CN115205089A - 图像加密方法、网络模型的训练方法、装置及电子设备 - Google Patents

Abstract

本申请揭示了一种图像加密方法、网络模型的训练方法、装置及电子设备，该方法包括：获取待加密的目标图像集，待加密的目标图像集包括若干待加密的目标图像；根据待加密的目标图像的图像属性随机生成密钥；根据密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。本申请有效的保护待加密的目标图像信息，避免加密无效导致待加密图像的信息泄露问题。

Description

图像加密方法、网络模型的训练方法、装置及电子设备

技术领域

本申请涉及数据安全技术领域，具体而言，涉及一种图像加密方法、网络模型的训练方法、装置、电子设备及计算机可读存储介质。

背景技术

近来年流行在云环境进行图像存储或在云环境上实现深度神经网络的训练迭代或测试，在将图像上传给云环境时，存在向第三方泄露图像信息的风险。因此，在向云环境上传之前，对图像进行加密处理具有重要意义。

目前，通常采用像素置乱的加密算法对图像进行加密处理，但其不具备抗统计学攻击的能力，也即加密算法不可公开，只要知道加密算法，则可通过密文空间的任意一个状态的迭代即可在有限步迭代中恢复待加密的图像，导致原始图像信息泄露的问题。

发明内容

为解决上述技术问题，本申请的实施例提供了一种图像加密方法、网络模型的训练方法、装置、电子设备及计算机可读存储介质。

根据本申请实施例的一个方面，提供了一种图像加密方法，所述方法包括：获取待加密的目标图像集，所述待加密的目标图像集包括若干待加密的目标图像；根据所述待加密的目标图像的图像属性随机生成密钥；根据所述密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。

根据本申请实施例的一个方面，提供了一种网络模型的训练方法，所述方法包括：获取用户端发送的加密后的目标图像集，并将所述加密后的目标图像集作为图像训练样本集，所述加密后的目标图像集为上述任一项所述方法所计算得到的加密后的目标图像集；将所述加密后的目标图像集输入所述网络模型中，所述网络模型输出所述加密后的目标图像集中各加密后的目标图像的预测类别；计算各加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值；以所述损失函数的损失值变小为目标训练所述网络模型，直至根据训练后的网络模型确定出的所述损失函数的损失值小于预设损失阈值。

根据本申请实施例的一个方面，提供了一种图像加密装置，所述装置包括：待加密的目标图像集获取模块，配置为获取待加密的目标图像集，所述待加密的目标图像集包括若干待加密的目标图像；密钥生成模块，配置为根据所述待加密的目标图像的图像属性随机生成密钥；加密模块，配置为根据所述密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。

根据本申请实施例的一个方面，提供了一种网络模型的训练装置，所述装置包括：图像训练样本集获取模块，配置为获取用户终端发送的加密后的目标图像集，并将所述加密后的目标图像集作为图像训练样本集，所述加密后的目标图像集为上述任一项所述方法所计算得到的加密后的目标图像集；输入模块，配置为将所述加密后的目标图像集输入所述网络模型中，所述网络模型输出所述加密后的目标图像集中各加密后的目标图像的预测类别；计算模块，配置为计算各加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值；训练模块，配置为以所述损失函数的损失值变小为目标训练所述网络模型，直至根据训练后的网络模型确定出的所述损失函数的损失值小于预设损失阈值。

根据本申请实施例的一个方面，提供了一种电子设备，包括：存储器，存储有计算机可读指令；处理器，读取存储器存储的计算机可读指令，以执行上述任一项的图像加密方法和/或网络模型的训练方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的图像加密方法和/或网络模型的训练方法。

在本申请的实施例提供的技术方案中，根据待加密的目标图像的图像属性随机生成的密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集，一方面，能够实现图像中像素点的逐像素加密，使得加密后的目标图像不包括待加密的目标图像的视觉信息，有效的保护待加密的目标图像信息，避免加密无效导致的待加密图像的信息泄露问题；另一方面，由于密钥是基于待加密的目标图像的图像属性确定的，使得密钥空间足够大，即便被第三方获知加密方法，在没有密钥的情况下也无法通过暴力破解密钥来恢复原始图像的视觉信息。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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者来讲，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。在附图中：

图1是本申请涉及的一种实施环境的示意图；

图2是本申请的一示例性实施例示出的图像加密方法的流程图；

图3是图2所示的图像加密方法中待加密的目标图像和加密后的目标图像的效果示意图；

图4是本申请的又一示例性实施例示出的一种图像加密方法的流程图；

图5是本申请的又一示例性实施例示出的一种图像加密方法的流程图；

图6是本申请的一示例性实施例示出的一种网络模型的训练方法的流程图；

图7中示出了一种用于云服务端网络模型训练的图像加密系统；

图8是本申请的一示例性实施例示出的图像加密装置的框图；

图9是本申请的一示例性实施例示出的网络模型的训练装置的框图；

图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

还需要说明的是：在本申请中提及的“多个”是指两个或者两个以上。“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。

首先需要说明的是，深度学习技术的普及促进了计算机视觉、生物医学等领域的发展。且随着计算机计算能力的提升和深度神经网络结构的不断发展，人们更多地使用深度神经网络来提取图像的特征，在多种图像任务上性能得到显著提高。进一步的，受制于有限的计算资源、计算速度等因素，近年来流行使用云环境来实现深度神经网络模型的训练迭代、测试过程，若直接将用户端的训练图像或测试图像直接上传至云环境进行网络模型的训练迭代或测试，可能存在向第三方泄露图像信息的风险。因此，在向云环境上传之前，对图像进行加密具有重要意义。

目前，采用像素置乱的加密算法进行图像加密处理，导致其不具备抗统计学攻击的能力，也即加密算法不可公开，只要知道加密算法，则可通过密文空间的任意一个状态的迭代即可在有限步迭代中恢复待加密的图像，导致原始图像信息泄露的问题。

基于此，为了有效保护待加密的目标图像信息，避免加密无效导致的待加密图像的信息泄露问题，本申请实施例提出了一种图像加密方法、网络模型的训练方法、装置、电子设备及计算机可读存储介质。

本申请的实施例涉及：根据待加密的目标图像的图像属性随机生成的密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集，由此能够实现图像中像素点的逐像素加密，使得加密后的目标图像不包括待加密的目标图像的视觉信息，有效的保护待加密的目标图像信息，避免加密无效导致的待加密图像的信息泄露问题。

图1是本申请涉及的一种实施环境的示意图。该实施环境包括云服务端110和用户终端120，云服务端110和用户终端120预先建立有线或者无线的网络连接。

如图1所示，用户终端120获取待加密的目标图像集，并根据待加密的目标图像的图像属性随机生成密钥，进而利用密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集，之后，将加密后的目标图像集上传至云服务端110。云服务端110接收用户终端120上传的加密后的目标图像集，并将加密后的目标图像集作为图像训练样本集，对网络模型进行优化训练，直至得到满足要求的网络模型。

其中，图1所示的用户终端120可以是智能手机、车载电脑、平板电脑、笔记本电脑或者可穿戴设备等任意支持图像加密的设备，但并不限于此。图1所示的云服务端110是服务器，例如可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器，在此也不进行限制。用户终端120可以通过6G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与云服务端110进行通信，本处也不对此进行限制。

请参阅图2，图2是本申请的一示例性实施例示出的图像加密方法的流程图。该方法可以应用于图1所示的实施环境，并由该实施环境中的用户终端120具体执行。应理解的是，该方法也可以适用于其它的示例性实施环境，并由其它实施环境中的设备具体执行，本实施例不对该方法所适用的实施环境进行限制。

下面以用户终端作为具体的执行主体来对本申请实施例提出的图像加密方法进行详细介绍。

如图2所示，在一示例性的实施例中，图像加密方法至少包括步骤S210至步骤S240，详细介绍如下：

步骤S210，获取待加密的目标图像集。

待加密的目标图像集包括若干待加密的目标图像，也即明文图像。示例性的，待加密的目标图像可以是用户终端里存储的明文图像。

用户终端获取待加密的目标图像集。示例性的，用户终端响应于用户对终端内存储图像的选择，确定待加密的目标图像集。

步骤S220，根据待加密的目标图像的图像属性随机生成密钥。

图像属性包括图像中像素点的数量，也可以包括图像中各像素点的颜色通道数。

密钥是指能够对图像中像素点的像素值进行加密的密码。

用户终端根据待加密的目标图像的图像属性随机生成密钥。示例性的，可根据待加密的目标图像中的像素点数确定密钥位数，进而在每一密钥位随机生成密钥值，对应得到待加密图像中各像素点的密钥值，进而得到待加密图像的密钥。需要说明的是，密钥中各密钥位的密钥值为0或1。另外需要说明的是，用于对各待加密的目标图像进行加密的密钥相同。

步骤230，根据密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。

多颜色通道的加密处理是指在R通道、B通道和G通道三个颜色通道上分别对各像素点进行加密处理。

加密后的目标图像集包括若干加密后的目标图像，每一加密后的目标图像对应一待加密的目标图像，也即密钥对待加密的目标图像进行加密得到对应的加密后的目标图像。详情可参阅图3，图3中示出了待加密的目标图像和加密后的目标图像，如图3所示，图3左边示出了待加密的目标图像，图3右边示出了加密后的目标图像。由此可知，通过密钥对待加密的目标图像中的像素点进行多颜色通道的逐像素加密处理，能够达到视觉安全的效果，也即加密后的目标图像不包括待加密的目标图像的视觉信息，有效的保护待加密的目标图像信息。并且，由于密钥是基于待加密的目标图像的图像属性确定的，使得密钥空间足够大，即便被第三方获知加密方法，在没有密钥的情况下也无法通过暴力破解密钥来恢复待加密的目标图像的视觉信息。需要说明的是，密钥空间足够大是因为基于像素点数确定的密钥中的密钥位数同像素点数，例如，待加密的目标图像尺寸为224×224，则密钥的空间大小为2^3N，其中，N＝224×224。

可以看出，本实施例的图像加密方法根据待加密的目标图像的图像属性随机生成的密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集，一方面，能够实现图像中像素点的逐像素加密，使得加密后的目标图像不包括待加密的目标图像的视觉信息，有效的保护待加密的目标图像信息，避免加密无效导致的待加密图像的信息泄露问题；另一方面，由于密钥是基于待加密的目标图像的图像属性确定的，使得密钥空间足够大，即便被第三方获知加密方法，在没有密钥的情况下也无法通过暴力破解密钥来恢复原始图像的视觉信息。

图4是本申请的又一示例性实施例示出的一种图像加密方法的流程图。在图4所示的实施例中，步骤S230根据密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集的过程至少还包括步骤S231至步骤S234，详细介绍如下：

步骤S231，利用第一子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值。

步骤S232，利用第二子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在G通道上的初始像素值进行加密处理，得到各像素点在G通道上加密后的像素值。

步骤S233，利用第三子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在B通道上的初始像素值进行加密处理，得到各像素点在B通道上加密后的像素值。

第一子密钥是指密钥中包含的对各像素点在R通道上的初始像素值进行加密的密钥。

第二子密钥是指密钥中包含的对各像素点在G通道上的初始像素值进行加密的密钥。

第三子密钥是指密钥中包含的对各像素点在B通道上的初始像素值进行加密的密钥。

示例性的，密钥可以表示为K，密钥K＝{K^R,K^G,K^B}，K^R表示第一子密钥，

其中，N为待加密的目标图像中的像素点个数，

表示第一子密钥中的第一个密钥位的密钥值，用于对待加密的目标图像中的第一个像素点在R通道上的初始像素值进行加密处理的密钥值，

表示第一子密钥中的第二个密钥位的密钥值，用于对待加密的目标图像中的第二个像素点在R通道上的初始像素值进行加密处理的密钥值。K^G表示第二子密钥，

其中，

表示第二子密钥中的第一个密钥位的密钥值，用于对待加密的目标图像中的第一个像素点在G通道上的初始像素值进行加密处理的密钥值，

表示第二子密钥中的第二个密钥位的密钥值，用于对待加密的目标图像中的第二个像素点在G通道上的初始像素值进行加密处理的密钥值。K^B表示第三子密钥，

其中，

表示第三子密钥中的第一个密钥位的密钥值，用于对待加密的目标图像中的第一个像素点在B通道上的初始像素值进行加密处理的密钥值，

表示第三子密钥中的第二个密钥位的密钥值，用于对待加密的目标图像中的第二个像素点在B通道上的初始像素值进行加密处理的密钥值。

另一示例性的，若将待加密的目标图像集表示为D_train＝{I₁,I₁…I_n}，n表示待加密的目标图像的数量，待加密的目标图像集中的图像表示为I_j，j∈{1,2…n}，待加密的目标图像I_j按照颜色通道分为

