CN106127666B - 一种基于随机子图表示的云环境中物体图像隐秘检测方法 - Google Patents
一种基于随机子图表示的云环境中物体图像隐秘检测方法 Download PDFInfo
- Publication number
- CN106127666B CN106127666B CN201610407648.XA CN201610407648A CN106127666B CN 106127666 B CN106127666 B CN 106127666B CN 201610407648 A CN201610407648 A CN 201610407648A CN 106127666 B CN106127666 B CN 106127666B
- Authority
- CN
- China
- Prior art keywords
- subgraph
- server
- image
- client
- random
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于随机子图表示的云环境物体图像隐秘检测方法,它能在安全的方式下进行,同时保护用户图片的隐私和服务器算法参数的隐秘性。云端的服务器保存着物体检测的各种算法参数,比如人脸检测算法。客户端将图片随机分成256张2值图像,发送给服务器端,服务器端进行盲检测,将得到的检测结果返回给客户端。双方都引入了随机数机制,保护客户图像的隐私和服务器算法参数的隐私。本发明首次将随机子图应用于物体检测安全协议。本发明没有引入任何加密算法,在保证双方数据安全的前提下,大大提高了工程应用的效率。并且该方法很容易通过软件实现,本发明可广泛应用推广到云计算、安全图像卷积等技术中。
Description
技术领域
本发明属于密码学、计算机视觉领域,特别是隐秘物体检测的方法,具体地说是基于随机子图表示的云环境中物体图像隐秘检测方法。
背景技术
人脸检测是指在输入图像中确定所有人脸(如果存在)的位置与大小。人脸检测系统的输入是可能包含人脸的图像,输出是关于图像中是否存在人脸以及人脸的数目、位置、尺度等信息的参数化描述。目前人脸检测算法模型很多,如ANN模型、SVM模型、Adaboost模型等。Viola&Jones人脸检测算法利用Adaboost模型,其在速度、鲁棒性与精度的综合性能上是最优的,所以本文采用的人脸检测算法是Viola&Jones人脸检测算法。
随着监控摄像头的泛滥,隐私泄露引发了人们的担忧,这一问题应该被解决。2006年Shai Avidan and Moshe Butman在《Blind Vision》上提出了一种把安全多方计算协议应用到Viola&Jones人脸检测算法实现的一种基于不经意传输的人脸图像隐秘检测算法。该算法使用的加密工具是不经意传输协议(OT),用OT构造Secure Dot Product、SecureMillionaire安全协议,利用这些安全协议构造了Secure Classifier协议达到人脸图像隐秘检测的目的。Secure Classifier协议主要问题是大量的加解密计算和没有利用积分图像加速人脸检测,严重影响基于不经意传输的人脸图像隐秘检测算法的计算速度。实验表明:一个24×24的检测窗口被检测需要几分钟,一幅240×320的图片大约有150000个检测窗口,所以检测一幅240×320的图片需要花费大量的时间,这样检测一幅图片花费的代价太高。综上所述,基于不经意传输的人脸图像隐秘检测算法并不是很理想。
很多研究者都研究盲视问题,主要都是朝着加密的方向。然而本发明的目标是使得盲视朝着不损失安全性能的非加密方向努力。
发明内容
本发明要解决技术问题为:克服现有技术的低效性,提供一种基于随机子图表示的云环境中物体图像隐秘检测方法该方法能够有效提高安全物体检测的计算效率,而且可以有效保护客户端和服务器双方的隐私信息。
本发明采用的技术方案为:一种基于随机子图表示的云环境中物体图像隐秘检测方法,实现步骤如下:
(1)随机子图的产生方法如下:
(11)客户端将输入图像转化为每个像素为0-255的图像X;;
(12)客户端创建256幅和(11)中图像X同样大小的子图像SMr,其中r的取值范围为0-255,这些子图的像素初始化为0,第r幅子图像SMr的权值为Q[r]=r;
(13)对于图像X中的每一个像素X[i,j],Alice都做如下子过程,直到X[i,j]为0。
(131)产生一个随机数z,z的取值范围X[i,j]/2<z≤X[i,j],设置权值为z的子图像的SMr[i,j]点像素值为1;
(132)重置X[i,j]=X[i,j]-z,然后转到过程(131),直到X[i,j]=0;
(14)当图像X中所有的像素值都完成了(13)步骤,那么256幅二值(像素值为1或0)子图像SMr全部生成,图像X可以表示为256张子图像SMr的加权和,权值为Q{0,1,2,3...,255};
(2)基于随机子图表示的物体图像隐秘检测算法如下:
(21)客户端将256张子图像SMr的权值集合Q{0,1,2,3...,255}随机重新排列得到集合Q'(r),并将256张子图像SMr按Q'集合的顺序重新排列得到子图像SMr',把重新排列子图像SMr'发送给服务器;
(22)服务器具有以下形式的强分类器:
其中:H(x)是一个强分类器,N表示弱分类器的个数;
表示弱分类器,n表示第n个弱分类器,xT表示图像像素向量,yn表示弱分类器权值,αn、βn、θn为服务器训练出来的弱分类器参数;
