CN114866345B - 一种生物识别的处理方法、装置及设备 - Google Patents
一种生物识别的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN114866345B CN114866345B CN202210783724.2A CN202210783724A CN114866345B CN 114866345 B CN114866345 B CN 114866345B CN 202210783724 A CN202210783724 A CN 202210783724A CN 114866345 B CN114866345 B CN 114866345B
- Authority
- CN
- China
- Prior art keywords
- information
- biological information
- biological
- tensor
- biometric
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
- H04L63/1466—Active attacks involving interception, injection, modification, spoofing of data unit addresses, e.g. hijacking, packet injection or TCP sequence number attacks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书实施例公开了一种生物识别的处理方法、装置及设备,该方法包括:接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种生物识别的处理方法、装置及设备。
背景技术
随着深度学习的快速发展,生物识别技术得到了广泛应用,例如,当前金融、社保、医疗、教育、交通等领域中的个人身份认证均引入了生物识别技术。
在线下,生物识别技术常用于智能安防、智慧医疗、智能家居等领域;在线上,生物识别技术常用于智能手机解锁、应用程序的辅助登录等领域。但是,生物识别技术在不断提升用户体验的同时,也带来了严重的安全性隐患,由于黑客攻击和生物识别技术的局限性,用于生物识别的模型正遭受各种攻击,例如,通过对面部识别模型的终端设备进行hook注入来实现对用户信息或资源的窃取,即攻击者利用预先准备的图像或视频替换掉摄像组件采集的图像或视频进而完成服务端的面部识别处理,为此,需要提供一种能够有效防止用户的生物信息被重放攻击,以有效保障生物识别模型安全,并防止用户隐私数据泄露、资损等安全隐患的技术方案。
发明内容
本说明书实施例的目的是提供一种能够有效防止用户的生物信息被重放攻击,以有效保障生物识别模型安全,并防止用户隐私数据泄露、资损等安全隐患的技术方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种生物识别的处理方法,所述方法包括:接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息。基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵。基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息。基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
本说明书实施例提供的一种生物识别的处理装置,所述装置包括:请求模块,接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息。信息转换模块,基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵。处理模块,基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息。识别模块,基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
本说明书实施例提供的一种生物识别的处理设备,所述生物识别的处理设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息。基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵。基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息。基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
本说明书实施例还提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息。基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵。基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息。基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图;
图1A为本说明书一种生物识别的处理方法实施例;
图1B为本说明书一种生物识别的处理过程示意图;
图2为本说明书一种生物识别的处理***的结构示意图;
图3为本说明书另一种生物识别的处理过程示意图;
图4为本说明书又一种生物识别的处理过程示意图;
图5为本说明书一种生物识别的处理装置实施例;
图6为本说明书一种生物识别的处理设备实施例。
具体实施方式
本说明书实施例提供一种生物识别的处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1A和图1B所示,本说明书实施例提供一种生物识别的处理方法,该方法的执行主体可以为服务器,其中,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S102中,接收终端设备发送的生物识别请求,该生物识别请求中包括目标用户用于进行生物识别处理的生物信息。
