[发明专利]一种基于对抗进攻的视频流人脸隐私保护方法

说明书

本发明提供了一种基于对抗进攻的视频流人脸隐私保护方法。该方法包括：输入原始视频，分别提取所述原始视频中的各个视频帧；分别获取各个视频帧中的人脸区域图像；将各个视频帧中的人脸区域图像输入到神经网络，神经网络输出各个视频帧中的人脸区域图像的对抗扰动，将当前帧之前的所有视频帧中的人脸区域图像的对抗扰动求和之后叠加在了当前帧中的人脸区域图像上，得到进行了人脸隐私保护的当前帧中的人脸区域图像。本发明基于视频流对人脸识别进行信息保护，可以抵抗恶意的视频进攻，达到视频流中的人脸区域无法被识别的目的，可以对抗对视频中的人脸领域的恶意进攻。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于对抗进攻的视频流人脸隐私保护方法。

背景技术

近年来，深度学习技术在理论和应用界都得到了提升，使其在人脸识别这一场景任务下已经有了相当成熟的技术。并且涌现了众多基于视频的人脸攻击技术，以Deepfake这一技术为例，它可以轻易地识别视频流中的人脸，并对人脸进行替换。由于传统深度学习网络并不能良好地处理带有细微扰动的数据，许多不法者通过这些技术虚构假新闻、制造色情视频，为全世界带来了严重负面影响。为克服这一缺陷，有学者对此提出了对抗攻击的思路。对抗攻击指对目标机器学习模型的原输入施加轻微扰动，以生成对抗样本来欺骗目标模型的过程。这有利于暴露机器学习模型的脆弱性，进而提高模型的鲁棒性和可解释性。

目前，现有技术中的用于人脸识别对抗攻击的方法有以下三类：其一是针对抗干扰能力低的对抗进攻，有学者针对CNN网络，设计了针对人脸识别CNN网络的对抗进攻方式；其二是物理性对抗攻击，这类攻击思路是在人脸图像中添加遮挡物，以此攻击LResNet100E-IR；其三是基于几何方法的对抗攻击，它通过对于输入的人脸信息进行旋转、平移等几何操作产生对抗攻击，Deb等人便根据这一思路，通过在面部图像细微处产生几何性扰动，开展对抗攻击。

虽然基于对抗进攻的视频流人脸识别工作尚未广泛开展，但是对抗进攻方法已被应用于视频处理领域，例如一些单帧识别任务。有学者在视频领域首次采用白盒进攻，实现了通过时间相互作用而传播的单帧稀疏性扰动，从稀疏性这一角度提高了模型的防御性能。在黑盒攻击方面，有学者提出了试探性扰动及其修复操作，成功通过对抗进攻提升了模型的鲁棒性。

上述现有技术中的用于人脸识别对抗攻击的方法的缺点为：在人脸识别场景任务中，大多数机器学习模型仅仅针对含有人脸信息的图像采取防御措施，而并未针对整段视频采取防御措施。但是，由于人脸信息往往以视频流的方式而非图像的方式被攻击，所以采取防御措施时，对视频流中的人脸信息进行防御更有意义。

发明内容

本发明的实施例提供了一种基于对抗进攻的视频流人脸隐私保护方法，以实现有效地对抗对视频中的人脸领域的恶意进攻。

为了实现上述目的，本发明采取了如下技术方案。

一种基于对抗进攻的视频流人脸隐私保护方法，包括：

输入原始视频，分别提取所述原始视频中的各个视频帧；

分别获取各个视频帧中的人脸区域图像；

将各个视频帧中的人脸区域图像输入到神经网络，神经网络输出各个视频帧中的人脸区域图像的对抗扰动，将当前帧之前的所有视频帧中的人脸区域图像的对抗扰动求和之后叠加在了当前帧中的人脸区域图像上，得到进行了人脸隐私保护的当前帧中的人脸区域图像。

优选地，所述的分别获取各个视频帧中的人脸区域图像，包括；

对于给定的视频帧图像x∈R^w×h×c，定义全黑处理算子B，全黑处理区域l，人脸区域的区域面积计算算子S，将所述视频帧图像x输入到下述的公式1和公式2中，通过求解下述的公式1和公式2计算出视频帧图像x中的人脸区域图像l的面积S(l)；