[發明專利]一種視頻分析裝置、服務器、系統及保護身份隱私的方法

有效

• 申請號: 201911334789.3
• 申請日: 2019-12-20
• 公開（公告）號: CN111091102B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 丁曉鋒;金海;方宏彪
• 申請（專利權）人: 華中科技大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種視頻分析裝置、服務器、系統及保護身份隱私的方法，屬于隱私保護技術領域。包括：固定第一卷積神經網絡的選定池化層及之前層的參數，訓練第二卷積神經網絡，使得預測身份與真實身份差異盡可能小；調整第一卷積神經網絡的選定池化層及之前層的參數，使得預測身份與真實身份差異盡可能大；訓練參數調整后的第一卷積神經網絡，使得預測結果與真實結果的差異盡可能小；判斷是否同時滿足第一卷積神經網絡的差異值小于閾值且第二卷積神經網絡的差異值大于閾值，若是，則結束。本發明通過引入隱私網絡，不對原有神經網絡結構大幅修改，保證了用戶數據隱私的同時,允許根據對隱私性和實用性的需求動態地平衡。

技術領域

本發明屬于隱私保護技術領域，更具體地，涉及一種視頻分析裝置、服務器、系統及保護身份隱私的方法。

背景技術

隨著大規模數據的累積，深度學習基礎理論的發展和硬件計算能力的巨大提升，無論是學術界還是工業界，深度學習都成為數據挖掘和人工智能領域的主流技術，尤其是對于圖像、語音、文本這樣的復雜數據。

基于深度學習的視頻分析技術，例如，基于深度學習的智能跌倒檢測、帕金森病運動功能智能評估、異常行為識別等，普遍采用的處理流程如下：(1)使用圖像收集設備在收集圖像數據；(2)將圖像數據發送到云端服務器；(3)服務器利用強大的算力通過規則或者模型進行視頻分析；(4)將視頻分析結果返回給用戶設備。深度學習能夠有效提取針對目標任務的特征，但是不能保證該特征只能用于特定任務，也就是說深度學習提取到的特征除了能夠完成目標任務，也有可能很好的完成其他非目標任務，包括敏感信息挖掘任務，挖掘到了與當前目標任務無關的用戶隱私信息，這就隱含了巨大的隱私風險。惡意攻擊者完全有能力從用戶上傳的圖像數據中準確得識別出人物身份信息。因此，如何保護基于深度學習的視頻分析下的用戶身份隱私問題成為現有技術中亟待解決的問題之一。

目前，針對深度學習推理階段的用戶數據隱私保護方式主要包括加密和數據編碼。加密方法可以保證數據隱私，但是帶來了巨大的加解密開銷和模型訓練的復雜度，同時影響到準確度。而基于數據編碼的方式，通過將原始數據做一次轉化，在計算資源消耗上遠小于加密，同時不要求對傳統的模型結構和訓練流程進行大幅修改，具有明顯的優勢。但是現有基于數據編碼的隱私保護方案存在以下突出問題：1、存在潛在隱私泄露風險：現有保護方案沒有考慮編碼數據存在的潛在的隱私泄露風險，即對編碼數據進行深度的數據挖掘可能暴露隱私信息；2、忽略了上下文信息：對數據編碼時沒有考慮下游具體的數據挖掘任務，該方案可能得到了較為通用的隱私保護編碼，但是并不是具體場景下最優的；3、復雜性高：為了得到高質量的隱私保護的編碼，引入了過多的復雜性，比如使用了更復雜的網絡結構和訓練方法。

發明內容

針對現有技術的缺陷和改進需求，本發明提供了一種視頻分析裝置、服務器、系統及保護身份隱私的方法，其目的在于通過僅引入第二卷積神經網絡來約束第一卷積神經網絡的特征提取過程，從而得到隱私保護的池化層特征圖，保證了用戶數據隱私的同時，允許根據對隱私性和實用性的需求動態地平衡，以達到給定約束下模型的最佳效果。

為實現上述目的，按照本發明的第一方面，提供了一種基于深度學習的視頻分析中保護身份隱私的方法，該方法包括以下步驟：

S1.選擇用于視頻分析任務的第一卷積神經網絡的一個池化層，將該池化層輸出的特征圖作為用于身份識別的第二卷積神經網絡的輸入，其中，所述第一卷積神經網絡的輸入為包含人物的場景圖像，輸出為視頻分析結果；

S2.分別初始化第一卷積神經網絡和第二卷積神經網絡各層參數；

S3.固定第一卷積神經網絡的選定池化層及之前層的參數，使用包含人物的場景圖像訓練集訓練第二卷積神經網絡，使得各訓練樣本的預測身份與真實身份差異盡可能小；

S4.固定第二卷積神經網絡各層參數，調整第一卷積神經網絡的選定池化層及之前層的參數，使得各訓練樣本的預測身份與真實身份差異盡可能大；