CN113343295B - 基于隐私保护的图像处理方法、装置、设备和存储介质 - Google Patents

基于隐私保护的图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113343295B
CN113343295B CN202110633560.0A CN202110633560A CN113343295B CN 113343295 B CN113343295 B CN 113343295B CN 202110633560 A CN202110633560 A CN 202110633560A CN 113343295 B CN113343295 B CN 113343295B
Authority
CN
China
Prior art keywords
image
verified
desensitized
characteristic matrix
matrix
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.)
Active
Application number
CN202110633560.0A
Other languages
English (en)
Other versions
CN113343295A (zh
Inventor
许小龙
金宏
郭龙
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 CN202110633560.0A priority Critical patent/CN113343295B/zh
Publication of CN113343295A publication Critical patent/CN113343295A/zh
Application granted granted Critical
Publication of CN113343295B publication Critical patent/CN113343295B/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
    • G06F21/60—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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本说明书一个实施例提了一种基于隐私保护的图像处理方法、装置、设备和存储介质，其中方法包括：获取用户的待脱敏图像，在待脱敏图像中选取待处理图像部分；确定待处理图像部分对应的像素点位置变换方式，按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；将加密得到的图像作为脱敏后的图像；脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证；真实性验证为验证图像内容是否为验证对象。

Description

基于隐私保护的图像处理方法、装置、设备和存储介质
技术领域
本文件涉及图像处理技术领域，尤其涉及一种基于隐私保护的图像处理方法、装置、设备和存储介质。
背景技术
目前，在很多场景下都需要采集用户的隐私图像，比如，在手机支付时采集用户的人脸图像。通常情况下，手机端采集用户的隐私图像后，直接将包含用户隐私图像的原图像发送给服务器进行处理(比如进行人脸识别等)。原图像在传输过程中若被黑客非法窃取，则会导致用户隐私泄露，为此，需要提供一种更好的图像处理过程中的隐私保护方案。
发明内容
本说明书一个实施例提供了一种基于隐私保护的图像处理方法，包括：获取用户的待脱敏图像。在待脱敏图像中选取待处理图像部分。确定待处理图像部分对应的像素点位置变换方式。按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密。将加密得到的图像作为脱敏后的图像。脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证。真实性验证为验证图像内容是否为验证对象。
本说明书另一个实施例提供了一种基于隐私保护的图像处理方法，包括：获取用户待进行真实性验证的待验证图像。待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密。获取待验证图像对应的验证对象的真实图像。根据待验证图像、真实图像和预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为验证对象。
本说明书另一个实施例提供了一种基于隐私保护的图像处理装置，包括：图像获取模块，获取用户的待脱敏图像。在待脱敏图像中选取待处理图像部分。图像变换模块，确定待处理图像部分对应的像素点位置变换方式。按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密。结果输出模块，将加密得到的图像作为脱敏后的图像。脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证。真实性验证为验证图像内容是否为验证对象。
本说明书另一个实施例提供了一种基于隐私保护的图像处理装置，包括：第一获取模块，获取用户待进行真实性验证的待验证图像。待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密。第二获取模块，获取待验证图像对应的验证对象的真实图像。图像验证模块，根据待验证图像、真实图像和预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为验证对象。
本说明书另一个实施例提供了一种基于隐私保护的图像处理设备，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。计算机可执行指令在被所述处理器执行时使所述处理器实现：获取用户的待脱敏图像。在待脱敏图像中选取待处理图像部分。确定待处理图像部分对应的像素点位置变换方式。按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密。将加密得到的图像作为脱敏后的图像。脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证。真实性验证为验证图像内容是否为验证对象。
本说明书另一个实施例提供了一种基于隐私保护的图像处理设备，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。计算机可执行指令在被所述处理器执行时使所述处理器实现：获取用户待进行真实性验证的待验证图像。待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密。获取待验证图像对应的验证对象的真实图像。根据待验证图像、真实图像和预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为验证对象。