(23)服务器根据接收到的子图像SMr'的大小,计算出M个检测窗口;
(24)对于m=1,2,...,M个检测窗口,服务器计算当前窗口下的每一个弱分类器hn(x)的特征值Fr(n)=smr T*yn*bn,其中smr是图像向量,bn为服务器生成的随机数,并将Fr(n)发送给客户端;对于m=1,2,...,M个检测窗口,客户端和服务器相互传递信息,引入随机数机制,服务器完成物体检测;
(25)客户端生成随机数ak计算弱分类器通过图像X特征值返回给服务器,服务器将特征值和阈值的大小判断结果得到向量ck,服务器将ck发回给客户端,客户端将正确的大小判断结果发送给服务器;
(26)服务器得到正确的大小判断结果。根据(22)中的公式计算强分类器的值,得到所有正的检测窗口的位置,返回给客户端,得到物体所在的位置。
本发明的原理在于:
根据目前隐秘物体检测方案的缺陷和不足,可以总结出设计基于随机子图表示的隐秘物体检测算法一些规则,如下所述:
(1)一张图像随机分成256张子图发送与服务器,这样能保证图像信息不能被服务器得到。
(2)在物体检测的过程中,客户端和服务器双方都引入了随机数机制,保证了双方的数据安全。
根据上述规则,本发明利用随机子图表示、随机数机制,设计了一种新的隐秘物体检测方案。在该方案中,随机子图和权值的加权和表示出完整的物体图像,然后在图像信息传输和物体检测的过程中引入随机向量,最后检测窗口返回给客户端得到正确的检测结果。为了提高安全检测的效率,将物体图像随机分成256张子图并引入随机数机制。既保证了安全性,又降低了加密算法带来的高计算复杂度。实验分析表明隐秘随机子图表示的物体检测方案,能够适用于实际的物体检测应用。
本发明与现有的技术相比,其优势在于:
(1)本发明基于客户端图像向量smr和服务器训练参数yn的点积smr Tyn计算特征值进行物体检测,在计算特征值的过程中,服务器端生成随机数b1,b2,...,bN得到Fr(n)=smr T*yn*bn,客户端生产成随机数ak得到Fr,k(n)=smr T*yn*bn*ak来保证双方数据的安全。因此本发明支持各种利用以点积为基础的物体检测算法。
(2)利用随机子图表示和随机数机制,在保证安全性能的情况下极大的降低了图像加密算法和OT协议带来的计算复杂度,提高了算法的效率,并且缩短了程序测试的时间,也可以有效保护双方数据的安全。
(3)基于现有的成熟的物体检测算法,本发明是将图像按照一定规则分成了256张子图,简单可行。服务器和客户端各自引入了有限数量的随机数,可以看出基于随机子图的隐秘物体检测方案结构简单,易于实现。
附图说明
图1是本发明随机子图生成流程图;
图2是本发明隐秘检测算法方案流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1和图2所示,
(1)客户端Alice,将输入图像转化为每个像素为0-255的图像X;
(2)Alice创建256幅子图像SMr,这些子图的像素初始化为0,第r幅子图像SMr的权值为Q[r]=r,其中r的取值范围为0-255;
(3)对于图像X中的每一个像素X[i,j],Alice都做如下子过程,直到X[i,j]为0。最终将输入图像X分解成256张随机子图SMr;
(31)产生一个随机数z,z的取值范围X[i,j]/2<z≤X[i,j],设置权值为z的子图像的SMr[i,j]点像素值为1;
(32)重置X[i,j]=X[i,j]-z,然后转到过程(31),直到X[i,j]=0;
(4)Alice将子图像SMr按Q'(r)集合的顺序重新排列得到SMr',把重新排列的子图像SMr'发送给服务器;
(5)服务器Bob根据子图像SMr'的大小,计算出M个检测窗口。
(51)对于每一个检测窗口,256幅子图要通过n=1,2,...,N个弱分类器进行检测,Alice和Bob进行以下子步骤:
(511)对于每一幅子图像SMr',其向量表示为smr。每一个弱分类器的特征权值向量为yn,Bob生成n个随机数b1,b2,...,bN,全为正值,Bob计算当前窗口下的每一个弱分类器hn(x)的特征值Fr(n)=smr T*yn*bn,将256幅子图的特征值Fr(n)发送给Alice;
(512)Alice生成10个随机数ak,(k=1,2,...,10),并随机选取第i项将其置为1,Alice收到子图的特征值Fr(n)后,计算弱分类器通过原始图像X特征值
(513)Alice将Fr,k(n)发送给Bob,Bob比较Fr,k(n)和弱分类器的阈值bn*θn的大小,Fr,k(n)大于bn*θn则保存为1,否则为0。得到一个0,1向量ck。
(514)Bob将ck发送给Alice,Alice将第i项的值返回给Bob,若Bob接收的返回值为1,则存储为αn,否则Bob存储βn,Bob将最后结果存储在Sn。
(52)Bob比较Sn和强分类器的阈值stage_threshold的大小,若Sn大于stage_threshold,则该检测窗口被认为是正值,否则该检测窗口为负值。若检测窗口为正值则记录检测窗口的位置。
(6)Bob把所有正的检测窗口的位置返回给Alice,Alice得到所需检测物体在图像中的位置。
总之,本发明中提出的隐秘的物体检测方法可以保护客户端和服务器端双方的数据安全性并完成物体检测。本发明首次将随机子图表示应用到隐秘物体检测的安全协议中,这不仅降低了原来安全检测的计算复杂度,并且引入了随机数机制,能够保证客户端和服务器的数据信息安全。通过实验显示出本发明提出的方法能够在与原物体检测算法保持一致的检测正确率的情况下,降低各种加密协议带来的计算复杂度,安全高效的完成物体检测。提高了安全检测效率,缩短检测时间。并且该算法很容易通过软件实现,本发明可广泛应用推广到云计算、安全图像卷积等技术中。
