CN115131465B 一种基于身份关系保持的人脸匿名图像生成及识别方法 （西安电子科技大学）

Relationship-preservingWorkshoponHuman-CentricMult一种基于身份关系保持的人脸匿名图像生本发明公开了一种基于身份关系保持的人经训练的密文嵌入器将身份关系密文嵌入到视2S1：获取原始人脸图像的身份关系密文，所述身S2：利用经训练的视觉面貌编辑器对所述原始人脸S3：将所述编辑后的匿名图像输入经训练的视S4：利用经训练的密文嵌入器将所述身份关S5：将保持身份关系的匿名人脸图像输入经将视觉面貌编辑器、伪造判别器和身份提取器一起进行训练以获得训伪造判别器的输出，V(x)表示视觉面貌编辑器的输出，maxpccaw(D)表示伪造判别器的在所述视觉面貌编辑器模型训练完成后，将所述密文嵌入器与,份关系密文的第k位，n为身份关系密文的的长度，表示识别出来的身份关系密文，E(I,32.根据权利要求1所述的基于身份关系保持的人脸匿名图像生成及识别方法，其特征3.根据权利要求1所述的基于身份关系保持的人脸匿名图像生成及识别方法，其特征在训练过程中将所述视觉面貌编辑器输出的人脸图像输入身份提取器以将面貌编辑,4.根据权利要求1所述的基于身份关系保持的人脸匿名图像生成及识别方法，其特征将所述密文嵌入器与所述视觉增强器一起训练，以减小嵌入的身份于执行权利要求1至4中任一项所述的基于身份关系保持的人脸匿名图像生成及识别方法6.一种电子设备，其特征在于，包括存储器4数据集和MS_Celeb_1M数据集都因泄露数据集中的人脸身份隐私而被终止。著名的[0004]现有的人脸图像匿名化方法可以分为两种不[0005]传统的人脸匿名化方法:在处[0006]基于深度学习的匿名化方法:得益于深度学习AdversarialNetwork，生成对抗网络)模型生成的图像已达到人眼难以分辨真伪的水平。基于深度学习的人脸匿名化方法通常在图像分辨率和真实感方面表现优于传统的人脸匿5[0013]S3：将所述编辑后的匿名图像输入经训练的视觉增强器[0017]在本发明的一个实施例中，所述二进制加密文本为随机二进制编码或使用MD5或6表示伪造判别器的输出，V(x)表示视觉面貌编辑器的输出，maxpLcaw(D)表示伪造判别[0024]在训练过程中将所述视觉面貌编辑器输出的人脸图像输入身份提取器以将面貌述计算机程序用于执行上述实施例中任一项所述的基于身份关系保持的人脸匿名图像生项所述基于身份关系保持的人脸匿名图像生成及识别7[0041]本发明基于身份关系保持的人脸匿名图像生成及识别方法将人脸图像的身份关[0043]图1是本发明实施例提供的一种基于身份关系保持的人脸匿名图像生成及识别方[0044]图2是本发明实施例提供的一种基于身份关系保持的人脸匿名图像生成及识别方[0045]图3是本发明实施例提供的一种基于身份关系保持的人脸匿名图像生成过程示意8[0055]引入身份关系密文是本实施例的人脸匿名化和识别框架名人脸图像的过程中将身份关系密文嵌入到匿名化的人脸图像中。本实施例采用100位二[0058]S3：将所述编辑后的匿名图像输入经训练的视觉增强器个将被输入到每个GAN网络的每个模块中。由于预训练GAN网络嵌入到U型深度神经网络后[0063]如图3所示，本实施例的人脸匿名图像生成过程包括图像数据预处理阶段和人脸9[0065]本实施例的人脸匿名图像生成及识别方法还能够从含身份关系密文的匿名图像表示伪造判别器的输出，V(x)表示视觉面貌编辑器的输出，maxpLcaw(D)表示伪造判别中将所述视觉面貌编辑器输出的人脸图像输入身份提取器以将面貌编辑后的人脸图像与中使用Lreat和Laav损失函数指导视觉面貌编辑器：密文，F(x)表示身份提取器的输出，Femb表示提取人脸嵌入特征的函数。Lrear(v,F)和Laav(v,F)的目标都是约束视觉面貌编辑后的图像与原图识别出来的身份不一样。Lrear(v,p)希望识别的人脸高维特征不一样，Laav(v,F)希望识别出的身份关系密文不[0091]以下分别从匿名人脸图像质量和人脸识别两个方面描述本发明实施例的人脸匿匿名人脸识别的性能。对于Megaface数据集，本实施例遵循挑战2的协议进行评估。对于了将本发明实施例的方法与现有方法进行比较的定量结果。表1示出了根据上述评估协议在CelebA数据集上通过各种人脸匿名化方法生成的匿名图像的rank_1准确性。可以看出，[0097]本发明实施例的人脸匿名图像生成及识别方法将人脸图像的身份关系编码为二且以较高的定性和