CN111753275A - 基于图像的用户隐私保护方法、装置、设备和存储介质 - Google Patents
基于图像的用户隐私保护方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111753275A CN111753275A CN202010501983.2A CN202010501983A CN111753275A CN 111753275 A CN111753275 A CN 111753275A CN 202010501983 A CN202010501983 A CN 202010501983A CN 111753275 A CN111753275 A CN 111753275A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- biological characteristic
- specific category
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 230000002452 interceptive effect Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 10
- 230000001351 cycling effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书一个实施例提了一种基于图像的用户隐私保护方法、装置、设备和存储介质,其中方法包括:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,用于干扰用户生物特征识别,防止个人信息泄露。
Description
技术领域
本文件涉及图像处理领域,尤其涉及一种基于图像的用户隐私保护方法、装置、设备和存储介质。
背景技术
目前,在诸如支付、考勤、出行等场景,基于用户生物特征的信息识别技术得到快速发展。以支付场景为例,基于用户生物特征,比如人脸特征或指纹特征,可以识别得到用户的个人信息,从而进行支付。然而,基于用户生物特征的信息识别技术的快速发展也为用户的隐私保护带来极大挑战,用户生物特征图像的传输、处理、存储等多个步骤都存在图像泄露的风险,若用户生物特征图像被非法份子获取,则非法份子很有可能基于黑产的数据库匹配得到用户的个人信息,导致用户隐私泄露。
基于此,有必要提出一种技术方案,以在用户生物特征图像广泛应用的情况下,保护用户的隐私不被泄露。
发明内容
本说明书一个实施例的目的是提供一种基于图像的用户隐私保护方法、装置、设备和存储介质,以在用户生物特征图像广泛应用的情况下,保护用户的隐私不被泄露。
为达到上述技术目的,本说明书一个实施例是这样实现的:
本说明书一个实施例提供了一种基于图像的用户隐私保护方法,包括:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声。对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种基于图像的用户隐私保护方法,应用于图像采集设备,包括:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取服务器下发的该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板由服务器基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器。叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种基于图像的用户隐私保护装置,包括:第一获取模块,获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。第二获取模块,获取该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。第一叠加模块,将上述用户生物特征图像与上述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声。对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种基于图像的用户隐私保护装置,应用于图像采集设备,包括:第三获取模块,获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。第四获取模块,获取服务器下发的该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板由服务器基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。第二叠加模块,将上述用户生物特征图像与上述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器。叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种基于图像的用户隐私保护设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声。对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种基于图像的用户隐私保护设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取服务器下发的该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板由服务器基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器。叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声。对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
本说明书一个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现:获取待进行隐私保护的用户生物特征图像。该用户生物特征图像中包括特定类别的用户生物特征。该用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。获取服务器下发的该特定类别的用户生物特征对应的对抗噪声模板。该对抗噪声模板由服务器基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。将上述用户生物特征图像与上述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器。叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
附图说明
