虹膜特征向量不一致，如此有利于加密密鑰與解密密鑰的成功匹配，提高成功解密的概率，降低操作復(fù)雜度。

對虹膜進行特征學(xué)習(xí)的深度學(xué)習(xí)模型采用cnn，數(shù)據(jù)集共包含虹膜圖像400張，共10類，每一類40張圖像，其中300張作為訓(xùn)練樣本，100張作為測試樣本。sae結(jié)構(gòu)采用五層網(wǎng)絡(luò)，cnn結(jié)構(gòu)采用五層網(wǎng)絡(luò)層，卷積核大小為5×5，降采樣步長為2×2，第一卷積層生成特征圖個數(shù)為6，第二卷積層生成特征圖個數(shù)為12。特征提取結(jié)果顯示與設(shè)定特征向量對比，網(wǎng)絡(luò)訓(xùn)練后，訓(xùn)練精確度與測試精確度如圖6所示。

在加密的過程中，完成對cnn的訓(xùn)練之后，采集一張人眼圖像，進行加密密鑰的生成，將加密密鑰與待加密圖像進行aes運算，實現(xiàn)加密過程。以上完成了基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜圖像加密過程。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。