CN110084142B - 一种用于人脸识别的年龄隐私保护方法及系统 - Google Patents

Abstract

本发明公开了一种用于人脸识别的年龄隐私保护方法及系统，所述方法包括：获取人脸图像，并调用人脸识别网络和年龄识别网络分别对人脸图像进行识别得到第一人脸识别结果和第一年龄识别结果；调用多层神经网络对人脸图像计算得到年龄隐藏图像；调用人脸识别网络和年龄识别网络分别对年龄隐藏图像进行识别得到第二人脸识别结果和第二年龄识别结果；判断是否第一人脸识别结果与第二人脸识别结果一致并且第一年龄识别结果与第二年龄识别结果的相差值大于预设的阈值；若否，则对多层神经网络进行调整；若是，则输出年龄隐藏图像。本发明能够在保证人脸识别准确性的同时保证用户的年龄信息不被正确识别，从而有效了提高人脸识别技术的可靠性。

Description

一种用于人脸识别的年龄隐私保护方法及系统

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种用于人脸识别的年龄隐私保护方法及系统。

背景技术

随着人工智能领域的快速发展，计算机视觉的可用性越来越高，同时与各个细分领域的结合也越来越密切，例如人脸支付、手机解锁、高铁站自助进站等等，生活中的各个地方都充斥着计算机视觉技术的应用。

从人脸支付、手机解锁、自助进站的广泛使用可以看出，人脸识别的功能已经被各大公司及政府普遍接受，逐渐成为一种可信任、可依赖的认证手段。

但是，由于人脸图像的获取途径简单快捷，通过摄像头等抓取或者拍摄人脸头像，在带来应用便利的同时，也会造成基于人脸图像的隐私信息的丢失。在很多场景下，用户很可能在不知道有图像采集设备存在的情况下就已经被获取了个人图像。随着深度学习的飞速发展，通过设计多层神经网络可以对人脸图像进行高效识别。在各种应用场景中，人脸图像中的各种属性也都充分发挥作用，利用用户的个人属性信息还可用于消费者行为分析、教育学、市场调研等。现在一些科技公司提供的人脸识别应用可以看出，通过上传的人脸图像，不仅能识别出人物，还能获取到用户的年龄这一个人隐私属性信息。因此，在一些应用了这些人脸识别技术的地方，可能会导致用户的年龄信息在该用户不知情的情况下被滥用，从而使得用户的隐私权受到侵犯。

现有技术中，有的是采用遮挡关键部位或者关键点的手段来对人脸识别中的用户隐私信息进行保护，但这种技术在保护用户隐私信息的同时也使得人脸图像不再能够正常完成人脸识别了，丧失了人脸图像自身的可用性。这种技术出发点较为单一，单纯的想要保护用户隐私，却没有考虑到人脸图像的应用背景；如果人脸图像是要用于人脸识别，目前的技术并不能做到保证人脸识别的准确性的同时对用户的年龄信息进行保护。

发明内容

本发明实施例所要解决的技术问题在于，提供一种用于人脸识别的年龄隐私保护方法及系统，能够在保证人脸识别准确性的同时对用户的年龄隐私信息进行保护，从而提高人脸识别技术的可靠性。

为了解决上述技术问题，本发明提供了一种用于人脸识别的年龄隐私保护方法，包括：

获取人脸图像，并调用人脸识别网络对所述人脸图像进行识别得到第一人脸识别结果，同时，调用年龄识别网络对所述人脸图像进行识别得到第一年龄识别结果；

调用多层神经网络对所述人脸图像进行计算得到年龄隐藏图像；

调用所述人脸识别网络对所述年龄隐藏图像进行识别得到第二人脸识别结果，同时，调用所述年龄识别网络对所述年龄隐藏图像进行识别得到第二年龄识别结果；

当判断所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，对所述多层神经网络进行调整，并重复执行上述步骤；