为了更清楚地说明本说明书一个或多个实施例中的技术方案,下面将对实施例或现有技术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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一实施例提供的基于图像的用户隐私保护方法的场景示意图;
图2为本说明书一实施例提供的基于图像的用户隐私保护方法的流程示意图;
图3为本说明书另一实施例提供的基于图像的用户隐私保护方法的流程示意图;
图4为本说明书另一实施例提供的基于图像的用户隐私保护方法的流程示意图;
图5为本说明书一实施例提供的基于图像的用户隐私保护装置的模块组成示意图;
图6为本说明书另一实施例提供的基于图像的用户隐私保护装置的模块组成示意图;
图7为本说明书一实施例提供的基于图像的用户隐私保护设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
本说明书一个实施例的目的是提供一种基于图像的用户隐私保护方法、装置、设备和存储介质,以在用户生物特征图像广泛应用的情况下,保护用户的隐私不被泄露。
相关名词解释:
对抗噪声:对抗噪声指在图像上添加不影响视觉外观的加性噪声,在不影响人的视觉感知的条件下,对图像识别算法所依赖的图像信息进行干扰,使得图像识别失败。
图1为本说明书一实施例提供的基于图像的用户隐私保护方法的场景示意图,如图1所示,该场景包括图像采集设备100和服务器200。图像采集设备100可以采集待进行隐私保护的用户生物特征图像,比如,图像采集设备100为人脸识别设备,用于采集用户的人脸图像,该人脸图像即为待进行隐私保护的用户生物特征图像。又如,图像采集设备100为虹膜识别设备,用于采集用户的虹膜图像,该虹膜图像即为待进行隐私保护的用户生物特征图像。服务器200可以为设置于后台的服务器或服务器集群。
图1所示的场景中,在由图像采集设备100采集到待进行隐私保护的用户生物特征图像之后,图像采集设备100可以执行本实施例中的用户隐私保护方法,以对用户进行隐私保护,也可以将采集的图像传输至服务器200,由服务器200执行本实施例中的用户隐私保护方法,以对用户进行隐私保护。为避免在图像传输过程中发生图像泄露的情况,优选由图像采集设备100执行本实施例中的用户隐私保护方法,以对用户进行隐私保护。
图2为本说明书一实施例提供的基于图像的用户隐私保护方法的流程示意图,该流程可以应用于图像采集设备端,也可以应用于服务器端。如图2所示,该流程包括:
步骤S202,获取待进行隐私保护的用户生物特征图像;用户生物特征图像中包括特定类别的用户生物特征;用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
步骤S204,获取该特定类别的用户生物特征对应的对抗噪声模板;该对抗噪声模板基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
步骤S206,将上述用户生物特征图像与上述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
在本说明书一个实施例中,在获取到待进行隐私保护的用户生物特征图像之后,获取用户生物特征图像中包括的特定类别的用户生物特征对应的对抗噪声模板,并将上述用户生物特征图像与上述对抗噪声模板进行叠加。叠加后的用户生物特征图像中含有对抗噪声,该对抗噪声能够干扰用户生物特征的识别,以防止个人信息泄露,从而达到在用户生物特征图像广泛应用的情况下,保护用户的隐私不被泄露的效果。
当图2中的流程应用于图像采集设备端时,上述步骤S202中,由图像采集设备采集并获取待进行隐私保护的用户生物特征图像。当图2中的流程应用于服务器端时,上述步骤S202中,由图像采集设备采集待进行隐私保护的用户生物特征图像,并传输至服务器,从而服务器获取到待进行隐私保护的用户生物特征图像。
上述步骤S202中,用户生物特征图像中包括特定类别的用户生物特征。用户生物特征图像包括但不限于人脸图像、虹膜图像、指纹图像、掌纹图像、人体图像中的至少一种。相应地,特定类别的用户生物特征包括但不限于:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。用户生物特征图像通过特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息。
比如,特定类别的用户生物特征包括人脸特征,则,用户生物特征图像通过人脸识别模型识别后,能够得到用户的个人信息。又如,特定类别的用户生物特征包括指纹特征,则,用户生物特征图像通过指纹识别模型识别后,能够得到用户的个人信息。又如,特定类别的用户生物特征包括掌纹特征,则,用户生物特征图像通过掌纹识别模型识别后,能够得到用户的个人信息。其中,用户的个人信息包括但不限于用户的姓名、年龄、职业、身份证号、居住地址、银行卡号中的至少一种。
当图2中的流程应用于图像采集设备端时,上述步骤S204中,图像采集设备获取服务器预先训练并下发的特定类别的用户生物特征对应的对抗噪声模板,或者,图像采集设备预先训练特定类别的用户生物特征对应的对抗噪声模板。当图2中的流程应用于服务器端时,上述步骤S204中,服务器预先训练特定类别的用户生物特征对应的对抗噪声模板。
本实施例中,每种特定类别的用户生物特征对应一种对抗噪声模板。每种特定类别的用户生物特征对应的对抗噪声模板,基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。
以特定类别的用户生物特征包括人脸特征为例,人脸特征对应的对抗噪声模板,基于人脸特征对应的对抗样本图像、人脸特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。其中,人脸特征对应的对抗样本图像可以为通过各种方式采集到的人脸图像,人脸特征对应的生物特征识别模型可以为人脸识别模型,预设的对抗噪声模板生成算法可以为FGSM(Fast Gradient Sign Method,快速梯度下降)算法或者L1-SparseAttack算法。
以特定类别的用户生物特征包括虹膜特征为例,虹膜特征对应的对抗噪声模板,基于虹膜特征对应的对抗样本图像、虹膜特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成。其中,虹膜特征对应的对抗样本图像可以为通过各种方式采集到的虹膜图像,虹膜特征对应的生物特征识别模型可以为虹膜识别模型,预设的对抗噪声模板生成算法可以为FGSM算法或者L1-Sparse Attack算法。
本实施例中,每种特定类别的用户生物特征对应一种对抗噪声模板。步骤S204中,可以获取到各种特定类别的用户生物特征对应的对抗噪声模板,并从中查找到步骤S202中的特定类别的用户生物特征对应的对抗噪声模板。在获取到步骤S202中的特定类别的用户生物特征对应的对抗噪声模板之后,执行步骤S206,将用户生物特征图像与获取的对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
当步骤S206由图像采集设备执行时,图像采集设备可以将叠加后的图像发送至服务器进行存储。当步骤S206由服务器执行时,服务器可以将叠加后的图像进行存储。
