[发明专利]一种基于向量同态加密的HOG图像特征提取算法

说明书

本发明公开一种基于向量同态加密的HOG图像特征提取算法，涉及图像处理技术领域，由于VHE同态加密方案在密文域内仅支持整数间的运算并且不支持除法，针对VHE所能支持的运算，对已有的HOG图像特征提取算法进行合理的裁剪和改进，简化一些特征提取步骤，并将提取过程中的一些复杂运算进行等效的转换，保证裁剪后的算法在保证一定的算法效率的前提下，提取的特征向量与原始HOG特征提取算法提取的特征向量是等效的，都可以准确地表达图像特征。本方案采取的基于向量的同态加密方案VHE，能够直接对一个整数向量进行加密，并支持基于密文向量的一些操作运算，与之前的基于单个比特或者单个整数加密的同态加密方案相比，大大提高密文域内的运算效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于向量同态加密的HOG图像特征提取算法。

背景技术

方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域(称为cells)，每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出(所检测目标的目标)描述子。为改善准确率，局部直方图可以通过计算图像中一个较大区域(称为block)的光强作为measure被对比标准化，然后用这个值(measure)归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。

与其他描述子相比，HOG得到的描述子保持了几何和光学转化不变性(除非物体方向改变)。与其他的特征描述方法相比，HOG有很多优点。首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。HOG特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。

在多媒体图像领域，对图像进行特征提取是一个很重要的步骤，但是对于资源受限的图像数据拥有者来说，对海量图像数据进行特征提取是一件很繁重的工作，因此，图像拥有者倾向于将特征提取计算外包给云端。然而，云端并不是完全可信的，存在诸多有意或者无意的用户隐私信息的泄露，另一方面，由于商业广告等目的，服务提供商会运用数据挖掘等算法对用户的图像数据进行分析，发现他们的行为偏好、社交关系等，用户隐私会在不同程度上被泄露出去。近期研究表明，可以根据图像的特征面熟符近似地重建一幅图像，并且重建图像与原图像具有很高的匹配性，因此在将图像特征提取过程外包给云端时要充分保护图像数据的隐私性。

但是，现有的HOG图像特征提取算法的步骤为：

(1)将一幅图像(要检测的目标或者扫描窗口)灰度化，得到灰度图像。

(2)采用Gamma校正法对灰度图像进行颜色空间的标准化(归一化)。

(3)计算灰度图像的每个像素的梯度(包括大小和方向)，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。图像中像素点I(x,y)的梯度为：G_x(x,y)＝I(x+1,y)-I(x-1,y),G_y(x,y)＝I(x,y+1)-I(x,y-1)，其中G_x(x,y)，G_y(x,y)分别表示输入图像中像素点I(x,y)的水平方向梯度和垂直方向梯度。那么像素点I(x,y)的梯度幅值和梯度方向分别为：