加解密系统以及方法与流程

1.本揭示有关于一种加解密系统以及方法。


背景技术：

2.在网络加密的领域中，往往需要复杂的加密或杂凑演算法才能完成数据的加密。常见的有对称性加密演算法以及非对称性加密演算法，这些演算法往往需要耗费庞大的资源以及时间，或是数据嵌入的容量过低。此外，这些演算法也常常无法保证受攻击后的加密恢复能力。


技术实现要素：

3.本揭示提出一种加解密系统，其包括传送设备以及接收设备。传送设备包括第一存储器、第一处理器以及第一收发电路。第一存储器存储多个原始影像。第一处理器用以由多个原始影像成对地进行影像变形处理产生多个变形影像，并将多个原始影像的编号与多个变形影像的编号之间的对应关系记录于对应表以存储第一存储器，其中第一处理器还用以产生加密字串，并根据加密字串从多个变形影像中选出代表变形影像。第一收发电路用以传送代表变形影像，且不传送加密字串。接收设备连接传送设备，包括第二存储器、第二收发电路以及第二处理器。第二存储器用以存储对应表。第二收发电路用以从第一收发电路接收代表变形影像，且不接收加密字串。第二处理器从代表变形影像识别出第一原始影像编号以及第二原始影像编号，并根据第一原始影像编号以及第二原始影像编号对对应表查表以产生加密字串。
4.在一实施例中，第一存储器以及第二存储器共享密钥，第一处理器利用密钥对数据进行加密演算法以产生加密字串，以及当根据第一原始影像编号以及第二原始影像编号对对应表查表以产生加密字串时，第二处理器利用密钥对加密字串进行解密演算法以产生数据。
5.在一实施例中，代表变形影像的编号相同于加密字串。
6.在一实施例中，第一处理器从多个原始影像中选择第一影像以及第二影像，第一处理器对第一影像以及第二影像进行特征点识别处理以产生第一影像中的多个第一目标点以及第二影像中的多个第二目标点，并建立多个第一目标点以及多个第二目标点之间的目标点对应关系，第一处理器根据调整参数以及目标点对应关系从多个第一目标点的坐标以及多个第二目标点的坐标产生多个变形点的坐标，第一处理器根据多个第一目标点的坐标以及多个变形点的坐标对第一影像进行对齐处理以产生第一扭曲影像，并根据多个第二目标点的坐标以及多个变形点的坐标对第二影像进行对齐处理以产生第二扭曲影像，以及第一处理器根据调整参数将第一扭曲影像以及第二扭曲影像转换为对应的变形影像。
7.在一实施例中，第一处理器将第一影像以及第二影像与对应的变形影像之间的对应关系记录于对应表。
8.在一实施例中，第二处理器根据多个调整参数对多个原始影像成对地进行影像变
形处理以产生多个对应的变形影像，以及第二处理器利用多个对应的变形影像以及多个原始影像更新识别模型，以利用识别模型从代表变形影像识别出第一原始影像编号以及第二原始影像编号。
9.在一实施例中，第二处理器从多个原始影像选择第一影像以及第二影像，并根据调整参数对第一影像以及第二影像进行影像变形处理以产生对应的变形影像，第二处理器将对应的变形影像做为训练样本，并将第一影像以及第二影像做为第一训练标签以及第二训练标签，第二处理器将训练样本输入识别模型以产生第一预测标签以及第二预测标签，并利用第一预测标签、第二预测标签、第一训练标签以及第二训练标签进行加性角度间隔损失计算以产生损失，以及第二处理器利用损失对识别模型进行反向传递处理以更新识别模型。
10.在一实施例中，识别模型为版本二变形人脸识别网络，版本二变形人脸识别网络包括特征提取层以及二全连接层，其中二全连接层的输入端连接特征提取层的输出端，特征提取层为深度残差神经网络，二全连接层为二全连接l2正规化层。
11.在一实施例中，多个原始影像的数量为n，多个变形影像的数量为且多个变形影像的编号的位元数为
12.在一实施例中，多个原始影像的编号为十进位，且多个变形影像的编号为二进位。
13.本揭示提出一种加解密方法，其包括：产生加密字串，并由多个原始影像成对地进行影像变形处理产生多个变形影像，进而将多个原始影像的编号与多个变形影像的编号之间的对应关系记录于对应表；根据加密字串从多个变形影像中选出代表变形影像；传送代表变形影像，且不传送加密字串；当接收代表变形影像时，从代表变形影像识别出第一原始影像编号以及第二原始影像编号；以及根据第一原始影像编号以及第二原始影像编号对对应表查表以产生加密字串。
14.在一实施例中，加解密方法，还包括：利用共享的密钥对数据进行加密演算法以产生加密字串；以及当根据第一原始影像编号以及第二原始影像编号对对应表查表以产生加密字串时，利用密钥对加密字串进行解密演算法以产生数据。