由于本实施例中是直接在原图(既用户生物特征图像)中叠加对抗噪声,因此叠加后的图像依旧可以被人眼识别,且人眼直观看起来和原图无明显差别。并且,由于叠加后的图像中含有对抗噪声,因此叠加后的图像通过算法进行用户生物特征识别时,将无法识别或者识别失败,从而防止用户的个人信息遭到泄露。
在一个具体的场景中,图2中的方法由图像采集设备执行,图像采集设备在采集得到用户生物特征图像后,首先对用户生物特征进行识别,以完成支付、考勤、开门等功能。然后,图像采集设备通过图2中的方法,对用户生物特征图像进行叠加,并将叠加后的图像传输至服务器进行存储。该场景下,在保证完成用户识别后,将用户生物特征图像进行叠加,进而进行传输和存储,能够保证在用户生物特征图像传输、存储过程中不会泄露用户的个人信息,从而保护用户隐私安全。
本实施例中,每种特定类别的用户生物特征对应的对抗噪声模板均可以通过以下步骤训练得到:
(a1)获取特定类别的用户生物特征对应的多张对抗样本图像和特定类别的用户生物特征对应的生物特征识别模型,基于预设的对抗噪声模板生成算法、多张对抗样本图像和生物特征识别模型,生成特定类别的用户生物特征对应的可能噪声模板;
(a2)将可能噪声模板分别与各对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断可能噪声模板是否满足预设模板要求;
(a3)若满足,则将可能噪声模板确定为特定类别的用户生物特征对应的对抗噪声模板,否则,基于可能噪声模板生成多张新的对抗样本图像,并返回生成可能噪声模板的步骤重复执行,直至可能噪声模板满足预设模板要求。
上述动作(a1)中,生物特征识别模型可以是开源的或者预先训练好的模型。动作(a1)中,基于预设的对抗噪声模板生成算法、多张对抗样本图像和生物特征识别模型,生成特定类别的用户生物特征对应的可能噪声模板,具体包括:
(a11)将生物特征识别模型分别与各张对抗样本图像进行组合,得到各组样本数据;
(a12)通过预设的对抗噪声模板生成算法,分别对各组样本数据进行处理,得到各组样本数据对应的样本噪声模板;
(a13)对各组样本数据对应的样本噪声模板进行平均化处理,得到特定类别的用户生物特征对应的可能噪声模板。
具体地,首先,将生物特征识别模型分别与各张对抗样本图像进行组合,得到各组样本数据。样本数据的数量与对抗样本图像的数量相同,每组样本数据都包括生物特征识别模型的模型数据和一张对抗样本图像。
然后,通过预设的对抗噪声模板生成算法,分别对各组样本数据进行处理,得到各组样本数据对应的样本噪声模板。样本噪声模板的数量也与对抗样本图像的数量相同,每个对抗样本图像对应一个样本噪声模板。
最后,将每个样本噪声模板求平均,得到一个平均化模板,该平均化模板即为特定类别的用户生物特征对应的可能噪声模板。
上述动作(a2)中,可能噪声模板的数量为一个,将可能噪声模板分别与各对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断可能噪声模板是否满足预设模板要求。根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断可能噪声模板是否满足预设模板要求,具体为:
(a21)计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离;
(a22)若欧式距离的最大值小于预设阈值,则确定可能噪声模板满足预设模板要求,反之,确定可能噪声模板不满足预设模板要求。
具体地,每个叠加后的对抗样本图像都对应一张叠加前的对抗样本图像,分别计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离。在计算得到的M个欧式距离中选取最大值,M为对抗样本图像的数量。若该最大值小于预设阈值,则确定可能噪声模板满足预设模板要求,若该最大值大于等于预设阈值,确定可能噪声模板不满足预设模板要求。
上述动作(a3)中,若可能噪声模板满足预设模板要求,则将可能噪声模板确定为特定类别的用户生物特征对应的对抗噪声模板,否则,基于可能噪声模板生成多张新的对抗样本图像,并返回生成可能噪声模板的步骤重复执行,直至可能噪声模板满足预设模板要求。其中,基于可能噪声模板生成多张新的对抗样本图像,具体为:将可能噪声模板分别与各对抗样本图像进行叠加,将各叠加后的对抗样本图像作为新的对抗样本图像。
具体地,若可能噪声模板满足预设模板要求,则确定训练结束,将可能噪声模板确定为特定类别的用户生物特征对应的对抗噪声模板,否则,将可能噪声模板分别与每张对抗样本图像进行叠加,将叠加后的每张对抗样本图像作为新的对抗样本图像,基于新的对抗样本图像,返回生成可能噪声模板的步骤重复执行,直至得到满足预设模板要求的可能噪声模板。
下面以特定类别的用户生物特征为人脸特征为例,说明上述训练过程,其它特定类别的用户生物特征可以参考以下描述,本说明书实施例不再重复。
动作(a1)中,获取多张对抗样本图像,既获取多张人脸图像。一个场景中,可以通过各种摄像头如RGB摄像头、IR摄像头、3D摄像头等,获取多张人脸图像,并在获取的人脸图像中检测人脸区域,并将人脸区域尺寸归一化到预定尺寸,得到多张对抗样本图像。动作(a1)中,还获取人脸识别模型,并且,基于预设的对抗噪声模板生成算法、多张人脸图像和人脸识别模型,生成人脸特征对应的可能噪声模板。
具体地,动作(a1)中,将人脸识别模型分别与每张人脸图像进行组合,得到各组样本数据,每组样本数据都包括人脸识别模型的模型数据和一张人脸图像。将每组样本数据分别输入至预设的对抗噪声模板生成算法,通过该算法,生成各组样本数据对应的样本噪声模板。一个实施例中,可以将每组样本数据分别输入至FGSM算法进行处理,得到该组样本数据对应的样本噪声模板。由于分别对每组样本数据进行处理,且每组样本数据中包括一张人脸图像,因此得到的样本噪声模板与人脸图像一一对应,对于N张人脸图像,得到N个样本噪声模板,N为正整数。对得到的N个样本噪声模板求平均,得到一个平均噪声模板,该平均噪声模板即为人脸特征对应的可能噪声模板。
动作(a2)中,将人脸特征对应的可能噪声模板分别与每张人脸图像进行叠加,得到多张叠加后的图像。根据叠加前的人脸图像和叠加后的人脸图像,判断人脸特征对应的可能噪声模板是否满足预设模板要求。
具体地,动作(a2)中,在生成人脸特征对应的可能噪声模板之后,将可能噪声模板与动作(a1)中获取的每张人脸图像分别进行叠加,得到多张叠加后的图像。由于叠加后的人脸图像与叠加前的人脸图像一一对应,因此,计算每张叠加后的人脸图像与每张叠加前的人脸图像之间的欧式距离。在计算得到的M个欧式距离中取最大值,其中,M为人脸图像的数量。若该最大值小于预设阈值,则确定人脸特征对应的可能噪声模板满足预设模板要求,若该最大值大于等于预设阈值,则确定人脸特征对应的可能噪声模板不满足预设模板要求。
动作(a3)中,若人脸特征对应的可能噪声模板满足预设模板要求,则将人脸特征对应的可能噪声模板作为人脸特征对应的对抗噪声模板,若人脸特征对应的可能噪声模板不满足预设模板要求,则基于人脸特征对应的可能噪声模板生成多张新的人脸图像,并将新的人脸图像作为新的对抗样本图像,并返回至生成可能噪声模板的步骤重复执行,直至得到满足预设模板要求的可能噪声模板为止。
