CN113792632A - 基于多方合作的指静脉识别方法、***和存储介质 - Google Patents
基于多方合作的指静脉识别方法、***和存储介质 Download PDFInfo
- Publication number
- CN113792632A CN113792632A CN202111028126.6A CN202111028126A CN113792632A CN 113792632 A CN113792632 A CN 113792632A CN 202111028126 A CN202111028126 A CN 202111028126A CN 113792632 A CN113792632 A CN 113792632A
- Authority
- CN
- China
- Prior art keywords
- finger vein
- model
- training
- module
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于多方合作的指静脉识别方法、***和存储介质,属于生物识别技术领域,在识别算法中,引入了基于注意力机制的轻量化指静脉识别算法,注意力机制能够更加关注网络结构抑制其他干扰因素,这使算法在具有较高的识别准确性的同时,消耗的算力低,以此改善算法的性能;采用多用于协同训练框架,既能***密又能通过合作中心协同共同训练,能够提高模型的鲁棒性。
Description
技术领域
本发明属于生物识别技术,涉及基于机器视觉的人工智能领域,具体涉及一种基于多方合作的指静脉识别方法、***和存储介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术或先有技术。
指静脉识别技术通过分析手指中静脉的纹路达到身份识别的目的。相比于身份识别技术,比如人脸识别,指纹识别等,指静脉识别技术具有较高的安全性,因为手指中静脉的纹路属于人体内部信息,无法复制,不可伪造。因此,作为目前公认的安全系数较高的生物识别技术之一,指静脉识别技术在银行***、保险行业等金融领域有着广泛的应用。
然而,在当前生产实践的过程中,指静脉识别技术无法得到大面积的推广,还存在着识别算法的不完善、训练数据集规模小以及算法与多终端数据格式不匹配等问题,具体如下。
1、识别算法不完善。指静脉识别算法作为指静脉识别技术中最重要的环节,直接影响了识别的准确性以及识别效率。当前市场上的算法往往直接使用ResNet、VGG、MobileNet、ShuffleNet等网络对指静脉纹路进行识别,然而ResNet、VGG等深度神经网络虽然具有优秀的识别性能,但是模型复杂,识别时间较长,不利于直接应用于终端设备;而MobileNet、ShuffleNet等轻量化网络结构的识别效果又亟待提高,参见图1,这类轻量网络在经过卷积、归一化、池化等操作之后,能够获得代表指静脉纹路的深度语义信息被提取出来。然而,受到噪声、采集设备不理想、指纹干扰等原因,影响了训练数据集的采集,获得的数据不干净,间接的干扰了模型的训练。因此需要一种强有力的识别技术,既能兼顾模型的准确性又能兼顾模型的识别算力(模型复杂度,识别时间)。
2、训练集数据规模小。当前基于神经网络的算法往往需要使用大规模的训练数据集,一般来说,训练数据集的规模越大,同等条件下训练得到的模型的性能越好。然而部分中小企业受到资源的限制而无法采集大规模的数据集,同时也只能采用小规模数据集对模型进行训练,但是采用小规模数据集训练的训练策略往往导致模型的泛化能力较差,鲁棒性不好,只能适应跟训练数据集极为相似的场景。
3、算法与应用终端数据格式的不匹配。数据格式包括采集指静脉图像过程中保存的图像的长宽比,图像格式类型(.jpg,,bmp,.tif等),指静脉目标区域占图像总区域的比率等等。由于目前市场上使用的指静脉识别产品时在采集指静脉纹路时的终端是多样化的,采集的数据格式具有不同属性,而目前单一数据集训练形成的算法无法针对多终端不同的数据格式具有较高的准确性,仅仅只适用与训练数据集相似的数据格式,因此需要消除算法和多应用终端数据格式不一导致的识别误差。
综上所诉,现在的指静脉识别技术在面向市场应用化过程中还存在诸多不足,需进一步改善。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于多方合作的指静脉识别方法、***和存储介质,其能解决上述问题。
设计原理:①针对识别算法的不完善,即基于轻量化模型指静脉算法的识别性能不佳,本专利提出了基于注意力机制的轻量化指静脉识别算法,较常规的识别算法而言,具有注意力机制的识别算法能够更加关注指静脉的网络结构,抑制其他干扰因素;②针对训练数据集较小以及算法与多终端数据格式不匹配的问题,本专利提出了多用户协同训练框架。常规的训练方式,往往是单用户模式,即单一用户、单一训练数据集、单一的训练数据格式,而多用户协同训练框架的提出,能够将多用户在保证企业机密***露的前提下共同训练,因此也聚合了不同数据集的属性,提高了模型的鲁棒性,而且在训练过程中多用户将对适应于自己数据格式特征的模型传递给合作中心共同训练模型,也避免了算法仅仅只适应于单一的数据格式的现象。