本说明书另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处理器执行时使所述处理器实现：获取用户的待脱敏图像。在待脱敏图像中选取待处理图像部分。确定待处理图像部分对应的像素点位置变换方式。按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密。将加密得到的图像作为脱敏后的图像。脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证。真实性验证为验证图像内容是否为验证对象。
本说明书另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处理器执行时使所述处理器实现：获取用户待进行真实性验证的待验证图像。待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密。获取待验证图像对应的验证对象的真实图像。根据待验证图像、真实图像和预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为验证对象。
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隐私保护的图像处理方法的流程示意图；
图2为本说明书一实施例提供的像素点位置随机变换的示意图；
图3为本说明书另一实施例提供的基于隐私保护的图像处理方法的流程示意图；
图4为本说明书一实施例提供的图像识别模型的结构示意图；
图5为本说明书一实施例提供的特征提取层的结构示意图；
图6为本说明书一实施例提供的基于隐私保护的图像处理装置的结构示意图；
图7为本说明书另一实施例提供的基于隐私保护的图像处理装置的结构示意图；
图8为本说明书一实施例提供的基于隐私保护的图像处理设备的结构示意图。
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。
为提高用户隐私数据的安全性，本说明书一实施例提供了一种基于隐私保护的图像处理方法，该方法可以由采集用户的待脱敏图像的用户终端如手机、电脑、平板电脑执行，也可以由接收用户终端传输的待脱敏图像的服务器执行。图1为本说明书一实施例提供的基于隐私保护的图像处理方法的流程示意图，如图1所示，该流程包括以下步骤：
步骤S102，获取用户的待脱敏图像，在待脱敏图像中选取待处理图像部分；
步骤S104，确定待处理图像部分对应的像素点位置变换方式，按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
步骤S106，将加密得到的图像作为脱敏后的图像，脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，真实性验证为验证图像内容是否为验证对象。
本实施例中，在获取到用户的待脱敏图像后，在待脱敏图像中选取待处理图像部分，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密，加密后的图像即为脱敏后的图像。可见，通过本实施例，能够通过对待脱敏图像中的像素点的位置进行变换的方式，对用户隐私数据进行加密，从而提高用户隐私数据的安全性。
上述步骤S102中，获取用户的待脱敏图像。比如，手机采集到图像或者接收到其他设备传输的图像后，检测该图像中是否包括人脸、预设敏感字符、预设敏感图案等预设的目标因素，若包括，则将该图像作为待脱敏图像。或者，服务器接收到手机发送的图像后，检测该图像中是否包括人脸、预设敏感字符、预设敏感图案等预设的目标因素，若包括，则将该图像作为待脱敏图像。在人脸识别场景，当用户通过手机进行人脸识别时，手机在采集到用户的人脸图像后，将该人脸图像作为待脱敏图像。
上述步骤S102中，在待脱敏图像中选取待处理图像部分。比如，将待脱敏图像中的人脸、预设敏感字符、预设敏感图案等预设的目标因素，作为待处理图像部分。在人脸识别场景，当用户通过手机进行人脸识别时，手机在采集到用户的人脸图像后，将该人脸图像作为待脱敏图像，并将人脸图像中的人脸部分作为待处理图像部分。
在一个实施例中，在待脱敏图像中选取待处理图像部分，具体为：在待脱敏图像中逐次移动预设的图像选取窗口，以在待脱敏图像中逐次选取待处理图像部分。
本实施例中，预设有图像选取窗口，图像选取窗口的大小可以根据需求任意设定，比如设定3像素乘以3像素的窗口作为图像选取窗口，或者，设定2像素乘以2像素的窗口作为图像选取窗口，当然，图像选取窗口的长和宽也可以不同。在设定好图像选取窗口后，在待脱敏图像中逐次移动图像选取窗口，以在待脱敏图像中逐次选取待处理图像部分。比如，从待脱敏图像的左上角开始，向右方逐次移动图像选取窗口，移动到图像右边缘后再向下移动图像选取窗口，并再向左方逐次移动图像选取窗口，移动到图像左边缘后再向下移动图像窗口并再向右移动，如此循环，直至通过图像选取窗口将待脱敏图像的各个像素都选取到，每次图像选取窗口所选取的图像部分即为待处理图像部分，从而达到在待脱敏图像中逐次选取待处理图像部分的效果。
由于移动图像选取窗口时需要根据移动步长作为移动依据，因此在一个实施例中，在待脱敏图像中逐次移动预设的图像选取窗口，具体为：根据图像选取窗口的大小，设置图像选取窗口的移动步长，根据图像选取窗口的移动步长，在待脱敏图像中逐次移动预设的图像选取窗口。
在一个实施例中，图像选取窗口在第一方向上的移动步长大于或等于一个像素点，且，小于或等于图像选取窗口在第一方向上的长度，图像选取窗口在第二方向上的移动步长大于或等于一个像素点，且，小于或等于图像选取窗口在第二方向上的长度。
第一方向为水平方向，第二方向为竖直方向，或者，第一方向为竖直方向，第二方向为水平方向。比如，图像选取窗口的大小为m像素乘以n像素，则在移动步长最小的情况下，可以设置图像选取窗口的移动步长在水平方向为1个像素，在竖直方向也为1个像素，从而每次水平或者竖直移动图像选取窗口时，按照1个像素的步长进行移动，这种情况下本次图像选取窗口所选取的像素点与下次图像选取窗口所选取的像素点之间存在重复。在移动步长最大的情况下，可以设置图像选取窗口的移动步长在水平方向为m个像素，在竖直方向为n个像素，从而每次水平移动图像选取窗口时，按照m个像素的步长进行移动，每次竖直移动图像选取窗口时，按照n个像素的步长进行移动，这种情况下本次图像选取窗口所选取的像素点与下次图像选取窗口所选取的像素点不存在重复。
在一个情况下，当将图像选取窗口移动至待脱敏图像的边缘时，有可能待脱敏图像边缘的像素点的数量少于图像选取窗口中所容纳的像素点的数量，比如，待脱敏图像为10*6的图像，图像选取窗口为6*6大小，水平方向上的移动步长为6，则从左侧开始，图像选取窗口第一次选取待处理图像部分后，在进行第二次选取时，只能够选取到4*6个像素，这种情况下，在可以利用预设的像素点如黑像素点或者白像素点，将缺少的2*6个像素补充完整。
在选取好待处理图像部分后，针对每次选取的待处理图像部分，均执行步骤S104，确定待处理图像部分对应的像素点位置变换方式，按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密。由于前面选取了多次待处理图像部分，因此本步骤具体可以为：确定每次选取的待处理图像部分对应的像素点位置变换方式，按照确定的像素点位置变换方式，对每次选取的待处理图像部分中的像素点的位置进行变换。需要说明的是，为每次选取的待处理图像部分确定像素点位置变换方式的过程可以相同可以不同，每次选取的待处理图像部分对应的像素点位置变换方式可以相同可以不同。