具体地,动作(a3)中,若第一次确定得到的人脸特征对应的可能噪声模板不符合预设模板要求,则将第一次确定得到的人脸特征与每张人脸图像均进行叠加,得到多张新的对抗样本图像,基于新的对抗样本图像,返回执行确定人脸特征对应的可能噪声模板的步骤。具体地,基于新的对抗样本图像,生成新的可能噪声模板,然后判断新的可能噪声模板是否符合预设模板要求,若符合,则确定对抗噪声模板训练完成,若不符合,则再次将新的可能噪声模板和上述新的对抗样本图像进行叠加,得到用于下一次迭代的对抗样本图像,如此循环,直至对抗噪声模板训练完成。
上述实施例中,在判断可能噪声模板是否符合预设模板要求时,是将本次迭代过程中,叠加可能噪声模板后的图像与叠加可能噪声模板之前的图像进行比较,计算其欧式距离,其中,叠加前的图像,是基于前一次迭代过程得到的新的对抗样本图像,而不是初始获取到的对抗样本图像。
在另一种实施方式中,在判断可能噪声模板是否符合预设模板要求时,是将本次迭代过程中,叠加可能噪声模板后的图像与叠加前的图像进行比较,计算其欧式距离,其中,叠加前的图像,始终是初始获取到的对抗样本图像。
在一个实施例中,对抗噪声模板是基于尺寸归一化的对抗样本图像训练得到,对抗样本图像是从采集到的用户图像中提取得到的包含用户生物特征的图像,则,在步骤S206中,将用户生物特征图像与对抗噪声模板进行叠加时,首先从用户生物特征图像中提取得到用户生物特征所在的区域,然后将该区域进行尺寸归一化,将归一化之后的图像与对抗噪声模板进行叠加,进而,再对叠加后的图像进行尺寸还原,并将还原后的图像融合回用户生物特征图像中,得到最终叠加后的用户生物特征图像。
以用户生物特征为人脸特征为例,在训练对抗噪声模板时,首先采集用户图像,从用户图像中提取得到人脸区域,将人脸区域尺寸归一化到预定尺寸,得到对抗样本图像,基于该对抗样本图像训练得到对抗噪声模板。在步骤S208中,从用户生物特征图像中提取得到人脸区域,将人脸区域尺寸归一化到预定尺寸,将归一化后的图像与之前训练好的对抗噪声模板进行叠加,再对叠加后的图像进行尺寸还原,并将还原后的图像融合回用户生物特征图像中,得到最终叠加后的用户生物特征图像。
图3为本说明书另一实施例提供的基于图像的用户隐私保护方法的流程示意图,如图3所示,该流程在图2的基础上,还包括:
步骤S208,根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
具体地,叠加后的用户生物特征图像中,像素点的像素值可能超过0-255的范围,则需要将像素值归一化到0-255的范围内,以保证叠加后的用户生物特征图像的顺利传输与存储。其中,预设的像素值归一化规则可以是,将像素值大于255的像素点的像素值,归一化为0,将像素值小于0的像素点的像素值,归一化为255。当然,预设的像素值归一化规则也可以是,将像素值大于255的像素点的像素值,归一化为255,将像素值小于0的像素点的像素值,归一化为0。
综上,通过上述方法,一方面,通过叠加对抗噪声的方式对用户图像进行隐私保护,使得保护后的图像无法再被生物识别算法所识别,从而保护了用户隐私。另一方面,可以从图像层面对用户进行隐私保护,保证了经过隐私保护后的图像在视觉效果上与隐私保护前基本无差异,兼顾到了后期的用户投诉和舆情案件处理等情况。
图4为本说明书另一实施例提供的基于图像的用户隐私保护方法的流程示意图,该流程可以应用于终端设备,比如上述的图像采集设备,由图像采集设备执行,如图4所示,该流程包括:
步骤S402,获取待进行隐私保护的用户生物特征图像;用户生物特征图像中包括特定类别的用户生物特征;用户生物特征图像通过该特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
步骤S404,获取服务器下发的该特定类别的用户生物特征对应的对抗噪声模板;该对抗噪声模板由服务器基于该特定类别的用户生物特征对应的对抗样本图像、该特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
步骤S406,将上述用户生物特征图像与上述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
图4中的流程由图像采集设备执行,该图像采集设备可以获取服务器下发的各种特定类别的用户生物特征对应的对抗噪声模板,并从中查找到上述特定类别的用户生物特征对应的对抗噪声模板。该图像采集设备还可以将叠加后的用户生物特征图像传输至服务器,以便服务器进行存储或后续处理。
图4中的方法还包括:根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。图4中的方法,特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。图4中的具体过程可以参考前面针对图2和图3的描述,这里不再重复。
在本说明书一个实施例中,在获取到待进行隐私保护的用户生物特征图像之后,获取用户生物特征图像中包括的特定类别的用户生物特征对应的对抗噪声模板,并将上述用户生物特征图像与上述对抗噪声模板进行叠加。叠加后的用户生物特征图像中含有对抗噪声,该对抗噪声能够干扰用户生物特征的识别,以防止个人信息泄露,从而达到在用户生物特征图像广泛应用的情况下,保护用户的隐私不被泄露的效果。
图5为本说明书一实施例提供的基于图像的用户隐私保护装置的模块组成示意图,如图5所示,该装置包括:
第一获取模块51,获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
第二获取模块52,获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
第一叠加模块53,将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
可选地,所述装置还包括:样本获取模块,获取所述特定类别的用户生物特征对应的多张对抗样本图像和所述特定类别的用户生物特征对应的生物特征识别模型,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板;模板判断模块,将所述可能噪声模板分别与各所述对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求;步骤循环模块,若满足,则将所述可能噪声模板确定为所述特定类别的用户生物特征对应的对抗噪声模板,否则,基于所述可能噪声模板生成多张新的对抗样本图像,并返回生成所述可能噪声模板的步骤重复执行,直至所述可能噪声模板满足所述预设模板要求。
可选地,所述样本获取模块:将所述生物特征识别模型分别与各张所述对抗样本图像进行组合,得到各组样本数据;通过所述预设的对抗噪声模板生成算法,分别对各组所述样本数据进行处理,得到各组所述样本数据对应的样本噪声模板;对各组所述样本数据对应的样本噪声模板进行平均化处理,得到所述特定类别的用户生物特征对应的可能噪声模板。
可选地,所述模板判断模块:计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离;若所述欧式距离的最大值小于预设阈值,则确定所述可能噪声模板满足预设模板要求,反之,确定所述可能噪声模板不满足预设模板要求。
