一种基于卷积神经网络的虹膜图像加密方法

• 摘要：

  本发明公开了一种基于卷积神经网络的虹膜图像加密方法,通过CNN模型提出虹膜特征,进而RS码编码得到加密密钥,然后与待加密图像矩阵对应灰度值进行AES运算,即实现了加密过程.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.本发明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.

• 专利类型：

  发明专利

• 申请/专利号：

  CN201710498746.3

• 申请日期：

  2017.06.27

• 公开/公告号：

  CN107330395A

• 公开/公告日：

  2017-11-07

• 发明人：

  王雪松 张庆 程玉虎

• 申请人：

  中国矿业大学

• 主分类号：

  G06K9/00(2006.01)I,G,G06,G06K,G06K9

• 分类号：

  G06K9/00(2006.01)I,G06K9/34(2006.01)I,G06K9/62(2006.01)I,G06N3/08(2006.01)I,G06T9/00(2006.01)I,G,G06,G06K,G06N,G06T,G06K9,G06N3,G06T9,G06K9/00,G06K9/34,G06K9/62,G06N3/08,G06T9/00

• 主权项：

  一种基于卷积神经网络的虹膜图像加密方法,其特征在于: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V_k1和RS纠错码;步骤5,利用加密密钥V_k1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V_k2;步骤3,利用解密密钥V_k2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.