[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

说明书

本说明书实施例提供一种保护个人数据隐私的特征提取方法、模型训练方法及硬件。其中，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。

本文件是“保护个人数据隐私的特征提取方法、模型训练方法及硬件”的分案申请，母案的申请号为“202010409389.0”，申请日为“2020-05-14”。

技术领域

本文件涉及数据处理技术领域，尤其涉及一种保护个人数据隐私的特征提取方法、模型训练方法及硬件。

背景技术

深度学习模型凭借具有机械化处理信息的能力，已得到了越来越广泛的使用。而人脸识别就是深度学习领域中常见的一种业务形态。人脸识别原理是基于深度学习模型对待识别用户的人脸特征与样本人脸特征进行近似匹配，从而确定待识别用户的身份。显然，属于个人数据的样本人脸特征留底会存在泄漏风险，无法对隐私起到有效的保护。

有鉴于此，当前急需一种在深度学习领域中，能够保护个人数据隐私的技术方案。

发明内容

本说明书实施例目的是提供一种保护个人数据隐私的特征提取方法、模型训练方法及硬件，能够在深度学习领域中，保护个人数据隐私。

为了实现上述目的，本说明书实施例是这样实现的：

第一方面，提供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。

第二方面，提供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。

第三方面，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。

第四方面，提供一种电子设备包括：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。