可选地,所述步骤循环模块:将所述可能噪声模板分别与各所述对抗样本图像进行叠加,将各叠加后的对抗样本图像作为新的对抗样本图像。
可选地,所述装置还包括:归一化模块,根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
可选地,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
本说明书一实施例提供的基于图像的用户隐私保护装置,能够实现前述的基于图像的用户隐私保护方法的各个过程,并达到相同的效果和功能,这里不再赘述。
图6为本说明书另一实施例提供的基于图像的用户隐私保护装置的模块组成示意图,该装置应用于图像采集设备,如图6所示,该装置包括:
第三获取模块61,获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
第四获取模块62,获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
第二叠加模块63,将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
可选地,所述装置还包括:归一化模块,根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
可选地,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
本说明书一实施例提供的基于图像的用户隐私保护装置,能够实现前述的基于图像的用户隐私保护方法的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种基于图像的用户隐私保护设备,图7为本说明书一实施例提供的基于图像的用户隐私保护设备的结构示意图,如图7所示,基于图像的用户隐私保护设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对基于图像的用户隐私保护设备中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在基于图像的用户隐私保护设备上执行存储器902中的一系列计算机可执行指令。基于图像的用户隐私保护设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906等。
在一个具体的实施例中,基于图像的用户隐私保护设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对基于图像的用户隐私保护设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
可选地,计算机可执行指令在被执行时,所述对抗噪声模板通过以下步骤训练:
获取所述特定类别的用户生物特征对应的多张对抗样本图像和所述特定类别的用户生物特征对应的生物特征识别模型,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板;
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求;
若满足,则将所述可能噪声模板确定为所述特定类别的用户生物特征对应的对抗噪声模板,否则,基于所述可能噪声模板生成多张新的对抗样本图像,并返回生成所述可能噪声模板的步骤重复执行,直至所述可能噪声模板满足所述预设模板要求。
可选地,计算机可执行指令在被执行时,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板,包括:
将所述生物特征识别模型分别与各张所述对抗样本图像进行组合,得到各组样本数据;
通过所述预设的对抗噪声模板生成算法,分别对各组所述样本数据进行处理,得到各组所述样本数据对应的样本噪声模板;
对各组所述样本数据对应的样本噪声模板进行平均化处理,得到所述特定类别的用户生物特征对应的可能噪声模板。
可选地,计算机可执行指令在被执行时,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求,包括:
计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离;
若所述欧式距离的最大值小于预设阈值,则确定所述可能噪声模板满足预设模板要求,反之,确定所述可能噪声模板不满足预设模板要求。
可选地,计算机可执行指令在被执行时,基于所述可能噪声模板生成多张新的对抗样本图像,包括:
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,将各叠加后的对抗样本图像作为新的对抗样本图像。
可选地,计算机可执行指令在被执行时,还包括:
根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
可选地,计算机可执行指令在被执行时,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
本说明书一实施例提供的基于图像的用户隐私保护设备,能够实现前述的基于图像的用户隐私保护方法的各个过程,并达到相同的效果和功能,这里不再赘述。
在另一个具体的实施例中,基于图像的用户隐私保护设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对基于图像的用户隐私保护设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
可选地,计算机可执行指令在被执行时,还包括:根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
可选地,计算机可执行指令在被执行时,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
本说明书一实施例提供的基于图像的用户隐私保护设备,能够实现前述的基于图像的用户隐私保护方法的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述对抗噪声模板通过以下步骤训练:
获取所述特定类别的用户生物特征对应的多张对抗样本图像和所述特定类别的用户生物特征对应的生物特征识别模型,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板;
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求;
若满足,则将所述可能噪声模板确定为所述特定类别的用户生物特征对应的对抗噪声模板,否则,基于所述可能噪声模板生成多张新的对抗样本图像,并返回生成所述可能噪声模板的步骤重复执行,直至所述可能噪声模板满足所述预设模板要求。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板,包括:
将所述生物特征识别模型分别与各张所述对抗样本图像进行组合,得到各组样本数据;
通过所述预设的对抗噪声模板生成算法,分别对各组所述样本数据进行处理,得到各组所述样本数据对应的样本噪声模板;
