[发明专利]一种人脸图像脱敏处理、验证方法及系统

说明书

本发明公开了一种人脸图像脱敏处理、验证方法及系统，包括人脸图像数据库模块、人脸图像预处理模块、人脸图像脱敏模型训练模块、人脸图像脱敏处理模块、人脸图像脱敏效果验证模块。本发明使用深度学习循环对抗生成方法训练得到人脸图像脱敏模型，先对待脱敏人脸图像进行人脸定位和裁切，随后输入到预设的人脸图像脱敏模型中，映射到脱敏域，并输出脱敏结果。本方法的脱敏结果实现了同域匹配和跨域脱敏两种需求，起到人脸隐私保护的作用，并对人脸识别系统而言是无感知的。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸识别无感知的人脸图像脱敏处理、验证方法及系统。

背景技术

现今，数据已成为人民生活中的关键要素之一。其中，人脸图像数据更是被用于身份识别、鉴权等方面，是个人较为敏感的一类隐私数据。目前，对敏感隐私数据的保护，尤其是对人脸图像数据的脱敏处理，越来越受到社会各界的重视。

一般而言，人脸图像的脱敏处理可以通过建立一项脱敏规则，对人脸图像进行全局或局部的变形和变换，将其映射到脱敏域，以此实现人脸隐私保护。在这一方案中，脱敏处理前的人脸图像被视为处在原始域，经过脱敏处理后的人脸图像被视为处在脱敏域。根据上述方案，可实现人脸脱敏的基本要求——跨域不匹配，具体含义为：人脸识别系统将采集自某人的经过脱敏处理的人脸图像与对应的原始人脸图像进行比对时，应当无法实现身份匹配，即人脸敏感信息得到了保护。而在公共安全的背景下，对人脸图像的脱敏提出了进一步的要求——同域匹配，具体含义为：在同一个域内(无论是原始域还是脱敏域)，采集自同一人的经过相同脱敏处理的两张人脸图像(映射到同一脱敏域)，人脸识别系统对其比对的结果应当能够实现身份的匹配。上述场景下的人脸识别系统应当是通用系统，不根据脱敏方法进行调整，因此称本发明提出的人脸图像脱敏方法是对人脸识别系统而言是无感知的。解决公共安全场景下的人脸图像脱敏问题的关键点在于寻找能够同时实现上述两类需求的脱敏映射规则。

一种寻找符合要求的脱敏映射规则的思路是在两个人脸风格域中训练循环对抗生成网络。原始域是其中的一个人脸风格域，另一个预设的人脸风格域即为脱敏域。对于现实生活中的人脸图像数据，形成严格意义上的成对数据非常困难。基于深度学习循环对抗生成的训练方法可以在训练数据不成对的情况下进行人脸图像脱敏模型。在训练前，基于图像领域专家知识选取多个人脸风格域，作为脱敏域的候选。训练完成后，根据人脸图像脱敏验证指标，从这些候选域中选取脱敏效果最好的若干个域，作为最终被选定的脱敏域，这若干个脱敏域对应的训练好的模型，即为人脸图像脱敏模型。基于深度学习的人脸图像脱敏模型本质上具有黑盒系统的特性，可解释性较低，在数据脱敏需求中可以作为一个优点，使得脱敏映射规则不容易被攻破，具有较好的保密性。

以上思路详述了本发明的技术背景，在此可以总结为：①人脸图像数据需要进行隐私保护，因此要求通过脱敏映射规则实现人脸脱敏；②现实生活中无法寻找到原始-脱敏后的人脸图像数据对，因此要求采用循环生成对抗学习在不成对数据条件下进行模型训练；③脱敏映射规则需要保证较好的保密性和安全性，避免被攻破，因此要考虑使用神经网络模型形成黑盒系统；④公共安全场景下的人脸脱敏要求同时做到跨域不匹配和域内匹配，因此要考虑设计评估指标来验证脱敏域的有效性，选择脱敏效果较好的脱敏映射规则。

发明内容

本发明提供了一种人脸图像脱敏处理、验证方法及系统，其目的在于，通过使用深度学习循环对抗生成技术训练人脸图像脱敏模型，可将人脸图像映射到脱敏域，起到人脸图像信息脱敏和隐私保护的效果。

本申请是通过以下技术方案实现的：

一种人脸图像脱敏处理和验证系统，包括：

人脸图像数据库模块，用于存储和读取待脱敏人脸图像数据；

人脸图像预处理模块，用于定位和裁切人脸图像；

人脸图像脱敏模型训练模块，用于训练人脸图像脱敏模型；