[发明专利]一种基于噪声灭活的生物特征识别对抗防御方法

权利要求书

1.一种基于噪声灭活的生物特征识别对抗防御方法，其特征在于，采用卷积神经网络为每个输入图像估计一个合适的子空间，将所述输入图像投影至估计出的子空间中进行所述输入图像重建，具体方法包括：

S100：采用主成分分析算法在输入图像训练集上计算所述输入图像训练集的M个特征向量组成的特征向量库F；

S200：子空间估计器训练，所述子空间估计器的输出为m个概率向量p，所述m个概率向量p的每一分量均对应所述特征向量库F中的一个特征向量；

S300：根据所述子空间估计器输出的m个概率向量p中每个分量提供的选择概率在所述特征向量库F中进行采样，选出特征向量构成所述子空间；

S400：将输入图像x’投影至选出的特征向量张成的所述子空间进行图像重建；

所述计算所述输入图像训练集的M个特征向量组成的特征向量库F的具体方法为：

S101：将所述输入图像训练集中的样本组成样本矩阵；所述输入图像训练集中的样本组成的样本矩阵为X，其维度为d*n，d为每个样本的维度，即像素数，n为样本数量；

S102：计算样本均值，即样本矩阵X所有列的均值向量x_m；

S103：将所述样本矩阵X中心化：

X_m = X - x_m

S104：计算X_m的协方差矩阵C：

C = X_mX_m^T

S105：对C进行特征值分解：

C = QAQ^-1

其中Q即为特征向量构成的矩阵；A为特征值；

S106：截取特征值最大的M个特征向量组成所述特征向量库F；

所述子空间估计器为卷积神经网络，训练方法为：

S201：随机初始化卷积神经网络N_θ的参数θ；

S202：将训练数据x送入所述网络，得到输出的所述概率向量p，p= N_θ(x)；

S203：根据所述概率向量p中每个分量提供的选择概率在所述特征向量库F中进行采样，决定是否选择该分量对应的特征向量；

S204：将选择出来的特征向量组成矩阵F_p，F_p的维度为d*m，m为被选择的特征向量的个数，m的数值是由对概率向量p的采样决定的；

S205：计算F_p的损失值l；

S206：根据所述概率向量p和特征向量组成矩阵F_p，计算F_p的概率q；

S207：计算q关于网络参数θ的导数▽_θq；

S208：计算网络参数的更新方向s；

S209：重复步骤S203-S207 N次，并计算N次得到的N个所述更新方向的均值s_m,其中N为20-50；

S210：更新卷积神经网络N_θ的参数θ：

θ = θ – r•s_m，

其中r为学习率，由人为设置为0.001-0.01；

S211：重复步骤S201-S210，直至所述卷积神经网络收敛；所述损失值l的具体计算公式为：

l = ||F_pF_p^T(x-x_m) – (x-x_m)||₂ + αm，

其中，

α为损失平衡参数，由人为设置为0.001-0.005。

2.根据权利要求1所述的基于噪声灭活的生物特征识别对抗防御方法，其特征在于，所述M为2500。

3.根据权利要求1所述的基于噪声灭活的生物特征识别对抗防御方法，其特征在于，所述F_p的概率q的具体计算公式为：

其中p_i为p的第i个分量，f_i为F中的第i个特征向量；

所述q关于网络参数θ的导数▽_θq具体为：▽_θq = ∂ q(F_p, N_θ(x)) / ∂θ。