CN111291781A - 基于支持向量机的加密图像分类方法 - Google Patents
基于支持向量机的加密图像分类方法 Download PDFInfo
- Publication number
- CN111291781A CN111291781A CN202010022856.4A CN202010022856A CN111291781A CN 111291781 A CN111291781 A CN 111291781A CN 202010022856 A CN202010022856 A CN 202010022856A CN 111291781 A CN111291781 A CN 111291781A
- Authority
- CN
- China
- Prior art keywords
- ciphertext
- matrix
- support vector
- dot product
- image
- 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
Links
Images
Classifications
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于支持向量机的加密图像分类方法,它通过客户端收集待分类图像并加密成密文,上传至云端并利用云端服务器支持向量机分类模型,在不解密的情况下利用已训练好的支持向量机分类模型对密文运算,并将图像分类结果以密文的形式返回给客户端;最后,客户端执行解密模块得到图像分类结果。本发明绝大多数计算是在云服务器端进行,同时保护了用户图像的隐私性。且本发明的技术方案将整个矩阵编码成一个密文来进行运算显著地降低空间复杂度和减少密文运算次数,达到提高效率的目的。
Description
技术领域
本发明属于图像加密技术领域,具体地涉及一种基于支持向量机的加密图像分类方法。
背景技术
支持向量机SVM(Support Vector Machine),主要用于解决模式识别领域中的数据分类问 题,属于有监督学习方法的一种。给定一组训练实例,每个训练实例被标记为属于两个类别 之一,SVM训练算法构建模型,将新实例分配给两个类别之一。相较于深度学习分类方法, 它适用于小样本学习,性能较佳,模型可解释性较强。由于支持向量机性能优越,且计算复 杂度较小,因此在图像识别、文本分类等模式识别领域得到了广泛的应用。
云计算是一种新型的基于互联网的计算机技术。用户终端可以通过远程连接,获取云端 的存储、计算、数据库等计算资源。云端按需部署计算资源,而用户只需要为所使用的资源 付费。由于资源的有限性,其电力成本、空间成本、各种设施的维护成本快速上升,中小型 用户无力支持如此巨大的计算开销,所以越来越多的用户选择将自己的数据上传到云端进行 运算。如此用户既可以享受云端强大的计算能力所带来的便利,又不用费心思维护和更新系 统。然而,云计算技术存在着一些安全隐私性问题,它妨碍了云计算的普及。
在云端实现图像分类主要涉及的问题是:用户图像的隐私性。由于云服务端可以对用户 上传数据进行任意访问,因此如果打算使用云计算服务,数据安全性和隐私性将无法保证。 而在一些敏感行业,如金融、医疗、政府部门等,一旦用户的隐私数据或敏感数据丢失或被 窃取,对用户来说是致命的。目前大多数基于支持向量机的加密图像分类问题的解决方案都 是利用了两方安全计算技术,它的最大的缺点是要求客户端和服务器之间多次交互。
全同态加密是一种新型的加密方法,它支持密文之间的运算,而且解密结果与明文运算 结果相同。用户可以利用同态加密技术先将图像加密上传到云端,在云端对加密图像进行同 态运算,最后将计算结果以密文形式传给用户,用户解密得到结果。整个计算过程中,除了 必要的上传和下载以外,客户端并不需要和服务器交互。
通过查阅文献发现,基于全同态加密进行支持向量机加密图像分类的相关研究工作只有 Barnett等一篇尚未公开发表的论文,《Image Classification using non-linear Support Vector Machines on Encrypted Data》,2017。该论文中,用户首先对本地图像预处理提取特征向量, 然后将特征向量每一元素利用同态加密单独加密成一系列密文,上传至云服务器进行处理, 这种方式增加了计算复杂性,大大地降低了系统的效率。
发明内容
针对现有技术存在的问题,本发明公开了一种基于支持向量机的加密图像分类方法,通 过客户端将经过预处理的图像特征编码并加密成一个密文,在云端利用训练好的SVM预测 模型对图像进行分类预测,最终计算出图像分类结果。其目的在于解决现有基于支持向量机 的加密图像分类方法效率较低的问题,提出一个更加高效的支持向量机的加密图像分类方法。
本发明的目的是通过如下技术方案实现的:一种基于支持向量机的加密图像分类方法, 具体包括如下步骤:
其中,m是2的幂。
(2)云端服务器通过支持向量机算法训练SVM图像分类模型器,采用的分类函数为:
其中:n表示分类模型中支持向量的个数,表示分类模型器中的m维支持向量,i表 示索引,b表示模型截距,ai是第i个支持向量的拉格朗日系数,yi是第i个支持向量的类标, d是多项式核函数的度数,sign[x]是取符号函数,定义为当x≥0时,sign[x]=1;否则sign[x]=0。
其中,矩阵E、X、B为n×m的矩阵,n为正整数。
(4)根据步骤3中的参数处理结果,计算待分类图像的分类结果,具体包括如下子步骤:
(4.1)将支持向量矩阵X和密文ct1进行点乘,得到第一点积密文ct2:
将第一点积密文ct2进行旋转操作和求和操作,过程如下:
(a)旋转操作:将第一点积密文ct2中元素向左移动2j个位置,设置j=0。
(c)将j+1赋值给j;
其中,矩阵每行第一个元素为每行元素的和;*表示这些值与之后的计算无关。
将第一拉格朗日密文ct3进行旋转操作和求和,过程如下:
(a)旋转操作:将第一拉格朗日密文ct3中元素按序向左移动2j个位置,初始j=log2 m。
(c)将j+1赋值给j;
(5)通过近似求逆方法和近似求sign[x]方法,对核函数密文ct4进行计算,得到分类密 文ctfinal。
(6)云端服务器将分类密文ctfinal返回给客户端,客户端对分类密文ctfinal进行解密,得 到图片分类结果。
与现有技术相比,本发明的有益效果是:1)本发明公开的基于支持向量机的加密图像分 类方法,可以在不泄露图像数据即客户端隐私数据的情况下,将图像分类外包给云服务器, 它保护了客户端数据的安全,减轻了客户端的计算量。2)不同于现有技术中将单个元素独立 加密成一个密文,本发明的技术方案将整个矩阵编码成一个密文来进行运算显著地降低空间 复杂度和减少密文运算次数,达到提高效率的目的。
附图说明
图1为本发明加密图像分类流程图。
具体实施方式
为了让本发明的特征和优点更加明显,下面结合本发明附图对本发明进行详细、完整的 说明。
图1为本发明的流程示意图,该加密图像分类方法具体包括如下步骤:
其中,m是2的幂。
(2)云端服务器通过支持向量机算法训练SVM图像分类模型器,采用的分类函数为:
其中:n表示分类模型中支持向量的个数,表示分类模型器中的m维支持向量,i表 示索引,b表示模型截距,ai是第i个支持向量的拉格朗日系数,yi是第i个支持向量的类标, d是多项式核函数的度数,sign[x]是取符号函数,定义为当x≥0时,sign[x]=1;否则sign[x]=0。
其中,矩阵E、X、B为n×m的矩阵,n为正整数。
(4)根据步骤3中的参数处理结果,计算待分类图像的分类结果,具体包括如下子步骤:
(4.1)将支持向量矩阵X和密文ct1进行点乘,得到第一点积密文ct2:
将第一点积密文ct2进行旋转操作和求和操作,过程如下:
(a)旋转操作:将第一点积密文ct2中元素向左移动2j个位置,设置j=0。
(c)将j+1赋值给j;
其中,矩阵每行第一个元素为每行元素的和;*表示这些值与之后的计算无关。本步骤的 目的是求和的点积,在点积最后的求和操作中,一般的求和方法要将密文重复的进行共 m次加法,而该旋转求和操作,可以将计算复杂度从m降低到logm,提高了计算效率。
将第一拉格朗日密文ct3进行旋转操作和求和操作,过程如下:
(a)旋转操作:将第一拉格朗日密文ct3中元素按序向左移动2j个位置,初始j=log2 m。
(c)将j+1赋值给j;
与上一步的操作类似,为求得ct3第一列元素的和,通过该旋转和求和操作,计算复杂度 从m降低到logm。
(5)由于同态加密无法直接进行求sign[x]操作,通过近似求逆方法和近似求sign[x]方 法,对核函数密文ct4进行计算,得到分类密文ctfinal。
(6)云端服务器将分类密文ctfinal返回给客户端,客户端对分类密文ctfinal进行解密,得 到图片分类结果。
本发明方案在CentOS 7.3操作系统,结合同态加密seal库实现。实验表明其针对图像分 类计算的密文计算结果和明文计算结果相一致,确保了该发明的正确性。本发明公开的基于 支持向量机的加密图像分类方法,可以在不泄露图像数据即客户端隐私数据的情况下,将图 像分类外包给云服务器,它保护了客户端数据的安全,减轻了客户端的计算量;将矩阵编码 成一个密文来进行运算显著地降低空间复杂度和减少密文运算次数,达到提高效率的目的。
Claims (1)
1.一种基于支持向量机的加密图像分类方法,其特征在于,具体包括如下步骤:
其中,m是2的幂。
(2)云端服务器通过支持向量机算法训练SVM图像分类模型器,采用的分类函数为:
其中:n表示分类模型中支持向量的个数,表示分类模型器中的m维支持向量,i表示索引,b表示模型截距,ai是第i个支持向量的拉格朗日系数,yi是第i个支持向量的类标,d是多项式核函数的度数,sign[x]是取符号函数,定义为当x≥0时,sign[x]=1;否则sign[x]=0。
其中,矩阵E、X、B为n×m的矩阵,n为正整数。
(4)根据步骤3中的参数处理结果,计算待分类图像的分类结果,具体包括如下子步骤:
(4.1)将支持向量矩阵X和密文ct1进行点乘,得到第一点积密文ct2:
将第一点积密文ct2进行旋转操作和求和操作,过程如下:
(a)旋转操作:将第一点积密文ct2中元素向左移动2j个位置,设置j=0。
(c)将j+1赋值给j;
其中,矩阵每行第一个元素为每行元素的和;*表示这些值与之后的计算无关。
将第一拉格朗日密文ct3进行旋转操作和求和,过程如下:
(a)旋转操作:将第一拉格朗日密文ct3中元素按序向左移动2j个位置,初始j=log2 m。
(c)将j+1赋值给j;
(5)通过近似求逆方法和近似求sign[x]方法,对核函数密文ct4进行计算,得到分类密文ctfinal。
(6)云端服务器将分类密文ctfinal返回给客户端,客户端对分类密文ctfinal进行解密,得到图片分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022856.4A CN111291781B (zh) | 2020-01-09 | 2020-01-09 | 基于支持向量机的加密图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022856.4A CN111291781B (zh) | 2020-01-09 | 2020-01-09 | 基于支持向量机的加密图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291781A true CN111291781A (zh) | 2020-06-16 |
