CN117173799A - 生物信息变换方法、装置、智能汽车及存储介质 - Google Patents
生物信息变换方法、装置、智能汽车及存储介质 Download PDFInfo
- Publication number
- CN117173799A CN117173799A CN202310709494.XA CN202310709494A CN117173799A CN 117173799 A CN117173799 A CN 117173799A CN 202310709494 A CN202310709494 A CN 202310709494A CN 117173799 A CN117173799 A CN 117173799A
- Authority
- CN
- China
- Prior art keywords
- biological information
- original
- preset
- transformed
- service
- 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 39
- 238000006243 chemical reaction Methods 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 239000011521 glass Substances 0.000 description 10
- 210000004209 hair Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001131 transforming effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种生物信息变换方法、装置、智能汽车及存储介质，所述方法包括：获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。上述方案能有效保护用户的个人数据。
Description
技术领域
本发明涉及车辆技术领域，特别涉及一种生物信息变换方法、装置、智能汽车及存储介质。
背景技术
随着科学技术的不断发展，产品的个性化功能得到了广泛关注，为了向用户提供更便利的无感服务，越来越多的个性化功能采用用户的生物信息(如人脸信息、虹膜信息等)来实现。但生物信息是个人数据的一种，涉及到用户的隐私，因此，如何对用户的生物信息进行保护是亟待解决的问题。
发明内容
本发明实施例提供一种生物信息变换方法、装置、智能汽车及存储介质，以有效的对用户的真实生物信息进行保护。
第一方面，本发明实施例提供一种生物信息变换方法，包括：
获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；
基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；
若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
在一些实施方式下，所述基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息，包括：
确定所述预设生物信息生成模型的原始训练样本集合中是否包含有N个第一生物信息，其中，所述N个第一生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于预设相似度，N为正整数；
若所述原始训练样本集合中未包含有所述N个第一生物信息，基于所述原始生物信息，确定用于对所述预设生物信息生成模型进行调整的M个第二生物信息，其中，所述M个第二生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于所述预设相似度，M为正整数；
基于所述M个第二生物信息对所述预设生物信息进行更新，并输出所述变换生物信息。
在一些实施方式下，所述基于所述变换生物信息，对目标业务下的预设业务模型进行训练，包括：
基于所述变换生物信息，对第一初始特征提取模型进行训练，并基于训练好的第一特征提取模型，提取出所述变换生物信息的特征数据；
基于所述变换生物信息的特征数据，对所述预设业务模型进行训练；
其中，所述第一特征提取模型的数据输出范围与第二特征提取模型的数据输出范围相同，所述第二特征提取模型为用于对所述原始生物信息进行特征提取的模型。
在一些实施方式下，所述若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息之前，所述方法还包括：
基于所述第二特征提取模型，提取出所述原始生物信息的特征数据；
基于所述预设业务模型对所述原始生物信息的特征数据进行处理，得到与所述原始生物信息对应的所述第二业务数据。
在一些实施方式下，所述得到与所述变换生物信息对应的第一业务数据之后，所述方法还包括：
