[發明專利]一種深度學習訓練圖片加密解密方法

有效

• 申請號: 202011370533.0
• 申請日: 2020-11-30
• 公開（公告）號: CN112488900B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 賴必貴;倪政齊
• 申請（專利權）人: 福建省億鑫海信息科技有限公司
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/084
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

本發明涉及一種深度學習訓練圖片加密解密方法，包括加密過程與解密過程。其中，加密過程為：將讀取的圖片數據轉換為三維數組，對每個圖片，分別對圖片三個通道進行加密，將加密后的三個通道進行交換，之后合并三個通道得到輸出圖片。解密過程為：獲取需要解密的圖片，對每個圖片，首先進行通道的交換，之后分別對交換后的三個通道進行解密，之后合并三個通道得到輸出圖片。本發明能夠防止模型泄密、圖片數據泄露，并且實現目標檢測模型可訓練。

技術領域

本發明涉及圖像處理技術領域，特別是一種深度學習訓練圖片加密解密方法。

背景技術

現有的常規方案是明文圖片訓練。目前的圖像加密技術可分為兩類，即空域圖像加密技術和壓縮圖像加密技術。空域圖像加密技術在未壓縮的圖像上進行加密，其特征是將圖像看作三維數據(長寬加通道)進行操作。空域圖像加密技術的典型方法是采用離散混沌加密技術。壓縮圖像加密技術則基于某種壓縮格式或壓縮技術進行加密，如JPEG、算術編碼、小波壓縮技術等。

這些加密技術將會導致不可訓練和泄密的問題。空域圖像加密導致圖像亂色，圖片上的顏色空間位置特征丟失。壓縮圖像加密技術只是對圖片進行壓縮，圖片特征和空間特征都保留，特征基本和原圖是一致，第三方廠家可以用這些數據進行訓練應用于其他項目，電力作業信息也不同程度泄密，威脅作業安全，這是電力業主不愿意看到的。所以業內目前給第三方訓練的目標檢測模型的圖片數據都是沒有進行加密處理的。

電力作業圖片的神經元模型檢測要求進行目標檢測和目標分類兩項任務，目前現有方案大部分是對目標區域事先進行原圖的目標檢測，然后將檢測的區域摳出并進行的特征加密，這是種局部加密利用加密后的特征與現有特征庫的特征向量進行比對的一個過程。該方案對目標圖片進行加密只能得到圖片的降維的向量特征，而目標檢測的神經元網絡要求回歸圖片上的目標位置和目標所屬分類，進行局部加密的方案數據失去了待檢測目標在整張圖片上的空間位置信息，同時進行降維的數據是無法拼接回原圖的。所以進行傳統的特征加密或者局部加密是無法滿足目標檢測和目標分類雙重要求的。可見，局部特征加密后的數據沒有了圖像目標位置的空間特征，無法進行訓練。

本發明的核心目標是解決電力安全作業數據給第三方廠家訓練導致數據泄密問題和加密后的數據丟失空間特征導致無法訓練問題。

發明內容

有鑒于此，本發明的目的是提出一種深度學習訓練圖片加密解密方法，能夠防止模型泄密、圖片數據泄露，并且實現目標檢測模型可訓練。

本發明采用以下方案實現：一種深度學習訓練圖片加密解密方法，包括加密過程：

將讀取的圖片數據轉換為三維數組，對每個圖片，分別對圖片三個通道進行加密，將加密后的三個通道進行交換，之后合并三個通道得到輸出圖片。

進一步地，對圖片三個通道進行加密具體為：

對通道一采用如下公式加密得到R：

R＝255-k*R’+random(-5,5)；

式中，R’為圖片的紅色通道，k為加權系數，random(-5,5)表示采用隨機整數函數產生-5到5之間的整數；

對通道二采用如下公式加密得到B：

B＝k*B’+random(-5,5)；

式中，B’為圖片的藍色通道，k為加權系數，random(-5,5)表示采用隨機整數函數產生-5到5之間的整數；

對通道三采用如下公式加密得到G：

G＝255-k*(G’+random(-5,5))+random(-5,5)；

式中，G’為圖片的綠色通道，k為加權系數，random(-5,5)表示采用隨機整數函數產生-5到5之間的整數。