Volume 1,Issue 9
基于黄河水利系统网络安全场景下YOLOv8人耳识别方法改进
的研究
随着网络信息技术的飞速发展，网络空间安全威胁日益严峻，身份认证与访问控制作为网络安全的核心环节，其重要性不断凸显。黄河水利系统作为国家关键基础设施，其网络信息安全尤为关键。本文在现有网络安全防控技术基础上，提出一种基于YOLOv8的人耳识别方法，以增强黄河水利系统的身份认证安全。人耳生物特征具有唯一性、稳定性和防伪性，能有效提升认证的可靠性与安全性[1-3]。本文针对人耳图像特点，对YOLOv8模型进行了两方面的改进：一是在中小尺度检测头前引入新型注意力模块SaE，通过多分支全连接结构增强对小目标的特征表征能力；二是将骨干网络中的C2f 模块替换为基于Transformer 的C2f_T 结构，以增强模型对长程依赖的感知能力，提升对耳部与背景混淆情况的区分能力。实验结果表明，改进后的模型在遮挡、光照变化及姿态多样性等复杂场景下均表现出较高的鲁棒性，mAP50达到97.3%，显著优于原模型及其他对比模型。本方法可应用于水利关键区域人员身份验证、视频监控中的异常人员检测及网络终端生物认证加固等多个场景[4]，为提升黄河水利网络信息安全提供了有效的技术支撑。
[1] Bizjak M, et al. Mask R-CNN for ear detection. IEEE, 2019.
[2] Yuan L, Lu F. Real-time ear detection based on embedded systems. IEEE, 2018.
[3] Kamboj A, et al. CED-Net: context-aware ear detection network. Pattern Analysis and Applications, 2021.
[4] Nguyen H Q, Truong H V. Real-Time Human Ear Detection Based on YOLO and RetinaFace. Complexity, 2021.
[5] 钱昱来, 盖绍彦, 郑东亮, 等. 基于局部和全局信息的快速三维人耳识别 [J]. 仪器仪表学报, 2019, 40 (11): 99-106. DOI:10.19650/j.cnki.cjsi.J1904807.
[6] 杜保伟. 基于深度学习的人耳识别的研究和实现[D]. 长春大学, 2021.
[7] 钱俊如. 基于深度学习的动态人耳识别方法研究[D]. 长春大学, 2021.
[8] Terven J, et al. A comprehensive review of YOLO architectures. Machine Learning and Knowledge Extraction, 2023.
[9] Li Y, et al. Contextual transformer networks for visual recognition. IEEE TPAMI, 2022.
[10] Mahendran N. SENetV2: Aggregated dense layer for channelwise and global representations. arXiv:2311.10807, 2023.