一种面部属性的处理方法、装置及设备与流程

1.本文件涉及计算机技术领域，尤其涉及一种面部属性的处理方法、装置及设备。


背景技术：

2.近年来，面部识别技术得到了广泛应用，诸如超市、火车站，以及小区、公司门禁等都部署了面部识别设备。面部识别系统，在用户授权的情况下，不仅仅会对用户的身份进行识别，也会同时识别用户面部的属性。面部属性信息，虽然不能直接表示用户的身份，但是其中许多面部属性信息可以帮助攻击者缩小用户身份的搜索范围，甚至直接定位到某用户，从而威胁用户的信息和财产安全。
3.目前，面部识别系统会在被调用后直接输出用户的面部属性信息，这样会使得用户的隐私受到潜在的泄漏风险，同时，也会削弱对面部图像或者面部特征进行隐私保护的强度，为此，需要提供一种能够更好的对面部属性进行隐私保护，同时满足人脸识别系统对面部属性的明文查询要求的技术方案。


技术实现要素：

4.本说明书实施例的目的是提供一种能够更好的对面部属性进行隐私保护，同时满足人脸识别系统对面部属性的明文查询要求的技术方案。
5.为了实现上述技术方案，本说明书实施例是这样实现的：
6.本说明书实施例提供的一种面部属性的处理方法，所述方法包括：获取待识别的目标面部图像。对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
7.本说明书实施例提供的一种面部属性的处理方法，应用于区块链系统，所述方法包括：获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到所述区块链系统中。基于所述第一智能合约获取待识别的目标面部图像。基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
8.本说明书实施例提供的一种面部属性的处理装置，所述装置包括：面部图像获取模块，获取待识别的目标面部图像。面部属性识别模块，对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。隐私保护模块，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。面部属性输出模块，基于生成的所述隐私保护属性信息，输出经
过隐私保护处理的所述面部属性信息。
9.本说明书实施例提供的一种面部属性的处理装置，所述装置为区块链系统中的装置，所述装置包括：合约部署模块，获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到所述区块链系统中。面部图像获取模块，基于所述第一智能合约获取待识别的目标面部图像。面部属性识别模块，基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。隐私保护模块，基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。面部属性输出模块，基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
10.本说明书实施例提供的一种面部属性的处理设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取待识别的目标面部图像。对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
11.本说明书实施例提供的一种面部属性的处理设备，所述设备为区块链系统中的设备，所述面部属性的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到所述区块链系统中。基于所述第一智能合约获取待识别的目标面部图像。基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
12.本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取待识别的目标面部图像。对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
13.本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到区块链系统中。基于所述第一智能合约获取待识别的目标面部图像。基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息。基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息。
基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
附图说明
14.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
15.图1为本说明书一种面部属性的处理方法实施例；
16.图2为本说明书另一种面部属性的处理方法实施例；
17.图3a为本说明书又一种面部属性的处理方法实施例；
18.图3b为本说明书另一种面部属性的处理过程示意图；
19.图4为本说明书一种面部属性的处理装置实施例；
20.图5为本说明书另一种面部属性的处理装置实施例；
21.图6为本说明书一种面部属性的处理设备实施例。
具体实施方式
22.本说明书实施例提供一种面部属性的处理方法、装置及设备。
23.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
24.实施例一
25.如图1所示，本说明书实施例提供一种面部属性的处理方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等移动终端设备，也可以是个人计算机等设备，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法可以应用于对面部图像中的面部属性信息进行处理等的相关场景中，本实施例中以服务器为执行主体进行详细说明，对于终端设备的情况，可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：
26.在步骤s102中，获取待识别的目标面部图像。
27.其中，目标面部图像可以是任意的面部图像，目标面部图像可以是终端设备在经过用户同意后采集的面部图像，可以用于进行面部识别或生物特征验证等，目标面部图像中可以包括颜色特征、结构特征、深度特征等，目标面部图像可以是静态图像，也可以是动态图像，还可以是静态图像和动态图像，目标面部图像可以包括一个，也可以包括多个，具体可以根据实际情况设定，本说明书实施例对此不做限定。
28.在实施中，近年来，面部识别技术得到了广泛应用，诸如超市、火车站，以及小区、公司门禁等都部署了面部识别设备。面部识别系统，在用户授权的情况下，不仅仅会对用户
的身份进行识别，也会同时识别用户面部的属性。面部属性信息，虽然不能直接表示用户的身份，但是其中许多面部属性信息可以帮助攻击者缩小用户身份的搜索范围，甚至直接定位到某用户，从而威胁用户的信息和财产安全。
29.目前，面部识别系统会在被调用后直接输出用户的面部属性信息，而不会做任何的隐私保护处理，这样会使得用户的隐私受到潜在的泄漏风险，同时，也会削弱对面部图像或者面部特征进行隐私保护的强度，为此，需要提供一种能够更好的对面部属性进行隐私保护，同时满足人脸识别系统对面部属性的明文查询要求的技术方案。本说明书实施例提供一种可实现的技术方案，即通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变。