总体方案:为了解决上述问题,本申请的总体设计方案如下。
一种基于多方合作的指静脉识别方法,方法包括:
S1、数据采集:采集指静脉图像,并对采集的图像进行数据标注和清洗,以此规范化训练数据集;
S2、模型训练:首先建立引入注意力机制的训练模型,再基于多用户协同训练框架,多合作方之间在无数据交换的情况下共同训练得到优化的全局模型;
S3、模型测试:以步骤S2优化后的全局模型作为检测模型,将测试数据集带入检测模型进行检测。
进一步的,在步骤S2中,初始建立的训练模型采用卷积神经网络结构,且每一部分之后都增加一个注意力机制,形成具有注意力机制的网络结构。
进一步的,所述卷积神经网络结构采用轻量网络的MobileNet或ShuffleNet算法模型,注意力机制采用包括空间注意力机制模块和通道注意力机制模块的CBAM注意力机制。
进一步的,步骤S2中优化的全局模型获得包括以下训练步骤:
S221、合作方初始化模型参数;
S222、合作方更新本地模型并使用本地数据进行训练,得到N个本地模型;
S223、各个合作方分别对本地模型参数进行同态加密,将加密后的模型参数发送给合作中心;
S224、合作中心将N个模型参数进行聚合得到全局模型,将全局模型参数返回给各个合作方;
S225、各个合作方对返回的模型参数解密,重复S222~S224直至模型收敛或达到预设训练轮数,以此获得优化的全局模型。
进一步的,在步骤S223中,本地模型的参数通过同态加密算法进行加密。
进一步的,在步骤S3中测试数据集包括合法用户的手指静脉模型图集和非法用户的手指静脉模型图。
本发明还提供了一种指静脉身份识别***,***包括指静脉图像采集模块、图像预处理模块、身份认证模块、存储模块和结果输出模块,所述指静脉图像采集模块采用指静脉采集仪,其与图像预处理模块和存储模块电信连接;所述图像预处理模块将预存在存储模块的指静脉图像进行预处理;所述身份认证模块采用前述任一项所述的指静脉识别方法中的检测模型,将预处理后的图像提取特征进行合法性判断,通过与存储模块备份的合法指静脉图像比较判断是否为合法用户;所述存储模块存储有合法用户的指静脉图像和用户信息、指静脉识别方法以及新录入的待检测用户的指静脉图像;所述结果输出模块包括合法通过单元和非法报警单元。
本发明还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行前述指静脉识别方法的步骤。
相比现有技术,本发明的有益效果在于:通过本申请,在识别算法中,引入了基于注意力机制的轻量化指静脉识别算法,注意力机制能够更加关注网络结构抑制其他干扰因素,这使算法在具有较高的识别准确性的同时,消耗的算力低,以此改善算法的性能;采用多用户协同训练框架,既能***密又能通过合作中心协同共同训练,能够提高模型的鲁棒性。
附图说明
图1为常规的识别算法模型示意图;
图2为本发明基于注意力的识别算法模型示意图;
图3为改进的算法示意图;
图4为CBAM注意力机制原理示意图;
图5为多用户协同训练框架示意图;
图6为指静脉识别方法的整体方法流程图;
图7为识别***的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
识别方法
一种基于多方合作的指静脉识别方法,参见图6,方法包括:
S1、数据采集:采集指静脉图像,并对采集的图像进行数据标注和清洗,以此规范化训练数据集。
此处指静脉图像应尽量多采集,也可以应用迁移学习以减少样本量。图像的清洗包括ROI截取、图像增强、归一化等,还应包括特征提取进行标注,如二值化处理、边缘截取、旋转矫正、关节定位、最大主曲率等等。
S2、模型训练:首先建立引入注意力机制的训练模型,再基于多用户协同训练框架,多合作方之间在无数据交换的情况下共同训练得到优化的全局模型。
S3、模型测试:以步骤S2优化后的全局模型作为检测模型,将测试数据集带入检测模型进行检测。在步骤S3中测试数据集包括合法用户的手指静脉模型图集和非法用户的手指静脉模型图。
其中,在步骤S2中,初始建立的训练模型采用卷积神经网络结构,且每一部分之后都增加一个注意力机制,参见图2和图3,形成具有注意力机制的网络结构。
所述卷积神经网络结构采用轻量网络的MobileNet或ShuffleNet算法模型,注意力机制采用包括空间注意力机制模块和通道注意力机制模块的CBAM注意力机制。
该部分是为了改善算法的性能,使算法在具有较高的识别准确性的同时,消耗的算力较低,设计了基于注意力机制的算法模型,在卷积、归一化、池化等操作时,增加注意力机制,获得代表指静脉纹路的深度语义信息被提取出来。该注意力机制模型,能够有效的抑制指静脉图像中的噪声,关注指静脉的纹路。
CBAM注意力机制能够从空间特征(空间注意力机制模块关注特征图中,像素级别的指静脉纹理)和通道特征(通道注意力机制模块关注更具表达能力的特征通道)两个方面关注指静脉纹路,能够提高网络的识别能力,因此在本方案中可采用CBAM注意力机制。