当判断所述第一人脸识别结果与所述第二人脸识别结果一致且所述第一年龄识别结果与所述第二年龄识别结果的相差值大于所述预设的阈值时，输出所述年龄隐藏图像。

进一步地，所述人脸识别网络为根据给定的数据集进行训练得到，所述年龄识别网络为根据所述数据集进行训练得到；其中，所述数据集包括样本图像、与所述样本图像相对应的目标输出结果。

进一步地，对所述多层神经网络进行调整时为采用反向传播法进行调整。

进一步地，所述对所述多层神经网络进行调整，具体为：

根据设定的损失函数调整所述多层神经网络中每层之间的连接权重。

进一步地，所述多层神经网络包含输入层、隐藏层和输出层，所述隐藏层的层数大于1。

进一步地，所述输入层与所述隐藏层第一层之间、所述隐藏层每层之间、所述隐藏层最后一层与所述输出层之间均采用全连接的方式进行连接。

为了解决相同的技术问题，本发明还提供了一种用于人脸识别的年龄隐私保护系统，包括第一识别模块、隐藏图像计算模块、第二识别模块、神经网络调整模块和图像输出模块；

所述第一识别模块，用于获取人脸图像，并调用人脸识别网络对所述人脸图像进行识别得到第一人脸识别结果，同时，调用年龄识别网络对所述人脸图像进行识别得到第一年龄识别结果；

所述隐藏图像计算模块，用于调用多层神经网络对所述人脸图像进行计算得到年龄隐藏图像；

所述第二识别模块，用于调用所述人脸识别网络对所述年龄隐藏图像进行识别得到第二人脸识别结果，同时，调用所述年龄识别网络对所述年龄隐藏图像进行识别得到第二年龄识别结果；

所述神经网络调整模块，用于当判断所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，对所述多层神经网络进行调整；

所述图像输出模块，用于当判断所述第一人脸识别结果与所述第二人脸识别结果一致且所述第一年龄识别结果与所述第二年龄识别结果的相差值大于所述预设的阈值时，输出所述年龄隐藏图像；

进一步地，所述人脸识别网络为根据给定的数据集进行训练得到，所述年龄识别网络为根据所述数据集进行训练得到；其中，所述数据集包括样本图像、与所述样本图像相对应的目标输出结果。

进一步地，对所述多层神经网络进行调整时为采用反向传播法进行调整。

进一步地，所述多层神经网络包含输入层、隐藏层和输出层，所述隐藏层的层数大于1。

本发明公开了一种用于人脸识别的年龄隐私保护方法及系统，能够在保证人脸识别准确性的同时对用户的年龄隐私信息进行保护。本发明通过调用训练好的人脸识别网络和年龄识别网络，分别对原始图像进行识别，并分别对经过多层神经网络隐藏计算后的图像进行识别，然后比对识别结果是否满足人脸识别正常且年龄识别误差大于预设阈值的条件，若未满足则不断调整所述多层神经网络直到满足条件，最后输出满足条件的年龄信息隐藏图像。本发明可以应用在人脸识别系统中，能够在保证人脸能被正常识别的同时保证用户的年龄隐私信息不被正确识别，从而有效提高了人脸识别技术的可靠性。

附图说明

图1是本发明实施例一提供的用于人脸识别的年龄隐私保护方法的流程示意图；

图2是本发明实施例一提供的用于人脸识别的年龄隐私保护方法的另一流程示意图；

图3是本发明实施例一提供的用于人脸识别的年龄隐私保护系统的结构示意图。

具体实施方式

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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明实施例提供了一种用于人脸识别的年龄隐私保护方法，包括：