第一子密钥K^R对待加密的目标图像I_j在R通道上的像素值

进行加密处理，第二子密钥K^G对待加密的目标图像I_j在G通道上的像素值

进行加密处理,第三子密钥K^B对待加密的目标图像I_j在B通道上的像素值

进行加密处理。

密钥位是指密钥中的密钥位置。示例性的，第一子密钥

中的

在第一子密钥中的位置即为一密钥位。

密钥值是指密钥中对应密钥位的密钥值。示例性的，第一子密钥

中的

的值即为密钥值。

初始像素值是指待加密的目标图像中对应像素点的像素值。其中，具体通道上的初始像素值是指待加密的目标图像中对应像素点在对应颜色通道上的像素值。

用户终端利用第一子密钥中各密钥位的密钥值对对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值；利用第二子密钥中各密钥位的密钥值对对应像素点在G通道上的初始像素值进行加密处理，得到各像素点在G通道上加密后的像素值；利用第三子密钥中各密钥位的密钥值对对应像素点在B通道上的初始像素值进行加密处理，得到各像素点在B通道上加密后的像素值。

进一步的，加密各像素点在R通道、G通道、B通道上的初始像素值的密钥值是等概率随机生成的零或一的随机值，在确定各像素点在R通道、G通道、B通道上加密后的像素值时，本申请实施例可根据加密各像素点在R通道、G通道、B通道上的初始像素值的具体密钥值确定各像素点在R通道、G通道、B通道上加密后的像素值。

具体的，用户终端确定加密对应像素点在各通道上的初始像素值所需的密钥值为零时，则将对应像素点在对应通道上的初始像素值作为该像素点在对应通道上加密后的像素值。示例性的，用户终端确定加密对应像素点在R通道上的初始像素值所需的密钥值为零时，将对应像素点在R通道上的初始像素值作为该像素点在R通道上加密后的像素值。例如，若待加密的目标图像I_j中的任意像素点表示为P_t，t∈(1，2…N)，

表示像素点P_t在R通道上的初始像素值，加密

的第一子密钥中对应的密钥值为

加密后的像素点的像素值表示为

则密钥

为零时，加密后的像素点的像素值

为像素点P_t在R通道上的初始像素值

用户终端在确定加密对应像素点在各通道上的初始像素值所需的密钥值为一时，则将对应像素点在R通道上的互补色值作为该像素点在对应通道上加密后的像素值。示例性的，用户终端确定加密对应像素点在R通道上的初始像素值所需的密钥值为一时，将对应像素点在R通道上的互补色值作为该像素点在R通道上加密后的像素值。例如，若待加密的目标图像I_j中的任意像素点表示为P_t，t∈(1，2…N)，

表示像素点P_t在R通道上的初始像素值，加密

的第一子密钥中对应的密钥值为

加密后的像素点的像素值表示为

则密钥

为一时，加密后的像素点的像素值

为像素点P_t在R通道上的互补色值。

需要说明的是，对应像素点的互补色值是基于预设比特数值和对应像素点在对应通道上的初始像素值确定的。具体的，用户终端根据预设比特数值确定比特数项，进而根据预设比特数项与对应像素点在对应通道上的初始像素值之间的差值确定对应像素点在对应通道上加密后的像素值。其中，预设比特数值是指像素点的比特数，通常情况下为8位。比特数项是基于二的预设比特数值次幂与预设数值之间的差值确定的。预设数据可以为1。

由此，加密后的各像素点的像素值满足下式：

其中，C∈{R,G,B}，

表示像素点在对应通道上加密后的像素值，

表示像素点在对应通道上的初始像素值，

表示加密像素点在对应通道上的初始像素值所需的密钥，L表示预设比特数值。

步骤S234，基于各像素点在R通道、G通道以及B通道上加密后的像素值确定对应像素点加密后的像素值，以得到加密后的目标图像集。

为确定待加密的目标图像中各像素点加密后的像素值，用户终端根据各像素点在R通道、G通道以及B通道上加密后的像素值确定对应像素点加密后的像素值，进而基于各像素点加密后的像素值确定加密后的目标图像。

可以看出，本申请实施例的图像加密方法利用第一子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值；利用第二子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在G通道上的初始像素值进行加密处理，得到各像素点在G通道上加密后的像素值；并利用第三子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在B通道上的初始像素值进行加密处理，得到各像素点在B通道上加密后的像素值；进而基于各像素点在R通道、G通道以及B通道上加密后的像素值确定对应像素点加密后的像素值，以得到加密后的目标图像集，由此能够根据上述方式遍历待加密的目标图像中的所有像素点，使得加密后的目标图像的敏感视觉信息得到保护，在未授权情况下不可见，有效的保护待加密的目标图像信息，避免加密无效导致的待加密图像的信息泄露问题。

图5是本申请的又一示例性实施例示出的一种图像加密方法的流程图。在图5所示的实施例中，步骤S220根据待加密的目标图像的图像属性随机生成密钥的过程至少还包括步骤S221至步骤S222，详细介绍如下：

步骤S221，根据待加密的目标图像的像素点数确定待加密的目标图像中像素点在R通道上的第一子密钥中的密钥位数、在G通道上的第二子密钥中的密钥位数以及在B通道上的第三子密钥中的密钥位数。

像素点数是指待加密的目标图像中的像素点的数量。

为了分别对像素点在R通道、G通道、B通道上的初始像素值进行加密处理，本申请实施例确定密钥中包含的第一子密钥、第二子密钥和第三子密钥，第一子密钥中包含对像素点在R通道上的初始像素值进行加密的密钥，第二子密钥中包含对像素点在B通道上的初始像素值进行加密的密钥，第三子密钥中包含对像素点在B通道上的初始像素值进行加密的密钥。且为了各子密钥中存在对应的密钥加密像素点在各通道中的初始像素值，本申请实施例根据待加密的目标图像的像素点数确定图像中包含的像素点在R通道上的第一子密钥中的密钥位数，确定图像中包含的像素点在G通道上的第二子密钥中的密钥位数，以及确定图像中包含的像素点在B通道上的第三子密钥中的密钥位数。示例性的，若待加密的目标图像中的像素点数为N，则第一子密钥

步骤S222，基于第一子密钥中的密钥位数随机生成各密钥位的密钥值，基于第二子密钥中的密钥位数随机生成各密钥位的密钥值，基于第三子密钥中的密钥位数随机生成各密钥位的密钥值，以得到密钥。

用户终端根据确定的第一子密钥的密钥位数、第二子密钥的密钥位数以及第三子密钥的密钥位置，在各密钥位等概率随机生成零或一的随机值作为对应密钥位的密钥值，进而得到密钥中各密钥位的密钥值。

可以看出，本申请实施例的图像加密方法根据待加密的目标图像的像素点数确定待加密的目标图像中像素点在R通道上的第一子密钥中的密钥位数、在G通道上的第二子密钥中的密钥位数以及在B通道上的第三子密钥中的密钥位数；基于第一子密钥中的密钥位数随机生成各密钥位的密钥值，基于第二子密钥中的密钥位数随机生成各密钥位的密钥值，基于第三子密钥中的密钥位数随机生成各密钥位的密钥值，以得到密钥，由此能够使得密钥空间足够大，即便被第三方获知加密方法，在没有密钥的情况下也无法通过暴力破解密钥来恢复待加密的目标图像的视觉信息。

请参阅图6，图6是本申请的一示例性实施例示出的一种网络模型的训练方法的流程图。下面以云服务端作为具体的执行主体来对本申请实施例提出的网络模型训练方法进行详细介绍。