其中,终端设备可以如手机、平板电脑等移动终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等),还可以是预先设置的具有某种功能的机具等,具体可以根据实际情况。目标用户可以是任意用户,如上述终端设备的拥有者,目标用户可以通过该终端设备发起生物识别请求。生物信息可以包括多种,例如用户的指纹信息、掌纹信息、面部信息或虹膜信息等,在实际应用中,上述生物信息的承载体可以包括多种,例如可以通过图像的方式承载上述各种生物信息等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,随着深度学习的快速发展,生物识别技术得到了广泛应用,例如,当前金融、社保、医疗、教育、交通等领域中的个人身份认证均引入了生物识别技术。在线下,生物识别技术常用于智能安防、智慧医疗、智能家居等领域;在线上,生物识别技术常用于智能手机解锁、应用程序的辅助登录等领域。但是,生物识别技术在不断提升用户体验的同时,也带来了严重的安全性隐患,由于黑客攻击和生物识别技术的局限性,用于生物识别的模型正遭受各种攻击,例如,通过对面部识别模型的终端设备进行hook注入来实现对用户信息或资源的窃取,即攻击者利用预先准备的图像或视频替换掉摄像组件采集的图像或视频进而完成服务端的面部识别处理,为此,需要提供一种能够有效防止用户的生物信息被重放攻击,以有效保障生物识别模型安全,并防止用户隐私数据泄露、资损等安全隐患的技术方案。本说明书实施例提供一种可实现的技术方案,具体可以包括以下内容:
当用户(即目标用户)需要执行某项指定业务(如支付业务、登录业务等)时,可以触发上述指定业务的执行机制,在执行上述指定业务之前往往需要对该用户的身份进行识别,此时,终端设备可以启动相应的信息采集组件,如指纹采集组件、摄像组件、掌纹采集组件等,并可以通过信息采集组件采集目标用户的生物信息,具体如,可以采集目标用户的指纹图像、面部图像、掌纹图像或虹膜图像等。终端设备可以获取预先设置的质量分算法对采集的生物信息进行筛选,可以从中选取图像质量较好(如图像较清晰、图像内容较丰富、用户的生物信息对应的特征较明显或较突出等)的生物信息。然后,可以对选取的生物信息进行预处理,具体如,可以对生物信息所在的图像进行裁剪和/或压缩处理,从而使得生物信息所在的图像的大小在预设的第一范围内,该图像所占用的存储空间的大小在预设的第二范围内等,从而使得预处理后的图像均满足特定的条件,以达到输出满足统一条件的信息的目的。如图2所示,终端设备可以基于上述处理后的生物信息生成生物识别请求,并可以将该生物识别请求发送给服务器,服务器可以接收终端设备发送的生物识别请求。
在步骤S104中,基于上述生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵。
其中,张量可以是一个多维的数据存储形式(多维数组),其中数据的维度被称为张量的阶,它可以被认为是向量和矩阵在多维空间中的推广,或者也可以认为是,一个N维或N阶张量是N个向量空间的张量积的一个元素,每个向量空间具有相应的坐标系,其中零阶张量是标量,一阶的张量是一个向量,二阶的张量是矩阵,三阶的张量及三阶以上的张量即为高阶张量。因子矩阵也可以称为因子载荷矩阵,具体定义与常用的因子载荷矩阵相同,在此不再赘述。
在实施中,服务器接收到生物识别请求时,可以从生物识别请求中提取目标用户的生物信息,在实际应用中,该生物信息可以通过图像等方式呈现。为了使得生物信息对进行较小的调整(如相对位置的调整,放置角度的调整等)具有一定的抵抗能力(即进行上述调整后,不会影响生物识别的结果),并且使得后续生物识别的处理中具有更强的鲁棒性,可以基于目标用户的生物信息构造相应的张量,具体地,可以对该生物信息的相关信息进行分析,并可以基于该生物信息或该生物信息的相关信息构造相应的张量,例如,可以对该生物信息所在的图像的颜色空间进行分析,得到该生物信息所在的图像的颜色空间中包含的各个参数,可以基于上述得到的颜色空间中包含的各个参数构建多阶张量(如三阶张量或五阶张量等),该多阶张量中每一阶的参数可以由该生物信息所在的图像的颜色空间中包含的参数确定。
可以根据实际情况,预先设定张量分解算法,通过张量分解算法所进行的张量分解可以看作是矩阵奇异值分解SVD和主成分分析PCA,即矩阵分解的高阶泛化。张量分解算法能够解决维度较高的问题,采用张量对目标用户的生物信息进行存储,能够保留生物信息的结构信息,张量分解算法可以包括多种,例如BTD分解算法等。可以使用上述张量分解算法对与该生物信息相应的张量进行分解,得到相应的因子矩阵,具体的张量分解过程可以通过预设的具体张量分解算法对应的处理过程执行,本实施例中在此不再赘述。上述张量分解算法能够有效的反映原张量(即与该生物信息相应的张量)的拓扑结构,可以较好的确保唯一性。
在步骤S106中,基于上述因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到上述生物信息对应的第一编码信息。
在实施中,为了能够快速准确的对用户的生物信息进行风险识别(如可以确定用户的生物信息是否是通过HOOK等方式提供的等),可以使用指定的编码方式对上述因子矩阵进行编码处理,从而使得目标用户的生物信息形成统一的相对简化的数据形式,具体地,可以根据实际情况预先设定因子矩阵的编码方式或编码算法,具体如,该编码方式或编码算法可以是从数据中获取部分数据(如其中的重要数据或其中的数据特征等),基于该部分数据进行指定的计算,得到相应的计算结果,该计算结果即可以作为该数据的编码信息,基于此,可以基于该因子矩阵中包含的元素通过上述编码方式或编码算法可以得到相应的编码信息,可以将上述编码信息组合得到上述生物信息对应的第一编码信息。
在步骤S108中,基于上述生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定上述生物识别请求对应的生物识别结果。
在实施中,为了判断目标用户本次进行生物识别处理所使用的生物信息不存在风险,可以获取目标用户在本次生物识别之前进行的生物识别处理的过程中获取的生物信息(即历史生物信息),该历史生物信息可以是一个,也可以是多个,可以通过上述编码方式或编码算法对每个历史生物信息进行编码处理,得到相应的第二编码信息。可以将第一编码信息分别与每个第二编码信息进行比较,如果第二编码信息中存在与第一编码信息之间的差别最小的第二编码信息,且两者的差别处于指定的范围内,则可以确定目标用户的生物信息可能存在较高风险,此时,可以生成生物识别失败的生物识别结果,否则,可以基于该生物信息对目标用户进行生物识别处理,得到相应的生物识别结果。
需要说明的是,上述具体处理过程仅是可实现的方式,在实际应用中,还可以包括多种不同的处理方式,具体可以根据实际情况设定,本说明书实施例对此不做限定。
本说明书实施例提供一种生物识别的处理方法,通过接收到终端设备发送的生物识别请求中目标用户用于进行生物识别处理的生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵,基于该因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到该生物信息对应的第一编码信息,基于该生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定该生物识别请求对应的生物识别结果,这样,基于张量分解的方式构造生物信息的编码信息进而进行生物信息重放攻击检测,能够有效防止用户的生物信息被重放攻击,对利用真实视频和照片进行攻击和各类高端注入等攻击手法具有很好的检测效果,进而可以是对当前攻击检测方案的很好补充方案,并有效保障生物识别模型安全,防止用户隐私数据泄露、资损等安全隐患。
实施例二
如图3所示,本说明书实施例提供一种生物识别的处理方法,该方法的执行主体可以为服务器,其中,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S302中,接收终端设备发送的生物识别请求,该生物识别请求中包括目标用户用于进行生物识别处理的生物信息。
其中,生物信息可以包括面部信息,该面部信息可以是基于面部图像确定。
在实施中,为了保证生物信息在传输过程中的安全性,终端设备对该生物信息进行相应的处理后,对处理后的生物信息进行加密处理,具体地,可以预先设定加密算法,例如,对称加密算法(具体如DES算法、3DES算法、TDEA算法、Blowfish算法、RC5算法、IDEA算法等)或非对称加密算法(具体如RSA算法、Elgamal算法、背包算法、Rabin算法、D-H算法、ECC算法、同态加密算法、全态加密算法、部分同态加密算法等),然后,可以通过预设的加密算法对处理后的生物信息进行加密处理,得到加密后的生物信息,可以基于加密后的生物信息生成生物识别请求,并可以将生物识别请求发送给服务器,服务器可以接收该生物识别请求。
在步骤S304中,对上述生物信息进行解密处理,得到解密后的生物信息。
在实施中,服务器中可以设置有与终端设备中的加密算法相对应的解密算法,服务器接收到终端设备发送的生物识别请求时,可以使用设置的解密算法对生物识别请求中的生物信息进行解密处理,得到解密后的生物信息。
在步骤S306中,对解密后的生物信息进行预处理,得到预处理后的生物信息,该预处理包括线性插值处理、颜色空间转换处理和低通滤波处理中的一项或多项。
其中,线性插值处理可以是指通过插值函数为一次多项式的插值方式进行插值处理的过程,线性插值在插值节点上的插值误差为零,线性插值可以用于概述利用经过任意2个不同的点的直线来近似表示原函数,线性插值可以用来近似代替原函数。颜色空间转换处理中的颜色空间可以包括多种,例如,RGB颜色空间、CMY颜色空间、HSV颜色空间、HSI颜色空间等,颜色空间转换处理可以是上述不同的样色空间之间相互转换的处理过程,例如,将某图像中的RGB颜色空间转换为CMY颜色空间、将某图像中的RGB颜色空间转换为HSI颜色空间等,具体可以根据实际情况设定。
在实施中,为了减轻数字操作对后续生物信息处理过程的影响,可以对生物信息进行预处理,具体如,可以对解密后的生物信息进行线性插值处理,得到处理后的生物信息,然后,还可以对上述处理后的生物信息进行低通滤波,得到预处理后的生物信息等,具体也可以根据实际情况执行相应的预处理,本说明书实施例对此不做限定。
在步骤S308中,基于预处理后的生物信息,生成与上述生物信息相应的张量。
上述步骤S308的具体处理过程可以参见上述实施例一中的相关内容,在此不再赘述。
在实际应用中,本实施例可以再提供一种可选的处理方式,在该处理方式中,上述预处理可以包括颜色空间转换处理,相应的上述步骤S306和步骤S308的处理可以包括:将承载上述生物信息的图像的RGB颜色空间转换为CIE-Lab颜色空间,并确定转换后得到的CIE-Lab颜色空间中的参数L;基于该生物信息的CIE-Lab颜色空间,随机生成大小为Q*Q*L的三阶张量,将该三阶张量作为与该生物信息相应的张量。
其中,CIE-Lab颜色空间可以是颜色-对立空间,其中的参数L是一个维度,它表示亮度,参数a和参数b也分别表示一个维度,它们表示颜色对立维度,CIE-Lab颜色空间是均匀的颜色空间,其中的均匀是当数值均匀变化时,人的感官也是均匀变化的,在CIE-Lab颜色空间中均匀改变对应于在感知颜色中的均匀改变,所以在CIE-Lab颜色空间中任何两个颜色的相对感知差别,可以通过把每个颜色处理为(有三个参数(或三个分量),即L、a和b的)三维空间中一个点来近似。
在实施中,RGB颜色空间中可以包括红色、绿色、蓝色的亮度值等参数,CIE-Lab颜色空间中包括亮度和颜色对立维度,即参数L、参数a和参数b,可以基于上述两种颜色空间中的各个参数,确定RGB颜色空间向CIE-Lab颜色空间转换的表达式,具体地,在实际应用中,可以通过几何推导的方式确定RGB颜色空间向CIE-Lab颜色空间转换的表达式,或者,可以通过坐标变换的方式确定RGB颜色空间向CIE-Lab颜色空间转换的表达式等,此外,还可以通过除上述方式之外的多种方式确定RGB颜色空间向CIE-Lab颜色空间转换的表达式,具体可以根据实际情况设定,本说明书实施例对此不做限定。通过上述表达式将承载上述生物信息的图像的RGB颜色空间转换为CIE-Lab颜色空间,并得到转换后得到的CIE-Lab颜色空间中的参数L、参数a和参数b。
为了得到安全稳定的张量,可以构造一个随机的大小为Q*Q*L的三阶张量,可以将将该三阶张量作为与该生物信息相应的张量。其中的两个Q可以为三阶张量中的2个维度,Q的取值可以根据实际情况设定,具体如可以根据专家经验设置Q的数值,也可以随机设置Q的数值,还可以根据上述CIE-Lab颜色空间中的参数L、参数a和参数b中的一个参数或多个参数来设置Q的数值(具体如Q的数值为参数a的K倍或为参数a和参数b的和的K倍或为参数a和参数b的乘积的K倍或为参数a和参数b之差的K倍或Q的数值与参数L、参数a和参数b中的多个参数满足其它关联关系等等)。
在步骤S310中,通过预设的张量分解算法对与上述生物信息相应的三阶张量进行分解,得到能够反映该张量的拓扑结构的三个正交因子矩阵,该张量分解算法为基于CP分解算法、Tucker分解算法或BTD分解算法。
其中,Tucker分解算法可以是指将一个张量表示成一个核张量(Core Tensor)沿着每一个模式乘上一个矩阵的形式的算法。CP分解算法可以是将一个张量分解成多个秩为1的张量之和的形式的算法。BTD分解算法可以将一个N阶张量分解为R个成员张量的形式。
在实施中,以张量分解算法为Tucker分解算法为例,可以使用Tucker分解算法对与上述生物信息相应的三阶张量进行分解,从而可以将三阶张量分解为三个正交因子矩阵,通过Tucker分解算法能够有效的反映原张量的拓扑结构,可以较好的确保唯一性。
在步骤S312中,基于上述三个正交因子矩阵,对三个正交因子矩阵中包含的元素进行哈希计算,得到三个正交因子矩阵对应的哈希值,将三个正交因子矩阵对应的哈希值确定为上述生物信息对应的第一编码信息。
其中,哈希值可以是散列值,具体可以是MD5值或其他鲁棒哈希sift等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,通过上述的张量分解,可以得到三个正交因子矩阵,从而可以得到3个特征向量,可以对3个特征向量的每个元素进行哈希计算,得到三个正交因子矩阵对应的哈希值,可以将将三个正交因子矩阵对应的哈希值确定为上述生物信息对应的第一编码信息,第一编码信息的长度可以为2Q+L。
在步骤S314中,计算上述生物信息对应的第一编码信息分别与每个第二编码信息之间的相似度。
其中,第二编码信息可以是基于目标用户的历史生物信息确定,具体可以参见上述相关内容,在此不再赘述。第二编码信息的长度可以与第一编码信息的长度相同,如果第一编码信息的长度为2Q+L,则第二编码信息的长度也可以为2Q+L。
在实施中,计算上述生物信息对应的第一编码信息分别与每个第二编码信息之间的相似度的方式可以多种多样,例如,可以对两个编码信息的内容进行比对,确定其中包含的不同内容的比例,或者,可以通过余弦相似度算法等计算上述生物信息对应的第一编码信息分别与每个第二编码信息之间的相似度,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实际应用中,上述步骤S314的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:计算上述生物信息对应的第一编码信息分别与每个第二编码信息之间的汉明距离,将计算得到的汉明距离作为该生物信息对应的第一编码信息分别与每个第二编码信息之间的相似度。
其中,汉明距离可以用于表示两个(相同长度)字符串对应位置的不同字符的数量,在具体计算的过程中,可以通过对两个字符串进行异或运算,并统计结果为1的个数,统计得到的个数即可以作为汉明距离。
在步骤S316中,获取计算的相似度中的数值最小的第一相似度,如果第一相似度小于预设阈值,则确定上述生物识别请求对应的生物识别处理存在风险,并确定该生物识别请求对应的生物识别结果为生物识别失败。
在实施中,可以从上述计算的汉明距离中查找汉明距离的最小值,作为计算的相似度中的数值最小的第一相似度。然后,可以将上述汉明距离的最小值与预设阈值进行比较,如果该汉明距离的最小值小于预设阈值,则可以判定生物识别存在生物信息重放攻击,即确定上述生物识别请求对应的生物识别处理存在风险,此时,可以确定该生物识别请求对应的生物识别结果为生物识别失败,否则,可以判定上述生物识别请求对应的生物识别处理不存在风险,可以基于该生物信息对目标用户进行生物识别处理。
本说明书实施例提供一种生物识别的处理方法,通过接收到终端设备发送的生物识别请求中目标用户用于进行生物识别处理的生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵,基于该因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到该生物信息对应的第一编码信息,基于该生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定该生物识别请求对应的生物识别结果,这样,基于张量分解的方式构造生物信息的编码信息进而进行生物信息重放攻击检测,能够有效防止用户的生物信息被重放攻击,对利用真实视频和照片进行攻击和各类高端注入等攻击手法具有很好的检测效果,进而可以是对当前攻击检测方案的很好补充方案,并有效保障生物识别模型安全,防止用户隐私数据泄露、资损等安全隐患。
实施例三
本实施例将结合具体的应用场景,对本发明实施例提供的一种生物识别的处理方法进行详细的阐述,相应的应用场景为面部识别的应用场景,其中,生物识别请求为面部识别请求,生物信息以面部图像表征。
如图4所示,本说明书实施例提供一种生物识别的处理方法,该方法的执行主体可以为服务器,其中,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S402中,接收终端设备发送的面部识别请求,该面部识别请求中包括目标用户用于进行生物识别处理的面部图像。
其中,面部图像中可以包括目标用户的面部信息,面部图像是经过终端设备加密处理后的图像。
在步骤S404中,对上述面部图像进行解密处理,得到解密后的面部图像。
在步骤S406中,对解密后的面部图像进行预处理,得到预处理后的面部图像,该预处理包括线性插值处理、颜色空间转换处理和低通滤波处理中的一项或多项。
在步骤S408中,基于预处理后的面部图像,生成与上述面部图像相应的张量。
其中,可以将面部图像的RGB颜色空间转换为CIE-Lab颜色空间,并确定转换后得到的CIE-Lab颜色空间中的参数L;基于该面部图像的CIE-Lab颜色空间,随机生成大小为Q*Q*L的三阶张量,将该三阶张量作为与该面部图像相应的张量。
在步骤S410中,通过Tucker分解算法对与上述面部图像相应的三阶张量进行分解,得到能够反映该张量的拓扑结构的三个正交因子矩阵。
在步骤S412中,基于上述三个正交因子矩阵对应的三个特征向量,对三个特征向量中包含的元素进行图像哈希,得到三个正交因子矩阵对应的哈希值,将三个正交因子矩阵对应的哈希值确定为上述面部图像对应的第一编码信息。
在步骤S414中,计算上述面部图像对应的第一编码信息分别与每个第二编码信息之间的汉明距离,将计算得到的汉明距离作为该面部图像对应的第一编码信息分别与每个第二编码信息之间的相似度。
在步骤S416中,获取计算的汉明距离中的数值最小的汉明距离,如果获取的汉明距离小于预设阈值,则确定上述面部识别请求对应的面部识别处理存在风险,并确定该面部识别请求对应的面部识别结果为面部识别失败。
本说明书实施例提供一种生物识别的处理方法,通过接收到终端设备发送的生物识别请求中目标用户用于进行生物识别处理的生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵,基于该因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到该生物信息对应的第一编码信息,基于该生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定该生物识别请求对应的生物识别结果,这样,基于张量分解的方式构造生物信息的编码信息进而进行生物信息重放攻击检测,能够有效防止用户的生物信息被重放攻击,对利用真实视频和照片进行攻击和各类高端注入等攻击手法具有很好的检测效果,进而可以是对当前攻击检测方案的很好补充方案,并有效保障生物识别模型安全,防止用户隐私数据泄露、资损等安全隐患。
实施例四
基于同样的思路,本说明书实施例还提供一种生物识别的处理装置,如图5所示。
该生物识别的处理装置包括:请求模块501、信息转换模块502、处理模块503和识别模块504,其中:
请求模块501,接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
信息转换模块502,基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
处理模块503,基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
识别模块504,基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
本说明书实施例中,所述生物信息是通过预设的加密算法进行加密后得到的信息,所述加密算法为对称加密算法或非对称加密算法,所述装置还包括:
解密模块,对所述生物信息进行解密处理,得到解密后的生物信息;
所述信息转换模块502,基于解密后的生物信息,生成与所述生物信息相应的张量。
本说明书实施例中,所述生物信息是基于包含所述目标用户的生物信息的图像确定,所述装置还包括:
预处理模块,对所述生物信息进行预处理,得到预处理后的生物信息,所述预处理包括线性插值处理、颜色空间转换处理和低通滤波处理中的一项或多项;
所述信息转换模块502,基于预处理后的生物信息,生成与所述生物信息相应的张量。
本说明书实施例中,所述预处理包括颜色空间转换处理,
所述预处理模块,将承载所述生物信息的图像的RGB颜色空间转换为CIE-Lab颜色空间,并确定转换后得到的CIE-Lab颜色空间中的参数L;
所述信息转换模块502,基于所述生物信息的所述CIE-Lab颜色空间,随机生成大小为Q*Q*L的三阶张量,将所述三阶张量作为与所述生物信息相应的张量,其中的两个Q为所述三阶张量中的2个维度。
本说明书实施例中,所述信息转换模块502,通过预设的张量分解算法对与所述生物信息相应的三阶张量进行分解,得到能够反映所述张量的拓扑结构的三个正交因子矩阵,所述张量分解算法为基于CP分解算法、Tucker分解算法或BTD分解算法。
本说明书实施例中,所述处理模块503,基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
本说明书实施例中,所述识别模块504,包括:
计算单元,计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度;
识别单元,获取计算的相似度中的数值最小的第一相似度,如果所述第一相似度小于预设阈值,则确定所述生物识别请求对应的生物识别处理存在风险,并确定所述生物识别请求对应的生物识别结果为生物识别失败。
本说明书实施例中,所述计算单元,计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的汉明距离,将计算得到的汉明距离作为所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度。
本说明书实施例提供一种生物识别的处理装置,通过接收到终端设备发送的生物识别请求中目标用户用于进行生物识别处理的生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵,基于该因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到该生物信息对应的第一编码信息,基于该生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定该生物识别请求对应的生物识别结果,这样,基于张量分解的方式构造生物信息的编码信息进而进行生物信息重放攻击检测,能够有效防止用户的生物信息被重放攻击,对利用真实视频和照片进行攻击和各类高端注入等攻击手法具有很好的检测效果,进而可以是对当前攻击检测方案的很好补充方案,并有效保障生物识别模型安全,防止用户隐私数据泄露、资损等安全隐患。
实施例五
以上为本说明书实施例提供的生物识别的处理装置,基于同样的思路,本说明书实施例还提供一种生物识别的处理设备,如图6所示。
所述生物识别的处理设备可以为上述实施例提供的服务器等。
生物识别的处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器601和存储器602,存储器602中可以存储有一个或一个以上存储应用程序或数据。其中,存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对生物识别的处理设备中的一系列计算机可执行指令。更进一步地,处理器601可以设置为与存储器602通信,在生物识别的处理设备上执行存储器602中的一系列计算机可执行指令。生物识别的处理设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入输出接口605,一个或一个以上键盘606。
具体在本实施例中,生物识别的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对生物识别的处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
本说明书实施例中,所述生物信息是通过预设的加密算法进行加密后得到的信息,所述加密算法为对称加密算法或非对称加密算法,
所述基于所述生物信息,生成与所述生物信息相应的张量之前,所述方法还包括:
对所述生物信息进行解密处理,得到解密后的生物信息;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于解密后的生物信息,生成与所述生物信息相应的张量。
本说明书实施例中,所述生物信息是基于包含所述目标用户的生物信息的图像确定,所述基于所述生物信息,生成与所述生物信息相应的张量之前,所述方法还包括:
对所述生物信息进行预处理,得到预处理后的生物信息,所述预处理包括线性插值处理、颜色空间转换处理和低通滤波处理中的一项或多项;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于预处理后的生物信息,生成与所述生物信息相应的张量。
本说明书实施例中,所述预处理包括颜色空间转换处理,
所述对所述生物信息进行预处理,得到预处理后的生物信息,包括:
将承载所述生物信息的图像的RGB颜色空间转换为CIE-Lab颜色空间,并确定转换后得到的CIE-Lab颜色空间中的参数L;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于所述生物信息的所述CIE-Lab颜色空间,随机生成大小为Q*Q*L的三阶张量,将所述三阶张量作为与所述生物信息相应的张量,其中的两个Q为所述三阶张量中的2个维度。
本说明书实施例中,所述对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵,包括:
通过预设的张量分解算法对与所述生物信息相应的三阶张量进行分解,得到能够反映所述张量的拓扑结构的三个正交因子矩阵,所述张量分解算法为基于CP分解算法、Tucker分解算法或BTD分解算法。
本说明书实施例中,所述基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息,包括:
基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
本说明书实施例中,所述基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果,包括:
计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度;
获取计算的相似度中的数值最小的第一相似度,如果所述第一相似度小于预设阈值,则确定所述生物识别请求对应的生物识别处理存在风险,并确定所述生物识别请求对应的生物识别结果为生物识别失败。
本说明书实施例中,所述计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度,包括:
计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的汉明距离,将计算得到的汉明距离作为所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度。
本说明书实施例提供一种生物识别的处理设备,通过接收到终端设备发送的生物识别请求中目标用户用于进行生物识别处理的生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵,基于该因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到该生物信息对应的第一编码信息,基于该生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定该生物识别请求对应的生物识别结果,这样,基于张量分解的方式构造生物信息的编码信息进而进行生物信息重放攻击检测,能够有效防止用户的生物信息被重放攻击,对利用真实视频和照片进行攻击和各类高端注入等攻击手法具有很好的检测效果,进而可以是对当前攻击检测方案的很好补充方案,并有效保障生物识别模型安全,防止用户隐私数据泄露、资损等安全隐患。
实施例六
进一步地,基于上述图1A到图4所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果。
本说明书实施例中,所述生物信息是通过预设的加密算法进行加密后得到的信息,所述加密算法为对称加密算法或非对称加密算法,
所述基于所述生物信息,生成与所述生物信息相应的张量之前,所述方法还包括:
对所述生物信息进行解密处理,得到解密后的生物信息;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于解密后的生物信息,生成与所述生物信息相应的张量。
本说明书实施例中,所述生物信息是基于包含所述目标用户的生物信息的图像确定,所述基于所述生物信息,生成与所述生物信息相应的张量之前,所述方法还包括:
对所述生物信息进行预处理,得到预处理后的生物信息,所述预处理包括线性插值处理、颜色空间转换处理和低通滤波处理中的一项或多项;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于预处理后的生物信息,生成与所述生物信息相应的张量。
本说明书实施例中,所述预处理包括颜色空间转换处理,
所述对所述生物信息进行预处理,得到预处理后的生物信息,包括:
将承载所述生物信息的图像的RGB颜色空间转换为CIE-Lab颜色空间,并确定转换后得到的CIE-Lab颜色空间中的参数L;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于所述生物信息的所述CIE-Lab颜色空间,随机生成大小为Q*Q*L的三阶张量,将所述三阶张量作为与所述生物信息相应的张量,其中的两个Q为所述三阶张量中的2个维度。
本说明书实施例中,所述对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵,包括:
通过预设的张量分解算法对与所述生物信息相应的三阶张量进行分解,得到能够反映所述张量的拓扑结构的三个正交因子矩阵,所述张量分解算法为基于CP分解算法、Tucker分解算法或BTD分解算法。
本说明书实施例中,所述基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息,包括:
基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
本说明书实施例中,所述基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果,包括:
计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度;
获取计算的相似度中的数值最小的第一相似度,如果所述第一相似度小于预设阈值,则确定所述生物识别请求对应的生物识别处理存在风险,并确定所述生物识别请求对应的生物识别结果为生物识别失败。
本说明书实施例中,所述计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度,包括:
计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的汉明距离,将计算得到的汉明距离作为所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度。
本说明书实施例提供一种存储介质,通过接收到终端设备发送的生物识别请求中目标用户用于进行生物识别处理的生物信息,生成与该生物信息相应的张量,并对与该生物信息相应的张量进行分解,得到能够反映该张量的拓扑结构的因子矩阵,基于该因子矩阵,对该因子矩阵中包含的元素进行编码处理,得到该生物信息对应的第一编码信息,基于该生物信息对应的第一编码信息和目标用户的历史生物信息对应的第二编码信息,确定该生物识别请求对应的生物识别结果,这样,基于张量分解的方式构造生物信息的编码信息进而进行生物信息重放攻击检测,能够有效防止用户的生物信息被重放攻击,对利用真实视频和照片进行攻击和各类高端注入等攻击手法具有很好的检测效果,进而可以是对当前攻击检测方案的很好补充方案,并有效保障生物识别模型安全,防止用户隐私数据泄露、资损等安全隐患。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器,使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种生物识别的处理方法,所述方法包括:
接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果;
所述基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息,包括:
基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
2.根据权利要求1所述的方法,所述生物信息是通过预设的加密算法进行加密后得到的信息,所述加密算法为对称加密算法或非对称加密算法,
所述基于所述生物信息,生成与所述生物信息相应的张量之前,所述方法还包括:
对所述生物信息进行解密处理,得到解密后的生物信息;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于解密后的生物信息,生成与所述生物信息相应的张量。
3.根据权利要求1或2所述的方法,所述生物信息是基于包含所述目标用户的生物信息的图像确定,所述基于所述生物信息,生成与所述生物信息相应的张量之前,所述方法还包括:
对所述生物信息进行预处理,得到预处理后的生物信息,所述预处理包括线性插值处理、颜色空间转换处理和低通滤波处理中的一项或多项;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于预处理后的生物信息,生成与所述生物信息相应的张量。
4.根据权利要求3所述的方法,所述预处理包括颜色空间转换处理,
所述对所述生物信息进行预处理,得到预处理后的生物信息,包括:
将承载所述生物信息的图像的RGB颜色空间转换为CIE-Lab颜色空间,并确定转换后得到的CIE-Lab颜色空间中的参数L;
所述基于所述生物信息,生成与所述生物信息相应的张量,包括:
基于所述生物信息的所述CIE-Lab颜色空间,随机生成大小为Q*Q*L的三阶张量,将所述三阶张量作为与所述生物信息相应的张量,其中的两个Q为所述三阶张量中的2个维度。
5.根据权利要求4所述的方法,所述对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵,包括:
通过预设的张量分解算法对与所述生物信息相应的三阶张量进行分解,得到能够反映所述张量的拓扑结构的三个正交因子矩阵,所述张量分解算法为基于CP分解算法、Tucker分解算法或BTD分解算法。
6.根据权利要求1所述的方法,所述基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果,包括:
计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度;
获取计算的相似度中的数值最小的第一相似度,如果所述第一相似度小于预设阈值,则确定所述生物识别请求对应的生物识别处理存在风险,并确定所述生物识别请求对应的生物识别结果为生物识别失败。
7.根据权利要求6所述的方法,所述计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度,包括:
计算所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的汉明距离,将计算得到的汉明距离作为所述生物信息对应的第一编码信息分别与每个所述第二编码信息之间的相似度。
8.一种生物识别的处理装置,所述装置包括:
请求模块,接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
信息转换模块,基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
处理模块,基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
识别模块,基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果;
所述处理模块,基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
9.一种生物识别的处理设备,所述生物识别的处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果;
所述基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息,包括:
基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
10.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
接收终端设备发送的生物识别请求,所述生物识别请求中包括目标用户用于进行生物识别处理的生物信息;
基于所述生物信息,生成与所述生物信息相应的张量,并对与所述生物信息相应的张量进行分解,得到能够反映所述张量的拓扑结构的因子矩阵;
基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息;
基于所述生物信息对应的第一编码信息和所述目标用户的历史生物信息对应的第二编码信息,确定所述生物识别请求对应的生物识别结果;
所述基于所述因子矩阵,对所述因子矩阵中包含的元素进行编码处理,得到所述生物信息对应的第一编码信息,包括:
基于所述因子矩阵,对所述因子矩阵中包含的元素进行哈希计算,得到所述因子矩阵对应的哈希值,将所述因子矩阵对应的哈希值确定为所述生物信息对应的第一编码信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783724.2A CN114866345B (zh) | 2022-07-05 | 2022-07-05 | 一种生物识别的处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783724.2A CN114866345B (zh) | 2022-07-05 | 2022-07-05 | 一种生物识别的处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114866345A CN114866345A (zh) | 2022-08-05 |
CN114866345B true CN114866345B (zh) | 2022-12-09 |
Family
ID=82626327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210783724.2A Active CN114866345B (zh) | 2022-07-05 | 2022-07-05 | 一种生物识别的处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114866345B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112398838A (zh) * | 2020-11-06 | 2021-02-23 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的认证方法、装置及设备 |
WO2021184976A1 (zh) * | 2020-03-19 | 2021-09-23 | 支付宝(杭州)信息技术有限公司 | 一种用于隐私保护的用户特征提取***及设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11593660B2 (en) * | 2018-09-18 | 2023-02-28 | Insilico Medicine Ip Limited | Subset conditioning using variational autoencoder with a learnable tensor train induced prior |
CN110516557B (zh) * | 2019-08-01 | 2022-07-29 | 电子科技大学 | 基于低秩张量分解的多样本人脸表情识别方法 |
CN110796111B (zh) * | 2019-11-05 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
JP2023504569A (ja) * | 2019-12-09 | 2023-02-03 | バッジ インコーポレイテッド | プライバシ保存バイオメトリック認証 |
CN111538968A (zh) * | 2020-05-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的身份核验方法、装置及设备 |
CN112818400B (zh) * | 2021-02-18 | 2022-05-03 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的生物识别方法、装置及设备 |
CN114067385B (zh) * | 2021-10-09 | 2024-05-31 | 华南理工大学 | 基于度量学习的跨模态人脸检索哈希方法 |
-
2022
- 2022-07-05 CN CN202210783724.2A patent/CN114866345B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021184976A1 (zh) * | 2020-03-19 | 2021-09-23 | 支付宝(杭州)信息技术有限公司 | 一种用于隐私保护的用户特征提取***及设备 |
CN112398838A (zh) * | 2020-11-06 | 2021-02-23 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的认证方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114866345A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10374789B2 (en) | Encrypting and decrypting information | |
US11444774B2 (en) | Method and system for biometric verification | |
CN111814194B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN112398838B (zh) | 一种基于隐私保护的认证方法、装置、设备及存储介质 | |
US10083194B2 (en) | Process for obtaining candidate data from a remote storage server for comparison to a data to be identified | |
CN111783146B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN111738900A (zh) | 图像的隐私保护方法、装置及设备 | |
Rassan et al. | Securing mobile cloud using finger print authentication | |
US20230011633A1 (en) | Systems and methods for scalable biometric authentication | |
CN110069907A (zh) | 基于数字水印的大数据溯源方法及*** | |
CN110634096A (zh) | 一种自适应多模态的信息隐藏方法及装置 | |
CN114866345B (zh) | 一种生物识别的处理方法、装置及设备 | |
US11501580B1 (en) | Methods and systems for implementing secure biometric recognition | |
CN116611107A (zh) | 数据处理方法、装置和设备、芯片、板卡、和介质 | |
US11599605B1 (en) | System and method for dynamic data injection | |
CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN106570410B (zh) | 一种数据的加密方法、解密方法、装置和*** | |
CN107302542B (zh) | 基于生物特征的通信方法、装置 | |
CN116522370B (zh) | 全同态加密认证方法、存储介质及电子设备 | |
Matveev et al. | Iris-based biometric cryptosystem | |
Testa et al. | Privacy-Preserving Embeddings | |
CN114238910A (zh) | 数据处理方法、装置及设备 | |
Hari Akhilesh et al. | Novel Template Protection Scheme for Multimodal Data | |
CN115238316A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Ghani et al. | Toward robust and privacy-enhanced facial recognition: A decentralized blockchain-based approach with GANs and deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |