本發(fā)明涉及一種基于密文域的加密人臉識別方法，屬于多媒體信號處理領(lǐng)域。技術(shù)背景人臉識別技術(shù)作為一種有效的生物特征識別技術(shù)，由于其巨大的應用價值及市場潛力已經(jīng)成為圖像工程和模式識別領(lǐng)域的研究熱點，近些年來逐漸被各個領(lǐng)域廣泛應用，比如娛樂、犯罪調(diào)查、門禁系統(tǒng)、軍事等方面。隨著網(wǎng)絡越來越發(fā)達，信息安全、隱私保護已經(jīng)成為當今的主流話題之一。信息傳送給第三方保存，如何讓信息不被泄露成為研究的重點。目前大部分人臉識別都是在明文域中進行檢索以及識別，因此如何解決在云環(huán)境密文域中的人臉識別方法意義重大。將人臉進行加密上傳至不完全可信的第三方，對加密的圖像進行比對識別。人臉圖像的特征向量是區(qū)別人臉的最基本的屬性，目前對于在云環(huán)境下基于dft變換及混沌映射(logisticmap)的加密圖像人臉識別方法研究較少，且加密圖像所提取的特征向量具有可抗常規(guī)、幾何、光照、遮擋攻擊的研究也較少。因此研究基于dft密文域的加密圖像人臉識別方法有較大的意義。技術(shù)實現(xiàn)要素：本發(fā)明的目的是提出一種云環(huán)境下基于密文域的加密圖像人臉識別方法。該方法通過將人臉圖像的特征向量和加密技術(shù)結(jié)合起來，實現(xiàn)受到不同攻擊后依然可以準確進行人臉圖像識別，解決現(xiàn)有技術(shù)的不足，提供高安全性、高魯棒性的人臉識別技術(shù)。本發(fā)明的基本原理是：首先對人臉圖像進行加密，對加密后的人臉圖像進行dft變換，在dft變換系數(shù)中提取可以抗不同種常規(guī)、幾何、光照或遮擋等攻擊的的特征向量；將該特征向量作為人臉圖像識別的“關(guān)鍵字”；再將該特征向量與保存在云端的加密人臉圖像的特征向量進行相似度匹配，利用相關(guān)系數(shù)最大值，實現(xiàn)人臉的識別。本發(fā)明所采用的方法包括人臉圖像的頻域加密和提取加密圖像的特征向量兩大部分?，F(xiàn)對本發(fā)明的方法進行詳細說明如下：首先隨機選擇一張人臉圖像作為原始數(shù)據(jù)，表示為：f＝{f(i,j)|f(i,j)∈[0,255]；1≤i≤m,1≤j≤n}。其中，f(i,j)分別表示原始人臉圖像的像素灰度值，圖像的大小為mxn。第一部分：人臉圖像的變換域加密1)對人臉圖像f(i,j)進行全局dft變換，得到復數(shù)系數(shù)矩陣fd(i,j)。fd(i,j)＝dft2(f(i,j))2)通過logisticmap生成混沌序列；由初始值x0通過logisticmap混沌系統(tǒng)生成混沌序列bl(j)。3)構(gòu)造二值序列；利用混沌序列bl(j)，通過定義一個閾值函數(shù)sign而得到一個符號序列，再按人臉圖像的大小構(gòu)成一個二值矩陣s(i,j)，1≤i≤m,1≤j≤n。4)將系數(shù)矩陣與二值矩陣進行點乘，得到l(i,j)。l(i,j)＝fd(i,j).*s(i,j)5)對l(i,j)進行dft逆變換，得到加密后的人臉圖像e(i,j)。e(i,j)＝idft2(i(i,j))第二部分：提取加密人臉圖像的特征向量。