步骤S1、获取人脸图像，并调用人脸识别网络对所述人脸图像进行识别得到第一人脸识别结果，同时，调用年龄识别网络对所述人脸图像进行识别得到第一年龄识别结果；

该步骤用于调用人脸识别网络和年龄识别网络分别对获取的人脸图像进行识别，得到原始人脸图像的第一人脸识别结果和第一年龄识别结果。

在本发明实施例中，进一步地，所述人脸识别网络为根据给定的数据集进行训练得到，所述年龄识别网络为根据所述数据集进行训练得到；其中，所述数据集包括样本图像、与所述样本图像相对应的目标输出结果。人脸识别网络和年龄识别网络已经过给定的数据集进行训练并固定好网络参数。对于给定一张原始人脸图像，人脸识别网络能够正确识别原始人脸图像中的人脸是对应哪位用户，年龄识别网络能够正确识别出原始人脸图像中的用户的年龄。例如，数据集中的某张样本图像，其对应的目标输出结果为张三、25岁，对识别网络进行训练后，使用人脸识别网络对该样本图像进行识别，能够正确识别该用户为张三，使用年龄识别网络对该样本图像进行识别，能够识别出该用户的年龄为25岁。

需要说明的是，一般而言，对于一个神经网络，初始的时候网络里面的参数并未固定，例如不同层之间的神经元的权重等参数。训练的过程是指：给定数据集，数据集包含样本图像以及对应的目标输出，例如年龄识别网络的输入是人脸图像，输出是图像对应的用户年龄；训练时不断地调整参数的数值，使得这个神经网络运行时生成的输出结果和数据集中目标输出一致。本发明实施例中人脸识别网络和年龄识别网络的网络参数均已经训练过，指已经通过一些数据集生成了固定的参数。

步骤S2、调用多层神经网络对所述人脸图像进行计算得到年龄隐藏图像；

在本发明实施例中，该步骤用于调用多层神经网络对原始的人脸图像进行计算，得到年龄隐藏图像。优选地，所述多层神经网络包含输入层、隐藏层和输出层，所述隐藏层的层数大于1。优选地，所述输入层与所述隐藏层第一层之间、所述隐藏层每层之间、所述隐藏层最后一层与所述输出层之间均采用全连接的方式进行连接，初始时对这些连接权重随机赋值。可以理解的是，所述多层神经网络可以根据实际需要进行自行设计，其中包括隐藏层的层数、每层的节点数、节点之间的连接方式、初始参数的生成等，均可适当地灵活设计。

在本发明实施例中，需要说明的是，假设图像的大小为m*n，即包括m*n个像素点，则所述输入层包含m*n个节点，输出层包含m*n个节点；隐藏层共k层，其中隐藏层每层节点数可设定为任意数目。可以理解的是，对于多层神经网络，由于输入层和输出层均包含m*n个节点，因此计算得到的年龄隐藏图像大小与输入的原始人脸图像大小保持一致。

步骤S3、调用所述人脸识别网络对所述年龄隐藏图像进行识别得到第二人脸识别结果，同时，调用所述年龄识别网络对所述年龄隐藏图像进行识别得到第二年龄识别结果；

在本发明实施例中，该步骤用于调用所述人脸识别网络和年龄识别网络对步骤S2计算得到的年龄隐藏图像进行识别，分别得到第二人脸识别结果和第二年龄识别结果。

步骤S4、当判断所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，对所述多层神经网络进行调整，并重复执行步骤S1-S3；

在本步骤中，对识别网络前后进行的两次识别结果进行比较，当判断到所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，都需要对上面的多层神经网络进行调整。可以理解的是，若第一人脸识别结果与第二人脸识别结果不一致，则说明人脸识别准确性没有得到保证，即人脸识别网络未能正常进行人脸识别，这种情况下，无论前后的年龄识别结果如何，都要调整多层神经网络；若第一年龄识别结果与第二年龄识别结果的相差值不大于预设的阈值时，则说明人脸中的年龄隐私信息没有得到隐藏保护，这种情况下，无论前后的人脸识别结果是否一致，都要调整多层神经网络。可以理解的是，调整和训练所述多层神经网络的最终目的是对输入的原始人脸图像进行计算并得到年龄隐藏图像，并使得年龄隐藏图像能够被人脸识别网络正常识别得到正确的用户，同时又要使得年龄隐藏图像不被年龄识别网络正确识别出年龄隐私信息。

在本发明实施例中，优选地，对所述多层神经网络进行调整时为采用反向传播法进行调整。进一步地，所述对所述多层神经网络进行调整，具体的，根据设定的损失函数调整所述多层神经网络中每层之间的连接权重。需要说明的是，对多层神经网络的参数调整方式包括但不限于使用反向传播方法进行调整，其中，损失函数的设计及通过反向传播的方法调整网络权重是深度学习中比较常见的技术，本发明中不再赘述。

需要说明的是，本步骤在对所述多层神经网络进行调整后，需要重复上述步骤S1-S3，然后进行下一轮识别结果的判断，当判断结果依然与本步骤中的判断条件相符，则继续调整多层神经网络并继续重复上述步骤S1-S3；当判断结果与本步骤中的判断条件不符时，执行下一步骤。

步骤S5、当判断所述第一人脸识别结果与所述第二人脸识别结果一致且所述第一年龄识别结果与所述第二年龄识别结果的相差值大于所述预设的阈值时，输出所述年龄隐藏图像。

在本步骤中，当判断第一人脸识别结果与第二人脸识别结果一致并且第一年龄识别结果与第二年龄识别结果的相差值大于所述预设的阈值时，输出最终的年龄隐藏图像。即说明通过多层神经网络计算得到的年龄隐藏图像既能保证人脸识别的准确性，同时又保证了用户的年龄隐私信息不被年龄识别网络正确识别出来。可以理解的是，所述预设的阈值可以根据喜好自由设定；例如，可以将阈值设为5，此时，若第一年龄识别结果与第二年龄识别结果的相差值小于或等于5，则认为年龄隐藏图像仍然能够被年龄识别网络正确识别，即年龄隐藏图像未能保护用户的年龄隐私信息，需要调整多层神经网络，直至第一人脸识别结果与第二人脸识别结果一致并且第一年龄识别结果与第二年龄识别结果的相差值大于5时，输出最后计算得到的年龄隐藏图像。

请参见图2，在本发明实施例中，图2中101表示输入的人脸图像X；102表示多层神经网络A；103表示人脸图像X经过多层神经网络A的计算得出的临时输出图像Y(即年龄隐藏图像)；104表示已经训练好的年龄识别网络B，将人脸图像Y使用年龄识别网络B进行识别；105表示已经训练好的人脸识别网络C，将人脸图像Y使用人脸识别网络C进行识别；106表示对以上识别结果进行判断，判断条件为：年龄识别网络B分别识别人脸图像X和临时输出图像Y，得到的两个结果的相差值大于预设阈值K，人脸识别网络C识别人脸图像X和Y得到的结果相同；107表示如果判断条件不满足，通过设计的损失函数，采用反向传播的方法对多层神经网络A的参数进行调整；108表示如果满足判断条件，则输出人脸图像Y。在107对神经网络参数进行调整以后，会重复对人脸图像X进行计算，重复计算和识别的流程直至满足输出条件。

为了更好的说明本发明的步骤流程和工作原理，下面以具体数值设计的实例进行说明。

选取数据集中一张大小为100*50的人脸图像X，对应一个名字为张三的用户，该用户年龄为25岁。由于年龄识别网络B和人脸识别网络C已经提前训练好，年龄识别网络B能正确分类图像X，即可以得到B(X)＝25岁，人脸识别网络C能正确识别图像X，即可以得到C(X)＝张三。

本实例设计的多层神经网络A包含两个隐藏层，输入层为100*50＝5000个节点，第一个隐藏层有1000个节点，第二个隐藏层有1000个节点，输出层有100*50＝5000个节点。输入层5000个节点和第一隐藏层1000个节点全连接，即有5000*1000条边，每条边的权重随机赋值；第一隐藏层1000个节点和第二隐藏层1000个节点全连接，即有1000*1000条边，每条边的权重随机赋值；第二隐藏层1000个节点和输出层5000个节点全连接，即有1000*5000条边，每条边的权重随机赋值。

对于图像X，经过多层神经网络A进行计算，得到一张大小为100*50的人脸图像Y；分别调用年龄识别网络B和人脸识别网络C对图像Y进行识别。假设我们设定年龄识别误差阈值K＝5，如果调用年龄识别网络B对两张图像识别出的用户年龄相差5岁以上，即：|B(X)-B(Y)|>5，则认为用户年龄隐私得到保护，反之，用户年龄隐私泄露。

调用年龄识别网络B和人脸识别网络C分别识别图像X和Y以后，如果B(Y)＝31(B(Y)-B(X)＝6>5)，并且C(Y)＝张三，那么系统输出图像Y，因为图像Y可以保证人脸识别的正确性，同时保证了年龄信息识别会出错，用户的年龄隐私信息得到了保护。如果B(Y)与25相差小于5，例如B(Y)＝27，或者C(Y)不等于张三(如C(Y)＝李四)，根据设计的损失函数对多层神经网络A的所有边的权重进行调整和计算，调整的方法为深度学习中采用的反向传播算法。在调整了多层神经网络A的参数以后重新对人脸图像X进行计算，重复上述过程，生成图像Y并进行识别验证，直到生成的图像Y满足：B(Y)与B(X)相差值大于5并且C(Y)＝张三。

在本发明实施例中，可以理解的是，本发明通过训练一个多层神经网络使得人脸识别系统在保证人脸识别正确性的同时保证用户年龄信息不被正确识别，相比于现有的人脸识别中的隐私保护方法，本发明生成的年龄隐藏图像不会破坏人脸图像本身的可用性。本发明可以适用于不同类型、不同结构的人脸识别网络和年龄识别网络，可以针对性地训练出对应的多层神经网络，适用性强。

请参见图3，为了解决相同的技术问题，本发明还提供了一种用于人脸识别的年龄隐私保护系统，包括第一识别模块、隐藏图像计算模块、第二识别模块、神经网络调整模块和图像输出模块；

所述第一识别模块，用于获取人脸图像，并调用人脸识别网络对所述人脸图像进行识别得到第一人脸识别结果，同时，调用年龄识别网络对所述人脸图像进行识别得到第一年龄识别结果；

所述隐藏图像计算模块，用于调用多层神经网络对所述人脸图像进行计算得到年龄隐藏图像；

所述第二识别模块，用于调用所述人脸识别网络对所述年龄隐藏图像进行识别得到第二人脸识别结果，同时，调用所述年龄识别网络对所述年龄隐藏图像进行识别得到第二年龄识别结果；

所述神经网络调整模块，用于当判断所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，对所述多层神经网络进行调整；

所述图像输出模块，用于当判断所述第一人脸识别结果与所述第二人脸识别结果一致且所述第一年龄识别结果与所述第二年龄识别结果的相差值大于所述预设的阈值时，输出所述年龄隐藏图像。

在本发明实施例中，进一步地，所述人脸识别网络为根据给定的数据集进行训练得到，所述年龄识别网络为根据所述数据集进行训练得到；其中，所述数据集包括样本图像、与所述样本图像相对应的目标输出结果。

在本发明实施例中，进一步地，对所述多层神经网络进行调整时为采用反向传播法进行调整。

在本发明实施例中，进一步地，所述多层神经网络包含输入层、隐藏层和输出层，所述隐藏层的层数大于1。

综上，实施本发明实施例，具有如下有益效果：

本发明实施例公开了一种用于人脸识别的年龄隐私保护方法及系统，能够在保证人脸识别准确性的同时对用户的年龄隐私信息进行保护。本发明通过调用训练好的人脸识别网络和年龄识别网络，分别对原始图像进行识别，并分别对经过多层神经网络隐藏计算后的图像进行识别，然后比对识别结果是否满足人脸识别正常且年龄识别误差大于预设阈值的条件，若未满足则不断调整所述多层神经网络直到满足条件，最后输出满足条件的年龄信息隐藏图像。本发明可以应用在人脸识别系统中，能够在保证人脸能被正常识别的同时保证用户的年龄隐私信息不被正确识别，从而有效提高了人脸识别技术的可靠性。

以上所述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，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种用于人脸识别的年龄隐私保护方法，其特征在于，包括：

获取人脸图像，并调用人脸识别网络对所述人脸图像进行识别得到第一人脸识别结果，同时，调用年龄识别网络对所述人脸图像进行识别得到第一年龄识别结果；

调用多层神经网络对所述人脸图像进行计算得到年龄隐藏图像；

调用所述人脸识别网络对所述年龄隐藏图像进行识别得到第二人脸识别结果，同时，调用所述年龄识别网络对所述年龄隐藏图像进行识别得到第二年龄识别结果；

当判断所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，采用反向传播法对所述多层神经网络进行调整，并重复执行上述步骤；

当判断所述第一人脸识别结果与所述第二人脸识别结果一致且所述第一年龄识别结果与所述第二年龄识别结果的相差值大于所述预设的阈值时，输出所述年龄隐藏图像。

2.根据权利要求1所述的用于人脸识别的年龄隐私保护方法，其特征在于，所述人脸识别网络为根据给定的数据集进行训练得到，所述年龄识别网络为根据所述数据集进行训练得到；其中，所述数据集包括样本图像、与所述样本图像相对应的目标输出结果。

3.根据权利要求1所述的用于人脸识别的年龄隐私保护方法，其特征在于，所述对所述多层神经网络进行调整，具体为：

根据设定的损失函数调整所述多层神经网络中每层之间的连接权重。

4.根据权利要求1所述的用于人脸识别的年龄隐私保护方法，其特征在于，所述多层神经网络包含输入层、隐藏层和输出层，所述隐藏层的层数大于1。

5.根据权利要求4所述的用于人脸识别的年龄隐私保护方法，其特征在于，所述输入层与所述隐藏层第一层之间、所述隐藏层每层之间、所述隐藏层最后一层与所述输出层之间均采用全连接的方式进行连接。

6.一种用于人脸识别的年龄隐私保护系统，其特征在于，包括第一识别模块、隐藏图像计算模块、第二识别模块、神经网络调整模块和图像输出模块；

所述第一识别模块，用于获取人脸图像，并调用人脸识别网络对所述人脸图像进行识别得到第一人脸识别结果，同时，调用年龄识别网络对所述人脸图像进行识别得到第一年龄识别结果；

所述隐藏图像计算模块，用于调用多层神经网络对所述人脸图像进行计算得到年龄隐藏图像；

所述第二识别模块，用于调用所述人脸识别网络对所述年龄隐藏图像进行识别得到第二人脸识别结果，同时，调用所述年龄识别网络对所述年龄隐藏图像进行识别得到第二年龄识别结果；

所述神经网络调整模块，用于当判断所述第一人脸识别结果与所述第二人脸识别结果不一致，或者判断所述第一年龄识别结果与所述第二年龄识别结果的相差值不大于预设的阈值时，采用反向传播法对所述多层神经网络进行调整；

所述图像输出模块，用于当判断所述第一人脸识别结果与所述第二人脸识别结果一致且所述第一年龄识别结果与所述第二年龄识别结果的相差值大于所述预设的阈值时，输出所述年龄隐藏图像。

7.根据权利要求6所述的用于人脸识别的年龄隐私保护系统，其特征在于，所述人脸识别网络为根据给定的数据集进行训练得到，所述年龄识别网络为根据所述数据集进行训练得到；其中，所述数据集包括样本图像、与所述样本图像相对应的目标输出结果。

8.根据权利要求6所述的用于人脸识别的年龄隐私保护系统，其特征在于，所述多层神经网络包含输入层、隐藏层和输出层，所述隐藏层的层数大于1。

Images