CN108171262A - 密文图片类型识别方法、装置、存储介质及处理器 - Google Patents

密文图片类型识别方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN108171262A
CN108171262A CN201711407426.9A CN201711407426A CN108171262A CN 108171262 A CN108171262 A CN 108171262A CN 201711407426 A CN201711407426 A CN 201711407426A CN 108171262 A CN108171262 A CN 108171262A
Authority
CN
China
Prior art keywords
matrix
picture
obtains
preset formula
mentioned
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.)
Pending
Application number
CN201711407426.9A
Other languages
English (en)
Inventor
周文明
王志鹏
马佳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Xi Yue Information Technology Co Ltd
Original Assignee
Zhuhai Xi Yue Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Xi Yue Information Technology Co Ltd filed Critical Zhuhai Xi Yue Information Technology Co Ltd
Priority to CN201711407426.9A priority Critical patent/CN108171262A/zh
Publication of CN108171262A publication Critical patent/CN108171262A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Storage Device Security (AREA)

Abstract

本发明公开了一种密文图片类型识别方法、装置、存储介质及处理器。其中，该方法包括：对待识别图片进行初始化处理，得到第一矩阵；根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据匹配概率确定待识别图片的识别结果。本发明解决了现有技术中存在的图片类型识别安全性较差的技术问题。

