保护个人数据隐私的特征提取方法、模型训练方法及硬件技术

本说明书实施例提供一种保护个人数据隐私的特征提取方法、模型训练方法及硬件。其中，特征提取方法包括：获取呈现有样本对象的多帧图像序列；以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列，其中，所述样本对象对应多帧图像序列的初始加密特征数据用于生成模型训练数据。初始加密特征数据用于生成模型训练数据。初始加密特征数据用于生成模型训练数据。

【技术实现步骤摘要】
保护个人数据隐私的特征提取方法、模型训练方法及硬件
[0001]本文件是“保护个人数据隐私的特征提取方法、模型训练方法及硬件”的分案申请，母案的申请号为“202010409389.0”，申请日为“2020
‑
05
‑
14”。


[0002]本文件涉及数据处理
，尤其涉及一种保护个人数据隐私的特征提取方法、模型训练方法及硬件。

技术介绍

[0003]深度学习模型凭借具有机械化处理信息的能力，已得到了越来越广泛的使用。而人脸识别就是深度学习领域中常见的一种业务形态。人脸识别原理是基于深度学习模型对待识别用户的人脸特征与样本人脸特征进行近似匹配，从而确定待识别用户的身份。显然，属于个人数据的样本人脸特征留底会存在泄漏风险，无法对隐私起到有效的保护。
[0004]有鉴于此，当前急需一种在深度学习领域中，能够保护个人数据隐私的技术方案。

技术实现思路

[0005]本说明书实施例目的是提供一种保护个人数据隐私的特征提取方法、模型训练方法及硬件，能够在深度学习领域中，保护个人数据隐私。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种保护个人数据隐私的特征提取方法，包括：获取呈现有样本对象的多帧图像序列；以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列，其中，所述样本对象对应多帧图像序列的初始加密特征数据用于生成模型训练数据。2.根据权利要求1所述的方法，以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，包括：将获得的所述多帧图像序列输入至预设的卷积神经网络模型，得到所述样本对象对应所述多帧图像序列的初始加密特征数据；其中，所述卷积神经网络模型包括：卷积层，对获得所述多帧图像序列进行卷积处理，得到卷积层输出特征集；池化层，基于最大值池化算法和/或均值池化算法，对所述卷积层输出特征集进行池化处理，得到池化层输出特征集；全连接层，将池化层输出特征集转换为指定维度的初始加密特征数据。3.根据权利要求1中所述的方法，以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，包括：基于局部敏感哈希算法，对获得的所述多帧图像序列进行哈希转换，得到所述样本对象对应所述多帧图像序列的初始加密特征数据。4.根据权利要求1
‑
3中任一项所述的方法，还包括：对所述样本对象对应多帧图像序列的初始加密特征数据进行集成学习，得到所述样本对象对应的目标加密特征数据，所述目标加密特征数据作为模型训练数据。5.一种保护个人数据隐私的模型训练方法，包括：获取呈现有样本对象的多帧图像序列；以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列；基于所述样本对象对应多帧图像序列的初始加密特征数据，对预设学习模型进行训练。6.一种保护隐私数据的特征提取装置，包括：图像序列获取模块，获取呈现有样本对象的多帧图像序列；特征加密表示模块，以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应...

【专利技术属性】
技术研发人员：杨成平，赵凯，
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：