在一个实施中，确定待处理图像部分对应的像素点位置变换方式，具体为：将位置随机变换确定为待处理图像部分对应的像素点位置变换方式。根据前面的描述，针对每次选取的待处理图像部分，均执行步骤S104，确定待处理图像部分对应的像素点位置变换方式，因此本实施例中，将位置随机变换确定为待处理图像部分对应的像素点位置变换方式，可以为：针对每次选取的待处理图像部分，确定该待处理图像部分对应的像素点位置变换方式为位置随机变换。
图2为本说明书一实施例提供的像素点位置随机变换的示意图，如图2所示，待处理图像部分包括3*3共9个像素点，确定这9个像素点的位置变换方式为位置随机变换，以达到用户隐私数据加密的效果。可见，本实施例中，通过步骤S102在待脱敏图像中选取多次待处理图像部分，通过步骤S104确定每次选取的待处理图像部分对应的像素点位置变换方式均为位置随机变换，由于每次选取的待处理图像部分对应的像素点位置变换方式均为位置随机变换，因此每次选取的待处理图像部分的像素点变换结果可能均不同，从而提高了用户隐私数据的加密程度，提高了用户隐私数据的安全性。
在另一个实施例中，确定待处理图像部分对应的像素点位置变换方式，具体为：在预设的多种位置变换方式中，为待处理图像部分随机选取像素点位置变换方式。本实施例中，预设有多种位置变换方式，位置变换方式包括随机变换、水平方向倒序排列、竖直方向倒序排列、按照水平对称轴翻转、按照竖直对称轴翻转、按照对角线翻转、围绕中心点翻转等多种方式。根据前面的描述，针对每次选取的待处理图像部分，均执行步骤S104，确定待处理图像部分对应的像素点位置变换方式，因此本实施例中，在预设的多种位置变换方式中，为待处理图像部分随机选取像素点位置变换方式，可以为：针对每次选取的待处理图像部分，为该待处理图像部分在预设的多种位置变换方式中随机选取像素点位置变换方式。
可见，本实施例中，通过步骤S102在待脱敏图像中选取多次待处理图像部分，通过步骤S104为每次选取的待处理图像部分在预设的多种位置变换方式中随机选取像素点位置变换方式，由于每次选取的待处理图像部分对应的像素点位置变换方式均为随机选取得到，因此每次选取的待处理图像部分的像素点变换结果可能均不同，从而提高了用户隐私数据的加密程度，提高了用户隐私数据的安全性。
在一个实施例中，在多次选取待处理图像部分后，确定一部分图像处理部分对应的像素点位置变换方式为位置随机变换，确定另一部分图像处理部分对应的像素点位置变换方式为在预设的多种位置变换方式中随机选取得到，从而提高像素点位置变换方式的复杂性，提高用户隐私数据的加密效果。
在确定每次选取的待处理图像部分对应的像素点位置变换方式之后，步骤S104中，还按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密。
在一个实施例中，按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，具体为：针对每次选取的待处理图像部分，在该待处理图像部分中，按照确定的该待处理图像部分对应的像素点位置变换方式，对该待处理图像部分中的像素点的位置进行变换。就是说，本实施例中在确定每次选取的待处理图像部分对应的像素点位置变换方式后，按照确定的变换方式，对每次选取的待处理图像部分中的像素点的位置进行变换，从而达到对用户隐私数据进行加密的效果。
上述步骤S106中，将加密得到的图像作为脱敏后的图像，也即，在每次选取的待处理图像部分中的像素点位置都变换完成后，将变换完成的图像作为脱敏后的图像。本实施例中，脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，真实性验证为验证图像内容是否为验证对象。比如，在人脸识别场景，脱敏后的人脸图像能够进行真实性验证即人脸识别，识别脱敏后的图像中的图像内容是否为目标人员。
以上介绍了图像脱敏过程，由于图像脱敏是通过像素位置交换的方式进行脱敏，因此图像脱敏后，图像的整体特征依然保留，但是像素之间的临近顺序会发生变化，导致图像无法被肉眼识别，但是通过模型依旧可以识别图像内容，基于此，下面介绍脱敏后的图像进行真实性验证的过程以及相关的模型训练过程。
图3为本说明书另一实施例提供的基于隐私保护的图像处理方法的流程示意图，该方法能够由进行真实性验证的服务器执行，当然，也可以由用户终端执行，如图3所示，该方法包括以下流程：
步骤S302，获取用户待进行真实性验证的待验证图像；待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
步骤S304，获取待验证图像对应的验证对象的真实图像；
步骤S306，根据待验证图像、真实图像和预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为上述验证对象。
本实施例中，获取预先通过像素点位置变换的方式进行脱敏处理的待验证图像，以及，获取待验证图像对应的验证对象的真实图像，并基于预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为上述验证对象。可见，通过本实施例，能够在图像脱敏后验证图像内容是否为验证对象，从而无需使用脱敏前的图像进行验证，提高了用户隐私数据的安全性。
上述步骤S302中，获取用户待进行真实性验证的待验证图像。其中，待验证图像预先通过图1中的方法流程进行脱敏处理，以对用户隐私数据进行加密。一个例子中，服务器获取手机发送的通过图1中的方法得到的脱敏后的图像，将该图像作为待验证图像。
在一个实施例中，待验证图像通过以下方式得到：首先，在待验证图像的原始图像中选取待处理图像部分，待验证图像的原始图像即为脱敏前的待验证图像，然后，确定待处理图像部分对应的像素点位置变换方式，按照确定的像素点位置变换方式，对待处理图像部分中的像素点的位置进行变换，最后，将变换得到的图像作为待验证图像。该过程可以参考前面图1中的描述，这里不再重复。
上述步骤S304中，获取待验证图像对应的验证对象的真实图像。真实图像的图像内容为验证对象。在人脸识别场景下，服务器接收到用户发送的待验证图像，并预先确定用户的验证对象为“小明”(也即验证用户是否为小明)，则服务器获取预先存储的小明的真正的面部图像作为小明的真实图像。
在一个实施例中，获取待验证图像对应的验证对象的真实图像，具体为：在预设的图像数据库中，根据待验证图像对应的验证对象的对象标识，获取待验证图像对应的验证对象的真实图像，真实图像的图像内容为验证对象。本实施例中，预先获取待验证图像对应的验证对象的对象标识，如上面例子中的标识“小明”，然后，在预设的图像数据库比如云端图像库中，根据验证对象的对象标识，获取验证对象的真实图像，比如根据标识“小明”，获取小明真正的面部图像，验证对象的真实图像的图像内容为验证对象。
在一个实施例中，上述步骤S306中，根据待验证图像、真实图像和预先建立的基于机器学习的图像识别模型，验证待验证图像的图像内容是否为上述验证对象的具体过程为：
(a1)通过上述的图像识别模型，获取用于表示待验证图像的图像特征和上述真实图像的图像特征之和的目标特征矩阵；