6)通過對加密人臉圖像進行全局dft變換，得到dft復數(shù)系數(shù)矩陣ed(i,j)；7)取出前k×k個低中頻系數(shù)值，得到復數(shù)矩陣ed'(i,j)(1≤i≤k，1≤j≤k)，將一個復數(shù)看成實部、虛部(虛部只看系數(shù))兩個系數(shù)，得到實數(shù)矩陣ed"(i,j)(1≤i≤2k,1≤j≤k)，對符號運算得到該人臉圖像的特征向量ev(i,j)，本文k＝4；ed"(i,j)＝(real(ed'(k,k)),imag(ed'(i,j)))；本發(fā)明與現(xiàn)有的人臉識別技術(shù)比較有以下優(yōu)點：首先：目前人臉識別技術(shù)已經(jīng)有了廣泛的應用領(lǐng)域，該人臉圖像識別研究是基于dft變換以及l(fā)ogisticmap混沌序列的，通過實驗以及數(shù)據(jù)分析證實，使用該加密方法得到的加密圖像有較強的抗常規(guī)攻擊、幾何攻擊、光照攻擊和遮擋攻擊能力。而且針對云環(huán)境下密文域的人臉識別研究很少見，對攻擊后的人臉圖像進行頻域同態(tài)加密，防止其信息被泄露或篡改，再上傳給第三方云平臺，保證了信息安全。以下從理論基礎(chǔ)和實驗數(shù)據(jù)說明：1)離散傅里葉變換假設(shè)有一張m×n的人臉圖像，可以用如下公式對其進行dft變換：m×n的人臉圖像的離散傅里葉反變換(idft)公式如下：其中，f(x,y)為人臉圖像空間域采樣點(x,y)的采樣值，f(u,v)為人臉圖像頻域采樣點(u,v)的采樣值。數(shù)字圖像常用像素矩陣表示。2)logisticmap混沌是一種貌似無規(guī)則的運動，指在確定性系統(tǒng)中出現(xiàn)的類似隨機的過程。因此，有了它的初始值和參數(shù)，我們就能夠生成這個混沌系統(tǒng)。logisticmap是最著名的一種混沌系統(tǒng)，它是由以下公式給出的非線性映射：xk+1＝μxk(1-xk)其中，0≤μ≤4為增長參數(shù)，xk∈(0,1)為系統(tǒng)變量，k是迭代次數(shù)?；煦鐒恿ο到y(tǒng)的研究工作指出，當增長參數(shù)3.569945≤μ≤4時，logisticmap工作于混沌狀態(tài)?？梢钥吹匠跏贾涤幸粋€微小的變化將會導致混沌序列的顯著差異。因此，以上序列是一個理想的密鑰序列。本文中設(shè)定μ＝4，混沌序列由不同的初始值x0產(chǎn)生。3)加密人臉圖像的特征向量選取方法目前大部分人臉識別算法對遮擋、光照、表情變化等抗攻擊能力較差的原因是當這些攻擊實施在空間域下，像素值發(fā)生了較大變化；所以能否找到可以抗常規(guī)、幾何、光照、遮擋等攻擊的特征向量意義重大。如果能夠找到反映人臉圖像幾何特點的特征向量，當人臉圖像發(fā)生小的不同種變換或光照遮擋變化時，該特征向量不會發(fā)生明顯的突變。研究表明，對圖像特征而言，相位比幅度更加重要；只要圖像是相似的，其相位不會有較大的差異。通過對大量圖像的dft系數(shù)(低中頻)觀察發(fā)現(xiàn)，當對圖像進行常見的不同種變換或光照遮擋變化時，dft低中頻部分系數(shù)的值可能會發(fā)生變化，但其系數(shù)的實部和虛部的符號基本保持不變。根據(jù)人的視覺特性(hvs)，低中頻信號對人的視覺影響較大，代表著圖像的主要特征，因此我們選取人臉圖像的低中頻系數(shù)符號作為特征向量。因此，選取一些常規(guī)攻擊、幾何攻擊、遮擋攻擊和光照攻擊的實驗數(shù)據(jù)見表1所示。表1中用作測試的原始圖像是圖1，是orl人臉數(shù)據(jù)庫的第一幅人臉，由劍橋大學at&t實驗室創(chuàng)建；圖2是加密后的人臉圖像。表1中“第1列”顯示的是人臉識別算法受到的攻擊類型，主要包括常規(guī)攻擊、幾何攻擊、光照攻擊和遮擋攻擊。表1的“第2列”表示的是經(jīng)過常規(guī)攻擊后的加密人臉圖像的峰值信噪比(psnr)；表1的“第3列”到“第6列”，是dft變換復數(shù)系數(shù)矩陣中取的f(1,1)‐f(1,4)四個低中頻復數(shù)系數(shù)。