Description

密文图片类型识别方法、装置、存储介质及处理器
技术领域
本发明涉及卷积神经网络领域，具体而言，涉及一种密文图片类型识别方法、装置、存储介质及处理器。
背景技术
在云计算大数据时代的到来之际，将会有海量的数据从互联网中不断地释放出来。为了迎接由计算需要和数据特征两方面带来的挑战，以便于准确而高效的得到用户所需要的操作结果，已知的传统的本地计算机计算由于存储资源、CPU处理能力不够等局限已经无法满足上述要求，诞生了一种以云计算技术为代表的第三方计算技术——外包计算。然而，在以云计算技术为支撑的外包计算模式中，云端可能因某些因素(如软硬件错误、额外商业利益诱导等)对外包计算中数据的隐私性和外包计算结果的可靠性进行攻击。现有的卷积神经网络算法仅支持在明文上进行图像处理，不能满足图片数据安全方面的需要。
综上，现有技术中存在图片类型识别的安全性较差的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种密文图片类型识别方法、装置、存储介质及处理器，以至少解决现有技术中存在的图片类型识别安全性较差的技术问题。
根据本发明实施例的一个方面，提供了一种密文图片类型识别方法，该方法包括：对待识别图片进行初始化处理，得到第一矩阵；根据预设算法对上述第一矩阵中的元素进行加密，得到第二矩阵；将上述第二矩阵上传至预设云服务器，并获取与上述第二矩阵匹配的预设卷积核矩阵；计算上述预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据上述匹配概率确定上述待识别图片的识别结果。
进一步地，上述对待识别图片进行初始化处理，得到第一矩阵包括：根据第一预设公式对上述待识别图片进行处理，得到上述第一矩阵，其中，上述第一预设公式为
，
上述A为上述第一矩阵，上述aij为上述待识别图片中的任一像素点。
进一步地，上述根据预设算法对上述第一矩阵中的元素进行加密，得到第二矩阵包括：根据Paillier加法同态加密算法对上述第一矩阵中的元素进行加密，得到上述第二矩阵。
进一步地，上述计算上述预设卷积核矩阵对应的输出矩阵的特征值的匹配概率包括：根据第二预设公式计算上述预设卷积核矩阵中的卷积核元素，得到卷积元素，其中，上述第二预设公式为
其中，上述dμ,v为上述卷积元素，上述M表示大于1的正整数，上述N表示大于1的正整数，上述∑为求和符号，上述m为上述第二矩阵中的任一元素，上述c为上述卷积核元素，上述l为上述预设卷积核矩阵中的行列值下标以及上述N+为正整数：根据第三预设公式计算上述卷积元素，得到加和矩阵，其中，上述第三预设公式为其中，上述为上述加和矩阵，上述d为上述卷积元素；根据第四预设公式计算上述加和矩阵和上述加和矩阵对应的权重矩阵，得到上述输出矩阵，其中，上述第四预设公式为上述为上述输出矩阵，上述为上述权重矩阵，上述为上述加和矩阵，上述b为预设常数；根据第五预设公式计算上述输出矩阵和上述权重矩阵，得到上述特征值，其中，上述第五预设公式为上述yh为上述特征值，上述max为最大值符号，上述为上述输出矩阵中第h行的行向量，上述为上述权重矩阵中第h行的列向量，上述b为上述预设常数；根据第六预设公式计算上述特征值，得到上述匹配概率，其中，上述第六预设公式为上述σ(yh)为上述匹配概率，上述e为自然底数，上述∑为上述求和符号，上述yi为上述输出矩阵中第i行的上述特征值。
根据本申请实施例的另一方面，还提供了一种密文图片类型识别装置，该装置包括：处理单元，用于对待识别图片进行初始化处理，得到第一矩阵；加密单元，用于根据预设算法对上述第一矩阵中的元素进行加密，得到第二矩阵；获取单元，用于将上述第二矩阵上传至预设云服务器，并获取与上述第二矩阵匹配的预设卷积核矩阵；计算单元，用于计算上述预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据上述匹配概率确定上述待识别图片的识别结果。
进一步地，上述处理单元包括：处理子单元，用于根据第一预设公式对上述待识别图片进行处理，得到上述第一矩阵，其中，上述第一预设公式为
,上述A为上述第一矩阵，上述aij为上述待识别图片中的任一像素点。
进一步地，上述加密单元包括：加密子单元，用于根据Paillier加法同态加密算法对上述第一矩阵中的元素进行加密，得到上述第二矩阵。
进一步地，上述计算单元包括：第一计算子单元，用于根据第二预设公式计算上述预设卷积核矩阵中的卷积核元素，得到卷积元素，其中，上述第二预设公式为
其中，上述dμ,v为上述卷积元素，上述M表示大于1的正整数，上述N表示大于1的正整数，上述∑为求和符号，上述m为上述第二矩阵中的任一元素，上述c为上述卷积核元素，上述l为上述预设卷积核矩阵中的行列值下标以及上述N+为正整数；第二计算子单元，用于根据第三预设公式计算上述卷积元素，得到加和矩阵，其中，上述第三预设公式为其中，上述为上述加和矩阵，上述d为上述卷积元素；第三计算子单元，用于根据第四预设公式计算上述加和矩阵和上述加和矩阵对应的权重矩阵，得到上述输出矩阵，其中，上述第四预设公式为上述为上述输出矩阵，上述为上述权重矩阵，上述 为上述加和矩阵，上述b为预设常数；第四计算子单元，用于根据第五预设公式计算上述输出矩阵和上述权重矩阵，得到上述特征值，其中，上述第五预设公式为上述yh为上述特征值，上述max为最大值符号，上述为上述输出矩阵中第h行的行向量，上述为上述权重矩阵中第h行的列向量，上述b为上述预设常数；第五计算子单元，用于根据第六预设公式计算上述特征值，得到上述匹配概率，其中，上述第六预设公式为上述σ(yh)为上述匹配概率，上述e为自然底数，上述∑为上述求和符号，上述yi为上述输出矩阵中第i行的上述特征值。
