[发明专利]基于生成式对抗网络脸部隐私保护方法

说明书

本发明的基于生成式对抗网络脸部隐私保护方法，其特征在于：在工作站和机器人平台中都分别加载基于生成对抗网络的人脸去识别方法，并且在工作站上训练特征模型W；当机器人平台上的照相机捕获脸部图像时，对需隐私保护的脸部图像，机器人平台应用基于生成对抗网络的人脸识别方法进行脸部去识别，保护脸部图像的隐私特征，确保用户的视觉隐私不受侵犯。所述基于生成对抗网络的人脸识别方法，包含1个改进U‑Net网络的生成器G和2个判别器D₁、D₂，其中判别器与生成器由卷积层，残差块和自注意力层组成。本发明具有能减少或消除训练过程中模式崩溃和过度拟合的问题，提高生成图像质量，并在视觉上保护图像的隐私的特点。

技术领域

本发明涉及信息安全保护领域，具体涉及一种基于生成式对抗网络脸部隐私保护方法。

背景技术

近年来，大量的照片与视频随着手机，平板电脑和其他成像设备的广泛使用而被记录、存储与处理。这些视觉设备虽然为人们带来了便利，但未受保护的图像或视频会导致隐私泄露，并给隐私保护带来严峻挑战。人脸去识别是视觉隐私保护中重要的第一步，因此人脸去识别问题最近受到了广泛关注。为了保护视觉面部隐私，许多研究人员通过替换或更改图像中的面部区域来使面部识别方法无法有效识别修改后的脸部图像。

传统的人脸去识别方法主要着眼于从图像和视频中删除身份，同时保留与身份无关的特征。在视频和图像处理方面，传统方法大多使用模糊像素化来保护视觉隐私。但研究表明像素化和模糊不能确保正确的人脸去识别的有效性。

近年来，神经网络可以用于隐私去识别，但是，基于卷积神经网络(CNN)的方法有两个局限性：1)生成图像的质量不够真实。这些方法不能保护包含面部的图像的隐私。2)CNN模型是一种监督算法。因此，它需要一些标签来训练网络，但是需要大量的时间和成本。

目前，生成对抗网络(GAN)为隐私去识别提供了新的方向，但是，通过这种方法生成的图像的面部特征不明显，并且不能有效地保留图像的值。基于GAN的隐私去识别技术存在三个局限性：1)大多数基于GAN的隐私去识别方法是一种半监督算法，需要少量标签，但是标记标签训练网络需要大量时间和成本。2)在GAN的对抗训练中，生成器和判别器很容易导致模式崩塌，过拟合以及模型无法收敛的风险；3)由这种算法生成的图像的质量不够真实，并且在去识别过程中不能保留图像特性。

发明内容

本发明的目的在于克服上述缺点而提出了一种能减少或消除训练过程中模式崩溃和过度拟合的问题、能保留去识别图像和原始图像之间的联系，在视觉上保护图像的隐私的基于生成式对抗网络脸部隐私保护方法。

本发明的基于生成式对抗网络脸部隐私保护方法，包括：

步骤一，工作站和机器人平台中都分别加载基于生成对抗网络的人脸去识别方法，并且使用基于生成对抗网络的人脸去识别方法以及隐私和非隐私数据集在工作站上训练特征模型W；

步骤二，工作站与机器人平台通过无线局域网WLAN连接，机器人平台通过工作站上的基于生成对抗网络的人脸去识别方法来定期更新权重；

步骤三，机器人平台上的基于生成对抗网络的人脸去识别方法获得特征模型W，当机器人平台上的照相机捕获脸部图像时，对需隐私保护的脸部图像，机器人平台应用基于生成对抗网络的人脸识别方法进行脸部去识别，保护脸部图像的隐私特征，确保用户的视觉隐私不受侵犯；

其中所述基于生成对抗网络的人脸识别方法，包含1个改进U-Net网络的生成器G和2个判别器D₁、D₂，其中判别器与生成器由卷积层，残差块和自注意力层组成；