(a2)通过上述的图像识别模型，对目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断待验证图像的图像内容是否为上述验证对象。
首先，通过上述的图像识别模型，获取目标特征矩阵，目标特征矩阵用于表示待验证图像的图像特征和上述真实图像的图像特征之和，该目标特征矩阵可以通过对待验证图像的图像特征矩阵和真实图像的图像特征矩阵进行拼接得到。其次，通过上述的图像识别模型，对目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断待验证图像的图像内容是否为上述验证对象。
在一个实施例中，通过上述的图像识别模型，获取用于表示待验证图像的图像特征和上述真实图像的图像特征之和的目标特征矩阵，具体为：
(a11)利用上述的图像识别模型，提取待验证图像的图像特征，得到第一特征矩阵，以及，提取真实图像的图像特征，得到第二特征矩阵；
(a12)利用上述的图像识别模型，对第一特征矩阵和第二特征矩阵进行拼接，得到第三特征矩阵，将第三特征矩阵作为目标特征矩阵。
首先，利用上述的图像识别模型，提取待验证图像的图像特征，得到第一特征矩阵，以及，提取真实图像的图像特征，得到第二特征矩阵。在提取第一特征矩阵和提取第二特征矩阵之前，也可以先分别对待验证图像和真实图像进行归一化，该归一化包括尺寸归一化和像素值归一化，像素值归一化指的是将像素值归一化为0和1。在归一化之后，可以利用图像识别模型中的同一个特征提取单元，分别提取第一特征矩阵和第二特征矩阵。
接着，利用上述的图像识别模型，对第一特征矩阵和第二特征矩阵进行拼接，得到第三特征矩阵，将第三特征矩阵作为目标特征矩阵。具体可以利用图像识别模型中的特征拼接单元，对第一特征矩阵和第二特征矩阵进行拼接，得到第三特征矩阵，拼接时可以保持矩阵的行数不变进行拼接，也可以保证矩阵的列数不变进行拼接。拼接得到的第三特征矩阵即为目标特征矩阵。
上述动作(a2)中，通过上述的图像识别模型中的线性变换单元，对目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断待验证图像的图像内容是否为上述验证对象。
在一个实施例中，线性变换得到的矩阵为一行两列矩阵或者一列两行矩阵，线性变换得到的矩阵中包括两个元素，两个元素分别为待验证图像的图像内容为验证对象的特征值和待验证图像的图像内容不为验证对象的特征值。比如，线性变换得到的矩阵为(a，b)，其中a为待验证图像的图像内容为验证对象的特征值，b为待验证图像的图像内容不为验证对象的特征值。
相应地，上述动作(a2)中，通过上述的图像识别模型，对目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断待验证图像的图像内容是否为验证对象，具体为：通过图像识别模型，将线性变换得到的矩阵中的两个元素分别映射为概率值，根据映射得到的概率值，判断待验证图像的图像内容是否为验证对象。
将线性变换得到的矩阵中的两个元素分别映射为概率值，可以通过softmax函数进行映射，比如将a映射为a1，将b映射为b1，a1和b1之和为1，a1表示待验证图像的图像内容为验证对象的概率，b1表示待验证图像的图像内容不为验证对象的概率，若a1大于b1，则确定待验证图像的图像内容为验证对象，若a1小于等于b1，则确定待验证图像的图像内容不为验证对象。
前面提到，可以先对待验证图像和真实图像进行归一化，基于此，在一个实施例中，在利用图像识别模型，提取待验证图像的图像特征，得到第一特征矩阵，以及，提取真实图像的图像特征，得到第二特征矩阵之前，还能够：利用图像识别模型，对待验证图像进行尺寸归一化处理和像素值归一化处理，得到归一化后的待验证图像，以及，对真实图像进行尺寸归一化处理和像素值归一化处理，得到归一化后的真实图像。具体为，利用图像识别模型中的归一化单元，分别对待验证图像和真实图像进行归一化，该归一化包括尺寸归一化和像素值归一化，像素值归一化指的是将像素值归一化为0和1，从而得到归一化后的待验证图像和归一化后的真实图像。
相应地，利用图像识别模型，提取待验证图像的图像特征，得到第一特征矩阵，以及，提取真实图像的图像特征，得到第二特征矩阵，就可以为：利用图像识别模型中的特征提取单元，分别提取归一化后的待验证图像的图像特征，得到第一特征矩阵，以及，提取归一化后的真实图像的图像特征，得到第二特征矩阵。
在一个实施例中，在利用图像识别模型，提取待验证图像的图像特征，得到第一特征矩阵，以及，提取真实图像的图像特征，得到第二特征矩阵之后，还能够：利用图像识别模型，分别对第一特征矩阵和所述第二特征矩阵进行激活处理，利用图像识别模型，分别对第一特征矩阵的激活处理结果和第二特征矩阵的激活处理结果进行池化处理，利用图像识别模型，分别对第一特征矩阵的池化处理结果和第二特征矩阵的池化处理结果进行特征增强处理。
在提取到第一特征矩阵和第二特征矩阵后，首先利用图像识别模型中的激活函数，分别对第一特征矩阵和第二特征矩阵进行激活处理。处理之后，第一特征矩阵的激活处理结果和第二特征矩阵的激活处理结果输入图像识别模型中的池化单元，池化单元分别对第一特征矩阵的激活处理结果和第二特征矩阵的激活处理结果进行池化处理，池化处理时，可以对第一特征矩阵中的特征值进行取均值处理，并对第二特征矩阵中的特征值进行取均值处理。池化之后，第一特征矩阵的池化处理结果和第二特征矩阵的池化处理结果输入图像识别模型中的特征增强单元，特征增强单元分别对第一特征矩阵的池化处理结果和第二特征矩阵的池化处理结果进行特征增强处理。特征增强单元可以为1*1卷积层，将第一特征矩阵的池化处理结果乘以该1*1卷积层，能够增强第一特征矩阵中的某些特征，弱化第一特征矩阵中的某些特征，从而达到特征增强效果，同样地，将第二特征矩阵的池化处理结果乘以该1*1卷积层，能够增强第二特征矩阵中的某些特征，弱化第二特征矩阵中的某些特征，从而达到特征增强效果。
相应地，利用图像识别模型，对第一特征矩阵和第二特征矩阵进行拼接，得到第三特征矩阵，具体为：利用图像识别模型，对第一特征矩阵的增强处理结果和第二特征矩阵的增强处理结果进行拼接，得到第三特征矩阵。
根据以上描述可知，图像识别模型的完整处理流程为：
1、利用图像识别模型中的归一化单元，对待验证图像进行尺寸归一化处理和像素值归一化处理，得到归一化后的待验证图像，以及，对真实图像进行尺寸归一化处理和像素值归一化处理，得到归一化后的真实图像；
2、利用图像识别模型中的特征提取单元，提取归一化后的待验证图像的图像特征，得到第一特征矩阵，以及，提取归一化后的真实图像的图像特征，得到第二特征矩阵；
3、利用图像识别模型中的激活函数，分别对第一特征矩阵和第二特征矩阵进行激活处理；
4、利用图像识别模型中的池化单元，分别对第一特征矩阵的激活处理结果和第二特征矩阵的激活处理结果进行池化处理；
5、利用图像识别模型中的特征增强单元，分别对第一特征矩阵的池化处理结果和第二特征矩阵的池化处理结果进行特征增强处理；
6、利用图像识别模型中的特征拼接单元，对第一特征矩阵的增强处理结果和第二特征矩阵的增强处理结果进行拼接，得到第三特征矩阵，将第三特征矩阵作为目标特征矩阵；
7、利用图像识别模型中的线性变换单元，对目标特征矩阵进行线性变换；
8、利用图像识别模型中的softmax函数，将线性变换得到的矩阵中的两个元素分别映射为概率值，根据映射得到的概率值，判断待验证图像的图像内容是否为验证对象。
图4为本说明书一实施例提供的图像识别模型的结构示意图，如图4所示，该图像识别模型包括归一化层、多个特征提取层、激活函数层、均值池化层、1*1卷积层、全连接层。
其中，归一化层相当于上述的归一化单元，用于对待验证图像进行尺寸归一化处理和像素值归一化处理，以及，对真实图像进行尺寸归一化处理和像素值归一化处理。特征提取层相当于上述的特征提取单元，用于提取归一化后的待验证图像的图像特征，得到第一特征矩阵，以及，提取归一化后的真实图像的图像特征，得到第二特征矩阵。特征提取层的数量有多个，通过多个特征提取层，实现对待验证图像的图像特征和真实图像的图像特征的多次提取，最终得到第一特征矩阵和第二特征矩阵。激活函数层中具有激活函数，分别对第一特征矩阵和第二特征矩阵进行激活处理。均值池化层相当于上述的池化单元，分别对第一特征矩阵的激活处理结果和第二特征矩阵的激活处理结果进行池化处理。1*1卷积层相当于上述的特征增强单元，分别对第一特征矩阵的池化处理结果和第二特征矩阵的池化处理结果进行特征增强处理。全连接层能够对第一特征矩阵的增强处理结果和第二特征矩阵的增强处理结果进行拼接，得到目标特征矩阵，并对目标特征矩阵进行线性变换，并将线性变换得到的矩阵中的两个元素分别映射为概率值，根据映射得到的概率值，判断待验证图像的图像内容是否为验证对象。
图5为本说明书一实施例提供的特征提取层的结构示意图，如图5所示，特征提取层包括1*1卷积层、3*3卷积层和1*1卷积层。本实施例中，在通过多个特征提取层提取图像特征时，任意一个特征提取层接收到上一个特征提取层传输过来的特征，并再次进行特征提取，得到提取到的特征，该任意一个特征提取层将从上一个特征提取层处接收到的特征和自身提取到的特征共同输出到下一个特征提取层进行特征提取，比如，按照像素点将从上一个特征提取层处接收到的特征和自身提取到的特征进行加和处理，将加和得到的特征输出到下一个特征提取层进行特征提取。通过这种特征输出方式，能够提高特征提取的准确性。
以一个具体的例子进行说明，任意一个特征提取层接收到上一个特征提取层传输过来的特征为矩阵1，基于矩阵1进行特征提取，得到矩阵2，将矩阵1和矩阵2中的相对应的元素值加和，得到矩阵3，将矩阵3输入至下一个特征提取层进行提取处理。同样地，下一个特征提取层接收到矩阵3，基于矩阵3进行特征提取得到矩阵4，将阵3和矩阵4中的相对应的元素值加和，得到矩阵5，将矩阵5输入至下一个特征提取层进行提取处理。
以上介绍了本实施例中的图像识别模型的结构和工作过程，本实施例中的图像识别模型能够通过以下方式训练得到：
1、获取用于进行模型训练的正样本图像，正样本图像为未经过脱敏处理的图像；
2、通过像素点位置变换的方式对正样本图像进行脱敏处理，得到负样本图像；
3、根据正样本图像和负样本图像，基于机器学习的方式训练图像识别模型。
首先，获取未经过脱敏处理的图像作为正样本图像，正样本图像相当于前述的真实图像。然后，通过图1中的方法对正样本图像进行脱敏处理，得到负样本图像，负样本图像相当于待验证图像。最后，通过通用的机器学习方法，根据正样本图像和负样本图像，基于机器学习的方式训练图像识别模型，训练好的模型即为图像识别模型。
本实施例中，在训练图像识别模型时，可以先对正样本进行加噪处理，加噪处理后再生成对应的负样本，或者先生成对应的负样本，再对负样本进行加噪处理。同样地，在对待脱敏图像进行脱敏时，可以对待脱敏图像进行加噪处理，加噪后再进行脱敏处理，或者先进行脱敏处理，脱敏处理后再进行加噪处理。
综上，本实施例中的图像处理方法至少具有以下优势：
1、充分利用随机的性质对待脱敏图像进行脱敏处理，可以保证脱敏后的数据无法被还原，保证隐私加密最大化；
2、图像脱敏方式既能够保证图像难以被还原，又能够使得脱敏后的图像能够用于模型训练，且能够基于机器学习的方式进行真实性验证；
3、同时使用原图片与脱敏加密后的图片进行模型训练从而保证模型性能不下降；
4、本实施例中的方法能够用在刷脸支付、刷脸开门、商家识别等多种场景。
对应于上述的图像脱敏过程，本实施例提供了一种基于隐私保护的图像处理装置，图6为本说明书一实施例提供的基于隐私保护的图像处理装置的结构示意图，如图6所示，该装置包括：
图像获取模块61，获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
图像变换模块62，确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
结果输出模块63，将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证为验证图像内容是否为验证对象。
本实施例中的图像处理装置能够实现前述图1中的图像处理方法实施例的各个过程，并达到相同的功能和效果，这里不再重复。
对应于上述的图像识别过程，本实施例提供了一种基于隐私保护的图像处理装置，图7为本说明书另一实施例提供的基于隐私保护的图像处理装置的结构示意图，如图7所示，该装置包括：
第一获取模块71，获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
第二获取模块72，获取所述待验证图像对应的验证对象的真实图像；
图像验证模块73，根据所述待验证图像、所述真实图像和预先建立的基于机器学习的图像识别模型，验证所述待验证图像的图像内容是否为所述验证对象。
本实施例中的图像处理装置能够实现前述图3中的图像处理方法实施例的各个过程，并达到相同的功能和效果，这里不再重复。
本说明书还提供了一种基于隐私保护的图像处理设备，图8为本说明书一实施例提供的基于隐私保护的图像处理设备的结构示意图，如图8所示，图像处理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1501和存储器1502，存储器1502中可以存储有一个或一个以上应用程序或数据。其中，存储器1502可以是短暂存储或持久存储。存储在存储器1502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括图像处理设备中的一系列计算机可执行指令。更进一步地，处理器1501可以设置为与存储器1502通信，在图像处理设备上执行存储器1502中的一系列计算机可执行指令。图像处理设备还可以包括一个或一个以上电源1503，一个或一个以上有线或无线网络接口1504，一个或一个以上输入输出接口1505，一个或一个以上键盘1506等。
在一个具体的实施例中，图像处理设备包括有处理器；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所述处理器执行时使所述处理器实现：
获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证为验证图像内容是否为验证对象。
本实施例中的图像处理设备能够实现前述图1中的图像处理方法实施例的各个过程，并达到相同的功能和效果，这里不再重复。
在另一个具体的实施例中，图像处理设备包括有处理器；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所述处理器执行时使所述处理器实现：
获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
