CN113766085B - 图像处理方法及相关装置 - Google Patents
图像处理方法及相关装置 Download PDFInfo
- Publication number
- CN113766085B CN113766085B CN202110535077.9A CN202110535077A CN113766085B CN 113766085 B CN113766085 B CN 113766085B CN 202110535077 A CN202110535077 A CN 202110535077A CN 113766085 B CN113766085 B CN 113766085B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- processed
- target
- feature
- 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 abstract description 35
- 238000000034 method Methods 0.000 claims description 93
- 238000012545 processing Methods 0.000 claims description 71
- 238000012795 verification Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 230000001976 improved effect Effects 0.000 abstract description 8
- 231100000817 safety factor Toxicity 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 241000282414 Homo sapiens Species 0.000 description 9
- 230000003993 interaction Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 230000001680 brushing effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
- H04N1/448—Rendering the image unintelligible, e.g. scrambling
- H04N1/4486—Rendering the image unintelligible, e.g. scrambling using digital data encryption
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种图像处理方法,涉及人工智能技术领域。本申请的图像处理方法,在获取待处理图像后,划分待处理图像得到至少一个图像块。进而,获取其中每个图像块的目标信息,每个图像块的目标信息包括目标特征。进而,对其中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据。可见,本技术方案,将待处理图像的特征用作安全因子,使得待处理图像的安全因子与待处理图像紧耦合,破译难度大,从而能够提高待处理图像的安全性。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种图像处理方法及相关装置。
背景技术
随着应用程序支持的功能越来越多,应用程序能够适配的使用场景也越来越多,例如支付场景。支付场景涉及的数据(例如人脸图像)具备安全性需求。为了确保人脸图像的安全性,应用程序采集人脸图像之后,对人脸图像进行加密存储。
常规的图像加密方法,通过引入具备一定规律的参数作为安全因子,对待加密的数据进行加密。而这样,一旦得到安全因子的规律被攻击者掌握,图像或者加密机制极易被攻击。可见,常规的图像加密方法安全性相对较差。
发明内容
本申请实施例提供了一种图像处理方法及相关装置,能够解决常规加密方法安全性差的问题。
第一方面,本申请实施例提供了一种图像处理方法,方法包括:
获取待处理图像;
划分待处理图像得到至少一个图像块;
获取至少一个图像块中每个图像块的目标信息,每个图像块的目标信息包括目标特征;
对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据,待处理信息包括待处理图像或至少一个图像块。
第二方面,本申请实施例提供了一种图像处理方法,包括:
获取待处理图像对应的加密数据,加密数据根据第一方面的图像处理方法处理得到;
对加密数据解密,得到待验证信息和至少一个第一目标信息,待验证信息为待验证图像或待验证图像的至少一个图像块;
获取至少一个图像块中每个图像块的第二目标信息;
若各个图像块对应的第一目标信息与第二目标信息均相同,则验证结果为待处理图像未被篡改;
若至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,则验证结果为待处理图像被篡改。
第三方面,本申请实施例还提供了一种图像处理装置,所述装置包括:
获取模块,用于获取待处理图像;
划分模块,用于划分待处理图像得到至少一个图像块;
获取模块,还用于获取至少一个图像块中每个图像块的目标信息,每个图像块的目标信息包括目标特征;
加密模块,用于对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据,待处理信息包括待处理图像或至少一个图像块。
在一种可能的实现方式中,该装置还包括特征提取模块,
特征提取模块,用于提取至少一个图像块中各个图像块的初始特征;
获取模块,还用于对于每个图像块,确定图像块的初始特征与多个参考特征的匹配度,将匹配度最高的参考特征作为图像块的目标特征;多个参考特征是基于多个样本图像块的图像特征得到的,多个样本图像块通过划分多个样本图像得到,样本图像包括样本对象。
在一种可能的实现方式中,每个图像块的目标信息还包括目标置信值;针对任一图像块,目标置信值表征图像块的初始特征和图像块的目标特征的匹配度。
在一种可能的实现方式中,加密模块,还用于若待处理图像中包括目标对象,对至少一个图像块中各个图像块的目标信息和各个图像块加密;
获取模块,还用于获取各个图像块的目标置信值,针对任一图像块,目标置信值表征图像块的初始特征和图像块的目标特征的匹配度;若各个目标置信值中大于预定阈值的目标置信值的数量满足条件,确定待处理图像中包括目标对象。
在一种可能的实现方式中,该装置还包括聚类模块,
获取模块,还用于获取多个样本图像,多个样本图像包括至少一个包含样本对象的图像及至少一个不包含样本对象的图像;
聚类模块,用于对多个样本图像进行聚类,得到目标图像集,目标图像集为包括样本对象的图像集;
划分模块,还用于分别划分目标图像集中的各目标图像得到多个样本图像块;
特征提取模块,还用于提取多个样本图像块中每个样本图像块的特征,将各个样本图像块的特征作为多个参考特征。
在一种可能的实现方式中,该装置还包括发送模块,
发送模块,用于将加密数据发送至待处理图像的接收端,以使接收端根据加密数据中包含的目标信息,验证待处理图像是否被篡改。
在一种可能的实现方式中,该装置还包括:
特征提取模块,还用于提取待处理图像的第一特征,第一特征包含第一数量的第一特征值;
划分模块,还用于将第一特征等分为第二数量的子特征,其中每个子特征包含至少两个第一特征值;
计算模块,用于对应每个子特征,计算该子特征所包含的至少两个第一特征值的均值,将该均值作为第二特征值,将第二数量的第二特征值组成的特征,作为待处理图像的第二特征;
划分模块,还用于划分第二特征对应的图像得到至少一个图像块。
第四方面,本申请实施例还提供了一种图像处理装置,所述装置包括:
获取模块,用于获取待处理图像对应的加密数据,加密数据根据第一方面的图像处理方法处理得到;
解密模块,用于对加密数据解密,得到待验证信息和至少一个第一目标信息,待验证信息为待验证图像或待验证图像的至少一个图像块;
获取模块,还用于获取至少一个图像块中每个图像块的第二目标信息;
验证模块,用于若各个图像块对应的第一目标信息与第二目标信息均相同,则验证结果为待处理图像未被篡改;还用于若至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,则验证结果为待处理图像被篡改。
在一种可能的实现方式中,该装置还包括:
获取模块,还用于获取业务处理请求;
调用模块,用于响应于业务处理请求,调用图像采集设备采集人脸图像,人脸图像为待处理图像;
处理模块,用于若验证结果为人脸图像未被篡改,处理业务处理请求对应的业务,以及若验证结果为人脸图像被篡改,反馈请求失败的信息。
第五方面,本申请实施例提供了一种发送设备,发送设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面所述的图像处理方法。
第六方面,本申请实施例提供了一种接收设备,接收设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第二方面所述的图像处理方法。
第七方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面或者第二方面所述的图像处理方法。
第八方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中包括计算机程序代码,当计算机程序代码在计算机上运行时,使得计算机实现第一方面或者第二方面所述的图像处理方法。
从以上描述可以看出,本申请实施例的技术方案具有以下优点:
在获取待处理图像后,通过划分待处理图像得到至少一个图像块。之后,获取至少一个图像块中每个图像块的目标信息,进而,对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据。其中,每个图像块的目标信息包括目标特征。待处理信息包括待处理图像或至少一个图像块。可见,本申请实施例的技术方案至少将各个图像块的目标特征用作安全因子,将各个图像块的目标特征与待处理图像或至少一个图像块一起加密。由于图像块的目标特征与图像块相关,所以,本申请实施例的技术方案,安全因子与图像块紧耦合,不存在取值规律,从而不易破译,能够提高图像加密的安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。应理解,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的图像处理***10的示例性架构示意图;
图2A为本申请实施例提供的图像处理方法100的示例性方法流程示意图;
图2B为本申请实施例提供的图像处理方法200的示例性信令交互示意图;
图2C为本申请实施例提供的图像处理方法300的示例性方法流程示意图;
图3为本申请实施例提供的一种划分待处理图像得到图像块的示例性场景示意图;
图4A为本申请实施例提供的图像块与目标信息对应关系的一种示例性场景示意图;
图4B为本申请实施例提供的图像块与目标信息对应关系的另一种示例性场景示意图;
图5为本申请实施例提供的配置参考特征库的示例性方法流程图;
图6为本申请实施例提供的采集人脸图像的示例性场景示意图;
图7为本申请实施例提供的人脸图像处理方法的信令交互图;
图8A为本申请实施例提供的图像处理装置80的示例性组成示意图;
图8B为本申请实施例提供的发送设备81的示例性结构示意图;
图9A为本申请实施例提供的图像处理装置90的示例性组成示意图;
图9B为本申请实施例提供的接收设备91的示例性结构示意图。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例的技术方案进行描述。
本申请以下实施例中所使用的术语是为了描述特定实施例的目的,而并非旨在作为对本申请技术方案的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,尽管在以下实施例中可能采用术语第一、第二等来描述某一类对象,但所述对象不应限于这些术语。这些术语用来将该类对象的具体实现对象进行区分。例如,以下实施例中采用术语第一、第二等来描述目标信息,但目标信息不限于这些术语。这些术语仅用来区分待处理图像不同场景下的目标信息。以下实施例中可能采用术语第一、第二等来描述的其他类对象同理,此处不再赘述。
本申请实施例涉及图像处理技术领域,公开了一种基于人工智能(ArtificialIntelligence,AI)获得待处理图像的相关特征,进而,将待处理数据的相关特征作为安全因子,对图像进行加密和验证等处理。本技术方案,将待处理图像的相关特征作为安全因子,能够提高图像加密之后的安全性。
下面对本申请实施例涉及的相关技术进行说明。
AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
AI技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。AI基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。AI软件技术主要包括计算机视觉(ComputerVision,CV)技术、语音处理(Speech Technology)技术、自然语言处理(Nature Languageprocessing,NLP)技术以及机器学习(Machine Learning,ML)/深度学习等几大方向。
本申请技术方案主要涉及CV技术,CV技术是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理(包括图像加密等)、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别等生物特征识别技术。
机器学习(ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、监督学习、无监督学习、半监督学习、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例旨在,使用图像特征对终端设备解锁、登录应用程序帐户和使用应用程序支付等业务。相应的,本申请实施例涉及的图像处理技术包括,对待使用的图像加密。在接收到业务请求后,通过验证业务请求中包含的图像是否满足条件,确定是否触发相关业务被处理。本申请实施例涉及的图像可以包括用户的人脸图像等。
请参考图1,图1示出了一种示例性图像处理***10。该图像处理***10包括:终端设备11和服务器12。
终端设备11可以实现为诸如手机、平板电脑、游戏主机、可穿戴设备、PC(PersonalComputer,个人计算机)等电子设备。可选地,终端设备11支持用户图像的采集,例如用户的人脸图像,并且支持将所采集的图像用作安全验证的图像,对终端设备11进行解锁。可选的,终端设备11支持对所采集的图像进行加密的功能。可选的,终端设备11还可以将加密后的数据发送到服务器12,以使服务器12验证图像在加密过程中,是否被篡改。可选地,终端设备11中安装运行有应用程序。应用程序可以是独立的应用程序,即可直接运行于操作***,无需依赖其它应用程序即可运行,如手机APP(Application),包括即时通信APP、银行APP和支付APP等。可选的,终端设备11中安装运行的一些应用程序支持用户通过验证图像进行安全登录的功能。终端设备11中安装运行的支付APP支持用户通过验证图像进行安全支付的功能。
服务器12可以是为终端设备11提供计算资源的服务器或者云平台,或者为应用程序提供计算资源的服务器或者云平台。以应用程序为例,服务器12可以用于维护应用程序的运行数据,处理与应用程序的配置、参数相关的逻辑,诸如可以为应用程序的运行提供数据库、计算、存储、网络服务、安全服务以及大数据和人工智能平台等云服务。例如,服务器12可以维护图像加密算法模型、图像加密和验证相关的数据、以及图像加密和验证的执行逻辑等。服务器12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***。
示例性的,终端设备11和服务器12之间可以通过网络13互相通信。网络13可以是有线网络,也可以是无线网络,本申请实施例对此不作限定。可选的,终端设备11采集用户的人脸图像之后,可以通过网络13将人脸图像相关的特征发送到服务器12,以及通过网络13接收来自服务器12的用作安全因子的数据。可选的,终端设备11还可以通过网络13向服务器12发送包含待验证图像的加密数据。服务器12通过安全因子验证待验证图像是否被篡改,进而,通过网络13向终端设备11发送验证结果。
可以理解的是,图像处理***10中的终端设备11和服务器12均是逻辑功能层面的示意,在实际实现中,图像处理***中可以包含至少一个终端设备实体,以及至少一个服务器设备实体。此处不限制。
本申请实施例涉及的“安全因子”是指,用于和待加密图像共同被加密的参数,可以包括图像相关的特征。
本申请实施例涉及的“图像相关的特征”包括多个图像块的特征,该多个图像块是划分该图像得到的。可选的,该多个图像块中每个图像块的特征可以是该图像块对应的样本图像块所包含的样本对象的特征,样本图像块通过划分多个样本图像得到,样本图像包括样本对象。可选的,该多个图像块中每个图像块的特征,可以是该图像块包含的目标对象的特征,目标对象例如是人脸。
本领域一种常用的图像加密方法,以时间戳和计数器作为图像的安全因子,对图像进行加密,而时间戳和计数器均是具备一定规律的参数,一旦时间戳和计数器的取值规律被破解,那么,加密后的图像存在被破译的风险,并且在加密过程中,也存在图像被篡改的风险。可见,使用这类数据作为图像加密的安全因子,存在安全风险。
基于此,本申请实施例提供了一种图像处理方法及相关装置,本申请实施例的图像处理方法,在获得待处理图像后,将该待处理图像对应的至少一个图像块中每个图像块的目标特征作为安全因子,对该各个图像块的目标特征和待处理图像或至少一个图像块进行加密。这样,使得待处理图像的安全因子与待处理图像的特征紧耦合,使得安全因子不易被破译,从而能够提高待处理图像的安全性。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。
请参考图2A,本申请实施例提供了一种图像处理方法100(以下简称方法100)。可选的,方法100例如实现为图像加密方法。本实施例以该图像处理方法应用于终端设备中为例,该终端设备可以是如图1所示的终端设备11。方法100包括如下步骤:
在步骤S101中,终端设备获取待处理图像。
可选的,待处理图像可以是用户的人脸图像。
实际实现中,终端设备可以调用图像采集设备,采集用户录入的人脸视频,该人脸视频包括用户各个角度的人脸图像的集合。待处理图像可以是人脸图像的集合中的任一人脸图像。图像采集设备例如是摄像头(camera)。
一些实施方式中,图像采集设备可以是集成在终端设备之中的设备。另一些实施方式中,图像采集设备可以是独立于终端设备的设备,通过终端设备的接口与终端设备连接,将所采集的图像发送到终端设备。
在步骤S102中,终端设备划分待处理图像得到至少一个图像块。
一些实施方式中,终端设备按照预设的分辨率,将待处理图像分为连续且不重叠的至少两个图像块(block),使得每个图像块的大小是预设的分辨率。其中,预设的分辨率可以根据需求灵活设置,例如预设的分辨率是60像素(Pixel,P)*60P。此处不限制。
例如,请参考图3,图3示意了一种划分待处理图像得到至少一个图像块的示例性场景示意图,图3中待处理图像30的大小例如是5400P*5400P,终端设备按照60P*60P的分辨率划分待处理图像30,得到连续且不重叠的9个图像块。图3中示意的每个实线小方格,表示一个图像块。
一种可能的实现方式中,直接划分待处理图像得到的每个图像块所包含的特征的维度,可能多于本技术场景需要使用的特征的维度。基于此,为了降低计算量,且使得本技术场景所需要的特征更加突出,终端设备在划分待处理图像得到至少一个图像块的过程中,可以对待处理图像的特征进行降维。
可选的,终端设备可以提取待处理图像的第一特征,该第一特征包含第一数量的第一特征值。之后,终端设备将第一特征等分为第二数量的子特征,其中每个子特征包含至少两个第一特征值。对应每个子特征,终端设备计算该子特征所包含的至少两个第一特征值的均值,将该均值作为第二特征值,将第二数量的第二特征值组成的特征作为待处理图像的第二特征。这样,终端设备将维度为第一数量的特征,降维为维度为第二数量的特征。然后,终端设备划分第二特征对应的图像得到至少一个图像块。
可选的,终端设备可以采用降维算法执行前述降维操作。降维算法例如可以实现为分段聚合近似(Piecewise aggregate approximation,PAA)的方式,对待处理图像的特征进行降维处理。
以PAA为例,第一特征例如表示为c={c1,c2,...,cn},cβ是指c中的第β个特征值,β=1,2,3……n。第二特征例如表示为 是指中第α个特征值,α=1,2,3……m。n表示前述第一数量,m表示前述第二数量。其中,例如可以按照算法实现。
可见,PAA通过计算各个分段特征的均值,将n维特征降维为m的特征,这种方式能够将降维过程中出现的失真程度降低最低。另外,本示例中,m的值可以根据需求灵活设置,这样在确保待处理图像失真程度最小的情况下,能够适配不同大小待处理图像的降维处理,灵活性较好。
可选的,前述第一特征和第二特征可以实现为方向梯度直方图(Histogram ofOriented Gradient,hog)特征。
另一些实施方式中,终端设备可以不划分待处理图像,而是将待处理图像作为一个图像块,执行后续加密操作。
在步骤S103中,终端设备获取至少一个图像块中每个图像块的目标信息,每个图像块的目标信息包括目标特征。
一些实施方式中,每个图像块的目标特征,是预设多个参考特征中,与相应图像块的初始特征匹配度最高的参考特征。图像块的初始特征是基于相应图像块提取的特征。该多个参考特征是基于多个样本图像块的图像特征得到的。该多个样本图像块通过划分多个样本图像得到,样本图像包括样本对象。可选的,样本对象可以是人脸图像。另一些实施方式中,每个图像块的目标特征,是相应图像块中所包含的目标对象的特征,目标对象例如是人脸。
可选的,以下以终端设备通过深度学习获得多个参考特征为例,对多个参考特征的得到方式进行描述。终端设备可以获取多个样本图像,该多个样本图像包括至少一个包含样本对象的图像及至少一个不包含样本对象的图像。之后,终端设备通过对该多个样本图像进行聚类,得到目标图像集,目标图像集为包括样本对象的图像集。进而,终端设备分别划分目标图像集中的各目标图像得到多个样本图像块,并提取多个样本图像块中每个样本图像块的特征,将各个样本图像块的特征作为多个参考特征。
示例性的,终端设备可以通过对多个样本图像进行无监督聚类,得到目标图像集。无监督聚类例如实现为k均值(kmeans)聚类。本申请实施例对此不限制。
可选的,以多个参考特征存储在终端设备为例,终端设备通过以下方式得到至少一个图像块中每个图像块的目标特征:终端设备提取至少一个图像块中各个图像块的初始特征。之后,对于每个图像块,确定该图像块的初始特征与多个参考特征的匹配度,将匹配度最高的参考特征作为图像块的目标特征。
例如,请再次参考图3,图3中9个图像块中第i个图像块的初始特征例如是ki,ki属于{k1、k2、……、k9}。第j个参考特征例如是xj,xj属于:{x1、x2、……、xn}。在获得ki之后,终端设备分别确定ki与xj中每个x的匹配度pj,pj属于{p1、p2、……、pn}。进而,对应ki,终端选择pj中值最大的p对应的x,作为该ki的目标特征。9个图像块中第i个图像块的目标特征x’i属于{x’1、x’2、……、x’9},x’i属于xj。本示例中,x’i表示9个图像块中第i个图像块的目标信息。
可选的,本申请实施例的初始特征和目标特征可以实现为hog特征。
需要指出的是,对于每个图像块,该图像块的初始特征与任一参考特征的匹配度可以通过距离表征,这里的距离包括欧式距离(Euclidean Distance)或者余弦距离。其中,欧式距离越大,表示初始特征与相应参考特征的越匹配,欧式距离越小,表示初始特征与相应参考特征的越不匹配。余弦距离越小,表示初始特征与相应参考特征的越匹配,余弦距离越大,表示初始特征与相应参考特征的越不匹配。另一种可能的实现方式中,该图像块的初始特征与任一参考特征的匹配度可以通过置信值表征。置信值越大,表示初始特征与相应参考特征的越匹配,置信值越小,表示初始特征与相应参考特征的越不匹配。
可选的,前述每个图像块的目标信息还可以包括目标置信值,目标置信值表征该图像块的初始特征和该图像块的目标特征的匹配度。
例如,请再次参考图3,图3示意的9个图像块中第i个图像块的目标信息是(x’i,p’i),其中,p’i是指ki与x’i的置信值,是ki与xj中每个x的置信值中最大的置信值。(x’i,p’i)属于{(x’1,p’1)、(x’2,p’2)、……、(x’9,p’9)}。
另一些实施方式中,终端设备在获得多个参考特征之后,可以将该多个参考特征发送到服务器,以使服务器根据该多个参考特征执行图像验证等操作。
在步骤S104中,终端设备对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据。
可选的,终端设备采用预部署的加密算法对各个图像块的目标信息和待处理信息进行加密。加密算法包括对称加密算法或者非对称加密算法等,本申请实施例对此不限制。
一些实施方式中,待处理信息实现为待处理图像。本示例中,待加密信息包括待处理图像、各个图像块的目标信息和其他安全因子,加密格式例如是[(待处理图像)(各个图像块的目标信息)(其他安全因子)]。
另一些实施例方式中,待处理信息实现为至少一个图像块。本示例中,待加密信息包括各个图像块、各个图像块的目标信息和其他安全因子,加密格式例如是[(各个图像块)(各个图像块的目标信息)(其他安全因子)],或者[(图像块1)(图像块1的目标信息)(图像块2)(图像块2的目标信息)……(图像块m)(图像块m的目标信息)(其他安全因子)],m是大于1的整数。
可选的,前述其他安全因子可以包括时间戳和计数器等参数。
可以理解的是,前述加密格式仅是示意性描述,旨在说明待加密信息的内容,对本申请实施例不构成限制。实际实现中,各项待加密信息的组合方式和位置关系,均可以是其他形式,本申请实施例对此不限制。
需要指出的是,一些可能的实施方式中,终端设备采集的图像可能不是包含目标对象的图像,而是包含其他对象的图像,例如,终端设备采集的图像不是人脸图像,而是动物图像。有鉴于此,为了确保所加密的图像是包含目标对象的图像,终端设备可以在确定待处理图像中包括目标对象的场景下,对至少一个图像块中各个图像块的目标信息和各个图像块加密。若终端设备确定待处理图像中不包括目标对象,终端设备可以不执行步骤S104的加密操作,并向用户展示提醒信息,以向用户说明所采集的图像不合法(即不包含目标对象)。
示例性的,终端设备可以根据各个图像块的目标置信值,确定待处理图像中是否包括目标对象。可选的,若各个目标置信值中大于预定阈值的目标置信值的数量满足条件,确定待处理图像中包括目标对象。反之,若各个目标置信值中大于预定阈值的目标置信值的数量不满足条件,确定待处理图像中不包括目标对象。其中,预定阈值例如是0.9,本申请实施例对此不限制。
一些实施方式中,各个目标置信值中大于预定阈值的目标置信值的数量满足条件,可以实现为:大于预定阈值的目标置信值的数量大于第一预设值。第一预设值与至少一个图像块的总数量相关,例如,至少一个图像块的总数量是9,第一预设值例如可以是6,再如,至少一个图像块的总数量是100,第一预设值例如可以是80。另一些实施方式中,各个目标置信值中大于预定阈值的目标置信值的数量满足条件,可以实现为:大于预定阈值的目标置信值的数量,占至少一个图像块的总数量的比例达到第二预设值。第二预设值例如可以是0.8,本申请实施例对此不限制。
根据前述实施例的描述,目标置信值表征图像块的初始特征和图像块的目标特征的匹配度,目标特征是包含样本对象的参考特征,样本对象指示目标对象,即目标置信值可以表征图像块包含目标对象的可能性,目标置信值越大,说明相应图像块包含目标对象的可能性越高。可见,若各个目标置信值中大于预定阈值的目标置信值的数量满足条件,说明至少一个图像块中包含目标对象的图像块的数量满足条件,进一步说明相应待处理图像包含目标对象。
采用本实现方式,使得终端设备能够筛选出合法(即包含目标对象)的图像,进而,对合法的图像和相应目标信息进行加密。这样,能够降低加密计算的开销。
综上,本申请实施例中,终端设备在获取待处理图像后,通过划分待处理图像得到至少一个图像块。之后,获取至少一个图像块中每个图像块的目标信息,进而,对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据。其中,每个图像块的目标信息包括目标特征。待处理信息包括待处理图像或至少一个图像块。可见,本申请实施例的技术方案至少将各个图像块的目标特征用作安全因子,将各个图像块的目标特征与待处理图像或至少一个图像块一起加密。由于图像块的目标特征与图像块相关,所以,本申请实施例的技术方案,安全因子与图像块紧耦合,不存在取值规律,从而不易破译,能够提高图像加密的安全性。
方法100仅是本申请实施例的一种实施方式。在本申请的另一种实施方式中,终端设备和服务器可以通过信令交互,实现对待处理图像的加密操作。下面结合终端设备和服务器的信令交互过程,对本申请实施例的图像处理方法进行说明。
请参考图2B,图2B示意了一种示例性图像处理方法200(以下简称方法200)。可选的,方法200例如实现为图像加密方法。本实施例中,服务器存储前述多个参考特征。该服务器可以是如图1所示的服务器12。方法200包括如下步骤:
在步骤S201中,终端设备获取待处理图像。
在步骤S202中,终端设备划分待处理图像得到至少一个图像块。
其中,步骤S201和步骤S202的实现方式,详情可参考方法100中的步骤S101和步骤S102的实现方式,此处不再赘述。
在步骤S203中,终端设备获取至少一个图像块中每个图像块的初始特征。
每个图像块的初始特征的实现,详见方法100中对初始特征的描述,此处不再赘述。
在步骤S204中,终端设备将至少一个图像块中各个图像块的初始特征发送到服务器。
结合图1示意的图像处理***10,终端设备可以通过网络将各个图像块的初始特征发送到服务器。
在步骤S205中,服务器根据至少一个图像块中各个图像块的初始特征,获得至少一个图像块中每个图像块对应的目标置信值。
可选的,对于每个图像块的初始特征,服务器可以确定该初始特征与多个参考特征的置信值,并将最大的置信值作为相应图像块的目标置信值。
在步骤S206中,若确定待处理图像中包括目标对象,服务器将各个图像块的目标信息发送到终端设备。
可选的,服务器可以根据各个图像块的目标置信值,确定待处理图像中是否包括目标对象。示例性,服务器可以根据各个目标置信值中大于预定阈值的目标置信值的数量是否满足条件,确定待处理图像中是否包括目标对象。
其中,服务器根据大于预定阈值的目标置信值的数量,确定待处理图像中是否包括目标对象的实现方式,与终端设备根据大于预定阈值的目标置信值的数量,确定待处理图像中是否包括目标对象的实现方式相似,详情请参见方法100中的相关描述,此处不赘述。
若确定待处理图像中包括目标对象,服务器将各个图像块的目标信息发送到终端设备。若确定待处理图像中不包括目标对象,服务器可以向终端设备发送提醒信息,以使终端设备向用户展示所采集的图像不合法(即不包含目标对象)的信息。
需要说明的是,一些实施方式中,本示例涉及的目标信息包括每个图像块对应的目标特征,目标特征是指相应图像块的目标置信值对应的参考特征。另一些实施方式中,本示例涉及的目标信息包括每个图像块对应的目标特征和目标置信值。
在步骤S207中,终端设备对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据。
其中,步骤S207的实现方式,详情可参考方法100中的步骤S104的实现方式,此处不再赘述。
需要指出的是,方法200仅是对终端设备和服务器交互方式的示意性描述。在另一种实现方式中,终端设备可以在获取待处理图像之后,将待处理图像发送到服务器,以使服务器划分待处理图像,并获取每个图像块的初始特征等操作。本申请实施例对此实现过程不再详述。
采用本实现方式,由服务器执行图像加密过程中的部分计算过程,从而能够降低终端设备的开销。
可选的,终端设备对待处理图像的加密过程中,待处理图像也有可能会被篡改。基于此,在方法100或方法200的基础上,本申请实施例还包括图像验证的过程。示例性的,终端设备(即发送端)加密数据发送至待处理图像的服务器(即接收端),以使接收端根据加密数据中包含的目标信息,验证待处理图像是否被篡改。
请参考图2C,本申请实施例提供了一种图像处理方法300(以下简称方法300)。可选的,方法300例如实现为图像验证方法。本实施例以该图像验证方法应用于服务器中为例,该服务器可以是如图1所示的服务器12。方法300包括如下步骤:
在步骤S301中,服务器获取待处理图像对应的加密数据。
可选的,加密数据是根据方法100或方法200对待处理图像处理得到的。
在步骤S302中,服务器对加密数据解密,得到待验证信息和至少一个第一目标信息。
其中,服务器侧部署解密算法,该解密算法与终端设备侧部署的加密算法相对应。例如,若终端设备侧部署的加密算法是非对称加密算法,服务器侧部署的是相应非对称加密算法的解密算法,并且预存储相应非对称加密算法相关的密钥。
可选的,待验证信息为待验证图像或待验证图像的至少一个图像块。结合方法100或方法200中相关实施例的描述,若终端设备对待处理图像执行的加密,本示例中,待验证信息为待验证图像;若终端设备对待处理图像的至少一个图像块执行的加密,本示例中,待验证信息为待验证图像的至少一个图像块。
至少一个第一目标信息与待验证图像的至少一个图像块一一对应,是终端设备执行加密的过程中获得的。请参考图4A,图4A示意了至少一个图像块与至少一个第一目标信息的示例性对应关系。如图4A所示,待验证图像40包括9个图像块,图4A中每个实线方格表示一个图像块,每个实线方格中的标识“d1i”表示相应图像块的第一目标信息,i是1至9中的任一整数。
在步骤S303中,服务器获取至少一个图像块中每个图像块的第二目标信息。若各个图像块对应的第一目标信息与第二目标信息均相同,则执行步骤S304,验证结果为待处理图像未被篡改;若至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,则执行步骤S305,验证结果为待处理图像被篡改。
当待验证信息为待验证图像,服务器划分该待验证图像得到待验证图像的至少一个图像块,进而,提取其中各个图像块的初始特征,以及根据每个图像块的初始特征和多个参考特征,获得每个图像块的第二目标信息。
需要指出的是,服务器划分得到的图像块的分辨率,与终端设备划分待处理图像得到的图像块的分辨率相同,例如均是60P*60P。这样,能够确保验证过程中,各个图像块的初始特征对应的内容,与加密过程中相应区域图像块的初始特征对应的内容相对应,从而能够确保验证结果的准确性。
当待验证信息为待验证图像的至少一个图像块,服务器提取其中各个图像块的初始特征,以及根据每个图像块的初始特征和多个参考特征,获得每个图像块的第二目标信息。
可选的,服务器提取各个图像块的初始特征,以及根据每个图像块的初始特征和多个参考特征,获得每个图像块的第二目标信息的实现过程,可参考方法100或方法200中相关实施过程的实施例,此处不再赘述。
至少一个第二目标信息与待验证图像的至少一个图像块一一对应,相应的,至少一个第二目标信息与至少一个第一目标信息一一对应。请参考图4B,图4B中每个实线方格的标识“d2i”表示相应图像块的第二目标信息。即,待验证图像40的每个图像块对应“d1i”和“d2i”。
针对任一图像块,该图像块的第一目标信息与第二目标信息,均根据该图像块的初始特征得到,而初始特征基于该图像块的内容提取得到。基于此,若该图像块对应的第一目标信息与第二目标信息相同,即“d1i=d2i”,说明加密过程中该图像块的初始特征,与验证过程中该图像块的初始特征相同,即说明加密过程中该图像块的内容,与验证过程中该图像块的内容相同,证明该图像块的内容未被篡改。同理,若该图像块对应的第一目标信息与第二目标信息不相同,即d1i≠d2i,说明加密过程中该图像块的初始特征,与验证过程中该图像块的初始特征不同,即说明加密过程中该图像块的内容,与验证过程中该图像块的内容不同,证明该图像块的内容在加密过程中已经被篡改。基于此,若各个图像块对应的第一目标信息与第二目标信息均相同,服务器得到的验证结果为待处理图像未被篡改;若至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,服务器得到的验证结果为待处理图像被篡改。
此外,需要指出的是,若第一目标信息实现为第一目标特征,那么,第二目标信息实现为第二目标特征。第一目标信息和第二目标信息相同,指的是第一目标特征与第二目标特征相同;第一目标信息和第二目标信息不同,指的是第一目标特征与第二目标特征不同。若第一目标信息实现为第一目标特征和第一目标置信值,那么,第二目标信息实现为第二目标特征和第二目标置信值。第一目标信息和第二目标信息相同,指的是第一目标特征与第二目标特征相同,且第一目标置信值与第二目标置信值相同;第一目标信息和第二目标信息不同,指的是第一目标特征与第二目标特征不同。
可见,采用本实现方式,服务器在获得待处理图像对应的加密数据后,获得待验证图像的至少一个图像块的第二目标信息,进而,通过对比各图像块对应的第一目标信息与第二目标信息是否相同,验证待处理图像是否被篡改。第一目标信息是对待处理图像加密过程中,待处理图像的至少一个图像块对应的目标信息。其中,目标信息与图像块的特征相关联,将目标信息作为加密和验证的安全因子,使得安全因子与图像特征紧耦合,不存在取值规律,从而不易破译,能够提高图像加密的安全性。
可选的,服务器通常在获取到业务处理请求之后,响应该业务处理请求,调用终端设备的图像采集设备采集待处理图像。基于此,若验证结果为待处理图像未被篡改,服务器处理业务处理请求对应的业务;若验证结果为待处理图像被篡改,服务器可以向终端设备反馈请求失败的信息。可选的,待处理图像例如是人脸图像。业务处理请求可以包括刷脸支付请求、刷脸解锁请求和刷脸登录请求等。
方法100至方法300均是从设备执行操作的角度对本申请的技术方案进行的描述,下面结合应用场景,对本申请实施例的图像处理方法进行说明。
示例性的,以下例如涉及刷脸支付场景,本示例中,待处理图像为人脸图像,终端设备例如是智能手机,服务器例如是云服务器。
在执行本案的刷脸支付之前,可以配置人脸样本图像的参考特征库。进而,在智能手机接收到用户录入的目标人脸图像之后,基于参考特征库对目标人脸图像加密。在获得刷脸支付的请求之后,云服务器基于参考特征库验证加密数据对应的人脸图像是否是目标人脸图像,并基于验证结果,确定是否处理支付业务。
请参考图5,图5示意了一种配置人脸样本图像的参考特征库的方法流程图。可选的,获取多个样本图像,该多个样本图像包括至少一个包含人脸样本图像的图像,及至少一个不包含人脸样本图像的图像。对应样本图像中的每个图像,提取相应图像的hog特征。之后,基于hog特征对多个样本图像进行kmeans聚类,得到人脸样本图像集。进而,分别划分人脸样本图像集中的每个图像,得到5000个包含人脸样本特征的图像块。提取该5000个图像块的hog特征,得到5000个参考特征,该5000个参考特征组成参考特征库。
可选的,图5示意的实现过程,可以在智能手机端执行,或者在云服务器端执行。若在智能手机端执行,智能手机可以将参考特征库发送到云服务器。
进一步的,智能手机例如接收到用户的支付操作,并向云服务器发送刷脸支付请求。云服务器触发智能手机采集用户的目标人脸图像。智能手机采集用户的目标人脸图像的场景,可以如图6所示,图6示意的人脸图像为目标人脸图像。进一步的,智能手机和云服务器对目标人脸图像进行加密和验证。
请参考图7,图7示意了一种人脸图像处理方法的信令交互图。其中,智能手机采集目标人脸图像之后,获得目标人脸图像的第一hog特征。智能手机通过PAA对第一hog特征进行分段聚合,得到目标人脸图像的第二hog特征,进而,将第二hog特征对应的图像划分为多个图像块,以提取其中每个图像块的hog特征,之后,将各个图像块的hog特征发送到云服务器。
云服务器从5000个参考特征中,分别获得与每个图像块的hog特征匹配度最高的参考特征,以及二者的置信值。然后,例如大于0.95的置信值的数量占比达到90%。进而,云服务器将每个图像块对应的匹配度最高的参考特征和相应置信值发送到智能手机。
智能手机对所采集的图像,和所接收的参考特征及相应置信值加密,得到加密数据。之后,智能手机将加密数据发送至云服务器。
云服务器对解密数据解密,得到待验证图像和加密时的至少一个参考特征及至少一个置信值。进而,划分待验证图像得到至少一个图像块。之后,云服务器获取其中每个图像块的hog特征,以根据各个图像块的hog特征从5000个参考特征中,获得每个图像块匹配度最高的参考特征。然后,对比每个图像块对应的加密前的参考特征和所获得的参考特征。若各个图像块对应的两个参考特征均相同,云服务器确定目标人脸图像在加密过程中未被篡改,进而,触发支付操作。若任一图像块对应的两个参考特征不同,云服务器确定目标人脸图像在加密过程中被篡改,进而,向终端设备发送支付失败的提醒信息。
可以理解的是,图5至图7仅是示意性描述,对本申请实施例不构成限制。实际实现中,待处理图像还可以是其他图像,上述图像处理过程也可以包含更多或者更少的处理步骤。另外,图5至图7中涉及的设备还可以是其他设备,例如,终端设备还可以是平板电脑,服务器还可以是应用服务器等。本申请实施例对此不限制。
综上,在获取待处理图像后,通过划分待处理图像得到至少一个图像块。之后,获取至少一个图像块中每个图像块的目标信息,进而,对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据。其中,每个图像块的目标信息包括目标特征。待处理信息包括待处理图像或至少一个图像块。可见,本申请实施例的技术方案至少将各个图像块的目标特征用作安全因子,将各个图像块的目标特征与待处理图像或至少一个图像块一起加密。由于图像块的目标特征与图像块相关,所以,本申请实施例的技术方案,安全因子与图像块紧耦合,不存在取值规律,从而不易破译,能够提高图像加密的安全性。
上述实施例从划分得到图像块、获取每个图像块的目标信息等各设备所执行动作的角度,对本申请实施例提供的图像处理方法的各实施方式进行了介绍。应理解,对应划分得到图像块、获取每个图像块的目标信息等的处理步骤,本申请实施例可以以硬件或硬件和计算机软件的结合形式来实现上述功能。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业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。
例如,若上述实现步骤通过软件模块来实现相应的功能。如图8A所示,提供了一种图像处理装置80,图像处理装置80可以包括获取模块801、划分模块802和加密模块803。该图像处理装置80可用于执行上述图2A至图7中终端设备的部分或全部操作。
例如:获取模块801可以用于获取待处理图像。划分模块802可以用于划分待处理图像得到至少一个图像块。获取模块801还可以用于获取至少一个图像块中每个图像块的目标信息,每个图像块的目标信息包括目标特征。加密模块803可以用于对至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到待处理图像的加密数据,待处理信息包括待处理图像或至少一个图像块。
由此可见,本申请实施例提供的图像处理装置80,在获得待处理图像后,将该待处理图像对应的至少一个图像块中每个图像块的目标特征作为安全因子,对该各个图像块的目标特征和待处理图像或至少一个图像块进行加密。这样,使得待处理图像的安全因子与待处理图像的特征紧耦合,使得安全因子不易被破译,从而能够提高待处理图像的安全性。
可选的,图像处理装置80还包括特征提取模块,该特征提取模块可以用于提取至少一个图像块中各个图像块的初始特征。本示例中,获取模块801还用于对于每个图像块,确定图像块的初始特征与多个参考特征的匹配度,将匹配度最高的参考特征作为图像块的目标特征;多个参考特征是基于多个样本图像块的图像特征得到的,多个样本图像块通过划分多个样本图像得到,样本图像包括样本对象。
可选的,每个图像块的目标信息还包括目标置信值;针对任一图像块,目标置信值表征图像块的初始特征和图像块的目标特征的匹配度。
可选的,加密模块803还用于若待处理图像中包括目标对象,对至少一个图像块中各个图像块的目标信息和各个图像块加密。本示例中,获取模块801还用于获取各个图像块的目标置信值,针对任一图像块,目标置信值表征图像块的初始特征和图像块的目标特征的匹配度;若各个目标置信值中大于预定阈值的目标置信值的数量满足条件,确定待处理图像中包括目标对象。
可选的,获取模块801还用于获取多个样本图像,多个样本图像包括至少一个包含样本对象的图像及至少一个不包含样本对象的图像。图像处理装置80还包括聚类模块,该聚类模块可以用于对多个样本图像进行聚类,得到目标图像集,目标图像集为包括样本对象的图像集。本示例中,划分模块802还用于分别划分目标图像集中的各目标图像得到多个样本图像块;特征提取模块,还用于提取多个样本图像块中每个样本图像块的特征,将各个样本图像块的特征作为多个参考特征。
可选的,图像处理装置80还包括发送模块,该发送模块用于将加密数据发送至待处理图像的接收端,以使接收端根据加密数据中包含的目标信息,验证待处理图像是否被篡改。
可选的,图像处理装置80还包括计算模块。本示例中,特征提取模块,还用于提取待处理图像的第一特征,第一特征包含第一数量的第一特征值。划分模块802还用于将第一特征等分为第二数量的子特征,其中每个子特征包含至少两个第一特征值。计算模块可以用于对应每个子特征,计算该子特征所包含的至少两个第一特征值的均值,将该均值作为第二特征值,将第二数量的第二特征值组成的特征,作为待处理图像的第二特征。划分模块802还用于划分第二特征对应的图像得到至少一个图像块。
可以理解的是,以上各个模块的划分仅仅是一种逻辑功能的划分,实际实现时,该以上各模块的功能可以集成到硬件实体实现,例如,获取模块801的功能可以集成到收发器实现,划分模块802的功能和加密模块803的功能可以集成到处理器实现等。
请参考图8B,图8B提供了一种发送设备81,该发送设备81包括处理器811、收发器812、图像采集器813和存储器814,这些组件通过通信总线815连接和通信。其中,图像采集器813可以用于获取待处理图像。收发器812可以用于与服务器进行特征等的收发。存储器814用于存储应用程序和图像处理过程中产生的数据,当该应用程序被调用时,使得处理器811执行上述图2A至图7中终端设备的部分或全部操作。
具体实现过程,参见图2A至图7中终端设备相关的描述,此处不赘述。
相应的,如图9A所示,提供了一种图像处理装置90,图像处理装置90可以包括获取模块901、解密模块902和验证模块903。该图像处理装置90可用于执行上述图2B至图5,以及图7中服务器的部分或全部操作。
例如,获取模块901可以用于获取待处理图像对应的加密数据,加密数据根据前述图像处理方法处理得到。解密模块902可以用于对加密数据解密,得到待验证信息和至少一个第一目标信息,待验证信息为待验证图像或待验证图像的至少一个图像块。本示例中,获取模块901还可以用于获取至少一个图像块中每个图像块的第二目标信息。验证模块903可以用于若各个图像块对应的第一目标信息与第二目标信息均相同,则验证结果为待处理图像被篡改;还用于若至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,则验证结果为待处理图像未被篡改。
可选的,获取模块901还用于获取业务处理请求。图像处理装置90还包括调用模块和处理模块,该调用模块可以用于响应于业务处理请求,调用图像采集设备采集人脸图像,人脸图像为待处理图像。处理模块用于若验证结果为人脸图像未被篡改,处理业务处理请求对应的业务。处理模块还用于若验证结果为人脸图像被篡改,反馈请求失败的信息。
可以理解的是,以上各个模块的划分仅仅是一种逻辑功能的划分,实际实现时,该以上各模块的功能可以集成到硬件实体实现,例如,获取模块901的功能可以集成到收发器实现,解密模块902的功能和验证模块903的功能可以集成到处理器实现,多个参考特征以及图像验证逻辑相关的应用程序可以维护在存储器中等。
请参考图9B,图9B提供了一种接收设备91,该接收设备91可以实现上述图2B至图5,以及图7中任一服务器的功能。接收设备91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***处理器(central processing units,CPU)911(例如,一个或一个以上处理器)和存储器912,一个或一个以上存储应用程序9131或数据9132的存储介质913(例如一个或一个以上海量存储设备)。其中,存储器912和存储介质913可以是短暂存储或持久存储。存储在存储介质913的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器911可以设置为与存储介质913通信,在接收设备91上执行存储介质913中的一系列指令操作。
接收设备91还可以包括一个或一个以上电源914,一个或一个以上有线或无线网络接口915,一个或一个以上输入输出接口916,和/或,一个或一个以上操作***917,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由图像处理装置90所执行的步骤可以基于该图9B所示的服务器结构实现。
应当理解,在一些可行的实施方式中,图8B和图9B中示意的处理器可以是中央处理单元(central processing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specificintegrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者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。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。图8B和图9B中示意的存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息等。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有图像处理的指令,当其在计算机上运行时,使得计算机执行如前述图2A至图7所示实施例描述的方法中的部分或全部步骤。
本申请实施例中还提供一种包括图像处理的指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如前述图2A至图7所示实施例描述的方法中的部分或全部步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,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***,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,智能手机或者网络设备等)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。
尽管已描述了本申请的可选实施例,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。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (13)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理图像;
划分所述待处理图像得到至少一个图像块;
获取所述至少一个图像块中每个图像块的目标信息,所述每个图像块的目标信息包括目标特征;
对所述至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到所述待处理图像的加密数据,所述待处理信息包括所述待处理图像或所述至少一个图像块;
所述至少一个图像块中每个图像块的目标信息是通过以下方式得到的:
提取所述至少一个图像块中各个图像块的初始特征;
对于每个图像块,确定所述图像块的初始特征与多个参考特征的匹配度,将匹配度最高的参考特征作为所述图像块的目标特征;所述多个参考特征是基于多个样本图像块的图像特征得到的,所述多个样本图像块通过划分多个样本图像得到,所述样本图像包括样本对象。
2.根据权利要求1所述的方法,其特征在于,所述每个图像块的目标信息还包括目标置信值;
针对任一图像块,所述目标置信值表征所述图像块的初始特征和所述图像块的目标特征的匹配度。
3.根据权利要求1所述的方法,其特征在于,所述对所述至少一个图像块中各个图像块的目标信息和各个图像块加密,包括:
若所述待处理图像中包括目标对象,对所述至少一个图像块中各个图像块的目标信息和各个图像块加密;
确定所述待处理图像中包括目标对象的方式,包括:
获取所述各个图像块的目标置信值,针对任一图像块,所述目标置信值表征所述图像块的初始特征和所述图像块的目标特征的匹配度;
若各个目标置信值中大于预定阈值的目标置信值的数量满足条件,确定所述待处理图像中包括目标对象。
4.根据权利要求1所述的方法,其特征在于,所述多个参考特征是通过以下方式得到的:
获取所述多个样本图像,所述多个样本图像包括至少一个包含所述样本对象的图像及至少一个不包含样本对象的图像;
对所述多个样本图像进行聚类,得到目标图像集,所述目标图像集为包括所述样本对象的图像集;
分别划分所述目标图像集中的各目标图像得到多个样本图像块;
提取所述多个样本图像块中每个样本图像块的特征,将各个样本图像块的特征作为所述多个参考特征。
5.根据权利要求1-4中任一项所述的方法,其特征在于,还包括:
将所述加密数据发送至所述待处理图像的接收端,以使所述接收端根据所述加密数据中包含的目标信息,验证所述待处理图像是否被篡改。
6.根据权利要求1所述的方法,其特征在于,所述划分所述待处理图像得到至少一个图像块,包括:
提取所述待处理图像的第一特征,所述第一特征包含第一数量的第一特征值;
将所述第一特征等分为第二数量的子特征,其中每个子特征包含至少两个第一特征值;
对应每个子特征,计算该子特征所包含的至少两个第一特征值的均值,将该均值作为第二特征值,将所述第二数量的第二特征值组成的特征,作为所述待处理图像的第二特征;
划分所述第二特征对应的图像得到所述至少一个图像块。
7.一种图像处理方法,其特征在于,包括:
获取待处理图像对应的加密数据,所述加密数据根据权利要求1-6中任一项处理得到;
对所述加密数据解密,得到待验证信息和至少一个第一目标信息,所述待验证信息为待验证图像或待验证图像的至少一个图像块;
获取所述至少一个图像块中每个图像块的第二目标信息;
若所述各个图像块对应的第一目标信息与第二目标信息均相同,则验证结果为所述待处理图像未被篡改;
若所述至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,则验证结果为所述待处理图像被篡改。
8.根据权利要求7所述的方法,其特征在于,所述待处理图像是通过以下方式获取的:
获取业务处理请求;
响应于所述业务处理请求,调用图像采集设备采集人脸图像,所述人脸图像为所述待处理图像;
还包括:
若验证结果为所述人脸图像未被篡改,处理所述业务处理请求对应的业务;
若验证结果为所述人脸图像被篡改,反馈请求失败的信息。
9.一种图像处理装置,其特征在于,包括:
获取模块,用于获取待处理图像;
划分模块,用于划分所述待处理图像得到至少一个图像块;
获取模块,还用于获取所述至少一个图像块中每个图像块的目标信息,所述每个图像块的目标信息包括目标特征;
加密模块,用于对所述至少一个图像块中各个图像块的目标信息和待处理信息进行加密,得到所述待处理图像的加密数据,所述待处理信息包括所述待处理图像或所述至少一个图像块;
所述图像处理装置还包括特征提取模块;
所述特征提取模块,用于提取所述至少一个图像块中各个图像块的初始特征;
所述获取模块,还用于对于每个图像块,确定所述图像块的初始特征与多个参考特征的匹配度,将匹配度最高的参考特征作为所述图像块的目标特征;所述多个参考特征是基于多个样本图像块的图像特征得到的,所述多个样本图像块通过划分多个样本图像得到,所述样本图像包括样本对象。
10.一种图像处理装置,其特征在于,包括:
获取模块,用于获取待处理图像对应的加密数据,所述加密数据根据权利要求1-6中任一项处理得到;
解密模块,用于对所述加密数据解密,得到待验证信息和至少一个第一目标信息,所述待验证信息为待验证图像或待验证图像的至少一个图像块;
所述获取模块,还用于获取所述至少一个图像块中每个图像块的第二目标信息;
验证模块,用于若所述各个图像块对应的第一目标信息与第二目标信息均相同,则验证结果为所述待处理图像未被篡改;还用于若所述至少一个图像块中任一图像块对应的第一目标信息与第二目标信息不同,则验证结果为所述待处理图像被篡改。
11.一种发送设备,其特征在于,所述发送设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一项所述的图像处理方法。
12.一种接收设备,其特征在于,所述接收设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求7或8所述的图像处理方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一项所述的图像处理方法,或者实现如权利要求7或8所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535077.9A CN113766085B (zh) | 2021-05-17 | 2021-05-17 | 图像处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535077.9A CN113766085B (zh) | 2021-05-17 | 2021-05-17 | 图像处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113766085A CN113766085A (zh) | 2021-12-07 |
CN113766085B true CN113766085B (zh) | 2023-03-03 |
Family
ID=78787085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110535077.9A Active CN113766085B (zh) | 2021-05-17 | 2021-05-17 | 图像处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113766085B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331797A (zh) * | 2021-12-30 | 2022-04-12 | 北京百度网讯科技有限公司 | 图像数据加密方法、图像数据解密方法、装置和电子设备 |
CN114553499B (zh) * | 2022-01-28 | 2024-02-13 | ***股份有限公司 | 一种图像加密、图像处理方法、装置、设备及介质 |
CN115776410B (zh) * | 2023-01-29 | 2023-05-02 | 深圳汉德霍尔科技有限公司 | 用于终端身份认证的人脸数据加密传输方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046633A (zh) * | 2015-06-30 | 2015-11-11 | 合肥高维数据技术有限公司 | 一种图像无损变换方法 |
CN108711054A (zh) * | 2018-04-28 | 2018-10-26 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN111784614A (zh) * | 2020-07-17 | 2020-10-16 | Oppo广东移动通信有限公司 | 图像去噪方法及装置、存储介质和电子设备 |
CN112784823A (zh) * | 2021-03-17 | 2021-05-11 | 中国工商银行股份有限公司 | 人脸图像识别方法、装置、计算设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6532541B1 (en) * | 1999-01-22 | 2003-03-11 | The Trustees Of Columbia University In The City Of New York | Method and apparatus for image authentication |
-
2021
- 2021-05-17 CN CN202110535077.9A patent/CN113766085B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046633A (zh) * | 2015-06-30 | 2015-11-11 | 合肥高维数据技术有限公司 | 一种图像无损变换方法 |
CN108711054A (zh) * | 2018-04-28 | 2018-10-26 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN111784614A (zh) * | 2020-07-17 | 2020-10-16 | Oppo广东移动通信有限公司 | 图像去噪方法及装置、存储介质和电子设备 |
CN112784823A (zh) * | 2021-03-17 | 2021-05-11 | 中国工商银行股份有限公司 | 人脸图像识别方法、装置、计算设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113766085A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113766085B (zh) | 图像处理方法及相关装置 | |
US11669607B2 (en) | ID verification with a mobile device | |
TWI752418B (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
JP2022507315A (ja) | アイデンティティ検証方法並びにその、装置、コンピュータプログラムおよびコンピュータ機器 | |
CN111680672B (zh) | 人脸活体检测方法、***、装置、计算机设备和存储介质 | |
CN112949545B (zh) | 识别人脸图像的方法、装置、计算设备和介质 | |
EP3234904B1 (en) | Method and apparatus for publishing locational copyrighted watermarking video | |
Kremic et al. | Face recognition implementation for client server mobile application using PCA | |
CN111931145A (zh) | 人脸加密方法、识别方法、装置、电子设备及存储介质 | |
CN109816543B (zh) | 一种图像查找方法及装置 | |
CN116383793B (zh) | 人脸数据处理方法、装置、电子设备和计算机可读介质 | |
CN112381000A (zh) | 基于联邦学习的人脸识别方法、装置、设备及存储介质 | |
WO2023142453A1 (zh) | 生物特征识别方法、服务器以及客户端 | |
CN113190858B (zh) | 一种基于隐私保护的图像处理方法、***、介质和设备 | |
CN113762970A (zh) | 数据处理方法、装置、计算机可读存储介质及计算机设备 | |
CN109450878B (zh) | 生物特征识别方法、装置以及*** | |
CN112597379A (zh) | 数据识别方法、装置和存储介质及电子装置 | |
CN113518061A (zh) | 人脸识别中的数据传输方法、设备、装置、***及介质 | |
CN113052044A (zh) | 识别虹膜图像的方法、装置、计算设备和介质 | |
Koteswari et al. | vc of IRIS Images for ATM Banking | |
CN111049921A (zh) | 基于区块链技术的图像处理***、方法、装置及存储介质 | |
CN111382296A (zh) | 数据处理方法、装置、终端及存储介质 | |
CN104732137A (zh) | 一种基于Android的多模式AES加密QR码的识别方法 | |
CN116436619B (zh) | 一种基于国密算法的流媒体数据签名验证方法及装置 | |
CN117834952B (zh) | 视频会议内容安全传输方法、设备及介质 |
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 |