CN110674830A - 图像隐私识别方法、装置、计算机设备和存储介质 - Google Patents

图像隐私识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110674830A
CN110674830A CN201911239606.XA CN201911239606A CN110674830A CN 110674830 A CN110674830 A CN 110674830A CN 201911239606 A CN201911239606 A CN 201911239606A CN 110674830 A CN110674830 A CN 110674830A
Authority
CN
China
Prior art keywords
image
histogram
directions
local
residual error
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.)
Granted
Application number
CN201911239606.XA
Other languages
English (en)
Other versions
CN110674830B (zh
Inventor
陈晓亮
王新辉
徐延林
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.)
Digital Guangdong Network Construction Co Ltd
Original Assignee
Digital Guangdong Network Construction 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 Digital Guangdong Network Construction Co Ltd filed Critical Digital Guangdong Network Construction Co Ltd
Priority to CN201911239606.XA priority Critical patent/CN110674830B/zh
Publication of CN110674830A publication Critical patent/CN110674830A/zh
Application granted granted Critical
Publication of CN110674830B publication Critical patent/CN110674830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像隐私识别方法、装置、计算机设备和存储介质。方法包括：获取待识别图像；提取待识别图像的至少八个不同方向的残差矩阵；根据待识别图像的至少八个不同方向的残差矩阵，确定待识别图像的局部残差模式直方图；获取待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对待识别图像的局部残差模式直方图中的特征向量进行筛选，得到待识别图像的目标特征向量；将目标特征向量输入已训练的图像分类模型中，根据图像分类模型的分类结果识别待识别图像是否为含隐私图像。采用本方法可以高效、准确地判断图像中是否隐藏有隐私信息，且判断过程复杂度低，鲁棒性佳。

Description

图像隐私识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及信息安全技术领域，特别是涉及一种图像隐私识别方法、装置、计算机设备和存储介质。
背景技术
近年来，随着计算机技术和通信技术的发展，信息的生产及传播日益便捷，维护个人隐私，提高个人隐私保护水平，对社会而言意义重大。存在一部分不法分子，通过隐私隐藏技术，在某种特定的载体中（如音频、视频、图像、文本等）嵌入用户的隐私信息而无法被察觉，以实现窃取个人、公司或政府的隐私的目的，严重妨害信息安全。
数字图像隐私隐藏技术，可理解为是以数字图像为载体实现隐私数据隐藏的技术。该技术可将隐私数据伪装成常见的数字图像，通过对原始载体图像进行尽可能少的修改来嵌入隐私数据，使得修改后的图像与原始图像无法被区分。针对数字图像的反隐私隐藏技术（隐私识别技术），正是与数字图像隐私隐藏技术相对抗的技术。
二值图像，作为数字图像的一种，常被不法分子作为隐藏隐私的载体。目前，针对二值图像的反隐私隐藏技术大多通过从二值图像中提取与纹理特性、形态学特性、统计特性等方面相关的特征，然后利用分类器来对二值图像的特征进行分类，判断是否隐藏有与隐私相关的信息；然而，上述分类器的训练复杂度往往较高，鲁棒性较差，且分类结果的准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种图像隐私识别方法、装置、计算机设备和存储介质。
一方面，本发明实施例提供一种图像隐私识别方法，所述方法包括：
获取待识别图像；
提取所述待识别图像的至少八个不同方向的残差矩阵；
根据所述待识别图像的至少八个不同方向的残差矩阵，确定所述待识别图像的局部残差模式直方图获取所述待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对所述待识别图像的局部残差模式直方图中的特征向量进行筛选，得到所述待识别图像的目标特征向量；
将所述目标特征向量输入已训练的图像分类模型中，根据所述图像分类模型的分类结果识别所述待识别图像是否为含隐私图像。
另一方面，本发明实施例提供一种图像隐私识别装置，所述装置包括：
获取模块，用于获取待识别图像；
提取模块，用于提取所述待识别图像的至少八个不同方向的残差矩阵；
确定模块，用于根据所述待识别图像的至少八个不同方向的残差矩阵，确定所述待识别图像的局部残差模式直方图；
筛选模块，用于获取所述待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对所述待识别图像的局部残差模式直方图中的特征向量进行筛选，得到所述待识别图像的目标特征向量；
分类模块，用于将所述目标特征向量输入已训练的图像分类模型中，根据所述图像分类模型的分类结果识别所述待识别图像是否为含隐私图像。
再一方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种图像隐私识别方法的步骤。
再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种图像隐私识别方法的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果：通过提取二值图像的至少八种不同方向的残差图像，利用残差图像来增强图像中不同方向的边缘特性；统计局部残差模式直方图，分析隐私信息隐藏过程对残差中的纹理带来的变化；进一步地，通过融合各局部残差模式直方图，增强特征的方向不变性，增强模型的鲁棒性；通过Fisher准则筛选特征，构造目标特征向量，可有效降低预测复杂度；最后，通过将目标特征向量输入已训练的图像分类模型中，可以高效、准确地判断图像中是否隐藏有隐私信息；从侧面也可看出，上述图像分类模型同样具有较低的训练复杂度和较好的鲁棒性，分类结果的准确度更高。
附图说明
图1为一个实施例中图像隐私识别方法的示意性流程图；
图2为另一个实施例中图像隐私识别方法的示意性流程图；
图3为一个实施例中图像分类模型的分类效果图；
图4为一个实施例中图像隐私识别装置的示意性结构图；
图5为一个实施例中计算机设备的示意性结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在一个实施例中，如图1所示，提供了一种图像隐私识别方法，包括以下步骤：
S202，获取待识别图像。
其中，待识别图像可以是二值图像，也可为其他类型图像，针对其他类型图像，可在对其进行隐私识别前将其转化为二值图像，以便操作。可从存储器、云端等位置获取待识别图像，待识别图像的格式、显示内容等均不作具体限定，以实际情况为准。
S204，提取待识别图像的至少八个不同方向的残差矩阵。
