基于深度学习的图像隐私信息保护系统及其方法技术方案

基于深度学习的图像隐私信息保护系统及其方法，包括数据上传模块、深度学习模块、信息隐匿模块和数据下载模块；个人隐私信息覆盖方法包括：采集大量相关隐私类在不同场景下的照片，利用深度学习模型，训练出可识别指定隐私对象的模型，并利用高斯滤波对识别出的对象进行模糊化处理；在用户上传数据时，识别当前图像及视频中所含的隐私信息，根据用户选择的需保护的隐私对象类别，对指定信息进行覆盖，并根据用户选择将处理后的结果返回给客户端；可有效实现对图像及视频中隐私信息的精准覆盖和个性化保护，为用户提供高质量的隐私信息保护服务，具有实时快速、精准识别、全面覆盖的优点。点。

【技术实现步骤摘要】
基于深度学习的图像隐私信息保护系统及其方法


[0001]本专利技术属于图像隐私保护
，尤其涉及基于深度学习的图像隐私信息保护系统及其方法，该方法根据用户需求自动识别图像及视频中的个人隐私信息，并进行模糊化处理。

技术介绍

[0002]自第五代信息技术革命以来，人类社会进入数字信息化时代。随着社交媒体和智能手机的发展，社交网络平台(如Facebook、Twitter、微博、微信等)已经成为我们日常生活的一部分。同时随着移动设备和通信成本的降低，人们可以随时随地拍摄自己的生活照片上传到社交网络中与好友一起分享。据相关报告统计，2013年Facebook平均每天有3.5亿张照片上传量，总量已达到2500亿张；2016年马化腾在贵阳国际大数据博览会中指出微信朋友圈及QQ空间每天上传的图片高达10亿张。由此可见，图像已经成为社交网络中的主流媒介。
[0003]在社交图像隐私泄露方面，已有许多学者做了大量研究。利用基于PCA的K
‑
Same去识别算法对图像中人脸进行处理，使得保护图片隐私的同时可以最大程度的保证图片的可读性。
[0004]目前，现有技术针对图像中个人信息的保护存在：隐私信息处理时产生的覆盖不精准问题、对用户需求无区分的问题。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术的目的是提供基于深度学习的图像隐私信息保护系统及其方法，解决了现有技术在隐私信息处理时产生的覆盖不精准问题、对用户需求无区分的问题，为用户提供高质量的隐私信息保护服务，有效实现对图像中隐私信息的个性化保护，避免发生信息泄露事件，具有实时快速、精准识别、全面覆盖的优点。
[0006]为实现上述目的，本专利技术采用的技术方案是：基于深度学习的图像隐私信息保护系统，包括有数据上传模块、深度学习模块、信息隐匿模块和数据下载模块；所述数据上传模块，用于实现客户端到服务器端的图像上传；所述深度学习模块，遍历图像中的像素块，识别出图像中包含的隐私保护对象；所述信息隐匿模块，根据用户提交的所需保护隐私类别，利用高斯滤波，对隐私信息进行模糊化处理；所述数据下载模块，实现用户端从服务器端下载已经处理过的图像。
[0007]所述数据上传模块包括：
[0008]1)采集当前用户上传图像、视频信息；
[0009]2)采集当前用户所选需覆盖的隐私保护类信息。
[0010]所述的深度学习模块，其核心为识别指定隐私保护对象的模型；模型训练过程包括：首先选定部分隐私保护类，拍摄其在不同场景下的照片，作为训练集；然后对拍摄得到的照片进行人工筛选，删除不可用的数据，并对符合要求的数据中的隐私信息进行类别标
记，并将数据集按照8:2的比例分为训练集和测试集；之后将带有标记的数据传入darknet深度学习模型框架中，并进行轮询迭代，训练模型神经元权重，最终得到所需可识别指定对象的模型；最后，将训练好的模型部署到服务器中。
[0011]所述的信息隐匿模块，其核心为对识别出的隐私信息进行模糊化处理；处理过程为：首先，根据深度学习模型所识别的隐私保护对象位置信息，对识别区域的尺寸进行确定；然后，依据用户所选隐私保护对象类别以及人为设置的高斯核标准差，将其代入所选高斯核函数，对隐私对象进行模糊化处理。
[0012]所述的数据下载模块，服务器端将处理后的图片、视频返回给客户端，用户按照个人需求，可选择性的将其下载到本地。
[0013]利用基于深度学习的图像隐私信息保护系统实现个性化隐私信息覆盖的方法，构建基于用户需求的隐私信息识别与模糊化模型，在用户上传图像及视频并选择隐私保护类后，根据用户需求实现个性化隐私信息覆盖，具体包括以下步骤：
[0014]步骤S1，数据上传模块采集客户端上传到服务器端的图像、视频信息以及隐私信息所属类别；
[0015]步骤S2，基于深度学习模块，根据步骤S1采集内容，遍历图像及视频中的像素块，识别出其中包含的隐私保护对象；
[0016]步骤S3，信息隐匿模块基于高斯滤波，根据步骤S1采集内容，步骤S2识别结果，对指定的隐私保护对象进行模糊化处理；
[0017]步骤S4，客户端通过数据下载模块选择所需的、经步骤S3处理后的图像及视频下载到本地。
[0018]所述的步骤S1，具体做法是：
[0019]步骤S11，服务器端通过处理程序读取客户端上传的图像及视频信息；
[0020]步骤S12，服务器端通过处理程序读取客户端所选择的隐私保护对象。
[0021]所述的步骤S2，具体做法是：
[0022]步骤S21，人工选取部分常见隐私保护对象，采集大量其在不同场景下的照片；
[0023]步骤S22，手工遍历所采集的数据集，删除不可用的图片，利用LabelImg，对可用数据集中的隐私保护对象进行手动标记；
[0024]步骤S23，利用格式转换代码，将已标记的图片转换为xml文件，传入深度学习模型中，选取合适的参数，训练得到在测试集上的准确率大于95％的模型；
[0025]步骤S24，将步骤S1所采集的照片及视频传入步骤S23所训练的模型，训练好的模型对照片及视频中含有的隐私对象进行识别，并返回隐私对象位置信息。
[0026]所述的步骤S3，具体做法是：
[0027]步骤S31，根据步骤S2所识别的隐私对象位置信息，利用数学公式对识别区域的尺寸进行确定，尺寸为长w、宽h，如公式(1)所示：
[0028][0029]其中，w为识别区域长度，h为识别区域宽度，c1[0]为识别区域左上角横坐标，c1[1]为识别区域左上角纵坐标，c2[0]为识别区域右下角横坐标，c2[1为识别区域右下角纵坐标。
[0030]步骤S32，根据步骤S31所确定的隐私保护对象位置信息，以及人为设置的高斯核标准差，将像素点对应坐标及高斯核标准差代入所选高斯核函数，如公式(2)所示，对隐私对象进行模糊化处理：
[0031][0032]其中u为图像中像素点的横坐标，v为图像中像素点的纵坐标，σ为高斯核标准差，e为自然常数，遍历所选区域的各个像素点，对其进行高斯变换，达到模糊化处理的目标。
[0033]所述的步骤S4，服务器端将处理过后的照片及视频返回给客户端，用户通过数据下载模块将所需内容下载到本地。
[0034]本专利技术的有益效果是：
[0035]因为隐私信息的重要性及用户需求的多样性，本专利技术提出针对不同用户，处理不同隐私信息的策略。基于深度学习模型对用户指定的隐私保护信息进行精准识别，基于高斯滤波对识别到的隐私信息进行全面覆盖。该方法针对不同用户需求提供个性化信息保护措施(覆盖哪个对象，应用何种覆盖方式)，不同于传统手动覆盖及现有囫囵吞枣式的覆盖，本专利技术的自动信息覆盖技术通过对用户上传的图像进行特征提取，经深度学习模型识别后，按照用户所选隐私对象，利用高斯滤波对其进行模糊化处理，以此来满足不同用户的不同需求，以提供个性化的信息保护服务。
[0036]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的图像隐私信息保护系统，其特征在于，包括有数据上传模块、深度学习模块、信息隐匿模块和数据下载模块；所述数据上传模块，用于实现客户端到服务器端的图像上传；所述深度学习模块，遍历图像中的像素块，识别出图像中包含的隐私保护对象；所述信息隐匿模块，根据用户提交的所需保护隐私类别，利用高斯滤波，对隐私信息进行模糊化处理；所述数据下载模块，实现用户端从服务器端下载已经处理过的图像。2.根据权利要求1所述的基于深度学习的图像隐私信息保护系统，其特征在于，所述数据上传模块包括：1)采集当前用户上传图像、视频信息；2)采集当前用户所选需覆盖的隐私保护类信息。3.根据权利要求1所述的基于深度学习的图像隐私信息保护系统，其特征在于，所述的深度学习模块，其核心为识别指定隐私保护对象的模型；模型训练过程包括：首先选定部分隐私保护类，拍摄其在不同场景下的照片，作为训练集；然后对拍摄得到的照片进行人工筛选，删除不可用的数据，并对符合要求的数据中的隐私信息进行类别标记，并将数据集按照8:2的比例分为训练集和测试集；之后将带有标记的数据传入darknet深度学习模型框架中，并进行轮询迭代，训练模型神经元权重，最终得到所需可识别指定对象的模型；最后，将训练好的模型部署到服务器中。4.根据权利要求1所述的基于深度学习的图像隐私信息保护系统，其特征在于，所述的信息隐匿模块，其核心为对识别出的隐私信息进行模糊化处理；处理过程为：首先，根据深度学习模型所识别的隐私保护对象位置信息，对识别区域的尺寸进行确定；然后，依据用户所选隐私保护对象类别以及人为设置的高斯核标准差，将其代入所选高斯核函数，对隐私对象进行模糊化处理。5.根据权利要求1所述的基于深度学习的图像隐私信息保护系统，其特征在于，所述的数据下载模块，服务器端将处理后的图片、视频返回给客户端，用户按照个人需求，可选择性的将其下载到本地。6.利用基于深度学习的图像隐私信息保护系统实现个性化隐私信息覆盖的方法，其特征在于，包括以下步骤：步骤S1，数据上传模块采集客户端上传到服务器端的图像、视频信息以及隐私信息...

【专利技术属性】
技术研发人员：任杰，侯佳乐，白茹雪，段帅，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：