表1的“第7列”是用于特征提取的符號序列。通過該表的數(shù)據(jù)我們發(fā)現(xiàn)，對于常規(guī)攻擊，這些低中頻系數(shù)f(1,1)‐f(1,4)的符號基本保持不變，且與原加密人臉圖像的dft系數(shù)值近似相等；對于幾何攻擊，部分系數(shù)值有較大變化，但可以發(fā)現(xiàn)，受到幾何攻擊后的加密人臉圖像，雖然大部分dft低中頻系數(shù)的大小發(fā)生了變化，但其符號基本沒有發(fā)生變化；對于光照、遮擋等攻擊，這些dft變換域的低頻值可能發(fā)生一些變換，但其系數(shù)符號仍然不變。對dft復數(shù)系數(shù)(這里復數(shù)看成實部和虛部兩個系數(shù)值)進行符號運算，即將正的系數(shù)用“1”表示(含值為零的系數(shù))，負的dft系數(shù)用“0”表示，那么對于原始人臉數(shù)據(jù)來說，dft系數(shù)矩陣中的f(1,1)‐f(1,4)系數(shù)，對應的系數(shù)符號序列為：“11100001”，見表1的“第7列”，觀察該列可以發(fā)現(xiàn)，無論常規(guī)攻擊、幾何攻擊、光照攻擊還是遮擋攻擊，其符號序列和原始人臉圖像的保持相似，并且與原始人臉圖像的歸一化相關(guān)系數(shù)都較大，見表1“第8列”，結(jié)果顯示的相關(guān)系數(shù)基本均大于0.5。表1加密人臉圖像dft變換低中頻部分系數(shù)及受不同攻擊后的變化值*dft數(shù)單位1.0e+004為了進一步證明按上述方法提取的特征向量是該加密人臉圖像的一個重要特征，我們又把不同的人臉(見圖3至圖12)進行加密(見圖13至圖22)，然后再進行dft變換，求出對應的dft系數(shù)f(1,1)‐f(1,4)從統(tǒng)計學角度，這里取了前16個dft復數(shù)系數(shù)(這里復數(shù)看成實部和虛部兩個系數(shù)值)，得到32位符號序列。并且求出相互之間的相關(guān)系數(shù)，計算結(jié)果如表2所示。從表2可以看出，首先，同一加密人臉圖像自身之間的相關(guān)系數(shù)為1.00；其次，不同人臉的加密圖像的特征向量的相關(guān)系數(shù)都不大于0.5；這與我們?nèi)搜蹖嶋H觀察到的相符合。按照該特征向量的提取方法，加密前，兩個人臉的相關(guān)系數(shù)越大，加密后這兩個人臉的相關(guān)系數(shù)也較大，加密前后有較好的同態(tài)特性。表2.10個不同加密人臉圖像特征向量之間的相關(guān)系數(shù)(向量長度32bit)綜上所述，我們通過分析加密人臉圖像的全局dft系數(shù)，利用dft低中頻系數(shù)的符號序列得到一種取得加密人臉圖像的特征向量的方法。附圖說明圖1是原始人臉圖像。圖2是加密后的人臉圖像。圖3orl人臉數(shù)據(jù)庫中的第1個人的人臉圖像。圖4orl人臉數(shù)據(jù)庫中的第2個人的人臉圖像。圖5orl人臉數(shù)據(jù)庫中的第3個人的人臉圖像。圖6orl人臉數(shù)據(jù)庫中的第4個人的人臉圖像。圖7orl人臉數(shù)據(jù)庫中的第5個人的人臉圖像。圖8orl人臉數(shù)據(jù)庫中的第6個人的人臉圖像。圖9orl人臉數(shù)據(jù)庫中的第7個人的人臉圖像。圖10orl人臉數(shù)據(jù)庫中的第8個人的人臉圖像。圖11orl人臉數(shù)據(jù)庫中的第9個人的人臉圖像。