CN112417414A - 一种基于属性脱敏的隐私保护方法、装置以及设备 - Google Patents

一种基于属性脱敏的隐私保护方法、装置以及设备 Download PDF

Info

Publication number
CN112417414A
CN112417414A CN202011406814.7A CN202011406814A CN112417414A CN 112417414 A CN112417414 A CN 112417414A CN 202011406814 A CN202011406814 A CN 202011406814A CN 112417414 A CN112417414 A CN 112417414A
Authority
CN
China
Prior art keywords
image
privacy
attribute
model
desensitization
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
CN202011406814.7A
Other languages
English (en)
Other versions
CN112417414B (zh
Inventor
曹佳炯
丁菁汀
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 CN202011406814.7A priority Critical patent/CN112417414B/zh
Publication of CN112417414A publication Critical patent/CN112417414A/zh
Application granted granted Critical
Publication of CN112417414B publication Critical patent/CN112417414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F21/36—User authentication by graphic or iconic representation
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

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

Abstract

本说明书实施例公开了一种基于属性脱敏的隐私保护方法、装置以及设备。方案包括：确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；获取用户的生物活体图像；根据生物活体图像和图像生成模型，生成针对隐私属性的生物活体脱敏图像；根据预定策略处理生物活体脱敏图像，以支持指定业务。

Description

一种基于属性脱敏的隐私保护方法、装置以及设备
技术领域
本说明书涉及隐私安全技术领域，尤其涉及一种基于属性脱敏的隐私保护方法、装置以及设备。
背景技术
近年来，随着人脸识别系统的普及，用户能够便利地通过刷脸进行身份认证，进而进行后续业务。人脸识别系统往往包含人脸图像采集、人脸图像处理、人脸图像传输和人脸图像存储等步骤，在这些步骤中，存在隐私泄露风险，一旦用户的人脸图像泄露，可能被恶意使用，危害用户利益安全。
现有的人脸识别系统鲜有人脸图像隐私保护方案。而其中极少数配备隐私保护能力的，使用的方案也较为简单粗暴，比如，可逆的图像加密方案，使用简单的行列随机变换，来产生肉眼无法分辨的人脸图像。
基于此，针对人脸图像需要更为可靠、适用性更好的隐私保护方案。
发明内容
本说明书一个或多个实施例提供基于属性脱敏的隐私保护方法、装置、设备以及存储介质，用以解决如下技术问题：针对人脸图像需要更为可靠、适用性更好的隐私保护方案。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护方法，包括：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于生成对抗网络(Generative Adversarial Networks，GAN)的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护装置，包括：
确定模块，确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；
获取模块，获取用户的生物活体图像；
生成模块，根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
