一种多源数据的差分隐私保护以及识别方法技术

本发明专利技术提出一种多源数据的差分隐私保护以及识别方法，包括，获取多源人脸图像，将多源人脸图像编码为全四元数矩阵；根据全四元数矩阵建立基于四元数奇异值分解的差分隐私模型；使用四元数二维主成分分析网络对差分隐私模型进行特征提取；使用SVM对提取的特征进行训练和身份识别。通过本发明专利技术提出的方法，能够实现多源人脸图像的安全发布，而且有效地提高了人脸识别的精度。人脸识别的精度。人脸识别的精度。

【技术实现步骤摘要】
一种多源数据的差分隐私保护以及识别方法


[0001]本专利技术属于数据安全与隐私保护


技术介绍

[0002]随着5G、人工智能、区块链、云计算等新一代信息技术的迅猛发展,大规模的数据不断生成、分享和应用,数据资源逐步成为人类社会新型的生产要素和重要的国家基础性战略资源。基于机器学习的数据挖掘可以从海量数据中提取丰富的有价值信息,既是能够精准分析大数据结构与模式的“阿拉丁神灯”,也是具有数据隐私安全风险的“潘多拉魔盒”。人脸识别系统通常将获取的人脸图像对应的特征模板上传到云端数据库用于将来的身份识别或者身份验证。然而,有研究表明通过深度学习的方法可以从人脸特征模板中重建得到人脸图像。由于人脸特征是独一无二且不可替代的,而且人脸图像包含了敏感的个人信息,比如性别、年龄、表情和性格等,这些隐私信息的泄露会给当事人带来潜在的威胁,因此大数据时代的人脸图像安全发布尤其重要。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0004]为此，本专利技术的目的在于提出一种多源数据的差分隐私保护以及识别方法，用于实现多生物特征数据的安全发布，降低个人隐私信息泄露的风险，维护人们的合法权益。
[0005]为达上述目的，本专利技术第一方面实施例提出了一种多源数据的差分隐私保护以及识别方法，包括：
[0006]获取多源人脸图像，将所述多源人脸图像编码为全四元数矩阵；
[0007]根据所述全四元数矩阵建立基于四元数奇异值分解的差分隐私模型；r/>[0008]使用四元数二维主成分分析网络对所述差分隐私模型进行特征提取；
[0009]使用SVM对提取的特征进行训练和身份识别。
[0010]另外，根据本专利技术上述实施例的一种多源数据的差分隐私保护以及识别方法还可以具有以下附加的技术特征：
[0011]进一步地，在本专利技术的一个实施例中，在获取多源人脸图像之后，还包括：
[0012]对所述多源人脸图像进行五官特征检测并剪切，将不同模态的人脸图像归一化为尺寸。
[0013]进一步地，在本专利技术的一个实施例中，所述将所述多源人脸图像编码为全四元数矩阵，包括：
[0014]令f1(x,y)表示第一种模态的人脸图像，f2(x,y)表示第二种模态的人脸图像，将每组多模态的人脸图像编码为全四元数矩阵，即：
[0015][0016]其中，(x,y)表示空间坐标，q表示全四元数矩阵形式，下标{R,G,B}表示红、绿、蓝
颜色分量。
[0017]进一步地，在本专利技术的一个实施例中，根据所述全四元数矩阵建立基于四元数奇异值分解的差分隐私模型，包括：
[0018]对矩阵进行四元数奇异值分解,变换过程描述为:
[0019][0020]其中,U
N
×
N
与V
M
×
M
为四元数酉矩阵,F
N
×
M
＝(λ1,λ2,...,λ
r
)为对角矩阵,λ
i
为f
q
(x,y)的奇异值,r是矩阵f
q
(x,y)的秩；
[0021]选取矩阵F
N
×
M
中的前k
×
k个值,得到矩阵F
k
×
k
，采用拉普拉斯机制对其添加噪音，
[0022][0023]其中,lap(
·
)表示对矩阵加噪运算,Δ1F
k
×
k
为矩阵F
k
×
k
最大的列范数；
[0024]将正交矩阵U
N
×
N
与V
M
×
M
的尺寸分别调整为N
×
k和k
×
M,得到U
N
×
k
与(V
k
×
M
)
H
,再将其与矩阵相乘,重构得到该过程表示为，
[0025][0026]进一步地，在本专利技术的一个实施例中，所述使用四元数二维主成分分析网络对所述差分隐私模型进行特征提取，包括：
[0027]对每一个四元数矩阵使用尺寸为k1×
k1的滤波器进行块采样,得到
[0028][0029]其中n1＝(N
‑
k1+1)
×
(M
‑
k1+1)，把得到的所有块放在一起,同时进行归一化和去均值操作,得到
[0030][0031]接计算协方差矩阵与
[0032][0033]其中,为所有块的均值；
[0034]分别计算协方差矩阵与的特征值与特征向量,选取前L1个特征向量,得到投影矩阵与此时,四元数二维主成分分析的滤波器W1可以表示为
[0035][0036]使用W1对每一个四元数矩阵进行二维卷积,得到输出的特征矩阵:
[0037][0038]其中,*为具有补零操作的二维卷积。
[0039]进一步地，在本专利技术的一个实施例中，还包括：
[0040]使用尺寸为k2×
k2对输入的特征矩阵进行块采样,并进行归一化与去均值操作,把所有块放在一起得到
[0041][0042]其中n2＝(N
‑
k2+1)
×
(M
‑
k2+1)；
[0043]计算协方差矩阵及其特征值和特征向量,选取前L2个特征向量组成投影矩阵,从而得到四元数二维主成分分析的滤波器W2；
[0044]使用W2对特征矩阵进行二维卷积,输出尺寸为N
×
M的特征矩阵
[0045][0046][0047]进一步地，在本专利技术的一个实施例中，还包括：
[0048]将矩阵的实部分量与虚部分量分别进行编码,
[0049][0050]其中,H(
·
)为Heaviside阶跃函数,为的实部,为的虚部,中的元素取值范围为
[0051]分别将划分成B块,再将每个块的分块直方图拼接在一起；将实部与虚部分块直方图统计的结果拼接在一起，输出最终的人脸特征模板:
[0052][0053]为达上述目的，本专利技术第二方面实施例提出了一种多源数据的差分隐私保护以及识别装置，包括以下模块：
[0054]编码模块，用于获取多源人脸图像，将所述多源人脸图像编码为全四元数矩阵；
[0055]构建模块，用于根据所述全四元数矩阵建立基于四元数奇异值分解的差分隐私模型；
[0056]提取模块，用于使用四元数二维主成分分析网络对所述差分隐私模型进行特征提取；
[0057]识别模块，用于使用SVM对提取的特征进行训练和身份识别。
[0058]为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源数据的差分隐私保护以及识别方法，其特征在于，包括以下步骤：获取多源人脸图像，将所述多源人脸图像编码为全四元数矩阵；根据所述全四元数矩阵建立基于四元数奇异值分解的差分隐私模型；使用四元数二维主成分分析网络对所述差分隐私模型进行特征提取；使用SVM对提取的特征进行训练和身份识别。2.根据权利要求1所述的方法，其特征在于，在获取多源人脸图像之后，还包括：对所述多源人脸图像进行五官特征检测并剪切，将不同模态的人脸图像归一化为尺寸。3.根据权利要求1所述的方法，其特征在于，所述将所述多源人脸图像编码为全四元数矩阵，包括：令f1(x,y)表示第一种模态的人脸图像，f2(x,y)表示第二种模态的人脸图像，将每组多模态的人脸图像编码为全四元数矩阵，即：其中，(x,y)表示空间坐标，q表示全四元数矩阵形式，下标{R,G,B}表示红、绿、蓝颜色分量。4.根据权利要求1所述的方法，其特征在于，根据所述全四元数矩阵建立基于四元数奇异值分解的差分隐私模型，包括：对矩阵进行四元数奇异值分解,变换过程描述为:其中,U
N
×
N
与V
M
×
M
为四元数酉矩阵,F
N
×
M
＝(λ1,λ2,...,λ
r
)为对角矩阵,λ
i
为f
q
(x,y)的奇异值,r是矩阵f
q
(x,y)的秩；选取矩阵F
N
×
M
中的前k
×
k个值,得到矩阵F
k
×
k
，采用拉普拉斯机制对其添加噪音，其中,lap(
·
)表示对矩阵加噪运算,Δ1F
k
×
k
为矩阵F
k
×
k
最大的列范数；将正交矩阵U
N
×
N
与V
M
×
M
的尺寸分别调整为N
×
k和k
×
M,得到U
N
×
k
与(V
k
×
M
)
H
,再将其与矩阵相乘,重构得到该过程表示为，5.根据权利要求1所述的方法...

【专利技术属性】
技术研发人员：邵珠宏，尚媛园，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：