CN114387480A - 一种人像加扰的方法及装置 - Google Patents
一种人像加扰的方法及装置 Download PDFInfo
- Publication number
- CN114387480A CN114387480A CN202111571409.5A CN202111571409A CN114387480A CN 114387480 A CN114387480 A CN 114387480A CN 202111571409 A CN202111571409 A CN 202111571409A CN 114387480 A CN114387480 A CN 114387480A
- Authority
- CN
- China
- Prior art keywords
- face image
- image
- similarity
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000001815 facial effect Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000014347 soups Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及机器识别技术领域，提供了一种人像加扰的方法及装置。方法包括：对第一人脸图像添加第一噪声，得到第二人脸图像，人眼能够识别出所述第一人脸图像和所述第二人脸图像属于同一人；确定所述第一人脸图像和所述第二人脸图像的相似度；在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰图像；在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不合格的加扰图像。本申请通过对人脸图像添加噪声，一方面，未影响人工识别。另一方面，可以使得基于机器的人像比对失去作用。
Description
技术领域
本申请涉及机器识别技术领域，特别涉及一种人像加扰的方法及装置。
背景技术
近年来，相关部门利用人像数据提供一些服务，如身份核查、人像比对、 人像身份还原等。在提供服务的过程中，一些服务调用方利用服务接口爬取人 像数据，一方面增加了服务负载，影响正常服务，另一方面可能产生严重的数 据安全问题。
爬取人像数据的主要调用者为第三方合作企业，在使用接口时将个人身份 信息与接口返回人像图片关联并留存，日后作为人像身份还原底库等不法使用。 如何不影响人工识别，且在人像比对过程中失去作用是需要解决的问题。
发明内容
本申请提供一种人像加扰的方法及装置，用以解决如何不影响人工识别， 且在人像比对过程中失去作用的问题。
为达到上述目的，本申请实施例公开了一种人像加扰的方法，包括：
对第一人脸图像添加第一噪声，得到第二人脸图像，人眼能够识别出所述 第一人脸图像和所述第二人脸图像属于同一人；
确定所述第一人脸图像和所述第二人脸图像的相似度；
在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰图像； 在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不合格的 加扰图像。
一种示例中，所述第一噪声为随机噪声。
一种示例中，所述第一噪声对应的第一干扰因子的取值范围为0.01至00.3。
一种示例中，确定所述第一人脸图像和所述第二人脸图像的相似度，包括：
基于Facenet系统，确定所述第一人脸图像和所述第二人脸图像的相似度。
一种示例中，在确定所述第一人脸图像和所述第二人脸图像的相似度之前， 还包括：
基于快速梯度下降FGSM算法，确定所述第二人脸图像对应的第一梯度方 向；
基于所述第一梯度方向和预设梯度方向，确定所述第二人脸图像是否滤除。
一种示例中，还包括：
对所述不合格的加扰图像添加所述第一噪声，得到第三人脸图像；
确定所述第一人脸图像和所述第三人脸图像的相似度；
在所述相似度小于设定阈值时，确定所述第三人脸图像为合格的加扰图像； 在所述相似度大于或等于所述设定阈值时，确定所述第三人脸图像为不合格的 加扰图像。
本申请实施例提供了一种人像加扰的装置，包括：
加扰模块，用于对第一人脸图像添加第一噪声，得到第二人脸图像，人眼 能够识别出所述第一人脸图像和所述第二人脸图像属于同一人；
人像比对模块，用于确定所述第一人脸图像和所述第二人脸图像的相似度； 及在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰图像； 在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不合格的 加扰图像。
一种示例中，所述第一噪声为随机噪声。
一种示例中，所述第一噪声对应的第一干扰因子的取值范围为0.01至00.3。
一种示例中，所述人像比对模块，具体用于基于Facenet系统，确定所述 第一人脸图像和所述第二人脸图像的相似度。
一种示例中，所述人像比对模块，还用于基于快速梯度下降FGSM算法， 确定所述第二人脸图像对应的第一梯度方向；基于所述第一梯度方向和预设梯 度方向，确定所述第二人脸图像是否滤除。
一种示例中，所述加扰模块，还用于对所述不合格的加扰图像添加所述第 一噪声，得到第三人脸图像；
所述人像比对模块，还用于确定所述第一人脸图像和所述第三人脸图像的 相似度；在所述相似度小于设定阈值时，确定所述第三人脸图像为合格的加扰 图像；在所述相似度大于或等于所述设定阈值时，确定所述第三人脸图像为不 合格的加扰图像。
本申请实施例公开了一种人像加扰的装置，包括处理器和存储器；
所述存储器，用于存储计算机程序或指令；
所述处理器，用于执行所述存储器中的部分或者全部计算机程序或指令， 当所述部分或者全部计算机程序或指令被执行时，用于实现如上所述的人像加 扰的方法。
本申请实施例公开了一种计算机可读存储介质，用于存储计算机程序，所 述计算机程序包括用于实现如上所述的人像加扰的方法的指令。
本申请实施例公开了一种计算机程序产品，所述计算机程序产品包括：计 算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行如 上所述的人像加扰的方法。
本申请通过对人脸图像添加噪声，一方面，对于人工识别来说，人眼仍然 可以识别出添加噪声后的人脸图像与添加噪声前的人脸图像属于同一人，未影 响人工识别。另一方面，添加噪声后的人脸图像与添加噪声前的人脸图像的相 似度较小，将合格的加扰图像与原图像输入至机器(例如人像比对模型)中， 机器很有可能将这两张人脸图像认为成不同人的人脸图像，而非相同人的人脸 图像，可以使得基于机器的人像比对失去作用。
附图说明
为了更清楚地说明本申请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 中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种人像加扰过程示意图；
图2为本申请提供的一种人像加扰过程示意图；
图3为本申请提供的一种未加干扰的人脸图像示意图；
图4为本申请提供的一种添加噪声后的人脸图像示意图；
图5为本申请提供的一种人像加扰装置结构图；
图6为本申请提供的一种人像加扰装置结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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。基于本申请中的实施例，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，都属于本申请保护的范围。
在训练分类模型时，网络基于输入图像学习特征，经过算法得到分类概率， 再基于分类概率和真实值计算损失值。回传损失值并计算梯度(该过程可以称 为梯度反向传播)，再基于计算得到的梯度对网络参数进行更新，网络参数更 新使损失值越来越小，这样模型分类正确的概率就越来越高。而对抗学习的目 的是不修改分类模型的网络参数，通过修改输入图像加扰，扰乱分类模型的分 类。结合分类模型的训练过程，可以将损失值回传到输入图像并计算梯度，再 使损失值越来越大。这样加扰后的图像就会使分类模型正确的概率降低。
图1为本申请提供的一种人像加扰过程示意图，该过程的执行设备可以是 任一电子设备。该过程至少包括以下步骤：
步骤101：对第一人脸图像添加第一噪声，得到第二人脸图像，人眼能够 识别出第一人脸图像和所述第二人脸图像属于同一人。
一种示例中，添加的第一噪声为随机噪声。
一种示例中，基于第四人脸图像，对第一人脸图像添加第一噪声，得到第 二人脸图像。其中，第四人脸图像与第一人脸图像属于同一人。也就是采用同 人不同张图片，得到对抗样本。或者第四人脸图像与第一人脸图像属于不同人。 也就是采用不同人不同张图片，得到对抗样本。
人眼能够识别出第一人脸图像和第二人脸图像属于同一人，也可以理解为 第一噪声对应的第一干扰因子ε1是非常小的，第一噪声是不影响人眼识别精 度的。
第一噪声对应的第一干扰因子ε1的取值范围可以是0.01-0.05，例如第一 干扰因子ε1为0.02或0.03。
步骤102：确定所述第一人脸图像和所述第二人脸图像的相似度。
可以采用人像比对算法/模型，来确定第一人脸图像和第二人脸图像的相似 度。例如，基于Facenet系统，确定所述第一人脸图像和所述第二人脸图像的 相似度。例如，基于商汤人像比对模型，确定所述第一人脸图像和所述第二人 脸图像的相似度。
步骤103：将所述相似度与设定阈值进行比较；在所述相似度小于或等于 设定阈值时，确定第二人脸图像为合格的加扰图像；在所述相似度大于或等于 设定阈值时，确定第二人脸图像为不合格的加扰图像。
所述设定阈值的取值范围可以基于人像比对算法来确定，设定阈值小于人 像比对算法对应的第一相似度阈值，第一相似度阈值为该人像比对算法在确定 相似度大于或等于该第一相似度阈值时，则认为两张人脸图像属于同一人。
例如，某一人像比对算法对应的第一相似度阈值为90％时，所述设定阈值 的取值范围可以是70％-80％，例如可以是80％，85％，75％等，例如设定阈值 比第一相似度阈值小于10％-20％。
第一人脸图像可以看做是干净数据，第二人脸图像可以看做是对抗样本。 本申请的加扰过程也可以称为对抗学习过程。
本申请通过对人脸图像添加噪声，一方面，对于人工识别来说，人眼仍然 可以识别出添加噪声后的人脸图像与添加噪声前的人脸图像属于同一人，未影 响人工识别。另一方面，添加噪声后的人脸图像与添加噪声前的人脸图像的相 似度较小，将合格的加扰图像与原图像输入至机器(例如人像比对模型)中， 机器很有可能将这两张人脸图像认为成不同人的人脸图像，而非相同人的人脸 图像，可以使得基于机器的人像比对失去作用。
在一种可选的示例中，在确定所述第一人脸图像和所述第二人脸图像的相 似度之前，还可以基于快速梯度下降FGSM算法，确定所述第二人脸图像对应 的第一梯度方向；基于所述第一梯度方向和预设梯度方向，确定所述第二人脸 图像是否滤除。当第一梯度方向和预设梯度方向的梯度方向相反时，可以滤除 该第二人脸图像；如果梯度方向相同，则可以保留该第二人脸图像，并进行后 续的确定第一人脸图像和第二人脸图像的相似度的操作。也就是通过预设梯度 方向来确定添加的噪声是否为想要的噪声，通过梯度来滤除一部分不合格的加 扰图像，可以避免进行后续过程而带来的处理资源浪费的问题。
第一干扰因子ε1是经过大量实验得到的，通常情况下，进行一次加扰后， 即可得到合格的加扰图像，即人眼能够识别，且机器比对的相似度小于设定阈 值。但是也有可能相似度未小于设定阈值，在这种情况下，可以滤除该第二人 脸图像，重新选择新的第一人脸图像进行加扰。
在一种可选的示例中，还可以对所述不合格的加扰图像添加第二噪声，得 到第三人脸图像；人眼能够识别出第一人脸图像和第三人脸图像属于同一人； 确定所述第一人脸图像和所述第三人脸图像的相似度；在所述相似度小于或等 于设定阈值时，确定所述第三人脸图像为合格的加扰图像；在所述相似度大于 或等于所述设定阈值时，确定所述第三人脸图像为不合格的加扰图像。
第二噪声与第一噪声可以相同，也可以不同。
人眼能够识别出第一人脸图像和第三人脸图像属于同一人，也可以理解为 第二噪声对应的第二干扰因子ε2也是非常小的，第二噪声与第一噪声的叠加 是不影响人眼识别精度的。第二噪声对应的第二干扰因子ε2的取值范围可以 是0.01-0.05，例如第二干扰因子ε2为0.02或0.03等。第二干扰因子ε2小于 或等于第一干扰因子ε1。
可选的，在确定所述第一人脸图像和所述第三人脸图像的相似度之前，还 可以基于快速梯度下降FGSM算法，确定所述第三人脸图像对应的第二梯度方 向；基于所述第二梯度方向和预设梯度方向，确定所述第三人脸图像是否滤除。
如图2所示，提供了一种图像加扰的过程。
对人脸图像添加候选干扰因子ε3的噪声。FGSM基于加扰后图像与本次 加扰前图像计算的损失函数、与上一次迭代损失函数计算梯度方向。可以理解 的是，FGSM被用作对抗分类模型过程，输出是softmax损失函数，其中每个 数字表示该类输入的置信百分比。将人像识别问题转换为分类问题，分为“相 同人”和“不同人”两类。要做到这一点，只需要拉远脸部特征之间的距离， 距离越远，越被认为时不是同一个人。
如果梯度方向正确，则将未添加噪声前的人脸图像与添加噪声后的人脸图 像进行人像比对，确定两个图像的相似度。
如果梯度方向不正确，则抛弃该添加噪声后的人脸图像，选择新的人脸图 像添加候选干扰因子ε3的噪声。
在确定两个图像的相似度小于设定阈值时，可以确定添加噪声后的人脸图 像为合格的对抗样本，否则，在对添加噪声后的人脸图像再次添加候选干扰因 子ε3的噪声(可以理解为将上一迭代过程的加扰图像做为本次迭代的输入图 像)，重复执行该过程，直至两个图像的相似度小于设定阈值，得到合格的对 抗样本。
图2的过程，可以应用在使用过程中，则候选干扰因子ε3即为上述介绍 的第一干扰因子ε1。
图2的过程也可以用在训练阶段，这样，在确定两个图像的相似度小于设 定阈值的情况下，可以由多人观看原来的人脸图像与加扰后的人脸图像是否属 于同一人，如果多人观看均能识别出是同一人，则认为得到合格的对抗样本。
在试验过程中，将添加的候选噪声对应的候选干扰因子ε3设置的较小些， 例如设置为0.001、0.005、0.01等。重复执行几次后，可以满足小于设定的相 似度阈值，且人眼能够识别，则可以将重复执行的候选干扰因子ε3进行叠加， 作为上述的第一干扰因子ε1。
图3为未添加噪声的人脸图像。
图4为添加干扰因子ε为0.01、0.02、0.03的噪声后的人脸图像。可以理 解的是，图3和图4均对人脸的相同部位(例如眼睛)进行模糊处理，只是为 了避免侵犯该人脸的用户的权益，并不造成对方案的限定。
可见随着ε的增大，对抗样本噪声点越明显，且人眼均能识别出图3的人 脸图像和图4的人脸图像均为同一人的人脸图像。
经过多轮数据测试比对，针对同一批人脸图像，人脸图像加扰前Facenet 与商汤比对结果均在99％以上。当添加噪声的ε为0.02时，Facenet模型的比 对结果降至28％；商汤人像比对模型的比对结果降至37％。
虽然对抗学习过程是针对指定的人像比对算法进行的，但是经过测试，这 些对抗样本在其他人像比对模型上仍具有一定泛化能力。可以使人像数据爬取 行为失去了意义，减少爬取行为。
前文介绍了本申请实施例的方法，下文中将介绍本申请实施例中的装置。 方法、装置是基于同一技术构思的，由于方法、装置解决问题的原理相似，因 此装置与方法的实施可以相互参见，重复之处不再赘述。
本申请实施例可以根据上述方法示例，对装置进行功能模块的划分，例如， 可以对应各个功能划分为各个功能模块，也可以将两个或两个以上的功能集成 在一个模块中。这些模块既可以采用硬件的形式实现，也可以采用软件功能模 块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅 仅为一种逻辑功能划分，具体实现时可以有另外的划分方式。
如图5所示，提供了一种人像加扰的装置，包括：
加扰模块501，用于对第一人脸图像添加第一噪声，得到第二人脸图像， 人眼能够识别出所述第一人脸图像和所述第二人脸图像属于同一人；
人像比对模块502，用于确定所述第一人脸图像和所述第二人脸图像的相 似度；及在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰 图像；在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不 合格的加扰图像。
一种示例中，所述第一噪声为随机噪声。
一种示例中，所述第一噪声对应的第一干扰因子的取值范围为0.01至00.3。
一种示例中，所述人像比对模块502，具体用于基于Facenet系统，确定 所述第一人脸图像和所述第二人脸图像的相似度。
一种示例中，所述人像比对模块502，还用于基于快速梯度下降FGSM算 法，确定所述第二人脸图像对应的第一梯度方向；基于所述第一梯度方向和预 设梯度方向，确定所述第二人脸图像是否滤除。
一种示例中，所述加扰模块501，还用于对所述不合格的加扰图像添加所 述第一噪声，得到第三人脸图像；
所述人像比对模块502，还用于确定所述第一人脸图像和所述第三人脸图 像的相似度；在所述相似度小于设定阈值时，确定所述第三人脸图像为合格的 加扰图像；在所述相似度大于或等于所述设定阈值时，确定所述第三人脸图像 为不合格的加扰图像。
