[发明专利]一种视频分析装置、服务器、系统及保护身份隐私的方法

权利要求书

1.一种基于深度学习的视频分析中保护身份隐私的方法，其特征在于，该方法包括以下步骤：

S1.选择用于视频分析任务的第一卷积神经网络的一个池化层，将该池化层输出的特征图作为用于身份识别的第二卷积神经网络的输入，其中，所述第一卷积神经网络的输入为包含人物的场景图像，输出为视频分析结果；

S2.分别初始化第一卷积神经网络和第二卷积神经网络各层参数；

S3.固定第一卷积神经网络的选定池化层及之前层的参数，使用包含人物的场景图像训练集训练第二卷积神经网络，使得各训练样本的预测身份与真实身份差异尽可能小；

S4.固定第二卷积神经网络各层参数，调整第一卷积神经网络的选定池化层及之前层的参数，使得各训练样本的预测身份与真实身份差异尽可能大；

S5.使用包含人物的场景图像训练集训练参数调整后的第一卷积神经网络，使得各训练样本的预测结果与真实结果的差异尽可能小；

S6.判断是否同时满足第一卷积神经网络的差异值小于第一设定阈值且第二卷积神经网络的差异值大于第二设定阈值，若是，则结束，否则，进入步骤S3。

2.如权利要求1所述的方法，其特征在于，步骤S2中参数初始化的方式如下：

使用ImageNet图像数据集预训练第一卷积神经网络后，再使用ImageNet图像数据集预训练第二卷积神经网络；或者，全零初始化，或者，随机初始化，或者，Xavier初始化。

3.如权利要求1所述的方法，其特征在于，第一卷积神经网络的网络结构为卷积神经网络AlexNet、VGGNet或者ResNet，并将原始的输出层替换为Sigmoid输出层，激活函数为Relu；第二卷积神经网络的网络结构为卷积神经网络结构AlexNet、VGGNet或者ResNet，并将原始的输出层替换为Softmax输出层，激活函数为Relu。

4.如权利要求3所述的方法，其特征在于，池化层选择第一卷积神经网络的第2个最大池化层，或者，第3个最大池化层。

5.如权利要求1所述的方法，其特征在于，步骤S3中，损失函数为：

其中，s分别为预测身份的概率向量与真实身份标签的one-hot编码，s_i分别为对应向量中第i个维度的取值，k为训练集中不同身份的数量；

各层参数更新方式如下：

利用反向传播算法计算对第二卷积神经网络各个网络层参数的梯度，将第二卷积神经网络各个层参数向负梯度方向更新，即

其中，μ₂为第二卷积神经网络的学习率，θ_h为第二卷积神经网络各个网络层参数。

6.如权利要求1所述的方法，其特征在于，步骤S4中，损失函数为：

其中，s分别为预测身份的概率向量与真实身份标签的one-hot编码，s_i分别为对应向量中第i个维度的取值，k为训练集中不同身份的数量；

各层参数更新方式如下：

利用反向传播算法计算对第一卷积神经网络的选定池化层及之前层参数的梯度，将第一卷积神经网络的选定池化层及之前层参数向正梯度方向更新，即

其中，μ₁为第一卷积神经网络的学习率，θ_g为第一卷积神经网络的选定池化层及之前层参数，0≤λ≤1，负责调节使用loss_p和loss_t对第一卷积神经网络的参数进行更新时对最终参数的影响，用于隐私性-实用性控制；

步骤S5中，损失函数为：

其中，y分别为预测结果与真实结果；

各层参数更新方式如下：

利用反向传播算法计算对第一卷积神经网络参数的梯度，将第一卷积神经网络的参数向负梯度方向更新，即

其中，θ_f为第一卷积神经网络各个网络层参数。