图像脱敏及识别方法、装置、计算机设备及可读存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种图像脱敏及识别方法、装置、计算机设备及可读存储介质。


背景技术：

2.人脸自动识别是一个重要技术，但是人脸的特征提取中，存在特征泄密及侵犯隐私等问题。
3.在人脸识别中，目前的深度模型在大量人脸上进行学习，并将图像转为固定维度的特征码。不少科研成果已经表明，该特征码会泄露原图片的信息，甚至能够通过特征码反推回原图，这就造成了数据存在泄密的可能。
4.因此，亟需一种既能够保障用户隐私安全，又能保留原有特征区分度的图像脱敏技术。


技术实现要素：

5.为了解决上述技术问题，本技术实施例提供了一种图像脱敏及识别方法、装置、计算机设备及可读存储介质，具体方案如下：
6.第一方面，本技术实施例提供了一种图像脱敏方法，所述方法包括：
7.构建人脸特征提取模型；
8.基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集；
9.根据预设特征区分规则从所述初始人脸特征向量集中筛选目标人脸特征向量集；
10.根据所述目标人脸特征向量集对待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量。
11.根据本技术实施例的一种具体实施方式，所述根据预设特征区分规则以及所述初始人脸特征向量集筛选目标人脸特征向量集的步骤，包括：
12.计算第一人脸特征向量与第二人脸特征向量之间的向量距离，所述第一人脸特征向量和所述第二人脸特征向量是所述初始人脸特征向量集中的任意两个不同的人脸特征向量；
13.选择大于预设距离阈值的多个距离对应的第一人脸特征向量和第二人脸特征向量组成目标人脸特征向量集，其中，所述目标人脸特征向量集中的各人脸特征向量之间的向量距离均大于预设距离阈值。
14.根据本技术实施例的一种具体实施方式，所述基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集的步骤，包括：
15.从公开的人脸图像数据库中随机选取预设数量的人脸图像；
16.基于人脸特征提取模型从预设数量的人脸图像中提取预设数量的人脸特征向量，
以得到初始人脸特征向量集。
17.根据本技术实施例的一种具体实施方式，所述基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集的步骤之前，所述方法还包括：
18.获取待脱敏人脸图像；
19.基于人脸特征提取模型提取所述待脱敏人脸图像的人脸特征向量，以得到待脱敏人脸特征向量。
20.根据本技术实施例的一种具体实施方式，所述根据所述目标人脸特征向量以及待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量的步骤，包括：
21.分别计算所述待脱敏人脸特征向量与所述目标人脸特征向量集中各人脸特征向量之间的距离，以得到对应所述目标人脸特征向量集中人脸特征向量数量的距离集合；
22.根据所述距离集合生成脱敏特征向量。
23.第二方面，本技术实施例提供了一种图像识别方法，所述方法包括：
24.获取待识别图像；
25.获取所述待识别图像的脱敏特征向量，其中，所述待识别图像的脱敏特征向量根据第一方面所述的图像脱敏方法处理所述待识别图像得到；
26.计算所述脱敏特征向量与参考识别特征向量的向量相似度；
27.比较所述向量相似度是否大于或等于预设的相似度阈值；
28.若所述向量相似度大于或等于预设的相似度阈值，输出所述待识别图像识别通过的结果；
29.若所述向量相似度小于预设的相似度阈值，输出所述待识别图像识别不通过的结果。
30.第三方面，本技术实施例提供了一种图像脱敏装置，所述装置包括：
31.模型构建模块，用于构建人脸特征提取模型；
32.特征提取模块，用于基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集；
33.特征计算模块，用于根据预设特征区分规则以及所述初始人脸特征向量集筛选目标人脸特征向量集；
34.特征脱敏模块，用于根据所述目标人脸特征向量集对待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量。
35.第四方面，本技术实施例提供了一种图像识别装置，所述装置包括：
36.图像获取模块，用于获取待识别图像；
37.图像脱敏模块，用于获取所述待识别图像的脱敏特征向量，其中，所述待识别图像的脱敏特征向量根据第一方面所述的图像脱敏方法处理所述待识别图像得到；
38.相似度计算模块，用于计算所述脱敏特征向量与目标识别特征向量的向量相似度；
39.相似度比较模块，用于比较所述向量相似度是否大于或等于预设的相似度阈值；
40.第一执行模块，用于若所述向量相似度大于或等于预设的相似度阈值，输出所述待识别图像识别通过的结果；
41.第二执行模块，用于若所述向量相似度小于预设的相似度阈值，输出所述待识别图像识别不通过的结果。
