[發明專利]一種具有可解釋性的圖像隱私檢測方法

有效

• 申請號: 202110723826.0
• 申請日: 2021-06-29
• 公開（公告）號: CN113378859B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 張蘭;于海闊;李向陽
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06F16/951
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉

本發明公開了一種具有可解釋性的圖像隱私檢測方法，其步驟如下：1.構造隱私分類的數據集；2.抽取數據集圖像中所包含的語義信息；3構建數據集圖像對應的加權有向圖；4.構建圖神經網絡并基于數據集訓練加權有向圖的節點的二分類的輸出；5.使用訓練得到的神經網絡確定輸入圖像的打碼像素區域；6.生成隱私規則。本發明基于深度學習理論來提供圖像脫敏的自動定位，且能夠在物體級別解釋隱私分類結果，獲得物體級別的隱私規則，從而能提高隱私分類可解釋性。

技術領域

本發明涉及數據隱私及機器學習領域，具體地說是一種具有可解釋性的圖像隱私檢測方法。

背景技術

隨著信息時代的發展和智能手機的普及，人們習慣于在社交平臺上分享和交流，據不完全統計，Facebook每天要產生3.5億張照片和1億小時的視頻瀏覽。Instagram用戶每天要分享9500萬張照片和視頻。與此同時，個人圖片也在以其他很多不同的方式被外界感知和收集，比如手機應用訪問，云端存儲等等。然而，在社交圖片的分享與傳播給人們帶來了眾多便利的同時，發布圖片中包含的大量豐富的個人信息也增加了隱私泄露的風險，比如，圖片中的背景會暴露地理位置和行蹤，圖片中出現的人會暴露隱私的社交關系等等。

人們在發布照片的時候，往往忽視了自己隱私的保護，即使注意到了，在大多數情況下通過手動打碼的方式為圖像脫敏，這種方式較為繁瑣而且不夠安全。在隱私泄露事件不斷發生的當下，我們需要對圖片中的隱私信息進行研究，從而幫助用戶判斷自己的個人圖片哪些是隱私，哪些不是隱私，研究具有共識性和個性化的隱私規則，且為用戶脫敏提供端到端的幫助。

現有隱私檢測的技術中，有一些工作直接從圖片分類的角度，用深度學習或者支持向量機等方式將圖片分為隱私和非隱私的圖片，這樣的技術分類結果依賴于訓練集，并且不具有可解釋性，因此不具有可用的價值。有一些技術研究圖片中包含的物體，研究物體和圖片隱私的相關性，從而評價圖片的隱私程度，這樣的方法存在隱私定義模糊不清，檢測能力局限于模型輸出，隱私規則可解釋性差等問題。而且現有數據集普遍存在隱私分類可解釋性差等問題。

發明內容

針對現有方法所存在的問題，本發明提供一種具有可解釋性的圖像隱私檢測方法，以期能基于深度學習理論來提供圖像脫敏的自動定位，并能夠在物體級別解釋隱私分類結果，獲得物體級別的隱私規則，從而提高隱私分類可解釋性。

本發明為達到上述發明目的，采用如下技術方案：

本發明一種具有可解釋性的圖像隱私檢測方法的特點是按如下步驟進行：

步驟1，構造隱私分類的數據集；

步驟1.1，利用網絡爬蟲收集社交平臺上脫敏處理后的N張打碼圖像；

步驟1.2，標注每張打碼圖像中所有物體和背景的邊框信息和類別，從而得到N張打碼圖像的物體類別數為K；

步驟1.3，對每張打碼圖像中物體和背景，若其經過脫敏處理，則標注為1，否則標注為0，從而完成每張打碼圖像中物體的隱私分類，并得到脫敏圖像數據集D；

步驟2，抽取圖像中所包含的語義信息；

步驟2.1，基于脫敏圖像數據集D對faster-rcnn模型進行訓練，得到目標檢測模型M₁；

任意一輸入圖像I經過所述目標檢測模型M₁后輸出檢測結果M₁(I)＝{o₁,o₂,…,o_i,…,o_n}，其中，o_i表示包含邊框信息B_i和分類的置信概率的第i個物體信息，n表示目標檢測模型M₁在輸入圖像I上檢測的物體個數，i∈[1,n]；

步驟2.2，基于place365數據集對vgg模型進行訓練，得到背景分類模型M₂；