对各组所述样本数据对应的样本噪声模板进行平均化处理,得到所述特定类别的用户生物特征对应的可能噪声模板。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求,包括:
计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离;
若所述欧式距离的最大值小于预设阈值,则确定所述可能噪声模板满足预设模板要求,反之,确定所述可能噪声模板不满足预设模板要求。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于所述可能噪声模板生成多张新的对抗样本图像,包括:
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,将各叠加后的对抗样本图像作为新的对抗样本图像。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还包括:根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
本说明书一实施例提供的存储介质,能够实现前述的基于图像的用户隐私保护方法的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还包括:根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
本说明书一实施例提供的存储介质,能够实现前述的基于图像的用户隐私保护方法的各个过程,并达到相同的效果和功能,这里不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书的一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书的实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本说明书的实施例可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (22)
1.一种基于图像的用户隐私保护方法,包括:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
2.根据权利要求1所述的方法,所述对抗噪声模板通过以下步骤训练:
获取所述特定类别的用户生物特征对应的多张对抗样本图像和所述特定类别的用户生物特征对应的生物特征识别模型,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板;
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求;
若满足,则将所述可能噪声模板确定为所述特定类别的用户生物特征对应的对抗噪声模板,否则,基于所述可能噪声模板生成多张新的对抗样本图像,并返回生成所述可能噪声模板的步骤重复执行,直至所述可能噪声模板满足所述预设模板要求。
3.根据权利要求2所述的方法,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板,包括:
将所述生物特征识别模型分别与各张所述对抗样本图像进行组合,得到各组样本数据;
通过所述预设的对抗噪声模板生成算法,分别对各组所述样本数据进行处理,得到各组所述样本数据对应的样本噪声模板;
对各组所述样本数据对应的样本噪声模板进行平均化处理,得到所述特定类别的用户生物特征对应的可能噪声模板。
4.根据权利要求2所述的方法,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求,包括:
计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离;
若所述欧式距离的最大值小于预设阈值,则确定所述可能噪声模板满足预设模板要求,反之,确定所述可能噪声模板不满足预设模板要求。
5.根据权利要求2所述的方法,基于所述可能噪声模板生成多张新的对抗样本图像,包括:
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,将各叠加后的对抗样本图像作为新的对抗样本图像。
6.根据权利要求1-5任一项所述的方法,所述方法还包括:
根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
7.根据权利要求1-5任一项所述的方法,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
8.一种基于图像的用户隐私保护方法,应用于图像采集设备,包括:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
9.根据权利要求8所述的方法,所述方法还包括:
根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
10.根据权利要求8所述的方法,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
11.一种基于图像的用户隐私保护装置,包括:
第一获取模块,获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
第二获取模块,获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
第一叠加模块,将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
12.根据权利要求11所述的装置,所述装置还包括:
样本获取模块,获取所述特定类别的用户生物特征对应的多张对抗样本图像和所述特定类别的用户生物特征对应的生物特征识别模型,基于所述预设的对抗噪声模板生成算法、多张所述对抗样本图像和所述生物特征识别模型,生成所述特定类别的用户生物特征对应的可能噪声模板;
模板判断模块,将所述可能噪声模板分别与各所述对抗样本图像进行叠加,根据各叠加后的对抗样本图像和各叠加前的对抗样本图像,判断所述可能噪声模板是否满足预设模板要求;
步骤循环模块,若满足,则将所述可能噪声模板确定为所述特定类别的用户生物特征对应的对抗噪声模板,否则,基于所述可能噪声模板生成多张新的对抗样本图像,并返回生成所述可能噪声模板的步骤重复执行,直至所述可能噪声模板满足所述预设模板要求。
13.根据权利要求12所述的装置,所述样本获取模块:
将所述生物特征识别模型分别与各张所述对抗样本图像进行组合,得到各组样本数据;
通过所述预设的对抗噪声模板生成算法,分别对各组所述样本数据进行处理,得到各组所述样本数据对应的样本噪声模板;
对各组所述样本数据对应的样本噪声模板进行平均化处理,得到所述特定类别的用户生物特征对应的可能噪声模板。
14.根据权利要求12所述的装置,所述模板判断模块:
计算各叠加后的对抗样本图像与对应的叠加前的对抗样本图像之间的欧式距离;
若所述欧式距离的最大值小于预设阈值,则确定所述可能噪声模板满足预设模板要求,反之,确定所述可能噪声模板不满足预设模板要求。