如图6所示，本申请提供了一种人像加扰的装置，包括处理器601和存储 器602；
所述存储器602，用于存储计算机程序或指令；
所述处理器601，用于执行所述存储器中的部分或者全部计算机程序或指 令，当所述部分或者全部计算机程序或指令被执行时，用于实现上述介绍的人 像加扰的方法。
例如，所述处理器601，用于对第一人脸图像添加第一噪声，得到第二人 脸图像，人眼能够识别出所述第一人脸图像和所述第二人脸图像属于同一人；
确定所述第一人脸图像和所述第二人脸图像的相似度；
在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰图像； 在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不合格的 加扰图像。
一种示例中，所述处理器601，具体用于基于Facenet系统，确定所述第 一人脸图像和所述第二人脸图像的相似度。
一种示例中，所述处理器601，还用于基于快速梯度下降FGSM算法，确 定所述第二人脸图像对应的第一梯度方向；基于所述第一梯度方向和预设梯度 方向，确定所述第二人脸图像是否滤除。
一种示例中，所述处理器601，还用于对所述不合格的加扰图像添加所述 第一噪声，得到第三人脸图像；确定所述第一人脸图像和所述第三人脸图像的 相似度；在所述相似度小于设定阈值时，确定所述第三人脸图像为合格的加扰 图像；在所述相似度大于或等于所述设定阈值时，确定所述第三人脸图像为不 合格的加扰图像。
本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，该 计算机程序被计算机执行时，可以使得所述计算机用于执行上述人像加扰的方 法。或者说：所述计算机程序包括用于实现上述人像加扰的方法的指令。
本申请实施例还提供了一种计算机程序产品，包括：计算机程序代码，当 所述计算机程序代码在计算机上运行时，使得计算机可以执行上述提供的人像 加扰的方法。
另外，本申请实施例中提及的处理器可以是中央处理器(central processingunit，CPU)，基带处理器，基带处理器和CPU可以集成在一起，或者分开， 还可以是网络处理器(network processor，NP)或者CPU和NP的组合。处理 器还可以进一步包括硬件芯片或其他通用处理器。上述硬件芯片可以是专用集 成电路(application-specific integratedcircuit，ASIC)，可编程逻辑器件 (programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻 辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列 (field-programmable gate array，FPGA)，通用阵列逻辑(generic arraylogic， GAL)及其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等 或其任意组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的 处理器等。
本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或 可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储 器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM， PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可 编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可 以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。 通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存 储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、 同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同 步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型 同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随 机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储 器(Direct Rambus RAM，DR RAM)。应注意，本申请描述的存储器旨在包括 但不限于这些和任意其它适合类型的存储器。
