项目成员 马天龙 徐莹莹 朱燕妮 普诣
指导老师 朱全银 高尚兵
项目级别 省级创新训练计划
项目编号 202011049037Y
一、项目简介
近些年生物特征识别技术发展迅猛，使人们逐渐开始关注使用通过图像处理和识别等方法来鉴别个人身份技术。基于生物识别技术的身份认证的需求不断增加，传统的生物识别技术已经可以被仿造，例如通过伪造指纹或人脸来进行身份验证，所以单模态生物识别系统在匹配进度、难度、普遍性都有了限制。因此，将生物的多特征进行融合来提高生物识别的稳定性、准确性在实中去检测及跟踪处理多个目标的面部特征信息，具有重要实际意义。不仅可以为学校提供课堂有效的签到结果集，还能为企业减少由于技术员工代出勤的安全隐患。
本发明提出了一种基于区块链和多源数据融合的认证方法，可以通过用户多生物特征的识别相似值进行数据融合以及为防止用户并未真正参与进来使用基于区块链的去中心化的识别方式，真正的使得学生参与课堂签到，增加了目标场景下生物多特征的数据使用价值，提高了课堂签到的可信度。
图1 桌面考勤软件
图 2 人脸考勤界面
图 3 语音签到界面
图4 wifi系统识别图
图 5 特征数据融合界面
图 6 考勤结果查看界面
二、项目创新点
1.区块链技术算法
聚类算法CURE的实现：将热点信息截取转化为图片组, 得到热点图片组集合，加载图片检测分类器获取图片关键热点文本信息，同时采用区块链技术将每个学生提交的热点图片作为验证的一部分，定义哈希表利用键值对分别对学生的姓名和投票数进行关联。使用CURE聚类算法将网络热点信息转换为点，根据算法的聚合特征，将热点图片信息进行分类聚合，根据离群点和聚合点进行投票，构造哈希表，将总投票数与个人投票数进行比对计算出相似值。
2.数据融合算法
基于ANP决策算法进行融合权重的实现：考虑到由于生物特征数据与热点签到数据属于多源异构数据，导致对其直接加权融合求其融合结果实现率较低。经过小组讨论，我们提出了一种基于的ANP的决策算法，在特征识别的基础上增加数据融合方法，并根绝其相关度定义融合算法的三层结构即准则层、目标层与方案层，并对不同层之间的数据源构建比对矩阵利用层次排序算法计算一致性比率后计算层次总排序一致性比率得出最优解，通过最优解确定权重，虽然数据矩阵化耗费大量时间，但提高了准确性。
3.算法应用的可推广性
项目开发采用python虚拟环境，能够快速移植代码到其他平台，而不受环境影响，连同环境的项目移植能保证扩展包同步移植。同时，项目可以通过网页进行简单展示，只需要安装相应软件即可。
4.互证的更精确性
可以有效识别生物特征，并通过互证的方式可以准确地进行二次验证，并将验证数据进行融合，可以准确的进行签到的记录。
图7 考勤系统计算特征值并输出
三、项目成果
学术论文
Yingying Xu, Yanni Zhu, Xinxin Xu, Quanyin Zhu, Shangbing Gao, Shengbiao Wang. Research and Application of Multi-source Data Fusion Identity Authentication System[C]. 第十九届分布式计算及其应用国际学术研讨会, 2020: 295-298.
专利成果
基于区块链互证和生物多特征识别及多源数据融合的身份识别方法（已受理）
