CN111310734A - 保护用户隐私的人脸识别方法和装置 - Google Patents

保护用户隐私的人脸识别方法和装置 Download PDF

Info

Publication number
CN111310734A
CN111310734A CN202010197393.5A CN202010197393A CN111310734A CN 111310734 A CN111310734 A CN 111310734A CN 202010197393 A CN202010197393 A CN 202010197393A CN 111310734 A CN111310734 A CN 111310734A
Authority
CN
China
Prior art keywords
feature map
encryption
multiple channels
feature
branch
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
CN202010197393.5A
Other languages
English (en)
Inventor
杨成平
赵凯
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010197393.5A priority Critical patent/CN111310734A/zh
Publication of CN111310734A publication Critical patent/CN111310734A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioethics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本说明书实施例提供一种保护用户隐私的人脸识别方法和装置，方法包括：第一设备获取人脸图片；所述第一设备利用加密模型，通过卷积处理的方式，将所述人脸图片加密为多通道的第一特征图；所述第一设备对所述第一特征图至少进行压缩处理，得到第二特征图；所述第一设备存储或传输所述第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。能够在不影响人脸识别准确性的基础上，防止隐私泄露。

Description

保护用户隐私的人脸识别方法和装置
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及保护用户隐私的人脸识别方法和装置。
背景技术
人脸识别技术，为基于人体面部特征，进行身份认证的技术。人脸识别技术近年来飞速发展，在很多领域获得了广泛应用。然而，其技术原理决定了人脸图片必须传输给识别方，人脸图片中包含的人脸及所处环境信息存在隐私泄露风险。
发明内容
本说明书一个或多个实施例描述了一种保护用户隐私的人脸识别方法和装置，能够在不影响人脸识别准确性的基础上，防止隐私泄露。
第一方面，提供了一种保护用户隐私的人脸识别方法，方法包括：
第一设备获取人脸图片；
所述第一设备利用加密模型，通过卷积处理的方式，将所述人脸图片加密为多通道的第一特征图；
所述第一设备对所述第一特征图至少进行压缩处理，得到第二特征图；
所述第一设备存储或传输所述第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。
在一种可能的实施方式中，所述加密模型包括：卷积层和池化层；
所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的第一特征图。
在一种可能的实施方式中，所述加密模型包括：卷积层、池化层和归一化层；
所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的中间特征图；
所述归一化层对所述多通道的中间特征图进行归一化和量化处理，得到所述多通道的第一特征图。
在一种可能的实施方式中，所述加密模型包括：多个加密分支和混淆加密网络；
所述将所述人脸图片加密为多通道的第一特征图，包括：
将所述人脸图片引入不同分布的随机噪声后分别输入各加密分支，各加密分支采用卷积处理的方式，输出多通道的各分支特征图；
将多通道的各分支特征图输入所述混淆加密网络，通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，生成所述多通道的第一特征图。
进一步地，所述通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，包括：
通过所述混淆加密网络对所述多通道的各分支特征图进行加权求和，其中，各分支特征图的权重通过学习得到。
在一种可能的实施方式中，所述第一特征图和/或所述第二特征图为通道、宽、高三个维度组成的三维矩阵。
在一种可能的实施方式中，所述加密模型中包含了丢尺度的操作；
所述第一设备对所述第一特征图至少进行压缩处理，得到第二特征图，包括：
所述第一设备对所述第一特征图先进行压缩处理，再进行找回尺度的操作，得到所述第二特征图。
在一种可能的实施方式中，所述识别模型包括卷积神经网络(convolutionalneural networks，CNN)。
第二方面，提供了一种保护用户隐私的人脸识别装置，所述装置设置于第一设备，装置包括：
获取单元，用于获取人脸图片；
加密单元，用于利用加密模型，通过卷积处理的方式，将所述获取单元获取的人脸图片加密为多通道的第一特征图；
压缩单元，用于对所述加密单元得到的第一特征图至少进行压缩处理，得到第二特征图；
识别单元，用于存储或传输所述压缩单元得到的第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，第一设备首先获取人脸图片，然后利用加密模型，通过卷积处理的方式，将所述人脸图片加密为多通道的第一特征图，接着对所述第一特征图至少进行压缩处理，得到第二特征图，最后存储或传输所述第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。由上可见，本说明书实施例中，通过卷积处理的方式，得到的特征图破坏了视觉效果，具备加密意义，加密前后为一对多的关系，一张人脸图片被加密成为多通道的特征图，单个通道的特征图不具有视觉可解释性，可以隔离传输或存储防止攻击风险；并且，特征图无需解密就可以直接作为识别模型的输入，能够在不影响人脸识别准确性的基础上，防止隐私泄露。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的保护用户隐私的人脸识别方法流程图；
图3示出根据一个实施例的混淆加密示意图；
图4示出根据一个实施例的保护用户隐私的人脸识别装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及保护用户隐私的人脸识别。可以理解的是，如果人脸图片未经任何处理就传输给识别方，那么人脸图片中包含的人脸及所处环境信息存在隐私泄露风险，因此想到将人脸图片加密后再传输给识别方。
目前计算机领域的加密方案，无论是对称加密算法、非对称加密算法、哈希算法等这类获得广泛应用的经典加密算法，还是近年来再次出现研究热潮的同态加密算法，因其加密过程破坏了人脸图片中二维空间的可解释性，故其加密后的密文均无法直接应用于人脸识别。若对密文再次解密后再进行人脸识别，则其解密后的信息仍具备隐私泄漏风险。
参照图1，本说明书实施例中，第一设备中的加密模型通过卷积处理的方式，将人脸图片11转换为多通道的特征图12，得到的特征图破坏了视觉效果，具备加密意义，加密前后为一对多的关系，一张人脸图片被加密成为多通道的特征图，单个通道的特征图不具有视觉可解释性，可以隔离传输或存储防止攻击风险；并且，特征图无需解密就可以直接作为第二设备中的识别模型的输入，能够在不影响人脸识别准确性的基础上，防止隐私泄露。
本说明书实施例中的识别模型可以为深度学习模型，通过深度神经网络，学习样本数据集的内在规律和表征，使机器模仿视听和思考等人类活动。人脸识别，基于人体面部特征进行身份认证。深度学习技术是当前人脸识别方案的主流技术基础，它通常将人脸二维图像映射到一维向量，以向量相似度衡量人脸的身份相似度。特征图，深度学习模型中的一种特征表示方式，通常是结构为通道、宽、高三个维度组成的三维矩阵。
图2示出根据一个实施例的保护用户隐私的人脸识别方法流程图，该方法可以基于图1所示的实施场景，主要描述了第一设备的处理过程。如图2所示，该实施例中保护用户隐私的人脸识别方法包括以下步骤：步骤21，第一设备获取人脸图片；步骤22，第一设备利用加密模型，通过卷积处理的方式，将所述人脸图片加密为多通道的第一特征图；步骤23，第一设备对所述第一特征图至少进行压缩处理，得到第二特征图；步骤24，第一设备存储或传输所述第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。下面描述以上各个步骤的具体执行方式。
首先在步骤21，第一设备获取人脸图片。可以理解的是，第一设备为图像采集设备，例如，带有摄像头的手机，或特定场所的监控设备等。
其中，上述人脸图片中不限于包括人脸图像，还可以包括场所等环境信息。
然后在步骤22，第一设备利用加密模型，通过卷积处理的方式，将所述人脸图片加密为多通道的第一特征图。可以理解的是，上述加密与通常意义上的加密不同，是通过卷积处理的方式实现的，由于特征图破坏了视觉效果，天然具备加密意义。
在一个示例中，所述第一特征图为通道、宽、高三个维度组成的三维矩阵。上述多通道的具体数目可以为数百量级，例如256通道。
在一个示例中，所述加密模型包括：卷积层和池化层；
所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的第一特征图。
在另一个示例中，所述加密模型包括：卷积层、池化层和归一化层；
所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的中间特征图；
所述归一化层对所述多通道的中间特征图进行归一化和量化处理，得到所述多通道的第一特征图。
该示例中，通过尺度归一化、量化等操作进行脱敏，所得结果作为密文，仍为多通道的特征图，仍具备空间信息，可直接应用于基于深度学习的识别模型，可以避免直接应用原始特征图具有的隐私泄漏风险，安全性更高。
在一个示例中，所述加密模型包括：多个加密分支和混淆加密网络；
所述将所述人脸图片加密为多通道的第一特征图，包括：
将所述人脸图片引入不同分布的随机噪声后分别输入各加密分支，各加密分支采用卷积处理的方式，输出多通道的各分支特征图；
将多通道的各分支特征图输入所述混淆加密网络，通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，生成所述多通道的第一特征图。
该示例中，可以在混淆加密网络中进行归一化和量化处理，归一化和量化处理可以认为是丢尺度的操作。例如，归一化和量化处理为int8类型。
进一步地，可以通过所述混淆加密网络对所述多通道的各分支特征图进行加权求和，其中，各分支特征图的权重通过学习得到。
图3示出根据一个实施例的混淆加密示意图。参照图3，人脸图片中引入随机噪声1得到带有噪声的图片1，人脸图片中引入随机噪声2得到带有噪声的图片2，人脸图片中引入随机噪声3得到带有噪声的图片3；将图片1输入加密分支1得到分支特征图1，将图片2输入加密分支2得到分支特征图2，将图片3输入加密分支3得到分支特征图3；将分支特征图1、分支特征图2和分支特征图3输入混淆加密网络，通过混淆加密网络输出加密后的特征图。可以理解的是，该加密后的特征图可以相当于前述多通道的第一特征图。
该示例中的加密模块引入了随机噪声，使得所得密文理论上只能反解出含随机噪声的原始信息，可以充分应对大规模泄漏带来的普遍隐私风险。异构多分支设计，不仅让加密模块可提取到不同分支间共有的身份信息，还增强了模型识别效果。总之，加密过程在不影响大规模人脸识别准确性的基础上，进行了充分的隐私脱敏。
接着在步骤23，第一设备对所述第一特征图至少进行压缩处理，得到第二特征图。可以理解的是，上述压缩处理不仅减小了第一特征图的数据量，又进一步对人脸信息进行了脱敏。
在一个示例中，步骤22的加密模型中包含了丢尺度的操作；所述第一设备对所述第一特征图先进行压缩处理，再进行找回尺度的操作，得到所述第二特征图。
该示例中，特征图在压缩前后分别进行了丢尺度的操作(drop scale)和重新找回尺度信息的操作(re-scale)，且尺度相关操作被切分在两个部分，分别在模型运算和业务逻辑代码中进行，双重保障了脱敏逻辑的安全性，隔离运算进一步减弱了被攻击风险。
最后在步骤24，第一设备存储或传输所述第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。可以理解的是，第二设备无需对第二特征图进行解密，可以直接根据所述第二特征图进行人脸识别。
在一个示例中，所述第二特征图为通道、宽、高三个维度组成的三维矩阵。
在一个示例中，所述识别模型包括卷积神经网络(convolutional neuralnetworks，CNN)。
在一个示例中，所述利用第二设备中的识别模型根据所述第二特征图进行人脸识别，包括：
利用第二设备中的识别模型将所述第二特征图映射到一维的第一特征向量；
确定所述第一特征向量与目标图片对应的第二特征向量之间的向量相似度；
根据所述向量相似度，判断所述人脸图片与所述目标图片是否身份一致。
通常地，基于深度学习技术的人脸识别流程通常为：将二维人脸图片输入人脸识别模型，通过人脸识别模型输出人脸特征向量。实际技术应用中，技术运营需要人脸图片传输，人脸识别模型的升级迭代也需要人脸图片的积累存储，均带来了图片泄漏的隐私风险。本说明书实施例提供的方法，将人脸识别模型拆分为加密模型和识别模型两部分，能够在不影响人脸识别准确性的基础上，防止隐私泄露。
本说明书实施例提供的方法，在采集设备端为采集图像引入随机噪声，通过复杂非线性变换将具备隐私信息的图像转换为不可解析的脱敏数据。无论是采集设备被外部破解，还是接收脱敏数据的技术运营方，均难以恢复出原始图像，极大保障了用户隐私。同时，脱敏数据仍具有用于身份识别模型的能力，仍可以支撑人脸识别运营及人脸识别模型的迭代升级。
根据另一方面的实施例，还提供一种保护用户隐私的人脸识别装置，该述装置设置于第一设备，用于执行本说明书实施例提供的保护用户隐私的人脸识别方法。图4示出根据一个实施例的保护用户隐私的人脸识别装置的示意性框图。如图4所示，该装置400包括：
获取单元41，用于获取人脸图片；
加密单元42，用于利用加密模型，通过卷积处理的方式，将所述获取单元41获取的人脸图片加密为多通道的第一特征图；
压缩单元43，用于对所述加密单元42得到的第一特征图至少进行压缩处理，得到第二特征图；
识别单元44，用于存储或传输所述压缩单元43得到的第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。
可选地，作为一个实施例，所述加密模型包括：卷积层和池化层；
所述加密单元42，具体用于：
利用所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
利用所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的第一特征图。
可选地，作为一个实施例，所述加密模型包括：卷积层、池化层和归一化层；
所述加密单元42，具体用于：
利用所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
利用所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的中间特征图；
利用所述归一化层对所述多通道的中间特征图进行归一化和量化处理，得到所述多通道的第一特征图。
可选地，作为一个实施例，所述加密模型包括：多个加密分支和混淆加密网络；
所述加密单元42，具体包括：
加密子单元，用于将所述人脸图片引入不同分布的随机噪声后分别输入各加密分支，各加密分支采用卷积处理的方式，输出多通道的各分支特征图；
融合子单元，用于将多通道的各分支特征图输入所述混淆加密网络，通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，生成所述多通道的第一特征图。
进一步地，所述融合子单元，具体用于通过所述混淆加密网络对所述多通道的各分支特征图进行加权求和，其中，各分支特征图的权重通过学习得到。
可选地，作为一个实施例，所述第一特征图和/或所述第二特征图为通道、宽、高三个维度组成的三维矩阵。
可选地，作为一个实施例，所述加密模型中包含了丢尺度的操作；
所述压缩单元43，具体用于对所述第一特征图先进行压缩处理，再进行找回尺度的操作，得到所述第二特征图。
可选地，作为一个实施例，所述识别模型包括卷积神经网络CNN。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.一种保护用户隐私的人脸识别方法，所述方法包括：
第一设备获取人脸图片；
所述第一设备利用加密模型，通过卷积处理的方式，将所述人脸图片加密为多通道的第一特征图；
所述第一设备对所述第一特征图至少进行压缩处理，得到第二特征图；
所述第一设备存储或传输所述第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。
2.如权利要求1所述的方法，其中，所述加密模型包括：卷积层和池化层；
所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的第一特征图。
3.如权利要求1所述的方法，其中，所述加密模型包括：卷积层、池化层和归一化层；
所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的中间特征图；
所述归一化层对所述多通道的中间特征图进行归一化和量化处理，得到所述多通道的第一特征图。
4.如权利要求1所述的方法，其中，所述加密模型包括：多个加密分支和混淆加密网络；
