【技术实现步骤摘要】
本专利技术属于图像检索，具体涉及一种面向大规模图像的加密检索方法。
技术介绍
1、近年来，随着大数据以及神经网络的迅速发展，深度网络学习在计算机视觉的各个领域中都引起了广泛关注。在图像识别领域也不列外，并且获得了很好的效果，图像识别的准确率已经超过了99％，高于人肉眼所得到的结果的准确率，因此用深度学习进行图片的识别以及检索是大势所趋。
2、目前，已经出现了很多针对图像信息进行加密的方法，例如基于哈希的方式对图像向量进行索引化，该方法虽然解决了图像安全的问题，却会增加图像检索的难度，失去了图像加密前后的保序性；并且现有基于向量的搜索方法主要有两种，即欧式距离和余弦距离，而采用哈希加密后的图像特征向量之间再进行欧式距离的计算将不再具有可行性。因此亟需一种能够保证加密前后同序行的加密方法。
3、lu等人提出了一种基于保序加密的加密数据集图像搜索算法min-hash，这是一种密文保持了明文顺序特征的加密方法，即如果明文a和b满足a<b，那么经过加密后的密文e(a)和e(b)也满足e(a)<e(b)。这种方式计算操作简便，加密前后同序，便于搜索。然而，该方法只适用于基于图像视觉词表示的图像搜索算法。
4、现有技术中还有一种基于同态加密的图像加密检索方法，该方法使安全性得到了充分保障，但是同态加密方法计算复杂度太大，并且是使用线性的搜索方式，会影响整体的检索效率以及计算性能。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了
2、本专利技术提供一种面向大规模图像的加密检索方法，包括：
3、获取待搜索图像，并提取所述待搜索图像的特征向量；
4、对所述待搜索图像的特征向量进行反向加密，得到待搜索图像的密文特征向量tq；
5、根据所述密文特征向量tq，从预先构建的搜索树中自上而下地搜索，直至搜索到与该密文特征向量tq相似度最高的叶子结点；其中，所述搜索树为：针对数据集中的图像，预先通过聚类算法构建得到的多叉树，所述多叉树的每个叶子结点分别包括该数据集中每个图像的特征向量；
6、将与密文特征向量tq相似度最高的叶子结点在数据集中对应的图像确定为所述待搜索图像的检索结果。
7、在本专利技术的一个实施例中，按照如下步骤构建所述搜索树：
8、获取所述数据集中的各个图像；
9、利用预先训练好的神经网络模型进行特征提取，得到数据集中每个图像的原始特征向量；所述神经网络模型包括卷积神经网络和vgg16；
10、对所述数据集中每个图像的原始特征向量进行pca降维，得到所述数据集中每个图像的降维特征向量，并保存pca降维过程中的变换矩阵a；
11、将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树。
12、在本专利技术的一个实施例中，将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树的步骤，包括：
13、将所述数据集中每个图像的降维特征向量作为叶子结点；
14、利用k-means算法将所述叶子结点中的每k个叶子结点向上聚类为新一层的一个中间结点；
15、判断新一层的中间结点的数量是否小于等于k；若是，则利用k-means算法将所述新一层的中间结点聚类为根结点，构建得到搜索树；若否，则利用k-means算法将中间结点中的每k个中间结点继续向上聚类为新一层的一个中间结点。
16、在本专利技术的一个实施例中，将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树的步骤之后，还包括：
17、对所述搜索树中的各个结点进行加密并保存密钥。
18、在本专利技术的一个实施例中，对所述搜索树中的各个结点进行加密并保存密钥的步骤，包括：
19、获取所述搜索树中各个结点的降维特征向量，其中，中间结点的降维特征向量和根结点的降维特征向量为自身包含的子结点的降维特征向量的平均值；
20、将第i个结点的降维特征向量fi＝{f1,f2...,fn}扩充为其中，n表示降维特征向量fi的维度，fj表示降维特征向量fi中的第j维，a1,a2,...,an-1均为随机数；
21、生成随机矩阵m、随机数γ以及维度为2n的随机向量εi后，对进行加密，得到第i个结点的密文特征向量：
22、
23、保存所述随机矩阵m的逆矩阵m-1作为密钥。
24、在本专利技术的一个实施例中，获取待搜索图像，并提取所述待搜索图像的特征向量的步骤，包括：
25、获取待搜索图像；
26、利用预先训练好的神经网络模型进行特征提取，得到所述待搜索图像的原始特征向量；其中，所述神经网络模型包括卷积神经网络和vgg16；
27、利用所述变换矩阵a对所述待搜索图像的原始特征向量进行pca降维，得到所述待搜索图像的降维特征向量q。
28、在本专利技术的一个实施例中，对所述待搜索图像的特征向量进行反向加密，得到待搜索图像的密文特征向量tq的步骤，包括：
29、将所述待搜索图像的降维特征向量q＝{q1,q2...,qn}扩充为其中，n表示降维特征向量q的维度，q1,q2...,qn分别表示降维特征向量q的第1,2,…,n维，γ,β1,β2,...,βn-1均为随机数；
30、产生维度为2n的随机向量εq，利用密钥m-1对进行反向加密，得到待搜索图像密文特征向量tq：
31、
32、式中，t表示转置。
33、在本专利技术的一个实施例中，根据所述密文特征向量tq，从预先构建的搜索树中自上而下地搜索，直至搜索到与该密文特征向量tq相似度最高的叶子结点的步骤，包括：
34、分别计算所述搜索树中根结点下一层的各个中间结点的密文特征向量与待搜索图像的密文特征向量tq之间的相似度；
35、针对与待搜索图像的密文特征向量tq相似度最高的中间结点，判断其下一层的各个结点是否为叶子结点；若是，则分别计算各个叶子结点与待搜索图像的密文特征向量tq之间的相似度，并确定与待搜索图像的密文特征向量tq相似度最高的叶子结点；
36、如否，则分别计算其下一层的各个中间结点的密文特征向量与待搜索图像的密文特征向量tq之间的相似度，并返回所述针对与待搜索图像的密文特征向量tq相似度最高的中间结点，判断其下一层的各个结点是否为叶子结点的步骤。
37、在本专利技术的一个实施例中，按照如下公式计算任一结点的密文特征向量与所述密文特征向量tq之间的相似度：
38、
39、式中，表示向上取整，表示任一结点的密文特征向量。
40、与现有技术相比，本专利技术的有益效果在本文档来自技高网...
【技术保护点】
1.一种面向大规模图像的加密检索方法，其特征在于，包括：
2.根据权利要求1所述的面向大规模图像的加密检索方法，其特征在于，按照如下步骤构建所述搜索树：
3.根据权利要求2所述的面向大规模图像的加密检索方法，其特征在于，将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树的步骤，包括：
4.根据权利要求2所述的面向大规模图像的加密检索方法，其特征在于，将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树的步骤之后，还包括：
5.根据权利要求4所述的面向大规模图像的加密检索方法，其特征在于，对所述搜索树中的各个结点进行加密并保存密钥的步骤，包括：
6.根据权利要求2所述的面向大规模图像的加密检索方法，其特征在于，获取待搜索图像，并提取所述待搜索图像的特征向量的步骤，包括：
7.根据权利要求6所述的面向大规模图像的加密检索方法，其特征在于，对所述待搜索图像的特征向量进行反向加密，得到待搜索图像的密文特征向量TQ的步
8.根据权利要求1所述的面向大规模图像的加密检索方法，其特征在于，根据所述密文特征向量TQ，从预先构建的搜索树中自上而下地搜索，直至搜索到与该密文特征向量TQ相似度最高的叶子结点的步骤，包括：
9.根据权利要求5所述的面向大规模图像的加密检索方法，其特征在于，按照如下公式计算任一结点的密文特征向量与所述密文特征向量TQ之间的相似度：
...【技术特征摘要】
1.一种面向大规模图像的加密检索方法，其特征在于，包括：
2.根据权利要求1所述的面向大规模图像的加密检索方法，其特征在于，按照如下步骤构建所述搜索树：
3.根据权利要求2所述的面向大规模图像的加密检索方法，其特征在于，将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树的步骤，包括：
4.根据权利要求2所述的面向大规模图像的加密检索方法，其特征在于，将所述数据集中每个图像的降维特征向量作为叶子结点，并基于所述叶子结点进行聚类，自下而上地构建得到搜索树的步骤之后，还包括：
5.根据权利要求4所述的面向大规模图像的加密检索方法，其特征在于，对所述搜索树中的各个结点进行加密并保存密...
【专利技术属性】
技术研发人员：徐海洋，王祥宇，马鑫迪，马建峰，马卓，沈玉龙，
申请(专利权)人：西安电子科技大学，
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。