获取所述待验证图像对应的验证对象的真实图像；
根据所述待验证图像、所述真实图像和预先建立的基于机器学习的图像识别模型，验证所述待验证图像的图像内容是否为所述验证对象。
本实施例中的图像处理设备能够实现前述图3中的图像处理方法实施例的各个过程，并达到相同的功能和效果，这里不再重复。
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，能使所述处理器实现以下流程：
获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证为验证图像内容是否为验证对象。
本实施例中的存储介质能够实现前述图1中的图像处理方法实施例的各个过程，并达到相同的功能和效果，这里不再重复。
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，能使所述处理器实现以下流程：
获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
获取所述待验证图像对应的验证对象的真实图像；
根据所述待验证图像、所述真实图像和预先建立的基于机器学习的图像识别模型，验证所述待验证图像的图像内容是否为所述验证对象。
本实施例中的存储介质能够实现前述图3中的图像处理方法实施例的各个过程，并达到相同的功能和效果，这里不再重复。
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：ARC625D、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)

1.一种基于隐私保护的图像处理方法，包括：
获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证包括：通过所述图像识别模型，获取对第一特征矩阵和第二特征矩阵拼接得到的目标特征矩阵；所述第一特征矩阵为所述脱敏后的图像的图像特征矩阵；所述第二特征矩阵为所述脱敏后的图像对应的验证对象的真实图像的图像特征矩阵；通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述脱敏后的图像的图像内容是否为所述验证对象。
2.根据权利要求1所述的方法，在所述待脱敏图像中选取待处理图像部分，包括：
在所述待脱敏图像中逐次移动预设的图像选取窗口，以在所述待脱敏图像中逐次选取待处理图像部分。
3.根据权利要求2所述的方法，在所述待脱敏图像中逐次移动预设的图像选取窗口，包括：
根据所述图像选取窗口的大小，设置所述图像选取窗口的移动步长；
根据所述图像选取窗口的移动步长，在所述待脱敏图像中逐次移动预设的图像选取窗口。
4.根据权利要求3所述的方法，
所述图像选取窗口在第一方向上的移动步长大于或等于一个像素点，且，小于或等于所述图像选取窗口在第一方向上的长度；
所述图像选取窗口在第二方向上的移动步长大于或等于一个像素点，且，小于或等于所述图像选取窗口在第二方向上的长度。
5.根据权利要求1所述的方法，确定所述待处理图像部分对应的像素点位置变换方式，包括：
将位置随机变换确定为所述待处理图像部分对应的像素点位置变换方式。
6.根据权利要求1所述的方法，确定所述待处理图像部分对应的像素点位置变换方式，包括：
在预设的多种位置变换方式中，为所述待处理图像部分随机选取像素点位置变换方式。
7.根据权利要求2所述的方法，确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，包括：
确定每次选取的所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对每次选取的所述待处理图像部分中的像素点的位置进行变换。
8.一种基于隐私保护的图像处理方法，包括：
获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
获取所述待验证图像对应的验证对象的真实图像；
通过预先建立的基于机器学习的图像识别模型，获取对所述待验证图像的图像特征和所述真实图像的图像特征进行拼接得到的目标特征矩阵；
通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述待验证图像的图像内容是否为所述验证对象。
9.根据权利要求8所述的方法，所述待验证图像通过以下方式得到：
在所述待验证图像的原始图像中选取待处理图像部分；
确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换；
将变换得到的图像作为所述待验证图像。
10.根据权利要求8所述的方法，获取所述待验证图像对应的验证对象的真实图像，包括：
在预设的图像数据库中，根据所述待验证图像对应的验证对象的对象标识，获取所述待验证图像对应的验证对象的真实图像；所述真实图像的图像内容为所述验证对象。
11.根据权利要求8所述的方法，通过预先建立的基于机器学习的图像识别模型，获取对所述待验证图像的图像特征和所述真实图像的图像特征进行拼接得到的目标特征矩阵，包括：
利用所述图像识别模型，提取所述待验证图像的图像特征，得到第一特征矩阵，以及，提取所述真实图像的图像特征，得到第二特征矩阵；
利用所述图像识别模型，对所述第一特征矩阵和所述第二特征矩阵进行拼接，得到第三特征矩阵，将所述第三特征矩阵作为所述目标特征矩阵。
12.根据权利要求8所述的方法，所述线性变换得到的矩阵中包括两个元素，所述两个元素分别为所述待验证图像的图像内容为所述验证对象的特征值和所述待验证图像的图像内容不为所述验证对象的特征值。
13.根据权利要求12所述的方法，通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述待验证图像的图像内容是否为所述验证对象，包括：
通过所述图像识别模型，将所述线性变换得到的矩阵中的两个元素分别映射为概率值，根据映射得到的概率值，判断所述待验证图像的图像内容是否为所述验证对象。
14.根据权利要求11所述的方法，
在利用所述图像识别模型，提取所述待验证图像的图像特征，得到第一特征矩阵，以及，提取所述真实图像的图像特征，得到第二特征矩阵之前，还包括：
利用所述图像识别模型，对所述待验证图像进行尺寸归一化处理和像素值归一化处理，得到归一化后的待验证图像，以及，对所述真实图像进行尺寸归一化处理和像素值归一化处理，得到归一化后的真实图像；
相应地，利用所述图像识别模型，提取所述待验证图像的图像特征，得到第一特征矩阵，以及，提取所述真实图像的图像特征，得到第二特征矩阵，包括：
利用所述图像识别模型中，提取所述归一化后的待验证图像的图像特征，得到第一特征矩阵，以及，提取所述归一化后的真实图像的图像特征，得到第二特征矩阵。
15.根据权利要求11所述的方法，
在利用所述图像识别模型，提取所述待验证图像的图像特征，得到第一特征矩阵，以及，提取所述真实图像的图像特征，得到第二特征矩阵之后，还包括：
利用所述图像识别模型，分别对所述第一特征矩阵和所述第二特征矩阵进行激活处理；
利用所述图像识别模型，分别对所述第一特征矩阵的激活处理结果和所述第二特征矩阵的激活处理结果进行池化处理；
利用所述图像识别模型，分别对所述第一特征矩阵的池化处理结果和所述第二特征矩阵的池化处理结果进行特征增强处理；
相应地，利用所述图像识别模型，对所述第一特征矩阵和所述第二特征矩阵进行拼接，得到第三特征矩阵，包括：
利用所述图像识别模型，对所述第一特征矩阵的增强处理结果和所述第二特征矩阵的增强处理结果进行拼接，得到第三特征矩阵。
16.根据权利要求8所述的方法，所述图像识别模型通过以下方式训练得到：
获取用于进行模型训练的正样本图像；所述正样本图像为未经过脱敏处理的图像；
通过像素点位置变换的方式对所述正样本图像进行脱敏处理，得到负样本图像；
根据所述正样本图像和所述负样本图像，基于机器学习的方式训练所述图像识别模型。
17.一种基于隐私保护的图像处理装置，包括：
图像获取模块，获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
图像变换模块，确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
结果输出模块，将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证包括：通过所述图像识别模型，获取对第一特征矩阵和第二特征矩阵拼接得到的目标特征矩阵；所述第一特征矩阵为所述脱敏后的图像的图像特征矩阵；所述第二特征矩阵为所述脱敏后的图像对应的验证对象的真实图像的图像特征矩阵；通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述脱敏后的图像的图像内容是否为所述验证对象。
18.一种基于隐私保护的图像处理装置，包括：
第一获取模块，获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
第二获取模块，获取所述待验证图像对应的验证对象的真实图像；
图像验证模块，通过预先建立的基于机器学习的图像识别模型，获取对所述待验证图像的图像特征和所述真实图像的图像特征进行拼接得到的目标特征矩阵；通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述待验证图像的图像内容是否为所述验证对象。
19.一种基于隐私保护的图像处理设备，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所述处理器执行时使所述处理器实现：
获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证包括：通过所述图像识别模型，获取对第一特征矩阵和第二特征矩阵拼接得到的目标特征矩阵；所述第一特征矩阵为所述脱敏后的图像的图像特征矩阵；所述第二特征矩阵为所述脱敏后的图像对应的验证对象的真实图像的图像特征矩阵；通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述脱敏后的图像的图像内容是否为所述验证对象。
20.一种基于隐私保护的图像处理设备，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所述处理器执行时使所述处理器实现：
获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
获取所述待验证图像对应的验证对象的真实图像；
通过预先建立的基于机器学习的图像识别模型，获取对所述待验证图像的图像特征和所述真实图像的图像特征进行拼接得到的目标特征矩阵；
通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述待验证图像的图像内容是否为所述验证对象。
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处理器执行时使所述处理器实现：
获取用户的待脱敏图像，在所述待脱敏图像中选取待处理图像部分；
确定所述待处理图像部分对应的像素点位置变换方式，按照确定的所述像素点位置变换方式，对所述待处理图像部分中的像素点的位置进行变换，以对用户隐私数据进行加密；
将加密得到的图像作为脱敏后的图像；所述脱敏后的图像能够通过基于机器学习的图像识别模型进行真实性验证，所述真实性验证包括：通过所述图像识别模型，获取对第一特征矩阵和第二特征矩阵拼接得到的目标特征矩阵；所述第一特征矩阵为所述脱敏后的图像的图像特征矩阵；所述第二特征矩阵为所述脱敏后的图像对应的验证对象的真实图像的图像特征矩阵；通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述脱敏后的图像的图像内容是否为所述验证对象。
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处理器执行时使所述处理器实现：
获取用户待进行真实性验证的待验证图像；所述待验证图像预先通过像素点位置变换的方式进行脱敏处理，以对用户隐私数据进行加密；
获取所述待验证图像对应的验证对象的真实图像；
通过预先建立的基于机器学习的图像识别模型，获取对所述待验证图像的图像特征和所述真实图像的图像特征进行拼接得到的目标特征矩阵；
通过所述图像识别模型，对所述目标特征矩阵进行线性变换，根据线性变换得到的矩阵，判断所述待验证图像的图像内容是否为所述验证对象。
CN202110633560.0A 2021-06-07 2021-06-07 基于隐私保护的图像处理方法、装置、设备和存储介质 Active CN113343295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110633560.0A CN113343295B (zh) 2021-06-07 2021-06-07 基于隐私保护的图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110633560.0A CN113343295B (zh) 2021-06-07 2021-06-07 基于隐私保护的图像处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113343295A CN113343295A (zh) 2021-09-03
CN113343295B true CN113343295B (zh) 2023-01-24

Family

ID=77475032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110633560.0A Active CN113343295B (zh) 2021-06-07 2021-06-07 基于隐私保护的图像处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113343295B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627303B (zh) * 2022-03-16 2024-07-12 平安科技（深圳）有限公司 基于识别模型的图像处理方法、装置、设备及存储介质