15.在一实施例中，代表变形影像的编号相同于加密字串。
16.在一实施例中，加解密方法，还包括：从多个原始影像中选择第一影像以及第二影像；对第一影像以及第二影像进行特征点识别处理以产生第一影像中的多个第一目标点以及第二影像中的多个第二目标点，并建立多个第一目标点以及多个第二目标点之间的目标点对应关系；根据调整参数以及目标点对应关系从多个第一目标点的坐标以及多个第二目标点的坐标产生多个变形点的坐标；根据多个第一目标点的坐标以及多个变形点的坐标对第一影像进行对齐处理以产生第一扭曲影像，并根据多个第二目标点的坐标以及多个变形点的坐标对第二影像进行对齐处理以产生第二扭曲影像；以及根据调整参数将第一扭曲影像以及第二扭曲影像转换为对应的变形影像。
17.在一实施例中，加解密方法，还包括：将第一影像以及第二影像与对应的变形影像之间的对应关系记录于对应表。
18.在一实施例中，加解密方法，还包括：根据多个调整参数对多个原始影像成对地进行影像变形处理以产生多个对应的变形影像，以及利用多个对应的变形影像以及多个原始
影像更新识别模型，以利用识别模型从代表变形影像识别出第一原始影像编号以及第二原始影像编号。
19.在一实施例中，加解密方法，还包括：从多个原始影像选择第一影像以及第二影像，并根据调整参数对第一影像以及第二影像进行影像变形处理以产生对应的变形影像，将对应的变形影像做为训练样本，并将第一影像以及第二影像做为第一训练标签以及第二训练标签，将训练样本输入识别模型以产生第一预测标签以及第二预测标签，并利用第一预测标签、第二预测标签、第一训练标签以及第二训练标签进行加性角度间隔损失计算以产生损失，以及利用损失对识别模型进行反向传递处理以更新识别模型。
20.在一实施例中，识别模型为版本二变形人脸识别网络，版本二变形人脸识别网络包括特征提取层以及二全连接层，其中二全连接层的输入端连接特征提取层的输出端，特征提取层为深度残差神经网络，二全连接层为二全连接l2正规化层。
[0021][0022]
在一实施例中，多个原始影像的数量为n，多个变形影像的数量为且多个变形影像的编号的位元数为
[0023]
在一实施例中，多个原始影像的编号为十进位，且多个变形影像的编号为二进位。
附图说明
[0024]
图1是本揭示的加解密系统的方框图。
[0025]
图2是本揭示的加解密方法的流程图。
[0026]
图3是根据本揭示一些实施例中的执行加解密系统的示意图。
[0027]
图4是根据本揭示一些实施例中的产生对应表的示意图。
[0028]
图5是根据本揭示一些实施例中的图3中一步骤的详细步骤的流程图。
[0029]
图6是根据本揭示一些实施例中的目标点的示意图。
[0030]
图7是根据本揭示一些实施例中的调整参数对变形影像的影响的示意图。
[0031]
图8是根据本揭示一些实施例中的更新识别模型的示意图。
具体实施方式
[0032]
在目前的加密技术中，往往需要复杂的数据处理步骤才能完成数据的加密以及解密，这会造成资源以及时间上的浪费。此外，针对以往的影像加密技术，常常有影像过度失真或嵌入的数据的容量过低的问题。甚至，可能有在加密数据受攻击后恢复信息能力不足的问题。有鉴于此，本揭示提出一种加解密系统以及方法，此加解密系统以及方法先从少量的原始影像产生大量的变形影像，并根据加密字串选择代表变形影像(即，对应的变形影像)以从传送设备传送至接收设备。借此，从代表变形影像识别出成对的原始影像编号，并根据成对的原始影像编号进行查表以产生加密字串。如此一来，将解决过度失真或嵌入的数据的容量过低的问题，且大大提升恢复信息能力。
[0033]
参阅图1，图1是本揭示的加解密系统100的方框图。如图1所示，加解密系统100包括传送设备110以及接收设备120。传送设备110与接收设备120连接。在一些实施例中，传送设备110以及接收设备120可以无线或有线的方式相互连接。
[0034]
在一些实施例中，传送设备110以及接收设备120可以是任意具有通信以及处理功能的电子设备(例如，手机、笔记本计算机或平板计算机等)。在一些实施例中，传送设备110可包括收发电路111、存储器112以及处理器113，且接收设备120可包括收发电路121、存储器122以及处理器123。
[0035]
在本实施例中，存储器112预先存储多个原始影像，其中处理器113由多个原始影像成对地进行影像变形处理产生多个变形影像(morphed image)，并将多个原始影像的编号与多个变形影像的编号之间的对应关系记录于对应表以存储于存储器112。此外，存储器122也会存储这个对应表。值得注意的是，变形影像以及对应表的产生将在后续段落进一步说明。
[0036]
在本实施例中，收发电路111将代表变形影像rmi传送至收发电路121。
[0037]
在一些实施例中，收发电路111以及收发电路121可以由用以与其他设备或系统进行通信的通信接口(例如，wi-fi通信接口)实现。在一些实施例中，收发电路111可将代表变形影像rmi传送至收发电路121。值得注意的是，代表变形影像rmi的选择将在后续段落进一步说明。
[0038]
在一些实施例中，存储器112以及存储器122可以由存储单元、快闪存储器、只读存储器、硬盘或任何具相等性的存储组件等实现。在一些实施例中，存储器112可存储原始影像数据库(未绘示)、变形影像数据库(未绘示)以及所产生的对应表，原始影像数据库用以存储上述原始影像，变形影像数据库用以存储上述所产生的变形影像。在一些实施例中，存储器122也可存储上述原始影像数据库以及上述对应表。在一些实施例中，变形影像数据库中的变形影像用以更新(即，训练)处理器123所执行的识别模型im。
[0039]
换言之，在存储器112以及存储器122中，都会预先存储原始影像以及对应表。借此，才能在后续步骤中完成数据的加密以及解密。
[0040]
在一些实施例中，处理器113以及处理器123可以由处理单元、中央处理单元或计算单元等实现。在一些实施例中，处理器123可基于相应的软件或固件指令程序以运行识别模型im。值得注意的是，识别模型im的架构以及更新将在后续段落进一步说明。
[0041]
一并参照图2以及图3，图2是本揭示的加解密方法200的流程图，图3是根据本揭示一些实施例中的执行加解密系统100的示意图。图1的加解密系统100中的元件用以执行加解密方法200中的步骤s210～s250。如图2以及图3所示，首先，于步骤s210中，通过处理器113产生加密字串sei。在一些实施例中，存储器112以及存储器122可共享密钥kh(即，皆存储相同的密钥kh)。在一些实施例中，处理器113可利用密钥kh对数据si进行加密演算法以产生加密字串sei。在一些实施例中，加密演算法可以是进阶加密标准(advanced encryption standard,aes)等常用的加解密演算法。
[0042]
在可选的实施例中，可在执行步骤s210之后执行步骤s210’。于步骤s210’中，通过处理器113对多个原始影像进行影像变形处理以产生多个变形影像。
[0043]
在一些实施例中，处理器113可从原始影像数据库od取得多个原始影像，并对多个原始影像成对地进行影像变形处理以产生多个变形影像。接着，处理器113可将多个变形影像存储于变形影像数据库md，并将多个原始影像的编号与多个变形影像的编号之间的对应关系记录于对应表。值得注意的是，所述“成对地”是指，在产生一个变形影像前，从这些原始影像随机地进行两次选择，其中相同的原始影像可被选到两次。
[0044]
在一些实施例中，多个原始影像的数量为n，多个变形影像的数量为多个原始影像的编号为十进位，多个变形影像的编号为二进位，以及多个变形影像的编号的位元数为其中n可以是任意的正整数。
[0045]
以下以实际的例子说明变形影像以及对应表的产生。一并参照图4，图4是根据本揭示一些实施例中的产生对应表ct的示意图。如图4所示，假设原始影像数据库od包括3个原始影像oi1～oi3，各自的编号sid分别为1～3，以及原始影像oi1～oi3可重复选择，可从原始影像oi1～oi3选择2次。此时，编号组合(例如，所选择的第一编号sid为1且所选择的第二编号sid为2)会有6种可能，变形影像会有6个，以及二进位的变形影像的编号mid的位元数为3。借此，可由小至大依序为原始影像的各编号组合设定二进位的编号(例如，001～110)。如此一来，可将原始影像的编号组合以及变形影像的编号mid之间的对应关系存储于对应表ct。
[0046]
进一步而言，由对应表ct可得知，当第一编号sid为1以及第二编号sid为1(即，编号sid为1的原始影像oi1与自己进行影像变形处理)时，对应的变形影像的编号mid为001。换言之，将原始影像oi1以及原始影像oi1进行影像变形处理，就可以产生编号mid为001的变形影像。而当第一编号sid为1以及第二编号sid为2(即，编号sid为1的原始影像oi1与编号sid为2的原始影像oi2进行影像变形处理)时，对应的变形影像的编号mid为010。换言之，将原始影像oi1以及原始影像oi2进行影像变形处理就可以产生编号mid为010的变形影像。以此类推，对应表ct可记录所有编号组合(第一编号sid以及第二编号sid)以及变形影像的编号mid之间的对应关系。