以上所述仅为本发明的一些基本说明,依据本发明的技术方案所做的任何等效变换,均应属于本发明的保护范围。
Claims (1)
1.一种基于随机子图表示的云环境中物体图像隐秘检测方法,其特征在于:包括随机子图的产生方法和基于随机子图表示的物体图像隐秘检测算法,其中:
(1)随机子图的产生方法如下:
(11)客户端将输入图像转化为每个像素为0-255的图像X;
(12)客户端创建256幅和(11)中图像X同样大小的子图像SMr,其中r的取值范围为0-255,这些子图的像素初始化为0,第r幅子图像SMr的权值为Q[r]=r;
(13)对于图像X中的每一个像素X[i,j],客户端都做如下子过程,直到X[i,j]为0;
(131)产生一个随机数z,z的取值范围X[i,j]/2<z≤X[i,j],在(12)的256幅子图像中,设置权值为z的子图像的SMr[i,j]点像素值为1;
(132)重置X[i,j]=X[i,j]-z,然后转到过程(131),直到X[i,j]=0;
(14)当图像X中所有的像素值都完成了(13)步骤,那么256幅二值(像素值为1或0)子图像SMr全部生成,图像X可以表示为256张子图像SMr的加权和,权值为Q{0,1,2,3...,255};
(2)基于随机子图表示的物体图像隐秘检测算法如下:
(21)客户端将256张子图像SMr的权值集合Q{0,1,2,3...,255}随机重新排列得到集合Q'(r),并将256张子图像SMr按Q'集合的顺序重新排列得到子图像SMr',把重新排列子图像SMr'发送给服务器;
(22)服务器为具有以下形式的强分类器:
其中:H(x)是一个强分类器,N表示弱分类器的个数;hn(x)表示弱分类器,n表示第n个弱分类器,xT表示图像像素向量的转置,yn表示弱分类器权值,αn、βn、θn为服务器训练出来的弱分类器参数;
(23)服务器根据接收到的子图像SMr'的大小,计算出M个检测窗口;
(24)对于m=1,2,...,M个检测窗口,服务器计算当前窗口下的每一个弱分类器hn(x)的特征值Fr(n)=smr T*yn*bn,其中smr是图像向量,bn为服务器生成的随机数,并将Fr(n)发送给客户端;
(25)客户端生成随机数ak计算弱分类器通过图像X特征值返回给服务器,服务器将特征值和阈值的大小判断结果得到向量ck,服务器将ck发回给客户端,客户端将正确的大小判断结果发送给服务器;
(26)服务器得到正确的大小判断结果,根据(22)中的公式计算强分类器的值,得到所有正的检测窗口的位置返回给客户端,得到物体所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407648.XA CN106127666B (zh) | 2016-06-12 | 2016-06-12 | 一种基于随机子图表示的云环境中物体图像隐秘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407648.XA CN106127666B (zh) | 2016-06-12 | 2016-06-12 | 一种基于随机子图表示的云环境中物体图像隐秘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127666A CN106127666A (zh) | 2016-11-16 |
CN106127666B true CN106127666B (zh) | 2019-02-19 |
Family
ID=57270034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610407648.XA Active CN106127666B (zh) | 2016-06-12 | 2016-06-12 | 一种基于随机子图表示的云环境中物体图像隐秘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127666B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702165B (zh) * | 2021-03-23 | 2021-06-25 | 北京惠风智慧科技有限公司 | 一种图像加密方法及装置 |
CN113067694B (zh) * | 2021-03-31 | 2022-08-26 | 支付宝(杭州)信息技术有限公司 | 一种通信优化的双方安全比较方法、装置以及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294989A (zh) * | 2011-10-20 | 2013-09-11 | 比奥Id股份公司 | 生物数据采集过程中区别真实脸部和二维脸部图像的方法 |
CN105046234A (zh) * | 2015-08-04 | 2015-11-11 | 北京电子科技学院 | 基于稀疏表示的云环境中人脸图像隐秘识别方法 |
-
2016
- 2016-06-12 CN CN201610407648.XA patent/CN106127666B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294989A (zh) * | 2011-10-20 | 2013-09-11 | 比奥Id股份公司 | 生物数据采集过程中区别真实脸部和二维脸部图像的方法 |
CN105046234A (zh) * | 2015-08-04 | 2015-11-11 | 北京电子科技学院 | 基于稀疏表示的云环境中人脸图像隐秘识别方法 |
Non-Patent Citations (3)
Title |
---|
《安全多方计算研究》;张文科 等;《信息安全与通信保密》;20140131(第1期);97-99 |
Intended human object detection for automatically protecting privacy in mobile video surveillance;Yuta Nakashima等;《Multimedia Systems》;20120229;第18卷(第2期);157-173 |
基于稀疏表示的云环境中人脸图像隐秘识别方法;刘妍 等;《系统仿真学报》;20151031;第27卷(第10期);2291-2298 |
Also Published As
Publication number | Publication date |
---|---|
CN106127666A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631296B (zh) | 一种基于cnn特征提取器的安全人脸认证系统设计方法 | |
Gaddam et al. | Efficient Cancelable Biometric Key Generation Scheme for Cryptography. | |
CN105046234B (zh) | 基于稀疏表示的云环境中人脸图像隐秘识别方法 | |
CN109145829A (zh) | 一种基于深度学习和同态加密的安全高效的人脸识别方法 | |
US10635894B1 (en) | Systems and methods for passive-subject liveness verification in digital media | |
CN106790303B (zh) | 云存储中借助第三方完成的数据完整性验证方法 | |
CN106503655A (zh) | 一种基于人脸识别技术的电子签名方法和验签方法 | |
CN108718240A (zh) | 基于全同态加密的认证方法、电子设备、存储介质及系统 | |
Treiber et al. | Privacy-preserving PLDA speaker verification using outsourced secure computation | |
CN110071798A (zh) | 一种等效密钥获取方法、装置及计算机可读存储介质 | |
CN106127666B (zh) | 一种基于随机子图表示的云环境中物体图像隐秘检测方法 | |
KR20150128510A (ko) | 라이브니스 검사 방법과 장치,및 영상 처리 방법과 장치 | |
Ren et al. | Non-Interactive and secure outsourcing of PCA-Based face recognition | |
Im et al. | Privacy-preserving palm print authentication using homomorphic encryption | |
Ye et al. | A hybrid truncated norm regularization method for matrix completion | |
CN112865958A (zh) | 通过物联网摄像头进行目标搜索的隐私保护系统和方法 | |
CN111091489B (zh) | 图片优化方法、装置、电子设备及存储介质 | |
Bassit et al. | Multiplication-free biometric recognition for faster processing under encryption | |
CN109558820A (zh) | 一种基于随机可逆矩阵的隐秘物体检测方法 | |
Zerrouki et al. | Quantifying security and performance of physical unclonable functions | |
Faggian et al. | 3D morphable model fitting from multiple views | |
Bhargav-Spantzel et al. | Biometrics-based identifiers for digital identity management | |
CN111967607B (zh) | 模型训练方法和装置、电子设备及机器可读存储介质 | |
Tanaka et al. | On the transferability of adversarial examples between encrypted models | |
CN111382296B (zh) | 数据处理方法、装置、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |