[发明专利]一种基于生成对抗网络的视频隐私保护方法

说明书

本发明公开了一种基于生成对抗网络的视频隐私保护方法，属于人工智能安全领域，解决现有技术中的隐私保护方法无法对视频进行隐私保护。本发明将点对点的图像生成系统作为对抗网络生成器，并基于视频数据集Image‑net训练得到一系列的视频对抗样本；将三种不同架构的视频分类系统作为对抗网络鉴别器，并基于一系列的对抗样本和对应的原始视频对对抗网络鉴别器进行训练，若训练后能分辨出对抗样本和原始视频的区别，根据训练后的对抗网络鉴别器的参数，利用梯度下降方法对中训练后的对抗网络生成器进行优化，并再次执行，否则，得到训练好的对抗网络生成器对隐私保护的视频进行处理，得到视频对抗样本。本发明用于视频隐私保护。

技术领域

一种基于生成对抗网络的视频隐私保护方法，用于视频隐私保护，属于人工智能安全领域。

背景技术

近年来，随着深度神经网络技术的发展，基于深度神经网络的视频分类技术得到了广泛的应用，这大大提高了视频内容分析的效率。但与此同时，基于深度神经网络的视频分类系统可对视频内容进行分类，从而广泛地获取个人的行为习惯和行为模式，从而进行大数据分析，导致了针对性的诈骗等风险，即基于深度神经网络的视频分类技术的广泛应用特别容易造成了个人隐私的泄露，如：越来越多的平台提供个人视频上传分享功能，而不经处理的个人视频可能会遭到基于深度神经网络的视频分类系统的分析，从而导致视频中包含的个人隐私遭到侵害。

发明内容

针对上述研究的问题，本发明的目的在于提供一种基于生成对抗网络的视频隐私保护方法，解决现有技术中的隐私保护方法无法对视频进行隐私保护。

为了达到上述目的，本发明采用如下技术方案：

一种基于生成对抗网络的视频隐私保护方法，如下步骤：

S1、将点对点的图像生成系统作为对抗网络生成器，并基于视频数据集Image-net中的原始视频训练对抗网络生成器得到一系列的视频对抗样本；

S2、将三种不同架构的视频分类系统作为对抗网络鉴别器，并基于一系列的视频对抗样本和视频对抗样本对应的原始视频对对抗网络鉴别器进行训练，若训练后的对抗网络鉴别器能分辨出步骤S1中得到的20%以上的视频对抗样本和原始视频的区别，即对抗网络鉴别器能正确分类20%以上的视频对抗样本，转到步骤S3，否则，得到训练好的对抗网络生成器，转到步骤S4；

S3、根据步骤S2中训练后的对抗网络鉴别器的参数，利用梯度下降方法对步骤S1中训练后的对抗网络生成器进行优化，并基于优化后的对抗网络生成器转到步骤S1再次执行;

S4、将需要进行隐私保护的视频输入训练好的对抗网络生成器，得到视频对抗样本。

进一步，所述步骤S1的具体步骤如下：

S1.1、将点对点的图像生成系统作为对抗网络生成器，并从视频数据集Image-net获取原始视频作为原始样本，表示第个原始样本，表示原始样本的第个像素点，其中，表示第个原始样本；

S1.2、将原始样本输入对抗网络生成器，得到输出，其中，为对抗网络生成器对每个像素点添加的扰动，即得到一系列的视频对抗样本，其中，表示第个原始样本对应得到的视频对抗样本，表示对第个像素点添加的扰动。

进一步，所述步骤S2的具体步骤如下：

S2.1、将三种不同架构的视频分类模型I3D、C3D和CNN+LSTM在视频数据集Image-Net上训练得到三种不同架构的视频分类系统作为对抗网络鉴别器；