根据本申请实施例的又一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述的密文图片类型识别方法。
根据本申请实施例的又一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述的密文图片类型识别方法。
在本发明实施例中，采用对待识别图片进行初始化处理，得到第一矩阵的方式，进而根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；通过将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，达到了根据匹配概率确定待识别图片的识别结果的目的，从而实现了提升图片类型识别的安全性、提高图片类型的识别效率的技术效果，进而解决了现有技术中存在的图片类型识别安全性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的密文图片类型识别方法的流程示意图；
图2是根据本发明实施例的一种可选的密文图片类型识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种密文图片类型识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的密文图片类型识别方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤S102，对待识别图片进行初始化处理，得到第一矩阵；
步骤S104，根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；
步骤S106，将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；
步骤S108，计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据匹配概率确定待识别图片的识别结果。
在本发明实施例中，采用对待识别图片进行初始化处理，得到第一矩阵的方式，进而根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；通过将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，达到了根据匹配概率确定待识别图片的识别结果的目的，从而实现了提升图片类型识别的安全性、提高图片类型的识别效率的技术效果，进而解决了现有技术中存在的图片类型识别安全性较差的技术问题。
可选地，对待识别图片进行初始化处理，得到第一矩阵包括：根据第一预设公式对待识别图片进行处理，得到第一矩阵，其中，第一预设公式为
，
其中,A为第一矩阵，aij为待识别图片中的任一像素点，a1N为待识别图片中位于第一行第N列的像素点，aM1为待识别图片中位于第M行第1列的像素点，aMN为待识别图片中位于第M行第N列的像素点，其余像素点在矩阵中的位置均以字母a及其下标表示。
可选地，步骤S104，根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵包括：根据Paillier加法同态加密算法对第一矩阵中的元素进行加密，得到第二矩阵。具体地，mij＝E(aij)，其中，mi,j表示加密后的像素点，E表示Paillier加法同态加密算法，aij表示像素点矩阵A中的任意元素,i∈[1,M],j∈[1,N],M,N∈N+。
Paillier加法同态加密算法如下：
初始化阶段：其中n＝pq，p、q表示2个大素数，选择
使得gcd(L(gλmod n2),n)＝1(gcd为最大公约数)，公钥表示为(n,g)，私钥(p,q)等
价为λ(λ＝lcm(p-1,q-1))。
加密阶段：设有明文m∈Zn，且m≤n，选择一个随机数n≤q，则密文表示为c＝gm·rnmod n2。
可选地，计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率包括：根据第二预设公式计算预设卷积核矩阵中的卷积核元素，得到卷积元素，其中，第二预设公式为
其中，dμ,v为卷积元素，M表示大于1的正整数，N表示大于1的正整数，∑为求和符号，m为第二矩阵中的任一元素，c为卷积核元素，l为预设卷积核矩阵中的行列值下标以及N+为正整数；根据第三预设公式计算卷积元素，得到加和矩阵，其中，第三预设公式为其中，为加和矩阵，d为卷积元素；根据第四预设公式计算加和矩阵和加和矩阵对应的权重矩阵，得到输出矩阵，其中，第四预设公式为 为输出矩阵，为权重矩阵，为加和矩阵，b为预设常数；根据第五预设公式计算输出矩阵和权重矩阵，得到特征值，其中，第五预设公式为yh为特征值，max为最大值符号，为输出矩阵中第h行的行向量，为权重矩阵中第h行的列向量，b为预设常数；根据第六预设公式计算特征值，得到匹配概率，其中，第六预设公式为σ(yh)为匹配概率，e为自然底数，∑为求和符号，yi为输出矩阵中第i行的特征值。
可选地，本申请在训练卷积神经网络、图像识别时不但考虑了明文算法上的可行性，同时提出了一种安全性能更高的密文图片识别方法，即用户上传加密后的图片，云端在未知图片具体内容时依然能够在卷积神经网络上进行一系列运算，克服了现有技术中当用户的图像数据被上传到云端的卷积神经网络时，图片内容被云端所窃取从而攻击外包计算中的数据隐私和外包计算的结果，使得本申请提高了用户上传图片数据时的安全性和可靠性。本申请在卷积神经网络训练过程中将图片数据上传到云服务器端进行计算，云服务器本身所具有得高密度、高可扩展性及强大的虚拟化能力可以很好地进行大数据量的运算，克服了现有技术中本地计算机在图像处理识别方面由于CPU功能不足、存储资源有限而不能进行很好的图像处理，使得本申请在很大程度上优化提升了图片类型识别时上传图像数据的质量和数量。
在本发明实施例中，采用对待识别图片进行初始化处理，得到第一矩阵的方式，进而根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；通过将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，达到了根据匹配概率确定待识别图片的识别结果的目的，从而实现了提升图片类型识别的安全性、提高图片类型的识别效率的技术效果，进而解决了现有技术中存在的图片类型识别安全性较差的技术问题。
实施例2
根据本发明实施例的另一方面，还提供了一种密文图片类型识别装置。
可选地，图2是根据本发明实施例的一种可选的密文图片类型识别装置的结构示意图，如图2所示，该密文图片类型识别装置包括：处理单元201，用于对待识别图片进行初始化处理，得到第一矩阵；加密单元203，用于根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；获取单元205，用于将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；计算单元207，用于计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据匹配概率确定待识别图片的识别结果。
可选地，处理单元包括：处理子单元，用于根据第一预设公式对待识别图片进行
处理，得到第一矩阵，其中，第一预设公式为，其中,A为第一矩阵，aij为待识别图片中的任一像素点。
可选地，加密单元包括：加密子单元，用于根据Paillier加法同态加密算法对第一矩阵中的元素进行加密，得到第二矩阵。
可选地，计算单元包括：第一计算子单元，用于根据第二预设公式计算预设卷积核矩阵中的卷积核元素，得到卷积元素，其中，第二预设公式为
其中，dμ,v为卷积元素，M表示大于1的正整数，N表示大于1的正整数，∑为求和符号，m为第二矩阵中的任一元素，c为卷积核元素，l为预设卷积核矩阵中的行列值下标以及N+为正整数；第二计算子单元，用于根据第三预设公式计算卷积元素，得到加和矩阵，其中，第三预设公式为其中，为加和矩阵，d为卷积元素；第三计算子单元，用于根据第四预设公式计算加和矩阵和加和矩阵对应的权重矩阵，得到输出矩阵，其中，第四预设公式为 为输出矩阵，为权重矩阵，为加和矩阵，b为预设常数；第四计算子单元，用于根据第五预设公式计算输出矩阵和权重矩阵，得到特征值，其中，第五预设公式为yh为特征值，max为最大值符号，为输出矩阵中第h行的行向量，为权重矩阵中第h行的列向量，b为预设常数；第五计算子单元，用于根据第六预设公式计算特征值，得到匹配概率，其中，第六预设公式为σ(yh)为匹配概率，e为自然底数，∑为求和符号，yi为输出矩阵中第i行的特征值。根据本发明实施例的又一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本申请实施例1中的密文图片类型识别方法。
根据本发明实施例的又一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行本申请实施例1中的密文图片类型识别方法。
在本发明实施例中，采用对待识别图片进行初始化处理，得到第一矩阵的方式，进而根据预设算法对第一矩阵中的元素进行加密，得到第二矩阵；通过将第二矩阵上传至预设云服务器，并获取与第二矩阵匹配的预设卷积核矩阵；计算预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，达到了根据匹配概率确定待识别图片的识别结果的目的，从而实现了提升图片类型识别的安全性、提高图片类型的识别效率的技术效果，进而解决了现有技术中存在的图片类型识别安全性较差的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种密文图片类型识别方法，其特征在于，包括：
对待识别图片进行初始化处理，得到第一矩阵；
根据预设算法对所述第一矩阵中的元素进行加密，得到第二矩阵；
将所述第二矩阵上传至预设云服务器，并获取与所述第二矩阵匹配的预设卷积核矩阵；
计算所述预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据所述匹配概率确定所述待识别图片的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对待识别图片进行初始化处理，得到第一矩阵包括：
根据第一预设公式对所述待识别图片进行处理，得到所述第一矩阵，其中，所述第一预设公式为
,
所述A为所述第一矩阵，所述aij为所述待识别图片中的任一像素点。
3.根据权利要求1所述的方法，其特征在于，所述根据预设算法对所述第一矩阵中的元素进行加密，得到第二矩阵包括：
根据Paillier加法同态加密算法对所述第一矩阵中的元素进行加密，得到所述第二矩阵。
4.根据权利要求1所述的方法，其特征在于，所述计算所述预设卷积核矩阵对应的输出矩阵的特征值的匹配概率包括：
根据第二预设公式计算所述预设卷积核矩阵中的卷积核元素，得到卷积元素，其中，所述第二预设公式为
μ、v、M、N、l∈N+
其中，所述dμ,v为所述卷积元素，所述M表示大于1的正整数，所述N表示大于1的正整数，所述∑为求和符号，所述m为所述第二矩阵中的任一元素，所述c为所述卷积核元素，所述l为所述预设卷积核矩阵中的行列值下标以及所述N+为正整数；
根据第三预设公式计算所述卷积元素，得到加和矩阵，其中，所述第三预设公式为
其中，所述为所述加和矩阵，所述d为所述卷积元素；
根据第四预设公式计算所述加和矩阵和所述加和矩阵对应的权重矩阵，得到所述输出矩阵，其中，所述第四预设公式为所述为所述输出矩阵，所述为所述权重矩阵，所述为所述加和矩阵，所述b为预设常数；
根据第五预设公式计算所述输出矩阵和所述权重矩阵，得到所述特征值，其中，所述第五预设公式为所述yh为所述特征值，所述max为最大值符号，所述为所述输出矩阵中第h行的行向量，所述为所述权重矩阵中第h行的列向量，所述b为所述预设常数；
根据第六预设公式计算所述特征值，得到所述匹配概率，其中，所述第六预设公式为所述σ(yh)为所述匹配概率，所述e为自然底数，所述∑为所述求和符号，所述yi为所述输出矩阵中第i行的所述特征值。
5.一种密文图片类型识别装置，其特征在于，包括：
处理单元，用于对待识别图片进行初始化处理，得到第一矩阵；
加密单元，用于根据预设算法对所述第一矩阵中的元素进行加密，得到第二矩阵；
获取单元，用于将所述第二矩阵上传至预设云服务器，并获取与所述第二矩阵匹配的预设卷积核矩阵；
计算单元，用于计算所述预设卷积核矩阵对应的输出矩阵的特征值的匹配概率，根据所述匹配概率确定所述待识别图片的识别结果。
6.根据权利要求5所述的装置，其特征在于，所述处理单元包括：
处理子单元，用于根据第一预设公式对所述待识别图片进行处理，得到所述第一矩阵，其中，所述第一预设公式为
,
所述A为所述第一矩阵，所述aij为所述待识别图片中的任一像素点。
7.根据权利要求5所述的装置，其特征在于，所述加密单元包括：
加密子单元，用于根据Paillier加法同态加密算法对所述第一矩阵中的元素进行加密，得到所述第二矩阵。
8.根据权利要求5所述的装置，其特征在于，所述计算单元包括：
第一计算子单元，用于根据第二预设公式计算所述预设卷积核矩阵中的卷积核元素，得到卷积元素，其中，所述第二预设公式为
μ、v、M、N、l∈N+
其中，所述dμ,v为所述卷积元素，所述M表示大于1的正整数，所述N表示大于1的正整数，所述∑为求和符号，所述m为所述第二矩阵中的任一元素，所述c为所述卷积核元素，所述l为所述预设卷积核矩阵中的行列值下标以及所述N+为正整数；
第二计算子单元，用于根据第三预设公式计算所述卷积元素，得到加和矩阵，其中，所述第三预设公式为
其中，所述为所述加和矩阵，所述d为所述卷积元素；
第三计算子单元，用于根据第四预设公式计算所述加和矩阵和所述加和矩阵对应的权重矩阵，得到所述输出矩阵，其中，所述第四预设公式为所述为所述输出矩阵，所述为所述权重矩阵，所述为所述加和矩阵，所述b为预设常数；
第四计算子单元，用于根据第五预设公式计算所述输出矩阵和所述权重矩阵，得到所述特征值，其中，所述第五预设公式为所述yh为所述特征值，所述max为最大值符号，所述为所述输出矩阵中第h行的行向量，所述为所述权重矩阵中第h行的列向量，所述b为所述预设常数；
第五计算子单元，用于根据第六预设公式计算所述特征值，得到所述匹配概率，其中，所述第六预设公式为所述σ(yh)为所述匹配概率，所述e为自然底数，所述∑为所述求和符号，所述yi为所述输出矩阵中第i行的所述特征值。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求4中任意一项所述的密文图片类型识别方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至权利要求4中任意一项所述的密文图片类型识别方法。
CN201711407426.9A 2017-12-22 2017-12-22 密文图片类型识别方法、装置、存储介质及处理器 Pending CN108171262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711407426.9A CN108171262A (zh) 2017-12-22 2017-12-22 密文图片类型识别方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711407426.9A CN108171262A (zh) 2017-12-22 2017-12-22 密文图片类型识别方法、装置、存储介质及处理器

Publications (1)

Publication Number Publication Date
CN108171262A true CN108171262A (zh) 2018-06-15

Family

ID=62523544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711407426.9A Pending CN108171262A (zh) 2017-12-22 2017-12-22 密文图片类型识别方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN108171262A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858261A (zh) * 2019-01-18 2019-06-07 芜湖智久机器人有限公司 一种数据存储介质、加密方法
CN111882029A (zh) * 2020-06-22 2020-11-03 华控清交信息科技(北京)有限公司 一种数据处理方法及装置
CN112152806A (zh) * 2020-09-25 2020-12-29 青岛大学 一种云辅助且支持隐私保护的图像识别方法、装置及设备
CN112668015A (zh) * 2019-12-12 2021-04-16 华控清交信息科技(北京)有限公司 一种数据处理方法、装置和用于数据处理的装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2174039A (en) * 1985-04-17 1986-10-29 Pitney Bowes Inc Postage and mailing information applying system
US20130148868A1 (en) * 2009-09-04 2013-06-13 Gradiant System for secure image recognition
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
CN106096548A (zh) * 2016-06-12 2016-11-09 北京电子科技学院 一种基于云环境的多智能终端共享人脸隐秘识别方法
CN107045627A (zh) * 2017-03-22 2017-08-15 海南大学 一种基于密文域的加密人脸识别方法
US20170295014A1 (en) * 2016-04-08 2017-10-12 University Of Maryland, College Park Method and apparatus for authenticating device and for sending/receiving encrypted information

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2174039A (en) * 1985-04-17 1986-10-29 Pitney Bowes Inc Postage and mailing information applying system
US20130148868A1 (en) * 2009-09-04 2013-06-13 Gradiant System for secure image recognition
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
US20170295014A1 (en) * 2016-04-08 2017-10-12 University Of Maryland, College Park Method and apparatus for authenticating device and for sending/receiving encrypted information
CN106096548A (zh) * 2016-06-12 2016-11-09 北京电子科技学院 一种基于云环境的多智能终端共享人脸隐秘识别方法
CN107045627A (zh) * 2017-03-22 2017-08-15 海南大学 一种基于密文域的加密人脸识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858261A (zh) * 2019-01-18 2019-06-07 芜湖智久机器人有限公司 一种数据存储介质、加密方法
CN112668015A (zh) * 2019-12-12 2021-04-16 华控清交信息科技(北京)有限公司 一种数据处理方法、装置和用于数据处理的装置
CN111882029A (zh) * 2020-06-22 2020-11-03 华控清交信息科技(北京)有限公司 一种数据处理方法及装置
CN112152806A (zh) * 2020-09-25 2020-12-29 青岛大学 一种云辅助且支持隐私保护的图像识别方法、装置及设备
CN112152806B (zh) * 2020-09-25 2023-07-18 青岛大学 一种云辅助且支持隐私保护的图像识别方法、装置及设备

Similar Documents

Publication Publication Date Title
CN108171262A (zh) 密文图片类型识别方法、装置、存储介质及处理器
AU2018266602B2 (en) System and method for biometric identification
CN107358293B (zh) 一种神经网络训练方法及装置
US10515272B2 (en) Muddy water detection using normalized semantic layers
EP3234855B1 (en) Data security utilizing disassembled data structures
CN105915650B (zh) 负载均衡方法和装置
CN113537633B (zh) 基于纵向联邦学习的预测方法、装置、设备、介质和系统
CN109615021B (zh) 一种基于k均值聚类的隐私信息保护方法
Kumar et al. Enhancing multi‐tenancy security in the cloud computing using hybrid ECC‐based data encryption approach
US11558403B2 (en) Quantum computing machine learning for security threats
WO2022057433A1 (zh) 一种机器学习模型的训练的方法以及相关设备
CN113051586B (zh) 联邦建模系统及方法、联邦模型预测方法、介质、设备
CN113946858B (zh) 一种基于数据隐私计算的身份安全认证方法及系统
Karri Secure robot face recognition in cloud environments
KR102308066B1 (ko) 저선형 공개-키 동작들을 사용하는 개인 정보 리트리벌
CN113849828B (zh) 经处理的数据的匿名生成和证明
CN116383470B (zh) 一种具有隐私保护的图像搜索方法
CN111597582A (zh) 一种构建加密倒序矩形树方法、一种空间关键词查询方法
CN115270176A (zh) 一种基数估计方法、系统、计算设备及计算机存储介质
CN115438381A (zh) 基于相等策略的隐私集合求交方法、装置、设备和介质
CN115225266A (zh) 基于云服务器辅助的多方门限隐私集合求交方法和系统
CN116633571A (zh) 基于同态加密以及无监督特征选择的隐私信息保护方法以及装置
CN113407860A (zh) 一种基于隐私保护的多社交平台用户推荐方法和系统
CN113537493B (zh) 人工智能模型训练方法、装置、远端平台和可读存储介质
CN117811722B (zh) 全局参数模型构建方法、秘钥生成方法、装置及服务器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220701