CN113657350B - 人脸图像处理方法及装置 - Google Patents
人脸图像处理方法及装置 Download PDFInfo
- Publication number
- CN113657350B CN113657350B CN202111063132.5A CN202111063132A CN113657350B CN 113657350 B CN113657350 B CN 113657350B CN 202111063132 A CN202111063132 A CN 202111063132A CN 113657350 B CN113657350 B CN 113657350B
- Authority
- CN
- China
- Prior art keywords
- face image
- sample
- image
- similarity
- loss function
- 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
Links
- 238000003672 processing method Methods 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 142
- 230000000875 corresponding effect Effects 0.000 claims description 117
- 230000007246 mechanism Effects 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 23
- 230000002596 correlated effect Effects 0.000 claims description 19
- 230000001815 facial effect Effects 0.000 claims description 17
- 210000001508 eye Anatomy 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000010276 construction Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书一个或多个实施例公开了一种人脸图像处理方法及装置。所述方法包括:获取多个第一样本人脸图像对,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。然后根据各第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。进而将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据,并基于损失函数进行模型训练,得到图像编码模型,并利用图像编码模型对人脸图像进行隐私保护处理。
Description
本申请为申请日为2021.05.12、申请号为202110513963.1,发明名称为“人脸图像处理方法及装置”的发明专利申请的分案申请。
技术领域
本说明书涉及隐私保护技术领域,尤其涉及一种人脸图像处理方法及装置。
背景技术
人脸是重要的个人隐私信息,大多数用户会在个人手机相册、个人社交媒体等平台保存个人照片,尤其是在个人社交媒体上发布一些包含个人头像的照片。随着人工智能技术的发展,人脸识别技术或换脸技术等很容易将人脸换到其他人的身体上去,例如通过视频合成的方式更换人脸,就有可能骗过人脸识别***执行某些非法操作,例如登录用户个人APP转款,从而给用户带来隐私泄漏、甚至带来重大损失的风险。
相关技术中,通常采用在人脸图像中添加噪声的方式进行人脸模糊化,但是噪声具有一定的规律性,对基于神经网络的人脸识别技术而言很容易破解,且噪声加在人脸上也会影响人脸图像的观感。因此,如何将图像中的人脸匿名化,同时不影响用户方便的查看自己的照片,成为隐私保护技术领域中最为关心的问题之一。
发明内容
一方面,本说明书一个或多个实施例提供一种人脸图像处理方法,包括:获取多个第一样本人脸图像对,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型。利用所述图像编码模型对人脸图像进行隐私保护处理。
另一方面,本说明书一个或多个实施例提供一种人脸图像处理方法,包括:获取包含隐私信息的原始人脸图像。利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的、具有干扰信息的目标人脸图像。所述图像编码模型基于多个第一样本人脸图像对训练得到,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。将所述目标人脸图像存储至本地和/或云端。
再一方面,本说明书一个或多个实施例提供一种人脸图像处理装置,包括:第一获取模块,获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。第一确定模块,根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。第一训练模块,将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型。隐私处理模块,利用所述图像编码模型对人脸图像进行隐私保护处理。
再一方面,本说明书一个或多个实施例提供一种人脸图像处理装置,包括:第四获取模块,获取包含隐私信息的原始人脸图像。第一编码模块,利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的、具有干扰信息的目标人脸图像,所述图像编码模型基于多个第一样本人脸图像对训练得到,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。第一存储模块,将所述目标人脸图像存储至本地和/或云端。
再一方面,本说明书一个或多个实施例提供一种人脸图像处理设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:获取多个第一样本人脸图像对,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型。利用所述图像编码模型对人脸图像进行隐私保护处理。
再一方面,本说明书一个或多个实施例提供一种人脸图像处理设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:获取包含隐私信息的原始人脸图像。利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的、具有干扰信息的目标人脸图像。所述图像编码模型基于多个第一样本人脸图像对训练得到,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。将所述目标人脸图像存储至本地和/或云端。
再一方面,本说明书实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:获取多个第一样本人脸图像对,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型。利用所述图像编码模型对人脸图像进行隐私保护处理。
再一方面,本说明书实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:获取包含隐私信息的原始人脸图像。利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的、具有干扰信息的目标人脸图像。所述图像编码模型基于多个第一样本人脸图像对训练得到,各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。将所述目标人脸图像存储至本地和/或云端。
附图说明
为了更清楚地说明本说明书一个或多个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一个或多个实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本说明书一实施例的一种人脸图像处理方法的示意性流程图;
图2是根据本说明书一实施例的一种图像编码模型训练方法的示意性流程图;
图3是根据本说明书另一实施例的一种人脸图像处理方法的示意性流程图;
图4是根据本说明书一实施例的一种人脸图像处理方法的示意性泳道图;
图5是根据本说明书一实施例的一种人脸图像处理装置的示意性框图;
图6是根据本说明书另一实施例的一种人脸图像处理装置的示意性框图;
图7是根据本说明书一实施例的一种人脸图像处理设备的示意性框图;
图8是根据本说明书另一实施例的一种人脸图像处理设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种人脸图像处理方法及装置,以解决现有技术中人脸图像中的隐私信息容易泄露、从而给用户带来隐私风险的问题。
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,都应当属于本说明书一个或多个实施例保护的范围。
图1是根据本说明书一实施例的一种人脸图像处理方法的示意性流程图,如图1所示,该方法应用于云端,包括:
S102,获取多个第一样本人脸图像对;各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。
S104,根据各第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。
其中,图像匹配信息可包括以下至少一项:第一样本原始人脸图像和对应的第一样本目标人脸图像之间的第一相似度、第一差异度、基于人眼视觉机制的第二差异度、第一样本目标人脸图像与样本重构人脸图像之间的第二相似度。样本重构人脸图像为将第一样本目标人脸图像通过预先训练的图像还原模型进行还原后得到。图像还原模型的训练过程将在后续实施例中详细介绍。
这里所说的第一样本原始人脸图像和对应的第一样本目标人脸图像之间的第一相似度、第一差异度,均是基于计算机视觉角度而言的,也就是说,从计算机角度出发,利用某一(些)人脸识别算法对第一样本原始人脸图像和对应的第一样本目标人脸图像进行识别,识别到的相似度即为上述第一相似度,识别到的差异度即为上述第一差异度。基于人眼视觉机制的第二差异度和第二相似度则是站在人眼视觉角度上看,例如通过人眼看第一样本原始人脸图像和对应的第一样本目标人脸图像,所看到的相似度即为上述第二相似度,所看到的差异度即为上述第二差异度。
S106,将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据,并基于损失函数进行模型训练,得到图像编码模型。
S108,利用图像编码模型对人脸图像进行隐私保护处理。
采用本说明书一个或多个实施例的技术方案,通过获取多个第一样本人脸图像对,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像,并根据各第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数,进而将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据,并基于损失函数训练图像编码模型,该图像编码模型能够对人脸图像进行隐私保护处理。可见,这种模型训练方式使得图像编码模型能够将人脸图像编码为具有干扰信息的图像,避免人脸图像被人脸识别技术识别出、导致人脸图像中的隐私信息被泄露的风险,从而实现对人脸图像进行隐私保护的效果。
以下详细说明上述实施例中的图像编码模型的训练方式。
在一个实施例中,获取第一样本人脸图像对时,第一样本人脸图像对中的第一样本原始人脸图像需包含隐私信息,与第一样本原始人脸图像对应的第一样本目标人脸图像需包含干扰信息。也就是说,作为机器学习的输入数据的第一样本原始人脸图像需包含隐私信息,而作为机器学习的输出数据的第一样本目标人脸图像则需包含干扰信息,通过这样的机器学习,才能够使训练出的图像编码模型具备向原始人脸图像中添加干扰信息的功能,从而使图像编码模型能够将原始人脸图像编码为具有干扰信息的目标人脸图像,以实现对原始人脸图像的隐私保护作用。
在一个实施例中,根据各第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数。其中,图像匹配信息可包括以下至少一项:第一样本原始人脸图像和对应的第一样本目标人脸图像之间的第一相似度、第一差异度、基于人眼视觉机制的第二差异度、第一样本目标人脸图像与样本重构人脸图像之间的第二相似度。样本重构人脸图像为将第一样本目标人脸图像通过预先训练的图像还原模型进行还原后得到。
基于图像匹配信息的内容,损失函数可根据第一相似度、第一差异度、第二差异度、第二相似度中的至少一项来确定。其中,损失函数与第一相似度、第二差异度和/或第二相似度之间正相关,与第一差异度之间负相关。
需要说明的是,损失函数的构建并不限于上述这几项参数,还可以基于其他参数来构建损失函数,例如第一样本原始人脸图像和第一样本目标人脸图像之间的基于人眼视觉机制的相似度、第一样本目标人脸图像与样本重构人脸图像之间的差异度等。其中,损失函数与第一样本原始人脸图像和第一样本目标人脸图像之间的基于人眼视觉机制的相似度负相关,与第一样本目标人脸图像与样本重构人脸图像之间的差异度也是负相关。
可选的,第一样本原始人脸图像和第一样本目标人脸图像之间的第一相似度和第一差异度可基于预先构建的第一人脸比对网络计算,第一人脸比对网络是预先根据指定人脸识别算法构建得到的。其中,指定人脸识别算法可以是单一的一种人脸识别算法、也可以是多种人脸识别算法的组合,还可以是第三方厂商开发的网络结构未知的、具备人脸识别功能的模型。
第一样本原始人脸图像和第一样本目标人脸图像之间的相似度和第二差异度是基于人眼视觉角度识别的,因此该相似度和第二差异度均可通过人的主观判断,例如,用户通过观察第一样本原始人脸图像和第一样本目标人脸图像,来判断二者之间的相似度和差异度。
本实施例中,为使训练出的模型效果更优、准确率更高,则模型训练所使用的损失函数的值越小越好。本实施例中,从计算机视觉角度来看,损失函数与第一样本原始人脸图像和第一样本目标人脸图像之间的第一相似度正相关,与第一样本原始人脸图像和第一样本目标人脸图像之间的第一差异度负相关,这说明损失函数的值越小时,第一样本原始人脸图像和第一样本目标人脸图像之间的第一相似度就越低,第一样本原始人脸图像和第一样本目标人脸图像之间的第一差异度也就越高,也就是说,对于第一样本原始人脸图像和第一样本目标人脸图像,计算机是很难识别出二者之间的相似度的,即,计算机会将二者识别为两个差异很大的人脸图像。
反之,从人眼视觉角度来看,损失函数与第一样本原始人脸图像和第一样本目标人脸图像之间的相似度负相关,与第一样本原始人脸图像和第一样本目标人脸图像之间的第二差异度正相关,这说明损失函数的值越小时,第一样本原始人脸图像和第一样本目标人脸图像之间的相似度就越高,第一样本原始人脸图像和第一样本目标人脸图像之间的第二差异度也就越低,也就是说,对于第一样本原始人脸图像和第一样本目标人脸图像,用户通过人眼视觉会将二者视为相似度很高的人脸图像,即,人眼中二者之间的差异很小。例如,对用户而言,即使原始人脸图像被进行了隐私保护处理,使得计算机无法识别出来,但是人眼仍能很轻松地识别出目标人脸图像中的表情、五官等信息。
从损失函数与计算机视觉角度上的相似度和差异度、以及与人眼视觉角度上的相似度和差异度之间的关系可看出,通过基于该损失函数训练模型,能够使训练出的图像编码模型既能够将原始人脸图像编码为无法被计算机识别的目标人脸图像,还能够使经过图像编码模型的隐私保护处理之后,用户仍然能够识别出原始人脸图像和目标人脸图像属于同一人脸图像,从而避免在保护人脸隐私时导致用户无法辨认人脸图像的情况。
此外,损失函数与第一样本目标人脸图像和与其对应的样本重构人脸图像之间的第二相似度正相关,由于样本重构人脸图像是通过将第一样本目标人脸图像还原后得到的,因此,这种正相关关系说明了损失函数的值越小时,被隐私保护处理后的目标人脸图像经过还原后,得到的重构人脸图像和原始人脸图像之间的相似度也越小,从而确保隐私保护处理后的目标人脸图像不会被人脸识别技术还原出来,避免其他用户使用人脸图像还原技术对目标人脸图像进行还原、以获取到原始人脸图像中的隐私信息的情况。
在一个实施例中,在根据各第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数之前,需训练用于对目标人脸图像进行还原的图像还原模型。图像还原模型的训练过程可包括以下步骤A1-A2:
步骤A1,获取多个第二样本人脸图像对;各第二样本人脸图像对中分别包括具有隐私信息的第二样本原始人脸图像、以及对应的具有干扰信息的第二样本目标人脸图。
其中,第二样本人脸图像对可以是第一样本人脸图像对,即训练图像还原模型和图像编码模型所使用的样本数据相同;第二样本人脸图像对也可以是除第一样本人脸图像对之外重新获取的样本数据,本实施例对此不作限定。
步骤A2,将第二样本目标人脸图像作为输入数据、将第二样本原始人脸图像作为输出数据,并以第二样本目标人脸图像和第二样本原始人脸图像之间的第三相似度作为收敛函数进行迭代模型训练,得到图像还原模型。
对图像还原模型进行迭代训练时,收敛函数应越小越好,因此,满足迭代终止的收敛条件包括以下至少一项:收敛函数的值达到最小、收敛函数的值趋于稳定、收敛函数的值小于预设收敛值。
由于将第三相似度为收敛函数,因此第三相似度也越小越好。也就是说,基于上述训练方式训练得到的图像还原模型,即使将隐私保护处理后的目标人脸图像进行还原,得到的人脸图像和该目标人脸图像对应的原始人脸图像(即隐私保护处理之前的人脸图像)之间的相似度也很小,即差异很大。通过图像还原模型模拟现有的人脸图像还原技术,对隐私保护处理后的目标人脸图像进行验证,确保人脸图像还原技术无法将目标人脸图像还原为原始人脸图像,从而避免其他用户使用人脸图像还原技术对目标人脸图像进行还原、以获取到原始人脸图像中的隐私信息的情况,更大程度地保护了用户人脸图像中的隐私信息。
在训练图像还原模型之后,可将第一样本目标人脸图像输入图像还原模型,以输出第一样本目标人脸图像对应的样本重构人脸图像,进而计算第一样本目标人脸图像与样本重构人脸图像之间的第二相似度。
在计算出第一样本原始人脸图像和第一样本目标人脸图像之间的第一相似度和/或第一差异度、基于人眼视觉机制的相似度和/或第二差异度、第一样本目标人脸图像与样本重构人脸图像之间的第二相似度和/或差异度之后,即可构建图像编码模型的损失函数。
假设以L表示损失函数,L1表示第一样本原始人脸图像和第一样本目标人脸图像之间的基于人眼视觉机制的差异度,L2表示第一样本原始人脸图像和第一样本目标人脸图像之间的基于计算机视觉技术的差异度、L3表示第一样本目标人脸图像与样本重构人脸图像之间的基于计算机视觉技术的差异度,则损失函数可表示为以下公式(1):
L=L1-(L2+L3) (1)
上述公式(1)表示,损失函数和第一样本原始人脸图像和第一样本目标人脸图像之间的基于人眼视觉机制的差异度正相关,和第一样本原始人脸图像和第一样本目标人脸图像之间的基于计算机视觉技术的差异度负相关,和样本目标人脸图像与样本重构人脸图像之间的基于计算机视觉技术的差异度也负相关。通过这种损失函数训练出来的图像编码模型,能够使经过隐私保护处理后的目标人脸图像不被计算机识别到,同时不会影响用户对目标人脸图像的辨识,如目标人脸图像相较于原始人脸图像而言,五官和表情并未发生大的变化。
当然,上述公式(1)仅是示意性地列举了一种损失函数的构建方式,实际应用中,损失函数的构建方式可灵活变化,只要满足损失函数和各项参数之间的相关关系即可。并且,损失函数并非是一成不变的,即使在图像编码模型已经训练并使用之后,仍然可以根据隐私保护效果和识别效果对损失函数的各项参数进行调整。
在一个实施例中,将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据,并基于损失函数进行模型训练,以得到图像编码模型。模型训练过程包括以下步骤B1-B4:
步骤B1,将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据进行模型训练,得到第一训练结果。
步骤B2,根据第一训练结果,判断损失函数是否满足图像编码模型对应的约束条件。
其中,约束条件包括以下至少一项:损失函数的值达到最小化、损失函数的值小于第一预设阈值、损失函数的值趋于稳定。
在步骤B2中,如果判定损失函数满足约束条件,则执行步骤B3,即根据第一训练结果确定图像编码模型。
如果判定损失函数不满足约束条件,则执行步骤B4,即基于第一训练结果和损失函数继续进行模型训练,直至损失函数满足约束条件。
图2是根据本说明书一实施例的一种图像编码模型训练方法的示意性流程图,如图2所示,图像编码模型训练方法包括:
S201,获取多个第一样本人脸图像对;各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。
S202,利用指定人脸识别算法构建第一人脸比对网络。
其中,指定人脸识别算法可以是单一的一种人脸识别算法、也可以是多种人脸识别算法的组合,还可以是第三方厂商开发的网络结构未知的、具备人脸识别功能的模型。
S203,利用第一人脸比对网络计算出第一样本原始人脸图像和第一样本目标人脸图像之间的相似度和/或差异度。
S204,获取多个第二样本人脸图像对;各第二样本人脸图像对中分别包括具有隐私信息的第二样本原始人脸图像、以及对应的具有干扰信息的第二样本目标人脸图像。
S205,将第二样本目标人脸图像作为输入数据、将第二样本原始人脸图像作为输出数据,并以第二样本目标人脸图像和第二样本原始人脸图像之间的相似度作为收敛函数进行迭代模型训练,得到图像还原模型。
其中,第二样本目标人脸图像和第二样本原始人脸图像之间的相似度可由现有的人脸识别技术计算得到,也可由S202中构建的第一人脸比对网络计算得到。
S206,利用图像还原模型对第一样本目标人脸图像进行还原,得到样本重构人脸图像,并计算第一样本目标人脸图像和样本重构人脸图像之间的相似度和/或差异度。
S207,利用预设的比较方法、并基于人眼视觉机制评估第一样本目标人脸图像和第二样本原始人脸图像之间的相似度和/或差异度。
其中,预设的比较方法可以是人眼观察人脸图像的方法。
需要说明的是,上述S202-S207中,对于第一样本原始人脸图像和第一样本目标人脸图像之间的相似度和/或差异度、第一样本目标人脸图像和样本重构人脸图像之间的相似度和/或差异度、基于人眼视觉机制评估的第一样本目标人脸图像和第二样本原始人脸图像之间的相似度和/或差异度的计算先后顺序仅是一种示意性列举,实际应用中,各项参数的计算先后顺序不受限定。
S208,根据第一样本原始人脸图像和第一样本目标人脸图像之间的相似度和/或差异度、第一样本目标人脸图像和样本重构人脸图像之间的相似度和/或差异度、基于人眼视觉机制评估的第一样本目标人脸图像和第二样本原始人脸图像之间的相似度和/或差异度之间的至少一项参数,构建损失函数。
其中,损失函数和以下因素之间满足正相关关系:第一样本原始人脸图像和第一样本目标人脸图像之间的相似度、第一样本目标人脸图像和样本重构人脸图像之间的相似度、基于人眼视觉机制评估的第一样本目标人脸图像和第二样本原始人脸图像之间的差异度。
损失函数和以下因素之间满足负相关关系:第一样本原始人脸图像和第一样本目标人脸图像之间的差异度、第一样本目标人脸图像和样本重构人脸图像之间的差异度、基于人眼视觉机制评估的第一样本目标人脸图像和第二样本原始人脸图像之间的相似度。
S209,将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据,并基于损失函数进行模型训练,得到图像编码模型。
由本实施例可看出,采用这种方式训练出的图像编码模型,不仅能够使隐私保护处理后得到的目标人脸图像不被计算机识别到;且能够使用户仍然能够识别出原始人脸图像和目标人脸图像属于同一人脸图像,避免了在保护人脸隐私时导致用户无法辨认人脸图像的情况;还能够避免其他用户使用人脸图像还原技术对目标人脸图像进行还原、以获取到原始人脸图像中的隐私信息的情况。
在一个实施例中,利用图像编码模型对人脸图像进行隐私保护处理时,可首先将图像编码模型下发至客户端进行部署,以使客户端利用图像编码模型对包含隐私信息的原始人脸图像进行编码,以得到具有干扰信息的目标人脸图像,并对目标人脸图像进行存储。客户端可将目标人脸图像存储在本地,也可将目标人脸图像上传至云端,由云端接收并存储客户端所上传的目标人脸图像。
在一个实施例中,利用图像编码模型对人脸图像进行隐私保护处理时,还可由云端获取包含隐私信息的原始人脸图像,并利用图像编码模型对原始人脸图像进行编码,得到具有干扰信息的目标人脸图像;进而将目标人脸图像存储至云端,或者将目标人脸图像下发至客户端进行存储。
在一个实施例中,云端训练图像编码模型之后,还可以对图像编码模型进行优化。可选的,云端获取第三样本人脸图像对,该样本人脸图像对中包括具有隐私信息的第三样本原始人脸图像以及对应的第三样本目标人脸图像,第三样本目标人脸图像为利用图像编码模型对第三样本原始人脸图像进行编码后得到。然后,利用云端部署的人脸识别算法对第三样本目标人脸图像进行识别,得到识别结果,并根据识别结果判断是否满足图像编码模型对应的更新条件;若满足更新条件,则对图像编码模型进行优化,从而得到优化后的图像编码模型。若不满足更新条件,则无需对图像编码模型进行优化。
其中,识别结果可包括以下至少一项:第三样本原始人脸图像和第三样本目标人脸图之间的第三相似度、第三样本原始人脸图像和第三样本目标人脸图之间的第三差异度。更新条件可包括以下至少一项:第三相似度高于或等于第二预设阈值、第三差异度低于第三预设阈值。
本实施例中,第三样本目标人脸图像由图像编码模型对第三样本原始人脸图像进行隐私保护处理后得到。云端部署的人脸识别算法可以是现有的任一种或多种具有人脸识别功能的算法。云端通过定期或者实时确认人脸识别算法对人脸图像的识别结果,并根据该识别结果判断图像编码模型的隐私保护效果是否有所下降。比如,若云端部署的人脸识别算法能够识别出第三样本目标人脸图像,即人脸识别算法识别到的第三样本目标人脸图像和第三样本原始人脸图像之间差异很小、相似度很高,则说明图像编码模型对抗人脸识别算法的效果下降,需进行优化。
在对图像编码模型进行优化时,可利用第一样本人脸图像对和损失函数重新训练图像编码模型,也可重新获取新的样本人脸图像对、并构建新的损失函数重新训练图像编码模型,以使重新训练的图像编码模型能够对抗人脸识别算法。
图3是根据本说明书另一实施例的一种人脸图像处理方法的示意性流程图,如图3所示,该方法应用于客户端,包括:
S302,获取包含隐私信息的原始人脸图像。
S304,利用预先部署的图像编码模型对原始人脸图像进行编码,得到原始人脸图像对应的、具有干扰信息的目标人脸图像。
其中,图像编码模型基于多个第一样本人脸图像对训练得到,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。图像编码模型的训练方式已在上述实施例中详细说明,此处不再赘述。
S306,将目标人脸图像存储至本地和/或云端。
在一个实施例中,获取包含隐私信息的原始人脸图像之前,客户端接收云端下发的图像编码模型,并将图像编码模型部署在本地。
客户端将图像编码模型部署在本地之后,可基于云端下发的更新指令对图像编码模型进行更新。当客户端接收到云端下发的对图像编码模型的更新指令时,基于该更新指令更新图像编码模型。其中,图像编码模型在满足更新条件时由云端更新;更新条件包括以下至少一项:第三样本原始人脸图像和对应的第三样本目标人脸图之间的相似度高于或等于第二预设阈值、第三样本原始人脸图像和第三样本目标人脸图之间的差异度低于第三预设阈值。
采用本说明书一个或多个实施例的技术方案,通过获取包含隐私信息的原始人脸图像,并利用预先部署的图像编码模型对原始人脸图像进行编码,得到原始人脸图像对应的、具有干扰信息的目标人脸图像,进而将目标人脸图像存储至本地和/或云端。由于图像编码模型于多个第一样本人脸图像对训练得到,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。因此,该技术方案能够将人脸图像编码为具有干扰信息的图像,避免人脸图像中的隐私信息被人脸识别技术识别出、导致人脸图像中的隐私信息被泄露的风险,从而实现对人脸图像进行隐私保护的效果。
图4是根据本说明书一实施例的一种人脸图像处理方法的示意性泳道图,如图4所示,该方法包括以下步骤:
步骤1,云端获取多个第一样本人脸图像对。
其中,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。
步骤2,云端基于第一样本人脸图像对训练图像编码模型。
该步骤中,图像编码模型的训练方式已在上述实施例中详细说明,此处不再赘述。
步骤3,云端将图像编码模型下发至客户端。
步骤4,客户端在本地部署图像编码模型。
步骤5,客户端接收到包含隐私信息的原始人脸图像。
步骤6,客户端利用图像编码模型对原始人脸图像进行编码,得到目标人脸图像。
步骤7.1,客户端将目标人脸图像存储在本地。
步骤7.2,客户端将目标人脸图像上传至云端。
步骤8,云端接收并存储客户端上传的目标人脸图像。
由本实施例可看出,原始人脸图像经过图像编码模型进行隐私保护处理后,得到的目标人脸图像无论是存储在本地还是云端,均不会被计算机识别出来,即实现了人脸图像的隐私保护效果。同时,经过图像编码模型处理后得到的目标人脸图像对于用户而言,仍可辨认出目标人脸图像和原始人脸图像属于同一人脸图像,因此能够避免在保护人脸隐私时导致用户无法辨认人脸图像的情况。
综上,已经对本主题的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可以按照不同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,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的人脸图像处理方法,基于同样的思路,本说明书一个或多个实施例还提供一种人脸图像处理装置。
图5是根据本说明书一实施例的一种人脸图像处理装置的示意性框图,如图5所示,人脸图像处理装置包括:
第一获取模块510,获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像;
第一确定模块520,根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数;
第一训练模块530,将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型;
隐私处理模块540,利用所述图像编码模型对人脸图像进行隐私保护处理。
在一个实施例中,所述图像匹配信息包括以下至少一项:第一相似度、第一差异度、基于人眼视觉机制的第二差异度、所述第一样本目标人脸图像与样本重构人脸图像之间的第二相似度;所述样本重构人脸图像为将所述第一样本目标人脸图像通过预先训练的图像还原模型进行还原后得到;
所述第一确定模块520包括:
第一确定单元,根据所述第一相似度、所述第一差异度、所述第二差异度、所述第二相似度中的至少一项确定所述损失函数;
其中,所述损失函数与所述第一相似度、所述第二差异度和/或所述第二相似度之间正相关;所述损失函数与所述第一差异度之间负相关。
在一个实施例中,所述第一训练模块530包括:
第一训练单元,将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据进行模型训练,得到第一训练结果;
判断单元,根据所述第一训练结果,判断所述损失函数是否满足所述图像编码模型对应的约束条件;所述约束条件包括以下至少一项:所述损失函数的值达到最小化、所述损失函数的值小于第一预设阈值;
第二确定单元,若是,则根据所述第一训练结果确定所述图像编码模型;
第二训练单元,若否,则基于所述第一训练结果和所述损失函数继续进行模型训练,直至所述损失函数满足所述约束条件。
在一个实施例中,所述第一确定模块520还包括:
构建单元,根据指定人脸识别算法构建第一人脸比对网络;
计算单元,利用所述第一人脸比对网络,计算所述第一样本原始人脸图像和所述第一样本目标人脸图像之间的所述第一相似度。
在一个实施例中,所述装置还包括:
第二获取模块,在所述根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数之前,获取多个第二样本人脸图像对;各所述第二样本人脸图像对中分别包括具有隐私信息的第二样本原始人脸图像、以及对应的具有干扰信息的第二样本目标人脸图像;
第二训练模块,将所述第二样本目标人脸图像作为输入数据、将所述第二样本原始人脸图像作为输出数据,并以所述第二样本目标人脸图像和所述第二样本原始人脸图像之间的第三相似度作为收敛函数进行迭代模型训练,得到所述图像还原模型;
图像还原模块,将所述第一样本目标人脸图像输入所述图像还原模型,以输出所述第一样本目标人脸图像对应的所述样本重构人脸图像;
计算模块,计算所述第一样本目标人脸图像与所述样本重构人脸图像之间的所述第二相似度。
在一个实施例中,隐私处理模块540包括:
下发单元,将所述图像编码模型下发至客户端进行部署;所述客户端用于利用所述图像编码模型对包含隐私信息的原始人脸图像进行编码,以得到具有干扰信息的目标人脸图像;
第一存储单元,接收及存储所述客户端上传的所述目标人脸图像。
在一个实施例中,隐私处理模块540包括:
获取单元,获取包含隐私信息的原始人脸图像;
编码单元,利用所述图像编码模型对所述原始人脸图像进行编码,得到具有干扰信息的目标人脸图像;
第二存储单元,将所述目标人脸图像存储至云端;和/或,将所述目标人脸图像下发至客户端进行存储。
在一个实施例中,所述装置还包括:
第三获取模块,在所述基于所述损失函数进行模型训练,得到所述图像编码模型之后,获取第三样本人脸图像对;所述样本人脸图像对中包括具有隐私信息的第三样本原始人脸图像以及对应的第三样本目标人脸图像;所述第三样本目标人脸图像为利用所述图像编码模型对所述第三样本原始人脸图像进行编码后得到;
识别模块,利用云端部署的人脸识别算法对所述第三样本目标人脸图像进行识别,得到识别结果;
判断模块,根据所述识别结果判断是否满足所述图像编码模型对应的更新条件;
模型优化模块,若是,则对所述图像编码模型进行优化,得到优化后的所述图像编码模型。
在一个实施例中,所述识别结果包括以下至少一项:所述第三样本原始人脸图像和所述第三样本目标人脸图之间的第四相似度、所述第三样本原始人脸图像和所述第三样本目标人脸图之间的第三差异度;
所述更新条件包括以下至少一项:所述第四相似度高于或等于第二预设阈值、所述第三差异度低于第三预设阈值。
采用本说明书一个或多个实施例的装置,通过获取多个第一样本人脸图像对,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像,并根据各第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数,进而将第一样本原始人脸图像作为输入数据、将第一样本目标人脸图像作为输出数据,并基于损失函数训练图像编码模型,该图像编码模型能够对人脸图像进行隐私保护处理。可见,该装置使得图像编码模型能够将人脸图像编码为具有干扰信息的图像,避免人脸图像被人脸识别技术识别出、导致人脸图像中的隐私信息被泄露的风险,从而实现对人脸图像进行隐私保护的效果。
本领域的技术人员应可理解,上述人脸图像处理装置能够用来实现前文所述的在云端侧执行的人脸图像处理方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
图6是根据本说明书另一实施例的一种人脸图像处理装置的示意性框图,如图6所示,人脸图像处理装置包括:
第四获取模块610,获取包含隐私信息的原始人脸图像;
第一编码模块620,利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的、具有干扰信息的目标人脸图像;所述图像编码模型基于多个第一样本人脸图像对训练得到;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像;
第一存储模块630,将所述目标人脸图像存储至本地和/或云端。
在一个实施例中,所述装置还包括:
第五获取模块,获取包含隐私信息的原始人脸图像之前,接收云端下发的所述图像编码模型;
将所述图像编码模型部署在本地。
在一个实施例中,所述装置还包括:
更新模块,所述将所述图像编码模型部署在本地之后,当接收到所述云端下发的对所述图像编码模型的更新指令时,基于所述更新指令更新所述图像编码模型;所述图像编码模型在满足更新条件时由所述云端更新;
其中,所述更新条件包括以下至少一项:第三样本原始人脸图像和对应的第三样本目标人脸图之间的相似度高于或等于第二预设阈值、所述第三样本原始人脸图像和所述第三样本目标人脸图之间的差异度低于第三预设阈值。
采用本说明书一个或多个实施例的装置,通过获取包含隐私信息的原始人脸图像,并利用预先部署的图像编码模型对原始人脸图像进行编码,得到原始人脸图像对应的、具有干扰信息的目标人脸图像,进而将目标人脸图像存储至本地和/或云端。由于图像编码模型于多个第一样本人脸图像对训练得到,各第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像。因此,该装置能够将人脸图像编码为具有干扰信息的图像,避免人脸图像中的隐私信息被人脸识别技术识别出、导致人脸图像中的隐私信息被泄露的风险,从而实现对人脸图像进行隐私保护的效果。
本领域的技术人员应可理解,上述人脸图像处理装置能够用来实现前文所述的在客户端侧执行的人脸图像处理方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本说明书一个或多个实施例还提供一种人脸图像处理设备,如图7所示。人脸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701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对人脸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701可以设置为与存储器702通信,在人脸图像处理设备上执行存储器702中的一系列计算机可执行指令。人脸图像处理设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706。
具体在本实施例中,人脸图像处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对人脸图像处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像;
根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数;
将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型;
利用所述图像编码模型对人脸图像进行隐私保护处理。
基于同样的思路,本说明书一个或多个实施例还提供一种人脸图像处理设备,如图8所示。人脸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801和存储器802,存储器802中可以存储有一个或一个以上存储应用程序或数据。其中,存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对人脸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801可以设置为与存储器802通信,在人脸图像处理设备上执行存储器802中的一系列计算机可执行指令。人脸图像处理设备还可以包括一个或一个以上电源803,一个或一个以上有线或无线网络接口804,一个或一个以上输入输出接口805,一个或一个以上键盘806。
具体在本实施例中,人脸图像处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对人脸图像处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取包含隐私信息的原始人脸图像;
利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的、具有干扰信息的目标人脸图像;所述图像编码模型基于多个第一样本人脸图像对训练得到;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像、以及对应的具有干扰信息的第一样本目标人脸图像;
将所述目标人脸图像存储至本地和/或云端。
本说明书一个或多个实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述在云端执行的人脸图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书一个或多个实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述在客户端侧执行的人脸图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
上述实施例阐明的***、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,本说明书一个或多个实施例可提供为方法、***、或计算机程序产品。因此,本说明书一个或多个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,本说明书一个或多个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。
本说明书一个或多个实施例是参照根据本说明书实施例的方法、设备(***)、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,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***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,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书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一个或多个实施例的权利要求范围之内。
Claims (23)
1.一种人脸图像处理方法,包括:
获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述第一样本目标人脸图像具有干扰信息;
根据各所述第一样本人脸图像对分别对应的图像匹配信息,以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度,确定待训练的图像编码模型对应的损失函数;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;
将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型;
利用所述图像编码模型对人脸图像进行隐私保护处理。
2.根据权利要求1所述的方法,所述图像匹配信息还包括:所述第一样本目标人脸图像与样本重构人脸图像之间的基于计算机视觉的第二相似度;所述样本重构人脸图像为将所述第一样本目标人脸图像通过预先训练的图像还原模型进行还原后得到;
所述根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数,包括:
根据所述第一相似度和/或所述第一差异度、所述第五相似度和/或所述第二差异度、以及所述第二相似度确定所述损失函数;
其中,所述损失函数与所述第二相似度之间正相关。
3.根据权利要求2所述的方法,所述将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型,包括:
将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据进行模型训练,得到第一训练结果;
根据所述第一训练结果,判断所述损失函数是否满足所述图像编码模型对应的约束条件;所述约束条件包括以下至少一项:所述损失函数的值达到最小化、所述损失函数的值小于第一预设阈值;
若是,则根据所述第一训练结果确定所述图像编码模型;若否,则基于所述第一训练结果和所述损失函数继续进行模型训练,直至所述损失函数满足所述约束条件。
4.根据权利要求2所述的方法,所述根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数,还包括:
根据指定人脸识别算法构建第一人脸比对网络;
利用所述第一人脸比对网络,计算所述第一样本原始人脸图像和所述第一样本目标人脸图像之间的所述第一相似度。
5.根据权利要求2所述的方法,所述根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数之前,还包括:
获取多个第二样本人脸图像对;各所述第二样本人脸图像对中分别包括具有隐私信息的第二样本原始人脸图像、以及对应的第二样本目标人脸图像;
将所述第二样本目标人脸图像作为输入数据、将所述第二样本原始人脸图像作为输出数据,并以所述第二样本目标人脸图像和所述第二样本原始人脸图像之间的基于计算机视觉的第三相似度作为收敛函数进行迭代模型训练,得到所述图像还原模型;
将所述第一样本目标人脸图像输入所述图像还原模型,以输出所述第一样本目标人脸图像对应的所述样本重构人脸图像;
计算所述第一样本目标人脸图像与所述样本重构人脸图像之间的所述第二相似度。
6.根据权利要求5所述的方法,所述第二样本目标人脸图像具有干扰信息。
7.根据权利要求1所述的方法,所述利用所述图像编码模型对人脸图像进行隐私保护处理,包括:
将所述图像编码模型下发至客户端进行部署;所述客户端用于利用所述图像编码模型对包含隐私信息的原始人脸图像进行编码,以得到所述原始人脸图像对应的目标人脸图像;
接收及存储所述客户端上传的所述目标人脸图像。
8.根据权利要求1所述的方法,所述利用所述图像编码模型对人脸图像进行隐私保护处理,包括:
获取包含隐私信息的原始人脸图像;
利用所述图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的目标人脸图像;
将所述目标人脸图像存储至云端;和/或,将所述目标人脸图像下发至客户端进行存储。
9.根据权利要求1所述的方法,所述基于所述损失函数进行模型训练,得到所述图像编码模型之后,还包括:
获取第三样本人脸图像对;所述第三样本人脸图像对中包括具有隐私信息的第三样本原始人脸图像以及对应的第三样本目标人脸图像;所述第三样本目标人脸图像为利用所述图像编码模型对所述第三样本原始人脸图像进行编码后得到;
利用云端部署的人脸识别算法对所述第三样本目标人脸图像进行识别,得到识别结果;
根据所述识别结果判断是否满足所述图像编码模型对应的更新条件;
若是,则对所述图像编码模型进行优化,得到优化后的所述图像编码模型。
10.根据权利要求9所述的方法,所述识别结果包括以下至少一项:所述第三样本原始人脸图像和所述第三样本目标人脸图之间的基于计算机视觉的第四相似度、所述第三样本原始人脸图像和所述第三样本目标人脸图之间的基于计算机视觉的第三差异度;
所述更新条件包括以下至少一项:所述第四相似度高于或等于第二预设阈值、所述第三差异度低于第三预设阈值。
11.一种人脸图像处理方法,包括:
获取包含隐私信息的原始人脸图像;
利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的目标人脸图像;所述图像编码模型基于多个第一样本人脸图像对和损失函数训练得到;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述损失函数基于各所述第一样本人脸图像对分别对应的图像匹配信息以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度确定得到;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;所述原始人脸图像对应的所述目标人脸图像以及所述第一样本目标人脸图像分别具有干扰信息;
将所述目标人脸图像存储至本地和/或云端。
12.根据权利要求11所述的方法,所述获取包含隐私信息的原始人脸图像之前,还包括:
接收云端下发的所述图像编码模型;
将所述图像编码模型部署在本地。
13.根据权利要求12所述的方法,所述云端按照以下方式更新所述图像编码模型:
获取第三样本人脸图像对;所述样本人脸图像对中包括具有隐私信息的第三样本原始人脸图像以及对应的第三样本目标人脸图像;所述第三样本目标人脸图像为利用所述图像编码模型对所述第三样本原始人脸图像进行编码后得到;
利用云端部署的人脸识别算法对所述第三样本目标人脸图像进行识别,得到识别结果;
根据所述识别结果判断是否满足所述图像编码模型对应的更新条件;
若是,则对所述图像编码模型进行优化,得到优化后的所述图像编码模型。
14.根据权利要求13所述的方法,所述将所述图像编码模型部署在本地之后,还包括:
当接收到所述云端下发的对所述图像编码模型的更新指令时,基于所述更新指令更新所述图像编码模型;
其中,所述更新条件包括以下至少一项:所述第三样本原始人脸图像和所述第三样本目标人脸图之间的基于计算机视觉的相似度高于或等于第二预设阈值、所述第三样本原始人脸图像和所述第三样本目标人脸图之间的基于计算机视觉的差异度低于第三预设阈值。
15.一种人脸图像处理装置,包括:
第一获取模块,获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述第一样本目标人脸图像具有干扰信息;
第一确定模块,根据各所述第一样本人脸图像对分别对应的图像匹配信息,以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度,确定待训练的图像编码模型对应的损失函数;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;
第一训练模块,将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型;
隐私处理模块,利用所述图像编码模型对人脸图像进行隐私保护处理。
16.根据权利要求15所述的装置,所述图像匹配信息还包括:所述第一样本目标人脸图像与样本重构人脸图像之间的基于计算机视觉的第二相似度;所述样本重构人脸图像为将所述第一样本目标人脸图像通过预先训练的图像还原模型进行还原后得到;
所述第一确定模块包括:
第一确定单元,根据所述第一相似度和/或所述第一差异度、所述第五相似度和/或所述第二差异度、以及所述第二相似度确定所述损失函数;
其中,所述损失函数与所述第二相似度之间正相关。
17.根据权利要求16所述的装置,所述第一训练模块包括:
第一训练单元,将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据进行模型训练,得到第一训练结果;
判断单元,根据所述第一训练结果,判断所述损失函数是否满足所述图像编码模型对应的约束条件;所述约束条件包括以下至少一项:所述损失函数的值达到最小化、所述损失函数的值小于第一预设阈值;
第二确定单元,若是,则根据所述第一训练结果确定所述图像编码模型;
第二训练单元,若否,则基于所述第一训练结果和所述损失函数继续进行模型训练,直至所述损失函数满足所述约束条件。
18.根据权利要求16所述的装置,还包括:
第二获取模块,在所述根据各所述第一样本人脸图像对分别对应的图像匹配信息,确定待训练的图像编码模型对应的损失函数之前,获取多个第二样本人脸图像对;各所述第二样本人脸图像对中分别包括具有隐私信息的第二样本原始人脸图像以及对应的第二样本目标人脸图像;
第二训练模块,将所述第二样本目标人脸图像作为输入数据、将所述第二样本原始人脸图像作为输出数据,并以所述第二样本目标人脸图像和所述第二样本原始人脸图像之间的基于计算机视觉的第三相似度作为收敛函数进行迭代模型训练,得到所述图像还原模型;
图像还原模块,将所述第一样本目标人脸图像输入所述图像还原模型,以输出所述第一样本目标人脸图像对应的所述样本重构人脸图像;
计算模块,计算所述第一样本目标人脸图像与所述样本重构人脸图像之间的所述第二相似度。
19.一种人脸图像装置,包括:
第四获取模块,获取包含隐私信息的原始人脸图像;
第一编码模块,利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的目标人脸图像;所述图像编码模型基于多个第一样本人脸图像对和损失函数训练得到;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述损失函数基于各所述第一样本人脸图像对分别对应的图像匹配信息以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度确定得到;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;所述原始人脸图像对应的所述目标人脸图像以及所述第一样本目标人脸图像分别具有干扰信息;
第一存储模块,将所述目标人脸图像存储至本地和/或云端。
20.一种人脸图像处理设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:
获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述第一样本目标人脸图像具有干扰信息;
根据各所述第一样本人脸图像对分别对应的图像匹配信息,以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度,确定待训练的图像编码模型对应的损失函数;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;
将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型;
利用所述图像编码模型对人脸图像进行隐私保护处理。
21.一种人脸图像处理设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:
获取包含隐私信息的原始人脸图像;
利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的目标人脸图像;所述图像编码模型基于多个第一样本人脸图像对和损失函数训练得到;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述损失函数基于各所述第一样本人脸图像对分别对应的图像匹配信息以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度确定得到;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;所述原始人脸图像对应的所述目标人脸图像以及所述第一样本目标人脸图像分别具有干扰信息;
将所述目标人脸图像存储至本地和/或云端。
22.一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:
获取多个第一样本人脸图像对;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述第一样本目标人脸图像具有干扰信息;
根据各所述第一样本人脸图像对分别对应的图像匹配信息,以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度,确定待训练的图像编码模型对应的损失函数;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;
将所述第一样本原始人脸图像作为输入数据、将所述第一样本目标人脸图像作为输出数据,并基于所述损失函数进行模型训练,得到所述图像编码模型;
利用所述图像编码模型对人脸图像进行隐私保护处理。
23.一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:
获取包含隐私信息的原始人脸图像;
利用预先部署的图像编码模型对所述原始人脸图像进行编码,得到所述原始人脸图像对应的目标人脸图像;所述图像编码模型基于多个第一样本人脸图像对和损失函数训练得到;各所述第一样本人脸图像对中分别包括具有隐私信息的第一样本原始人脸图像以及对应的第一样本目标人脸图像;所述损失函数基于各所述第一样本人脸图像对分别对应的图像匹配信息以及基于人眼视觉机制评估的所述第一样本目标人脸图像和具有隐私信息的第二样本原始人脸图像之间的相似度和/或差异度确定得到;所述图像匹配信息包括:基于计算机视觉的第一相似度和/或第一差异度、以及基于人眼视觉机制的第五相似度和/或第二差异度;所述损失函数与所述第一相似度和/或所述第二差异度间正相关;所述损失函数与所述第一差异度和/或所述第五相似度之间负相关;所述原始人脸图像对应的所述目标人脸图像以及所述第一样本目标人脸图像分别具有干扰信息;
将所述目标人脸图像存储至本地和/或云端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063132.5A CN113657350B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513963.1A CN112926559B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
CN202111063132.5A CN113657350B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513963.1A Division CN112926559B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657350A CN113657350A (zh) | 2021-11-16 |
CN113657350B true CN113657350B (zh) | 2024-06-14 |
Family
ID=76174839
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513963.1A Active CN112926559B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
CN202111063132.5A Active CN113657350B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513963.1A Active CN112926559B (zh) | 2021-05-12 | 2021-05-12 | 人脸图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112926559B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926559B (zh) * | 2021-05-12 | 2021-07-30 | 支付宝(杭州)信息技术有限公司 | 人脸图像处理方法及装置 |
CN113223101B (zh) * | 2021-05-28 | 2022-12-09 | 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、装置及设备 |
CN113592696A (zh) * | 2021-08-12 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 加密模型训练、图像加密和加密人脸图像识别方法及装置 |
AU2021240260A1 (en) * | 2021-09-24 | 2023-04-13 | Sensetime International Pte. Ltd. | Methods for identifying an object sequence in an image, training methods, apparatuses and devices |
CN114140349A (zh) * | 2021-11-24 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 干扰图像的生成方法和装置 |
CN115410257A (zh) * | 2022-08-30 | 2022-11-29 | 浪潮(北京)电子信息产业有限公司 | 图像保护方法及相关设备 |
Citations (1)
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 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095124B (zh) * | 2017-06-07 | 2024-02-06 | 创新先进技术有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN108241855B (zh) * | 2018-01-04 | 2022-03-04 | 百度在线网络技术(北京)有限公司 | 图像生成方法和装置 |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
US11520923B2 (en) * | 2018-11-07 | 2022-12-06 | Nec Corporation | Privacy-preserving visual recognition via adversarial learning |
CN110084281B (zh) * | 2019-03-31 | 2023-09-12 | 华为技术有限公司 | 图像生成方法、神经网络的压缩方法及相关装置、设备 |
CN110363183B (zh) * | 2019-07-30 | 2020-05-08 | 贵州大学 | 基于生成式对抗网络的服务机器人视觉图片隐私保护方法 |
CN111027433A (zh) * | 2019-12-02 | 2020-04-17 | 哈尔滨工程大学 | 一种基于卷积神经网络的多重风格人脸特征点检测方法 |
CN111046422B (zh) * | 2019-12-09 | 2021-03-12 | 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 |
CN111414856B (zh) * | 2020-03-19 | 2022-04-12 | 支付宝(杭州)信息技术有限公司 | 实现用户隐私保护的人脸图像生成方法及装置 |
CN111401272B (zh) * | 2020-03-19 | 2021-08-24 | 支付宝(杭州)信息技术有限公司 | 一种人脸特征提取方法、装置及设备 |
CN111553235B (zh) * | 2020-04-22 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 保护隐私的网络训练方法、身份识别方法及装置 |
CN111476200B (zh) * | 2020-04-27 | 2022-04-19 | 华东师范大学 | 基于生成对抗网络的人脸去识别化生成方法 |
CN111866869B (zh) * | 2020-07-07 | 2023-06-23 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
CN112084962B (zh) * | 2020-09-11 | 2021-05-25 | 贵州大学 | 基于生成式对抗网络脸部隐私保护方法 |
CN112149732A (zh) * | 2020-09-23 | 2020-12-29 | 上海商汤智能科技有限公司 | 图像保护方法、装置、电子设备及存储介质 |
CN112199955A (zh) * | 2020-10-28 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 反命名实体识别的编码器对抗训练、隐私保护方法及装置 |
CN112200796B (zh) * | 2020-10-28 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的图像处理方法、装置及设备 |
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 |
-
2021
- 2021-05-12 CN CN202110513963.1A patent/CN112926559B/zh active Active
- 2021-05-12 CN CN202111063132.5A patent/CN113657350B/zh active Active
Patent Citations (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113657350A (zh) | 2021-11-16 |
CN112926559B (zh) | 2021-07-30 |
CN112926559A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657350B (zh) | 人脸图像处理方法及装置 | |
CN108876864B (zh) | 图像编码、解码方法、装置、电子设备及计算机可读介质 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112766197B (zh) | 基于隐私保护的人脸识别方法及装置 | |
US11734570B1 (en) | Training a network to inhibit performance of a secondary task | |
CN111931153B (zh) | 基于人工智能的身份验证方法、装置和计算机设备 | |
Bhattacharya et al. | Countering acoustic adversarial attacks in microphone-equipped smart home devices | |
CN109766683B (zh) | 一种移动智能设备传感器指纹的保护方法 | |
CN113240430A (zh) | 移动支付验证方法及装置 | |
CN117557689A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116205726B (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
CN116720214A (zh) | 一种用于隐私保护的模型训练方法及装置 | |
CN111582284A (zh) | 用于图像识别的隐私保护方法、装置和电子设备 | |
CN114841340B (zh) | 深度伪造算法的识别方法、装置、电子设备及存储介质 | |
CN112950501B (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN117975519A (zh) | 模型训练和图像生成方法、装置、电子设备及存储介质 | |
CN116127422A (zh) | 图像处理方法、图像处理模型的训练方法及装置 | |
CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 | |
CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
CN111160357A (zh) | 一种基于对抗学习的模型训练、图片输出方法及装置 | |
CN112669441A (zh) | 一种对象重建方法、装置、电子设备和存储介质 | |
CN113780572B (zh) | 建立个性化模型的方法和装置 | |
CN116862803B (zh) | 逆转图像重建方法、装置、设备及可读存储介质 | |
CN117893731B (zh) | 伪装目标检测网络优化方法、检测方法、电子设备及介质 | |
CN117788983B (zh) | 基于大模型的图像数据处理方法及装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |