[发明专利]大数据下基于DWT鲁棒水印的抗光照攻击人脸识别方法

说明书

技术领域

本发明涉及一种多媒体信号处理领域，具体涉及大数据下基于DWT鲁棒水印的抗光照攻击人脸识别方法。

技术背景

人脸识别技术作为一种有效的生物特征识别技术，近40年来日益得到工业界和学术界的重视。由于人脸识别技术具有高可接受，自然性，不易被人察觉等优势，因此其在娱乐、犯罪调查、门禁系统、军事等方面有较大用途。

目前人脸识别的方法主要是基于PCA、神经网络、SVM等机器学习方法，由于要进行训练学习，对于识别的样本较大，在大数据环境下，学习的时间较长，并且目前的人脸识别方法对于光照变化，表情变化或遮罩等比较敏感，因此如何解决在大数据环境下，抗光照变化、表情变化或遮罩等攻击的人脸识别方法意义重大。

数字水印技术最初是用于互联网上的数字媒体的版权保护，其重要特性为鲁棒性和不可见性；本发明可以把人的签名或ID号等作为水印隐藏在其对应的人脸图像中，利用水印的鲁棒特性实现人脸的识别，该算法特别对光照、遮挡等攻击具有较好的鲁棒性。目前对于基于大数据环境下，抗光照、遮挡攻击的人脸识别方法研究的较少，还没有看到公开的报道。因此研究基于DWT的鲁棒水印技术实现大数据下抗光照攻击的人脸识别方法，有较大的意义。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供高速、高鲁棒性的人脸识别算法。具体公开了一种大数据下基于DWT鲁棒水印的抗光照攻击人脸识别方法，是一种零水印方案，水印的嵌入不影响原始的人脸图像。

为了实现上述目的，本发明是这样进行的：先对人脸图像进行小波变换，的到“近似系数”和“细节系数”，根据小波原理可知。“近似系数”代表人脸图像的低频特性，反映的是人脸图像的主要轮廓；“细节系数”代表人脸图像的高频特性，反映的是人脸图像的细节信息。由于小波变换本身的抗几何攻击能力比较差，为此，我们先对人脸图像进行小波变换(DWT)，然后在对反映低频特性的“近似系数”进行全局傅里叶变换(DFT)，在DFT变换系数中，寻找一个抗光照攻击的特征向量，并将水印序列与该特征向量相关联实现水印的嵌入；然后对于待测图像，首先计算出其特征向量，然后计算待测图像和原始图像的特征向量的相关系数，利用相关系数最大值，实现人脸的检测；并完成了水印的提取。本发明所采用的方法包括水印的嵌入、人脸的识别和水印的提取两大部分。第一部分为水印的嵌入，包括：(1)对每个原始人脸图像F(n)进行小波变换，然后对近似系数进行全局DFT变换，得到原始图像的特征向量集合V(n)；(2)利用密码学中的HASH函数，生成含水印信息的二值密钥序列Key(n)，实现零水印的嵌入。第二部分为人脸的识别和水印的提取，包括：(3)待测人脸图像的特征向量V’的提取；(4)通过待测人脸图像与所有原始人脸图像之间的特征向量之间的NC最大值的确定，进行人脸识别；(5)利用存在于第三方的二值逻辑密钥序列Key(k)和待测人脸的特征向量V’，提取出待测图像中的水印W'(k)；(6)水印的检测。

现对本发明的方法进行详细说明如下：

首先选择一个有意义的二值序列作为水印要嵌入人脸图像中，记为W＝{w(j)|w(j)＝0,1；1≤i≤L}；同时，选取设F为原始人脸图像，表示：F＝{f(i,j)|f(i,j)∈R；1≤i≤M1,1≤j≤N1}。其中，f(i,j)表示原始人脸的像素值。

第一部分：水印的嵌入

1)通过对每个原始人脸图像F(n)进行小波变换，然后对近似系数进行全局DFT变换，得到原始图像的特征向量集合V(n)；

先依次对每个原始人脸图像F(n)进行L级小波分解获得逼近子图系数FA_L(i,j)。由于小波分解级数越高，占用的分解时间便会越长，。在此，我们选用L＝1。然后对逼近子图FA_L(i,j)进行全局DFT变换，得到DWT-DFT系数矩阵FF(i,j)，，在DWT-DFT系数矩阵FF(i,j)中选取前8×8个系数中的实部系数FF₈(i,j)，然后再对选取出的系数矩阵FF₈(i,j)进行二值化处理，当系数大于或等于零时取1，小于0是取零，得到特征向量V,主要过程描述如下：

FA_L(i,j)＝DWT2(F(i,j))

FF(i,j)＝DFT2(FA_L(i,j))

FF₈(i,j)＝REAL(FF(i,j))

V(n)＝BINARY(FF₈(i,j))