[发明专利]一种保护隐私安全的人脸识别方法

说明书

本发明提供一种保护隐私安全的人脸识别方法，包括：人脸注册阶段：采集人脸图像并提取人脸特征，并采用CKKS全同态加密算法加密人脸特征后得到源人脸模板；将源人脸模板存储在数据库中；人脸匹配阶段：采集待识别人脸图像并提取待识别人脸特征，并采用CKKS全同态加密算法加密待识别人脸特征后得到目标人脸模板；将目标人脸模板与数据库中的源人脸模板进行匹配。本发明采用CKKS全同态加密算法加密人脸特征，解决了人脸特征数据的隐私安全的问题。

技术领域

本发明涉及身份认证技术领域，具体而言，涉及一种保护隐私安全的人脸识别方法。

背景技术

在身份认证领域，人脸生物特征认证技术具有传统密码学所不具备的优势，如使用便捷、不可抵赖、难以伪造等，因此逐渐在人们日常生活中扮演重要角色。然而，随着人脸生物特征认证系统应用的逐渐深入，其本身所固有的一些隐患也逐渐暴露出来，比如假人脸特征的攻击，人脸特征模板的丢失与重构攻击等等。为了解决人脸特征数据的隐私安全等问题，人们提出一些解决方法，这些方法可以归类为以下四种：

1、生物特征密码系统。该方法将生物特征与密钥绑定，或者基于生物特征生成密钥。比较常见的是fuzzy commitment和fuzzy vault方案。这些方案使用纠错码来处理生物识别数据中的类内变化。但不能处理大的类内变化，导致了较低的识别性能。此外，纠错码要求生物识别特征向量必须是某种格式，如二进制字符串或整数向量(范围有限)等。这种量化方法通常容易造成信息的损失，从而降低了生物特征识别性能。

2、基于转换的方法。该方法使用一个转换函数将生物特征(例如人脸特征)转化为另外一个域的数据。该方法依赖于用户指定的密钥将生物特征数据变换到另外一个域。由于变换具有可逆的特性，使得该方法极大的依赖于密钥的安全。此外，该方法还可以使用非可逆变换进行转换，但是识别时会带来极大的性能开销。

3、混合方法。该方法将上述生物特征密码系统与转换的方法结合使用。由于采用卷积神经网络将生物特征随机转换为一个二进制码，而且卷积神经网络训练过程中没有任何隐私保护，因此会导致生物特征的泄露。

4、同态加密方法。该方法采用同态加密将生物特征加密后存储。识别时将采集的生物特征加密后与保存的生物特征模板(密文)进行比对。最早人们提出使用单同态加密方法保护生物特征模板，由于识别时需要客户端与服务端的多次通信导致效率不高。随后人们提出使用部分同态加密方法保护生物特征模板。但是这些方法只能针对二进制生物特征数据的形式，例如指纹或者虹膜，无法应用于人脸这种实数型数据。最近人们提出使用全同态加密解决人脸模板的保护，但是这些方法要么效率不高要么依然需要将人脸数据整型化处理。

发明内容

本发明旨在提供一种保护隐私安全的人脸识别方法，以解决人脸特征数据的隐私安全的问题。

本发明提供的一种保护隐私安全的人脸识别方法，包括：

人脸注册阶段：采集人脸图像并提取人脸特征，并采用CKKS全同态加密算法加密人脸特征后得到源人脸模板；将源人脸模板存储在数据库中；

人脸匹配阶段：采集待识别人脸图像并提取待识别人脸特征，并采用CKKS全同态加密算法加密待识别人脸特征后得到目标人脸模板；将目标人脸模板与数据库中的源人脸模板进行匹配。

进一步的，所述人脸注册阶段包括如下步骤：

S11，采集人脸图像；

S12，对采集的人脸图像进行预处理；

S13，对预处理后的人脸图像进行人脸特征提取；

S14，对提取的人脸特征进行归一化；

S15，采用CKKS全同态加密算法生成用户的公钥和私钥；