一种用于隐私保护的用户特征提取系统及设备技术方案

本说明书实施例公开了一种用于隐私保护的用户特征提取系统及设备。该方案包括：在第一设备中搭载自编码器中的编码器，在第二设备中搭载用于隐私保护的人脸特征提取模型；所述编码器与所述人脸特征提取模型连接，所述编码器的输入为待识别用户的人脸图像，输出为所述人脸图像的编码向量，所述编码向量为对所述人脸图像进行特征化处理后得到的向量数据。所述人脸特征提取模型接收所述编码向量后，输出待识别用户的人脸特征向量。

【技术实现步骤摘要】
一种用于隐私保护的用户特征提取系统及设备
本说明书一个或多个实施例涉及计算机
，尤其涉及一种用于隐私保护的用户特征提取系统及设备。
技术介绍
随着计算机技术以及光学成像技术的发展，基于人脸识别技术的用户识别方式正在日渐普及。目前，通常需要将客户端设备采集的待识别用户的人脸图像发送至服务端设备处，以便于该服务端设备从该待识别用户的人脸图像中提取出人脸特征向量，从而可以基于该人脸特征向量去生成用户识别结果。由于待识别用户的人脸图像属于用户敏感信息，因此，这种需将待识别用户的人脸图像发送至其他设备进行用户特征提取的方法存在泄漏用户敏感信息的风险。基于此，如何在保证用户人脸信息的隐私性的基础上去提取用户人脸特征，已成为亟待解决的技术问题。
技术实现思路
有鉴于此，本说明书一个或多个实施例提供了一种用于隐私保护的用户特征提取方法及设备，用于在保证用户人脸信息的隐私性的基础上去提取用户人脸特征。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供的一种用于隐私保护的用户特征提取系统，包括：第一设备与第二设备；本文档来自技高网...

【技术保护点】
1.一种用于隐私保护的用户特征提取系统，包括：第一设备与第二设备；/n所述第一设备搭载有自编码器中的编码器，所述第二设备搭载有用于隐私保护的人脸特征提取模型；/n所述编码器与所述人脸特征提取模型连接，所述编码器的输入为待识别用户的人脸图像，输出为所述人脸图像的编码向量，所述编码向量为对所述人脸图像进行特征化处理后得到的向量数据；/n所述人脸特征提取模型接收所述编码向量后，输出所述待识别用户的人脸特征向量。/n

【技术特征摘要】
1.一种用于隐私保护的用户特征提取系统，包括：第一设备与第二设备；
所述第一设备搭载有自编码器中的编码器，所述第二设备搭载有用于隐私保护的人脸特征提取模型；
所述编码器与所述人脸特征提取模型连接，所述编码器的输入为待识别用户的人脸图像，输出为所述人脸图像的编码向量，所述编码向量为对所述人脸图像进行特征化处理后得到的向量数据；
所述人脸特征提取模型接收所述编码向量后，输出所述待识别用户的人脸特征向量。


2.如权利要求1所述的系统，所述人脸特征提取模型是通过对所述自编码器中的解码器及基于卷积神经网络的特征提取模型进行锁定而得到的模型；
其中，所述解码器与所述编码器连接，所述解码器接收所述编码器输出的编码向量后，输出重建人脸图像数据；
所述基于卷积神经网络的特征提取模型与所述解码器连接，所述基于卷积神经网络的特征提取模型接收所述重建人脸图像数据后，输出所述待识别用户的人脸特征向量。


3.如权利要求2所述的系统，所述基于卷积神经网络的特征提取模型包括：输入层、卷积层及全连接层；
其中，所述输入层与所述解码器的输出连接，所述输入层还与所述卷积层连接，所述卷积层与所述全连接层连接；
所述输入层，用于接收所述解码器输出的重建人脸图像数据；
所述卷积层，用于对所述重建人脸图像数据进行局部特征提取，得到所述待识别用户的人脸局部特征向量；
所述全连接层，用于根据所述人脸局部特征向量，生成所述待识别用户的人脸特征向量。


4.如权利要求3所述的系统，所述基于卷积神经网络的特征提取模型还包括输出层；所述输出层与所述全连接层连接；所述输出层，用于根据所述全连接层输出的所述待识别用户的人脸特征向量，生成人脸分类结果；
所述待识别用户的人脸特征向量为与所述输出层相邻的全连接层的输出向量。


5.如权利要求2所述的系统，所述编码器包括：输入层、第一隐藏层及瓶颈层；所述解码器包括：第二隐藏层及输出层；
其中，所述编码器的输入层与所述第一隐藏层连接，所述第一隐藏层与所述瓶颈层连接，所述编码器的瓶颈层与所述解码器的第二隐藏层连接，所述第二隐藏层与所述输出层连接，所述输出层与所述基于卷积神经网络的特征提取模型的输入连接；
所述输入层，用于接收所述待识别用户的人脸图像；
所述第一隐藏层，用于对所述人脸图像进行编码处理，得到第一特征向量；
所述瓶颈层，用于对所述第一特征向量进行降维处理，得到所述人脸图像的编码向量，所述编码向量的维度数量小于所述第一特征向量的维度数量；
所述第二隐藏层，用于对所述编码向量进行解码处理，得到第二特征向量；
所述输出层，用于根据所述第二特征向量生成重建人脸图像数据。


6.如权利要求1所述的系统，所述人脸特征提取模型为全连接的深度神经网络模型；
所述全连接的深度神经网络模型包括输入层及多个全连接层；其中，所述输入层与所述编码器的输出连接，所述输入层还与所述全连接层连接；
所述输入层，用于接收所述编码器输出的所述编码向量；
所述全连接层，用于对所述编码向量进行特征提取，得到所述待识别用户的人脸特征向量。


7.如权利要求6所述的系统，所述全连接的深度神经网络模型还包括输出层，所述输出层与所述全连接层连接；所述输出层，用于根据所述全连接层输出的所述待识别用户的人脸特征向量，生成人脸分类结果；
其中，所述待识别用户的人脸特征向量为与所述输出层相邻的全连接层的输出向量。


8.如权利要求1所述的系统，所述第二设备还搭载有用户匹配模型；
所述用户匹配模型与所述人脸特征提取模型连接，所述用户匹配模型接收所述待识别用户的人脸特征向量及指定用户的人脸特征向量后，根据所述待识别用户的人脸特征向量和所述指定用户的人脸特征向量之间的向量距离，生成表示所述待识别用户是否为所述指定用户的输出信息，其中，所述指定用户的人脸特征向量是利用所述编码器及所述人脸特征提取模型对所述指定用户的人脸图像进行处理而得到的。


9.如权利要求1-8中任意一项所述的系统，所述第一设备为客户端设备，所述第二设备为服务端设备；
其中，所述第一设备还包括图像采集装置，所述图像采集装置用于采集所述待识别用户的人脸图像。


10.如权利要求9所述的系统，所述第一设备为第一国家的客户端设备，所述第二设备为第二国家的服务端设备。


11.如权利要求1-8中任意一项所述的系统，所述第一设备为第一国家的服务端设备，所述第二设备为第二国家的服务端设备。


12.一种客户端设备，所述客户端设备搭载有自编码器中的编码器；
所述客户端设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
利用所述编码器接收待识别用户的人脸图像后，输出所述待识别用户的人脸图像的编码向量；所述编码向量为对所述人...

【专利技术属性】
技术研发人员：徐崴，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33