CN119495120A 一种基于群体智能和神经计算的人脸安全识别方法及系统 （泉城省实验室）

一种基于群体智能和神经计算的人脸安全本发明公开了一种基于群体智能和神经计送到边缘设备。本发明通过采用MLPSO算法迭代计算每层群体粒子的适应值，获取最优模型参数，再将最优模型参数输入人脸识别网络模型2将解密后人脸特征向量输入人脸识别网络模型进;为第j层第i个粒子第k-1次迭代的最佳位置，w和r为0到1之间的随机数，m为粒子层数，j表示第几层，表示第i个粒子第k-1次迭代的位置，;i个粒子第k次迭代的位置，为第i个粒子第k-1次迭代的位置，3;b为隐空间中的隐编码向量，a为原始人脸特征向量，u(a)为编码器输出的隐对人脸特征向量进行加密和解密过程中总损失的计;;;述VAE加密解密模块用于对原始人脸特征向量进行加密得到隐编码向量，和对隐编码向量4将解密后人脸特征向量输入人脸识别网络模型进5;i个粒子第k次迭代的速度，为第i个粒子第k-1次迭代的速度，为第j层第i个粒子第k-1次迭代的最佳位置，w和r为0到1之间的m为粒子层数，j表示第几层，表示第i个粒子第k-1次迭代的位置，;为第i个粒子第k次迭代的位置，为第i个粒子第k-1次迭代的i个粒子第k次迭代的速度。;其中，为原始人脸特征向量，p(a)为编码器输出的隐空间高斯分布均值，;b为隐空间中的隐编码向量，a为原始人脸特征向量，u(a)为编码器输出;;6;n为人脸特征向量的总维度，Ha为第d维人脸特征向量数据分布的均值，集模块用于采集人脸特征图像和获得原始人脸特征向量，所述VAE加密解密模块用于对原通过VAE加密解密模型的编码器对提取到的原始人脸特征向量加密，并将加密数据传输到[0020]本发明实施例提出了一种基于群体智能和神经计算的人7技术。为了提高轻量化人脸识别模型的识别准确率，本发明实施例采用了MLPSO（MLPSO，将解密后人脸特征向量输入人脸识别网络模型进训练人脸识别网络模型的模型参数，测试集用来对训练完成的人脸识别网络模型进行测;其中，表示第j层的群体粒子由第j-1层群体粒子控制，j表示第几层，1≤j≤m，m表示粒子层数。8;i个粒子第k次迭代的速度，为第i个粒子第k-1次迭代的速度，为第j层第i个粒子第k-1次迭代的最佳位置，w和r为0到1之间的m为粒子层数，j表示第几层，表示第i个粒子第k-1次迭代的位置，;为第i个粒子第k次迭代的位置，为第i个粒子第k-1次迭代的i个粒子第k次迭代的速度。次迭代获得的适应值与上次迭代获得的适应值作比较，获得第j层第i个粒子第k次迭代识别准确率当作群体粒子的适应值，通过不断迭代计算获取每层群体粒子的最优适应值，设定粒子总数SPN=27，粒子层数m=4，每层的粒子分布为SP=(1,3,3,3)，预设迭代次数为50，进一步模拟得到MLPSO算法优化人脸识别网络模型参数的收敛曲线如[0039]人脸识别网络模型的训练过程是：采用MLPSO算法优化轻量化人脸识别网络模型9算网络，VAE加密解密模型区别于传统的加密算法，通过将原始人脸特征向量映射到隐空[0042]采用VAE加密解密模型的编码器将多维的原始人脸特征向量作为输入，引入随机[0045]在VAE编码加密过程中，位置参数U(a)对应编码器输出的隐空间高斯分布的均[0046]原始人脸特征向量与加密后隐空间中的隐编码向量（即加密后人脸特征向p(b)为先验分布；p(b)=N(b;0,I)，其中b是隐编码向量，是均值，单位矩阵I是方差矩阵。;其中，为原始人脸特征向量，p(a)为编码器输出的隐空间高斯分布均值，;b为隐空间中的隐编码向量，a为原始人脸特征向量，u(a)为编码器输出[0051]eN(0,I)是从标准正态分布中采用的随机噪声，隐编码向量包含原始人脸[0052]采用VAE加密解密模型的解码器将隐编码向量从隐空间还原为原始人脸特征向;I为方差矩阵。[0054]解密还原后的原始人脸特征向量a'表示;向量的信息，通过均方误差损失评估加密得到的隐编码向量与原始输入人脸特征向量之间;;计算隐空间的概率分布q(bla)与标准正态分布N(0,I)之间的距离，KL散度损失函数;n为人脸特征向量的总维度，Ha为第d维人脸特征向量数据分布的均值，[0063]采用VAE加密解密模型的编码器将多维的原始人脸特征向量作为输入，引入随机[0064]在VAE加密解密模型中采用了KL散度损失和均方误差损失对VAE加密解密模型进[0066]人脸识别网络模型的训练过程是：采用MLPSO算法优化轻量化人脸识别网络模型[0068]本发明实施例系统将原始人脸特征向量的获取阶段和VAE加密阶段部署到边缘设