本申请实施例中提及的收发器中可以包括单独的发送器，和/或，单独的接 收器，也可以是发送器和接收器集成一体。收发器可以在相应的处理器的指示 下工作。可选的，发送器可以对应物理设备中发射机，接收器可以对应物理设 备中的接收机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例中描述的各 方法步骤和单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了 清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述 了各实施例的步骤及组成。这些功能究竟以硬件还是软件方式来执行，取决于 技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的 应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请 的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方 法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性 的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另 外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或 一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接 耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也 可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本申请实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元 的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申 请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全 部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储 介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器， 或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述 的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、 随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存 储程序代码的介质。
本申请中的“和/或”，描述关联对象的关联关系，表示可以存在三种关系， 例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这 三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请中所 涉及的多个，是指两个或两个以上。另外，需要理解的是，在本申请的描述中， “第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相 对重要性，也不能理解为指示或暗示顺序。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基 本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要 求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱 离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属 于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和 变型在内。
Claims (10)
1.一种人像加扰的方法，其特征在于，包括：
对第一人脸图像添加第一噪声，得到第二人脸图像，人眼能够识别出所述第一人脸图像和所述第二人脸图像属于同一人；
确定所述第一人脸图像和所述第二人脸图像的相似度；
在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰图像；在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不合格的加扰图像。
2.如权利要求1所述的方法，其特征在于，所述第一噪声为随机噪声。
3.如权利要求1所述的方法，其特征在于，所述第一噪声对应的第一干扰因子的取值范围为0.01至00.3。
4.如权利要求1所述的方法，其特征在于，确定所述第一人脸图像和所述第二人脸图像的相似度，包括：
基于Facenet系统，确定所述第一人脸图像和所述第二人脸图像的相似度。
5.如权利要求1所述的方法，其特征在于，在确定所述第一人脸图像和所述第二人脸图像的相似度之前，还包括：
基于快速梯度下降FGSM算法，确定所述第二人脸图像对应的第一梯度方向；
基于所述第一梯度方向和预设梯度方向，确定所述第二人脸图像是否滤除。
6.如权利要求1所述的方法，其特征在于，还包括：
对所述不合格的加扰图像添加所述第一噪声，得到第三人脸图像；
确定所述第一人脸图像和所述第三人脸图像的相似度；
在所述相似度小于设定阈值时，确定所述第三人脸图像为合格的加扰图像；在所述相似度大于或等于所述设定阈值时，确定所述第三人脸图像为不合格的加扰图像。
7.一种人像加扰的装置，其特征在于，包括：
加扰模块，用于对第一人脸图像添加第一噪声，得到第二人脸图像，人眼能够识别出所述第一人脸图像和所述第二人脸图像属于同一人；
人像比对模块，用于确定所述第一人脸图像和所述第二人脸图像的相似度；及在所述相似度小于设定阈值时，确定所述第二人脸图像为合格的加扰图像；在所述相似度大于或等于所述设定阈值时，确定所述第二人脸图像为不合格的加扰图像。
8.一种人像加扰的装置，其特征在于，包括处理器和存储器；
所述存储器，用于存储计算机程序或指令；