42.第五方面，本技术实施例提供了一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行第一方面所述的图像脱敏方法以及第二方面所述的图像识别方法。
43.第六方面，本技术实施例提供了一种计算机刻度存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面所述的图像脱敏方法以及第二方面所述的图像识别方法。
44.本技术实施例提供了一种图像脱敏及识别方法、装置、计算机设备及可读存储介质，所述方法包括：构建人脸特征提取模型；基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集；根据预设特征区分规则从所述初始人脸特征向量集中筛选目标人脸特征向量集；根据所述目标人脸特征向量集对待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量。本技术提供的图像脱敏方法能够通过采集大量的人脸特征向量，并通过大量的人脸特征向量对需要脱敏的人脸图像进行特征脱敏，以得到多维度的脱敏特征向量，在保留识别特性的情况下，有效保护了用户的个人隐私。
附图说明
45.为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
46.图1示出了本技术实施例提供的图像脱敏方法的方法流程示意图；
47.图2示出了本技术实施例提供的图像脱敏方法的应用流程示意图；
48.图3示出了本技术实施例提供的图像识别方法的方法流程示意图；
49.图4示出了本技术实施例提供的图像脱敏装置的装置模块示意图；
50.图5示出了本技术实施例提供的图像识别装置的装置模块示意图。
具体实施方式
51.下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
52.通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
54.此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
55.除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
56.在部分敏感人脸特征的应用中，需要对特征进行脱敏化处理，为了解决人脸特征脱敏的问题，常见的脱敏处理方法包括将特征平滑化处理；将特征提取的维度降低，降低提取特征量；对特征进行加密，只在特征比较时解密。
57.但上述方法在使用过程中均存在一定问题，将特征平滑化处理的方法，这种方法的计算量太大；将特征提取的维度降低，降低提取特征量的方法，存在特征泄密的风险；对特征进行加密，只在特征比较时进行解密的方法，这种方法无法克服内存泄密的可能性。
58.在很多场景下，往往不需要用户的识别达到99％以上的准确率，而只需要部分满足即可，举例来说，识别男性和女性的性别特征，或是年龄的特征，依然使用高纬度的特征脱敏方法，属于大材小用。
59.本技术从低纬度，非100％保留原特征特性出发，基于公开人脸数据源，提出一种图像脱敏方法。
60.参考图1，为本技术实施例提供的一种图像脱敏方法的方法流程示意图，本技术实施例提供的图像脱敏方法，所述图像脱敏方法包括：
61.步骤s101，构建人脸特征提取模型；
62.在具体实施例中，所述人脸特征提取模型用于检测待脱敏图像中的人脸区域图像，并提取人脸区域图像所对应的特征向量。需说明的，所述人脸特征提取模型的具体构建方法可以采用已有技术实现，在此不作赘述。
63.所述人脸特征可以为例如性别、年龄、脸型等。
64.在构建好所述人脸特征提取模型后，将所述人脸特征提取模型提前设置在具备图像获取和图像分析功能的终端设备中，当所述终端设备进行人脸特征识别动作时，即能够自动调用所述人脸特征提取模型，用于提取图像中的人脸特征。
65.根据本技术实施例的一种具体实施方式，所述基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集的步骤之前，所述方法还包括：
66.获取待脱敏人脸图像；
67.基于人脸特征提取模型提取所述待脱敏人脸图像的人脸特征向量，以得到待脱敏人脸特征向量。
68.在具体实施例中，所述图像脱敏方法应用于具有图像获取功能的终端设备中，当用户需要进行人脸特征识别等功能时，所述终端设备则通过图像获取装置拍摄人脸图像，并将所述人脸图像作为待脱敏人脸图像。
69.所述终端设备在获取所述待脱敏人脸图像后，即通过所述人脸特征提取模型提取所述待脱敏人脸图像的人脸特征向量，方便后续进行图像脱敏步骤。
70.步骤s102，基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集；
71.在具体实施例中，所述预设的人脸图像数据库可以为任意公开的图像数据库，例如公开可用的casia-facev5人脸集合。
72.终端设备从公开的图像数据库中随机提取预设数量的人脸图像，并通过提前构建的人脸特征提取模型，提取预设数量的人脸图像对应的人脸特征向量，从而的具有预设数量个人脸特征向量的初始人脸特征向量集。
73.所述人脸特征向量可以为256维向量或512维向量，具体维度数可以根据使用的人脸特征提取模型进行适应性变化，此处不作限定。
74.从公开的图像数据库中随机提取预设数量的人脸图像的步骤中，所述终端设备可以根据随机算法进行人脸图像的提取。通过所述随机算法的设置，能够保证对不同待脱敏图像进行特征脱敏时，所使用的初始人脸特征向量集是不同的。且对于待脱敏图像进行特征脱敏后，用户无法溯源所述初始人脸特征向量集。
75.步骤s103，根据预设特征区分规则从所述初始人脸特征向量集中筛选目标人脸特征向量集；
76.在具体实施例中，在获取所述初始人脸特征向量集后，还需要对所述初始人脸特征向量集进行预设的筛选步骤，以获得能够区分特征的目标人脸特征向量集。
77.所述预设特征区分规则为根据特征类型将所述初始人脸特征向量集中的人脸特征向量进行划分，并筛选出其中具有不同类型的人脸特征向量，以组成目标人脸特征向量集。
78.根据本技术实施例的一种具体实施方式，所述根据预设特征区分规则以及所述初始人脸特征向量集筛选目标人脸特征向量集的步骤，包括：
79.计算第一人脸特征向量与第二人脸特征向量之间的向量距离，所述第一人脸特征向量和所述第二人脸特征向量是所述初始人脸特征向量集中的任意两个不同的人脸特征向量；
80.选择大于预设距离阈值的多个距离对应的第一人脸特征向量和第二人脸特征向量组成目标人脸特征向量集，其中，所述目标人脸特征向量集中的各人脸特征向量之间的向量距离均大于预设距离阈值。
81.在具体实施例中，在获取所述初始人脸特征向量集后，则执行计算向量距离的步骤，所述计算向量距离的步骤包括计算所述初始人脸特征向量集中任意两两人脸特征向量之间的距离。
82.其中，所述距离的计算公式可以为欧氏距离、余弦距离或曼哈顿距离等向量距离的计算公式。
83.所述预设距离阈值根据所述距离计算公式的选择进行适应性设置，此处不作具体限定。需知的，所述预设距离阈值的选择可以使目标人脸特征向量集中的人脸特征向量具有更高的区分度。
84.在计算出所述初始人脸特征向量集中任意两两人脸特征向量之间的距离后，将计算出的距离按照降幂次序排列，并从最大距离开始进行目标人脸特征向量的选择。
85.选择两两人脸特征向量之间的距离均大于预设距离阈值的m个目标人脸特征向
量，以组成目标人脸特征向量集，其中m为任意正整数。
86.所述目标人脸特征向量的数量可以根据预设距离阈值的设置进行适应性变化。由于所述初始人脸特征向量集中的人脸特征向量是基于随机算法进行选取的，对于不同的待脱敏人脸图像来说，目标人脸特征向量的数量也是不固定的。
87.需知的，若根据预设距离阈值对初始人脸特征向量集中的人脸特征向量进行筛选时，筛选出的目标人脸特征向量的数量大于预设数量或小于预设数量，所述终端设备可以重新进行初始人脸特征向量集的获取，并设置新的距离阈值，以进行迭代筛选，使目标人脸特征向量的数量能够保留足够的特征区分度。
88.步骤s104，根据所述目标人脸特征向量集对待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量。
89.在具体实施例中，如图2所示，根据所述目标人脸特征向量集对所述待脱敏人脸特征向量进行脱敏动作，从而得到具有m个距离的脱敏特征向量。
90.根据本技术实施例的一种具体实施方式，所述根据所述目标人脸特征向量以及待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量的步骤，包括：
91.分别计算所述待脱敏人脸特征向量与所述目标人脸特征向量集中各人脸特征向量之间的距离，以得到对应所述目标人脸特征向量集中人脸特征向量数量的距离集合；
92.根据所述距离集合生成脱敏特征向量。
93.在具体实施例中，在得到待脱敏人脸特征向量和目标人脸特征向量集后，计算待脱敏人脸特征向量和各目标人脸特征向量之间的距离，从而能够获得m数量个距离，将所述m数量个距离进行组合，即能够得到具有m维度的脱敏特征向量。
94.在得到所述脱敏特征向量后，可以使用所述脱敏特征向量进行人脸特征聚类、人脸特征识别等技术动作。
95.本技术实施例提供的图像脱敏方法，能够对任意人脸图像进行特征脱敏，且用户无法根据脱敏后的特征向量进行回溯，从而有效保护了用户图像的隐私。另外，本技术实施例中脱敏后的特征向量仍然可以用于人脸图像特征聚类和人脸图像特征识别，在保证脱敏的便利性和隐私性的同时，仍然保留了一定原有特征的区分度。
96.参考图3，为本技术实施例提供的一种图像识别方法的方法流程示意图，本技术实施例提供的图像识别方法，所述图像识别方法包括：
97.步骤s201，获取待识别图像；
98.在具体实施例中，可以采用具有图像采集装置的终端设备执行所述图像识别方法，所述终端设备通过所述图像采集装置获取待识别的人脸图像。
99.步骤s202，获取所述待识别图像的脱敏特征向量，其中，所述待识别图像的脱敏特征向量根据上述实施例中的图像脱敏方法处理所述待识别图像得到；
100.通过上述图像脱敏方法实施例中的具体实施方式对所述待识别图像进行特征脱敏，以获得脱敏特征向量。所述脱敏过程可以参考上述图像脱敏方法实施例中的具体实施过程，此处不再赘述。
101.步骤s203，计算所述脱敏特征向量与参考识别特征向量的向量相似度；
102.在具体实施例中，所述参考识别特征向量为提前设置在所述终端设备数据库中的人脸特征向量，所述参考识别特征向量的设置可以根据实际应用过程中对于人脸特征识别
的需求进行适应性设置，此处不作唯一限定。
103.在获得所述待识别图像的脱敏特征向量后，可以通过点乘的方式计算所述脱敏特征向量和参考识别特征向量之间的向量相似度。
104.需知的，所述向量相似度的计算也可以采用其它现有的相似度计算方法，具体的相似度计算方法可以根据上述图像脱敏方法实施例中的距离计算公式进行适应性替换，此处不作限定。
105.步骤s204，比较所述向量相似度是否大于或等于预设的相似度阈值；
106.步骤s205，若所述向量相似度大于或等于预设的相似度阈值，输出所述待识别图像识别通过的结果；
107.步骤s206，若所述向量相似度小于预设的相似度阈值，输出所述待识别图像识别不通过的结果。
108.在具体实施例中，计算出所述待识别图像的脱敏特征向量和参考识别特征向量之间的向量相似度后，将所述向量相似度与预设的相似度阈值进行比较，大于或等于所述相似度阈值待识别图像，即能够输出识别通过的结果。移动设备可以使用识别通过的结果或所述待识别图像的脱敏特征向量继续执行其它动作。
109.通过本技术实施例提供的图像识别方法，能够在大多数场景下完成对于人脸特征的识别，方便使用的同时，能够最大程度的保障待识别图像的隐私性，防止非法用户根据识别结果回溯找到用户的人脸图像。
110.参考图4，为本技术实施例提供的一种图像脱敏装置400的装置模块示意图，本技术实施例提供的图像脱敏装置400，所述图像脱敏装置400包括：
111.模型构建模块401，用于构建人脸特征提取模型；
112.特征提取模块402，用于基于所述人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量，以得到初始人脸特征向量集；
113.特征计算模块403，用于根据预设特征区分规则以及所述初始人脸特征向量集筛选目标人脸特征向量集；
114.特征脱敏模块404，用于根据所述目标人脸特征向量集对待脱敏人脸特征向量进行特征脱敏，以得到脱敏特征向量。
115.参考图5，为本技术实施例提供的一种图像识别装置500的装置模块示意图，本技术提供的图像识别装置500，所述图像识别装置500包括：
116.图像获取模块501，用于获取待识别图像；
117.图像脱敏模块502，用于获取所述待识别图像的脱敏特征向量，其中，所述待识别图像的脱敏特征向量根据上述实施例中的图像脱敏方法处理所述待识别图像得到；
118.相似度计算模块503，用于计算所述脱敏特征向量与目标识别特征向量的向量相似度；
119.相似度比较模块504，用于比较所述向量相似度是否大于或等于预设的相似度阈值；
120.第一执行模块505，用于若所述向量相似度大于或等于预设的相似度阈值，输出所述待识别图像识别通过的结果；
121.第二执行模块506，用于若所述向量相似度小于预设的相似度阈值，输出所述待识
别图像识别不通过的结果。
122.另外，本技术实施例提供了一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行上述实施例中的图像脱敏方法以及图像识别方法。
123.本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行上述实施例中的图像脱敏方法以及图像识别方法。
124.综上所述，本技术实施例提供了一种图像脱敏及识别方法、装置、计算机设备及可读存储介质，本技术实施例通过随机采集公开图像数据库中预设数量的图片方式，保证了进行图像脱敏过程中脱敏计算步骤的随机性，从而有效防止了用户通过脱敏特征向量进行回溯，保护了用户的个人隐私。另外，本技术实施例中的图像脱敏方法可以用于为任意人脸图像进行特征脱敏，本技术不依赖于特定的特征提取模型，可以选择效率更高的模型进行特征脱敏。本技术实施例提供的图像识别方法能够实现快速识别，且脱敏特征向量具备有一定的区分度，从而能够适用更多功能。另外，本技术实施例提供的图像脱敏装置、图像识别装置、计算机设备及计算机可读存储介质的具体实施方式可以参考上述图像脱敏方法实施例和图像识别方法实施例的具体实施方式，此处不再一一赘述。
125.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
126.另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
127.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
128.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。