所述将所述人脸图片加密为多通道的第一特征图，包括：
将所述人脸图片引入不同分布的随机噪声后分别输入各加密分支，各加密分支采用卷积处理的方式，输出多通道的各分支特征图；
将多通道的各分支特征图输入所述混淆加密网络，通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，生成所述多通道的第一特征图。
5.如权利要求4所述的方法，其中，所述通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，包括：
通过所述混淆加密网络对所述多通道的各分支特征图进行加权求和，其中，各分支特征图的权重通过学习得到。
6.如权利要求1所述的方法，其中，所述第一特征图和/或所述第二特征图为通道、宽、高三个维度组成的三维矩阵。
7.如权利要求1所述的方法，其中，所述加密模型中包含了丢尺度的操作；
所述第一设备对所述第一特征图至少进行压缩处理，得到第二特征图，包括：
所述第一设备对所述第一特征图先进行压缩处理，再进行找回尺度的操作，得到所述第二特征图。
8.如权利要求1所述的方法，其中，所述识别模型包括卷积神经网络CNN。
9.一种保护用户隐私的人脸识别装置，所述装置设置于第一设备，所述装置包括：
获取单元，用于获取人脸图片；
加密单元，用于利用加密模型，通过卷积处理的方式，将所述获取单元获取的人脸图片加密为多通道的第一特征图；
压缩单元，用于对所述加密单元得到的第一特征图至少进行压缩处理，得到第二特征图；
识别单元，用于存储或传输所述压缩单元得到的第二特征图，以利用第二设备中的识别模型根据所述第二特征图进行人脸识别。
10.如权利要求9所述的装置，其中，所述加密模型包括：卷积层和池化层；
所述加密单元，具体用于：
利用所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
利用所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的第一特征图。
11.如权利要求9所述的装置，其中，所述加密模型包括：卷积层、池化层和归一化层；
所述加密单元，具体用于：
利用所述卷积层使用卷积核进行特征提取和特征映射，并通过非线性映射得到多通道的初始特征图；
利用所述池化层对所述多通道的初始特征图进行降维操作，得到所述多通道的中间特征图；
利用所述归一化层对所述多通道的中间特征图进行归一化和量化处理，得到所述多通道的第一特征图。
12.如权利要求9所述的装置，其中，所述加密模型包括：多个加密分支和混淆加密网络；
所述加密单元，具体包括：
加密子单元，用于将所述人脸图片引入不同分布的随机噪声后分别输入各加密分支，各加密分支采用卷积处理的方式，输出多通道的各分支特征图；
融合子单元，用于将多通道的各分支特征图输入所述混淆加密网络，通过所述混淆加密网络对所述多通道的各分支特征图进行混淆融合，生成所述多通道的第一特征图。
13.如权利要求12所述的装置，其中，所述融合子单元，具体用于通过所述混淆加密网络对所述多通道的各分支特征图进行加权求和，其中，各分支特征图的权重通过学习得到。
14.如权利要求9所述的装置，其中，所述第一特征图和/或所述第二特征图为通道、宽、高三个维度组成的三维矩阵。
15.如权利要求9所述的装置，其中，所述加密模型中包含了丢尺度的操作；
所述压缩单元，具体用于对所述第一特征图先进行压缩处理，再进行找回尺度的操作，得到所述第二特征图。
16.如权利要求9所述的装置，其中，所述识别模型包括卷积神经网络CNN。
17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。
18.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项的所述的方法。
CN202010197393.5A 2020-03-19 2020-03-19 保护用户隐私的人脸识别方法和装置 Pending CN111310734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197393.5A CN111310734A (zh) 2020-03-19 2020-03-19 保护用户隐私的人脸识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197393.5A CN111310734A (zh) 2020-03-19 2020-03-19 保护用户隐私的人脸识别方法和装置

Publications (1)

Publication Number Publication Date
CN111310734A true CN111310734A (zh) 2020-06-19

Family

ID=71145846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197393.5A Pending CN111310734A (zh) 2020-03-19 2020-03-19 保护用户隐私的人脸识别方法和装置

Country Status (1)

Country Link
CN (1) CN111310734A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783965A (zh) * 2020-08-14 2020-10-16 支付宝(杭州)信息技术有限公司 用于生物特征识别的方法、装置、系统及电子设备
CN111783146A (zh) * 2020-09-04 2020-10-16 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置和电子设备
CN111814194A (zh) * 2020-09-04 2020-10-23 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置和电子设备
CN112052834A (zh) * 2020-09-29 2020-12-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的面部识别方法、装置及设备
CN113343295A (zh) * 2021-06-07 2021-09-03 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置、设备和存储介质
CN113673374A (zh) * 2021-08-03 2021-11-19 支付宝(杭州)信息技术有限公司 一种面部识别方法、装置及设备
WO2021258284A1 (en) * 2020-06-23 2021-12-30 Alibaba Group Holding Limited Edge processing data de-identification
WO2022187991A1 (zh) * 2021-03-08 2022-09-15 深圳市欢太科技有限公司 图像处理方法、图像处理装置、电子设备及存储介质
WO2023051377A1 (zh) * 2021-09-30 2023-04-06 北京地平线信息技术有限公司 图像数据的脱敏方法和装置
CN116055651A (zh) * 2023-01-06 2023-05-02 广东电网有限责任公司 多中心能源经济数据的共享访问方法、装置、设备及介质
CN116524569A (zh) * 2023-05-10 2023-08-01 深圳大器时代科技有限公司 一种基于归类算法的多并发人脸识别系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108615010A (zh) * 2018-04-24 2018-10-02 重庆邮电大学 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN108776790A (zh) * 2018-06-06 2018-11-09 海南大学 云环境下基于神经网络的加密人脸识别方法
CN108921042A (zh) * 2018-06-06 2018-11-30 四川大学 一种基于深度学习的人脸序列表情识别方法
CN109145829A (zh) * 2018-08-24 2019-01-04 中共中央办公厅电子科技学院 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
CN110503697A (zh) * 2019-08-14 2019-11-26 江苏海洋大学 一种基于随机噪声机制的虹膜特征隐藏方法
CN110543901A (zh) * 2019-08-22 2019-12-06 阿里巴巴集团控股有限公司 图像识别方法、装置及设备
CN110569967A (zh) * 2019-09-11 2019-12-13 山东浪潮人工智能研究院有限公司 一种基于算术编码的神经网络模型压缩加密方法及系统
CN110633650A (zh) * 2019-08-22 2019-12-31 首都师范大学 基于隐私保护的卷积神经网络人脸识别方法及装置
CN110728179A (zh) * 2019-09-04 2020-01-24 天津大学 一种采用多路卷积神经网络的猪脸识别方法
CN110750801A (zh) * 2019-10-11 2020-02-04 矩阵元技术（深圳）有限公司 数据处理方法、装置、计算机设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108615010A (zh) * 2018-04-24 2018-10-02 重庆邮电大学 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN108776790A (zh) * 2018-06-06 2018-11-09 海南大学 云环境下基于神经网络的加密人脸识别方法
CN108921042A (zh) * 2018-06-06 2018-11-30 四川大学 一种基于深度学习的人脸序列表情识别方法
CN109145829A (zh) * 2018-08-24 2019-01-04 中共中央办公厅电子科技学院 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
CN110503697A (zh) * 2019-08-14 2019-11-26 江苏海洋大学 一种基于随机噪声机制的虹膜特征隐藏方法
CN110543901A (zh) * 2019-08-22 2019-12-06 阿里巴巴集团控股有限公司 图像识别方法、装置及设备
CN110633650A (zh) * 2019-08-22 2019-12-31 首都师范大学 基于隐私保护的卷积神经网络人脸识别方法及装置
CN110728179A (zh) * 2019-09-04 2020-01-24 天津大学 一种采用多路卷积神经网络的猪脸识别方法
CN110569967A (zh) * 2019-09-11 2019-12-13 山东浪潮人工智能研究院有限公司 一种基于算术编码的神经网络模型压缩加密方法及系统
CN110750801A (zh) * 2019-10-11 2020-02-04 矩阵元技术（深圳）有限公司 数据处理方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ESSAM ABDELLATEF 等: "Cancelable fusion-based face recognition", 《MULTIMEDIA TOOLS AND APPLICATIONS》 *
SEYED ALI OSIA 等: "A Hybrid Deep Learning Architecture for Privacy-Preserving Mobile Analytics", 《ARXIV:1703.02952V7 [CS.LG]》 *
高子翔 等: "基于自适应池化的双路卷积神经网络图像分类算法", 《计算机工程与设计》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021258284A1 (en) * 2020-06-23 2021-12-30 Alibaba Group Holding Limited Edge processing data de-identification
CN111783965A (zh) * 2020-08-14 2020-10-16 支付宝(杭州)信息技术有限公司 用于生物特征识别的方法、装置、系统及电子设备
CN111783146A (zh) * 2020-09-04 2020-10-16 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置和电子设备
CN111814194A (zh) * 2020-09-04 2020-10-23 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置和电子设备
CN111783146B (zh) * 2020-09-04 2021-02-12 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置和电子设备
CN112052834B (zh) * 2020-09-29 2022-04-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的面部识别方法、装置及设备
CN112052834A (zh) * 2020-09-29 2020-12-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的面部识别方法、装置及设备
WO2022187991A1 (zh) * 2021-03-08 2022-09-15 深圳市欢太科技有限公司 图像处理方法、图像处理装置、电子设备及存储介质
CN113343295A (zh) * 2021-06-07 2021-09-03 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置、设备和存储介质
CN113343295B (zh) * 2021-06-07 2023-01-24 支付宝(杭州)信息技术有限公司 基于隐私保护的图像处理方法、装置、设备和存储介质
CN113673374A (zh) * 2021-08-03 2021-11-19 支付宝(杭州)信息技术有限公司 一种面部识别方法、装置及设备
CN113673374B (zh) * 2021-08-03 2024-01-30 支付宝(杭州)信息技术有限公司 一种面部识别方法、装置及设备
WO2023051377A1 (zh) * 2021-09-30 2023-04-06 北京地平线信息技术有限公司 图像数据的脱敏方法和装置
CN116055651A (zh) * 2023-01-06 2023-05-02 广东电网有限责任公司 多中心能源经济数据的共享访问方法、装置、设备及介质
CN116055651B (zh) * 2023-01-06 2023-11-10 广东电网有限责任公司 多中心能源经济数据的共享访问方法、装置、设备及介质
CN116524569A (zh) * 2023-05-10 2023-08-01 深圳大器时代科技有限公司 一种基于归类算法的多并发人脸识别系统及方法

Similar Documents

Publication Publication Date Title
CN111310734A (zh) 保护用户隐私的人脸识别方法和装置
US10374789B2 (en) Encrypting and decrypting information
JP7060619B2 (ja) バイオメトリック識別システムおよび方法
US9787647B2 (en) Secure computer evaluation of decision trees
CN110750801B (zh) 数据处理方法、装置、计算机设备和存储介质
Gomez-Barrero et al. Privacy-preserving comparison of variable-length data with application to biometric template protection
CN110765473A (zh) 数据处理方法、装置、计算机设备和存储介质
US10083194B2 (en) Process for obtaining candidate data from a remote storage server for comparison to a data to be identified
CN110807528A (zh) 特征相关性计算方法、设备及计算机可读存储介质
CN112766495A (zh) 一种基于混合环境的深度学习模型隐私保护方法及装置
CN112948883B (zh) 保护隐私数据的多方联合建模的方法、装置和系统
Katuk et al. An Enhanced Block Pre-processing of PRESENT Algorithm for Fingerprint Template Encryption in the Internet of Things Environment
CN115914488A (zh) 医学图像身份混淆共享方法、系统、终端设备及存储介质
KR102038217B1 (ko) 경량암호 알고리즘 기반의 스마트 기기 내의 개인정보 및 콘텐츠 암복호화를 통한 정보 보안 시스템, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
CN113645183B (zh) 数据加密传输方法、系统、计算机设备及存储介质
CN113032802B (zh) 一种数据安全存储方法及系统
CN115114667A (zh) 一种安全芯片的隐私信息处理分类方法及装置
CN111475690B (zh) 字符串的匹配方法和装置、数据检测方法、服务器
US20210073396A1 (en) System and Method for Secure Image Embeddings
CN115001652A (zh) 一种基于隐私保护的图像比对方法及装置
CN113946858A (zh) 一种基于数据隐私计算的身份安全认证方法及系统
CN111159737A (zh) 一种基于sgx的图像数据保护方法、装置、设备和存储介质
Chouragade et al. A Survey on Privacy Preserving Content Based Image Retrieval and Information Sharing in Cloud Environment
CN117978446A (zh) 芯片通信传输加密方法、装置、计算机设备、存储介质
CN117240565A (zh) 数据加密方法、数据解密方法、装置和计算机设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619

RJ01 Rejection of invention patent application after publication