处理模块，根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过基于属性的脱敏处理，有助于去掉生物活体图像(比如，人脸图像等)中的隐私属性内容，保留非隐私属性内容，既能够提高隐私安全，又能够使得处理后的生物活体图像仍然易于观看理解，有助于应用于更多业务场景，可靠性和适用性较好。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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为本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护方法的流程示意图；
图2为本说明书一个或多个实施例提供的一种应用场景下，图1中方法的一种实施方案示意图；
图3为本说明书一个或多个实施例提供的一种人脸图像隐私保护前后的对比示意图；
图4为本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护装置的结构示意图；
图5为本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护设备的结构示意图。
具体实施方式
本说明书实施例提供基于属性脱敏的隐私保护方法、装置、设备以及存储介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
在本说明书一个或多个实施例中，将生物活体图像内容解耦为若干种属性，将与隐私相关联的属性(预定义为隐私属性)进行脱敏，而对于与隐私不相关或者弱相关，但是对一些业务有用的属性(预定义为非隐私属性)，则可以进行保留，方案基于GAN来进行属性脱敏和属性保留，生成相应的新图像，可以实现不可逆的隐私保护，能够兼顾安全性和适用性，使得处理后的生物活体图像有效保有了与隐私无关的一些使用价值。
以人脸图像为例，隐私属性比如包括能够反映用户身份的属性，非隐私属性包括不同用户的共性属性，仅凭这些共性属性难以确定用户身份，比如，表情、睁闭眼状态等。
下面基于这样的思路，具体进行说明。
图1为本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护方法的流程示意图。该流程可以由终端或者服务器执行，终端具有图像采集能力，终端将采集的图像或者对其处理后的图像存储在本地，若有需要也可以上传至服务器。
图1中的流程可以包括以下步骤：
S102：确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型。
在本说明书一个或多个实施例中，隐私属性和非隐私属性是根据业务场景需要预定义的。前面已经以人脸图像举例，人脸图像的隐私属性比如预定义为用户身份，非隐私属性比如定义为表情、睁闭眼状态、人脸姿态、面部光照、五官位置等属性。
需要说明的是，在一种业务场景的非隐私属性，换到另一种业务场景下，可能又适合被定义为隐私属性，反之亦然。
仍以人脸图像为例。对于普通人而言，用户身份(这里主要指样貌)是比较隐私的，因此预定义为隐私属性，而表情不怎么重要，一般不算隐私，因此预定义为非隐私属性。但是，对于一些知名度很高的人而言，样貌由于为公众熟知通常算不上隐私了，因此可以预定义为非隐私属性，而对于表情这个属性，这类人往往需要很好地维护自己的形象，在不同的场合需要有合适的表情，这种情况下，表情对于这类人往往算得上是隐私，这些人是不希望让自己不合适的表情暴露于公众的，因此可以预定义为隐私属性。
在本说明书一个或多个实施例中，图像生成模型至少包括GAN，样本包括真实的生物活体图像，针对该生物活体图像，通过GAN的生成器生成修改为非真实的生物活体图像。训练的目在于：使得修改过的生物活体图像尽量去除原来的图像中的隐私属性内容，尽量保留图像中的非隐私属性内容。图像生成模型还可以包括更多的子模型，比如，在生物活体图像中进行目标检测的模型等，用于配合GAN工作。
S104：获取用户的生物活体图像。
在本说明书一个或多个实施例中，生物活体图像包括用户身体至少局部区域的图像，比如，人脸图像、行走视频、X光胸片、CT照片、人体热成像照片、手掌照片等。
可以根据不同类型的图像反映的用户特征，差异化地定义隐私属性，比如，对于X光胸片，将异常区域(很可能为病灶区域)定义为隐私属性，而未必要将用户身份定义为隐私属性。
对于同一种隐私属性，不同类型的图像对应反映的特征可能有差异。比如，假定同样定义用户身份为隐私属性。人脸图像反映出用户的样貌，行走视频则可能反映出用户的步态，根据样貌或者步态都可能识别出用户身份。在构建和训练图像生成模型时，可以根据上面提到的差异，调整模型结构和训练策略，以提高模型效果。
S106：根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像。
在本说明书一个或多个实施例中，图像生成模型对生物活体图像进行处理，对其中的隐私属性内容进行脱敏，使得相应生成的生物活体脱敏图像不再反映隐私。同时，使得生物活体脱敏图像仍然表现为人易于理解的图像，比如，对于某用户的人脸图像，脱敏后仍然还是一张人脸图像，角度表情等一些特征基本不变，但是已经无法从该人脸图像上辨识出该用户了，从而保护了该用户的隐私，而且，对观众而言肉眼看上去该人脸图像中的人脸仍然像一张真实的人脸。
S108：根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
在本说明书一个或多个实施例中，生成生物活体脱敏图像，将生物活体脱敏图像存储在本地，或者上传至服务器，以便在指定业务有需求时进行响应和支持。
在本说明书一个或多个实施例中，生物活体脱敏图像虽然被去除了隐私属性内容，但是仍然有其适用的一些业务场景。
例如，对于美颜业务场景，用户手持装有美颜应用的智能手机，通过前置摄像头自拍，智能手机采集到用户的人脸图像，假定需要在美颜应用的服务器对人脸图像进行美颜处理。美颜应用可以对人脸图像进行隐私属性脱敏后，上传给服务器进行美颜处理，服务器可以根据脱敏的人脸图像中保留的表情、人脸轮廓、五官位置等非隐私属性生成相应的美颜图层，再返回至本地与用户的人脸图像进行合成。
再例如，可以通过脱敏用户全身图像中的用户身份，而保留用户做出的手势，以实现自动识别手势指令而不暴露用户身份的效果，等等。
通过图1的方法，通过基于属性的脱敏处理，有助于去掉生物活体图像(比如，人脸图像等)中的隐私属性内容，保留非隐私属性内容，既能够提高隐私安全，又能够使得处理后的生物活体图像仍然易于观看理解，有助于应用于更多业务场景，可靠性和适用性较好。
该方法能够有效地改进或者替代另一些方案，解决这些方案中存在的问题。比如，背景技术中提到的可逆的图像加密方案，这种方案容易被暴力破解，还原出原来的图像，而该方法则可以实现不可逆处理，难以破解，而且由于保留了非隐私属性，直接能够用于一些业务场景，则本来也无需逆向变化，安全性更好。再比如，在另一种方案中，对图像也采用了不可逆处理，但是，处理后的图像往往是比较抽象混乱的图像，只有人脸识别模型能够理解，而人无法直观地理解，易用性较差，限制了后续的应用场景(如，机器识别人脸，出现用户不服识别结果的舆情时，需要人工介入核实，由于处理后的图像无法肉眼理解，因此，核实人员无法直接根据处理后的图像核实到底是否是机器识别有误，从而影响诸如支付业务、门票验证等基于识别结果的后续业务顺利进行)，该方法也解决了这种方案中的问题，至少能够让核实人员得到一些更直观容易理解的可识别特征，以辅助判断。
基于图1的方法，本说明书还提供了该方法的一些具体实施方案和扩展方案，下面继续进行说明。
在本说明书一个或多个实施例中，为了准确地脱敏，需要准确地识别出属性。对属性的识别利用机器学习模型实现，为了提高属性识别的准确率，对于不同的属性，根据属性的特点，有针对性地构建不同的属性识别模型进行识别。
例如，对于人脸图像，假定隐私属性有用户身份这一个，非隐私属性有表情、睁闭眼状态、人脸姿态、面部光照这四个。
对于用户身份，构建并训练人脸识别子模型，作为对应的属性识别模型。
对于各非隐私属性，分别构建并训练分类子模型或者回归子模型，其中，以具体数值表示的属性一般适合于用回归子模型进行识别，否则，适合于用分类子模型进行识别。
对于表情，划分为{开心、平静、愤怒、悲伤、吃惊}这五类表情，相应地采用多分类子模型识别。对于睁闭眼状态，划分为{睁眼、闭眼}这两类状态，相应地采用二分类子模型识别。对于人脸姿态，可以识别人脸俯仰、偏航和横滚这三个角度的角度值，相应地采用回归子模型识别。对于面部光照，可以识别面部上的光照强度值，相应地采用回归子模型识别。
在本说明书一个或多个实施例中，根据包含预定义的隐私属性和非隐私属性的样本，训练得到属性识别模型后，将属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
在实际应用中，GAN模型往往用于在训练样本不足时，主动生成更多的样本，通过对GAN模型正确而充分的训练，能够使得GAN模型的生成器生成更真实的样本以致力于骗过GAN模型的判决器。基于这样的原理，将真实的样本定义为尽量不包含隐私属性内容，而可以包含非隐私属性内容的样本，联合属性识别模型进行训练。在这种情况下，属性识别模型可以与GAN模型相对独立地工作，或者，属性识别模型也可以融合在GAN模型的神经网络隐藏层中工作，对于后一种情况，属性识别模型和GAN模型可以视为一个整体的模型，如此有助于更高效一致地训练。
在本说明书一个或多个实施例中，GAN模型输出的是脱敏的中间图像，通过后置的其他模型，对中间图像进行更精细地处理(比如，图像增强、增加滤镜、局部区域边缘融合等)后输出生物活体脱敏图像，如此，有助于获得更真实友好的脱敏图像效果，在这种情况下，该其他模型与GAN模型都属于图像生成模型的组成部分。
在本说明书一个或多个实施例中，在实际应用中，用户配合采集图像的具体方式有差异，比如，距离镜头远近不同，背景不同，镜头内实际参与采集的人数不同、装扮不同(比如，帽子、彩妆、围巾、衣物、戒指、纹身、美甲等)，这些因素可能会影响对图像中生物活体的识别。为了减少这种影响，在采集用户的源图像后，可以先在用户的源图像中检测生物活体区域，再根据检测结果，从源图像中获取包含至少部分生物活体区域的区域图像，作为用户的生物活体图像，比如，将源图像中人脸区域的图像部分剪切出来，作为上述的生物活体图像，当然，若有需要，还可以做出更复杂的处理，比如，甚至可以将人脸上原来的眼镜部分处理掉，将眼镜部分的像素替换为附近皮肤的像素。
进一步地，在生成生物活体脱敏图像后，还可以在源图像中，根据生物活体脱敏图像，替换对应的区域图像，得到脱敏全局图像，以便根据生物活体脱敏图像或者脱敏全局图像，支持指定业务。如此，一定程度地还原了源图像，减少了对源图像不必要的修改，用户更容易接受，后续若需要核对源图像时，也可能更高效直观地执行。
根据上面的说明，本说明书一个或多个实施例提供了一种应用场景下，图1中方法的一种实施方案，如图2所示。在该应用场景下，生物活体图像包括至少部分人脸图像。
图2中的方案包括以下几部分处理过程：
属性识别模型训练。比如，按照前面的例子，对人脸图像的隐私属性和若干非隐私属性，分别构建合适的属性识别模型进行训练。为了更高效地挖掘属性，除了人工定义属性以外，还可以构建属性定义模型，从样本中挖掘可能能够定义为新属性(比如，雀斑、高原红、老年斑等一些常见的脸部外观等)的信息，并进行自动定义。针对每个属性识别模型，进行训练样本数据采集和标注，得到图像-标签对，对模型进行有监督训练。
基于GAN的图像生成模型训练。利用属性识别模型和GAN模型进行联合训练，得到用于隐私属性脱敏，非隐私属性保留的图像生成模型。在一种可选方案下，对于图像生成模型，输入数据为包含至少部分人脸区域的人脸图像，输出为脱敏隐私属性，保留非隐私属性的人脸图像，训练前，采集超过10万张人脸作为训练数据，图像生成模型的主干架构(Backbone)比如采用使用EfficientNet-B4，图像生成模型包括隐私属性、非隐私属性、GAN模型的生成器分别对应的损失函数，为实现上述属性脱敏或者保留的效果，各损失函数有相应的训练目标，比如以最大化隐私属性对应的损失函数(输入有隐私属性内容，输出尽量去掉了隐私属性内容，因此这部分损失趋向最大化)，最小化非隐私属性对应的损失函数(输入有非隐私属性内容，输出尽量保持原有的非隐私属性内容，因此这部分损失趋向最小化)，最小化GAN模型的生成器分别对应的损失函数(使得新生成的人脸图像尽量像真实的人脸图像)为目标，将所述属性识别模型与GAN模型进行联合训练，得到训练收敛的图像生成模型。
人脸图像采集和预处理。这是图像生成模型训练完毕后，使用阶段开始，当前用户开始刷脸，则进行图像数据采集，得到该用户的人脸图像，在预处理过程中，利用人脸检测模型检测出人脸图像中更精准的人脸区域。
基于图像生成模型的人脸隐私保护。将检测出的人脸区域的图像输入图像生成模型进行处理，输出隐私保护的人脸区域的新图像，将新图像在人脸图像中的人脸区域进行替换拼接，得到完整的隐私保护的人脸图像。
数据上传与存储。处理后，人脸图像上传至服务器或者存储在本地均使用隐私保护后的人脸图像，以待应用于所需的一些业务中。
在本说明书一个或多个实施例中，获取第一用户的生物活体图像和第二用户(第二用户可以包括多个不同的用户)的生物活体图像，将这两方同时利用图像生成模型进行处理，比如将两方中的至少部分隐私属性内容相互替换，得到这两者分别对应的生物活体脱敏图像。在这种情况下，第一用户对应的生物活体脱敏图像中包含第二用户的部分隐私属性内容，但是，这一点并不会导致第一用户的隐私属性内容暴露，而且能够使得生成的生物活体脱敏图像更加自然，有助于提高用户体验。需要说明的是，在这样的思路下，在某用户的生物活体脱敏图像中到底适合展示其他用户的多少隐私属性内容，可以根据实际需求确定，一般而言不能超过一定的阈值，以防止给其他用户带来风险。
更直观地，本说明书一个或多个实施例还提供了一种人脸图像隐私保护前后的对比示意图，如图3所示。
在图3中，右侧为隐私保护前的人脸图像，左侧为隐私保护后的人脸图像。可以看到，单纯以肉眼分辨，难以认为这两张里的是同一个用户的人脸，即使利用人脸识别的机器学习模型，通常也不会判定这两张里是同一个用户的人脸，从而达到了保护用户身份的目的，另一方面，又可以看出，左侧图像比较忠实地保留了一些非隐私属性内容，比如，表情、脸型、发型、五官布局。人脸姿态等。在该例中，是预定义了用户身份为隐私属性，假定预定义了发型是隐私属性，则隐私保护后，左侧图像中的短发可能会变成长发，以保护右侧图像中发型为短发这个隐私。
基于同样的思路，本说明书一个或多个实施例还提供了上述方法对应的装置和设备，如图4、图5所示。
图4为本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护装置的结构示意图，图中的虚线方框表示可选的模块，所述装置包括：
确定模块402，确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；
获取模块404，获取用户的生物活体图像；
生成模块406，根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
处理模块408，根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
可选地，所述隐私属性反映了用户身份，所述非隐私属性不反映用户身份。
可选地，所述生物活体图像包括人脸图像，所述属性识别模型包括与隐私属性相对应的人脸识别子模型。
可选地，所述非隐私属性包括以下至少一种：表情、睁闭眼状态、人脸姿态、面部光照；
所述属性识别模型包括与所述非隐私属性对应的至少一种分类子模型或者回归子模型。
可选地，所述装置还包括：
训练模块410，根据包含预定义的隐私属性和非隐私属性的样本，训练得到属性识别模型；
将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
可选地，所述训练模块410，根据所述属性识别模型与GAN模型，确定所述隐私属性、所述非隐私属性、所述GAN模型的生成器分别对应的损失函数；
以最大化所述隐私属性对应的损失函数，最小化所述非隐私属性、所述GAN模型的生成器分别对应的损失函数为目标，将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
可选地，所述获取模块404，在用户的源图像中检测生物活体区域；
根据检测结果，从所述源图像中获取包含至少部分生物活体区域的区域图像，作为所述用户的生物活体图像。
可选地，所述处理模块408，在所述源图像中，根据所述生物活体脱敏图像，替换对应的所述区域图像，得到脱敏全局图像，以便根据所述生物活体脱敏图像或者所述脱敏全局图像，支持指定业务。
图5为本说明书一个或多个实施例提供的一种基于属性脱敏的隐私保护设备的结构示意图，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
处理器与存储器之间可以通过总线通信，设备还可以包括与其他设备通信的输入/输出接口。
基于同样的思路，本说明书一个或多个实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于GAN的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
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。
本说明书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，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，对于装置、设备、非易失性计算机存储介质实施例而言，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。
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。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (17)

1.一种基于属性脱敏的隐私保护方法，包括：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于生成对抗网络GAN的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
2.如权利要求1所述的方法，所述隐私属性反映了用户身份，所述非隐私属性不反映用户身份。
3.如权利要求2所述的方法，所述生物活体图像包括人脸图像，所述属性识别模型包括与隐私属性相对应的人脸识别子模型。
4.如权利要求3所述的方法，所述非隐私属性包括以下至少一种：表情、睁闭眼状态、人脸姿态、面部光照；
所述属性识别模型包括与所述非隐私属性对应的至少一种分类子模型或者回归子模型。
5.如权利要求2所述的方法，所述根据包含隐私属性和非隐私属性的样本训练得到基于GAN的图像生成模型，具体包括：
根据包含预定义的隐私属性和非隐私属性的样本，训练得到属性识别模型；
将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
6.如权利要求5所述的方法，所述将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型，具体包括：
根据所述属性识别模型与GAN模型，确定所述隐私属性、所述非隐私属性、所述GAN模型的生成器分别对应的损失函数；
以最大化所述隐私属性对应的损失函数，最小化所述非隐私属性、所述GAN模型的生成器分别对应的损失函数为目标，将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
7.如权利要求1所述的方法，所述获取用户的生物活体图像，具体包括：
在用户的源图像中检测生物活体区域；
根据检测结果，从所述源图像中获取包含至少部分生物活体区域的区域图像，作为所述用户的生物活体图像。
8.如权利要求7所述的方法，所述根据预定策略处理所述生物活体脱敏图像，以支持指定业务，具体包括：
在所述源图像中，根据所述生物活体脱敏图像，替换对应的所述区域图像，得到脱敏全局图像，以便根据所述生物活体脱敏图像或者所述脱敏全局图像，支持指定业务。
9.一种基于属性脱敏的隐私保护装置，包括：
确定模块，确定根据包含隐私属性和非隐私属性的样本训练得到的基于生成对抗网络GAN的图像生成模型；
获取模块，获取用户的生物活体图像；
生成模块，根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
处理模块，根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
10.如权利要求9所述的装置，所述隐私属性反映了用户身份，所述非隐私属性不反映用户身份。
11.如权利要求10所述的装置，所述生物活体图像包括人脸图像，所述属性识别模型包括与隐私属性相对应的人脸识别子模型。
12.如权利要求11所述的装置，所述非隐私属性包括以下至少一种：表情、睁闭眼状态、人脸姿态、面部光照；
所述属性识别模型包括与所述非隐私属性对应的至少一种分类子模型或者回归子模型。
13.如权利要求10所述的装置，还包括：
训练模块，根据包含预定义的隐私属性和非隐私属性的样本，训练得到属性识别模型；
将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
14.如权利要求13所述的装置，所述训练模块，根据所述属性识别模型与GAN模型，确定所述隐私属性、所述非隐私属性、所述GAN模型的生成器分别对应的损失函数；
以最大化所述隐私属性对应的损失函数，最小化所述非隐私属性、所述GAN模型的生成器分别对应的损失函数为目标，将所述属性识别模型与GAN模型进行联合训练，得到基于GAN的图像生成模型。
15.如权利要求9所述的装置，所述获取模块，在用户的源图像中检测生物活体区域；
根据检测结果，从所述源图像中获取包含至少部分生物活体区域的区域图像，作为所述用户的生物活体图像。
16.如权利要求15所述的装置，所述处理模块，在所述源图像中，根据所述生物活体脱敏图像，替换对应的所述区域图像，得到脱敏全局图像，以便根据所述生物活体脱敏图像或者所述脱敏全局图像，支持指定业务。
17.一种基于属性脱敏的隐私保护设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定根据包含隐私属性和非隐私属性的样本训练得到的基于生成对抗网络GAN的图像生成模型；
获取用户的生物活体图像；
根据所述生物活体图像和所述图像生成模型，生成针对隐私属性的生物活体脱敏图像；
根据预定策略处理所述生物活体脱敏图像，以支持指定业务。
CN202011406814.7A 2020-12-04 2020-12-04 一种基于属性脱敏的隐私保护方法、装置以及设备 Active CN112417414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011406814.7A CN112417414B (zh) 2020-12-04 2020-12-04 一种基于属性脱敏的隐私保护方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011406814.7A CN112417414B (zh) 2020-12-04 2020-12-04 一种基于属性脱敏的隐私保护方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN112417414A true CN112417414A (zh) 2021-02-26
CN112417414B CN112417414B (zh) 2024-09-06

Family

ID=74830269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011406814.7A Active CN112417414B (zh) 2020-12-04 2020-12-04 一种基于属性脱敏的隐私保护方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN112417414B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926559A (zh) * 2021-05-12 2021-06-08 支付宝(杭州)信息技术有限公司 人脸图像处理方法及装置
CN113066094A (zh) * 2021-03-09 2021-07-02 中国地质大学（武汉） 一种基于生成对抗网络的地理栅格智能化局部脱敏方法
CN113160348A (zh) * 2021-05-20 2021-07-23 深圳文达智通技术有限公司 可恢复的人脸图像隐私保护方法、装置、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
CN113420322A (zh) * 2021-05-24 2021-09-21 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质
CN113609507A (zh) * 2021-08-19 2021-11-05 上海明略人工智能(集团)有限公司 一种数据伦理方法、系统、电子设备及介质
CN113850717A (zh) * 2021-11-30 2021-12-28 北京爱笔科技有限公司 一种图像处理方法及装置
CN114596615A (zh) * 2022-03-04 2022-06-07 湖南中科助英智能科技研究院有限公司 基于对抗学习的人脸活体检测方法、装置、设备及介质
CN115359219A (zh) * 2022-08-16 2022-11-18 支付宝(杭州)信息技术有限公司 虚拟世界的虚拟形象处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389516A (zh) * 2015-11-09 2016-03-09 小米科技有限责任公司 敏感图片提醒方法和装置
US20190050592A1 (en) * 2018-09-27 2019-02-14 Intel IP Corporation Systems and methods for processing and handling privacy-sensitive image data
WO2019184125A1 (zh) * 2018-03-30 2019-10-03 平安科技（深圳）有限公司 基于微表情的风险识别方法、装置、设备及介质
CN111046422A (zh) * 2019-12-09 2020-04-21 支付宝(杭州)信息技术有限公司 防止隐私数据泄漏的编码模型训练方法及装置
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
CN111931148A (zh) * 2020-07-31 2020-11-13 支付宝(杭州)信息技术有限公司 图像处理方法、装置和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389516A (zh) * 2015-11-09 2016-03-09 小米科技有限责任公司 敏感图片提醒方法和装置
WO2019184125A1 (zh) * 2018-03-30 2019-10-03 平安科技（深圳）有限公司 基于微表情的风险识别方法、装置、设备及介质
US20190050592A1 (en) * 2018-09-27 2019-02-14 Intel IP Corporation Systems and methods for processing and handling privacy-sensitive image data
CN111046422A (zh) * 2019-12-09 2020-04-21 支付宝(杭州)信息技术有限公司 防止隐私数据泄漏的编码模型训练方法及装置
CN111931148A (zh) * 2020-07-31 2020-11-13 支付宝(杭州)信息技术有限公司 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
袁鹏;金鑫;李晓东;赵耿;吴亚明;马铭鑫;田玉露;陈迎亚;: "基于随机子图表示的云环境人脸图像隐秘检测", 系统仿真学报, no. 09, 8 September 2016 (2016-09-08) *
马国峻;李凯;裴庆祺;詹阳;: "一种社交网络中细粒度人脸隐私保护方案", 信息网络安全, no. 08, 10 August 2017 (2017-08-10) *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066094A (zh) * 2021-03-09 2021-07-02 中国地质大学（武汉） 一种基于生成对抗网络的地理栅格智能化局部脱敏方法
CN113066094B (zh) * 2021-03-09 2024-01-30 中国地质大学（武汉） 一种基于生成对抗网络的地理栅格智能化局部脱敏方法
CN112926559A (zh) * 2021-05-12 2021-06-08 支付宝(杭州)信息技术有限公司 人脸图像处理方法及装置
CN113160348A (zh) * 2021-05-20 2021-07-23 深圳文达智通技术有限公司 可恢复的人脸图像隐私保护方法、装置、设备及存储介质
CN113420322A (zh) * 2021-05-24 2021-09-21 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质
CN113420322B (zh) * 2021-05-24 2023-09-01 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质
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
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
CN113609507A (zh) * 2021-08-19 2021-11-05 上海明略人工智能(集团)有限公司 一种数据伦理方法、系统、电子设备及介质
CN113850717A (zh) * 2021-11-30 2021-12-28 北京爱笔科技有限公司 一种图像处理方法及装置
CN114596615A (zh) * 2022-03-04 2022-06-07 湖南中科助英智能科技研究院有限公司 基于对抗学习的人脸活体检测方法、装置、设备及介质
CN114596615B (zh) * 2022-03-04 2023-05-05 湖南中科助英智能科技研究院有限公司 基于对抗学习的人脸活体检测方法、装置、设备及介质
CN115359219A (zh) * 2022-08-16 2022-11-18 支付宝(杭州)信息技术有限公司 虚拟世界的虚拟形象处理方法及装置
CN115359219B (zh) * 2022-08-16 2024-04-19 支付宝(杭州)信息技术有限公司 虚拟世界的虚拟形象处理方法及装置

Also Published As

Publication number Publication date
CN112417414B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN112417414A (zh) 一种基于属性脱敏的隐私保护方法、装置以及设备
CN107886032B (zh) 终端设备、智能手机、基于脸部识别的认证方法和系统
US10339402B2 (en) Method and apparatus for liveness detection
EP3462284A1 (en) Control method, controller, intelligent mirror and computer readable storage medium
CN105550671A (zh) 一种人脸识别的方法及装置
CN112052834B (zh) 一种基于隐私保护的面部识别方法、装置及设备
CN107977634A (zh) 一种针对视频的表情识别方法、装置及设备
Liu et al. Spoof trace disentanglement for generic face anti-spoofing
Olszewska Automated face recognition: Challenges and solutions
CN111091112B (zh) 活体检测方法及装置
WO2023124391A1 (zh) 妆容迁移及妆容迁移网络的训练方法和装置
CN111340014A (zh) 活体检测方法、装置、设备和存储介质
WO2023124869A1 (zh) 用于活体检测的方法、装置、设备及存储介质
CN112733946A (zh) 一种训练样本的生成方法、装置、电子设备及存储介质
CN111160251B (zh) 一种活体识别方法及装置
CN110770742A (zh) 基于面部特征点的摇动动作识别系统和方法
CN113313026A (zh) 一种基于隐私保护的人脸识别交互方法、装置以及设备
CN112600886A (zh) 端云结合的隐私保护方法、装置以及设备
CN115546908A (zh) 一种活体检测方法、装置及设备
KR101827168B1 (ko) 얼굴 합성 콘텐츠를 출력하는 장치 및 얼굴 합성 콘텐츠를 출력하는 방법
CN115861122A (zh) 脸部图像处理方法、装置、计算机设备及存储介质
CN113627263B (zh) 一种基于人脸检测的曝光方法、装置以及设备
KR102151851B1 (ko) 적외선 영상 기반 얼굴 인식 방법 및 이를 위한 학습 방법
JP7514972B1 (ja) 情報処理システム、プログラム、及び情報処理方法
CN114973426B (zh) 活体检测方法、装置及设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40047343

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant