[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

说明书

本发明涉及一种隐私计算技术领域，公开了一种基于数据隐私计算的身份安全认证方法和系统，方法包括：利用基于L‑BFGS算法的神经网络模型对人脸图像进行快速编码处理，得到人脸图像的编码向量；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；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；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，实现身份认证。本发明通过利用基于L‑BFGS算法的神经网络模型实现人脸图像的快速编码，并利用同态加密算法对图像编码向量进行加密处理，保障人脸图像数据的隐私安全。

技术领域

本发明涉及隐私计算的技术领域，尤其涉及一种基于数据隐私计算的身份安全认证方法及系统。

背景技术

人脸识别技术作为有效的生物特征识别技术之一，由于其巨大的应用前景发展成为图像处理和模式识别领域的研究热点，近些年来逐渐被各个领域广泛应用，比如娱乐、犯罪调查、门禁系统、军事等方面。而另一方面随着网络越来越发达，信息安全隐私保护已经成为当今的主流话题，当愈加具体详细的个人信息被第三方掌握，人们也更希望出现更安全的保护措施。

鉴于此，本发明提出一种针对人脸识别身份认证的基于数据隐私计算的身份安全认证方法及系统，系统的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。

发明内容

本发明提供一种基于数据隐私计算的身份安全认证方法，目的在于（1）利用基于L-BFGS算法的神经网络模型实现人脸图像的快速编码；（2）利用同态加密算法对图像编码向量。

实现上述目的，本发明提供的一种基于数据隐私计算的身份安全认证方法，包括以下步骤：

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。

作为本发明的进一步改进方法：

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：

其中：

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；

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。

所述S1步骤中基于L-BFGS算法训练得到神经网络模型，包括：