[发明专利]一种基于数据隐私计算的身份安全认证方法及系统

权利要求书

1.一种基于数据隐私计算的身份安全认证方法，其特征在于，所述方法包括：

S1：用户端采集人脸图像，对采集的人脸图像进行预处理；利用基于L-BFGS算法的神经网络模型对预处理完成的人脸图像进行快速编码处理，得到人脸图像的编码向量；

S2：利用同态加密算法对图像编码向量进行加密处理，得到加密后的图像编码向量；

S3：用户端将加密后的人脸图像编码向量传送到服务器后端，服务器后端利用最近未使用算法对服务器后端存储的加密图像编码向量进行排序，提高经常访问的加密图像编码向量的优先级；

S4：在进行用户身份认证时，用户端接收用户上传的待认证人脸图像，并对所上传的待认证人脸图像进行预处理、编码以及加密处理，将待认证的加密图像编码向量发送到服务器后端，服务器后端按照加密图像编码向量优先级依次与待认证加密图像编码向量进行欧式距离比较，如果欧式距离比较结果小于指定阈值则身份认证成功，否则失败；

所述S1步骤中基于L-BFGS算法训练得到神经网络模型，包括：

获取训练数据集，所述训练数据集包括人脸图像以及人脸图像对应的身份ID，所获取的训练数据集格式为：

{(x₁，ID₁)，(x₂，ID₂)，...，(x_n，ID_n)}

其中：

x_n表示训练数据集中的第n张人脸图像，ID_n表示x_n所对应的身份ID；

n表示训练数据集中的人脸图像数量；

构建神经网络模型训练的目标函数：

其中：

θ表示神经网络模型中隐含层的参数，包括隐含层权重以及偏置量；

表示第k张人脸图像x_k的神经网络模型输出身份ID；

ID_k表示第k张人脸图像x_k的真实身份ID；

利用L-BFGS算法对目标函数进行优化求解：

设置隐含层参数的初始值为θ₀，通过迭代的方式，得到的近似值D_t：

其中：

I为单位矩阵；

s_t＝θ_t+1-θ_t；

y_t＝g_t+1-g_t；

D₀为单位矩阵；

T表示转置；

t表示神经网络模型中隐含层的参数θ的第t次迭代，t的初始值为0；

g_t为目标函数Loss(θ)的导数；

为目标函数Loss(θ)二阶导数的倒数；

将D_t作为并计算得到g_t，利用迭代法求解得到隐含层参数θ的第t+1次迭代值为：

θ_t+1＝θ_t-D_t·g_t

重复上述隐含层参数迭代步骤，直到神经网络模型目标函数Loss(θ)不变，此时的隐含层参数迭代值θ′为神经网络模型隐含层的训练参数，并由此训练参数θ′构建神经网络模型的隐含层。

2.如权利要求1所述的一种基于数据隐私计算的身份安全认证方法，其特征在于，所述S1步骤中采集人脸图像，对采集的人脸图像进行灰度化的预处理，包括：

采集身份认证过的人脸图像，对所采集的人脸图像进行裁剪，裁剪后的人脸图像尺寸为M×N像素，对裁剪后的人脸图像进行灰度化处理，所述人脸图像灰度化处理流程为：

将图像中每个像素点的RGB颜色像素值转换为灰度值，得到人脸灰度图像，所述RGB颜色像素值的转换公式为：

Gray(i，j)＝0.299×R(i，j)+0.587×G(i，j)+0.114×B(i，j)

其中：

Gray(i，j)为像素点(i，j)的灰度值，(i，j)表示为人脸图像中第i行第j列的像素；

R(i，j)为像素点(i，j)的红色分量值，G(i，j)为像素点(i，j)的绿色分量，B(i，j)为像素点(i，j)的蓝色分量。