所述处理器，用于执行所述存储器中的部分或者全部计算机程序或指令，当所述部分或者全部计算机程序或指令被执行时，用于实现如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序包括用于实现权利要求1-6任一项所述的方法的指令。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111571409.5A CN114387480A (zh) | 2021-12-21 | 2021-12-21 | 一种人像加扰的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111571409.5A CN114387480A (zh) | 2021-12-21 | 2021-12-21 | 一种人像加扰的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387480A true CN114387480A (zh) | 2022-04-22 |
Family
ID=81197916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111571409.5A Pending CN114387480A (zh) | 2021-12-21 | 2021-12-21 | 一种人像加扰的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387480A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645661A (zh) * | 2023-07-27 | 2023-08-25 | 深圳市青虹激光科技有限公司 | 一种防重码检测方法及系统 |
-
2021
- 2021-12-21 CN CN202111571409.5A patent/CN114387480A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645661A (zh) * | 2023-07-27 | 2023-08-25 | 深圳市青虹激光科技有限公司 | 一种防重码检测方法及系统 |
| CN116645661B (zh) * | 2023-07-27 | 2023-11-14 | 深圳市青虹激光科技有限公司 | 一种防重码检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Groh et al. | Deepfake detection by human crowds, machines, and machine-informed crowds | |
| US20200372243A1 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
| CN110222831B (zh) | 深度学习模型的鲁棒性评估方法、装置及存储介质 | |
| CN111046379B (zh) | 一种对抗攻击的监测方法和装置 | |
| CN112052781A (zh) | 特征提取模型训练方法、人脸识别方法、装置、设备及介质 | |
| CN108875404B (zh) | 基于机器学习的数据脱敏方法、装置及存储介质 | |
| CN111079186B (zh) | 数据分析的方法、装置、设备和存储介质 | |
| CN113792853B (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备 | |
| CN111383651A (zh) | 一种语音降噪方法、装置及终端设备 | |
| CN111126623A (zh) | 一种模型更新方法、装置及设备 | |
| CN114387480A (zh) | 一种人像加扰的方法及装置 | |
| CN117349899B (zh) | 基于遗忘模型的敏感数据处理方法、系统及存储介质 | |
| CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
| CN110084142B (zh) | 一种用于人脸识别的年龄隐私保护方法及系统 | |
| CN116720214A (zh) | 一种用于隐私保护的模型训练方法及装置 | |
| CN112182520B (zh) | 非法账号的识别方法、装置、可读介质及电子设备 | |
| CN116150622B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| Molitor et al. | Matrix completion for structured observations | |
| EP2928152B1 (de) | Authentifizieren eines Benutzers eines Mobilgerätes mit mehreren Sensoren | |
| CN109255016A (zh) | 基于深度学习的应答方法、装置及计算机可读存储介质 | |
| US11947643B2 (en) | Fraud detection system, fraud detection method, and program | |
| CN114186039A (zh) | 一种视觉问答方法、装置及电子设备 | |
| CN115797643A (zh) | 一种图像去噪方法、装置、系统、边缘设备及存储介质 | |
| CN109815796B (zh) | 人脸识别通过率的影响因素的测试方法及装置 | |
| CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 |
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 |