一种隐私保护的外包图像特征提取及分类方法技术

针对现有的一些外包特征提取方法无法防止面部信息泄露或加密面部后人脸识别操作非常耗时的问题，提出了一种利用云端进行图像特征提取及特征分类的隐私保护的外包计算方法，包括以下步骤：步骤一，在客户端将RGB图像转换到YCbCr色彩空间，获得其R、B、Cb、Cr色彩通道的像素值矩阵；步骤二，使用一次一密式密钥对步骤一矩阵进行加密，加密后的矩阵发送给云端，步骤三，云端对步骤二的加密矩阵进行提取，输入神经网络或者集成分类器模型进行训练，并得到结果；步骤四，云端将分类的结果返回给客户端。端。端。

【技术实现步骤摘要】
一种隐私保护的外包图像特征提取及分类方法


[0001]本专利技术属于计算机加密领域，具体涉及一种隐私保护的外包图像特征提取及分类方法。

技术介绍

[0002]计算机视觉技术帮助人们处理许多自动化视觉识别任务，如真伪图像的识别，它往往是通过对图像进行特征提取，然后利用机器学习技术训练分类器模型实现的。其特征提取算法需要执行大量的统计计算并构建高维特征以提高检测性能，对于海量的图像，由于客户端存储空间和计算能力有限，提取特征、训练和分类很难在本地的计算机进行。因此对于本地计算机而言，在不降低提取特征的检测性能的情况下减少计算负载是非常重要的。
[0003]利用云服务器巨大的存储空间和强大的计算能力，可以让计算能力受限的设备完成复杂的计算。对于用户和企业来说，服务器不仅可以存储各种文本文件，还可以存储各种多媒体文件(图像、语音、视频等)。图像中往往包含很多隐私或者敏感的信息，大量的原始图像上传到云端或者发送给第三方进行分析和识别服务的同时，也面临着隐私泄露的风险，数据隐私如果不得到保护，这些高度敏感的信息会被第三方或者攻击者非法利用。
[0004]数据所有者在将数据上传到云端进行计算之前应该对其进行加密的保护，然而加密的数据往往会使其变得难以使用。因此需要实现一种安全的外包图像特征提取并分类的方案，解决图像所有者需要利用云端进行图像分类的问题。
[0005]现有的一些外包特征提取方法往往存在一些问题：基于变形的隐私保护人脸识别方案往往只能保护人脸的视觉内容从而提供视觉安全，但无法防止面部信息泄露，并且会导致人脸识别的准确率降低；由于同态加密算法等繁重的密码技术，使用它们来加密面部和执行人脸识别操作非常耗时，基于同态加密的外包方法往往需要很大的通信复杂度和计算复杂度，计算成本和通信成本较高，加密效率低；基于矩阵计算和特征分解的方法不够安全，恶意服务器可以通过计算加密数据的最大公约数来获得特征值和特征向量，并且客户端和云端往往需要进行三次交互，即客户端需要执行三次加解密计算才能实现；针对某种经典图像特征的外包方法往往只用于解决特定的问题，不能应用于其他方面；一些外包计算方案会舍去部分特征或者降低其精度，导致提取的特征和原始特征不完全一样。

技术实现思路

[0006]针对现有的一些外包特征提取方法无法防止面部信息泄露或加密面部后人脸识别操作非常耗时的问题，提出了一种利用云端进行图像特征提取及特征分类的隐私保护的外包计算方法。
[0007]本专利技术的方法，包括以下步骤：
[0008]步骤一，在客户端将RGB图像转换到YCbCr色彩空间，获得其R、B、Cb、Cr色彩通道的像素值矩阵；
[0009]步骤二，使用一次一密式密钥对步骤一矩阵进行加密，加密后的矩阵发送给云端；
[0010]步骤三，云端对步骤二的加密矩阵进行提取，输入神经网络或者集成分类器模型进行训练，并得到结果；
[0011]步骤四，云端将分类的结果返回给客户端。
[0012]通过云端的响应，客户端可以使用比直接计算函数更少的工作来验证计算是否正确执行，并且由于其提取特征和未加密图像的特征保持一致，图像分类的准确性保持不变，其通信效率也大大提高。
[0013]作为优选，步骤二中的图像加密中，包括先对图像进行预处理，将RGB图像转换到YCbCr色彩空间，然后将RGB图像的后两个通道和YCbCr图像的后两个通道单独提取出来，组合成待加密的图像矩阵ORI_IMG
{C}
,其中C∈{R,B,Cb,Cr}。
[0014]设图像大小为a
×
b、块大小为h
×
h，因此每个通道的图像被分成s＝(a
×
b)/(h
×
h)个不同的小块其中C∈{R,B,Cb,Cr}，i∈[1,a/h],j∈[1,b/h],h必须是a和b的公因数。由于图像每个色彩通道的矩阵大小都是一样的，因此它们都有相同数量的小块，对于每个相同索引位置的小块随机生成一个和块一样大小的序列矩阵KEY_1
i,j,m,n
作为密钥,其中i∈[1,a/h],j∈[1,b/h]，m,n∈[1,h]，该矩阵是1至小块大小的随机排列，即1至h
×
h的随机排列序列矩阵，有：
[0015][0016][0017][0018]其中，表示向下取证，mod表示取余操作，表示该轮加密后c色彩通道的(i,j)位置的矩阵中(m,n)位置的加密后的结果，将p，q作为加密矩阵的索引，每个色彩通道对应相同索引位置的小块使用相同的密钥，不同位置索引的小块使用的是不同的密钥，每个密钥都是随机生成的序列,生成的小块为
[0019]接着，对于每色彩通道的s个小块生成一个大小为s的序列矩阵密钥KEY_2
i,j
,其中i∈[1,a/h],j∈[1,b/h]，该矩阵是1至s的随机排列，生成方式和KEY_1
i,j,m,n
一样，则有：
[0020][0021][0022][0023]其中，表示c色彩通道的(i,j)位置的矩阵的加密结果，将r，s作为加密小块的索引，每个色彩通道使用相同的密钥，其大小均为a
×
b。最后得到大小为4
×
a
×
b的加密图像ENC_IMG
{C}
，其中c∈{R,B,Cb,Cr}。
[0024]本专利技术所提出加密方法适用不同规格大小的图像，可以设置不同的块大小对图像进行加密，块的大小能被图像的大小整除即可，块越大加密的速度越块。最后，加密图像ENC_IMG
c
由客户端发送给云端。
[0025]作为优选，步骤三中的特征提取，具体的描述如下：云端收到客户端发送的加密图像ENC_IMG
c
，即可对其提取特征。对于大小为4
×
a
×
b的加密图像，对每两个不同的通道分别计算：
[0026][0027]其中C1，C2表示不同色彩通道的加密图像，因为图像的像素大小在0到255之间，因此m,n∈[0,255]，每一个ENC_F的大小都为256
×
256。共有四个色彩通道，因此能提取六个加密后的特征矩阵，将这六个不同的特征矩阵联合起来得到最后的图像特征ENC_MATRIX,其大小为6
×
256
×
256。
[0028]图像是经客户端加密后发给云端的，密钥一次一密且无需存储，云端及恶意攻击者不能通过分析而获取到图像的任何信息，云端只能根据其指定算法对之提取特征。而特征的大小为393216维，在本地难以进行存储和计算，将它转移到云端进行计算不会暴露任何信息。
[0029]作为优选，步骤三中的图像分类具有以下特点由于加密只改变了图像每个色彩通道上的像素点之间的位置关系，并没有其像素点的值，通过客户端进行加密后，在云端提取的特征和原始图像直接提取的特征是一样的，因此图像分类过程也由云端进行。本专利技术提取的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隐私保护的外包图像特征提取及分类方法，其特征在于，包括以下步骤：步骤一，在客户端将RGB图像转换到YCbCr色彩空间，获得其R、B、Cb、Cr色彩通道的像素值矩阵；步骤二，使用一次一密式密钥对步骤一矩阵进行加密，加密后的矩阵发送给云端；步骤三，云端对步骤二的加密矩阵进行提取，输入神经网络或者集成分类器模型进行训练，并得到结果；步骤四，云端将分类的结果返回给客户端。2.根据权利要求1所述的一种隐私保护的外包图像特征提取及分类方法，其特征在于，所述步骤二中的图像加密包括以下子步骤：子步骤二一，在步骤一中RGB图像转换到YCbCr色彩空间，将RGB图像的后两个通道和YCbCr图像的后两个通道单独提取出来，组合成待加密的图像矩阵ORI_IMG
{C}
,其中C∈{R,B,Cb,Cr}；子步骤二二，设图像大小为a
×
b、块大小为h
×
h，得到s＝(a
×
b)/(h
×
h)个不同的小块其中C∈{R,B,Cb,Cr}，i∈[1,a/h],j∈[1,b/h],h为a和b的公因数；子步骤二三，对于每个相同索引位置的小块随机生成一个和块一样大小的序列矩阵KEY_1
i,j,m,n
作为密钥,其中i∈[1,a/h],j∈[1,b/h]，m,n∈[1,h]，则有作为密钥,其中i∈[1,a/h],j∈[1,b/h]，m,n∈[1,h]，则有作为密钥,其中i∈[1,a/h],j∈[1,b/h]，m,n∈[1,h]，则有其中，表示向下取证，mod表示取余操作，表示该...

【专利技术属性】
技术研发人员：陈彧星，乔通，谢世闯，牛犇，乔明磊，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：