通过提取待识别图像的至少八个不同方向的残差矩阵，可增强图像中不同方向的边缘特性，从而有助于更为准确地获取并分析隐藏隐私信息的过程对残差中的纹理带来的变化。本发明实施例中，至少八个不同方向的具体方向均不作限定，可根据实际情况进行选定和设置。
S206，根据待识别图像的至少八个不同方向的残差矩阵，确定待识别图像的局部残差模式直方图。
具体可根据至少八个不同方向的残差矩阵，确定出待识别图像的每个方向对应的局部方差直方图，然后将各局部方差直方图进行融合，得到待识别图像的局部残差模式直方图。当然，也可根据实际需要确定出待识别图像的至少两个方向对应的局部方差直方图，而后将各局部方差直方图进行融合。
S208，获取待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对待识别图像的局部残差模式直方图中的特征向量进行筛选，得到待识别图像的目标特征向量。
其中，待识别图像的局部残差模式直方图中的特征向量的Fisher分数可以是提前计算好的，在本步骤中直接使用即可；另外，Fisher分数的计算方法和原理可参考现有的Fisher准则，只需针对待识别图像的局部残差模式直方图中的特征向量，将该基础算法与本申请实际应用场景相结合，即可得到待识别图像的局部残差模式直方图中的特征向量的Fisher分数；通过Fisher准则来筛选特征，构造目标特征向量，可有效降低预测时的复杂度。
S210，将目标特征向量输入已训练的图像分类模型中，根据图像分类模型的分类结果识别待识别图像是否为含隐私图像。
上述图像分类模型的训练过程，同样需要计算训练集图像（包含原图及对应的含隐私图像）的Fisher分数，该Fisher分数不仅用于训练过程中为训练集图像本身的特征进行排序，还可用于对待识别图像的特征进行排序。
本发明上述实施例中，执行主体可为图像处理器或其它服务器设备，服务器设备可以是单个服务器，也可以是多个服务器构成的服务器集群。当然也可根据实际情况进行选择和变更。
上述实施例的图像隐私识别方法中，通过提取二值图像的至少八种不同方向的残差图像，利用残差图像来增强图像中不同方向的边缘特性；统计局部残差模式直方图，分析隐私信息隐藏过程对残差中的纹理带来的变化；进一步地，通过融合各局部残差模式直方图，增强特征的方向不变性，增强模型的鲁棒性；通过Fisher准则筛选特征，构造目标特征向量，可有效降低预测复杂度；最后，通过将目标特征向量输入已训练的图像分类模型中，可以高效、准确地判断图像中是否隐藏有隐私信息；从侧面也可看出，上述图像分类模型同样具有较低的训练复杂度和较好的鲁棒性，分类结果的准确度更高。
在一些实施例中，上述的图像隐私识别方法还包括：提取待识别图像的八个方向的残差矩阵；其中，待识别图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定待识别图像的平直局部方差直方图；平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定待识别图像的斜向局部方差直方图；斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；将平直局部方差直方图与斜向局部方差直方图进行融合，得到待识别图像的局部残差模式直方图。上述计算方法中，根据不同方向但具有相同规律的残差矩阵，得到对应的局部方差直方图，再将各个局部方差直方图进行融合，得到待识别图像的局部残差模式直方图，可有效降低计算复杂度，保证计算结果的准确性和稳定性。
在一些实施例中，S204具体可以包括：根据公式：
Figure 443504DEST_PATH_IMAGE001
；
Figure 696631DEST_PATH_IMAGE002
；
Figure 226664DEST_PATH_IMAGE003
；
Figure 819319DEST_PATH_IMAGE004
；
提取待识别图像的八个方向的残差矩阵；
其中，
Figure 634828DEST_PATH_IMAGE005
表示所述待识别图像中第
Figure 860404DEST_PATH_IMAGE006
行第
Figure 685141DEST_PATH_IMAGE007
列的像素；
Figure 709466DEST_PATH_IMAGE008
和
Figure 100002_DEST_PATH_IMAGE009
分别表示两个水平互反方向的残差矩阵的第
Figure 774505DEST_PATH_IMAGE006
行第列的元素，
Figure 302756DEST_PATH_IMAGE010
，
Figure 604424DEST_PATH_IMAGE011
；和
Figure 604479DEST_PATH_IMAGE013
分别表示两个垂直互反方向的残差矩阵的第行第
Figure 971186DEST_PATH_IMAGE007
列的元素，
Figure 704525DEST_PATH_IMAGE014
，
Figure 298317DEST_PATH_IMAGE015
；
Figure 516940DEST_PATH_IMAGE016
和分别表示两个对角线互反方向的残差矩阵的第
Figure 18558DEST_PATH_IMAGE006
行第列的元素，
Figure 692433DEST_PATH_IMAGE018
，
Figure 466354DEST_PATH_IMAGE019
；
Figure 128279DEST_PATH_IMAGE020
和
Figure 781983DEST_PATH_IMAGE021
分别表示两个反对角线互反方向的残差矩阵的第
Figure 630991DEST_PATH_IMAGE006
行第列的元素，
Figure 741346DEST_PATH_IMAGE018
，
Figure 582263DEST_PATH_IMAGE022
；
Figure 918567DEST_PATH_IMAGE023
表示所述待识别图像的宽，
Figure DEST_PATH_IMAGE024
表示所述待识别图像的高。
在一些实施例中，S206具体可以包括：根据公式：
Figure 17978DEST_PATH_IMAGE025
；
其中，
Figure DEST_PATH_IMAGE026
；
确定所述待识别图像的平直局部方差直方图；
其中，
Figure 716813DEST_PATH_IMAGE027
表示平直局部方差直方图的第
Figure DEST_PATH_IMAGE028
个元素，
Figure 744943DEST_PATH_IMAGE029
；
Figure 834122DEST_PATH_IMAGE030
表示矩阵
Figure 2804DEST_PATH_IMAGE031
第行第
Figure 676548DEST_PATH_IMAGE033
列的元素；矩阵
Figure 721864DEST_PATH_IMAGE031
分别为：
Figure 195702DEST_PATH_IMAGE034
；
Figure 541233DEST_PATH_IMAGE035
；
Figure 224016DEST_PATH_IMAGE036
；
Figure 287787DEST_PATH_IMAGE037
。
在一些实施例中，S206具体可以包括：根据公式：
；
确定所述待识别图像的斜向局部方差直方图；
其中，
Figure 76937DEST_PATH_IMAGE039
表示斜向局部方差直方图的第
Figure 601460DEST_PATH_IMAGE028
个元素，
Figure 621368DEST_PATH_IMAGE040
；矩阵
Figure 702588DEST_PATH_IMAGE031
分别为：
Figure 491552DEST_PATH_IMAGE041
在一些实施例中，S206具体可以包括：根据公式：
Figure 983714DEST_PATH_IMAGE042
将所述平直局部方差直方图与所述斜向局部方差直方图进行融合，得到所述待识别图像的局部残差模式直方图；
其中，
Figure 740186DEST_PATH_IMAGE043
表示所述待识别图像的局部残差模式直方图。
在一些实施例中，S208具体还可以包括：根据Fisher分数，将待识别图像的局部残差模式直方图中每一维特征由高到低进行排序；选取Fisher分数排列于前设定维对应的特征，以构成待识别图像的目标特征向量。
在一些实施例中，S210中的图像分类模型的构建步骤，包括：构建图像训练集；从图像训练集中获取待训练图像；提取待训练图像的至少八个不同方向的残差矩阵；根据待训练图像的至少八个不同方向的残差矩阵，确定待训练图像的局部残差模式直方图；计算待训练图像的局部残差模式直方图中的特征向量的Fisher分数，根据计算结果对待训练图像的局部残差模式直方图中的特征向量进行筛选，得到待训练图像的样本特征向量；将样本特征向量输入支持向量机进行训练，以构建图像分类模型。
在一些实施例中，计算待训练图像的局部残差模式直方图中的特征向量的Fisher分数的步骤，包括：
根据公式：
Figure 812047DEST_PATH_IMAGE044
其中，
Figure 721097DEST_PATH_IMAGE045
Figure 853001DEST_PATH_IMAGE046
Figure 394972DEST_PATH_IMAGE047
计算待训练图像的局部残差模式直方图中的特征向量的Fisher分数；
其中，表示所述待训练图像的局部残差模式直方图中的第
Figure 814507DEST_PATH_IMAGE049
维特征的Fisher分数；
Figure 851733DEST_PATH_IMAGE050
表示所述图像分类模型的图像训练集中第
Figure 130268DEST_PATH_IMAGE051
个原始图像的局部残差模式直方图；
Figure 294664DEST_PATH_IMAGE052
表示所述图像分类模型的图像训练集中第个含隐私图像的局部残差模式直方图；
Figure 386434DEST_PATH_IMAGE053
和分别是
Figure 624746DEST_PATH_IMAGE050
和
Figure 362895DEST_PATH_IMAGE052
的第
Figure 741924DEST_PATH_IMAGE049
个元素；
Figure 949045DEST_PATH_IMAGE055
表示所述图像分类模型的图像训练集中原始图像或含隐私图像的数量；
Figure 501249DEST_PATH_IMAGE056
表示第一中间向量；
Figure 359484DEST_PATH_IMAGE057
表示第二中间向量；表示第三中间向量；
Figure 836788DEST_PATH_IMAGE059
表示第四中间向量。
在一些实施例中，图像分类模型的构建步骤还包括：提取待训练图像的八个方向的残差矩阵；其中，待训练图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定待训练图像的平直局部方差直方图；平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定待训练图像的斜向局部方差直方图；斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；将平直局部方差直方图与斜向局部方差直方图进行融合，得到待训练图像的局部残差模式直方图。在一些实施例中，图像分类模型的原始模型可以是支持向量机，也可以是其他的训练模型；且支持向量机可为高斯核的软间隔支持向量机，也可根据实际情况选取其他类型的向量机，此处均不作唯一限定。
为了更清楚地阐释本申请提出的隐私识别方法和图像分类模型的训练过程，下面将结合具体的实施方式，对各个步骤进行逐一细化。
如图2所示，该隐私识别方法又可称为基于局部残差模式的二值图像反隐私隐藏方法，且由图可知，图像分类模型的训练过程与待识别图像的识别过程较为类似，下文将对图像分类模型的训练过程进行详细阐述。具体地，图像分类模型的训练过程可包括以下步骤：
1、从二值图像数据集中划分出训练集与测试集。先从二值图像数据集中利用分层抽样的方法选取特定数量（假设为
Figure 395945DEST_PATH_IMAGE060
）的原始图像，并选取与其对应的含隐私信息图像，作为训练集；然后从二值图像数据集剩余的图像中，利用分层抽样的方法选取特定数量（假设为
Figure 656156DEST_PATH_IMAGE061
）的原始图像，并选取与其对应的含隐私信息图像，作为测试集。
具体例如，二值图像数据库的数量总数量可选为24000张（原始图像与含隐私信息图像各12000张），且
Figure 642567DEST_PATH_IMAGE060
和
Figure 807969DEST_PATH_IMAGE061
分别取4000张和200张。
2、提取图像的残差矩阵：针对图像数据集中的每一张图像，提取该图像的8个不同方向的残差矩阵。
假设图像的宽和高分别为
Figure 721753DEST_PATH_IMAGE023
和
Figure 675802DEST_PATH_IMAGE024
（本实例中，图像的高和宽分别为
Figure 328501DEST_PATH_IMAGE063
和），
Figure 401947DEST_PATH_IMAGE065
表示中第
Figure 509635DEST_PATH_IMAGE006
行第
Figure 699439DEST_PATH_IMAGE007
列的像素（值为0或1），则具体处理过程如下：
2.1、计算水平方向的残差矩阵
Figure 975700DEST_PATH_IMAGE066
与
Figure 474814DEST_PATH_IMAGE067
：
Figure 102104DEST_PATH_IMAGE068
其中
Figure 385013DEST_PATH_IMAGE008
和
Figure 781359DEST_PATH_IMAGE009
分别为残差矩阵和
Figure 51115DEST_PATH_IMAGE067
的第
Figure 894306DEST_PATH_IMAGE006
行第
Figure 145158DEST_PATH_IMAGE007
列的元素，
Figure 235343DEST_PATH_IMAGE010
，
Figure 571647DEST_PATH_IMAGE069
。
2.2、计算垂直方向的残差矩阵
Figure 74620DEST_PATH_IMAGE002
其中和
Figure 910038DEST_PATH_IMAGE071
分别为残差矩阵
Figure 32715DEST_PATH_IMAGE070
的第
Figure 304165DEST_PATH_IMAGE006
行第列的元素，
Figure 797780DEST_PATH_IMAGE014
，
Figure 474880DEST_PATH_IMAGE015
。
2.3、计算对角线方向的残差矩阵
Figure 617149DEST_PATH_IMAGE072
Figure 970770DEST_PATH_IMAGE073
其中
Figure 18229DEST_PATH_IMAGE016
和
Figure 482708DEST_PATH_IMAGE017
分别为残差矩阵
Figure 479483DEST_PATH_IMAGE072
的第
Figure 754738DEST_PATH_IMAGE006
行第列的元素，，
Figure 97361DEST_PATH_IMAGE019
。
2.4、计算反对角线方向的残差矩阵
Figure DEST_PATH_IMAGE074
Figure 641386DEST_PATH_IMAGE075
其中
Figure 414170DEST_PATH_IMAGE076
和分别为残差矩阵
Figure 145814DEST_PATH_IMAGE074
的第
Figure 746560DEST_PATH_IMAGE006
行第
Figure 6640DEST_PATH_IMAGE007
列的元素，
Figure 865880DEST_PATH_IMAGE018
，。
3、提取融合的局部残差模式直方图特征：在本步骤中，针对图像数据集中的每一张图像，利用该图像经过步骤2得到的8个不同方向的残差矩阵，提取该图像的融合的局部残差模式直方图特征。
定义
Figure 994559DEST_PATH_IMAGE026
则提取融合的局部残差模式直方图特征方法的具体处理过程如下：
3.1、计算水平和垂直方向的局部方差直方图
Figure 227089DEST_PATH_IMAGE078
，其中行向量
Figure 375173DEST_PATH_IMAGE079
（
Figure 258815DEST_PATH_IMAGE080
）的第
Figure 732522DEST_PATH_IMAGE028
个元素
Figure 747620DEST_PATH_IMAGE081
为：
Figure 964975DEST_PATH_IMAGE082
其中
Figure 781753DEST_PATH_IMAGE030
表示矩阵
Figure 426360DEST_PATH_IMAGE031
第
Figure 928755DEST_PATH_IMAGE032
行第列的元素
Figure 11297DEST_PATH_IMAGE034
Figure 577539DEST_PATH_IMAGE035
Figure 877119DEST_PATH_IMAGE083
3.2、计算对角线和反对角线方向的局部方差直方图
Figure 591127DEST_PATH_IMAGE084
，其中行向量
Figure 108696DEST_PATH_IMAGE079
（
Figure 821568DEST_PATH_IMAGE040
）的第
Figure 184416DEST_PATH_IMAGE028
个元素
Figure 17243DEST_PATH_IMAGE081
为：
其中
Figure 873258DEST_PATH_IMAGE030
表示矩阵
Figure 774218DEST_PATH_IMAGE031
第
Figure 946705DEST_PATH_IMAGE032
行第
Figure 9339DEST_PATH_IMAGE033
列的元素
Figure 149333DEST_PATH_IMAGE086
3.3、计算融合的局部残差模式直方图
Figure 972987DEST_PATH_IMAGE088
4、构造训练集与验证集的样本特征向量：针对训练集和验证集中的每一张图像，对该图像经过步骤3得到的融合的局部残差模式直方图特征进行特征筛选，构造该图像的样本特征向量。
具体处理过程如下：
4.1、计算融合的局部残差模式直方图中，每一维特征（每一个分组）对应的Fisher分数。在二值图像数据库中除去训练集和测试集后的剩余图像中，利用分层抽样法选取若干张原始图像（假设为
Figure 472102DEST_PATH_IMAGE055
张），并选取与其对应的含隐私信息图像，即总共2
Figure 850125DEST_PATH_IMAGE055
张图像。假设第
Figure 92887DEST_PATH_IMAGE089
张原始图像经过S2步骤和S3步骤计算得到的融合的局部残差模式直方图为
Figure 223654DEST_PATH_IMAGE050
（
Figure 893670DEST_PATH_IMAGE090
），第
Figure 54262DEST_PATH_IMAGE051
张含隐私信息图像经过S2步骤和S3步骤计算得到的融合的局部残差模式直方图为
Figure 835136DEST_PATH_IMAGE052
，则第
Figure 85989DEST_PATH_IMAGE049
维特征的Fisher分数
Figure 677638DEST_PATH_IMAGE048
为
Figure 279521DEST_PATH_IMAGE044
Figure 660824DEST_PATH_IMAGE045
Figure 286889DEST_PATH_IMAGE046
Figure 298707DEST_PATH_IMAGE047
其中
Figure 122307DEST_PATH_IMAGE091
和
Figure 244984DEST_PATH_IMAGE092
分别是
Figure 221161DEST_PATH_IMAGE050
和
Figure 200618DEST_PATH_IMAGE052
的第
Figure 511514DEST_PATH_IMAGE049
个元素。本实例中，取4000。
4.2、对于训练集与测试集的每一张图像，根据Fisher分数从高到低对其融合的局部残差模式直方图的每一个分组（每一维特征）进行排序，选取特定数量Fisher分数最高的分组（假设选取前
Figure 767101DEST_PATH_IMAGE093
维），构成样本特征向量。本实例中，
Figure 183039DEST_PATH_IMAGE093
取500。
5、训练分类器：利用经过步骤4得到的训练集图像的样本特征向量训练支持向量机。对于训练集中每一张图像，如果图像为原始图像，则将其样本特征向量标记为+1；如果图像为含隐私信息图像，则将其样本特征向量标记为-1。原始图像与含隐私信息图像的样本特征向量构成训练支持向量机的特征向量集。本实验中支持向量机为使用高斯核的软间隔支持向量机，相关参数设置为：
Figure 462021DEST_PATH_IMAGE095
6、分类预测：利用经过步骤5得到的训练后的支持向量机对测试集图像的样本特征向量进行分类，预测其是否隐藏了隐私相关信息。其中，预测结果为+1表示图像被判断为原始图像，预测结果为-1表示图像被判断为含隐私信息图像。本实例中的预测结果如图3所示，前200个点代表对于原始图像的预测值，后200个点代表对于含隐私信息图像的预测值。从图3中可以明显看到，大部分的图像都可以预测准确，分类检测的结果比较理想。
相比现有的技术，本发明技术方案的有益效果在于：本发明首先通过提取图像的8种不同方向的残差图像，利用残差图像来增强图像中不同方向的边缘特性，然后统计局部残差模式直方图，分析隐私信息隐藏过程对残差中的纹理带来的变化，再进一步融合各局部残差模式直方图，增强特征的方向不变性，并增强模型的鲁棒性，并通过Fisher准则来筛选特征，并构造目标特征向量，降低训练和预测时的复杂度，最后训练分类器，可以保证高效、准确地判断图像中是否隐藏了隐私信息。
应该理解的是，对于前述的各方法实施例，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，方法实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与上述实施例中的图像隐私识别方法相同的思想，本文还提供一种图像隐私识别装置。
在一个实施例中，如图4所示，提供了一种图像隐私识别装置，包括：获取模块401、提取模块402、确定模块403、筛选模块404和分类模块405，其中：
获取模块401，用于获取待识别图像；
提取模块402，用于提取待识别图像的至少八个不同方向的残差矩阵；
确定模块403，用于根据待识别图像的至少八个不同方向的残差矩阵，确定待识别图像的局部残差模式直方图；
筛选模块404，用于获取待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对待识别图像的局部残差模式直方图中的特征向量进行筛选，得到待识别图像的目标特征向量；
分类模块405，用于将目标特征向量输入已训练的图像分类模型中，根据图像分类模型的分类结果识别待识别图像是否为含隐私图像。
在一些实施例中，提取模块402，具体用于：提取待识别图像的八个方向的残差矩阵；其中，待识别图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；确定模块403，具体用于：根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定待识别图像的平直局部方差直方图；平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定待识别图像的斜向局部方差直方图；斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；将平直局部方差直方图与斜向局部方差直方图进行融合，得到待识别图像的局部残差模式直方图。