圖12orl人臉數(shù)據(jù)庫中的第10個人的人臉圖像。圖13orl人臉數(shù)據(jù)庫中的第1個人的加密人臉圖像。圖14orl人臉數(shù)據(jù)庫中的第2個人的加密人臉圖像。圖15orl人臉數(shù)據(jù)庫中的第3個人的加密人臉圖像。圖16orl人臉數(shù)據(jù)庫中的第4個人的加密人臉圖像。圖17orl人臉數(shù)據(jù)庫中的第5個人的加密人臉圖像。圖18orl人臉數(shù)據(jù)庫中的第6個人的加密人臉圖像。圖19orl人臉數(shù)據(jù)庫中的第7個人的加密人臉圖像。圖20orl人臉數(shù)據(jù)庫中的第8個人的加密人臉圖像。圖21orl人臉數(shù)據(jù)庫中的第9個人的加密人臉圖像。圖22orl人臉數(shù)據(jù)庫中的第10個人的加密人臉圖像。圖23高斯噪聲強度為2％的人臉圖像。圖24加密后的高斯噪聲強度為2％的人臉圖像。圖25高斯噪聲強度為20％的人臉圖像。圖26加密后的高斯噪聲強度為20％的人臉圖像。圖27壓縮質(zhì)量為5％的人臉圖像。圖28加密后的壓縮質(zhì)量為5％的人臉圖像。圖29壓縮質(zhì)量為30％的人臉圖像。圖30加密后的壓縮質(zhì)量為30％的人臉圖像。圖31中值濾波參數(shù)為[7x7]，濾波重復次數(shù)為10的人臉圖像。圖32加密后的中值濾波參數(shù)為[7x7]，濾波重復次數(shù)為10的人臉圖像。圖33中值濾波參數(shù)為[5x5]，濾波重復次數(shù)為10的人臉圖像。圖34加密后的中值濾波參數(shù)為[5x5]，濾波重復次數(shù)為10的人臉圖像。圖35順時針旋轉(zhuǎn)2°的人臉圖像。圖36加密后的順時針旋轉(zhuǎn)2°的人臉圖像。圖37逆時針旋轉(zhuǎn)2°的人臉圖像。圖38加密后的逆時針旋轉(zhuǎn)2°的人臉圖像。圖39縮放因子為0.3的人臉圖像。圖40加密后的縮放人臉圖像(縮放因子為0.3)。圖41縮放因子為2的人臉圖像。圖42加密后的縮放人臉圖像(縮放因子為2)。圖43水平左移2°的人臉圖像。圖44加密后的水平左移2°的人臉圖像。圖45垂直上移4°的人臉圖像。圖46加密后的垂直上移4°的人臉圖像。圖47y方向剪切量為2％的人臉圖像。圖48加密后的y方向剪切量為2％的人臉圖像。圖49y方向剪切量為5％的人臉圖像。圖50加密后的y方向剪切量為5％的人臉圖像。圖51光照強度為‐60％的人臉圖像。圖52加密后的光照強度為‐60％的人臉圖像。圖53光照強度為20％的人臉圖像。圖54加密后的光照強度為20％的人臉圖像。圖55口罩遮擋大小為s的人臉圖像。圖56加密后的口罩遮擋大小為s的人臉圖像。圖57眼鏡遮擋大小為s的待測人臉圖像。圖58加密后的眼鏡遮擋大小為s的人臉圖像。圖59帽子遮擋大小為s的待測人臉圖像。圖60加密后的帽子遮擋大小為s的人臉圖像。具體實施方式下面結(jié)合附圖對本發(fā)明做進一步說明，仿真平臺為matlab2010a，隨機選擇一張人臉圖像，記為f＝{f(i,j)|f(i,j)∈[0,255]；1≤i≤m,1≤j≤n}，圖像的大小為92x112，見圖1，加密后的人臉圖像見圖2，表示為e(i,j)，對應的dft復數(shù)系數(shù)矩陣為ed(i,j)?？紤]到魯棒性和時間復雜度，我們選取4x4＝16個dft復數(shù)矩陣(這里把一個復數(shù)看成實部和虛部兩個系數(shù))，得到32位二值序列作為特征向量。通過計算歸一化相關(guān)系數(shù)nc(normalizedcrosscorrelation)，來檢測特征向量的魯棒性。下面我們通過具體實驗來判斷該dft密文域人臉圖像的特征向量的抗常規(guī)攻擊、抗幾何攻擊以及抗光照和遮擋等能力。先測試由該算法得到的加密圖像特征向量抗常規(guī)攻擊的能力。(1)高斯噪聲使用imnoise()函數(shù)在人臉圖像中加入高斯噪聲后，再進行加密。圖23是高斯噪聲強度為2％的人臉圖像；圖24是加密后的高斯噪聲強度為2％的人臉圖像；圖25是高斯噪聲強度為20％的人臉圖像，在視覺上與原始的人臉圖像已有明顯差別；圖26是加密后的高斯噪聲強度為20％的人臉圖像，nc＝0.59。表3是對抗高斯噪聲干擾的人臉圖像進行加密后的實驗數(shù)據(jù)。從中可以看到，當高斯噪聲強度高達20％時，加密后的高斯干擾人臉圖像的psnr降至11.97db，這時提取的特征向量的相關(guān)系數(shù)nc＝0.59，仍能進行人臉圖像識別。這說明采用該發(fā)明有較好的抗高斯噪聲能力。表3高斯噪聲干擾的人臉圖像加密后的實驗數(shù)據(jù)噪聲強度(％)2581020psnr(db)14.8114.5412.5012.8311.97nc0.720.770.680.860.59(2)jpeg壓縮處理圖27是壓縮質(zhì)量為5％的人臉圖像；圖28是加密后的壓縮質(zhì)量為5％的人臉圖像；圖29是壓縮質(zhì)量為30％的人臉圖像；圖30是加密后的壓縮質(zhì)量為30％的人臉圖像。采用圖像壓縮質(zhì)量百分數(shù)作為參數(shù)對人臉圖像進行jpeg壓縮；表4為對jpeg壓縮的人臉圖像進行加密后的實驗數(shù)據(jù)。當壓縮質(zhì)量僅為2％，這時壓縮質(zhì)量較低，進行加密后，nc＝0.49；但當壓縮質(zhì)量為5％進行加密后，nc＝0.72，能進行密文域下的人臉圖像識別，這說明采用該發(fā)明有較好的抗jpeg壓縮能力。表4jpeg壓縮的人臉圖像加密后的實驗數(shù)據(jù)壓縮質(zhì)量(％)258102030psnr(db)22.0726.0727.1427.0830.9032.27nc0.490.7210.9110.91(3)中值濾波處理圖31是中值濾波參數(shù)為[7x7]，濾波重復次數(shù)為10的人臉圖像；圖32是加密后的中值濾波參數(shù)為[7x7]，濾波重復次數(shù)為10的人臉圖像；圖33是中值濾波參數(shù)為[5x5]，濾波重復次數(shù)為10的人臉圖像；圖34是加密后的中值濾波參數(shù)為[5x5]，濾波重復次數(shù)為10的人臉圖像，此時nc＝0.91；能進行密文域下的人臉圖像識別，這說明采用該發(fā)明有較好的抗中值濾波能力。表5為對中值濾波的人臉圖像進行加密后的實驗數(shù)據(jù)，從表中可以看得，有較好的抗中值濾波攻擊能力。表5中值濾波的人臉圖像加密后的實驗數(shù)據(jù)抗幾何攻擊能力(1)旋轉(zhuǎn)變換圖35是順時針旋轉(zhuǎn)2°的人臉圖像；圖36是加密后的順時針旋轉(zhuǎn)2°的人臉圖像；圖37是逆時針旋轉(zhuǎn)2°的人臉圖像；圖38是加密后的逆時針旋轉(zhuǎn)2°的人臉圖像，nc＝0.86。表6旋轉(zhuǎn)攻擊的人臉圖像加密后的實驗數(shù)據(jù)表6為對旋轉(zhuǎn)攻擊的人臉圖像進行加密后的實驗數(shù)據(jù)。從表中可以看到當人臉圖像逆時針旋轉(zhuǎn)10°再加密后，nc＝0.81，可以較為準確地進行密文域下的人臉圖像識別；但人臉圖像順時針旋轉(zhuǎn)10°再加密后，nc＝0.26，此時進行人臉圖像識別有一些困難，說明順時針效果比逆時針效果差一些。但其他情況下仍能進行密文域下的人臉圖像識別，這說明采用該發(fā)明有較好的抗旋轉(zhuǎn)變換的能力。(2)縮放變換圖39是縮放因子為0.3的人臉圖像；圖40是加密后的縮放人臉圖像(縮放因子為0.3)；圖41是縮放因子為2的人臉圖像；圖42是加密后的縮放人臉圖像(縮放因子為2)。表7為對縮放攻擊的人臉圖像進行加密后的實驗數(shù)據(jù)，從表7可以看到人臉圖像縮放因子小至0.3再進行加密，相關(guān)系數(shù)nc＝0.77，具有較大的相似性，可以較為準確地進行進行密文域下的人臉圖像識別，這說明采用該發(fā)明有較好的抗縮放變換的能力。表7縮放攻擊的人臉圖像加密后的實驗數(shù)據(jù)縮放程度0.30.52nc0.770.790.81(3)平移變換圖43是水平左移2°的人臉圖像；圖44是加密后的水平左移2°的人臉圖像；圖45是垂直上移4°的人臉圖像；圖46是加密后的垂直上移4°的人臉圖像，nc＝0.95；表8是對平移變換的人臉圖像進行加密后的實驗數(shù)據(jù)。從表中得知當人臉圖像水平左移或垂直上移移動4％后進行加密，nc值都高于0.7，可以準確地進行密文域下的人臉圖像識別，這說明采用該發(fā)明有較好的抗平移變換的能力。表8平移變換的人臉圖像加密后的實驗數(shù)據(jù)(4)剪切攻擊圖47是y方向剪切量為2％的人臉圖像；圖48是加密后的y方向剪切量為2％的人臉圖像；圖49是y方向剪切量為5％的人臉圖像；圖50是加密后的y方向剪切量為5％的人臉圖像。表9為對剪切攻擊的人臉圖像進行加密后的實驗數(shù)據(jù)，從表中可以看到，當對人臉圖像進行y方向剪切，剪切量為5％再進行加密，nc＝0.72，此時可以較準確地進行密文域下的人臉圖像識別，說明采用該發(fā)明有較好的抗剪切攻擊能力。表9剪切攻擊的人臉圖像加密后的實驗數(shù)據(jù)上面主要對常規(guī)和幾何攻擊進行了實驗，下面對光照、遮擋等攻擊進行測試；(1)光照攻擊圖51是光照強度為‐60％的人臉圖像；圖52是加密后的光照強度為‐60％的人臉圖像；圖53是光照強度為20％的人臉圖像；圖54是加密后的光照強度為20％的人臉圖像，nc＝0.91。表10為對光照攻擊的人臉圖像進行加密后的實驗數(shù)據(jù)。從表中可以看到當人臉圖像光照強度為‐100％時再進行加密，nc＝0.72，可以較為準確地進行密文域的人臉圖像識別；人臉圖像光照強度為60％時進行加密，nc＝0.77，仍可以較為準確地進行密文域的人臉圖像識別，說明采用該發(fā)明有較好的抗光照攻擊能力。表10旋轉(zhuǎn)攻擊的人臉圖像加密后的實驗數(shù)據(jù)(2)遮擋攻擊圖55是口罩遮擋大小為s的人臉圖像；圖56是加密后的口罩遮擋大小為s的人臉圖像，psnr為20.79db；圖57是眼鏡遮擋大小為s的人臉圖像，這時已有一定的遮擋效果；圖58是加密后的眼鏡遮擋大小為s的人臉圖像，psnr為19.92db；圖59是帽子遮擋大小為s的人臉圖像；；圖60是加密后的帽子遮擋大小為s的人臉圖像，psnr為13.87db；遮擋是人臉識別過程中較難解決的問題，表11為對遮擋攻擊的人臉圖像進行加密后的實驗數(shù)據(jù)，包括眼鏡遮擋，口罩遮擋和帽子遮擋；表中，s，m，l分別表示遮擋的面積的相對大小。從表中可以看到，當口罩遮擋大小為l時進行加密，psnr＝18.66db，nc＝0.57；當眼鏡遮擋大小為l時進行加密，psnr＝16.37db，nc＝0.51；當帽子遮擋面積較大為l時進行加密，這時信噪比較低為psnr＝12.64db，nc＝0.51，仍可以進行密文域的人臉圖像識別，說明采用該發(fā)明有較好的抗遮擋攻擊能力。表11遮擋攻擊的人臉圖像加密后的實驗數(shù)據(jù)當前第1頁12