[发明专利]一种基于敏感数据指纹特征库的非结构化数据检测方法

说明书

本发明属于卷积神经网络领域，尤其是一种基于敏感数据指纹特征库的非结构化数据检测方法，针对现有的F‑net网络具有大量参数、计算复杂，网络训练阶段可能出现的梯度弥散和过拟合现象，准确率低的问题，现提出如下方案，其包括以下步骤：S1、建立卷积神经网络模型，卷积神经网络模型包括Alex‑BN和F‑net；S2、Alex‑BN网络在每一层卷积层后都紧接一层BN层来对数据进行批量归一化处理，本发明减少了F‑net网络大量参数和计算复杂度，有效地避免了网络训练阶段可能出现的梯度弥散和过拟合现象，使算法在采取大学习率对网络进行训练时也能取得较高的准确率。

技术领域

本发明涉及卷积神经网络技术领域，尤其涉及一种基于敏感数据指纹特征库的非结构化数据检测方法。

背景技术

指纹特征检测作为一种已经被大众认可并普遍接受的生物检测方法，其理论和技术慢慢日趋成熟，应用范围也越来越广，已然成为了一种可以满足各种需要的首选生物特征检测技术。然而，指纹检测技术在实际应用过程中仍然存在着被伪造指纹攻击的潜在威胁。传统的指纹检测系统没有任何的加密措施，所有的原始细节点坐标和方向都被直接存储在指纹特征数据库中，这给不法分子提供了可乘之机。生物检测技术泰斗级人物Jainl在Nature杂志中曾发文表示生物特征系统的安全性和隐私性应该受到人们的重视。随着3D打印技术的发展，价格低廉的3D打印机也越来越多，也让指纹的伪造变得越来越方便。伪造指纹的攻击渐渐开始威胁指纹应用的安全性与实用性，因此对指纹图像进行活性检测就显得尤为重要。

近年来，随着深度学习浪潮的兴起，卷积神经网络凭借其独特的网络结构和强大的学习潜力，在计算机视觉、图像处理、语音及文本处理和自然语言理解等领域取得了显著的效果。由于CNN不仅能对特征进行提取和正则化，而且还有平移和旋转不变性的能力，通过适当的设计，能自动地对指纹图像的局部特征进行提取，再经过逐层卷积操作后组合成全局抽象特征。传统的指纹图像特征提取方法需要在图像预处理中花费大量的工作，提高特征提取的准确性和多样性。而利用卷积神经网络的深层网络结构，输入的指纹图像不需要经过太多的预处理工作，使整个指纹检测流程得到简化。

综上所述，指纹检测无论从理论意义还是实际意义都值得广大学者投入研究。尽管指纹检测相关算法研究已经较为成熟，但如何提高指纹检测算法的安全性仍然面临巨大的挑战。而卷积神经网络在图像分类和检测的广泛应用为指纹检测提供了许多宝贵经验，所以基于深度卷积神经网络的指纹检测具有较强的理论意义和现实意义。

现有技术中，F-net网络具有大量参数、计算复杂，网络训练阶段可能出现的梯度弥散和过拟合现象，准确率低。

发明内容

本发明的目的是为了解决现有技术中存在F-net网络具有大量参数、计算复杂，网络训练阶段可能出现的梯度弥散和过拟合现象，准确率低的缺点，而提出的一种基于敏感数据指纹特征库的非结构化数据检测方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于敏感数据指纹特征库的非结构化数据检测方法，包括以下步骤：

S1、建立卷积神经网络模型，卷积神经网络模型包括Alex-BN和F-net；

S2、Alex-BN网络在每一层卷积层后都紧接一层BN层来对数据进行批量归一化处理；

S3、在每一层卷积操作之后都执行一次批量归一化BN，并且F-net网络所使用的激活函数均为Relu函数。

优选的，所述S1中，Alex-BN的网络是一个二分类网络，Alex-BN结构与经典的Alexnet结构相似，Alex-BN网络包含数据输入层、5个卷积层和BN层、3个最大池化层、2个全连接层、输出层和Softmax层，采用Relu作为激活函数。