若所述第一业务数据与所述第二业务数据之间的误差大于或等于所述预设误差，重复执行通过所述预设生物信息生成模型，生成新的变换生物信息，并基于所述新的变换生物信息，对所述预设业务模型进行训练，得到与所述新的变换生物信息对应的新的业务数据的步骤，直到得到的业务数据与所述第二业务数据之间的误差小于所述预设误差为止。
在一些实施方式下，所述获取用户的原始生物信息，包括：
在所述用户的原始生物信息的使用有效期内，获取所述用户的原始生物信息。
在一些实施方式下，所述原始生物信息包括所述用户的真实图像信息，所述预设生物信息生成模型包括生成对抗网络模型。
第二方面，本发明实施例提供一种生物信息变换装置，包括：
第一处理模块，用于获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；
业务数据生成模块，用于基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；
第二处理模块，用于若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
第三方面，本发明实施提供一种智能汽车，包括有存储器，以及一个或者多个的程序，其中一个或者多个的程序存储于存储器中，且经配置以由一个或者多个的处理器执行所述一个或者多个的程序所包含的用于执行第一方面提供的任一方法对应的操作指令。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面提供的任一方法的步骤。
本申请实施例中的上述一个或至少一个技术方案，至少具有如下技术效果：
本说明书实施例提供的生物信息变换方法，基于用户的原始生物信息，以及预设生物信息生成模型，生成与原始生物信息对应的变换生物信息；基于变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对变换生物信息进行处理，得到与变换生物信息对应的第一业务数据；若第一业务数据与原始生物信息在目标业务下的第二业务数据之间的误差小于预设误差，则将变换生物信息作为原始生物信息。本方案中，通过对原始生物信息进行变换，得到在目标业务下与原始生物信息相似的变换生物信息，由于变换生物信息能够满足目标业务的业务需求，因此，变换生物信息可以取代真实生物信息，从而很好的保护了用户的个人数据。
附图说明
图1为本说明书实施例提供的一种生物信息变换方法的流程图；
图2为本说明书实施例提供的一种针对原始生物信息的处理流程示意图；
图3为本说明书实施例提供的一种针对变换生物信息的处理流程示意图；
图4为本说明书实施例提供的一种生物信息变换装置的示意图；
图5为本说明书实施例提供的一种智能汽车的示意图。
具体实施方式
本申请实施例的技术方案总体思路如下：获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
本说明书实施例提供的方案，通过对原始生物信息进行变换，得到在目标业务下与原始生物信息相似的变换生物信息，由于变换生物信息能够满足目标业务的业务需求，因此，变换生物信息可以取代真实生物信息，从而很好的保护了用户的个人数据。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。
首先说明，本文中出现的术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
如图1所示，为本说明书实施例提供的一种生物信息变换方法流程图，该方法包括以下步骤：
步骤S101：获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；
步骤S102：基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；
步骤S103：若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
本说明书实施例中的方法，可以应用于终端设备中，例如用户手机、电脑等设备，或者应用于用户的车辆中，终端设备能够基于用户的生物信息提供个性化服务。本说明书实施例中的方法，还可以应用于服务器中，如车辆对应的服务器、手机对应的云端服务器等，还可以应用于由终端设备和服务器构成的系统中，这里不做限定。
步骤S101中，用户的原始生物信息，为用户的真实生物信息，生物信息可以包括但不限于用户的图像信息、虹膜信息等。为了更好的为用户提供个性化服务，许多功能都利用了原始生物信息，在用户无感知的情况下实现个性化服务，提高了用户体验。例如，在车辆领域，通过预设的识别模型来对用户的人脸进行识别，并根据识别结果确定用户的个性化参数，以对车辆的驾驶数据以及座舱数据进行调整，从而向用户提供更好的驾驶体验。
但是，用户的原始生物信息涉及到用户的隐私问题，属于敏感数据，为了避免用户的隐私泄漏，用户通常会对原始生物信息的使用有效期进行授权，例如，以车辆服务为例，用户可以授权车辆功能使用人脸图像信息、虹膜信息等原始生物信息的有效期为1个月、3个月、1年等。当有效期结束后，则无法再利用原始生物信息。
本说明书实施例中，为了能够在有效期结束后仍然能够向用户提供精准的个性化服务，可以将原始生物信息进行变换，以得到能够替代原始生物信息的变换生物信息。需要说明的是，变换生物信息和原始生物信息是完全不同的生物信息，但变换生物信息的某些特征与原始生物信息的某些特征又较为类似。以原始生物信息为人脸图像为例，变换生物信息可以为基于人脸图像进行变换的人脸图像，但是，从变换的人脸图像中无法逆向得到原始的人脸图像，因此，可以很好的保护用户的个人数据，又能够基于生成的变换生物信息来代替原始生物信息完成业务功能。
本说明书实施例中，预设生物信息生成模型可以根据实际需要进行设定，例如，预设生物信息生成模型可以为扩散模型(Diffussion Model，DM)、生成对抗网络模型(Generative Adversarial Network，GAN)等，这里不做限定。通过预设生物信息生成模型以及原始生物信息，能够生成变换生物信息。
在一些实施例中，变换生物信息的生成可以通过以下步骤来实现：确定所述预设生物信息生成模型的原始训练样本集合中是否包含有N个第一生物信息，其中，所述N个第一生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于预设相似度，N为正整数；若所述原始训练样本集合中未包含有所述N个第一生物信息，基于所述原始生物信息，确定用于对所述预设生物信息生成模型进行调整的M个第二生物信息，其中，所述M个第二生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于所述预设相似度，M为正整数；基于所述M个第二生物信息对所述预设生物信息进行更新，并输出所述变换生物信息。
具体来讲，预设生物信息生成模型可以为已训练好的模型，以预设生物信息生成模型为StyleGAN2模型为例，StyleGAN2可以是基于公共数据库进行训练得到的，StyleGAN2能够生成人脸图像。当原始生物信息为用户的真实人脸图像时，为了确保能够使用StyleGAN2生成逼近用户真实人脸图像的变换人脸图像，需要先判断StyleGAN2的原始训练样本集合(如公共数据库)中是否包含有N个第一生物信息，N为正整数。
需要说明的是，N个第一生物信息包含有原始生物信息的部分或全部特征，即，N个第一生物信息对应的特征与原始生物信息对应的特征之间的相似度大于或等于预设相似度，预设相似度可以根据实际需要进行设定，例如，预设相似度可以为85％、90％等。
举例来讲，用户为佩戴有眼镜、黑发的男性，如果StyleGAN2的原始训练样本集合中的图像未包含有戴眼镜、黑发的特征，使用该StyleGAN2模型则无法生成佩戴有眼镜的人脸图像，那么，最终得到的变换人脸图像则缺失了用户的关键特征。为了避免这种情况的发生，本说明书实施例中，通过判断原始训练样本集合中是否包含有N个第一生物信息，来确定StyleGAN2模型是否能生成与原始生物信息类似的生物信息。
应理解的是，若N为1，那么该幅图像需要包含原始生物信息中的部分或全部特征，若N为大于1的整数，那么这N幅图像中的特征中要包含有原始生物信息中的部分或全部特征。若原始生物信息的特征包括佩戴眼镜、黑发、佩戴帽子，预设相似度为65％，那么可以检测原始训练样本集合中是否存在某一幅图像中包括佩戴眼镜、黑发、佩戴帽子中的至少两个特征，或者对原始训练样本集合中每幅图像中的特征进行统计，若统计结果表明原始训练集合包含了佩戴眼镜、黑发、佩戴帽子中的至少两个特征，则表明原始训练样本集合中包含有N个第一生物信息。
如果原始训练样本集合中包含有上述N个第一生物信息，则表明训练样本集合中涵盖了原始生物信息中的大部分或全部特征，则可以直接使用预设生物信息生成模型生成变换生物信息。
如果原始训练样本集合中未包含有上述N个第一生物信息，则表明现有的预设生物信息生成模型无法生成与原始生物信息相似的变换生物信息。此时，可以基于原始生物信息，确定出M个第二生物信息，其中，M个第二生物信息对应的特征与原始生物信息对应的特征之间的相似度大于预设相似度。
仍沿用上述原始生物信息包括配戴眼镜、黑发、佩戴帽子，预设相似度为65％的例子，那么对于M个第二生物信息，只要保证M个第二生物信息中统计出来的特征中涵盖了上述三个特征中的任意两个即可。例如，有些第二生物信息为佩戴眼镜的人脸图像，有些第二生物信息中为黑发的人脸图像，有些第二生物信息为佩戴帽子的人脸图像，有些第二生物信息为黑发、戴眼镜的人脸图像等。
通过M个第二生物信息，对预设生物信息生成模型进行微调，仍以预设生物信息生成模型为StyleGAN2模型为例，在对StyleGAN2的训练过程中，即可生成变换生物信息。
步骤S102中，为了确定变换生物信息能否代替原始生物信息进行使用，本说明书实施例中，通过变换生物信息，对目标业务下的预设业务模型进行训练，并得到与变换生物信息对应的第一业务数据。
其中，目标业务可以为利用生物信息开展的业务，例如基于生物信息向用户提供个性化服务的业务。在一些实施例中，车辆领域的目标业务可以包括根据生物信息进行车主识别、根据生物信息进行车辆座椅调整、根据生物信息对车内氛围灯进行调节、根据生物信息对用户当前的出行路线进行预测并导航等。
目标业务对应有预设业务模型，以目标业务为根据生物信息进行车主识别为例，预设业务模型可以为预设识别模型，例如，车辆对应有两名车主，分别为用户1和用户2，那么，预设业务模型可以基于输入的生物信息，确定该生物信息是对应用户1还是用户2，还是对应其他用户。
需要说明的是，在处于原始生物信息的使用有效期内，可以通过原始生物信息对目标业务的预设业务模型进行训练和更新，以使预设业务模型能够满足用户的个性化需求。但在使用有效期结束后，原始生物信息则无法继续使用，如果预设生物信息生成模型生成的变换生物信息能够代替原始生物信息，则可以利用变换生物信息来进行预设业务模型的训练和更新，以持续向用户提供该目标业务下的服务。
本说明书实施例中，为了确定变换生物信息是否能够代替原始生物信息，可以通过变换生物信息对预设业务模型进行训练，在训练结束后，将变换生物信息作为输入数据输入到已训练的业务模型中，以输出变换生物信息对应的第一业务数据。
其中，预设业务模型可以是在原始生物信息的使用有效期内，通过原始生物信息训练得到的模型，也可以是通过能够代替原始生物信息的其他生物信息进行训练得到模型，这里不做限定。
以生物信息为人脸图像，预设业务模型为预设人脸识别模型为例，其中，预设人脸识别模型的输入数据为人脸图像，输出数据为人脸图像的识别结果，其中，识别结果可以为用户标识。在得到变换生物信息，即变换人脸图像之后，利用变换人脸图像对预设人脸识别模型进行训练，并根据训练得到的人脸识别模型得到变换人脸图像对应的用户标识，将识别出的用户标识作为与变换人脸图像对应的第一业务数据。
在一些实施方式中，基于变换生物信息对预设业务模型进行训练，可以通过以下步骤实现：基于所述变换生物信息，对第一初始特征提取模型进行训练，并基于训练好的第一特征提取模型，提取出所述变换生物信息的特征数据；基于所述变换生物信息的特征数据，对所述预设业务模型进行训练；其中，所述第一特征提取模型的数据输出范围与第二特征提取模型的数据输出范围相同，所述第二特征提取模型为用于对所述原始生物信息进行特征提取的模型。
具体来讲，第一初始特征提取模型可以根据实际需要进行设定，例如神经网络模型。以生物信息为人脸信息，预设生物信息生成模型为StyleGAN2模型为例，StyleGAN2模型能够生成一幅或多幅变换人脸图像，基于生成的生物信息对第一初始特征提取模型进行训练，并基于训练好的第一特征提取模型，获取每幅变换人脸图像的特征数据。
需要说明的是，为了确定在目标业务下对变换生物信息是否能够代替原始生物信息，需要将变换生物信息对应的特征范围设置成与原始生物信息的特征范围一致，这样便可以将原始生物信息在目标业务下的第二业务数据作为参考或评估依据，来确定变换生物信息的第一业务数据是否与第二业务数据类似，从而确定变换生物信息是否能作为原始生物信息的替代信息。
在具体实施过程中，可以将第一特征提取模型的输出范围设置为与第二特征提取模型的输出范围相同，其中，第二特征提取模型为用于对原始生物信息进行特征提取的模型。
进一步的，通过第一特征提取模型提取到的变换生物信息的特征数据，对预设业务模型进行训练，并基于训练得到的业务模型对变换生物信息进行处理，得到第一业务数据。
步骤S103中，将第一业务数据与第二业务数据进行比较，由于第二业务数据为原始生物信息在目标业务下的业务数据，如果二者之间的误差小于预设误差，则表明变换生物信息在目标业务下的表现和原始生物信息在目标业务下的表现相近，即变换生物信息与原始生物信息在目标业务下能够得到近乎类似的指标数据，那么，在目标业务下，可以将变换生物信息作为原始生物信息的替代信息。需要说明的是，预设误差可以根据实际需要进行设置，这里不做限定。
在具体实施过程中，第二业务数据可以通过以下步骤获取：基于所述第二特征提取模型，提取出所述原始生物信息的特征数据；基于所述预设业务模型对所述原始生物信息的特征数据进行处理，得到与所述原始生物信息对应的所述第二业务数据。
具体来讲，第二特征提取模型可以根据实际需要进行设定，例如神经网络模型，第二特征提取模型的结构可以为与第一特征提取模型的结构相同，也可以不同，这里不做限定。第二特征提取模型可以是根据原始生物信息进行训练得到的，基于训练好的第二特征提取模型，能够提取出原始生物信息的特征数据。
进一步的，通过预设业务模型对原始生物信息的特征数据进行处理，得到第二业务数据。第二业务数据可以作为评估变换生物信息能够作为原始生物信息的替代信息的参考数据。
本说明书实施例中，若所述第一业务数据与所述第二业务数据之间的误差大于或等于所述预设误差，重复执行通过所述预设生物信息生成模型，生成新的变换生物信息，并基于所述新的变换生物信息，对所述预设业务模型进行训练，得到与所述新的变换生物信息对应的新的业务数据的步骤，直到得到的业务数据与所述第二业务数据之间的误差小于所述预设误差为止。
具体来讲，如果第一业务数据与第二业务数据之间的误差大于或等于预设误差，则表明变换生物信息无法替代原始生物信息，此时，需要通过预设生物信息生成模型，重新生成新的变换生物信息。仍以预设生物信息生成模型为StyleGAN2模型为例，为了生成新的变换生物信息，可以通过输入不同的噪声值来实现新的变换生物信息的生成。进一步的，在生成了新的变换生物信息后，基于新的变换生物信息，再次对预设业务模型进行重新训练，得到重新训练后的业务模型，并将新的变换生物信息作为输入数据，输入到重新训练后的业务模型中，得到与新的变换生物信息对应的新的业务数据。再次比较新的业务数据与第二业务数据之间的误差，如果误差小于预设误差，则将新的变换生物信息作为原始生物信息的替代信息，如果误差大于或等于预设误差，再次重复上述过程。
通过上述方式，可以最终得到目标业务下能够替代原始生物信息的变换生物信息。应理解的是，在用户的原始生物信息的使用有效期内，可以获取用户的原始生物信息，并利用原始生物信息进行目标业务下的业务模型的训练或更新。若在使用有效期结束后，原始生物信息则无法再继续使用，通过本说明书实施例提供的方法，生成能够替代原始生物信息的变换生物信息，并将变换生物信息进行保存，那么，即使是在使用有效期结束后，仍可以通过保存的变换生物信息来进行目标业务下的业务模型更新以及新功能的开发，在不涉及到用户的隐私数据的前提下，满足目标业务需求，从而改善了用户体验。
为了更好的理解本说明书实施例提供的方法，下面以生物信息为人脸图像、预设生物信息生成模型为StyleGAN2模型、目标业务为目标车辆的车主识别业务为例，来进行说明。
在具体实施过程中，目标车辆的车主可以包括两名，车主1为一名男性车主，车主2为一名女性车主。在车主授权使用原始生物信息的有效期内，可以采集和使用车主1和车主2的真实人脸图像，即原始生物信息，并基于真实人脸图像，训练了一个特征提取函数Fraw(.)，Fraw(.)对应上述第二特征提取模型。为了便于说明，假设Fraw(.)的输出(即提取到的特征数据)是一个0-255的整数。为了简单起见，如图2所示，假设目标业务需要做的是将图2中的5幅人脸图像进行识别，该目标业务下的预设业务模型为Eraw(.)，Eraw(.)的输出值即为图像的识别结果。
请参考图2，图像序号1对应的图像为车主1的人脸图像，图像序号2对应的图像更为车主2的人脸图像，图像序号3-5为非车主的人脸图像，通过Fraw(.)对每幅人脸图像进行处理，如图2所示，与图像1-5对应的Fraw(.)的输出值分别为12、130、69、193、37。进一步的，Eraw(.)对Fraw(.)的输出值进行处理，其中，如果Fraw(.)的输出值f满足0<f<16，则判定该幅图像为用户1，即Eraw(.)的输出值为1，如果Fraw(.)的输出值f满足128<f<144，则判定该幅图像为用户2，即Eraw(.)的输出值为2，如果Fraw(.)的输出值f为其他范围，则判定该幅图像为非车主用户，即Eraw(.)的输出值为0。
进一步的，可以利用车主的真实人脸图像对StyleGAN2模型进行微调，或者直接调用StyleGAN2模型，生成变换生物信息，即生成车主1和车主2对应的变换人脸图像。基于车主1和车主2对应的变换人脸图像，训练特征提取函数Fgen(.)，Fgen(.)对应上述第一征提取模型，Fgen(.)的输出范围与的Fraw(.)输出范围相同，都为0-255的整数。
请参考图3，为了确定变换人脸图像是否能代替真实人脸信息完成目标业务的需求，对图3中的5幅人脸图像进行识别，其中，图像序号1对应的图像为生成的车主1的变换人脸图像，图像序号2对应的图像为车主2的变换人脸图像，图像序号3-5为非车主的人脸图像，通过Fgen(.)对每幅人脸图像进行处理，如图3所示，与图像1-5对应的Fgen(.)的输出值分别为68、149、37、251、15。进一步的，通过Egen(.)对Fgen(.)的输出值进行处理，Egen(.)为与变换人脸图像对应的业务模型，其中，如果Fgen(.)的输出值f满足64<f<80，则判定该幅图像为用户1，即Egen(.)的输出值为1，如果Fgen(.)的输出值f满足144<f<160，则判定该幅图像为用户2，即Egen(.)的输出值为2，如果Fgen(.)的输出值f为其他范围，则判定该幅图像为非车主用户，即Egen(.)的输出值为0。
为了判定变换人脸图像是否能够替代真实人脸图像，可以将Egen(.)的输出值与Eraw(.)的输出值进行比较，如果二者的误差小于预设误差，则认为变换人脸图像可以替代真实人脸图像，如果二者的误差大于或等于预设误差，则通过StyleGAN2模型再次生成新的变换人脸图像，重复上述步骤，直到误差小于预设范围为止。
具体的，针对用户2，如果生成的一幅或多幅变换人脸图像所对应的Egen(.)的输出值始终无法为2，则认为用户2对应的这一幅或多幅变换人脸图像无法替代真实人脸图像来实现目标功能，此时，需要重新生成新的变换人脸图像，如改变StyleGAN2模型的输入噪声，重新生成与之前生成的人脸图像不同的人脸图像，再次重新执行上述步骤。
综上所述，本说明书实施例提供的方法，通过对原始生物信息进行变换，以及对变换生物信息在目标业务下的可用性进行检测，以最终获得目标业务下能够取得与原始生物信息近乎类似效果的变换生物信息。在成功获得变换生物信息之后，可以将原始生物信息进行删除，保留无敏感的变换生物信息。同时，生成的变换生物信息只是部分类似原始生物信息，从变换生物信息去逆向原始生物信息几乎是不可能的，从而有效的确保了用户的个人数据。
基于同一发明构思，本说明书实施例还提供一种生物信息变换装置，如图4所示，包括：
第一处理模块401，用于获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；
业务数据生成模块402，用于基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；
第二处理模块403，用于若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
在一些实施方式下，第一处理模块401，用于：
确定所述预设生物信息生成模型的原始训练样本集合中是否包含有N个第一生物信息，其中，所述N个第一生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于预设相似度，N为正整数；
若所述原始训练样本集合中未包含有所述N个第一生物信息，基于所述原始生物信息，确定用于对所述预设生物信息生成模型进行调整的M个第二生物信息，其中，所述M个第二生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于所述预设相似度，M为正整数；
基于所述M个第二生物信息对所述预设生物信息进行更新，并输出所述变换生物信息。
在一些实施方式下，业务数据生成模块402，用于：
基于所述变换生物信息，对第一初始特征提取模型进行训练，并基于训练好的第一特征提取模型，提取出所述变换生物信息的特征数据；
基于所述变换生物信息的特征数据，对所述预设业务模型进行训练；
其中，所述第一特征提取模型的数据输出范围与第二特征提取模型的数据输出范围相同，所述第二特征提取模型为用于对所述原始生物信息进行特征提取的模型。
在一些实施方式下，所述装置还包括：
特征提取模块，用于基于所述第二特征提取模型，提取出所述原始生物信息的特征数据；
第三处理模块，用于基于所述预设业务模型对所述原始生物信息的特征数据进行处理，得到与所述原始生物信息对应的所述第二业务数据。
在一些实施方式下，所述装置还包括：
第四处理模块，用于在所述第一业务数据与所述第二业务数据之间的误差大于或等于所述预设误差时，重复执行通过所述预设生物信息生成模型，生成新的变换生物信息，并基于所述新的变换生物信息，对所述预设业务模型进行训练，得到与所述新的变换生物信息对应的新的业务数据的步骤，直到得到的业务数据与所述第二业务数据之间的误差小于所述预设误差为止。
在一些实施方式下，第一处理模块401，用于：
在所述用户的原始生物信息的使用有效期内，获取所述用户的原始生物信息。
在一些实施方式下，所述原始生物信息包括所述用户的真实图像信息，所述预设生物信息生成模型包括生成对抗网络模型。
关于上述装置，其中各个部分的具体功能已经在本说明书实施例提供的生物信息变换方法中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本发明实施例提供了一种智能汽车，参考图5所示，包括存储器1004、处理器1002及存储在存储器1004上并可在处理器1002上运行的计算机程序，处理器1002执行程序时实现生物信息变换方法实施例中任一种实施方式。
其中，在图5中，总线架构(用总线1000来代表)，总线1000可以包括任意数量的互联的总线和桥，总线1000将包括由处理器1002代表的一个或多个处理器和存储器1004代表的存储器的各种电路链接在一起。总线1000还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口1005在总线1000和接收器1001和发送器1003之间提供接口。接收器1001和发送器1003可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器1002负责管理总线1000和通常的处理，而存储器1004可以被用于存储处理器1002在执行操作时所使用的数据。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，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，也可以两个或两个以上单元集成在一个单元中。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，作为控制装置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实施例方案的目的。
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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
应注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种生物信息变换方法，其特征在于，包括：
获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；
基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；
若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
2.如权利要求1所述的方法，其特征在于，所述基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息，包括：
确定所述预设生物信息生成模型的原始训练样本集合中是否包含有N个第一生物信息，其中，所述N个第一生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于预设相似度，N为正整数；
若所述原始训练样本集合中未包含有所述N个第一生物信息，基于所述原始生物信息，确定用于对所述预设生物信息生成模型进行调整的M个第二生物信息，其中，所述M个第二生物信息对应的特征与所述原始生物信息对应的特征之间的相似度大于或等于所述预设相似度，M为正整数；
基于所述M个第二生物信息对所述预设生物信息进行更新，并输出所述变换生物信息。
3.如权利要求1所述的方法，其特征在于，所述基于所述变换生物信息，对目标业务下的预设业务模型进行训练，包括：
基于所述变换生物信息，对第一初始特征提取模型进行训练，并基于训练好的第一特征提取模型，提取出所述变换生物信息的特征数据；
基于所述变换生物信息的特征数据，对所述预设业务模型进行训练；
其中，所述第一特征提取模型的数据输出范围与第二特征提取模型的数据输出范围相同，所述第二特征提取模型为用于对所述原始生物信息进行特征提取的模型。
4.如权利要求3所述的方法，其特征在于，所述若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息之前，所述方法还包括：
基于所述第二特征提取模型，提取出所述原始生物信息的特征数据；
基于所述预设业务模型对所述原始生物信息的特征数据进行处理，得到与所述原始生物信息对应的所述第二业务数据。
5.如权利要求1所述的方法，其特征在于，所述得到与所述变换生物信息对应的第一业务数据之后，所述方法还包括：
若所述第一业务数据与所述第二业务数据之间的误差大于或等于所述预设误差，重复执行通过所述预设生物信息生成模型，生成新的变换生物信息，并基于所述新的变换生物信息，对所述预设业务模型进行训练，得到与所述新的变换生物信息对应的新的业务数据的步骤，直到得到的业务数据与所述第二业务数据之间的误差小于所述预设误差为止。
6.如权利要求1所述的方法，其特征在于，所述获取用户的原始生物信息，包括：
在所述用户的原始生物信息的使用有效期内，获取所述用户的原始生物信息。
7.如权利要求1所述的方法，其特征在于，所述原始生物信息包括所述用户的真实图像信息，所述预设生物信息生成模型包括生成对抗网络模型。
8.一种生物信息变换装置，其特征在于，包括：
第一处理模块，用于获取用户的原始生物信息，并基于所述原始生物信息，以及预设生物信息生成模型，生成与所述原始生物信息对应的变换生物信息；
业务数据生成模块，用于基于所述变换生物信息，对目标业务下的预设业务模型进行训练，并基于已训练的业务模型对所述变换生物信息进行处理，得到与所述变换生物信息对应的第一业务数据；
第二处理模块，用于若所述第一业务数据与所述原始生物信息在所述目标业务下的第二业务数据之间的误差小于预设误差，则将所述变换生物信息作为所述原始生物信息的替代信息。
9.一种智能汽车，其特征在于，包括有存储器，以及一个或者多个的程序，其中一个或者多个的程序存储于存储器中，且经配置以由一个或者多个的处理器执行所述一个或者多个的程序所包含的用于进行如权利要求1-7任一所述方法对应的操作指令。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709494.XA CN117173799A (zh) | 2023-06-14 | 2023-06-14 | 生物信息变换方法、装置、智能汽车及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709494.XA CN117173799A (zh) | 2023-06-14 | 2023-06-14 | 生物信息变换方法、装置、智能汽车及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117173799A true CN117173799A (zh) | 2023-12-05 |
Family
ID=88941926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310709494.XA Pending CN117173799A (zh) | 2023-06-14 | 2023-06-14 | 生物信息变换方法、装置、智能汽车及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173799A (zh) |
-
2023
- 2023-06-14 CN CN202310709494.XA patent/CN117173799A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570358A (zh) | 基于gan网络的车损图像增强方法和装置 | |
| WO2022027894A1 (zh) | 驾驶员行为检测方法、装置、电子设备、存储介质和程序 | |
| US11836748B2 (en) | System and methods for predicting rental vehicle use preferences | |
| CN109816391A (zh) | 公共交通工具的客票支付方法及系统、存储介质 | |
| US20200098205A1 (en) | System and method for determining damage | |
| CN110399473A (zh) | 为用户问题确定答案的方法和装置 | |
| CN111260484A (zh) | 一种人伤识别的数据处理方法、装置、服务器及系统 | |
| CN109344582B (zh) | 认证方法、装置和存储介质 | |
| CN115760182A (zh) | 汽车行业大数据获客方法、装置、电子设备及存储介质 | |
| CN109063965A (zh) | 一种网络支付风险评估方法、装置及服务器 | |
| CN115688174A (zh) | 车辆数据的隐私保护方法、装置、车辆及存储介质 | |
| US20220222578A1 (en) | Method of training local model of federated learning framework by implementing classification of training data | |
| CN113420323B (zh) | 数据共享方法及终端设备 | |
| CN112669112B (zh) | 一种停车月卡自动续费的方法及系统 | |
| CN112367494B (zh) | 基于ai的在线会议通讯方法、装置及计算机设备 | |
| CN111192150B (zh) | 车辆出险代理业务的处理方法、装置、设备及存储介质 | |
| CN117173799A (zh) | 生物信息变换方法、装置、智能汽车及存储介质 | |
| CN116205726A (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
| CN112732736B (zh) | 信用更新方法及装置 | |
| CN111417088B (zh) | 一种车联网数据身份属性认证方法 | |
| US11537692B2 (en) | Personal identification apparatus and personal identification method | |
| CN108985456B (zh) | 层数增减深度学习神经网络训练方法、系统、介质和设备 | |
| CN113570004A (zh) | 一种乘车热点区域预测方法、装置、设备及可读存储介质 | |
| CN114694386B (zh) | 信息推送方法、装置、电子装置及存储介质 | |
| Cai et al. | Effects of knowledge and experience on privacy decision-making in connected autonomous vehicle scenarios |
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 |