CBAM注意力机制的网络结构参见图4,Fin输入特征通道注意力机制模块(channelattention block)时,首先分别经过最大池化(MaxPool)和平均池化(AvgPool),然后通过多层感知机(MLP)对两种特征图的通道特征进行加权,获得加权后的最大池化特征和平均池化特征,随后两种特征相加,进行数据激活,最后通过激活后获得的通道注意力特征矩阵(channel attention feature)与输入特征相乘得到通道微调特征(channel-refinedfeature)。而在空间注意力模块中通道微调特征(channel-refined feature)首先经过最大池化(MaxPool)和平均池化(AvgPool)之后直接拼接,随后经过卷积以及激活获得空间注意力特征矩阵(Spatial attention feature),最后空间注意力特征矩阵与通道微调特征相乘,获得输出Fout。具体而言:
Ms(x)=σ(f7×7(Cat(AvgPool(x),MaxPool(x)))) (3)
式中,σ(·)表示激活函数,MLP(·)表示多层感知机,f7×7(·)表示卷积核为7×7的卷积操作,Cat(·)表示特征之间的级联(拼接),AvgPool(·)表示平均池化,MaxPool(·)表示最大池化。
对于优化的全局模型,是针对训练数据集规模较小以及算法和多终端数据格式不匹配这两个问题,本方案设计了多用户协同训练框架,参见图5,其中,合作中心进行模型聚合。合作方对模型进行加密、解密,和训练本地模型。具体的,步骤S2中优化的全局模型获得包括以下训练步骤。
S221、合作方初始化模型参数。
S222、合作方更新本地模型并使用本地数据进行训练,得到N个本地模型。
S223、各个合作方分别对本地模型参数进行同态加密,将加密后的模型参数发送给合作中心。
S224、合作中心将N个模型参数进行聚合得到全局模型,将全局模型参数返回给各个合作方。
S225、各个合作方对返回的模型参数解密,重复S222~S224直至模型收敛或达到预设训练轮数,以此获得优化的全局模型。
在步骤S223中,本地模型的参数通过同态加密算法进行加密。同态加密算法保证了对合作方密文的解密结果等价于合作方明文,在保证数据内容安全的同时,进行联合训练,生成共同优化后的模型。常用的同态加密算法有RAS算法,Paillier算法等,在本专利中可采用RAS算法,算法过程包括:
a、产生公钥和私钥:
随意选择两个大的质数p和q,p不等于q,令N=pq,r=(p-1)(q-1);随机选择一个小于r的整数e(满足gcd(e,r)=1),求得e关于r的模反元素d(即e×d=1 mod r),则有公钥(N,e),私钥(N,d);
b、明文m,加密为c:c=me mod N;
c、密文为c,解密为m:m=cd mod N。
该种训练方式保证了数据隐私,可以在不交换数据的情况下共同训练,在各个合作方的数据***露的情况下,共同优化模型,利用各合作方的数据协作的训练出全局模型,提升模型效果,传输过程中通过对模型参数加密抵抗外界攻击。此外,多合作方的参与代表了多终端设备的进入,间接的解决了多终端数据不匹配的问题。
综上,针对识别算法的不完善,即基于轻量化模型指静脉算法的识别性能不佳,本方案提出了基于注意力机制的轻量化指静脉识别算法,较常规的识别算法而言,具有注意力机制的识别算法能够更加关注指静脉的网络结构,抑制其他干扰因素;同时,针对训练数据集较小以及算法与多终端数据格式不匹配的问题,本方案提出了多用户协同训练框架。常规的训练方式,往往是单用户模式,即单一用户、单一训练数据集、单一的训练数据格式,而多用户协同训练框架的提出,能够将多用户在保证企业机密***露的前提下共同训练,因此也聚合了不同数据集的属性,提高了模型的鲁棒性,而且在训练过程中多用户将对适应于自己数据格式特征的模型传递给合作中心共同训练模型,也避免了算法仅仅只适应于单一的数据格式的现象。
识别***
一种指静脉身份识别***,参见图7,***包括指静脉图像采集模块、图像预处理模块、身份认证模块、存储模块和结果输出模块。
所述指静脉图像采集模块采用指静脉采集仪,其与图像预处理模块和存储模块电信连接。
所述图像预处理模块将预存在存储模块的指静脉图像进行预处理。
所述身份认证模块采用前述的指静脉识别方法中的检测模型,将预处理后的图像提取特征进行合法性判断,通过与存储模块备份的合法指静脉图像比较判断是否为合法用户。
所述存储模块存储有合法用户的指静脉图像和用户信息、指静脉识别方法以及新录入的待检测用户的指静脉图像。
所述结果输出模块包括合法通过单元和非法报警单元。合法通过单元如门禁等,非法报警单元如蜂鸣器、警示灯和或提示语音等。
存储介质
本发明还提供了一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行前述指静脉识别方法的步骤。其中,所述方法请参见前述部分的详细介绍,此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于多方合作的指静脉识别方法,其特征在于,方法包括:
S1、数据采集:采集指静脉图像,并对采集的图像进行数据标注和清洗,以此规范化训练数据集;
S2、模型训练:首先建立引入注意力机制的训练模型,再基于多用户协同训练框架,多合作方之间在无数据交换的情况下共同训练得到优化的全局模型;
S3、模型测试:以步骤S2优化后的全局模型作为检测模型,将测试数据集带入检测模型进行检测。
2.根据权利要求1所述的指静脉识别方法,其特征在于:在步骤S2中,初始建立的训练模型采用卷积神经网络结构,且每一部分之后都增加一个注意力机制,形成具有注意力机制的网络结构。
3.根据权利要求2所述的指静脉识别方法,其特征在于:所述卷积神经网络结构采用轻量网络的MobileNet或ShuffleNet算法模型,注意力机制采用包括空间注意力机制模块和通道注意力机制模块的CBAM注意力机制。
4.根据权利要求1所述的指静脉识别方法,其特征在于:步骤S2中优化的全局模型获得包括以下训练步骤:
S221、合作方初始化模型参数;
S222、合作方更新本地模型并使用本地数据进行训练,得到N个本地模型;
S223、各个合作方分别对本地模型参数进行同态加密,将加密后的模型参数发送给合作中心;
S224、合作中心将N个模型参数进行聚合得到全局模型,将全局模型参数返回给各个合作方;
S225、各个合作方对返回的模型参数解密,重复S222~S224直至模型收敛或达到预设训练轮数,以此获得优化的全局模型。
5.根据权利要求4所述的指静脉识别方法,其特征在于:在步骤S223中,本地模型的参数通过同态加密算法进行加密。
6.根据权利要求5所述的指静脉识别方法,其特征在于:所述同态加密算法采用RAS算法,算法过程包括:
a、产生公钥和私钥:
随意选择两个大的质数p和q,p不等于q,令N=pq,r=(p-1)(q-1);随机选择一个小于r的整数e(满足gcd(e,r)=1),求得e关于r的模反元素d(即e×d=1mod r),则有公钥(N,e),私钥(N,d);
b、明文m,加密为c:c=me modN;
c、密文为c,解密为m:m=cd modN。
7.根据权利要求1所述的指静脉识别方法,其特征在于:在步骤S3中测试数据集包括合法用户的手指静脉模型图集和非法用户的手指静脉模型图。
8.一种指静脉身份识别***,其特征在于:***包括指静脉图像采集模块、图像预处理模块、身份认证模块、存储模块和结果输出模块,
所述指静脉图像采集模块采用指静脉采集仪,其与图像预处理模块和存储模块电信连接;
所述图像预处理模块将预存在存储模块的指静脉图像进行预处理;
所述身份认证模块采用权利要求1-7任一项所述的指静脉识别方法中的检测模型,将预处理后的图像提取特征进行合法性判断,通过与存储模块备份的合法指静脉图像比较判断是否为合法用户;
所述存储模块存储有合法用户的指静脉图像和用户信息、指静脉识别方法以及新录入的待检测用户的指静脉图像;
所述结果输出模块包括合法通过单元和非法报警单元。
9.一种存储介质,其特征在于:其中所述存储介质存储有计算机指令,所述计算机指令当运行时执行权利要求1-7任一项所述的指静脉识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028126.6A CN113792632A (zh) | 2021-09-02 | 2021-09-02 | 基于多方合作的指静脉识别方法、***和存储介质 |
PCT/CN2021/136425 WO2023029274A1 (zh) | 2021-09-02 | 2021-12-08 | 基于多方合作的指静脉识别方法、***和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028126.6A CN113792632A (zh) | 2021-09-02 | 2021-09-02 | 基于多方合作的指静脉识别方法、***和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792632A true CN113792632A (zh) | 2021-12-14 |
Family
ID=79182571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028126.6A Pending CN113792632A (zh) | 2021-09-02 | 2021-09-02 | 基于多方合作的指静脉识别方法、***和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113792632A (zh) |
WO (1) | WO2023029274A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363712A (zh) * | 2023-03-21 | 2023-06-30 | 中国矿业大学 | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274824B (zh) * | 2023-11-21 | 2024-02-27 | 岭南设计集团有限公司 | 一种基于人工智能的红树林生长状态检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
WO2020211339A1 (zh) * | 2019-04-16 | 2020-10-22 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN111931876A (zh) * | 2020-10-12 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种用于分布式模型训练的目标数据方筛选方法及*** |
CN112001292A (zh) * | 2020-08-18 | 2020-11-27 | 大连海事大学 | 一种基于多尺度注意力机制深度哈希的指静脉索引方法 |
CN112668472A (zh) * | 2020-12-28 | 2021-04-16 | 中国科学院自动化研究所 | 基于联邦学习的虹膜图像特征提取方法、***和装置 |
CN112862001A (zh) * | 2021-03-18 | 2021-05-28 | 中山大学 | 一种隐私保护下的去中心化数据建模方法 |
CN113312989A (zh) * | 2021-05-11 | 2021-08-27 | 华南理工大学 | 一种基于聚合描述子与注意力的指静脉特征提取网络 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018093105A1 (ko) * | 2016-11-18 | 2018-05-24 | 주식회사 올아이티탑 | 생체정보의 알고리즘을 동시에 연동시키는 입출력 통합모듈 |
CN107967462A (zh) * | 2017-12-12 | 2018-04-27 | 天津津航计算技术研究所 | 一种基于指静脉生物特征的身份识别方法 |
CN112949570B (zh) * | 2021-03-26 | 2022-08-09 | 长春工业大学 | 一种基于残差注意力机制的指静脉识别方法 |
CN113255210B (zh) * | 2021-05-13 | 2022-12-02 | 燕山大学 | 一种风电机组联邦故障诊断方法及*** |
CN113255759B (zh) * | 2021-05-20 | 2023-08-22 | 广州广电运通金融电子股份有限公司 | 基于注意力机制的目标内特征检测***、方法和存储介质 |
-
2021
- 2021-09-02 CN CN202111028126.6A patent/CN113792632A/zh active Pending
- 2021-12-08 WO PCT/CN2021/136425 patent/WO2023029274A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020211339A1 (zh) * | 2019-04-16 | 2020-10-22 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
CN112001292A (zh) * | 2020-08-18 | 2020-11-27 | 大连海事大学 | 一种基于多尺度注意力机制深度哈希的指静脉索引方法 |
CN111931876A (zh) * | 2020-10-12 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种用于分布式模型训练的目标数据方筛选方法及*** |
CN112668472A (zh) * | 2020-12-28 | 2021-04-16 | 中国科学院自动化研究所 | 基于联邦学习的虹膜图像特征提取方法、***和装置 |
CN112862001A (zh) * | 2021-03-18 | 2021-05-28 | 中山大学 | 一种隐私保护下的去中心化数据建模方法 |
CN113312989A (zh) * | 2021-05-11 | 2021-08-27 | 华南理工大学 | 一种基于聚合描述子与注意力的指静脉特征提取网络 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363712A (zh) * | 2023-03-21 | 2023-06-30 | 中国矿业大学 | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 |
CN116363712B (zh) * | 2023-03-21 | 2023-10-31 | 中国矿业大学 | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023029274A1 (zh) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manisha et al. | Cancelable biometrics: a comprehensive survey | |
CN113688855B (zh) | 数据处理方法、联邦学习的训练方法及相关装置、设备 | |
US8542886B2 (en) | System for secure face identification (SCIFI) and methods useful in conjunction therewith | |
CN109194507B (zh) | 非交互式的保护隐私神经网络预测方法 | |
Wang et al. | A compressive sensing based secure watermark detection and privacy preserving storage framework | |
CN1860724B (zh) | 用于标识的方法 | |
US20230021661A1 (en) | Forgery detection of face image | |
CN113792632A (zh) | 基于多方合作的指静脉识别方法、***和存储介质 | |
Nazir et al. | Robust secure color image watermarking using 4D hyperchaotic system, DWT, HbD, and SVD based on improved FOA algorithm | |
US20230050481A1 (en) | Distributed private key recovery | |
Mi et al. | Duetface: Collaborative privacy-preserving face recognition via channel splitting in the frequency domain | |
Khoo et al. | Deepfake attribution: On the source identification of artificially generated images | |
Tiwari et al. | Security Protection Mechanism in Cloud Computing Authorization Model Using Machine Learning Techniques | |
Abood et al. | Securing audio transmission based on encoding and steganography | |
Shalaby et al. | An efficient multi-factor authentication scheme based CNNs for securing ATMs over cognitive-IoT | |
Saealal et al. | Three-Dimensional Convolutional Approaches for the Verification of Deepfake Videos: The Effect of Image Depth Size on Authentication Performance | |
Raju et al. | Digital image watermarking based on hybrid FRT-HD-DWT domain and flamingo search optimisation | |
CN113807258A (zh) | 一种基于神经网络与dct变换的加密人脸识别方法 | |
Aeloor et al. | Securing biometric data with visual cryptography and steganography | |
Ivanov et al. | Authentication of swipe fingerprint scanners | |
Xiong et al. | Detecting GAN-based privacy attack in distributed learning | |
Fernández-Menduiña et al. | On the information leakage quantification of camera fingerprint estimates | |
CN114758393A (zh) | 一种支持隐私保护的深度伪造人脸图像检测方法 | |
Inoue et al. | Amplitude based keyless optical encryption system using deep neural network | |
Chang et al. | [Retracted] Application of Face Recognition in E‐commerce Security Authentication in the Era of Big Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |