【技术实现步骤摘要】
一种图像的处理方法、装置及设备
[0001]本文件涉及计算机
，尤其涉及一种图像的处理方法、装置及设备。
技术介绍
[0002]深度学习已经在各个领域(尤其在计算机视觉领域)取得了突破性进展，深度学习被广泛应用于图像分类、分割、目标检测等任务中，但是近些年的研究表明，对抗攻击可以使得深度神经网络失效。对抗攻击可以通过对干净样本添加特定的人眼不可区分的噪声来使得深度模型偏离原本的预测结果，从而危害深度学习系统的安全性。
[0003]目前，已经提出了很多种对抗攻击的方式，可以有效的攻击相应的模型，但是，大部分方式没有考虑在图像采集链路中的攻击以及在实际攻击中的限制，例如，物理世界中，人脸识别的图像数据来自于图像采集系统(如摄像组件等)，攻击者生成对抗样本后，还需要通过图像采集系统才能进入模型，而并不是直接将该样本作为模型输入，该过程会弱化对抗攻击的效果，但是，攻击者可以在采集链路中对于采集后的图像进行直接替换或修改。为此，需要提供一种能够判断在图像采集和传输链路中是否经过篡改的方式。
技术实现思路
[0004]本说明书实施例的目的是提供一种能够判断在图像采集和传输链路中是否经过篡改的方式。
[0005]为了实现上述技术方案，本说明书实施例是这样实现的：
[0006]本说明书实施例提供的一种图像的处理方法，应用于终端设备，所述终端设备中设置有可信执行环境，所述方法包括：生成待采集的目标图像对应的水印信息。通过部署于所述可信执行环境中的编码模型调用摄像组件获取所述目标图像，并将所...
【技术保护点】
【技术特征摘要】
1.一种图像的处理方法，应用于终端设备，所述终端设备中设置有可信执行环境，所述方法包括：生成待采集的目标图像对应的水印信息；通过部署于所述可信执行环境中的编码模型调用摄像组件获取所述目标图像，并将所述目标图像设置于所述可信执行环境中；在所述可信执行环境中，通过所述编码模型对所述目标图像进行卷积处理，得到所述目标图像对应的图像特征，并将所述水印信息对应的维度调整到与所述图像特征对应的维度相匹配后，将维度调整后的水印信息和所述图像特征进行拼接处理，得到载水印图像特征，通过所述编码模型对所述载水印图像特征进行卷积处理，得到编码图像，所述编码图像与所述目标图像的相似度大于预设阈值；将所述编码图像发送给所述服务器，所述编码图像用于触发所述服务器通过与所述编码器对应的解码器对所述编码图像进行解码处理，得到所述编码图像中包含的水印信息，并基于得到的水印信息与所述目标图像对应的水印信息，确定所述编码图像是否存在风险。2.根据权利要求1所述的方法，所述生成待采集的目标图像对应的水印信息，包括：与服务器建立连接，并与所述服务器协商以生成待采集的目标图像对应的水印信息，所述目标图像对应的水印信息为随机比特串。3.根据权利要求1所述的方法，所述方法还包括：在所述可信执行环境中，将所述水印信息输入到所述编码模型中的全连接层，通过所述编码模型中的全连接层将所述水印信息对应的维度调整到与所述图像特征对应的维度相匹配。4.根据权利要求1所述的方法，所述将所述编码图像发送给所述服务器，包括：对所述编码图像进行图像压缩处理，得到压缩后的编码图像；将压缩后的编码图像发送给所述服务器。5.根据权利要求1所述的方法，所述方法还包括：接收所述服务器发送的所述编码模型，并将所述编码模型设置于所述可信执行环境中，所述编码模型是基于卷积神经网络模型构建，所述编码模型是通过与所述服务器中的解码器进行联合训练后得到。6.根据权利要求1或5所述的方法，所述方法还包括：获取待训练的编码模型，并将所述编码模型设置于所述可信执行环境中；获取图像样本，并与所述服务器建立连接，并与所述服务器协商以生成所述图像样本对应的水印样本，在所述可信执行环境中，通过所述编码模型对所述图像样本进行卷积处理，得到所述图像样本对应的样本特征，并将所述水印样本对应的维度调整到与所述样本特征对应的维度相匹配后，将维度调整后的水印样本和所述图像样本进行拼接处理，得到载水印样本特征，通过所述编码模型对所述载水印样本特征进行卷积处理，得到编码图像样本，所述编码图像样本与所述图像样本的相似度大于预设阈值；将所述编码图像样本发送给所述服务器，所述编码图像样本用于触发所述服务器基于所述编码图像样本对所述解码模型进行模型训练，得到训练后的编码模型和训练后的解码模型。
7.一种图像的处理方法，应用于服务器，所述方法包括：接收所述终端设备发送的编码图像，所述编码图像是所述终端设备通过部署于所述可信执行环境中的编码模型调用摄像组件获取所述目标图像，并将所述目标图像设置于所述可信执行环境中，并在所述可信执行环境中，通过所述编码模型对所述目标图像进行卷积处理，得到所述目标图像对应的图像特征，并将所述水印信息对应的维度调整到与所述图像特征对应的维度相匹配后，将维度调整后的水印信息和所述图像特征进行拼接处理，得到载水印图像特征，通过所述编码模型对所述载水印图像特征进行卷积处理后得到，所述编码图像与所述目标图像的相似度大于预设阈值；获取所述编码模型对应的解码模型和所述目标图像对应的水印信息，将所述编码图像输入到所述解码模型中，得到所述编码图像中包含的水印信息；基于所述编码图像中包含的水印信息和所述目标图像对应的水印信息，确定所述编码图像是否存在风险。8.根据权利要求7所述的方法，所述编码图像是经过图像压缩处理后得到的图像，所述将所述编码图像输入到所述解码模型中，得到所述编码图像中包含的水印信息，包括：对所述编码图像进行图像解压缩处理，得到解压缩后的编码图像；将所述压缩后的编码图像输入到所述解码模型中，得到所述编码图像中包含的水印信息。9.根据权利要求7所述的方法，所述基于所述编码图像中包含的水印信息和所述目标图像对应的水印信息，确定所述编码图像是否存在风险，包括：基于所述编码图像中包含的水印信息和所述目标图像对应的水印信息，确定所述编码图像中包含的水印信息对应的错误率；如果所述编码图像中包含的水印信息对应的错误率大于预设错误率阈值，则确定所述编码图像存在风险。10.根据权利要求7所述的方法，所述方法还包括：获取图像样本，并与所述终端设备建立连接，并与所述终端设备协商以生成所述图像样本对应的水印样本，通过预先构建的编码模型对所述图像样本进行卷积处理，得到所述图像样本对应的样本特征，并将所述水印样本对应的维度调整到与所述样本特征对应的维度相匹配后，将维度调整后的水印样本和所述图像样本进行拼接处理，得到载水印样本特征，通过所述编码模型对所述载水印样本特征进行卷积处理，得到编码图像样本，所述编码图像样本与所述图像样本的相似度大于预设阈值；将所述编码图像样本输入到解码模型中，通过所述解码模型中的卷积层和全连接层对所述编码图像样本进行处理，得到所述编码图像样本中包含的第一水印信息，基于所述第一水印信息，以及预设的损失函数，对所述编码模型和所述解码模型进行模型训练，得到训练后的编码模型和训练后的解码模型；将所述训练后的编码模型发送至所述终端设备的可信执行环境中。11.根据权利要求10所述的方法，所述将所述编码图像样本输入到解码模型中，通过所述解码模型中的卷积层和全连接层对所述编码图像样本进行处理，得到所述编码图像样本中包含的第一水印信息，基于所述第一水印信息，以及预设的损失函数，对所述编码模型和所述解码模型进行模型训练，得到训练后的编码模型和训练后的解码模型，包括：
对所述编码图像样本进行分块处理，得到多个编码图像样本块，并将每个编码图像样本块的时域信息转换为频域信息，对每个编码图像样本块的频域信息进行量化处理，得到每个编码图像样本块对应的量化信息，将每个编码图像样本块对应的量化信息转换为时域信息，得到压缩图像样本；将所述编码图像样本和所述压缩图像样本分别输入到解码模型中，通过所述解码模型中的卷积层和全连接层对所述编码图像样本和所述压缩图像样本分别进行处理，得到所述编码图像样本中包含的第一水印信息和所述压缩图像样本包含的第二水印信息，基于所述第一水印信息和所述第二水印信息，以及预设的损失函数，对所述编码模型和所述解码模型进行模型训练，得到训练后的编码模型和训练后的解码模型。12.根据权利要求10所述的方法，所述将所述编码图像样本输入到解码模型中，通过所述解码模型中的卷积层和全连接层对所述编码图像样本进行处理，得到所述编码图像样本中包含的第一水印信息，基于所述第一水印信息，以及预设的损失函数，对所述编码模型和所述解码模型进行模型训练，得到训练后的编码模型和训练后的解码模型，包括：对所述编码图像样本进行分块处理，得到多个编码图像样本块，并将每个编码图像样本块的时域信息转换为频域信息，对每个编码图像样本块的频域信息进行量化处理，得到每个编码图像样本块对应的量化信息，将每个编码图像样本块对应的量化信息转换为时域信息，得到压缩图像样本；基于预设的对抗攻击算法生成所述编码图像样本对应的对抗图像样本；将所述编码图像样本、所述对抗图像样本和所述压缩图像样本分别输入到解码模型中，通过所述解码模型中的卷积层和全连接层对所述编码图像样本、所述对抗图像样本和所述压缩图像样本分别进行处理，得到所述编码图像样本中包含的第一水印信息、所述压缩图像样本包含的第二水印信息和所述对抗图像样本包含的第三水印信息，基于所述第一水印信息、所述第二水印信息和所述第三水印信息，以...
【专利技术属性】
技术研发人员：李亚康，肖轩淦，王文雅，王艺卓，李建树，刘健，陈弢，陆海宁，谷大武，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。