CN114758423B (zh) * 2022-04-29 2024-07-16 支付宝(杭州)信息技术有限公司 一种生物识别方法、装置及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310734A (zh) * 2020-03-19 2020-06-19 支付宝(杭州)信息技术有限公司 保护用户隐私的人脸识别方法和装置
CN111538968A (zh) * 2020-05-27 2020-08-14 支付宝(杭州)信息技术有限公司 基于隐私保护的身份核验方法、装置及设备
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
CN112115811A (zh) * 2020-08-31 2020-12-22 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
CN112200132A (zh) * 2020-10-28 2021-01-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112308043A (zh) * 2020-11-26 2021-02-02 腾讯科技（深圳）有限公司 图像处理方法、图像处理装置和计算机可读存储介质
CN112347512A (zh) * 2020-11-13 2021-02-09 支付宝(杭州)信息技术有限公司 图像处理方法、装置、设备及存储介质
CN112417414A (zh) * 2020-12-04 2021-02-26 支付宝(杭州)信息技术有限公司 一种基于属性脱敏的隐私保护方法、装置以及设备
CN112651451A (zh) * 2020-12-30 2021-04-13 北京百度网讯科技有限公司 图像识别方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5161845B2 (ja) * 2009-07-31 2013-03-13 富士フイルム株式会社 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
CN106485192B (zh) * 2015-09-02 2019-12-06 富士通株式会社 用于图像识别的神经网络的训练方法和装置
KR102221118B1 (ko) * 2016-02-16 2021-02-26 삼성전자주식회사 영상의 특징을 추출하여 객체를 인식하는 방법
CN107909034A (zh) * 2017-11-15 2018-04-13 清华大学深圳研究生院 一种人脸检测方法、装置和计算机可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310734A (zh) * 2020-03-19 2020-06-19 支付宝(杭州)信息技术有限公司 保护用户隐私的人脸识别方法和装置
CN111538968A (zh) * 2020-05-27 2020-08-14 支付宝(杭州)信息技术有限公司 基于隐私保护的身份核验方法、装置及设备
CN112115811A (zh) * 2020-08-31 2020-12-22 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
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
CN112200132A (zh) * 2020-10-28 2021-01-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112347512A (zh) * 2020-11-13 2021-02-09 支付宝(杭州)信息技术有限公司 图像处理方法、装置、设备及存储介质
CN112308043A (zh) * 2020-11-26 2021-02-02 腾讯科技（深圳）有限公司 图像处理方法、图像处理装置和计算机可读存储介质
CN112417414A (zh) * 2020-12-04 2021-02-26 支付宝(杭州)信息技术有限公司 一种基于属性脱敏的隐私保护方法、装置以及设备
CN112651451A (zh) * 2020-12-30 2021-04-13 北京百度网讯科技有限公司 图像识别方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
像素值复合置乱的混沌图像加密方法;刘祝华等;《计算机工程与应用》;20110804(第25期);全文 *

Also Published As

Publication number Publication date
CN113343295A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113343295B (zh) 基于隐私保护的图像处理方法、装置、设备和存储介质
CN111538968A (zh) 基于隐私保护的身份核验方法、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
CN111753275B (zh) 基于图像的用户隐私保护方法、装置、设备和存储介质
CN112398838B (zh) 一种基于隐私保护的认证方法、装置、设备及存储介质
CN110933117B (zh) 数字身份信息的派生、验证方法、装置及设备
CN111324874A (zh) 一种证件真伪识别方法及装置
CN114817984A (zh) 数据处理方法、装置、系统及设备
CN116824339A (zh) 图像处理方法及装置
CN111160251A (zh) 一种活体识别方法及装置
CN111199231A (zh) 一种图像识别方法及装置
CN113221717B (zh) 一种基于隐私保护的模型构建方法、装置及设备
CN112837202B (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
CN115830633B (zh) 基于多任务学习残差神经网络的行人重识别方法和系统
CN113239852B (zh) 一种基于隐私保护的隐私图像处理方法、装置及设备
CN115810073A (zh) 虚拟形象生成方法及装置
CN112818400B (zh) 一种基于隐私保护的生物识别方法、装置及设备
CN113515753B (zh) 一种信息隐藏方法及装置
CN117522717B (zh) 一种图像的合成方法、装置及设备
CN112927219B (zh) 一种图像的检测方法、装置及设备
CN117972436B (zh) 大语言模型的训练方法、训练装置、存储介质及电子设备
CN115982757B (zh) 一种模型的隐私保护程度的确定方法、装置及设备
CN114238910A (zh) 数据处理方法、装置及设备
CN114036571A (zh) 一种基于隐私保护的数据处理方法、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: 40059732

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant