一种基于卷积神经网络的虹膜图像加密方法与流程

本发明属于模式识别领域，具体涉及一种基于卷积神经网络的虹膜图像加密方法。

背景技术：

虹膜识别技术是一种人类生物识别技术。虹膜识别技术是基于虹膜在眼睛中的识别，应用于安全设备(如访问控制等)以及高度的保密性要求的场所。人眼结构由巩膜、虹膜、瞳孔、视网膜等部位组成。虹膜是黑色瞳孔和白色巩膜之间的环形部分，其包含许多散布点、细丝、冠状、条纹、隐窝等细节。而在胎儿发育阶段成形后的整个生命过程虹膜将保持不变。这些特性决定了虹膜特征的唯一性，并且还确定了识别的唯一性。因此，眼睛的虹膜特性可应用于个体身份识别。

虹膜是各种生物识别技术中最坚固耐用的特征之一，作为身份特征与其他生物特征相比较具有更优异的性质：独特性、稳定性、可收集性、非侵入性和安全性。在生物识别中，非侵入性是身份研究和应用发展的必然趋势，与其他非接触式识别方法(如面部和声音)相比，虹膜识别具有更高的准确性。据统计，虹膜识别是误差率最低的生物识别，基于虹膜的身份识别技术已经逐渐被学术界和商业界所关注。

虹膜能够广泛应用于识别、加密等诸多领域，得益于虹膜具有一些异于其它生物组织的特殊特征，主要包括以下几个方面：

(1)稳定性：在人的一生当中，虹膜信息变化非常小，除非是遇到一些特殊的疾病如物理损伤、白内障等，因此虹膜具有极强的稳定性；

(2)唯一性：虹膜在胚胎发育中形成，随机性强，不受基因的影响。胎儿发育经历一个混沌形态发生过程，这一过程导致dna相同的双胞胎的虹膜也不相同，对虹膜的唯一性能提高很大。迄今为止，没有发生任何两个人的虹膜一模一样。从图2可看出，虹膜并不是光滑的曲面，表面分布着许多凹陷、斑点以及收缩沟等细节，这些细节特征决定了虹膜信息数据，构成纹理等特征，是虹膜唯一性的外在体现。

(3)非侵犯性：非侵犯性也被称为非接触性，是指对虹膜进行信息采集时不需要接触就可读取信息。虹膜位于角膜后侧，受保护情况很好。对虹膜进行采集的过程中，不需要接触虹膜就能够实现虹膜采集，防止了疾病传播、虹膜损坏等不良影响，用户接受度比较高。相对于掌纹、指纹等生物特征，虹膜不需要接触采集，不适感更低，更有利于应用的泛化。

(4)防伪性：虹膜特征的改变难度非常大，在对视觉无严重损伤情况下很难改变，对一个人的虹膜进行与特定对象的复制和转换几乎是不可能的，由于活体检测技术的发展，采用图像、录像等虹膜来仿冒活体进行虹膜处理都很可能会检测出来。

生物识别技术最佳选择是虹膜，原因是相对于其他生物特征，虹膜具有最高唯一性、识别精度高、速度快、生物活性强、防伪性强而且具有终身不变的稳定性等优点。

组成虹膜的可变项多达260项，内部结构十分复杂，重复可能性很小。统计表明，两个人虹膜一模一样的概率几乎为零，同一个人的左右眼睛虹膜也不完全相同。虹膜在发育到两三岁的时候几乎就稳定不变，因此具有复杂结构的虹膜可作为人体独一无二的标识。

虹膜加密技术是指采用特征提取算法，对虹膜图像进行特征提取产生数据流，作为加密算法的密钥，在解密的过程中采用同样的密钥进行解密，从而完成加密与解密整个过程。虹膜加密技术利用生物特征提取，来产生唯一的密钥，密钥是唯一的，不能够被其他生物个体进行仿制生成。虹膜加密技术是融合生物特征识别和加密技术，生成密钥进行加密和解密处理的新技术。

技术实现要素：

发明目的：针对上述现有技术，提出一种基于卷积神经网络的虹膜图像加密方法，在保证加密的高安全性的前提下，解决了cnn训练过程中由于虹膜样本比少的问题。

技术方案：一种基于卷积神经网络的虹膜图像加密方法，加密过程包括如下步骤：

步骤1，对虹膜数据库中的虹膜图像分别进行预处理，得出虹膜图像数据集x，对x进行图像块提取，得出虹膜图像块数据集x'；

步骤2，所述虹膜图像块数据集x'用于训练四层sae模型，通过学习每层参数w＝{w⁽¹⁾,w⁽²⁾,w⁽³⁾，w⁽⁴⁾}，用于初始化cnn模型卷积层参数k＝{k⁽¹⁾,k⁽²⁾}和全连接层参数w′＝{w′⁽³⁾,w′⁽⁴⁾}，然后采用所述虹膜图像数据集x进行cnn模型训练；

步骤3，加密方采集虹膜图像，预处理后输入训练好的cnn模型，实现对特征向量v1的提取，特征向量v1的维数依据采用的图像加密算法进行调整；

步骤4，采用rs码对特征向量v1进行编码，得出加密密钥vk1和rs纠错码；

步骤5，利用加密密钥vk1与待加密图像矩阵对应像素点灰度值进行aes运算，得出加密图像，则完成了整个加密过程；

解密过程包括如下步骤：

步骤1，对解密方进行虹膜图像采集，预处理后输入到训练好的cnn模型，实现提取虹膜特征向量v2；

步骤2，利用rs纠错码对特征向量v2进行纠错，得到解密密钥vk2；

步骤3，利用解密密钥vk2与所述加密图像矩阵对应像素点灰度值进行aes逆运算，得出解密图像，则完成了整个解密过程。

进一步，所述步骤2中，在cnn模型中，对初始化参数增加区间限制条件：将sae训练出的参数w限制在区间内，则cnn中卷积核k＝{k⁽¹⁾,k⁽²⁾}和全连接层权值w′＝{w′⁽³⁾,w′⁽⁴⁾}的计算方法为：

n^k代表第k层sae节点数，n^k+1代表第k+1层节点个数。

进一步，对虹膜图像预处理包括如下步骤：

(1)虹膜图像i0边缘检测进行虹膜定位，实现虹膜分割i1；

(2)提取的虹膜图像i1进行归一化处理i2；

(3)将i2进行zca白化处理i3。

有益效果：本发明基于卷积神经网络的虹膜图像加密算法，首先对采集的虹膜图像数据进行预处理，然后采用训练好的cnn模型对虹膜图像进行特征向量提取。提取的特征向量用于加密密钥的生成，最后将加密密钥与原始待加密图像矩阵对应像素点灰度值采用aes运算，则可得到加密图像。

整个加密与解密过程之前，需要先进行深度学习模型的训练，深度学习模型采用cnn，由于虹膜图像采集难度大造成样本较少的问题，需要进行cnn参数初始化。在cnn训练过程中由于虹膜样本比较少，为保证加密的高安全性，密钥的生成必须采用整体虹膜，不能将虹膜进行图像块提取来弥补样本不足的问题。针对上述问题，首先对虹膜进行图像块提取，训练sae模型，采用sae初始化cnn参数，采用整幅虹膜图像进行cnn模型训练。如此设计不仅解决了虹膜样本少的问题，而且对图像加密的安全性有了保障。

附图说明

图1基于卷积神经网网络的虹膜图像加密与解密流程；

图2casia虹膜数据库图像样本；

图3虹膜图像标准化；

图4虹膜图像zca白化；

图5虹膜图像rs码编码；

图6训练与测试集精确度。

具体实施方式

下面结合附图对本发明做更进一步的解释。

一种基于卷积神经网络的虹膜图像加密方法，加密过程包括如下步骤：

步骤1，对虹膜数据库中的虹膜图像分别进行预处理，得出虹膜图像数据集x，对x进行图像块提取，得出虹膜图像块数据集x'。对虹膜图像预处理包括如下步骤：

(1)虹膜图像边缘检测进行虹膜定位，实现虹膜分割；

(2)提取的虹膜图像进行归一化处理；

(3)将归一化处理后的图像进行zca白化处理。

步骤2，虹膜图像块数据集x'用于训练四层sae模型(stackedautoencoder，栈式自编码模型)，得到训练好的参数矩阵w＝{w⁽¹⁾,w⁽²⁾,w⁽³⁾，w⁽⁴⁾}，用于初始化cnn模型(convolutionalneuralnetwork，卷积神经网络)卷积层参数k＝{k⁽¹⁾,k⁽²⁾}和全连接层参数w′＝{w′⁽³⁾,w′⁽⁴⁾}，然后采用虹膜图像数据集x进行cnn模型训练。

在cnn模型中，初始化参数如果没有限制条件会导致梯度消失或者幅度扩散的现象，因此对初始化参数增加区间限制条件。cnn卷积层前向传播线性化计算为：

式中，z表示网络层结点输出，ωi表示第i个特征图对应权值矩阵，xi表示第i个特征图，m表示特征图个数。假设满足均值为0标准差为σ的均匀分布，则每层的方差计算式为：

式中，n代表网络各层的结点数，n^k-1表示第k-1层节点个数，表示第k-1层输入的期望，表示第k-1层权值矩阵的期望，表示第k-2层输入的期望，表示第1层输入的期望，表示第i层权值矩阵的期望，nⁱ表示第i层节点个数，k表示第k层网络结构层。

从式中可看出，随着神经网络层数的增加，如果则方差会越来越大，产生参数扩散；如果则方差会越来越小，产生梯度消失。因此，理想的情况是此时则可得出

在反向传播过程中，有：

同理可得出：

式中，loss表示目标函数，表示第k层第i个输入特征图，表示第1层第j个输入特征图，表示第k+1层第j个输入特征图对应权值矩阵，表示第k+1层权值矩阵对应期望，表示第k+1层第i个特征图。

为了防止参数溢出和梯度消失，需要满足：

比较可发现此时的方差产生了矛盾，为了解决这一情况，计算方差采用式：

对于均匀分布数据x∈[-a,a]，a表示数据x的模值，方差计算式为：

通过计算可得出：

因此，将sae训练出的参数限制在区间内，n^k代表第k层sae节点数，n^k+1代表第k+1层节点个数，从而避免了上述问题的发生。

将训练好的参数矩阵w＝{w⁽¹⁾,w⁽²⁾,w⁽³⁾,w⁽⁴⁾}进行区间归一化，作为cnn中卷积核k＝{k⁽¹⁾,k⁽²⁾}和全连接层权值w′＝{w′⁽³⁾,w′⁽⁴⁾}，计算方法为：

n^k代表第k层sae节点数，n^k+1代表第k+1层节点个数。

步骤3，加密方采集虹膜图像，预处理后输入训练好的cnn模型，实现对特征向量v1的提取，特征向量v1的维数依据采用的图像加密算法进行调整。

步骤4，采用rs码(reed-solomoncodes，rs码)对特征向量v1进行编码，得出加密密钥vk1和rs纠错码；

步骤5，利用加密密钥vk1与待加密图像矩阵对应像素点灰度值进行aes加密运算(advancedencryptionstandard，高级加密标准)，得出加密图像，加密图像即密文，则完成了整个加密过程。

解密是为了还原原始图像信息，一般来讲解密过程是加密过程的逆运算，但是本发明提出的算法并不是完全的逆变换。解密过程包括如下步骤：

步骤1，对解密方进行虹膜图像采集，预处理后输入到训练好的cnn模型，实现提取虹膜特征向量v2。

步骤2，由于v2和v1有可能存在某些维度上数值的差异，利用rs纠错码对特征向量v2进行纠错，得到解密密钥vk2。

步骤3，利用解密密钥vk2与加密图像矩阵对应像素点灰度值进行aes逆运算，得出解密图像，则完成了整个解密过程。

为了提高算法的可信度和预测性，实验虹膜数据集采用casia虹膜数据库公共版，将数据集分成训练集和测试集，原始虹膜图像样本如图2所示。原始采集的虹膜图像包含有人脸、睫毛等无关干扰因素，首先对其进行虹膜定位、分割、归一化与zca白化预处理，虹膜图像预处理过程如图1所示。

预处理后的虹膜图像，去除了部分人脸、睫毛、眼睑等干扰因素，只包含虹膜部分，为了降低图像冗余提高特征辨识度，采用对虹膜图像zca白化处理，如图4。然后将其进行rs码编码，对虹膜图像进行rs码编码的目的是防止在解密过程中进行特征向量提取时，提取的虹膜特征向量与加密时提取的虹膜特征向量不一致，如此有利于加密密钥与解密密钥的成功匹配，提高成功解密的概率，降低操作复杂度。

对虹膜进行特征学习的深度学习模型采用cnn，数据集共包含虹膜图像400张，共10类，每一类40张图像，其中300张作为训练样本，100张作为测试样本。sae结构采用五层网络，cnn结构采用五层网络层，卷积核大小为5×5，降采样步长为2×2，第一卷积层生成特征图个数为6，第二卷积层生成特征图个数为12。特征提取结果显示与设定特征向量对比，网络训练后，训练精确度与测试精确度如图6所示。

在加密的过程中，完成对cnn的训练之后，采集一张人眼图像，进行加密密钥的生成，将加密密钥与待加密图像进行aes运算，实现加密过程。以上完成了基于卷积神经网络的虹膜图像加密过程。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。