在一些实施例中，提取模块402，具体用于：根据公式：
Figure 396479DEST_PATH_IMAGE001
；
Figure 921002DEST_PATH_IMAGE002
；
；
；
提取所述待识别图像的八个方向的残差矩阵；
其中，
Figure 575209DEST_PATH_IMAGE005
表示所述待识别图像中第行第
Figure 794149DEST_PATH_IMAGE007
列的像素；
Figure 866010DEST_PATH_IMAGE008
和分别表示两个水平互反方向的残差矩阵的第
Figure 890652DEST_PATH_IMAGE006
行第
Figure 947470DEST_PATH_IMAGE007
列的元素，，
Figure 71732DEST_PATH_IMAGE011
；
Figure 211421DEST_PATH_IMAGE012
和
Figure 958797DEST_PATH_IMAGE013
分别表示两个垂直互反方向的残差矩阵的第
Figure 372461DEST_PATH_IMAGE006
行第
Figure 990524DEST_PATH_IMAGE007
列的元素，
Figure 214963DEST_PATH_IMAGE014
，
Figure 184056DEST_PATH_IMAGE015
；
Figure 932569DEST_PATH_IMAGE016
和
Figure 185565DEST_PATH_IMAGE017
分别表示两个对角线互反方向的残差矩阵的第
Figure 564594DEST_PATH_IMAGE006
行第列的元素，
Figure 510870DEST_PATH_IMAGE018
，
Figure 916575DEST_PATH_IMAGE019
；和
Figure 675769DEST_PATH_IMAGE021
分别表示两个反对角线互反方向的残差矩阵的第
Figure 953036DEST_PATH_IMAGE006
行第
Figure 665777DEST_PATH_IMAGE007
列的元素，
Figure 652187DEST_PATH_IMAGE018
，
Figure 83169DEST_PATH_IMAGE022
；
Figure 727908DEST_PATH_IMAGE023
表示所述待识别图像的宽，
Figure 295155DEST_PATH_IMAGE024
表示所述待识别图像的高。
在一些实施例中，确定模块403，具体用于：根据公式：
Figure 452467DEST_PATH_IMAGE025
；
其中，
Figure 354433DEST_PATH_IMAGE026
；
确定所述待识别图像的平直局部方差直方图；
其中，
Figure 989814DEST_PATH_IMAGE027
表示平直局部方差直方图的第个元素，
Figure 552830DEST_PATH_IMAGE029
；
Figure 692824DEST_PATH_IMAGE030
表示矩阵
Figure 397475DEST_PATH_IMAGE031
第
Figure 673736DEST_PATH_IMAGE032
行第
Figure 427977DEST_PATH_IMAGE033
列的元素；矩阵
Figure 55268DEST_PATH_IMAGE031
分别为：
Figure 829189DEST_PATH_IMAGE034
；
Figure 241847DEST_PATH_IMAGE035
；
Figure 646283DEST_PATH_IMAGE036
；
。
在一些实施例中，确定模块403，具体用于：根据公式：
Figure 587749DEST_PATH_IMAGE038
；
确定所述待识别图像的斜向局部方差直方图；
其中，
Figure 104181DEST_PATH_IMAGE039
表示斜向局部方差直方图的第
Figure 945098DEST_PATH_IMAGE028
个元素，
Figure 281401DEST_PATH_IMAGE040
；矩阵
Figure 616699DEST_PATH_IMAGE031
分别为：
Figure 987637DEST_PATH_IMAGE041
在一些实施例中，确定模块403，具体用于：根据公式：
Figure 796193DEST_PATH_IMAGE042
将平直局部方差直方图与斜向局部方差直方图进行融合，得到待识别图像的局部残差模式直方图；
其中，
Figure 869061DEST_PATH_IMAGE043
表示所述待识别图像的局部残差模式直方图。
在一些实施例中，筛选模块404，具体还用于：根据Fisher分数，将待识别图像的局部残差模式直方图中每一维特征由高到低进行排序；选取Fisher分数排列于前设定维对应的特征，以构成待识别图像的目标特征向量。
在一些实施例中，图像隐私识别装置还包括：图像分类模型构建模块，用于：构建图像训练集；从图像训练集中获取待训练图像；提取待训练图像的至少八个不同方向的残差矩阵；根据待训练图像的至少八个不同方向的残差矩阵，确定待训练图像的局部残差模式直方图；计算待训练图像的局部残差模式直方图中的特征向量的Fisher分数，根据计算结果对待训练图像的局部残差模式直方图中的特征向量进行筛选，得到待训练图像的样本特征向量；将样本特征向量输入支持向量机进行训练，以构建图像分类模型。
在一些实施例中，图像分类模型构建模块，具体用于：根据公式：
Figure 257317DEST_PATH_IMAGE044
其中，
Figure 217182DEST_PATH_IMAGE045
Figure 399902DEST_PATH_IMAGE046
Figure 727109DEST_PATH_IMAGE047
计算待训练图像的局部残差模式直方图中的特征向量的Fisher分数；
其中，
Figure 450215DEST_PATH_IMAGE048
表示所述待训练图像的局部残差模式直方图中的第
Figure 530166DEST_PATH_IMAGE049
维特征的Fisher分数；
Figure 398634DEST_PATH_IMAGE050
表示所述图像分类模型的图像训练集中第
Figure 196826DEST_PATH_IMAGE051
个原始图像的局部残差模式直方图；
Figure 661305DEST_PATH_IMAGE052
表示所述图像分类模型的图像训练集中第
Figure 595763DEST_PATH_IMAGE051
个含隐私图像的局部残差模式直方图；
Figure 136597DEST_PATH_IMAGE053
和
Figure 156505DEST_PATH_IMAGE054
分别是
Figure 690255DEST_PATH_IMAGE050
和
Figure 808382DEST_PATH_IMAGE052
的第
Figure 503806DEST_PATH_IMAGE049
个元素；
Figure 276589DEST_PATH_IMAGE055
表示所述图像分类模型的图像训练集中原始图像或含隐私图像的数量；
Figure 348451DEST_PATH_IMAGE056
表示第一中间向量；表示第二中间向量；
Figure 874558DEST_PATH_IMAGE058
表示第三中间向量；
Figure 869059DEST_PATH_IMAGE059
表示第四中间向量。
在一些实施例中，图像分类模型构建模块，具体用于：提取待训练图像的八个方向的残差矩阵；其中，待训练图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定待训练图像的平直局部方差直方图；平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定待训练图像的斜向局部方差直方图；斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；将平直局部方差直方图与斜向局部方差直方图进行融合，得到待训练图像的局部残差模式直方图。
在一些实施例中，支持向量机为高斯核的软间隔支持向量机。
关于图像隐私识别装置的具体限定可以参见上文中对于图像隐私识别方法的限定，在此不再赘述。上述图像隐私识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
此外，上述示例的图像隐私识别装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将图像隐私识别装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
在一个实施例中，如图5所示，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述图像隐私识别方法的步骤。此处图像隐私识别方法的步骤可以是上述各个实施例的图像隐私识别方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述图像隐私识别方法的步骤。此处图像隐私识别方法的步骤可以是上述各个实施例的图像隐私识别方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在上述实施例中，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，可以参见其它实施例的相关描述。
本文实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或（模块）单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在本文中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述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。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种图像隐私识别方法，其特征在于，所述方法包括：
获取待识别图像；
提取所述待识别图像的至少八个不同方向的残差矩阵；
根据所述待识别图像的至少八个不同方向的残差矩阵，确定所述待识别图像的局部残差模式直方图；
获取所述待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对所述待识别图像的局部残差模式直方图中的特征向量进行筛选，得到所述待识别图像的目标特征向量；
将所述目标特征向量输入已训练的图像分类模型中，根据所述图像分类模型的分类结果识别所述待识别图像是否为含隐私图像；
其中，
所述提取所述待识别图像的至少八个不同方向的残差矩阵的步骤，包括：
提取所述待识别图像的八个方向的残差矩阵；其中，待识别图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；
所述根据所述待识别图像的至少八个不同方向的残差矩阵，确定所述待识别图像的局部残差模式直方图的步骤，包括：
根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定所述待识别图像的平直局部方差直方图；所述平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；
根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定所述待识别图像的斜向局部方差直方图；所述斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；
将所述平直局部方差直方图与所述斜向局部方差直方图进行融合，得到所述待识别图像的局部残差模式直方图。
2.根据权利要求1所述的方法，其特征在于，根据公式：
Figure DEST_PATH_IMAGE001
；
Figure 979494DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
；
Figure 635473DEST_PATH_IMAGE004
；
提取所述待识别图像的八个方向的残差矩阵；
其中，
Figure DEST_PATH_IMAGE005
表示所述待识别图像中第行第
Figure DEST_PATH_IMAGE007
列的像素；
Figure 311622DEST_PATH_IMAGE008
和分别表示两个水平互反方向的残差矩阵的第
Figure 839424DEST_PATH_IMAGE006
行第
Figure 253088DEST_PATH_IMAGE007
列的元素，
Figure 153042DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
；
Figure 157907DEST_PATH_IMAGE012
和分别表示两个垂直互反方向的残差矩阵的第
Figure 178864DEST_PATH_IMAGE006
行第
Figure 130640DEST_PATH_IMAGE007
列的元素，
Figure 399947DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
；
Figure 326446DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
分别表示两个对角线互反方向的残差矩阵的第
Figure 579573DEST_PATH_IMAGE006
行第列的元素，
Figure 442541DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
；和分别表示两个反对角线互反方向的残差矩阵的第行第列的元素，
Figure 67110DEST_PATH_IMAGE018
，
Figure 53520DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE023
表示所述待识别图像的宽，
Figure 766392DEST_PATH_IMAGE024
表示所述待识别图像的高。
3.根据权利要求2所述的方法，其特征在于，所述根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定所述待识别图像的平直局部方差直方图的步骤，包括：
根据公式：
Figure DEST_PATH_IMAGE025
；
其中，
Figure 660399DEST_PATH_IMAGE026
；
确定所述待识别图像的平直局部方差直方图；
其中，表示平直局部方差直方图的第
Figure DEST_PATH_IMAGE029
个元素，
Figure 962122DEST_PATH_IMAGE030
表示矩阵
Figure DEST_PATH_IMAGE031
第
Figure 162290DEST_PATH_IMAGE032
行第
Figure DEST_PATH_IMAGE033
列的元素；矩阵
Figure 126834DEST_PATH_IMAGE031
分别为：
Figure 548588DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE035
；
Figure 673539DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
。
4.根据权利要求3所述的方法，其特征在于，所述根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定所述待识别图像的斜向局部方差直方图的步骤，包括：
根据公式：
Figure 95424DEST_PATH_IMAGE038
；
确定所述待识别图像的斜向局部方差直方图；
其中，
Figure DEST_PATH_IMAGE039
表示斜向局部方差直方图
Figure 846080DEST_PATH_IMAGE040
的第
Figure 387920DEST_PATH_IMAGE029
个元素，；
Figure 700083DEST_PATH_IMAGE042
表示矩阵
Figure DEST_PATH_IMAGE043
第
Figure 858532DEST_PATH_IMAGE032
行第
Figure 366874DEST_PATH_IMAGE033
列的元素；矩阵分别为：
Figure 948083DEST_PATH_IMAGE044
。
5.根据权利要求4所述的方法，其特征在于，所述将所述平直局部方差直方图与所述斜向局部方差直方图进行融合，得到所述待识别图像的局部残差模式直方图的步骤，包括：
根据公式：
将所述平直局部方差直方图与所述斜向局部方差直方图进行融合，得到所述待识别图像的局部残差模式直方图；
其中，表示所述待识别图像的局部残差模式直方图。
6.根据权利要求5所述的方法，其特征在于，所述根据Fisher分数对所述待识别图像的局部残差模式直方图中的特征向量进行筛选，得到所述待识别图像的目标特征向量的步骤，包括：
根据Fisher分数，将所述待识别图像的局部残差模式直方图中每一维特征由高到低进行排序；
选取Fisher分数排列于前设定维对应的特征，以构成所述待识别图像的目标特征向量。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述图像分类模型的构建步骤，包括：
构建图像训练集；
从所述图像训练集中获取待训练图像；
提取所述待训练图像的至少八个不同方向的残差矩阵；
根据所述待训练图像的至少八个不同方向的残差矩阵，确定所述待训练图像的局部残差模式直方图；
计算所述待训练图像的局部残差模式直方图中的特征向量的Fisher分数，作为所述待识别图像的局部残差模式直方图中的特征向量的Fisher分数，并根据计算结果对所述待训练图像的局部残差模式直方图中的特征向量进行筛选，得到所述待训练图像的样本特征向量；
将所述样本特征向量输入支持向量机进行训练，以构建所述图像分类模型。
8.根据权利要求7所述的方法，其特征在于，所述计算所述待训练图像的局部残差模式直方图中的特征向量的Fisher分数的步骤，包括：
根据公式：
Figure 922172DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
Figure 219030DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE051
计算所述待训练图像的局部残差模式直方图中的特征向量的Fisher分数；
其中，
Figure 856685DEST_PATH_IMAGE052
表示所述待训练图像的局部残差模式直方图中的第
Figure DEST_PATH_IMAGE053
维特征的Fisher分数；表示所述图像分类模型的图像训练集中第
Figure DEST_PATH_IMAGE055
个原始图像的局部残差模式直方图；
Figure 121761DEST_PATH_IMAGE056
表示所述图像分类模型的图像训练集中第
Figure 13406DEST_PATH_IMAGE055
个含隐私图像的局部残差模式直方图；
Figure DEST_PATH_IMAGE057
和
Figure 821962DEST_PATH_IMAGE058
分别是
Figure 396294DEST_PATH_IMAGE054
和
Figure 784550DEST_PATH_IMAGE056
的第个元素；所述图像分类模型的图像训练集中的原始图像的数量与含隐私图像的数量相同，均通过
Figure DEST_PATH_IMAGE059
表示；
Figure 238720DEST_PATH_IMAGE060
表示第一中间向量；
Figure DEST_PATH_IMAGE061
表示第二中间向量；
Figure 611932DEST_PATH_IMAGE062
表示第三中间向量；
Figure DEST_PATH_IMAGE063
表示第四中间向量。
9.根据权利要求7所述的方法，其特征在于，所述方法还包括：
提取所述待训练图像的八个方向的残差矩阵；其中，待训练图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；
根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定所述待训练图像的平直局部方差直方图；所述平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；
根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定所述待训练图像的斜向局部方差直方图；所述斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；
将所述平直局部方差直方图与所述斜向局部方差直方图进行融合，得到所述待训练图像的局部残差模式直方图。
10.根据权利要求7所述的方法，其特征在于，所述支持向量机为高斯核的软间隔支持向量机。
11.一种图像隐私识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别图像；
提取模块，用于提取所述待识别图像的至少八个不同方向的残差矩阵；进一步用于提取所述待识别图像的八个方向的残差矩阵；其中，待识别图像的八个方向包括两个水平互反方向、两个垂直互反方向、两个对角线互反方向及两个反对角线互反方向；
确定模块，用于根据所述待识别图像的至少八个不同方向的残差矩阵，确定所述待识别图像的局部残差模式直方图；进一步用于根据两个水平互反方向、两个垂直互反方向的残差矩阵，确定所述待识别图像的平直局部方差直方图；所述平直局部方差直方图包括两个水平互反方向、两个垂直互反方向的方差直方图；根据两个对角线互反方向、两个反对角线互反方向的残差矩阵，确定所述待识别图像的斜向局部方差直方图；所述斜向局部方差直方图包括两个对角线互反方向、两个反对角线互反方向的方差直方图；将所述平直局部方差直方图与所述斜向局部方差直方图进行融合，得到所述待识别图像的局部残差模式直方图；
筛选模块，用于获取所述待识别图像的局部残差模式直方图中的特征向量的Fisher分数，根据Fisher分数对所述待识别图像的局部残差模式直方图中的特征向量进行筛选，得到所述待识别图像的目标特征向量；
分类模块，用于将所述目标特征向量输入已训练的图像分类模型中，根据所述图像分类模型的分类结果识别所述待识别图像是否为含隐私图像。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN201911239606.XA 2019-12-06 2019-12-06 图像隐私识别方法、装置、计算机设备和存储介质 Active CN110674830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911239606.XA CN110674830B (zh) 2019-12-06 2019-12-06 图像隐私识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911239606.XA CN110674830B (zh) 2019-12-06 2019-12-06 图像隐私识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110674830A true CN110674830A (zh) 2020-01-10
CN110674830B CN110674830B (zh) 2020-05-19

Family

ID=69088287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911239606.XA Active CN110674830B (zh) 2019-12-06 2019-12-06 图像隐私识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110674830B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090129670A1 (en) * 2007-11-19 2009-05-21 Ali Zandifar Identifying Steganographic Data in an Image
CN102722858A (zh) * 2012-05-29 2012-10-10 中国科学院自动化研究所 基于对称邻域信息的盲隐写分析方法
CN103617589A (zh) * 2013-09-18 2014-03-05 西安交通大学 一种基于局部直方图的信息隐藏方法
CN104301733A (zh) * 2014-09-06 2015-01-21 南京邮电大学 一种基于特征融合的视频隐写盲检测方法
CN106548445A (zh) * 2016-10-20 2017-03-29 天津大学 基于内容的空域图像通用隐写分析方法
CN108446568A (zh) * 2018-03-19 2018-08-24 西北大学 一种去趋势分析差分隐私保护的直方图数据发布方法
AU2019100113A4 (en) * 2019-02-03 2019-03-07 Henan Normal University A privacy-preserved reversible data hiding scheme for color images
CN110135180A (zh) * 2019-05-15 2019-08-16 苏州大学 满足节点差分隐私的度分布直方图发布方法
CN110348458A (zh) * 2019-06-27 2019-10-18 河南科技大学 一种基于局部方向极值模式的图像纹理分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090129670A1 (en) * 2007-11-19 2009-05-21 Ali Zandifar Identifying Steganographic Data in an Image
CN102722858A (zh) * 2012-05-29 2012-10-10 中国科学院自动化研究所 基于对称邻域信息的盲隐写分析方法
CN103617589A (zh) * 2013-09-18 2014-03-05 西安交通大学 一种基于局部直方图的信息隐藏方法
CN104301733A (zh) * 2014-09-06 2015-01-21 南京邮电大学 一种基于特征融合的视频隐写盲检测方法
CN106548445A (zh) * 2016-10-20 2017-03-29 天津大学 基于内容的空域图像通用隐写分析方法
CN108446568A (zh) * 2018-03-19 2018-08-24 西北大学 一种去趋势分析差分隐私保护的直方图数据发布方法
AU2019100113A4 (en) * 2019-02-03 2019-03-07 Henan Normal University A privacy-preserved reversible data hiding scheme for color images
CN110135180A (zh) * 2019-05-15 2019-08-16 苏州大学 满足节点差分隐私的度分布直方图发布方法
CN110348458A (zh) * 2019-06-27 2019-10-18 河南科技大学 一种基于局部方向极值模式的图像纹理分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MEHDI HUSSAIN 等: "Image steganography in spatial domain: A survey", 《SIGNAL PROCESSING: IMAGE COMMUNICATION》 *
张艳: "图像隐写分析算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
杨雪 等: "基于SPAM 和特征优化的通用隐写分析算法改进", 《成都信息工程大学学报》 *

Also Published As

Publication number Publication date
CN110674830B (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
Wu et al. Busternet: Detecting copy-move image forgery with source/target localization
CN107622489B (zh) 一种图像篡改检测方法及装置
CN106530194B (zh) 一种疑似侵权产品图片的检测方法及装置
CN111191568A (zh) 翻拍图像识别方法、装置、设备及介质
CN110245714B (zh) 图像识别方法、装置及电子设备
CN110647895B (zh) 一种基于登录框图像的钓鱼页面识别方法及相关设备
CN110647896A (zh) 一种基于logo图像的钓鱼页面识别方法及相关设备
CN111753642B (zh) 一种确定关键帧的方法及装置
Fadl et al. A proposed accelerated image copy-move forgery detection
CN112668462A (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN113111880A (zh) 证件图像校正方法、装置、电子设备及存储介质
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN115392937A (zh) 一种用户欺诈风险识别方法、装置、电子设备及存储介质
Tapia et al. Single morphing attack detection using feature selection and visualization based on mutual information
Zhang et al. Image splicing localization using noise distribution characteristic
CN114004289A (zh) 一种车辆损伤识别模型建立方法、损伤识别方法及装置
Bhatt et al. A framework for quality-based biometric classifier selection
CN113920434A (zh) 一种基于目标的图像翻拍检测方法、装置及介质
CN111461905A (zh) 车险骗赔规避方法、装置、计算机设备及存储介质
JP4967045B2 (ja) 背景判別装置、方法及びプログラム
CN110674830B (zh) 图像隐私识别方法、装置、计算机设备和存储介质
CN108304838B (zh) 一种图片信息识别方法及终端
CN111753722B (zh) 一种基于特征点类型的指纹识别方法及装置
CN113591657A (zh) Ocr版面识别的方法、装置、电子设备及介质
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: 7, 9-12 / F, Zhujiang Yide building, 362 Dongfeng Middle Road, Yuexiu District, Guangzhou, Guangdong 510000

Patentee after: DIGITAL GUANGDONG NETWORK CONSTRUCTION Co.,Ltd.

Address before: 510300 room 230, building 14, No. 788, Guangzhou Avenue South, Haizhu District, Guangzhou City, Guangdong Province

Patentee before: DIGITAL GUANGDONG NETWORK CONSTRUCTION Co.,Ltd.

CP02 Change in the address of a patent holder