生物识别技术正无时无刻出现在人类的日常生活中,成为个人身份验证的重要手段。相比于其他生物特征识别,人脸识别以其简单、直观、快捷的特点,被广泛应用于信息安全领域,人脸特征的隐私性也成为大众关注的热点。如何对人脸图像进行加扰,直接在加扰域进行识别已成为研究的热点,并且人脸特征提取不充分对识别率造成的影响也是一个很有挑战的研究课题。传统的浅层神经网络已难以准确表达人脸面部复杂多变情况下的特征之间关系,同时样本特征提取不充分也会造成网络训练的失败。在本文中采用基于深度学习的人脸识别系统,针对人脸隐私性保护的要求,设计了基于面部隐私保护的卷积神经网络(CNN)人脸识别系统,首先对人脸进行加扰,使肉眼无法观察到图像中人脸原型,之后使用卷积神经网络直接在加扰域进行人脸识别分类。针对特征提取不充分情况,文中使用图像特征融合的方式进行特征加强,根据算法本身的优势等情况,设计了混合人脸识别网络模型对加强后的图像进行识别。模型中使用卷积神经网络对图像进行特征提取,最后使用受限玻尔兹曼机对样本进行分类识别。以上的人脸识别模型具有良好的识别效果,我们设计了一个基于人脸识别的多环境无线认证系统,具有更强的安全性。本文具体工作如下:(1)基于面部隐私保护的CNN人脸识别研究。针对人脸隐私保护,使用Arnold变换对人脸图像进行加扰,该变换是一种可恢复性的周期变换。之后设计了4层卷积神经网络人脸识别模型进行人脸识别。为了提高系统的识别率,对常用人脸库中的不同人脸的变换次数取随机值,改进了人脸图像的Arnold变换。实验表明,本文中提出的算法和网络模型在ORL、PIE以及自采人脸库中具有良好的实验效果。(2)基于混合神经网络的特征融合人脸识别。针对特征提取不充分情况,文中首先使用faster R-CNN对图片中的人脸和人耳进行检测,将检测后的图片使用小波图像融合方法进行特征融合,构成一个新的特征加强训练集。之后使用卷积神经网络的强大特征提取能力进行特征提取和降维,最后使用受限玻尔兹曼机进行分类识别。实验表明,本文中提出的算法和网络模型具有良好的识别效果。(3)基于人脸识别的多服务器认证方案设计。综合上述两点的算法和网络模型,设计了一种基于人脸特征和混沌映射的多服务器认证方案,该方案基于智能卡、密码和人脸特征,可明显提高多服务器身份认证系统的安全性及抗密码猜解的能力。