-
公开(公告)号：CN105631296B
公开(公告)日：2018-07-31
申请号：CN201511028166.5
申请日：2015-12-30
Applicant: 北京工业大学
Abstract: 种基于CNN特征提取器的安全人脸认证系统设计方法属于生物特征识别领域,具体涉及种利用CNN提取人脸特征并用Paillier算法和不经意传输协议进行加密的方法。和SCiFi系统相比,本发明将手工提取的特征更换为CNN自动学习的特征,并进行二值化以去除噪声影响,认证准确率较高。在LFW库view2上的测试认证率为91.48%。在整个认证的过程中,服务器不会得知请求者的任何特征信息,只能接收到特征的密文信息而不能进行解密。而客户端只得知是否认证通过,对包括汉明距离在内的其他信息无所知。本系统采用320bit的特征表示幅人脸图片,特征数据量较SCiFi系统降低了2/3,因此加密和认证的耗时低,实时性高。
-
Patent Agency Ranking
公开(公告)号：CN108446690B
公开(公告)日：2021-09-14
申请号：CN201810555735.9
申请日：2018-05-31
Applicant: 北京工业大学
Abstract: 一种基于多视角动态特征的人脸活体检测方法，利用运动模糊图像的成像原理提取视频的运动模式映射图，并将运动模式和噪声模式相结合，用于人脸活体检测，保证用户的隐私和财产安全，抵御恶意攻击，增强人脸认证系统的安全性。包含四个主要部分，分别是：a)视频预处理，b)人脸运动模式映射，c)噪声模式提取，d)分类。当有用户请求接入人脸认证系统时，由系统摄像头获得人脸的视频，对其进行预处理，并分别提取其人脸运动模式映射图和噪声模式，其中人脸运动模式映射图将整个视频中的运动信息映射到单张图像上。然后计算灰度共生矩阵，送入支持向量机分类器进行分类，最后输出结果为活体或者假体。
-
公开(公告)号：CN108446690A
公开(公告)日：2018-08-24
申请号：CN201810555735.9
申请日：2018-05-31
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 一种基于多视角动态特征的人脸活体检测方法，利用运动模糊图像的成像原理提取视频的运动模式映射图，并将运动模式和噪声模式相结合，用于人脸活体检测，保证用户的隐私和财产安全，抵御恶意攻击，增强人脸认证系统的安全性。包含四个主要部分，分别是：a)视频预处理，b)人脸运动模式映射，c)噪声模式提取，d)分类。当有用户请求接入人脸认证系统时，由系统摄像头获得人脸的视频，对其进行预处理，并分别提取其人脸运动模式映射图和噪声模式，其中人脸运动模式映射图将整个视频中的运动信息映射到单张图像上。然后计算灰度共生矩阵，送入支持向量机分类器进行分类，最后输出结果为活体或者假体。
-
公开(公告)号：CN106127725A
公开(公告)日：2016-11-16
申请号：CN201610323595.3
申请日：2016-05-16
Applicant: 北京工业大学
CPC classification number: G06N3/08 , G06T2207/10044
Abstract: 一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。
-
公开(公告)号：CN106127725B
公开(公告)日：2019-01-22
申请号：CN201610323595.3
申请日：2016-05-16
Applicant: 北京工业大学
Abstract: 一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。
-
公开(公告)号：CN105631296A
公开(公告)日：2016-06-01
申请号：CN201511028166.5
申请日：2015-12-30
Applicant: 北京工业大学
CPC classification number: G06F21/32 , G06K9/6267 , H04L9/3231
Abstract: 一种基于CNN特征提取器的安全人脸认证系统设计方法属于生物特征识别领域，具体涉及一种利用CNN提取人脸特征并用Paillier算法和不经意传输协议进行加密的方法。和SCiFi系统相比，本发明将手工提取的特征更换为CNN自动学习的特征，并进行二值化以去除噪声影响，认证准确率较高。在LFW库view2上的测试认证率为91.48％。在整个认证的过程中，服务器不会得知请求者的任何特征信息，只能接收到特征的密文信息而不能进行解密。而客户端只得知是否认证通过，对包括汉明距离在内的其他信息一无所知。本系统采用320bit的特征表示一幅人脸图片，特征数据量较SCiFi系统降低了2/3，因此加密和认证的耗时低，实时性高。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