[0047]
以下进一步说明步骤s210’中的详细步骤。一并参照图5，图5是根据本揭示一些实施例中的图3中步骤s210’的详细步骤的流程图。如图5所示，步骤s210’包括步骤s211’～s215’。
[0048]
首先，于步骤s211’中，通过处理器113从多个原始影像中选择第一影像以及第二影像。换言之，处理器113会从原始影像数据库od选出两个影像。值得注意的是，在此虽以选出不同的第一影像以及第二影像为例子，但在实际应用中第一影像以及第二影像也可能是相同的影像。
[0049]
于步骤s212’中，通过处理器113对第一影像以及第二影像进行特征点识别处理，以产生第一影像中的多个第一目标点(lamdmark)、第二影像中的多个第二目标点以及多个第一目标点以及多个第二目标点之间的对应关系(即，其中一个第一目标点会对应到哪一个第二目标点)。
[0050]
在一些实施例中，特征点识别处理包括监督下降方法(supervised descent method,sdm)演算法以及边缘检测(edge detection)演算法。
[0051]
一并参照图6，图6是根据本揭示一些实施例中的目标点lm(1)～lm(m)的示意图。如图6所示，从原始影像oi2可产生多个目标点lm(1)～lm(m)，其中m为目标点lm(1)～lm(m)的数量且为正整数。目标点lm(1)～lm(m)标记了原始影像oi2上所有的特征点(例如，五官、头发以及脸部边缘等)。值得注意的是，在不同的原始影像上所产生的目标点lm(1)～lm(m)的数量都是固定(例如，眼睛上会产生12个目标点)，因此，不同的原始影像上所产生的目标点lm(1)～lm(m)都有对应关系(例如，不同的原始影像上的眼睛的目标点会互相对应)。
[0052]
如图5所示，于步骤s213’中，通过处理器113根据调整参数以及多个第一目标点以及多个第二目标点之间的对应关系，从多个第一目标点的坐标以及多个第二目标点的坐标产生多个变形点的坐标。在一些实施例中，变形点的坐标的计算如以下公式(1)所示。
[0053]
cw＝α
×
cs+(1-α)
×
ct
……
公式(1)
[0054]
其中cw为变形点的坐标，cs为第一目标点的坐标，ct为与cs对应的第二目标点的坐标，以及α为调整参数，其中α为大于等于0且小于等于1的数值。
[0055]
于步骤s214’中，通过处理器113根据多个第一目标点的坐标以及多个变形点的坐标对第一影像进行对齐(alignment)处理以产生第一扭曲影像(warped image)，并根据多个第二目标点的坐标以及多个变形点的坐标对第二影像进行对齐处理以产生第二扭曲影像。
[0056]
在一些实施例中，处理器113可根据多个第一目标点的坐标将第一影像划分为多个第一区域(例如，利用3个第一目标点的坐标划分出1个三角形的第一区域)，并根据多个变形点的坐标将第一影像划分为多个第一变形区域(例如，利用3个变形点的坐标划分出1个三角形的第一变形区域)，进而计算多个第一区域中的各者与对应的第一变形区域之间的第一距离差(例如，区域中的质心之间的距离差)。接着，处理器113可根据多个第一距离差调整第一影像中的多个第一区域的位置以产生第一扭曲影像(即，上述对齐处理)。
[0057]
在一些实施例中，处理器113可根据多个第二目标点的坐标将第二影像划分为多个第二区域(例如，利用3个第二目标点的坐标划分出1个三角形的第二区域)，并根据多个变形点的坐标将第二影像划分为多个第二变形区域(例如，利用3个变形点的坐标划分出1个三角形的第二变形区域)，进而计算多个第二区域中的各者与对应的第二变形区域之间的第二距离差(例如，区域中的质心之间的距离差)。接着，处理器113可根据多个第二距离差调整第二影像中的多个第二区域的位置以产生第二扭曲影像。
[0058]
于步骤s215’中，通过处理器113根据调整参数从第一扭曲影像以及第二扭曲影像产生多个变形影像中的一者。
[0059]
在一些实施例中，处理器113可将第一扭曲影像以及第二扭曲影像叠合在一起，并利用调整参数调整叠合出的影像中的像素值以产生一个变形影像，进而存储于变形影像数据库md中。在一些实施例中，变形影像中的像素值如以下公式(2)所示。
[0060]
im(x,y)＝α
×
iws(x,y)+(1-α)
×
iwt(x,y)
……
公式(2)
[0061]
其中x为x方向的坐标，y为y方向的坐标，im(x,y)为变形影像中的坐标(x,y)的像素质，iws(x,y)为第一影像中的坐标(x,y)的像素质，iwt(x,y)为第二影像中的坐标(x,y)的像素质，以及α同样为上述调整参数。
[0062]
上述第一影像的编号以及第二影像的编号为一个编号组合，可继续选择新的编号组合以利用相同的调整参数产生新的变形影像，直到不再产生新的编号组合为止。
[0063]
上述实施例的影像变形处理仅仅是个示范实施例，然而，在实际应用上，也可以采用其他已知的影像变形处理(例如，影像融合(image fusion)演算法)，并没有特别的限制。借此，就能从少量的原始影像产生大量的变形影像。
[0064]
以下以实际的例子说明调整参数对变形影像的影响。
[0065]
一并参照图7，图7是根据本揭示一些实施例中的调整参数α对变形影像mi的影响的示意图。如图7所示，首先，选择原始影像oi1～oi2进行影像变形处理以产生变形影像mi，
其中原始影像oi1～oi2的编号分别为1以及2，且变形影像mi的编号为010。
[0066]
由图7可得知，由调整参数α为0、0.1、0.2～1分别产生的对应的变形影像mi。基于此，可得知调整参数α会影像到变形影像mi。当原始影像oi1～oi2分别做为上述的第一影像以及第二影像时，调整参数α越小，变形影像mi会越相似于原始影像oi1。而调整参数α越大，变形影像mi会越相似于原始影像oi2。因此，可选定一个调整参数α以建立上述整个变形影像数据库md。换言之，处理器113仅仅会选择一个调整参数以产生所有变形影像。
[0067]
如图2以及图3所示，于步骤s220中，通过处理器113根据加密字串sei从多个变形影像中选出代表变形影像rmi(即，数据隐藏)。在一些实施例中，代表变形影像rmi的编号相同于加密字串sei。举例而言，假设加密字串sei为010，处理器113可从变形影像数据库md中选择编号为010的变形影像做为代表变形影像rmi。
[0068]
于步骤s230中，通过收发电路111将代表变形影像rmi传送至收发电路121，且不传送加密字串sei至收发电路121。换言之，收发电路111仅仅将一个代表变形影像rmi传送至收发电路121，并不会直接将加密字串sei传送至收发电路121。
[0069]
于步骤s240中，通过处理器123从代表变形影像rmi识别出第一原始影像编号sid1以及第二原始影像编号sid2。
[0070]
在一些实施例中，处理器123可利用识别模型im对代表变形影像rmi进行影像识别以产生第一原始影像编号sid1以及第二原始影像编号sid2。在一些实施例中，识别模型im可以是版本二变形人脸识别网络(morphed face recognition network v2,mfr-net v2)，版本二变形人脸识别网络包括特征提取(feature extraction)层以及二全连接(fully connection)层，其中此二全连接层的输入端连接特征提取层的输出端，特征提取层为深度残差神经网络(deep residual neural network,resnet)，全连接层为全连接l2正规化(fully connected l2normalization,fc l2 norm)层(即，全连阶层加上l2正规化层)。在此虽以版本二变形人脸识别网络为例，但在实际应用上，也可使用版本一变形人脸识别网络(morphed face recognition network v1,mfr-net v1)。
[0071]
在一些实施例中，处理器123可根据多个调整参数对多个原始影像成对地进行影像变形处理以产生多个对应的变形影像。接着，处理器123可利用多个对应的变形影像以及多个原始影像更新识别模型im，以利用识别模型im从代表变形影像rmi识别出第一原始影像编号sid1以及第二原始影像编号sid2。
[0072]
在一些实施例中，处理器123可从多个原始影像选择第一影像以及第二影像，并根据调整参数对第一影像以及第二影像进行影像变形处理以产生对应的变形影像。接着，处理器123可将对应的变形影像做为训练样本(sample)，并将第一影像以及第二影像做为第一训练标签(label)以及第二训练标签。接着，接收设备120将训练样本输入识别模型im以产生第一预测标签以及第二预测标签，并利用第一预测标签、第二预测标签、第一训练标签以及第二训练标签进行加性角度间隔损失(arcface loss)计算以产生损失。接着，处理器123可利用损失对识别模型im进行反向传递(back propagation)处理以更新识别模型im。
[0073]
此外，第一影像的编号以及第二影像的编号为一个编号组合，可继续选择新的编号组合以更新识别模型im，直到不再产生新的编号组合。
[0074]
值得注意的是，此处的影像变形处理与上述段落所述的影像变形处理相同，因此，不再对此处的影像变形处理加以赘述。此外，在上述识别模型im的训练阶段中，还会针对多
个调整参数(例如，0.1、0.3、0.5、0.7以及0.9等)分别产生多个变形影像集。进一步而言，针对第1个调整参数，可从所有编号组合产生第1个变形影像集，其中变形影像集包括与第1个调整参数对应的多个变形影像。而针对第2个调整参数，可从所有编号组合产生第2个变形影像集，其中第2个变形影像集包括与第2个调整参数对应的多个变形影像。以此类推，可利用相同方法产生其他多个变形影像集。
[0075]
以下以实际的例子说明识别模型im的训练阶段。
[0076]
一并参照图8，图8是根据本揭示一些实施例中的更新识别模型im的示意图。如图8所示，以编号sid分别为1～2的原始影像oi1～oi2、编号mid为010的变形影像mi且调整参数α为0.1为例。可将变形影像mi做为训练样本，并将1～2(编号sid)做为训练标签lbl。接着，可将变形影像mi输入特征提取层fel以产生特征向量fv，并将特征向量fv分别输入全连接层fcl1～fcl2以产生2个预测标签，进而利用这2个预测标签对2个训练标签lbl(即，1～2)进行加性角度间隔损失计算以产生损失。接着，可利用损失对全连接层fcl1～fcl2以及特征提取层fel进行反向传递处理以更新全连接层fcl1～fcl2以及特征提取层fel中的参数。
[0077]
如图2以及图3所示，于步骤s250中，通过处理器123根据第一原始影像编号sid1以及第二原始影像编号sid2对对应表查表以产生加密字串sei(即，数据分析)。
[0078]
举例而言，以图4中的对应表ct为例。假设第一原始影像编号sid1以及第二原始影像编号sid2分别为1以及2。通过对对应表ct查表可得知与之对应的变形影像的编号是010。借此，可得知加密字串sei就是010。
[0079]
如图2以及图3所示，在一些实施例中，当根据第一原始影像编号sid1以及第二原始影像编号sid2对对应表ct查表以产生加密字串sei时，处理器123可利用密钥kh对加密字串sei进行解密演算法以产生数据si。在一些实施例中，解密演算法也可以是进阶加密标准等常用的加解密演算法。
[0080]
通过上述步骤，不同于传统的加解密方法，本揭示的传送端将数据隐藏在变形影像的编号，且不传送变形影像的编号。接收端将会利用影像识别以及查表的方式找出变形影像的编号以做为传送端原本欲传送的数据。
[0081]
综上所述，本揭示的加解密系统以及方法利用影像变形的方式大大增加变形影像的数量，并预先建立好变形影像以及原始影像的对应表。借此，传送端可以将数据隐藏在变形影像的编号，且不传送变形影像的编号。因此，网络攻击者将无法直接得知数据隐藏在哪里。此外，接收端只要将影像识别结合查表就能轻易解读出传送端原本欲传送的数据。如此一来，会大大降低资源以及时间的消耗，解决过度失真或嵌入的数据的容量过低的问题，以及大大提升恢复信息能力。
[0082]
虽然本揭示的特定实施例已经揭露有关上述实施例，此些实施例不意欲限制本揭示。各种替代及改良可通过相关领域中的一般技术人员在本揭示中执行而没有从本揭示的原理及精神背离。因此，本揭示的保护范围由所附权利要求确定。
[0083]
【符号说明】
[0084]
100：加解密系统
[0085]
200：加解密方法
[0086]
110：传送设备
[0087]
120：接收设备
[0088]
111、121：收发电路
[0089]
112、122：存储器
[0090]
113、123：处理器
[0091]
im：识别模型
[0092]
od：原始影像数据库
[0093]
md：变形影像数据库
[0094]
si：数据
[0095]
sei：加密字串
[0096]
kh：密钥
[0097]
sid1：第一原始影像编号
[0098]
sid2：第二原始影像编号
[0099]
sid：原始影像的编号
[0100]
mid：变形影像的编号
[0101]
rmi：代表变形影像
[0102]
oi1～oi3：原始影像
[0103]
mi：变形影像
[0104]
ct：对应表
[0105]
lm(1)～lm(m)：目标点
[0106]
m：目标点的数量
[0107]
α：调整参数
[0108]
fel：特征提取层
[0109]
fv：特征向量
[0110]
fcl1、fcl2：全连接层
[0111]
lbl：训练标签
[0112]
s210～s250、s210’、s211’～s215’：步骤。

技术特征：
1.一种加解密系统，其特征在于，包括：传送设备，包括：第一存储器，用以存储多个原始影像；第一处理器，用以由所述多个原始影像成对地进行影像变形处理产生多个变形影像，并将所述多个原始影像的编号与所述多个变形影像的编号之间的对应关系记录于对应表以存储所述第一存储器，其中所述第一处理器还用以产生加密字串，并根据所述加密字串从所述多个变形影像中选出代表变形影像；以及第一收发电路，用以传送所述代表变形影像，且不传送所述加密字串；以及接收设备，连接所述传送设备，包括：第二存储器，用以存储所述对应表；第二收发电路，用以从所述第一收发电路接收所述代表变形影像，且不接收所述加密字串；以及第二处理器，从所述代表变形影像识别识别出第一原始影像编号以及第二原始影像编号，并根据所述第一原始影像编号以及所述第二原始影像编号对所述对应表查表以产生所述加密字串。2.根据权利要求1所述的加解密系统，其中所述第一存储器以及所述第二存储器共享密钥，所述第一处理器利用所述密钥对数据进行加密演算法以产生所述加密字串，以及当根据所述第一原始影像编号以及所述第二原始影像编号对所述对应表查表以产生所述加密字串时，所述第二处理器利用所述密钥对所述加密字串进行解密演算法以产生所述数据。3.根据权利要求1所述的加解密系统，其中所述代表变形影像的编号相同于所述加密字串。4.根据权利要求1所述的加解密系统，其中所述第一处理器从所述多个原始影像中选择第一影像以及第二影像，所述第一处理器对所述第一影像以及所述第二影像进行特征点识别识别处理以产生所述第一影像中的多个第一目标点以及所述第二影像中的多个第二目标点，并建立所述多个第一目标点以及所述多个第二目标点之间的目标点对应关系，所述第一处理器根据调整参数以及所述目标点对应关系从所述多个第一目标点的坐标以及多个第二目标点的坐标产生多个变形点的坐标，所述第一处理器根据所述多个第一目标点的坐标以及所述多个变形点的坐标对所述第一影像进行对齐处理以产生第一扭曲影像，并根据所述多个第二目标点的坐标以及所述多个变形点的坐标对所述第二影像进行对齐处理以产生第二扭曲影像，以及所述第一处理器根据所述调整参数将所述第一扭曲影像以及所述第二扭曲影像转换为对应的变形影像。5.根据权利要求4所述的加解密系统，其中所述第一处理器将所述第一影像以及所述第二影像与所述对应的变形影像之间的对应关系记录于所述对应表。6.根据权利要求1所述的加解密系统，其中
所述第二处理器根据多个调整参数对所述多个原始影像成对地进行影像变形处理以产生多个对应的变形影像，以及所述第二处理器利用所述多个对应的变形影像以及所述多个原始影像更新识别模型，以利用所述识别模型从所述代表变形影像识别出所述第一原始影像编号以及所述第二原始影像编号。7.根据权利要求1所述的加解密系统，其中所述第二处理器从所述多个原始影像选择第一影像以及第二影像，并根据调整参数对所述第一影像以及所述第二影像进行影像变形处理以产生对应的变形影像，所述第二处理器将所述对应的变形影像做为训练样本，并将所述第一影像以及所述第二影像做为第一训练标签以及第二训练标签，所述第二处理器将所述训练样本输入识别模型以产生第一预测标签以及第二预测标签，并利用所述第一预测标签、所述第二预测标签、所述第一训练标签以及所述第二训练标签进行加性角度间隔损失计算以产生损失，以及所述第二处理器利用所述损失对所述识别模型进行反向传递处理以更新所述识别模型。8.根据权利要求7所述的加解密系统，其中所述识别模型为版本二变形人脸识别网络，所述版本二变形人脸识别网络包括特征提取层以及二全连接层，其中所述二全连接层的输入端连接所述特征提取层的输出端，所述特征提取层为深度残差神经网络，所述二全连接层为二全连接l2正规化层。9.根据权利要求1所述的加解密系统，其中所述多个原始影像的数量为n，所述多个变形影像的数量为且所述多个变形影像的编号的位元数为10.根据权利要求1所述的加解密系统，其中所述多个原始影像的编号为十进位，且所述多个变形影像的编号为二进位。11.一种加解密方法，其特征在于，包括：产生加密字串，并由多个原始影像成对地进行影像变形处理产生多个变形影像，进而将所述多个原始影像的编号与所述多个变形影像的编号之间的对应关系记录于对应表；根据所述加密字串从所述多个变形影像中选出代表变形影像；传送所述代表变形影像，且不传送所述加密字串；当接收所述代表变形影像时，从所述代表变形影像识别出第一原始影像编号以及第二原始影像编号；以及根据所述第一原始影像编号以及所述第二原始影像编号对所述对应表查表以产生所述加密字串。12.根据权利要求11所述的加解密方法，其中还包括：利用共享的密钥对数据进行加密演算法以产生所述加密字串；以及当根据所述第一原始影像编号以及所述第二原始影像编号对所述对应表查表以产生所述加密字串时，利用所述密钥对所述加密字串进行解密演算法以产生所述数据。13.根据权利要求11所述的加解密方法，其中所述代表变形影像的编号相同于所述加密字串。14.根据权利要求11所述的加解密方法，其中还包括：
从所述多个原始影像中选择第一影像以及第二影像；对所述第一影像以及所述第二影像进行特征点识别处理以产生所述第一影像中的多个第一目标点以及所述第二影像中的多个第二目标点，并建立所述多个第一目标点以及所述多个第二目标点之间的目标点对应关系；根据调整参数以及所述目标点对应关系从所述多个第一目标点的坐标以及多个第二目标点的坐标产生多个变形点的坐标；根据所述多个第一目标点的坐标以及所述多个变形点的坐标对所述第一影像进行对齐处理以产生第一扭曲影像，并根据所述多个第二目标点的坐标以及所述多个变形点的坐标对所述第二影像进行对齐处理以产生第二扭曲影像；以及根据所述调整参数将所述第一扭曲影像以及所述第二扭曲影像转换为对应的变形影像。15.根据权利要求14所述的加解密方法，其中还包括：将所述第一影像以及所述第二影像与所述对应的变形影像之间的对应关系记录于所述对应表。16.根据权利要求11所述的加解密方法，其中还包括：根据多个调整参数对所述多个原始影像成对地进行影像变形处理以产生多个对应的变形影像，以及利用所述多个对应的变形影像以及所述多个原始影像更新识别模型，以利用所述识别模型从所述代表变形影像识别出所述第一原始影像编号以及所述第二原始影像编号。17.根据权利要求11所述的加解密方法，其中还包括：从所述多个原始影像选择第一影像以及第二影像，并根据调整参数对所述第一影像以及所述第二影像进行影像变形处理以产生对应的变形影像，将所述对应的变形影像做为训练样本，并将所述第一影像以及所述第二影像做为第一训练标签以及第二训练标签，将所述训练样本输入识别模型以产生第一预测标签以及第二预测标签，并利用所述第一预测标签、所述第二预测标签、所述第一训练标签以及所述第二训练标签进行加性角度间隔损失计算以产生损失，以及利用所述损失对所述识别模型进行反向传递处理以更新所述识别模型。18.根据权利要求17所述的加解密方法，其中所述识别模型为版本二变形人脸识别网络，所述版本二变形人脸识别网络包括特征提取层以及二全连接层，其中所述二全连接层的输入端连接所述特征提取层的输出端，所述特征提取层为深度残差神经网络，所述二全连接层为二全连接l2正规化层。19.根据权利要求11所述的加解密方法，其中所述多个原始影像的数量为n，所述多个变形影像的数量为且所述多个变形影像的编号的位元数为20.根据权利要求11所述的加解密方法，其中所述多个原始影像的编号为十进位，且所述多个变形影像的编号为二进位。

技术总结
本揭示提出一种加解密系统以及方法。加解密系统，其包括传送设备以及接收设备。传送设备用以存储多个原始影像。接收设备连接传送设备，用以存储对应表，其中传送设备产生加密字串，传送设备根据加密字串从多个变形影像中选出代表变形影像，传送设备将代表变形影像传送至接收设备，且不传送加密字串至接收设备，接收设备从代表变形影像识别识别出第一原始影像编号以及第二原始影像编号，以及接收设备根据第一原始影像编号以及第二原始影像编号对对应表查表以产生加密字串。借此，可防止各种网络攻击，大大降低资源以及时间的消耗，解决过度失真或嵌入的数据的容量过低的问题，以及大大提升恢复信息能力。大大提升恢复信息能力。大大提升恢复信息能力。


技术研发人员：栗永徽 苏国栋 杨凯霖 萨克兰 刘燕君
受保护的技术使用者：鸿海精密工业股份有限公司
技术研发日：2023.03.28
技术公布日：2023/10/19