买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：一种基于特征映射的差分隐私人脸图像保护方法。将目标样本数据集使用决策树聚类算法将图像进行聚类，再对其分层抽样，得到小样本目标集合。对小样本目标集合进行加权聚合计算出平均脸特征向量，每张目标样本数据集图像中人脸区域的特征向量与该平均脸的特征向量距离作为隐私预算权重分配标准，目的是为了减少图像所加噪声，提高图像可用性。将小样本目标集合使用PCA降维后截取不同长度k的人脸特征向量，计算人脸特征向量加噪后与原图对比的结构相似性以及放入CNN分类模型后的模型识别率，二者曲线最接近时的k值即为本次图像保护方法的人脸特征向量长度，平衡了图像可用性和隐私性，并且无需手动设置参数，完成了对图像中人脸部分的加噪任务。

主权项：1.一种基于特征映射的差分隐私人脸图像保护方法，其特征在于，步骤如下：1对目标样本数据集中的图像使用决策树聚类算法进行聚类，再对其分层抽样，得到小样本目标集合；1.1对目标样本数据集使用决策树聚类算法进行聚类；计算目标样本数据集中每张图像所对应灰度共生矩阵的角二阶矩、熵和对比度，分别代表图像的灰度分布均匀程度、图像复杂程度以及清晰度；将角二阶矩、熵和对比度的灰度共生矩阵特征作为决策树聚类算法的输入，对目标样本数据集中的图像进行聚类，得到已聚类的图像簇；1.2对于每个图像簇，在分层抽样过程中，抽样的图像数量设置为每个图像簇数量的二分之一，然后从当前图像簇中随机抽取出对应图像数量的图像，并将它们添加到小样本目标集合中；2对小样本目标集合进行加权聚合计算出平均脸特征向量，人脸区域特征向量与平均脸特征向量的欧式距离设置为隐私预算权重分配标准；设置隐私预算权重分配标准过程如下：2.1对于小样本目标集合使用MTCNN人脸识别模型确定人脸区域，并使用PCA方法降维截取出长度K＝16的人脸区域特征向量，并对所有的人脸区域特征向量计算平均值得到平均脸特征向量；2.2对于小样本目标集合中的每一张图像，若图像中包含不止一张人脸时，计算图像中的人脸区域特征向量与平均脸特征向量之间的欧式距离，对于每个人脸区域的加噪权重按照与平均脸特征向量之间的欧式距离进行分配，距离越大，分配的噪声权重越多；3将小样本目标集合使用PCA方法降维后截取不同长度k的人脸区域特征向量，计算人脸区域特征向量加噪后与小样本目标集合对比的结构相似性曲线以及放入CNN分类模型后的模型识别率曲线，两曲线最接近时的k值即为本次图像保护方法的人脸区域特征向量长度；计算k值的具体过程如下：3.1将小样本目标集合使用PCA方法降维后截取不同长度k的人脸区域特征向量，k的范围为2至16；3.2对不同长度k的人脸区域特征向量进行加噪使其满足度量隐私；具体来说，对不同长度k的人脸区域特征向量，映射到一个k维空间中，其中k是人脸区域特征向量的维度；在k维空间中，x0表示输入的人脸区域特征向量，其中包含实奇异值；根据以下概率分布对输出向量x进行采样的机制满足ε·dk-隐私： 式中，dk表示k维欧几里得距离；3.3计算人脸区域特征向量加噪后与小样本目标集合对比的结构相似性以及放入CNN分类模型后的模型识别率并绘制出截取不同长度k的人脸区域特征向量时的SSIM曲线和识别率曲线，两曲线最接近时的k值即为本次图像保护方法的人脸区域特征向量长度；3.4得到k值后，将目标样本数据集的人脸区域使用PCA方法压缩成长度为k的人脸区域特征向量；若图像中包含不止一张人脸时，计算每个人脸区域特征向量与平均脸特征向量之间的欧式距离，对于每个人脸区域的加噪权重按照与平均脸特征向量之间的欧式距离进行分配，对图像进行加噪使其满足度量隐私；最后，将加噪后的人脸区域特征向量还原成图像，生成加噪图像。

全文数据：

权利要求：

百度查询： 大连理工大学 基于特征映射的差分隐私人脸图像保护方法