SCI论文（www.lunwensci.com）
摘 要 ：随着智慧校园建设的不断深入,为了让师生的学习、生活更加智能化,提高教学管理效率,同时建立一个更加安 全的校园环境,采用胶囊网络模型作为人脸识别的深度学习算法实现智慧校园人脸识别。本文一方面着重研究如何采用深度学 习技术提高复杂环境下识别精度,另一方面研究在人脸识别的应用场景中,如何保护数据安全和隐私。
Multi-mode Unified Authentication Based on Face Recognition Technology
LI Zhibo, QIAO Chunlei, WU Hao
(Northwest University Network and Data Center, Xi'an Shaanxi 710127)
【Abstract】： With the continuous deepening of the construction of smart campuses, in order to make the learning and life of teachers and students more intelligent, improve teaching management efficiency, and establish a safer campus environment at the same time, the capsule network model is used as a deep learning algorithm for face recognition. Smart campus face recognition. On the one hand, the article focuses on how to use deep learning technology to improve the recognition accuracy in complex environments, and on the other hand, it studies how to protect data security and privacy in the application scenarios of face recognition.
【Key words】： capsule network model;face recognition;smart campus;data security
0 引言
随着智慧校园建设的不断深入和人脸识别识别技术 的不断进步,高校中使用人脸识别技术进行迎新注册、 门禁管理、考勤甚至支付的应用场景越来越多,但是人 脸识别技术在现实应用中仍存在一些问题 ：由于智慧校 园人流量大、人员密集,对系统的并发规模、识别精准 度、预警及时性、异常轨迹追溯能力的要求比较高。然 而,往往会因为姿势问题、图像质量和环境复杂等问题 导致人脸识别精度低,包括误识、漏别和不识别。人脸 数据采集、存储与使用等规范缺失,导致数据泄漏风险 极高。人脸的特征属性是唯一且不可替换的,一旦生物 特征被盗窃和泄露,其带来的安全隐患比传统身份验证 方式更危险。保障数据安全和个人隐私,防止人脸技术 滥用,隐私安全风险高筑将是人脸识别目前面临的最大挑战。
由于这些原因,使用人脸识别技术进行身份认证在 高校中应用还存在一些不可忽视的漏洞。为此,本文一 方面着重研究如何采用深度学习技术提高复杂环境下 识别精度,从而使得人脸识别技术能够更好的服务于 身份认证中。主要采用从卷积神经网络演化而来的胶 囊网络模型对人脸图像进行识别,以解决物体之间的 空间识别率差以及人体大幅度旋转之后识别能力低下 问题。另一方面研究在人脸识别的应用场景中,如何保 护数据安全和隐私,从而使得师生的隐私数据安全得到 进一步提高。主要采用人脸模板保护的方法,禁止攻击 者非法篡改了人脸模版数据库,主要通过输出数据库中 错误的人脸身份信息,从而降低身份盗用或非法入侵的 可能性。
1 研究方法
1.1 卷积神经网络
卷积神经网络(CNN)与普通神经网络非常相似, 它们都由具有可学习的权重和偏置常量的神经元组成。 每个神经元都接收一些输入,并做一些点积计算,输出 是每个分类的分数,普通神经网络里的一些计算技巧到 这里依旧适用。卷积神经网络(CNN)是一类包含卷 积计算并且具有深度结构的前馈神经网络(FNN),它 的人工神经元可以响应一部分覆盖范围内的周围单元, 对于大型图像处理有出色表现 [1]。
卷积神经网络和其他包含局部连接结构的神经网络 是有区别的,前者使用稀疏连接,后者使用权重共享。 稀疏连接具有正则化的效果,提高了网络结构的稳定性 和泛化能力,避免过度拟合和减少了权重参数的总量, 有利于神经网络的快速学习,以及减少了内存开销。卷 积神经网络中特征图同一通道内的所有像素共享一组卷 积核权重系数,该性质被称为权重共享,如图 1 所示。
1.2 胶囊网络模型
胶囊是一组神经元的集合的特性,使得胶囊网络可 以内建出不同特征间的位置关系,这使得该网络对于目 标的位置、角度的变化具有针对性。但是,该方法以向 量作为胶囊,向量在图像中是像素点级别的,因此难以 拟合复杂的图像特征。随后, G.E.Hinton 提出的矩阵 胶囊网络改进了这一问题 [2]。矩阵胶囊网络中的胶囊被 设计为一个二元组,这个二元组包含姿态矩阵和激活概 率,因此矩阵胶囊网络的感受野大大增加,使得该网络 可以拟合复杂的图像特征。胶囊网络可以内建特征之间 的位置关系,这一特点使得它可以在许多小型数据集中 取得比常用的卷积神经网络更好的结果。
1.3 数据增强
数据的数量和质量对深度神经网络的训练有巨大的影 响,然而收集高质量且分布均衡的数据并不容易。训练样 本的多样性可以通过数据增强提高,主要由于样本中某 些属性的依赖被模型降低,从而提高模型的泛化能力,防止过拟合。数据增强可被分为单样本数据增强和多样 本数据增强两类。单样本数据增强的操作通常比较简单, 包括空间几何变换和像素内容变换。在空间几何方面, 常用的操作包括裁剪、翻转、旋转、平移以及缩放 ;在 像素内容方面,包括色彩抖动、颜色通道变换以及增加 噪声的操作。多样本数据增强操作相对复杂,包括多样 本融合、生成对抗网络、自动搜索最优数据增强组合、 监督式增强等。相比于单样本数据增强,多样本数据增 强更有利于优化数据分布,使样本数据分布更平衡。
1.4 人脸识别的安全性
人脸是唯一不需要用户主动配合就可以采集到的生 物特征信息。人脸特征数据作为用户重要的隐私和机密 信息,在实现人脸识别的过程中确保人脸数据的完整性 和机密性极其重要。人脸数据外泄存在一系列的信息安 全风险 ：
(1)人脸数据的泄露途径。当人们对摄像头进行人 脸数据的采集、传输、比对、存储等过程中,人脸识别 极易收到各类蓄意的仿冒攻击。在单独的物理域和逻辑 域实现人脸识别的关键过程时,存在窃取、篡改、注入 恶意样本和非法访问人脸特征数据的风险。
(2)人脸识别的仿冒认证。合法用户采集人脸特征 样本单元和存储人脸模板单元时要实施有效的安全权限 访问控制,人脸模板存储模块才能采取有效的加密存储 措施。在未经用户授权的情况下,移动应用能读取人脸 特征数据或人脸模板数据,读取过程中用户的人脸生物 特征数据若被外泄和非法篡改,那么用户的人脸识别的 安全性和隐私性会降低。
(3)人脸识别算法的攻击。以合法用户的人脸照片 及视频等数据作为前提,通过盗用合法人的人脸照片和 获取高精度的人脸面具等手段,再通过人脸识别系统中 加入生物活性检测手段,极大增加了破解人脸识别的可 能性。因为攻击者可以凭借人脸关键点定位和自动化人 脸动效技术,将自拍照由静态改为动态,可以完成刷脸 登录时所需要的生物检测动作。
1.5 人脸模板保护
传统的人脸模板保护方案主要包括三类 ：生物加密、 特征转换、混合策略。生物加密即对生物特征进行加密, 主要是保护人脸模板中机密系统的安全性。
因为无法从存储的模板中获取生物特征和密钥,仅 当验证时提供了正确的活体生物特征样本后,才会重新 创建密钥。生物特征加密的工作是一种有效、安全和隐 私友好的工具,特别是对于生物特征密码管理,因为密 码和生物特征在基本级别上受到约束。经典的生物加密方案如模糊金库和模糊承诺都会输出一个加密的生物模 板来提高安全性 [3]。
2 技术方案
本文使用动态路由算法的胶囊网络作为生成对抗网 络的生成器,建立了基于胶囊生成器的生成对抗网络模 型 CapGAN, 发挥了胶囊网络建立特征之间的位置关 系的优势,提高了该生成对抗网络的整体性能。将胶囊 生成器的算法与 DAGAN 模型进行结合,在 DAGAN 模 型的生成器中增加了一个胶囊自编码器,通过胶囊自编 码器可以快速的将原本隐藏在特征编码中难以提取的人 脸局部特征提取并生成出来,使得即使在极小的数据集 中也可以快速训练出可用的人脸识别模型。通过实验 比较,本项目提出的基于胶囊生成器的生成对抗网络 模型,有效地解决了胶囊网络无法用于生成模型的问 题。能够提高生成对抗网络的识别人脸图像的整体性 能,在复杂环境人脸识别方面具有一定的优势。而在此 基础上,本文将胶囊生成器中的胶囊层应用于改进了的 DAGAN 模型,可以说取得了很大的成功,证明了胶囊 层对特征之间的位置关系变化极具鲁棒性,是应用于复 杂环境人脸特征识别的极好工具。
在人脸识别的安全风险应对方面,本设计主要采用 人脸模板保护的方法降低人脸识别中的身份盗用的风 险,技术方案有以下几点 ：
(1)为了在保证人脸模板具有高度安全性的同时不 损失其可识别性,本设计提出一种基于胶囊网络和随机 正交映射的人脸模板生成网络 BinaryFace, 同时结合 模糊承诺方案提出二阶段人脸模板保护方案。在特征 转换方面,为了方便移动端部署,对 BinaryFace 进行 了轻量化设计。同时为了更好融合到 BinaryFace 网络 中,将传统三阶段方法中的随机映射被改为随机正交映 射。在实行模型的端到端训练的同时极大地提高了运行 效率。
(2)为了确保输入人脸图像的真实性,需要将人 脸数据集中的伪造人脸图像筛选出来。本设计基于 XceptionNet 和深度可分离瓶颈结构设计了轻量化的伪 造人脸检测网络,简单的网络模块结构设计大大地减少 了模型的参数量,使得效率更高地同时提升了准确率。
3 结论
在这个人工智能时代,生物识别检测技术受到越来 越多研究者的关注,其中微表情的改善对于人脸识别技 术有着重大的影响。本文提出的五通道卷积神经网络与 胶囊网络模型尽管在识别精度上有所提升,但识别结果 距离在实际应用中还有提升的空间 ;此外,自动微表情 分析系统包括微表情识别与检测两个部分,而在本文的 分析研究中还没有涉及到微表情检测。 就目前微表情的 研究进展而言,接下来可以从以下两个方面来对微表情 相关的分析研究不断深化 ：
(1)关于微表情数据库。微表情数据库质量的好坏 对微表情起着决定性作用,就现有微表情公开数据库而 言,存在微表情样本质量差、数量少以及样本数量不均 衡等问题。人脸识别或者微表情识别存在着较高的类间 相似性 , 导致识别性能显著下降 [4]。因此,要使深度学 习在微表情识别上增强其鲁棒性、泛化能力等问题,亟 需建立样本平衡且充足的微表情数据库。
(2) 微表情逐渐受到许多研究者的关注,利用深度学 习的方法建立微表情自动分析识别系统也受到了青睐。但 微表情识别首先第一步需要完成的是微表情检测工作, 即在一段微表情序列中完成微表情定位后,通过训练深 度学习模型来对定位样本进行分类识别 [5]。微表情检测 与微表情识别密不可分,只有同时加强这两方面的研究 以使微表情自动分析识别系统应用到真实的场景中。
参考文献
[1] 王杰.基于深度学习—DCNN的人脸图像识别技术应用研 究[J].科技视界,2022(20):32-34.
[2] 王嘉鑫,邹科文,陈义明.基于卷积神经网络的人脸识别[J].电 脑知识与技术,2016.12(29):187-190.
[3] 刘真甫.基于同态加密的安全生物认证技术的研究[D].北京: 北京交通大学,2015.
[4] 胡乃平,贾浩杰.基于深度学习的多模态融合三维人脸识别 [J].计算机系统应用,2022.31(8):152-159.
[5] 张文涛,陈婵娟,王泽荔.一种多尺度轻量化的人脸识别算法 [J].现代计算机(专业版),2018(30):31-37.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/61334.html
