基于深度学习的人脸识别在身份认证领域应用综述

随着科学技术的发展和经济一体化进程的加快,身份认证已成为网络空间中一个最基本的要素,也是整个信息安全体系的基础.生物特征识别技术是身份认证过程的重要技术手段,其中人脸识别技术凭借易用、无感等先天优势和深度学习的技术突破,得到了身份认证领域研究学者、社会应用方以及用户的青睐.本文探讨了深度学习的概念、基于深度学习的人脸识...     

一种动态口令与人脸识别相结合的双向身份认证系统

针对员工单一静态口令安全机制所存在的问题,提出了一种基于一次性口令和人脸识别的身份认证方法.本文采用MFA算法对人脸进行特征提取,单向函数生成一次性口令并用该口令加密人脸特征,实现服务器端与客户端之间的双向身份认证,解决了小数攻击和人脸数据信息泄露等安全问题,提高了信息系统的安全性.     

基于射频技术与智能动作识别的人员身份认证方法研究

针对大部分身份认证方法存在认证方式单一、认证准确性低等问题,文中在医用场景下开展了基于射频技术与智能动作识别的人员身份认证方法研究.在详细论述无线射频识别技术(RFID)及其系统构成后,基于深度学习网络中的t-SNE降维处理、支持向量机动作分类等技术,设计实现了智能动作识别方法.将通过RFID和智能动作识别方法获得的身...     

基于可视密码的身份认证技术方案

可视密码技术是密码学领域近年来发展起来的针对图像的加、解密技术,具有隐蔽性好、安全性高、秘密恢复的简单性等特点。而身份认证技术是为了确认用户在生活、工作、消费等活动中的真实身份而产生的有效解决办法,对保障用户身份的真实性和可靠性有着举足轻重的作用。本文引入可视密码技术,提出一种基于可视密码的身份识别技术方案,用户携带的信息通过加密手段保障不被他人非法窃取利用,提高了信息携带过程的安全性与隐私性。     

无线通信中的智能识别神经网络对抗攻击技术综述

利用深度学习解决无线通信识别问题的研究越来越多。为了建立安全可靠的深度神经网络模型,有必要研究其对抗攻击技术。在介绍对抗样本概念和攻击算法的基础上,提出了无线通信智能识别神经网络的对抗攻击模型;对近年来无线通信中智能识别神经网络的对抗攻击方法进行了对比分析,给出了当前对抗攻击方法的局限性和后续研究重点;最后展望了未来的研究方向。     

以可视密码为基础的身份识别技术方案分析

可视密码是近几年信息安全领域新兴的一种针对图像的加密和解密技术,其隐蔽性、安全性、私密恢复等性能优异。身份识别是信息安全领域中重要的组成部分,是保障系统安全性的重要关卡。该文以可视密码技术为基础,提出一种以可视密码为基础的身份识别技术方案,将可是密码技术和身份识别技术进行结合,从而得到一种基于可视密码的只能卡口令识别方案,对该方案进行了介绍分析,并通过仿真实验对方案可行性进行了验证进行。该文中提出的方案对于提高用户携带信息的安全性有重要意义。     

面向深度学习模型的对抗攻击与防御综述

在大数据时代背景下,深度学习技术得到了快速发展,成功应用于数据挖掘、自然语言处理和计算机视觉等领域。研究表明,深度学习的抗干扰性能并不是很好,因此出现了对抗攻击与对抗防御生成技术,即对于干净样本输入添加肉眼所不能察觉的扰动,导致深度学习模型出现识别错误和分类错误的问题。主要介绍对抗攻击与对抗防御的概念、生成原理,在此基础上分析了对抗攻击及对抗防御的主要方法,通过分析提出了对未来研究前景的预测。     

SAR图像对抗攻击的进展与展望

合成孔径雷达（synthetic aperture radar,SAR）在民用和军用领域得到广泛应用。对SAR电子干扰一直是军事侦察领域对抗博弈的重点。不同于人工易识别的干扰技术,基于人工难察觉的微扰样本的对抗攻击,近年来在光学图像处理等计算机视觉领域得到了广泛研究。目前,对抗样本生成技术也已逐步应用于SAR图像对抗攻击,给SAR信息安全带来了新挑战。为此,对SAR图像对抗攻击技术方法的研究进展进行总结,主要包括图像对抗攻击的基本模型和方式,SAR图像对抗攻击原理与方法。针对典型深度学习目标检测算法,开展了对抗攻击下SAR图像目标检测性能分析,验证了对抗攻击的效果。最后,从算法脆弱机制与算法加固、融合机理的对抗攻击方法、对新体制成像雷达对抗攻击、对抗攻击识别与防御等4个方面对SAR图像对抗攻击领域的研究进行了展望。     