如图6所示，在一示例性的实施例中，网络模型的训练方法至少包括步骤S610至步骤S640，详细介绍如下：

步骤S610，获取用户终端发送的加密后的目标图像集，并将加密后的目标图像集作为图像训练样本集。

加密后的目标图像集为上述实施例中示出的图像加密方法所计算得到的加密后的目标图像集。

用户终端将加密后的目标图像集上传至云服务端。云服务端接收用户终端上传的加密后的目标图像集，并加密后的目标图像集作为图像训练样本集。

步骤S620，将加密后的目标图像集输入网络模型中，网络模型输出加密后的目标图像集中各加密后的目标图像的预测类别。

网络模型是指对用户终端上传的加密后的目标图像所属类别进行识别的深度神经网络。

云服务端将用户终端上传的图像训练样本集输入网络模型中，以使网络模型输出图像训练样本所属的预测类别。

步骤S630，计算各加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值。

损失函数的损失值可以表征预测类别和标注类别之间的类别相似程度。其中，损失函数的损失值越小，则表明输入的图像训练样本所属类别与标注类别越相似，反之亦然。

云服务端计算加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值。

步骤S640，以损失函数的损失值变小为目标训练网络模型，直至根据训练后的网络模型确定出的损失函数的损失值小于预设损失阈值。

预设损失阈值是用于衡量网络模型训练精准度的数值，若预设损失阈值设置得较低，则网络模型识别图像所属类别的准确性越高，预设损失阈值设置得较高，则网络模型识别图像所属类别的的准确性越低。需要说明的是，预设损失阈值可由工作人员根据实际情况进行设置，在此不进行限定。

云服务端以损失函数的损失值变小为目标训练网络模型，直至训练后的网络确定出的损失函数的损失值小于预设损失阈值。

需要说明的是，为了提高网络模型的类别识别的精准度，本申请实施例还可用图像测试样本集对训练好的网络模型的精准度进行测试，以进一步优化网络模型，其中，图像测试样本集也即加密后的测试图像。进一步需要说明的是，该加密后的测试图像可通过上述实施例所示的图像加密方法对待加密的测试图像进行加密处理得到。

进一步的，为了提高网络模型的识别准确性，在将图像训练样本集输入网络模型进行训练之前，本申请实施例的云服务端将图像训练样本集中的图像训练样本进行数据增强处理，进而将数据增强后的图像训练样本用于网络模型训练。具体的，云服务端对图像训练样本进行水平翻转、垂直翻转、移位等数据增强操作。示例性的，网络模型中的主干网络可以是ResNet50。

可以看出，本申请实施例的网络模型训练方法根据上述实施例的图像加密方法计算得到的加密后的目标图像集作为网络模型的训练集进行网络模型的训练，与使用待加密的目标图像进行网络模型训练具备同样的计算成本，且由上述实施例的图像加密方法得到的加密后的目标图像作为训练样本，能够保留原始图像集的基本空间信息，使得加密后的图像能够训练出实际可用的网络模型。

可继续参阅图7，图7中示出了一种用于云服务端网络模型训练的图像加密系统，图像加密系统包括用户终端和云服务端，用户终端包括训练图像加密模块、密钥生成模块以及测试图像加密模块，云服务端包括数据增强模块、网络模型训练模块和网络模型测试模型。需要说明的是，用户终端中训练图像加密模块对训练图像进行加密处理，并将加密后的图像上传至云服务端，云服务端中的数据加密模块对用户终端上传的加密图像进行数据增强处理，进而云服务端中的网络模型训练模块将数据增强后的加密图像用于网络模型的训练；用户终端中的测试图像加密模块利用密钥对测试图像进行加密后，将其上传至云服务端，云服务端中的网络模型测试模块将接收的加密后的测试图像用于对训练后的网络模型进行测试处理。

图8是本申请的一示例性实施例示出的图像加密装置的框图。该装置可以应用于图1所示的实施环境。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。

如图8所示，该示例性的图像加密装置800包括待加密的目标图像集获取模块81、密钥生成模块82以及加密模块83，具体而言：

待加密的目标图像集获取模块，配置为获取待加密的目标图像集，待加密的目标图像集包括若干待加密的目标图像。

密钥生成模块，配置为根据待加密的目标图像的图像属性随机生成密钥。

加密模块，配置为根据密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。

在另一示例性的实施例中，加密模块83还包括增强处理模块、选取模块和语音样本对确定模块。具体的：

R通道上的加密模块，配置为利用第一子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值。

G通道上的加密模块，配置为利用第二子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在G通道上的初始像素值进行加密处理，得到各像素点在G通道上加密后的像素值。

B通道上的加密模块，配置为利用第三子密钥中各密钥位的密钥值对待加密的目标图像中对应像素点在B通道上的初始像素值进行加密处理，得到各像素点在B通道上加密后的像素值。

加密后的目标图像集确定模块，配置为基于各像素点在R通道、G通道以及B通道上加密后的像素值确定对应像素点加密后的像素值，以得到加密后的目标图像集。

在另一示例性的实施例中，R通道上的加密模块还包括第一判断模块。具体的：

第一判断模块，配置为若加密对应像素点在R通道上的初始像素值所对应密钥值为零，则确定对应像素点在R通道上的初始像素值为对应像素点在R通道上加密后的像素值。

在另一示例性的实施例中，R通道上的加密模块还包括第二判断模块。具体的：

第二判断模块，配置为若加密对应像素点在R通道上的初始像素值所对应密钥值为一，则确定对应像素点在R通道上的互补色值为对应像素点在R通道上加密后的像素值。

在另一示例性的实施例中，密钥生成模块82还包括密钥位数确定模块和密钥确定模块。具体的：

密钥位数确定模块，配置为根据待加密的目标图像的像素点数确定待加密的目标图像中像素点在R通道上的第一子密钥中的密钥位数、在G通道上的第二子密钥中的密钥位数以及在B通道上的第三子密钥中的密钥位数。

密钥确定模块，配置为基于第一子密钥中的密钥位数随机生成各密钥位的密钥值，基于第二子密钥中的密钥位数随机生成各密钥位的密钥值，基于第三子密钥中的密钥位数随机生成各密钥位的密钥值，以得到密钥。

图9是本申请的一示例性实施例示出的网络模型的训练装置的框图。该装置可以应用于图1所示的实施环境。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。

如图9所示，该示例性的网络模型的训练装置900包括图像训练样本集获取模块91、输入模块92、计算模块93以及训练模块94，具体而言：

图像训练样本集获取模块91，配置为获取用户终端发送的加密后的目标图像集，并将加密后的目标图像集作为图像训练样本集，加密后的目标图像集为上述任一项方法所计算得到的加密后的目标图像集。

输入模块92，配置为将加密后的目标图像集输入网络模型中，网络模型输出加密后的目标图像集中各加密后的目标图像的预测类别。

计算模块93，配置为计算各加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值。

训练模块94，配置为以损失函数的损失值变小为目标训练网络模型，直至根据训练后的网络模型确定出的损失函数的损失值小于预设损失阈值。

需要说明的是，上述实施例所提供的图像加密装置和/或网络模型的训练装置与上述实施例所提供的图像加密方法和/或网络模型的训练方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的图像加密装置和/或网络模型的训练装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的网络模型的训练方法和/或语音对象的性别识别方法。

图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图10示出的电子设备的计算机系统1000仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统1000包括中央处理单元(Central Processing Unit，CPU)1001，其可以根据存储在只读存储器(Read-Only Memory，ROM)1002中的程序或者从储存部分1008加载到随机访问存储器(Random Access Memory，RAM)1003中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1003中，还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input/Output，I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1007；包括硬盘等的储存部分1008；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入储存部分1008。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1010从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的方法。

上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种图像加密方法，其特征在于，所述方法包括：

获取待加密的目标图像集，所述待加密的目标图像集包括若干待加密的目标图像；

根据所述待加密的目标图像的图像属性随机生成密钥；

根据所述密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。

2.根据权利要求1所述的方法，其特征在于，所述密钥包括第一子密钥、第二子密钥和第三子密钥，所述根据所述密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集的步骤包括：

利用所述第一子密钥中各密钥位的密钥值对所述待加密的目标图像中对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值；

利用所述第二子密钥中各密钥位的密钥值对所述待加密的目标图像中对应像素点在G通道上的初始像素值进行加密处理，得到各像素点在G通道上加密后的像素值；

利用所述第三子密钥中各密钥位的密钥值对所述待加密的目标图像中对应像素点在B通道上的初始像素值进行加密处理，得到各像素点在B通道上加密后的像素值；

基于各像素点在R通道、G通道以及B通道上加密后的像素值确定对应像素点加密后的像素值，以得到加密后的目标图像集。

3.根据权利要求2所述的方法，其特征在于，所述利用所述第一子密钥中各密钥位的密钥值对所述待加密的目标图像中对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值的步骤，包括：

若加密对应像素点在R通道上的初始像素值所对应密钥值为零，则确定所述对应像素点在R通道上的初始像素值为所述对应像素点在R通道上加密后的像素值。

4.根据权利要求2所述的方法，其特征在于，所述利用所述第一子密钥中各密钥位的密钥值对所述待加密的目标图像中对应像素点在R通道上的初始像素值进行加密处理，得到各像素点在R通道上加密后的像素值的步骤，包括：

若加密对应像素点在R通道上的初始像素值所对应密钥值为一，则确定所述对应像素点在R通道上的互补色值为所述对应像素点在R通道上加密后的像素值。

5.根据权利要求4所述的方法，其特征在于，所述确定所述对应像素点在R通道上的互补色值为所述对应像素点在R通道上加密后的像素值的步骤，包括：

根据预设比特数值确定比特数项；

计算所述比特数项与所述对应像素点在R通道上的初始像素值之间的差值，并将所述差值确定为所述互补色值，以将所述互补色值作为所述对应像素点在R通道上加密后的像素值。

6.根据权利要求1所述的方法，其特征在于，所述图像属性包括所述目标图像的像数点数和像素点的通道数，所述根据所述待加密的目标图像的图像属性随机生成密钥的步骤，包括：

根据所述待加密的目标图像的像素点数确定所述待加密的目标图像中像素点在R通道上的第一子密钥中的密钥位数、在G通道上的第二子密钥中的密钥位数以及在B通道上的第三子密钥中的密钥位数；

基于所述第一子密钥中的密钥位数随机生成各密钥位的密钥值，基于所述第二子密钥中的密钥位数随机生成各密钥位的密钥值，基于所述第三子密钥中的密钥位数随机生成各密钥位的密钥值，以得到所述密钥。

7.一种网络模型的训练方法，其特征在于，所述方法包括：

获取用户终端发送的加密后的目标图像集，并将所述加密后的目标图像集作为图像训练样本集，所述加密后的目标图像集为上述权利要求1～6中任一项所述方法所计算得到的加密后的目标图像集；

将所述加密后的目标图像集输入所述网络模型中，所述网络模型输出所述加密后的目标图像集中各加密后的目标图像的预测类别；

计算各加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值；

以所述损失函数的损失值变小为目标训练所述网络模型，直至根据训练后的网络模型确定出的所述损失函数的损失值小于预设损失阈值。

8.一种图像加密装置，其特征在于，所述装置包括：

待加密的目标图像集获取模块，配置为获取待加密的目标图像集，所述待加密的目标图像集包括若干待加密的目标图像；

密钥生成模块，配置为根据所述待加密的目标图像的图像属性随机生成密钥；

加密模块，配置为根据所述密钥对各待加密的目标图像中的像素点进行多颜色通道的加密处理，得到加密后的目标图像集。

9.一种网络模型的训练装置，其特征在于，所述装置包括：

图像训练样本集获取模块，配置为获取用户终端发送的加密后的目标图像集，并将所述加密后的目标图像集作为图像训练样本集，所述加密后的目标图像集为上述权利要求1～6中任一项所述方法所计算得到的加密后的目标图像集；

输入模块，配置为将所述加密后的目标图像集输入所述网络模型中，所述网络模型输出所述加密后的目标图像集中各加密后的目标图像的预测类别；

计算模块，配置为计算各加密后的目标图像的预测类别与对应的标注类别之间的损失函数的损失值；

训练模块，配置为以所述损失函数的损失值变小为目标训练所述网络模型，直至根据训练后的网络模型确定出的所述损失函数的损失值小于预设损失阈值。

10.一种电子设备，包括：

存储器，存储有计算机可读指令；

处理器，读取存储器存储的计算机可读指令，以执行上述权利要求1～6所述的图像加密方法和/或权利要求7所述的网络模型的训练方法。

Images