CN111291781B CN111291781B (zh) | 2022-05-27 |
Family
ID=71019932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010022856.4A Active CN111291781B (zh) | 2020-01-09 | 2020-01-09 | 基于支持向量机的加密图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291781B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112800467A (zh) * | 2021-02-18 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 基于数据隐私保护的在线模型训练方法、装置以及设备 |
WO2022150010A1 (en) * | 2021-01-08 | 2022-07-14 | Agency For Science, Technology And Research | Method and system for privacy-preserving logistic regression training based on homomorphically encrypted ciphertexts |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007281571A (ja) * | 2006-04-03 | 2007-10-25 | Fuji Xerox Co Ltd | 画像処理装置及びそのプログラム |
CN106952212A (zh) * | 2017-03-14 | 2017-07-14 | 电子科技大学 | 一种基于向量同态加密的hog 图像特征提取算法 |
CN108521326A (zh) * | 2018-04-10 | 2018-09-11 | 电子科技大学 | 一种基于向量同态加密的隐私保护的线性svm模型训练算法 |
CN110309674A (zh) * | 2019-07-04 | 2019-10-08 | 浙江理工大学 | 一种基于全同态加密的排序方法 |
CN110324135A (zh) * | 2019-07-04 | 2019-10-11 | 浙江理工大学 | 一种基于云计算的同态加密矩阵行列式安全外包方法 |
-
2020
- 2020-01-09 CN CN202010022856.4A patent/CN111291781B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007281571A (ja) * | 2006-04-03 | 2007-10-25 | Fuji Xerox Co Ltd | 画像処理装置及びそのプログラム |
CN106952212A (zh) * | 2017-03-14 | 2017-07-14 | 电子科技大学 | 一种基于向量同态加密的hog 图像特征提取算法 |
CN108521326A (zh) * | 2018-04-10 | 2018-09-11 | 电子科技大学 | 一种基于向量同态加密的隐私保护的线性svm模型训练算法 |
CN110309674A (zh) * | 2019-07-04 | 2019-10-08 | 浙江理工大学 | 一种基于全同态加密的排序方法 |
CN110324135A (zh) * | 2019-07-04 | 2019-10-11 | 浙江理工大学 | 一种基于云计算的同态加密矩阵行列式安全外包方法 |
Non-Patent Citations (6)
Title |
---|
ANTHONY BARNETT ET AL.: "Image Classification using non-linear Support Vector Machines on Encrypted Data", 《HTTPS://EPRINT.IACR.ORG/2017/857》 * |
HONGCHAO ZHOU ET AL.: "Efficient Homomorphic Encryption on Integer Vectors and Its Applications", 《2010 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS》 * |
HWANJO YU ET AL.: "Privacy-Preserving SVM using Nonlinear Kernels on Horizontally Partitioned Data", 《PROCEEDINGS OF THE 2006 ACM SYMPOSIUM ON APPLIED COMPUTING》 * |
MS. PRADNYA CHAVARKAR ET AL.: "Classification of Secured Encrypted Relational Data over Cloud by Using SVM", 《INTERNATIONAL JOURNAL ON RECENT AND INNOVATION TRENDS IN COMPUTING AND COMMUNICATION》 * |
YOGACHANDRAN RAHULAMATHAVAN ET AL.: "Privacy-Preserving Multi-Class Support Vector Machine for Outsourcing the Data Classification in Cloud", 《IEEE TRANSACTIONS ON DEPENDABLE AND SECURE COMPUTING》 * |
王鹏英 等: "基于加权特征筛选的入侵检测系统", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2022150010A1 (en) * | 2021-01-08 | 2022-07-14 | Agency For Science, Technology And Research | Method and system for privacy-preserving logistic regression training based on homomorphically encrypted ciphertexts |
CN112800467A (zh) * | 2021-02-18 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 基于数据隐私保护的在线模型训练方法、装置以及设备 |
CN112800467B (zh) * | 2021-02-18 | 2022-08-26 | 支付宝(杭州)信息技术有限公司 | 基于数据隐私保护的在线模型训练方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111291781B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291781B (zh) | 基于支持向量机的加密图像分类方法 | |
Yang et al. | A comprehensive survey on secure outsourced computation and its applications | |
CN107145791B (zh) | 一种具有隐私保护的K-means聚类方法及系统 | |
CN112182649A (zh) | 一种基于安全两方计算线性回归算法的数据隐私保护系统 | |
Song et al. | Quantum video encryption based on qubit-planes controlled-XOR operations and improved logistic map | |
Liu et al. | Intelligent and secure content-based image retrieval for mobile users | |
CN109615021B (zh) | 一种基于k均值聚类的隐私信息保护方法 | |
CN112395643A (zh) | 一种神经网络的数据隐私保护方法及系统 | |
CN111222645B (zh) | 基于物联网区块链量子算法人工智能的管理系统及方法 | |
CN110445797B (zh) | 一种具有隐私保护的两方多维数据比较方法和系统 | |
CN114093001A (zh) | 一种保护隐私安全的人脸识别方法 | |
CN112052466B (zh) | 基于多方安全计算协议的支持向量机用户数据预测方法 | |
CN111064558B (zh) | 一种基于云计算的同态加密矩阵连乘安全外包方法 | |
Zeroual et al. | Lightweight deep learning model to secure authentication in Mobile Cloud Computing | |
Pramkaew et al. | Lightweight scheme of secure outsourcing SVD of a large matrix on cloud | |
Bentafat et al. | Towards real-time privacy-preserving video surveillance | |
CN115102699A (zh) | 数据安全去重及数据恢复方法、系统、介质、设备及终端 | |
Yang et al. | Accurate image-based pedestrian detection with privacy preservation | |
Szikora et al. | The end of encryption?–The era of quantum computers | |
CN117131520A (zh) | 基于动态掩膜和生成恢复的两阶段图像隐私保护方法与系统 | |
Hamza et al. | Privacy-preserving deep learning techniques for wearable sensor-based Big Data applications | |
CN116094686B (zh) | 用于量子卷积计算的同态加密方法、系统、设备及终端 | |
Bai et al. | CryptoMask: Privacy-preserving Face Recognition | |
CN109409111B (zh) | 一种面向加密图像的模糊搜索方法 | |
Jin et al. | Efficient blind face recognition in the cloud |
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 |