一种预防身份泄露的循环可逆匿名人脸合成方法技术

本发明专利技术公开了一种预防身份泄露的循环可逆匿名人脸合成方法，包括如下：步骤1、数据集预处理；步骤2：构建身份修改网络，并通过身份修改模型得到修改后的身份特征；步骤3：构建属性控制网络，并通过属性控制模型得到属性可控的初始匿名图；步骤4：构建特征隐写网络，并通过特征隐写模型得到隐写的特征；步骤5：使用公开数据集进行训练及测试；步骤6：使用训练好的模型完成图像匿名及恢复。该方法的优点在于对待匿名图像的人脸区域进行替换同时不会侵犯他人隐私，并且生成的匿名图像可以实现可逆以此来恢复出原始图像，同时匿名图像在视觉上更友好。友好。友好。

【技术实现步骤摘要】
一种预防身份泄露的循环可逆匿名人脸合成方法


[0001]本专利技术涉及人脸图像隐私保护的领域，具体指一种预防身份泄露的循环可逆匿名人脸合成方法。

技术介绍

[0002]在信息时代下，随着互联网技术的快速提升，数据处理分析等计算机技术得到了快速发展，也促使智能化设备和应用的大量涌现，为人们提供了个性化、多元化的服务。比如，支付宝、微信、Facebook等平台已经成为了人们日常生活中的一部分。
[0003]技术犹如一把双刃剑，给我们的日常生活带来便利的同时，也需要保障我们的数据安全。虽然互联网技术的空前发展带来了便利和智能的工作生活方式，但也让人们的隐私信息无处可藏，信息泄露事件时有发生。2019年全国拦截的电信诈骗共计10.8亿次，这背后主要的原因就是数据信息的泄露。由于接二连三发生的客户资料泄露的事件，万豪国际集团的市值损失数十亿美元。英国数据分析企业剑桥分析公司因盗用8700万份Facebook个人资料被罚50亿美元，最终破产倒闭。这些事例无不对个人、企业乃至社会带来了极大的负面影响，所以解决隐私安全问题刻不容缓。
[0004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预防身份泄露的循环可逆匿名人脸合成方法，其特征在于，包括如下步骤：步骤1：数据集预处理；步骤2：构建身份修改网络，并通过身份修改模型得到修改后的身份特征首先将预处理后的图像输入到真实身份特征提取器中，得到该图像的真实身份特征；然后将得到的身份特征加入高斯噪声输入到身份修改生成器中，得到修改后的身份特征，最后将生成的修改后的身份特征输入到身份修改判别器中去判别真假；步骤3：构建属性控制网络，并通过属性控制模型得到属性可控的初始匿名图首先随机将一张目标图分别输入到样式风格提取器、身份特征提取器以及表情提取器中，得到对应的风格特征、身份特征以及表情特征；然后将预处理后的图像与得到对应的风格特征、身份特征以及表情特征输入到属性控制生成器中得到生成图；同时将生成图输入到属性控制判别器中判别初始匿名图的真假，重复上述方法，最终得到视觉效果逼真的初始匿名图；步骤4：构建特征隐写网络，并通过特征隐写模型得到隐写的特征首先将初始匿名图以及真实特征输入到隐写网络中，得到隐写后的图像，然后将隐写后的图像和高斯噪声输入到隐写网络中得到隐写的特征，通过上述流程的训练，最终得到视觉效果逼真的匿名图；步骤5：使用公开数据集进行训练及测试；步骤6：使用训练好的模型完成图像匿名及恢复。2.根据权利要求1所述的预防身份泄露的循环可逆匿名人脸合成方法，其特征在于，所述步骤1中数据集预处理，具体步骤如下：1
‑
1、采用现有预训练的人脸分割网络来对原始图像数据集进行处理，并且生成原始图像数据集中每张图像脸部分割的遮罩；1
‑
2、采用现有预训练的人脸识别模型来提取原始图像数据集中每一张图像的身份特征，并且利用k
‑
means聚类算法对这些身份特征进行聚类，得到每一张图像的聚类中心的身份特征。3.根据权利要求1所述的预防身份泄露的循环可逆匿名人脸合成方法，其特征在于，所述身份修改网络中，所述真实身份特征提取器采用现有预训练的人脸识别网络，该网络结构包括卷积层、归一化层以及四个ResBlock残差块，其能够根据输入的图像，提取出该图像的身份特征；所述身份修改生成器是由五个全连接层组成，全连接层与全连接层之间具有ReLU层用于激活，用于修改身份特征；所述身份修改判别器由四个block块组成，每个block块都具有一层的全连接、ReLU激活层以及Dropout，最后一个block块还具有Sigmoid层，用于输出结果真假的概率值。4.根据权利要求3所述的预防身份泄露的循环可逆匿名人脸合成方法，其特征在于，所述的身份修改网络的目标函数包括GAN的目标函数、距离保持目标函数和唯一性目标函数，GAN的目标函数，采用GAN的思想来控制特征的生成，使得生成的特征与真实特征具有相同的数据分布，生成修改后的身份特征，判别真假，在数学形式上可表示为：其中z
id
为真实身份特征提取器输出的真实身份特征，G为生成器，D为判别器，
距离保持目标函数，采用了k匿名的思想，利用损失函数使得修改身份特征后的生成图在一定范围内相对靠近其k
‑
means聚类的聚类中心，在数学形式上可表示为：means聚类的聚类中心，在数学形式上可表示为：其中z
center
为z
new
所处聚类的聚类中心，为z
new
和z
center
的余弦相似性，α为超参数，是当前数据集所有聚类中心之间余弦相似性的最大值的1/2；唯一性目标函数，利用该损失函数生成现实世界中不存在的身份特征，在数学形式上可表示为：其中表示当前聚类集合中第j个身份特征，当前某一聚类的所有身份特征为FS，即某一聚类的身份特征集合，D
num
表示FS中特征数量。5.根据权利要求1所述的预防身份泄露的循环可逆匿名人脸合成方法，其特征在于，所述属性控制网络中，所述样式风格提取器由四个ResBlock残差块组成，每个残差块包括两个ConvLayer卷积层和一个跳跃层，其能根据输入的图像，最终提取出该图像的样式风格；所述身份特征提取器采用现有预训练的人脸识别网络，该网络结构包括卷积层、归一化层以及四个ResBlock残差块，其能够根据输入的图像，提取出该图像的身份特征；所述表情提取器采用现有预训练的表情提取网络，为MobileFaceNet结构，其根据输入的图像，提取出该图像的表情特征；所述属性控制生成器由九个对称的残差块组成，每个残差块均有卷积层、InstanceNorm2d归一化和LeakyReLU激活函数，后面五个残差块都接受3个512维度的特征信息，该特征信息通过AdaIN的方式进行注入，其表达式为：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特征信息的均值，σ(s
i
)表示特征信息的标准差；所述属性控制判别器由多个ConvLayer卷积层以及五个ResBlock残差块组成，最后是通过两层全连接层进行输出，用于判别输入图像的真假；所述遮罩生成器由多个卷积层、归一化层以及激活层组成，此外还对图像添加高斯卷积核用于其遮...

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