[发明专利]保护个人数据隐私的特征提取方法、模型训练方法及硬件

权利要求书

1.一种保护个人数据隐私的特征提取方法，包括：

获取呈现有样本对象的多帧图像序列；

以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列，其中，所述样本对象对应多帧图像序列的初始加密特征数据用于生成模型训练数据。

2.根据权利要求1所述的方法，

以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，包括：

将获得的所述多帧图像序列输入至预设的卷积神经网络模型，得到所述样本对象对应所述多帧图像序列的初始加密特征数据；其中，所述卷积神经网络模型包括：

卷积层，对获得所述多帧图像序列进行卷积处理，得到卷积层输出特征集；

池化层，基于最大值池化算法和/或均值池化算法，对所述卷积层输出特征集进行池化处理，得到池化层输出特征集；

全连接层，将池化层输出特征集转换为指定维度的初始加密特征数据。

3.根据权利要求1中所述的方法，

以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，包括：

基于局部敏感哈希算法，对获得的所述多帧图像序列进行哈希转换，得到所述样本对象对应所述多帧图像序列的初始加密特征数据。

4.根据权利要求1-3中任一项所述的方法，还包括：

对所述样本对象对应多帧图像序列的初始加密特征数据进行集成学习，得到所述样本对象对应的目标加密特征数据，所述目标加密特征数据作为模型训练数据。

5.一种保护个人数据隐私的模型训练方法，包括：

获取呈现有样本对象的多帧图像序列；

以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列；

基于所述样本对象对应多帧图像序列的初始加密特征数据，对预设学习模型进行训练。

6.一种保护隐私数据的特征提取装置，包括：

图像序列获取模块，获取呈现有样本对象的多帧图像序列；

特征加密表示模块，以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列，其中，所述样本对象对应多帧图像序列的初始加密特征数据用于生成模型训练数据。

7.一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：

获取呈现有样本对象的多帧图像序列；

以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列，其中，所述样本对象对应多帧图像序列的初始加密特征数据用于生成模型训练数据。

8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

获取呈现有样本对象的多帧图像序列；

以非线性转换作为加密方式，对获得的所述多帧图像序列进行特征表示，得到所述样本对象对应多帧图像序列的初始加密特征数据，并在得到所述样本对象对应所述多帧图像序的初始加密特征数据后，删除获得的所述多帧图像序列，所述样本对象对应多帧图像序列的初始加密特征数据用于生成模型训练数据。