[发明专利]一种具有可解释性的图像隐私检测方法

说明书

本发明公开了一种具有可解释性的图像隐私检测方法，其步骤如下：1.构造隐私分类的数据集；2.抽取数据集图像中所包含的语义信息；3构建数据集图像对应的加权有向图；4.构建图神经网络并基于数据集训练加权有向图的节点的二分类的输出；5.使用训练得到的神经网络确定输入图像的打码像素区域；6.生成隐私规则。本发明基于深度学习理论来提供图像脱敏的自动定位，且能够在物体级别解释隐私分类结果，获得物体级别的隐私规则，从而能提高隐私分类可解释性。

技术领域

本发明涉及数据隐私及机器学习领域，具体地说是一种具有可解释性的图像隐私检测方法。

背景技术

随着信息时代的发展和智能手机的普及，人们习惯于在社交平台上分享和交流，据不完全统计，Facebook每天要产生3.5亿张照片和1亿小时的视频浏览。Instagram用户每天要分享9500万张照片和视频。与此同时，个人图片也在以其他很多不同的方式被外界感知和收集，比如手机应用访问，云端存储等等。然而，在社交图片的分享与传播给人们带来了众多便利的同时，发布图片中包含的大量丰富的个人信息也增加了隐私泄露的风险，比如，图片中的背景会暴露地理位置和行踪，图片中出现的人会暴露隐私的社交关系等等。

人们在发布照片的时候，往往忽视了自己隐私的保护，即使注意到了，在大多数情况下通过手动打码的方式为图像脱敏，这种方式较为繁琐而且不够安全。在隐私泄露事件不断发生的当下，我们需要对图片中的隐私信息进行研究，从而帮助用户判断自己的个人图片哪些是隐私，哪些不是隐私，研究具有共识性和个性化的隐私规则，且为用户脱敏提供端到端的帮助。

现有隐私检测的技术中，有一些工作直接从图片分类的角度，用深度学习或者支持向量机等方式将图片分为隐私和非隐私的图片，这样的技术分类结果依赖于训练集，并且不具有可解释性，因此不具有可用的价值。有一些技术研究图片中包含的物体，研究物体和图片隐私的相关性，从而评价图片的隐私程度，这样的方法存在隐私定义模糊不清，检测能力局限于模型输出，隐私规则可解释性差等问题。而且现有数据集普遍存在隐私分类可解释性差等问题。

发明内容

针对现有方法所存在的问题，本发明提供一种具有可解释性的图像隐私检测方法，以期能基于深度学习理论来提供图像脱敏的自动定位，并能够在物体级别解释隐私分类结果，获得物体级别的隐私规则，从而提高隐私分类可解释性。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种具有可解释性的图像隐私检测方法的特点是按如下步骤进行：

步骤1，构造隐私分类的数据集；

步骤1.1，利用网络爬虫收集社交平台上脱敏处理后的N张打码图像；

步骤1.2，标注每张打码图像中所有物体和背景的边框信息和类别，从而得到N张打码图像的物体类别数为K；

步骤1.3，对每张打码图像中物体和背景，若其经过脱敏处理，则标注为1，否则标注为0，从而完成每张打码图像中物体的隐私分类，并得到脱敏图像数据集D；

步骤2，抽取图像中所包含的语义信息；

步骤2.1，基于脱敏图像数据集D对faster-rcnn模型进行训练，得到目标检测模型M₁；

任意一输入图像I经过所述目标检测模型M₁后输出检测结果M₁(I)＝{o₁,o₂,…,o_i,…,o_n}，其中，o_i表示包含边框信息B_i和分类的置信概率的第i个物体信息，n表示目标检测模型M₁在输入图像I上检测的物体个数，i∈[1,n]；

步骤2.2，基于place365数据集对vgg模型进行训练，得到背景分类模型M₂；