基于3D卷积神经网络的活体人脸检测

非法入侵者通过伪装人脸骗取系统认证,给人脸认证系统带来了严重的威胁。因此,活体人脸检测成了人脸认证系统走向实用必须解决的一个重要课题。现有活体人脸检测方法多为基于照片的人脸攻击方面的研究成果,对于基于视频的人脸攻击,效果并不理想。3D卷积神经网络（Convolutional Neural Network,CNN）具有深度学习的特点,能自动学到图像的分布式特征表示;与2D卷积相比,它能学到连续视频帧的动作信息。本文结合3D卷积神经网络的特性,提出利用3D卷积实现视频人脸伪装检测。通过提取3D卷积神经网络最后全连接层学到的时间空间特征,训练SVM（Support Vector Machine）分类器,实现真实人脸和伪装人脸的分类。实验采用两个人脸伪装公开数据库ReplayAttack和CASIA,实现多尺度内部数据库测试和交叉数据库测试。实验结果相对于纹理特征及2D卷积方法有较大提高,可应用于视频人脸攻击的活体人脸检测。      

基于安全帽佩戴检测的矿山人员违规行为研究

针对矿山人员安全帽佩戴检测问题,文中提出了一种基于人脸的身份识别及安全帽佩戴检测的违规行为识别方法。首先在视频图像中检测人脸以识别身份,然后运用卷积神经网络方法检测人员是否佩戴安全帽,实验阶段将此方法与传统的图像处理方法进行测试对比。实验结果显示,基于深度学习的安全帽检测方法的鲁棒性强于传统方法,在不同条件下识别率和运行效率均优于传统方法,深度学习方法的平均识别率高达97%,所需平均运行时间少于传统方法的1/7。     

调制识别中目标对抗攻击

由于深度学习算法具有特征表达能力强、特征自动提取以及端到端学习等突出优势,因此被越来越多的研究者应用至通信信号识别领域。然而,对抗样本的发现使得深度学习模型极大程度地暴露在潜在的风险因素中,并对当前的调制识别任务造成严重的影响。本文从攻击者的角度出发,通过对当前传输的通信信号添加对抗样本,以验证和评估目标对抗样本对调制识别模型的攻击性能。实验表明,当前的目标攻击可以有效地降低模型识别的精确度,所提出的logit指标可以更细粒度地用于衡量攻击的目标性效果。     

面向人脸验证的可迁移对抗样本生成方法

在人脸识别模型的人脸验证任务中,传统的对抗攻击方法无法快速生成真实自然的对抗样本,且对单模型的白盒攻击迁移到其他人脸识别模型上时攻击效果欠佳。该文提出一种基于生成对抗网络的可迁移对抗样本生成方法TAdvFace。TAdvFace采用注意力生成器提高面部特征的提取能力,利用高斯滤波操作提高对抗样本的平滑度,并用自动调整策略调节身份判别损失权重,能够根据不同的人脸图像快速地生成高质量可迁移的对抗样本。实验结果表明,TAdvFace通过单模型的白盒训练,生成的对抗样本能够在多种人脸识别模型和商业API模型上都取得较好的攻击效果,拥有较好的迁移性。     

Learning an identity distinguishable space for large scale face recognition

Implementing face recognition efficiently to real world large scale dataset presents great challenges to existing approaches.The methodin this paper was proposed to learn an identity distinguishable space for large scale face recognition in MSR-Bing image recognition challenge(IRC). Firstly, a deep convolutional neural network (CNN) was used to optimize a 128 B embedding for large scale face retrieval. The embedding was trained via using triplets of aligned face patches from FaceScrub and CASIA-WebFace datasets. Secondly, the evaluation of MSR-Bing IRC was conducted according to a cross-domain retrieval scheme. The real-time retrievalin thispaperwas benefited from the K-means clustering performed on the feature space of training data. Furthermore, a large scale similarity learning (LSSL) was applied on the relevant face images for learning a better identity space. A novel method for selecting similar pairs was proposed for LSSL. Compared with many existing networks of face recognition, the proposed model was lightweight and the retrieval method was promising as well.     

基于三元损失的保险业务牛脸识别系统的设计北大核心CSCD

针对当前畜牧保险行业勘察、定损中牛身份识别难的问题,本文将深度学习框架与物联网(internet of things,IOT)技术结合构建牛脸识别系统。系统中以Inception_Resnet_v1作为深度学习网络框架,结合Triplet Loss损失函数,完成牛面部特征的提取,通过计算余弦距离对特征进行身份识别。基于flask和vue框架布署牛脸检测和特征提取及验证模型,开发牛脸信息数据库,提供身份注册和验证web服务。为验证系统可行性,采集并制作牛脸识别数据集CFID200,在20%未见牛脸的条件下,牛脸识别系统准确率与验证率达到95%以上,满足保险业务牛脸身份识别需要。     

面部表情识别中基于TTL的特定个体学习模型

针对现实生活中采集的特定个体数据稀疏而导致学习时产生过拟合的问题,提出了一种基于迁移学习的特定个体学习模型。首先,利用直推式迁移学习从原数据提取有用信息并将其添加到目标数据;然后,利用核主成分分析进行特征提取;最后,将各个样本建模为流形,并利用稀疏系数重建和k近邻分类器完成识别。在PAINFUL数据库上的实验结果表明,本文模型在痛苦表情上的识别精度可高达96.29%,ROC下方面积可高达0.904,相比其他几种较新的模型,本文模型取得了更好的识别性能。     

Utility Preserved Facial Image De-identification Using Appearance Subspace Decomposition

Automated human facial image de-identification is a much-needed technology for privacy-preserving social media and intelligent surveillance ap-plications. We propose a novel utility preserved facial image de-identification to subtly tinker the appearance of facial images to achieve facial anonymity by creating"averaged identity faces". This approach is able to preserve the utility of the facial images while achieving the goal of privacy protection. We explore a decomposition of an Active appearance model (AAM) face space by using subspace learning where the loss can be modeled as the difference between two trace ratio items, and each respectively models the level of discriminativeness on identity and utility. Finally, the face space is decomposed into subspaces that are respectively sensitive to face identity and face utility. For the subspace most relevant to face identity, a k-anonymity de-identification procedure is applied. To verify the performance of the proposed facial image de-identification approach, we evaluate the created"averaged faces"using the extended Cohn-Kanade Dataset (CK+). The experimental results show that our proposed approach is satisfied to preserve the utility of the original image while defying face identity recognition.     

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法.本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性.     

面向人脸识别的口罩区域修复算法

遮挡下的人脸识别一直是现实场景中的一个难题。特别是新冠肺炎疫情爆发后,在机场、车站等需要鉴别入场人员身份信息的场所,口罩遮挡使得可供识别的面部特征大幅减少,原有的人脸识别算法准确率随之下降。对去除口罩遮挡进行了研究,提出了一个新的框架修复人脸,利用边缘生成网络还原遮挡区域的边缘,在此基础上再利用区域填充网络恢复被遮挡的人脸,同时保留身份信息。为提升模型的性能,提出空间加权对抗损失和身份一致性损失训练上述网络,并利用关键点信息,构建了两个戴口罩的人脸数据集。实验结果表明,恢复被口罩遮挡的人脸的图像使人脸识别算法 ArcFace 的准确率达到 98.39%,比直接采用ArcFace识别遮挡人脸提升了4.13%的准确率。     

融入唇语识别技术提升人脸识别安全性的研究

为了解决人脸识别的安全性问题,提高对恶意攻击人脸识别系统的安全防护,使人脸识别技术能够获得更广泛应用,本文提出了在人脸识别技术上融入一种基于深度神经网络的唇语识别技术的系统。与现有的唇语识别技术不同的是,该系统主要是识别用户的唇动习惯。运用本系统,用户在进行人脸识别的同时可按照检测方的提示,读出相应的内容,并在对用户的人脸进行验证的过程中,对用户通过唇动说出的内容分别实现唇动识别、比对,从而有效地提升人脸识别的安全性水平。实验结果表明,在故意针对人脸识别系统的攻击中,融入本技术的系统有更好的识别准确率。