[发明专利]一种基于生成式对抗网络的人脸数据身份去识别方法

说明书

本发明公开了一种基于生成式对抗网络的人脸数据身份去识别方法，涉及生物特征识别与人工智能安全技术领域，该方法包括：首先构建图像编码‑生成网络，用两个编码网络分别提取人脸图像的属性特征编码、表情位姿编码，组合得到第一隐向量，经映射网络得到第二隐向量，将第二隐向量送入生成网络得到输出图像，完成人脸图像属性特征与表情位姿的融合，利用换脸技术，实现对于人眼视觉的身份去识别；其次构建对抗向量映射网络，取第二隐向量输入对抗向量映射网络得到对抗隐向量，再经生成网络得到人脸识别模型识别结果差距较大、人眼视觉差距较小的对抗样本图像，通过对抗样本技术，实现人脸识别模型的身份去识别。

技术领域

本发明涉及生物特征识别与人工智能安全技术领域，尤其是一种基于生成式对抗网络的人脸数据身份去识别方法。

背景技术

在以大数据训练为基础的人工智能时代，计算机视觉技术广泛应用于安防、追踪的任务场景，但由此带来的滥用人脸数据的安全问题，越发引起人们对保护人脸隐私必要性的重视。传统的匿名化人脸技术，比如打马赛克或模糊脸部，都具有信息损失较大的弊端，使得用户或者数据开发者都无法有效使用匿名化后的人脸数据。随着对抗样本和生成式对抗网络概念的提出，出现了以添加随机噪声、换脸为代表的两种人脸去识别(De-identify，De-id)技术。但随机噪声的扰动会造成图像质量下降，而换脸技术将以完全损失原脸信息为代价。为了满足在保护人脸数据隐私的前提下对人脸图像进行分享、开发的多样化需求，亟需一个鲁棒的模型，在不影响现有数据分布的前提下，能够灵活地对图片中的人脸进行去识别的预处理。人脸去识别技术的研究对提高人脸数据隐私安全性及防止人脸数据被滥用，具有重要现实意义和研究价值。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于生成式对抗网络的人脸数据身份去识别方法，在此算法框架下，既能够实现针对人眼视觉的去识别，即以换脸技术完全变身份，满足针对人脸数据集的去身份预处理、图像信息公开时完全匿名等场景的高强度隐私保护需求；也能够实现针对人脸识别模型的去识别，即以对抗样本技术扰动模型识别的结果，针对单个用户，在尽可能减少原图信息损失的前提下进行人脸隐私数据保护。

本发明的技术方案如下：

一种基于生成式对抗网络的人脸数据身份去识别方法，包括如下步骤：

构建图像编码-生成网络，图像编码-生成网络用于对人脸图像在隐空间的人脸属性、表情位姿进行编码与解耦，人脸图像包括人脸属性图像和表情位姿图像；

当人脸属性图像和表情位姿图像为不同人脸时，将人脸图像输入至图像编码-生成网络得到异脸新图生成图像，实现对于人眼视觉的身份去识别；

构建对抗向量-生成网络，取同脸输入时的人脸图像在隐空间的特征向量并输入至对抗向量-生成网络，得到对抗样本图像，对抗样本图像的特征为人脸识别模型识别结果差距较大、人眼视觉差距较小，实现人脸识别模型的身份去识别。

其进一步的技术方案为，构建图像编码-生成网络以及构建对抗向量-生成网络，均包括：

搭建模型框架，设置训练优化目标，根据优化目标对待训练模型进行训练。

其进一步的技术方案为，搭建图像编码-生成网络的模型框架，包括：

采用预训练好的ResNet-50网络作为人脸属性编码网络，采用Inception-V3网络作为表情位姿编码网络，采用预训练好的网络结构作为特征点编码网络，特征点编码网络用于提取表情位姿图像和输出图像的特征点编码，通过特征点编码描述人脸器官位置；

采用四层全连接神经网络作为映射网络，四层全连接神经网络的各层间采用LReLU作为激活函数；

采用预训练好的synthesis网络作为生成网络；

设置判别器，判别器用于判断经映射网络得到的第二隐向量是否服从满足输入生成网络要求的分布形式。