面向身份相互关系一致性的人脸去识别化方法

智能手机、监控摄像头等智能设备的普及导致了严重的人脸隐私安全问题.人脸去识别化技术被认为是解决上述问题的有效途径,该技术旨在将人脸图像中的身份信息去除以有效保护人脸的隐私.然而,现有的研究工作大多缺乏对去识别化人脸图像在身份上显式的控制与可控的变化,导致去识别化后的图像无法应用于人脸验证和检索等与身份相关的任务.因此,考虑到去识别化人脸图像在身份相关任务上的可用性,提出了一种新的面向身份相互关系一致性的人脸去识别化任务,即任意两个被去识别化的人脸之间的身份相互关系与去识别化前的人脸保持一致.为解决这一问题,引入了一种任务驱动的身份相互关系一致性生成对抗网络算法.该方法设计了一种基于特征向量旋转的去识别化模块,将原有的身份特征可控修改为具有身份相互关系一致性的去识别化特征.此外,还引入了身份控制损失,以保证去识别化后生成的人脸身份的准确性.大量的定性和定量结果表明,提出的方法在人脸的去识别化和去识别人脸的身份相互关系一致性上的表现远优于现有的方法.

图像中人脸隐私度的定量评估研究

随着照片分享平台的广泛应用和人脸识别技术的发展,图像中的人脸信息暴露隐私的情况越来越多。目前,对于图像的隐私保护主要是通过人脸去识别技术来隐藏人脸的视觉信息,然而过度的视觉处理会降低图片的可读性。为了保护图片隐私的同时最大程度的保证图片的可读性,论文提出了一种新的基于PCA的k-Same去识别算法,使得处理后的人脸图像在降低人脸匹配率的同时与原图像具有更高的结构相似性;并在该算法基础上建立了一个基于线性回归分析的人脸隐私度定量评估模型,通过研究人脸的去识别方式及其程度和人脸识别率之间的关系,得到不同尺寸人脸目标的隐私度,为决策者采取相应的人脸隐私保护决策提供科学的依据。

三元组约束的类通用扰动人脸图像去识别方法

目的人脸图像去识别是保护人脸隐私的一种手段,类通用扰动作为人脸图像去识别的一种方法,为每个用户生成专属扰动来抵御深度人脸识别系统的恶意分析行为。针对现有类通用扰动方法存在用户训练数据不足的问题以及进一步提升扰动保护效果的需要,提出基于三元组损失约束的类通用扰动生成方法,同时引入一种基于特征子空间方法扩充训练数据构建三元组所需的负样本。方法首先将深度神经网络提取的用户人脸图像特征作为正样本,然后对单个用户所有正样本进行仿射组合构建特征子空间,再结合凸优化方法训练样本远离特征子空间,生成负样本扩充训练数据。之后对原始图像叠加随机扰动,提取特征得到待训样本。利用三元组函数约束扰动训练过程,使待训样本远离正样本的同时靠近负样本,并以余弦距离作为指标计算损失值。对训练生成的扰动施加一个缩放变换,得到用户的类通用扰动。结果针对具有不同损失函数(ArcFace、SFace和CosFace)和网络架构(SENet、MobileNet和IResNet)的6个人脸识别模型在2个数据集上进行实验,与相关的4种方法进行比较均取得了最优效果。在Privacy-Commons和Privacy-Celebrities数据集上,相比已知最优的方法,扰动训练效率平均提升了66.5%,保护成功率平均提升了5.76%。结论本文提出的三元组约束扰动生成方法,在兼顾扰动生成效率的同时,既缓解了训练样本不足的问题,又使类通用扰动综合了梯度攻击信息和特征攻击信息,提升了人脸隐私保护效果。