[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

说明书

本发明公开了一种视频分析装置、服务器、系统及保护身份隐私的方法，属于隐私保护技术领域。包括：固定第一卷积神经网络的选定池化层及之前层的参数，训练第二卷积神经网络，使得预测身份与真实身份差异尽可能小；调整第一卷积神经网络的选定池化层及之前层的参数，使得预测身份与真实身份差异尽可能大；训练参数调整后的第一卷积神经网络，使得预测结果与真实结果的差异尽可能小；判断是否同时满足第一卷积神经网络的差异值小于阈值且第二卷积神经网络的差异值大于阈值，若是，则结束。本发明通过引入隐私网络，不对原有神经网络结构大幅修改，保证了用户数据隐私的同时,允许根据对隐私性和实用性的需求动态地平衡。

技术领域

本发明属于隐私保护技术领域，更具体地，涉及一种视频分析装置、服务器、系统及保护身份隐私的方法。

背景技术

随着大规模数据的累积，深度学习基础理论的发展和硬件计算能力的巨大提升，无论是学术界还是工业界，深度学习都成为数据挖掘和人工智能领域的主流技术，尤其是对于图像、语音、文本这样的复杂数据。

基于深度学习的视频分析技术，例如，基于深度学习的智能跌倒检测、帕金森病运动功能智能评估、异常行为识别等，普遍采用的处理流程如下：(1)使用图像收集设备在收集图像数据；(2)将图像数据发送到云端服务器；(3)服务器利用强大的算力通过规则或者模型进行视频分析；(4)将视频分析结果返回给用户设备。深度学习能够有效提取针对目标任务的特征，但是不能保证该特征只能用于特定任务，也就是说深度学习提取到的特征除了能够完成目标任务，也有可能很好的完成其他非目标任务，包括敏感信息挖掘任务，挖掘到了与当前目标任务无关的用户隐私信息，这就隐含了巨大的隐私风险。恶意攻击者完全有能力从用户上传的图像数据中准确得识别出人物身份信息。因此，如何保护基于深度学习的视频分析下的用户身份隐私问题成为现有技术中亟待解决的问题之一。

目前，针对深度学习推理阶段的用户数据隐私保护方式主要包括加密和数据编码。加密方法可以保证数据隐私，但是带来了巨大的加解密开销和模型训练的复杂度，同时影响到准确度。而基于数据编码的方式，通过将原始数据做一次转化，在计算资源消耗上远小于加密，同时不要求对传统的模型结构和训练流程进行大幅修改，具有明显的优势。但是现有基于数据编码的隐私保护方案存在以下突出问题：1、存在潜在隐私泄露风险：现有保护方案没有考虑编码数据存在的潜在的隐私泄露风险，即对编码数据进行深度的数据挖掘可能暴露隐私信息；2、忽略了上下文信息：对数据编码时没有考虑下游具体的数据挖掘任务，该方案可能得到了较为通用的隐私保护编码，但是并不是具体场景下最优的；3、复杂性高：为了得到高质量的隐私保护的编码，引入了过多的复杂性，比如使用了更复杂的网络结构和训练方法。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种视频分析装置、服务器、系统及保护身份隐私的方法，其目的在于通过仅引入第二卷积神经网络来约束第一卷积神经网络的特征提取过程，从而得到隐私保护的池化层特征图，保证了用户数据隐私的同时，允许根据对隐私性和实用性的需求动态地平衡，以达到给定约束下模型的最佳效果。

为实现上述目的，按照本发明的第一方面，提供了一种基于深度学习的视频分析中保护身份隐私的方法，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；