[发明专利]基于层次k匿名身份替换的人脸生成隐私保护方法

说明书

本发明公开了一种基于层次k匿名身份替换的人脸生成隐私保护方法，首先进行人脸图像数据集预处理，然后构建层次k匿名生成对抗网络结构，构建层次k匿名的目标函数；再构建人脸替换生成对抗网络结构，构建人脸替换的目标函数；最后使用公开数据集进行训练及测试，得到训练好的层次k匿名生成对抗网络和人脸替换生成对抗网络。本发明替换的目标人脸也是通过网络生成的，从而不会侵犯他人的隐私，相对以往的马赛克遮挡的方法更有效并且视觉上更友好。通过实验结果显然证实了所提出方法的高效性与实用性，对人物图像的隐私保护更高效和美观。

技术领域

本发明是关于人脸图像隐私保护的领域。随着大数据人工智能时代的到来，个人图像的隐私安全问题受到越来越多的关注。因此，本发明提出了一个基于面部匿名方法，通过使用生成的代理数据集来对人脸图像进行替换，从而达到图像匿名保护的目的。

背景技术

在信息时代下，随着互联网技术的快速提升，使得实时传播知识、理念等成为可能，使得人们之间最真谛的交流成为现实。如今，高性能设备的出现，技术的不断迭代，使得人工智能的发展步入正轨。其中，基于深度学习的处理图像技术在人们的日常生活中屡屡可见。例如，人脸识别、图像分类、物体检测、智能监控、自动驾驶等等。

技术犹如一把双刃剑，给我们的日常生活带来方便的同时，也需要保障我们的安全。当下，人脸识别技术用于手机密码解锁、门禁开关、上班打卡、交易支付、车站通行等功能，其内在的本质是通过利用人脸图像中所包含的丰富的信息数据，来实现上述功能。如今，随着人脸识别系统的普及，导致用户的隐私安全问题颇有争议。人脸识别系统能应用于人们的日常生活归功于我们每个人提供的人脸图像信息。它需要收集大量用户图像数据来提高其识别率，而这些图像数据通常储存于网络云端，假设人脸图像数据一旦泄露，用户的隐私将会遭受前所未有的损失。

为了解决图像的隐私保护问题，一些国家和地区均颁布了相应的法律法规来保护公众的隐私，甚至将某一些人脸数据集进行收回。虽然这些方法对于保护人脸图像的隐私有一定程度的作用，但是这些方法并不能从根本上解决公众的隐私问题，相反，这些措施的实施会增大科研人员的研究难度。实际上，像人脸检测、行人跟踪这类任务，不需要用到人脸图像中的身份信息，所以对于一个可靠的匿名方法，不仅能隐藏原始的身份信息，而且还能将匿名后的图像用于其他计算机视觉任务。

近年来，随着深度学习的迅速发展，以生成式对抗网络(Generative AdversarialNetworks，GANs)和变分自编码器(Variational Auto-Encoders，VAEs)为代表的生成式模型，为隐私保护的智能化提供了技术基础和条件。通过将待匿名的人脸图像输入到合适的生成器模型中，并在合适的层添加上相应的信息，得到对应的人脸匿名图像，这是一个值得深入探索的研究问题。

综上所述，利用生成对抗网络来对人脸图像进行匿名是一个值得研究的方向，本专利拟从该任务中几个关键点问题切入，解决目前方法存在的难点和重点。

图像面部匿名的一个关键点是要保证人脸匿名的有效性，但是对于目前大部分的方法，匿名后的人脸往往会与原图非常的相似，从而达不到匿名的作用，或者匿名后的图像质量很差，虽然能达到匿名的目的，但是这严重影响了匿名图像的可使用性。具体而言，主要有以下两个方面的关键点：

(1)匿名图像的有效性。如何确保匿名后的图像与原始图像具有不同的身份信息，换句话说，匿名后的图像会不会出现在原始数据集中，这是一个亟待解决的问题。

(2)目前现有的方法主要以换脸或者使用他人的身份来与本身的数据进行融合以实现匿名，但换脸或者换身份之后，同样也会泄露目标脸或者目标身份的信息。因此，如何在不泄露他人身份信息的同时匿名自己的人脸图像是目前一个难点问题。

发明内容