基于深度学习的社交网络图像隐私保护方法及系统技术方案

一种基于深度学习的社交网络图像隐私保护方法及系统，离线阶段通过人脸检测得到数据集中每张图像上出现的所有人脸，然后提取人脸面部元数据作为特征，并为每张人脸贴标签标识其主人公或者陌生人的身份从而使得特征与标签共同构成用于训练神经网络分类器的训练数据；在线阶段通过检测输入的社交网络图像中的所有人脸，利用特征提取得到每个人脸对应的特征信息并输入训练后的神经网络分类器，得出该人脸为主人公或陌生人的分类结果，当分类结果为陌生人时则对该陌生人对应的面部图像进行模糊处理并得到更新后的社交网络图像。本发明专利技术通过深度神经网络学习图像中主体的特征，对人脸进行分类，最后模糊掉陌生人脸达到保护陌生人隐私的目的。人隐私的目的。人隐私的目的。

【技术实现步骤摘要】
基于深度学习的社交网络图像隐私保护方法及系统


[0001]本专利技术涉及的是一种信息安全领域的技术，具体是一种基于深度学习的社交网络图像隐私保护系统及方法。

技术介绍

[0002]现有的图像隐私保护方法主要集中于对照片所有者和共同所有者的保护，而为在照片中的陌生人提供隐私保护所做的研究较少，目前没有通用的技术方法来保护陌生人的隐私。

技术实现思路

[0003]本专利技术针对现有技术存在的不足，提出了一种基于深度学习的社交网络图像隐私保护方法及系统，通过深度神经网络学习图像中主体的特征，对人脸进行分类，最后模糊掉陌生人脸达到保护陌生人隐私的目的。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于深度学习的社交网络图像隐私保护方法，包括：离线的模型训练部分和在线的社交网络图像检测部分，其中：离线阶段通过人脸检测得到数据集中每张图像上出现的所有人脸，然后提取人脸面部元数据作为特征，并为每张人脸贴标签标识其主人公或者陌生人的身份从而使得特征与标签共同构成用于训练神经网络分类器的训练数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的社交网络图像隐私保护方法，其特征在于，包括：离线的模型训练部分和在线的社交网络图像检测部分，其中：离线阶段通过人脸检测得到数据集中每张图像上出现的所有人脸，然后提取人脸面部元数据作为特征，并为每张人脸贴标签标识其主人公或者陌生人的身份从而使得特征与标签共同构成用于训练神经网络分类器的训练数据；在线阶段通过检测输入的社交网络图像中的所有人脸，利用特征提取得到每个人脸对应的特征信息并输入训练后的神经网络分类器，得出该人脸为主人公或陌生人的分类结果，当分类结果为陌生人时则对该陌生人对应的面部图像进行模糊处理并得到更新后的社交网络图像；所述的人脸检测是指：使用RetinaFace人脸检测算法对图像中的所有人脸进行定位，具体的人脸定位信息包括：人脸框坐标和五个人脸关键点坐标，其中人脸关键点包括：左眼、右眼、鼻子、左嘴角和右嘴角；所述的人脸面部元数据包括：人脸大小、人脸数量、人脸位置、人脸数量、人脸亮度、人脸模糊程度和人脸姿态。2.根据权利要求1所述的基于深度学习的社交网络图像隐私保护方法，其特征是，所述的人脸亮度是指：测量YUV色彩空间下图像的亮度，具体为：计算YUV颜色空间的Y分量Y＝0.299
×
R+0.587
×
G+0.114
×
B，其中：R、G和B分别是RGB颜色空间的红色、绿色和蓝色分量；计算亮度其中：M
×
N为图像的像素值。3.根据权利要求1所述的基于深度学习的社交网络图像隐私保护方法，其特征是，所述的神经网络分类器为5层架构的深度神经网络，包括：输入层、输出层和三个隐藏层，其中：三个隐藏层中的节点数分别为64、32和16，每个隐藏层使用ReLU作为激活函数，使用交叉熵(binarycrossentropy)loss作为损失函数；所述的神经网络分类器，采用反向传播算法训练，使用Keras框架下Adam优化器的默认学习率0.001，训练迭代次数(epoch)设置为500，步长(batch)设置为128。4.根据权利要求1所述的基于深度学习的社交网络图像隐私保护方法，其特征是，所述的特征提取是指：对图像中的人脸进行面部特征元数据提取得到初始面部特征信息，经身份贴标签后输出。5.根据权利要求1所述的基于深度学习的...

【专利技术属性】
技术研发人员：邱卫东，牛玉琪，唐鹏，郭捷，王杨德，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：