30.用户在处理某项业务时，如果该业务涉及对用户的身份进行验证或识别等处理，则可以提示用户需要对用户的身份进行验证或识别，如果用户同意对用户的身份进行验证或识别，则终端设备可以启动图像采集组件，可以通过图像采集组件采集当前用户的面部信息，进而生成面部图像，可以将终端设备采集的面部图像作为待识别的目标面部图像。或者，在某项业务中需要对当前用户的面部属性进行识别，则终端设备也可以启动图像采集组件，可以通过图像采集组件采集当前用户的面部信息，进而生成面部图像，从而得到待识别的目标面部图像等。在实际应用中，除了可以通过上述触发方式获取待识别的目标面部图像外，还可以通过多种不同的触发方式实现对目标面部图像的获取。
31.在步骤s104中，对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息。
32.其中，面部属性信息可以包括多种，例如，胡须、头发颜色、眉毛形态和表情等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
33.在实施中，通过上述方式获取到目标面部图像后，可以对目标面部图像进行分析，通过分析，可以确定目标面部图像中的各种面部属性的相关信息，例如，可以对目标面部图像中包含的用户的面部部位进行检测，确定用户的各个面部部位所在的位置，然后，可以分析各个不同位置的面部部位的形态、状态、样式、颜色等相关信息，进而可以确定用户是否有胡须、头发为何种颜色、眉毛形态(如浓眉、柳叶眉等)等信息，从而可以得到目标面部图像对应的面部属性信息。
34.需要说明的是，对目标面部图像进行属性识别的方式可以多种多样，例如可以通过预先设定的图像分析算法对目标面部图像进行属性识别，也可以由技术人员预先设定的图像分析规则(可以是基于专家经验而设定的规则等)对目标面部图像进行属性识别，还可以是通过预先通过样本数据训练的模型对目标面部图像进行属性识别，具体可以根据实际情况设定，本说明书实施例对此不做限定。
35.在步骤s106中，通过一种或多种不同的隐私保护处理规则，分别对上述面部属性信息进行隐私保护处理，生成与该面部属性信息对应的隐私保护属性信息。
36.其中，隐私保护处理规则可以是对某隐私数据进行保护处理的规则，从而使得该隐私数据不会泄露给其他人，隐私保护处理规则可以包括多种，例如可以使用加密算法或签名算法等对某数据进行加密或签名处理，或者，也可以使用预先设定的数据扰动规则对某数据进行扰动处理，具体如，可以向某数据中加入噪声数据或指定的干扰数据等，具体可
以根据实际情况设定，本说明书实施例对此不做限定。
37.在实施中，为了对目标面部图像中的面部属性信息进行保护，可以预先设定一种或多种不同的隐私保护处理规则。当通过上述方式获取到目标面部图像中的面部属性信息后，可以分别通过上述隐私保护处理规则对该面部属性信息进行隐私保护处理，例如，预先设定的隐私保护规则包括对面部属性信息进行加密处理和对面部属性信息进行扰动处理，则可以使用预先设定的加密算法对该面部属性信息进行加密处理，得到加密后的面部属性信息，同时，还可以使用预先设定的进行扰动处理的算法向该面部属性信息中加入指定的噪声数据，以对面部属性信息进行扰动处理，得到扰动后的面部属性信息，通过上述处理，可以分别得到与该面部属性信息对应的隐私保护属性信息，如上述的加密后的面部属性信息和扰动后的面部属性信息。
38.在步骤s108中，基于生成的隐私保护属性信息，输出经过隐私保护处理的面部属性信息。
39.在实施中，通过上述方式可以得到生成的隐私保护属性信息，可以通过预先设定的结果输出规则输出经过隐私保护处理的面部属性信息，例如，如果上述隐私保护处理规则包括一种，则可以将生成的隐私保护属性信息作为最终确定的经过隐私保护处理的面部属性信息，此时，可以输出经过隐私保护处理的面部属性信息。如果上述隐私保护处理规则包括多种，则可以根据预先设定的选取规则从生成的多个隐私保护属性信息中选择一个隐私保护属性信息作为经过隐私保护处理的面部属性信息，此时，可以输出经过隐私保护处理的面部属性信息，其中的选取规则可以包括多种，例如，选取规则可以是随机选取的规则，或者，选取规则也可以是从两者中选择两者对应的某数值或特征值等较大的一个等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
40.本说明书实施例提供一种面部属性的处理方法，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
41.实施例二
42.如图2所示，本说明书实施例提供一种面部属性的处理方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等移动终端设备，也可以是个人计算机等设备，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法可以应用于对面部图像中的面部属性信息进行处理等的相关场景中，本实施例中以服务器为执行主体进行详细说明，对于终端设备的情况，可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：
43.在步骤s202中，获取包括预设种类数量的面部属性的训练样本集。
44.其中，训练样本集中可以包括多个不同的训练样本数据，该训练样本数据可以是包括某用户的面部图像的数据，每个训练样本数据中可以包括预设种类数量的面部属性，例如20种面部属性或30种面部属性等。在实际应用中，上述训练样本集可以选用celeba(即celebfaces attribute，名人面部属性)数据样本集，上述的预设种类数量可以为40。
45.在实施中，可以选用名人面部属性构成的celeba数据样本集中的训练样本数据作为模型的训练数据，celeba数据样本集中包含10177个名人身份的202599张面部图像，每张图像设置有特征标记，其中包含人脸bbox标注框、5个面部特征点坐标以及40个属性标记等。
46.在步骤s204中，基于预设种类数量的面部属性的训练样本集，对面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，该面部属性识别模型是通过预设的残差网络模型构建。
47.其中，面部属性识别模型可以是能够对面部图像中包含的面部属性进行识别的模型。
48.在实施中，可以通过多种不同的方式构建面部属性识别模型的模型架构，例如可以通过神经网络算法构建面部属性识别模型的模型架构，或者，可以通过残差网络模型的模型架构构建面部属性识别模型的模型架构等，具体可以根据实际情况设定。本实施例中，以通过残差网络模型的模型架构构建面部属性识别模型的模型架构为例，其中，残差网络模型可以包括多种，例如resnet18或resnet50等，其中的数字“18”和“50”分别表示模型中包含的网络层的数量，如resnet18中可以包括17个卷积层和1个全连接层等。这样，通过残差网络模型构构建面部属性识别模型后，由于上述构建的仅是面部属性识别模型的模型架构，其中还包括需要确定的模型参数等数据，为此，可以使用上述获取的预设种类数量的面部属性的训练样本集(如上述包括40种面部属性的celeba数据样本集)对面部属性识别模型进行训练，也即是可以利用残差网络模型在celeba数据样本集上进行40种面部属性的面部属性分类训练，最终可以得到训练后的面部属性识别模型。
49.在步骤s206中，获取面部属性样本数据，并将该面部属性样本数据输入到预先训练的面部识别模型中，得到该面部属性样本数据对应的面部识别特征。
50.其中，面部属性样本数据可以是包含某一种或多种不同的面部属性的图像数据，面部属性样本数据可以包括多个。面部识别模型可以是用于对用户的面部图像进行识别，以确定该用户的身份的模型，面部识别模型可以通过多种不同的方式构建，例如，面部识别模型可以通过神经网络算法构建，也可以通过多层感知器mlp(multi-layerperceptron)(一种前向结构的人工神经网络)构建面部识别模型等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
51.在实施中，为了对面部图像中的面部属性信息进行多种不同的隐私保护，还可以构建和训练面部识别模型，本实施例中以通过多层感知器mlp构建面部识别模型的模型架构。然后，可以获取多个面部图像，并可以将该面部图像作为训练样本对面部识别模型进行训练，最终可以得到训练后的面部识别模型。此外，还可以通过多种不同的方式获取面部属性样本数据，例如可以将上述celeba数据样本集中的数据作为面部属性样本数据，或者，也可以向用户购买等方式获取用户的面部图像作为面部属性样本数据等，具体可以根据实际情况设定。可以将获取的面部属性样本数据分别输入到预先训练的面部识别模型中，确定
每个面部属性样本数据对应的面部识别特征。
52.在步骤s208中，将上述面部属性样本数据输入到基于面部属性对抗的隐私保护处理模型中，并以最大化该面部属性样本数据对应的面部识别特征与该隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为该隐私保护处理模型的损失函数，对该隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
53.其中，基于面部属性对抗的隐私保护处理模型可以包括多种，本实施例中的基于面部属性对抗的隐私保护处理模型可以用于对面部图像中包含的敏感度较高的面部属性信息进行调整，以达到隐私保护的目的。
54.在实施中，对于输入到基于面部属性对抗的隐私保护处理模型中的面部属性样本数据的某面部属性，可以利用损失函数l＝max(d(o,o’))，即最大化该面部属性样本数据对应的面部识别特征与该隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度(可以使用两个面部识别特征(分别由上述公式中的o和o’表征)之间的距离d来表征)，即通过修改输入的面部属性信息，使得该用户的身份特性被削弱，从而起到隐私保护的作用。通过上述方式得到的新的面部属性信息相比输入的面部属性信息，被改动的面部属性信息记为高敏感度属性信息(如用户的身份信息等)。
55.通过上述方式可以得到面部属性识别模型和用于对面部图像中包含的敏感度较高的面部属性信息进行调整以达到隐私保护的目的的隐私保护处理模型，后续可以基于上述面部属性识别模型和基于面部属性对抗的隐私保护处理模型对实际应用中的面部图像的面部属性信息进行隐私保护处理，具体可以参见下述步骤s210～步骤s220的处理。
56.在步骤s210中，获取待识别的目标面部图像。
57.在实施中，可以通过多种不同的方式获取用户的面部图像，具体方式可以参见上述相关内容。然后，可以对获取的用户的面部图像进行分析，确定面部图像中用户的面部所在的区域，并可以将该区域从上述面部图像中分离出来，分离出的图像可以作为待识别的目标面部图像。
58.在步骤s212中，将目标面部图像输入到预先训练的面部属性识别模型中，通过面部属性识别模型对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
59.在步骤s214中，基于上述面部属性信息对应的属性类别，使用与该属性类别对应的差分隐私算法对该属性类别对应的面部属性信息进行差分隐私处理，得到该面部属性信息对应的隐私保护属性信息。
60.其中，差分隐私处理可以是在数据中加入满足某种信息分布的噪音数据，使得该数据随机化的处理方式，差分隐私处理可以包括多种不同的处理机制，例如基于拉普拉斯机制的差分隐私处理、基于指数的差分隐私处理等。属性类别可以是面部属性对应的类别，例如连续型、离散型等，或者，数值型和非数值型等，具体可以跟怒实际情况设定。
61.在实施中，可以根据实际情况，预选设定不同属性类别对应的差分隐私算法，例如，数值型对应于基于拉普拉斯机制的差分隐私处理，非数值型对应于基于指数机制的差分隐私处理，或者，连续型对应于基于拉普拉斯机制的差分隐私处理，离散型对应于基于指数机制的差分隐私处理，然后，可以基于上述对应关系，为上述面部属性信息中的每个属性类别确定相应的差分隐私算法(即基于拉普拉斯机制的差分隐私算法或基于指数机制的差
分隐私算法等)，可以使用与该属性类别对应的差分隐私算法对该属性类别对应的面部属性信息进行差分隐私处理，得到该面部属性信息对应的隐私保护属性信息。
62.上述步骤s214的具体处理方式可以多种多样，以下在提供一种可选的处理方式，具体可以包括以下步骤a2和步骤a4的处理。
63.在步骤a2中，获取上述面部属性信息中属性类别为连续型的第一面部属性信息。
64.在步骤a4中，使用基于拉普拉斯机制的差分隐私算法对第一面部属性信息进行差分隐私处理，得到第一面部属性信息对应的隐私保护属性信息。
65.其中，基于拉普拉斯机制的差分隐私算法中包括位置参数为0，尺度参数为1的拉普拉斯分布。
66.在实施中，对于连续型的第一面部属性信息(如年龄信息等)，可以使用基于拉普拉斯机制的差分隐私算法向第一面部属性信息加入满足拉普拉斯分布的噪音数据，从而得到第一面部属性信息对应的隐私保护属性信息，例如，对于第一面部属性信息a，隐私保护后a’＝a l(0,1)，其中l(0,1)为位置参数为0，尺度参数为1的拉普拉斯分布。
67.上述步骤s214的具体处理方式可以多种多样，以下在提供一种可选的处理方式，具体可以包括以下步骤a6和步骤a8的处理。
68.在步骤a6中，获取上述面部属性信息中属性类别为离散型的第二面部属性信息。
69.在步骤a8中，使用基于指数机制的差分隐私算法对第二面部属性信息进行差分隐私处理，得到第二面部属性信息对应的隐私保护属性信息。
70.在实施中，对于连续型的第二面部属性信息(如是否为长睫毛等)，可以使用基于指数机制的差分隐私算法向第二面部属性信息加入满足指数分布的噪音数据，从而得到第二面部属性信息对应的隐私保护属性信息，例如，对于第二面部属性信息d，隐私保护后d’＝exp(d/2*0.25)。
71.基于上述不同的差分隐私算法，分别对于输入的n个面部属性信息{a1,a2,
…
,an}，根据面部属性信息对应的类型进行拉普拉斯隐私保护或指数隐私保护，得到隐私保护属性信息{a1’,a2’,
…
,an’}。
72.在步骤s216中，通过基于面部属性对抗的隐私保护处理模型对上述面部属性信息进行隐私保护处理，生成与该面部属性信息对应的隐私保护属性信息。
73.在实施中，可以基于上述训练的基于面部属性对抗的隐私保护处理模型对上述面部属性信息进行调整，生成与该面部属性信息对应的隐私保护属性信息，具体地，对于输入的某面部属性信息，利用损失函数l＝max(d(o,o’))，即最大化该面部属性信息对应的面部识别特征与该基于面部属性对抗的隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度(可以使用两个面部识别特征之间的距离来表征)，即通过修改输入的面部属性信息，使得该用户的身份特性被削弱，从而起到隐私保护的作用。通过上述方式得到的新的面部属性信息相比输入的面部属性信息，被改动的面部属性信息记为高敏感度属性信息(如用户的身份信息等)，最终，经过基于面部属性对抗的隐私保护处理模型输出的结果即为与该面部属性信息对应的隐私保护属性信息。
74.通过上述多种不同的隐私保护处理规则得到隐私保护属性信息后，可以通过下述方式确定需要输出的信息，具体可以参见下述步骤s218和步骤s220的处理。
75.在步骤s218中，获取通过每种隐私保护处理规则得到的隐私保护属性信息对应的
权重。
76.在步骤s220中，基于获取的权重，对通过多种隐私保护处理规则得到的隐私保护属性信息进行加权求和，得到经过隐私保护处理的面部属性信息，并输出经过隐私保护处理的所述面部属性信息。
77.本说明书实施例提供一种面部属性的处理方法，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变。
78.此外，通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
79.实施例三
80.如图3a和图3b所示，本说明书实施例提供一种面部属性的处理方法，该方法的执行主体可以为区块链系统，该区块链系统可以由终端设备和/或服务器等组成，其中，该终端设备可以如手机、平板电脑等移动终端设备，也可以是个人计算机等设备，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法可以应用于对面部图像中的面部属性信息进行处理等的相关场景中，该方法具体可以包括以下步骤：
81.在步骤s302中，获取面部属性的隐私保护处理规则信息，采用该面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将第一智能合约部署到区块链系统中。
82.其中，第一智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议，第一智能合约允许在没有第三方的情况下进行可信交互，进行的上述交互过程可追踪且不可逆转，第一智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。
83.在实施中，为了使得面部属性的隐私保护处理过程的可追溯性更好，可以创建或加入指定的区块链系统，这样，可以基于区块链系统对面部属性进行处理，具体地，区块链节点中可以安装有相应的应用程序，该应用程序中可以设置有面部属性的隐私保护处理规则信息的输入框和/或选择框等，可以在上述输入框和/或选择框中设置相应的信息。然后，区块链系统可以接收面部属性的隐私保护处理规则信息。区块链系统可以通过面部属性的隐私保护处理规则信息生成相应的第一智能合约，并可以向该区块链系统中部署该第一智能合约，这样，区块链系统中存储了面部属性的隐私保护处理规则信息和相应的第一智能合约，其他用户无法篡改面部属性的隐私保护处理规则信息和相应的第一智能合约，而且，区块链系统通过第一智能合约对面部属性进行处理。
84.在步骤s304中，基于第一智能合约获取待识别的目标面部图像。
85.在实施中，第一智能合约中可以设置有获取待识别的目标面部图像的相关规则信息，这样，基于第一智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
86.在步骤s306中，基于第一智能合约对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息。
87.在实施中，第一智能合约中可以设置有对目标面部图像进行属性识别的相关规则信息，这样，基于第一智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
88.在步骤s308中，基于第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对该面部属性信息进行隐私保护处理，生成与该面部属性信息对应的隐私保护属性信息。
89.在实施中，第一智能合约中可以设置有通过一种或多种不同的隐私保护处理规则，分别对该面部属性信息进行隐私保护处理的相关规则信息，这样，基于第一智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
90.在步骤s310中，基于第一智能合约和生成的隐私保护属性信息，输出经过隐私保护处理的面部属性信息。
91.在实施中，第一智能合约中可以设置有基于生成的隐私保护属性信息，输出经过隐私保护处理的面部属性信息的相关规则信息，这样，基于第一智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
92.上述步骤s308的处理可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：基于第一智能合约，通过基于面部属性对抗的隐私保护处理模型对该面部属性信息进行隐私保护处理，生成与该面部属性信息对应的隐私保护属性信息，基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
93.在实施中，第一智能合约中可以设置有通过基于面部属性对抗的隐私保护处理模型对该面部属性信息进行隐私保护处理的相关规则信息，这样，基于第一智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
94.上述隐私保护处理模型可以通过下述方式得到：
95.在步骤b2中，基于预先部署于区块链系统的第二智能合约获取面部属性样本数据，并将面部属性样本数据输入到预先训练的面部识别模型中，得到面部属性样本数据对应的面部识别特征。
96.在步骤b4中，基于第二智能合约，将面部属性样本数据输入到基于面部属性对抗的隐私保护处理模型中，并以最大化面部属性样本数据对应的面部识别特征与隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为隐私保护处理模型的损失函数对隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
97.在实施中，第二智能合约中可以设置有获取面部属性样本数据，并将面部属性样本数据输入到预先训练的面部识别模型中，以及将面部属性样本数据输入到基于面部属性对抗的隐私保护处理模型中，并以最大化面部属性样本数据对应的面部识别特征与隐私保
护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为隐私保护处理模型的损失函数对隐私保护处理模型进行训练的相关规则信息，这样，基于第二智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
98.上述步骤s306的处理可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：基于第一智能合约将目标面部图像输入到预先训练的面部属性识别模型中，通过面部属性识别模型对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
99.在实施中，第一智能合约中可以设置有将目标面部图像输入到预先训练的面部属性识别模型中，通过面部属性识别模型对目标面部图像进行属性识别的相关规则信息，这样，基于第一智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
100.上述面部属性识别模型可以通过下述方式得到：
101.在步骤c2中，基于预先部署于区块链系统的第三智能合约获取包括预设种类数量的面部属性的训练样本集。
102.在步骤c4中，基于第三智能合约和预设种类数量的面部属性的训练样本集，对面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，面部属性识别模型是通过预设的残差网络模型构建。
103.在实施中，第三智能合约中可以设置有获取包括预设种类数量的面部属性的训练样本集，以及基于预设种类数量的面部属性的训练样本集，对面部属性识别模型进行模型训练的相关规则信息，这样，基于第三智能合约中的上述规则信息可以实现上述相应的处理，具体可以参见上述相关内容，在此不再赘述。
104.上述步骤s304～步骤s310的具体处理，可以参见上述实施例一～实施例二中的相关内容，即可以通过相应的智能合约，实现如上述实施例一～实施例二中的涉及的各种处理。
105.本说明书实施例提供一种面部属性的处理方法，应用于区块链系统，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变。
106.此外，通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
107.实施例四
108.以上为本说明书实施例提供的面部属性的处理方法，基于同样的思路，本说明书
实施例还提供一种面部属性的处理装置，如图4所示。
109.该面部属性的处理装置包括：面部图像获取模块401、面部属性识别模块402、隐私保护模块403和面部属性输出模块404，其中：
110.面部图像获取模块401，获取待识别的目标面部图像；
111.面部属性识别模块402，对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息；
112.隐私保护模块403，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息；
113.面部属性输出模块404，基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
114.本说明书实施例中，所述隐私保护模块403，基于所述面部属性信息对应的属性类别，使用与所述属性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息。
115.本说明书实施例中，所述隐私保护模块403，包括：
116.第一属性获取单元，获取所述面部属性信息中所述属性类别为连续型的第一面部属性信息；
117.第一隐私保护单元，使用基于拉普拉斯机制的差分隐私算法对所述第一面部属性信息进行差分隐私处理，得到所述第一面部属性信息对应的隐私保护属性信息。
118.本说明书实施例中，所述基于拉普拉斯机制的差分隐私算法中包括位置参数为0，尺度参数为1的拉普拉斯分布。
119.本说明书实施例中，所述隐私保护模块403，包括：
120.第二属性获取单元，获取所述面部属性信息中所述属性类别为离散型的第二面部属性信息；
121.第二隐私保护单元，使用基于指数机制的差分隐私算法对所述第二面部属性信息进行差分隐私处理，得到所述第二面部属性信息对应的隐私保护属性信息。
122.本说明书实施例中，所述隐私保护模块403，通过基于面部属性对抗的隐私保护处理模型对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，所述基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
123.本说明书实施例中，所述装置还包括：
124.第一样本获取模块，获取面部属性样本数据，并将所述面部属性样本数据输入到预先训练的面部识别模型中，得到所述面部属性样本数据对应的面部识别特征；
125.第一模型训练模块，将所述面部属性样本数据输入到所述基于面部属性对抗的隐私保护处理模型中，并以最大化所述面部属性样本数据对应的面部识别特征与所述隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为所述隐私保护处理模型的损失函数对所述隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
126.本说明书实施例中，所述面部属性识别模块402，将所述目标面部图像输入到预先训练的面部属性识别模型中，通过所述面部属性识别模型对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，所述目标属性识别模型是基于包括预设
种类数量的面部属性的训练样本集进行模型训练得到。
127.本说明书实施例中，所述装置还包括：
128.第二样本获取模块，获取包括预设种类数量的面部属性的训练样本集；
129.第二模型训练模块，基于预设种类数量的面部属性的训练样本集，对所述面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，所述面部属性识别模型是通过预设的残差网络模型构建。
130.本说明书实施例中，所述训练样本集为celeba数据样本集，所述预设数量为40。
131.本说明书实施例中，所述隐私保护属性信息是通过多种不同的隐私保护处理规则分别对所述面部属性信息进行隐私保护处理后得到，所述面部属性输出模块404，包括：
132.权重获取单元，获取通过每种所述隐私保护处理规则得到的所述隐私保护属性信息对应的权重；
133.面部属性输出单元，基于获取的权重，对通过多种所述隐私保护处理规则得到的所述隐私保护属性信息进行加权求和，得到经过隐私保护处理的所述面部属性信息，并输出经过隐私保护处理的所述面部属性信息。
134.本说明书实施例提供一种面部属性的处理装置，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变。
135.此外，通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
136.实施例五
137.基于同样的思路，本说明书实施例还提供一种面部属性的处理装置，该装置为区块链系统中的装置，如图5所示。
138.该面部属性的处理装置包括：合约部署模块501、面部图像获取模块502、面部属性识别模块503、隐私保护模块504和面部属性输出模块505，其中：
139.合约部署模块501，获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到所述区块链系统中；
140.面部图像获取模块502，基于所述第一智能合约获取待识别的目标面部图像；
141.面部属性识别模块503，基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息；
142.隐私保护模块504，基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私
保护属性信息；
143.面部属性输出模块505，基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
144.本说明书实施例中，所述隐私保护模块504，基于所述第一智能合约，通过基于面部属性对抗的隐私保护处理模型对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，所述基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
145.本说明书实施例中，所述装置还包括：
146.第一样本获取模块，基于预先部署于所述区块链系统的第二智能合约获取面部属性样本数据，并将所述面部属性样本数据输入到预先训练的面部识别模型中，得到所述面部属性样本数据对应的面部识别特征；
147.第一模型训练模块，基于所述第二智能合约，将所述面部属性样本数据输入到所述基于面部属性对抗的隐私保护处理模型中，并以最大化所述面部属性样本数据对应的面部识别特征与所述隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为所述隐私保护处理模型的损失函数对所述隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
148.本说明书实施例中，所述面部属性识别模块503，基于所述第一智能合约将所述目标面部图像输入到预先训练的面部属性识别模型中，通过所述面部属性识别模型对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，所述目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
149.本说明书实施例中，所述装置还包括：
150.第二样本获取模块，基于预先部署于所述区块链系统的第三智能合约获取包括预设种类数量的面部属性的训练样本集；
151.第二模型训练模块，基于所述第三智能合约和预设种类数量的面部属性的训练样本集，对所述面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，所述面部属性识别模型是通过预设的残差网络模型构建。
152.本说明书实施例提供一种面部属性的处理装置，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变。
153.此外，通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
154.实施例六
155.以上为本说明书实施例提供的面部属性的处理装置，基于同样的思路，本说明书实施例还提供一种面部属性的处理设备，如图6所示。
156.所述面部属性的处理设备可以为上述实施例提供终端设备、服务器或区块链系统中的设备等。
157.面部属性的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对面部属性的处理设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在面部属性的处理设备上执行存储器602中的一系列计算机可执行指令。面部属性的处理设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。
158.具体在本实施例中，面部属性的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对面部属性的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
159.获取待识别的目标面部图像；
160.对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息；
161.通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息；
162.基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
163.本说明书实施例中，所述通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，包括：
164.基于所述面部属性信息对应的属性类别，使用与所述属性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息。
165.本说明书实施例中，所述基于所述面部属性信息对应的属性类别，使用与所述属性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息，包括：
166.获取所述面部属性信息中所述属性类别为连续型的第一面部属性信息；
167.使用基于拉普拉斯机制的差分隐私算法对所述第一面部属性信息进行差分隐私处理，得到所述第一面部属性信息对应的隐私保护属性信息。
168.本说明书实施例中，所述基于拉普拉斯机制的差分隐私算法中包括位置参数为0，尺度参数为1的拉普拉斯分布。
169.本说明书实施例中，所述基于所述面部属性信息对应的属性类别，使用与所述属
性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息，包括：
170.获取所述面部属性信息中所述属性类别为离散型的第二面部属性信息；
171.使用基于指数机制的差分隐私算法对所述第二面部属性信息进行差分隐私处理，得到所述第二面部属性信息对应的隐私保护属性信息。
172.本说明书实施例中，所述通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，包括：
173.通过基于面部属性对抗的隐私保护处理模型对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，所述基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
174.本说明书实施例中，还包括：
175.获取面部属性样本数据，并将所述面部属性样本数据输入到预先训练的面部识别模型中，得到所述面部属性样本数据对应的面部识别特征；
176.将所述面部属性样本数据输入到所述基于面部属性对抗的隐私保护处理模型中，并以最大化所述面部属性样本数据对应的面部识别特征与所述隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为所述隐私保护处理模型的损失函数对所述隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
177.本说明书实施例中，所述对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，包括：
178.将所述目标面部图像输入到预先训练的面部属性识别模型中，通过所述面部属性识别模型对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，所述目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
179.本说明书实施例中，还包括：
180.获取包括预设种类数量的面部属性的训练样本集；
181.基于预设种类数量的面部属性的训练样本集，对所述面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，所述面部属性识别模型是通过预设的残差网络模型构建。
182.本说明书实施例中，所述训练样本集为celeba数据样本集，所述预设数量为40。
183.本说明书实施例中，所述隐私保护属性信息是通过多种不同的隐私保护处理规则分别对所述面部属性信息进行隐私保护处理后得到，
184.所述基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，包括：
185.获取通过每种所述隐私保护处理规则得到的所述隐私保护属性信息对应的权重；
186.基于获取的权重，对通过多种所述隐私保护处理规则得到的所述隐私保护属性信息进行加权求和，得到经过隐私保护处理的所述面部属性信息，并输出经过隐私保护处理的所述面部属性信息。
187.此外，具体在本实施例中，面部属性的处理设备包括有存储器，以及一个或一个以
上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对面部属性的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
188.获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到所述区块链系统中；
189.基于所述第一智能合约获取待识别的目标面部图像；
190.基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息；
191.基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息；
192.基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
193.本说明书实施例中，所述基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，包括：
194.基于所述第一智能合约，通过基于面部属性对抗的隐私保护处理模型对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，所述基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
195.本说明书实施例中，还包括：
196.基于预先部署于所述区块链系统的第二智能合约获取面部属性样本数据，并将所述面部属性样本数据输入到预先训练的面部识别模型中，得到所述面部属性样本数据对应的面部识别特征；
197.基于所述第二智能合约，将所述面部属性样本数据输入到所述基于面部属性对抗的隐私保护处理模型中，并以最大化所述面部属性样本数据对应的面部识别特征与所述隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为所述隐私保护处理模型的损失函数对所述隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
198.本说明书实施例中，所述基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，包括：
199.基于所述第一智能合约将所述目标面部图像输入到预先训练的面部属性识别模型中，通过所述面部属性识别模型对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，所述目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
200.本说明书实施例中，还包括：
201.基于预先部署于所述区块链系统的第三智能合约获取包括预设种类数量的面部属性的训练样本集；
202.基于所述第三智能合约和预设种类数量的面部属性的训练样本集，对所述面部属
性识别模型进行模型训练，得到训练后的面部属性识别模型，所述面部属性识别模型是通过预设的残差网络模型构建。
203.本说明书实施例提供一种面部属性的处理设备，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变。
204.此外，通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
205.实施例七
206.进一步地，基于上述图1到图3b所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
207.获取待识别的目标面部图像；
208.对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息；
209.通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息；
210.基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
211.本说明书实施例中，所述通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，包括：
212.基于所述面部属性信息对应的属性类别，使用与所述属性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息。
213.本说明书实施例中，所述基于所述面部属性信息对应的属性类别，使用与所述属性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息，包括：
214.获取所述面部属性信息中所述属性类别为连续型的第一面部属性信息；
215.使用基于拉普拉斯机制的差分隐私算法对所述第一面部属性信息进行差分隐私处理，得到所述第一面部属性信息对应的隐私保护属性信息。
216.本说明书实施例中，所述基于拉普拉斯机制的差分隐私算法中包括位置参数为0，
尺度参数为1的拉普拉斯分布。
217.本说明书实施例中，所述基于所述面部属性信息对应的属性类别，使用与所述属性类别对应的差分隐私算法对所述属性类别对应的面部属性信息进行差分隐私处理，得到所述面部属性信息对应的隐私保护属性信息，包括：
218.获取所述面部属性信息中所述属性类别为离散型的第二面部属性信息；
219.使用基于指数机制的差分隐私算法对所述第二面部属性信息进行差分隐私处理，得到所述第二面部属性信息对应的隐私保护属性信息。
220.本说明书实施例中，所述通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，包括：
221.通过基于面部属性对抗的隐私保护处理模型对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，所述基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
222.本说明书实施例中，还包括：
223.获取面部属性样本数据，并将所述面部属性样本数据输入到预先训练的面部识别模型中，得到所述面部属性样本数据对应的面部识别特征；
224.将所述面部属性样本数据输入到所述基于面部属性对抗的隐私保护处理模型中，并以最大化所述面部属性样本数据对应的面部识别特征与所述隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为所述隐私保护处理模型的损失函数对所述隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
225.本说明书实施例中，所述对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，包括：
226.将所述目标面部图像输入到预先训练的面部属性识别模型中，通过所述面部属性识别模型对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，所述目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
227.本说明书实施例中，还包括：
228.获取包括预设种类数量的面部属性的训练样本集；
229.基于预设种类数量的面部属性的训练样本集，对所述面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，所述面部属性识别模型是通过预设的残差网络模型构建。
230.本说明书实施例中，所述训练样本集为celeba数据样本集，所述预设数量为40。
231.本说明书实施例中，所述隐私保护属性信息是通过多种不同的隐私保护处理规则分别对所述面部属性信息进行隐私保护处理后得到，
232.所述基于生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，包括：
233.获取通过每种所述隐私保护处理规则得到的所述隐私保护属性信息对应的权重；
234.基于获取的权重，对通过多种所述隐私保护处理规则得到的所述隐私保护属性信息进行加权求和，得到经过隐私保护处理的所述面部属性信息，并输出经过隐私保护处理
的所述面部属性信息。
235.此外，在另一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
236.获取面部属性的隐私保护处理规则信息，采用所述面部属性的隐私保护处理规则信息生成相应的第一智能合约，并将所述第一智能合约部署到所述区块链系统中；
237.基于所述第一智能合约获取待识别的目标面部图像；
238.基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息；
239.基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息；
240.基于所述第一智能合约和生成的所述隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息。
241.本说明书实施例中，所述基于所述第一智能合约，通过一种或多种不同的隐私保护处理规则，分别对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，包括：
242.基于所述第一智能合约，通过基于面部属性对抗的隐私保护处理模型对所述面部属性信息进行隐私保护处理，生成与所述面部属性信息对应的隐私保护属性信息，所述基于面部属性对抗的隐私保护处理模型是通过面部属性样本数据，并基于预设的损失函数进行模型训练得到。
243.本说明书实施例中，还包括：
244.基于预先部署于所述区块链系统的第二智能合约获取面部属性样本数据，并将所述面部属性样本数据输入到预先训练的面部识别模型中，得到所述面部属性样本数据对应的面部识别特征；
245.基于所述第二智能合约，将所述面部属性样本数据输入到所述基于面部属性对抗的隐私保护处理模型中，并以最大化所述面部属性样本数据对应的面部识别特征与所述隐私保护处理模型输出的面部属性信息对应的面部识别特征之间的相似度作为所述隐私保护处理模型的损失函数对所述隐私保护处理模型进行训练，得到训练后的隐私保护处理模型。
246.本说明书实施例中，所述基于所述第一智能合约对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，包括：
247.基于所述第一智能合约将所述目标面部图像输入到预先训练的面部属性识别模型中，通过所述面部属性识别模型对所述目标面部图像进行属性识别，得到所述目标面部图像对应的面部属性信息，所述目标属性识别模型是基于包括预设种类数量的面部属性的训练样本集进行模型训练得到。
248.本说明书实施例中，还包括：
249.基于预先部署于所述区块链系统的第三智能合约获取包括预设种类数量的面部属性的训练样本集；
250.基于所述第三智能合约和预设种类数量的面部属性的训练样本集，对所述面部属性识别模型进行模型训练，得到训练后的面部属性识别模型，所述面部属性识别模型是通
过预设的残差网络模型构建。
251.本说明书实施例提供一种存储介质，通过获取待识别的目标面部图像，可以对目标面部图像进行属性识别，得到目标面部图像对应的面部属性信息，然后，可以通过一种或多种不同的隐私保护处理规则，分别对面部属性信息进行隐私保护处理，生成与面部属性信息对应的隐私保护属性信息，最终，可以基于生成的隐私保护属性信息，输出经过隐私保护处理的所述面部属性信息，这样，通过多种不同的隐私保护处理规则相结合的方式对目标面部图像中的面部属性信息进行隐私保护处理，从而使得目标面部图像中的面部属性信息被变换，进而保护用户的面部属性信息不被泄露，上述处理方式不仅可以提供更加强大的隐私保护强度，而且整个面部识别系统在输出分布(即查询精确度)上几乎保持不变。
252.此外，通过拉普拉斯机制和指数机制的隐私保护规则，结合深度学习的差分隐私机制对面部属性信息进行扰动变换，从而提供了更加强大的隐私保护强度，而且整个系统在输出分布(即查询精确度)上几乎保持不变，并且能够提供更好的隐私被保护效果。
253.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
254.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device，pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
255.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，
asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
256.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
257.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
258.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
259.本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
260.这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
261.这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
262.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
263.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的
示例。
264.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
265.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
266.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
267.本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
268.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
269.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。