15.根据权利要求12所述的装置,所述步骤循环模块:
将所述可能噪声模板分别与各所述对抗样本图像进行叠加,将各叠加后的对抗样本图像作为新的对抗样本图像。
16.一种基于图像的用户隐私保护装置,应用于图像采集设备,包括:
第三获取模块,获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
第四获取模块,获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
第二叠加模块,将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
17.根据权利要求16所述的装置,所述装置还包括:
归一化模块,根据预设的像素值归一化规则,将叠加后的用户生物特征图像中的像素值归一化至预设像素值范围。
18.根据权利要求16所述的装置,所述特定类别的用户生物特征包括:人脸特征、虹膜特征、指纹特征、掌纹特征、人体特征中的至少一种。
19.一种基于图像的用户隐私保护设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现以下流程:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
20.一种基于图像的用户隐私保护设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现以下流程:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
21.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现以下流程:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
22.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现以下流程:
获取待进行隐私保护的用户生物特征图像;所述用户生物特征图像中包括特定类别的用户生物特征;所述用户生物特征图像通过所述特定类别的用户生物特征对应的生物特征识别模型识别后,能够得到用户个人信息;
获取服务器下发的所述特定类别的用户生物特征对应的对抗噪声模板;所述对抗噪声模板由服务器基于所述特定类别的用户生物特征对应的对抗样本图像、所述特定类别的用户生物特征对应的生物特征识别模型和预设的对抗噪声模板生成算法生成;
将所述用户生物特征图像与所述对抗噪声模板进行叠加,并将叠加后的用户生物特征图像传输至服务器;叠加后的用户生物特征图像含有对抗噪声,所述对抗噪声用于干扰用户生物特征的识别,以防止个人信息泄露。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501983.2A CN111753275B (zh) | 2020-06-04 | 2020-06-04 | 基于图像的用户隐私保护方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501983.2A CN111753275B (zh) | 2020-06-04 | 2020-06-04 | 基于图像的用户隐私保护方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753275A true CN111753275A (zh) | 2020-10-09 |
CN111753275B CN111753275B (zh) | 2024-03-26 |
Family
ID=72674624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010501983.2A Active CN111753275B (zh) | 2020-06-04 | 2020-06-04 | 基于图像的用户隐私保护方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753275B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931932A (zh) * | 2020-10-16 | 2020-11-13 | 北京灵汐科技有限公司 | 对抗样本的生成方法及装置、电子设备和可读存储介质 |
CN112529760A (zh) * | 2020-12-23 | 2021-03-19 | 山东彦云信息科技有限公司 | 基于对抗噪声和云端分离的图像隐私保护滤镜生成方法 |
CN112818400A (zh) * | 2021-02-18 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的生物识别方法、装置及设备 |
CN113656813A (zh) * | 2021-07-30 | 2021-11-16 | 深圳清华大学研究院 | 基于对抗攻击的图像处理方法、系统、设备及存储介质 |
CN117113137A (zh) * | 2023-08-07 | 2023-11-24 | 国网冀北电力有限公司信息通信分公司 | 电力模型匹配方法、装置、存储介质及电子设备 |
CN117132477A (zh) * | 2023-02-24 | 2023-11-28 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304858A (zh) * | 2017-12-28 | 2018-07-20 | 中国银联股份有限公司 | 对抗样本识别模型生成方法、验证方法及其系统 |
WO2019192261A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
US20200097767A1 (en) * | 2017-06-04 | 2020-03-26 | De-Identification Ltd. | System and method for image de-identification |
CN110969243A (zh) * | 2019-11-29 | 2020-04-07 | 支付宝(杭州)信息技术有限公司 | 防止隐私泄漏的对抗生成网络的训练方法及装置 |
CN110990795A (zh) * | 2019-11-22 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于对抗样本的隐私信息保护方法、装置及电子设备 |
CN111177757A (zh) * | 2019-12-27 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 一种图片中隐私信息保护的处理方法及装置 |
-
2020
- 2020-06-04 CN CN202010501983.2A patent/CN111753275B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200097767A1 (en) * | 2017-06-04 | 2020-03-26 | De-Identification Ltd. | System and method for image de-identification |
CN108304858A (zh) * | 2017-12-28 | 2018-07-20 | 中国银联股份有限公司 | 对抗样本识别模型生成方法、验证方法及其系统 |
WO2019192261A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
CN110990795A (zh) * | 2019-11-22 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于对抗样本的隐私信息保护方法、装置及电子设备 |
CN110969243A (zh) * | 2019-11-29 | 2020-04-07 | 支付宝(杭州)信息技术有限公司 | 防止隐私泄漏的对抗生成网络的训练方法及装置 |
CN111177757A (zh) * | 2019-12-27 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 一种图片中隐私信息保护的处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
GUY ZYSKIND等: "Decentralizing Privacy: Using Blockchain to Protect Personal Data", 《2015 IEEE SECURITY AND PRIVACY WORKSHOPS》 * |
张嘉楠;王逸翔;刘博;常晓林;: "深度学习的对抗攻击方法综述", 网络空间安全, no. 07 * |
毛典辉;李子沁;蔡强;薛子育;: "基于DCGAN反馈的深度差分隐私保护方法", 北京工业大学学报, no. 06 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931932A (zh) * | 2020-10-16 | 2020-11-13 | 北京灵汐科技有限公司 | 对抗样本的生成方法及装置、电子设备和可读存储介质 |
WO2022078218A1 (zh) * | 2020-10-16 | 2022-04-21 | 北京灵汐科技有限公司 | 对抗样本的生成方法及装置、电子设备和可读存储介质 |
CN112529760A (zh) * | 2020-12-23 | 2021-03-19 | 山东彦云信息科技有限公司 | 基于对抗噪声和云端分离的图像隐私保护滤镜生成方法 |
CN112818400A (zh) * | 2021-02-18 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的生物识别方法、装置及设备 |
CN112818400B (zh) * | 2021-02-18 | 2022-05-03 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的生物识别方法、装置及设备 |
CN113656813A (zh) * | 2021-07-30 | 2021-11-16 | 深圳清华大学研究院 | 基于对抗攻击的图像处理方法、系统、设备及存储介质 |
CN113656813B (zh) * | 2021-07-30 | 2023-05-23 | 深圳清华大学研究院 | 基于对抗攻击的图像处理方法、系统、设备及存储介质 |
CN117132477A (zh) * | 2023-02-24 | 2023-11-28 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN117113137A (zh) * | 2023-08-07 | 2023-11-24 | 国网冀北电力有限公司信息通信分公司 | 电力模型匹配方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111753275B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753275B (zh) | 基于图像的用户隐私保护方法、装置、设备和存储介质 | |
US10984225B1 (en) | Masked face recognition | |
CN111538968A (zh) | 基于隐私保护的身份核验方法、装置及设备 | |
CN111401273B (zh) | 一种用于隐私保护的用户特征提取系统及设备 | |
CN112398838B (zh) | 一种基于隐私保护的认证方法、装置、设备及存储介质 | |
CN111340014B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112800468B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN112200796B (zh) | 一种基于隐私保护的图像处理方法、装置及设备 | |
CN111401331B (zh) | 人脸识别方法及装置 | |
CN114817984A (zh) | 数据处理方法、装置、系统及设备 | |
CN113343295B (zh) | 基于隐私保护的图像处理方法、装置、设备和存储介质 | |
CN111160251A (zh) | 一种活体识别方法及装置 | |
CN113850211B (zh) | 注入视频攻击检测方法和装置 | |
CN111523103A (zh) | 用户身份识别方法、装置及电子设备 | |
CN111368795A (zh) | 一种人脸特征提取方法、装置及设备 | |
CN113221717A (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN112837202A (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
CN114140349B (zh) | 干扰图像的生成方法和装置 | |
CN112818400B (zh) | 一种基于隐私保护的生物识别方法、装置及设备 | |
CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN113239851B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN110084147B (zh) | 一种用于人脸识别的性别隐私保护方法及系统 | |
CN114662706B (zh) | 一种模型训练方法、装置及设备 | |
KR102513075B1 (ko) | 신경망을 이용한 신분증 도용 탐지 서버 및 방법 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40039431 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |