基于层次k匿名身份替换的人脸生成隐私保护方法技术

本发明专利技术公开了一种基于层次k匿名身份替换的人脸生成隐私保护方法，首先进行人脸图像数据集预处理，然后构建层次k匿名生成对抗网络结构，构建层次k匿名的目标函数；再构建人脸替换生成对抗网络结构，构建人脸替换的目标函数；最后使用公开数据集进行训练及测试，得到训练好的层次k匿名生成对抗网络和人脸替换生成对抗网络。本发明专利技术替换的目标人脸也是通过网络生成的，从而不会侵犯他人的隐私，相对以往的马赛克遮挡的方法更有效并且视觉上更友好。通过实验结果显然证实了所提出方法的高效性与实用性，对人物图像的隐私保护更高效和美观。观。观。

【技术实现步骤摘要】
基于层次k匿名身份替换的人脸生成隐私保护方法


[0001]本专利技术是关于人脸图像隐私保护的领域。随着大数据人工智能时代的到来，个人图像的隐私安全问题受到越来越多的关注。因此，本专利技术提出了一个基于面部匿名方法，通过使用生成的代理数据集来对人脸图像进行替换，从而达到图像匿名保护的目的。

技术介绍

[0002]在信息时代下，随着互联网技术的快速提升，使得实时传播知识、理念等成为可能，使得人们之间最真谛的交流成为现实。如今，高性能设备的出现，技术的不断迭代，使得人工智能的发展步入正轨。其中，基于深度学习的处理图像技术在人们的日常生活中屡屡可见。例如，人脸识别、图像分类、物体检测、智能监控、自动驾驶等等。
[0003]技术犹如一把双刃剑，给我们的日常生活带来方便的同时，也需要保障我们的安全。当下，人脸识别技术用于手机密码解锁、门禁开关、上班打卡、交易支付、车站通行等功能，其内在的本质是通过利用人脸图像中所包含的丰富的信息数据，来实现上述功能。如今，随着人脸识别系统的普及，导致用户的隐私安全问题颇有争议。人脸识别系统能应用于人们的日常生活归功本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于层次k匿名身份替换的人脸生成隐私保护方法，其特征在于，包括以下步骤：步骤1：人脸图像数据集预处理；步骤2：构建层次k匿名生成对抗网络结构；步骤3：构建层次k匿名的目标函数；步骤4：构建人脸替换生成对抗网络结构；步骤5：构建人脸替换的目标函数；步骤6：使用公开数据集进行训练及测试，得到训练好的层次k匿名生成对抗网络和人脸替换生成对抗网络；步骤7：通过训练好的层次k匿名生成对抗网络和人脸替换生成对抗网络完成图像匿名。2.根据权利要求1所述的基于层次k匿名身份替换的人脸生成隐私保护方法，其特征在于，步骤1具体步骤如下：1
‑
1利用人脸检测器(dlib或者MTCNN)来检测每张图像的人脸区域，并根据人脸坐标对人脸区域进行裁剪，得到仅包含人脸的裁剪图像来避免背景信息对匿名效果的影响；1
‑
2采用k
‑
means无监督的聚类方式，来对裁剪的人脸图像的身份信息进行层次聚类，得到聚类的组id；1
‑
3采用现有预训练的人脸分割网络来对未裁剪图像进行处理，并且生成每张图片脸部分割的遮罩，同时将分割得到的脸部遮罩和未裁剪的图像拼接得到未裁剪的背景图像。3.根据权利要求2所述的基于层次k匿名身份替换的人脸生成隐私保护方法，其特征在于，步骤2具体步骤如下：所述的层次k匿名生成对抗网络，包括生成器、样式风格信息提取器、真假判别器以及组id判别器；首先将普通的高斯噪声以及图像层次聚类所得到的组id输入到样式风格信息提取器中得到对应组id的样式风格信息；然后将样式风格信息以及裁剪图像输入到生成器中，得到生成图；其次将生成图和对应的组id输入到真假判别器中判别图像的真假；同时也将生成图输入到组id判别器中来判别生成图是否具有正确的组id；通过上述流程的训练，最终得到视觉效果逼真的生成图；2
‑
1构建生成器；生成器是由多个对称的Resblock残差块组成；每个残差块均有卷积层、InstanceNorm2d归一化和LeakyReLU激活函数，此外每个残差块都接受一个128维度的风格样式信息，该风格信息通过AdaIN的方式进行注入，其表达是为：其中，θ
i
表示图像，μ(θ
i
)表示图像的均值，σ(θ
i
)表示图像的标准差，μ(s
i
)表示输入到生成器中样式风格信息的均值，σ(s
i
)表示样式风格信息的标准差；2
‑
2构建样式风格信息提取器；样式提取器由多个全连接层以及ReLU激活函数组成，其根据输入的普通高斯噪声以及对应的组id，最终得到对应组的样式风格信息；2
‑
3构建图像真假判别器；与生成器结构类似，判别器同样采用多个Resblock残差块堆叠而成，不同之处是此残差块不需要输入风格样式信息，并且判别器将输入图所属的聚类组id作为索引，来对真假图进行判别；
2
‑
4构建组id判别器；组id判别器采用VGG19的网络结构，VGG19网络使用了同样大小的卷积核尺寸(3x3)和最大池化尺寸(2x2)，VGG19包含了19个隐藏层，其中有16个卷积层和3个全连接层；通过组id判别器判别从生成器输出的生成图是否具有正确的组id。4.根据权利要求3所述的基于层次k匿名身份替换的人脸生成隐私保护方法，其特征在于，步骤3具体步骤如下：所述的层次k匿名的目标函数包括生成式对抗网络GAN的目标函数和组id判别目标函数；GAN的目标函数：采用条件GAN的思想来控制匿名图像的生成，通过输入不同的条件来得到不同的匿名图；具体操作是将裁剪图像、目标聚类的样式信息输入到生成器中，得到目标聚类的生成图；同时，也将裁剪图、生成的匿名图以及与其对应的聚类信息、目标聚类id和性别信息输入到图像真假判别器中去判别真假；在数学形式上可表示为：其中，表示裁剪图像，s表示样式风格提取器的输出，y是由聚类的信息、要映射的组id以及性别信息联合编码而成，表示生成器，D表示图像真假判别器；组id判别目标函数：使用联合训练的VGG19网络模型，计算属于相同组id的人脸匿名图像之间的身份信息的损失；利用VGG19网络来提取图像的身份信息，然后计算属于相同组id图像的特征之间的L1距离差，对于同一个组id，其对应的生成图具有相同的身份信息；从数学形式上可表示为：其中，x1和x2表示不同的裁剪图像，s为样式风格提取器的输出,I表示组id判别器。5.根据权利要求4所述的基于层次k匿名身份替换的人脸生成隐私保护方法，其特征在于，步骤4具体步骤如下：所述的人脸替换生成对抗网络结构，包括生成器、身份提取器、掩码生成器以及真假判别器；首先将层次k匿名生成对抗网络得到的生成图像输入到身份提取器中，得到该图像的身份特征；然后将得到的身份特征以及未裁剪的背景图像输入到生成器中；其次将未裁剪的原始图像输入到掩码生成器中得到柔和的遮罩；最后将生成器的输出、掩码生成器的输出以及未裁剪的原始图像进行拼接得到最终的匿名图，将该匿名图输入到真假判别器中来判断真假；通过上述流程的训练，最终得到视觉效果逼真的匿名图像；4
‑
1构建生成器；生...

【专利技术属性】
技术研发人员：匡振中，陈超，俞俊，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：