張賽男,李千目

(南京理工大學 計算機科學與工程學院,江蘇 南京 210094)

互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和移動智能終端的普遍應用,使得用戶在享受高效便捷的生活方式的同時,也潛在地承擔著日趨嚴峻的個人隱私信息泄露風險[1-3],海量的圖像數(shù)據(jù)蘊含著用戶的隱私信息,如果不加以保護,將嚴重威脅到社會安全。

圖像隱私保護技術(shù),大致可以分為兩大類,其一是圖像處理技術(shù)占主導,如小波變換、邊緣檢測、高斯模糊、像素化、基于偽色等。李璐瑤等[4]應用GHM多小波變換對電子計算機斷層掃描圖像進行重要度分解,之后利用Canny邊緣檢測算法對分解圖像進行信息提取。Li等[5]利用離散小波變換生成受隱私保護的低分辨率圖像以及包含隱私信息的高分辨率數(shù)據(jù)。張志文等[6]、Frome等[7]、Yu等[8]、Yu等[9]利用高斯模糊或像素化等方式進行隱私保護。Ciftci等[10]、Jacob等[11]利用偽色保護圖像隱私。Sengupta等[12]扭曲圖像以掩蓋隱私信息,Mahajan等[13]使用面部互換加以色彩平衡來保護人臉隱私信息。其二就是利用機器學習、深度學習等知識輔助實現(xiàn)圖像隱私保護。張志文等[6]利用AdaBoost識別人臉、車牌等明顯隱私信息。Kuang等[14]基于特征和對象學習自動預測隱私區(qū)域。Zhong等[15]提出隨機空間歸因模型進行隱私分類。Yu等[8]采用深度多任務學習識別敏感區(qū)域,并進行模糊。Peng等[16]基于卷積神經(jīng)網(wǎng)絡針對人臉關(guān)鍵區(qū)域進行編輯,在保護隱私同時保持較高圖像質(zhì)量。

不難發(fā)現(xiàn),上述圖像隱私保護方法大多是對圖像隱私部分進行修改,比如模糊、馬賽克、遮擋等。局部遮蔽方法存在的缺點是,攻擊者可以根據(jù)其他未遮蔽區(qū)域的特征推測出遮蔽區(qū)域信息。在Ilia等[17]的試驗中,仍有12.6%遮蔽臉部區(qū)域被用戶的朋友識別出來。過濾器、泛化之類的保護方法,則很難抵擋McPherson等[18]描述的攻擊方法,適用范圍比較有限。孫江林[19]針對圖像中的顯著對象,保護的隱私范圍過大,而且采用的加密算法的安全性不高。

基于上述分析,本文選擇利用人臉檢測,初步檢測圖像中的人臉重要隱私信息,并設計后處理算法更近一步確保有效覆蓋隱私區(qū)域,之后采用圖像加密這一手段來實現(xiàn)保護的目的。圖像加密不同于修改圖像的隱私保護手段,其一是可以還原出明文圖像,其二圖像加密之后的密文圖像是人眼和深度學習都無法窺探隱私的。同時就本文提出的加密算法實施密鑰安全分析、統(tǒng)計分析和擴散性分析,證明其安全性。

1 人臉檢測改進的圖像隱私部分自動標定

這部分介紹基于人臉檢測改進的圖像隱私部分自動標定算法,主要分為兩步:第一步初步檢測圖像中的人臉重要隱私信息;第二步設計后處理算法合并隱私區(qū)域,獲得最終隱私區(qū)域定位。

1.1 人臉檢測Libfacedetection

Libfacedetection是一個開源的輕量級人臉檢測庫,由深圳大學的于仕琪老師發(fā)布在Github上,在目前開源的輕量級人臉檢測庫中,其在速度和精度上都具有很大的優(yōu)勢,因此選用其檢測圖像中人臉這一隱私信息。

1.2 圖像隱私部分自動標定

首先,利用基于神經(jīng)網(wǎng)絡的人臉檢測初步檢測出圖像中的人臉隱私信息。盡管人臉檢測模型的精度優(yōu)于同類檢測模型,但是在實際應用中還是不能排除誤檢、漏檢的情況,尤其是在圖像隱私部分加密應用中,漏檢情況更需重視。所以,一方面為了減少漏檢的情況,覆蓋到更多圖像隱私區(qū)域,一方面也是為了后期進行部分加密時輸入圖像數(shù)據(jù)處理更加方便,設計一種合并檢測區(qū)域的圖像隱私部分自動標定算法。

輸入:

人臉檢測模型檢測到的所有的矩形人臉區(qū)域的坐標為LOCfaces,LOCfaces中包含每個矩形人臉LOCface的左上坐標(fx1,fy1),右下坐標(fx2,fy2)信息,即LOCface[0]=fx1,LOCface[1]=fy1,LOCface[2]=fx2,LOCface[3]=fy2(下標從0開始)。

輸出:

合并之后的所有矩形隱私區(qū)域LOCSprivacy及其總個數(shù)num,LOCSprivacy中包含每個最終矩形隱私區(qū)域LOCprivacy,每個矩形隱私區(qū)域包含左上坐標(x1,y1),右下坐標(x2,y2)信息。即LOCprivacy[0]=x1,LOCprivacy[1]=y1,LOCprivacy[2]=x2,LOCprivacy[3]=y2。合并算法如下:

合并檢測區(qū)域的圖像隱私部分自動標定算法

輸入:LOCfaces

輸出:LOCSprivacy,num

1.n=len(LOCfaces)//n為檢測到的人臉總數(shù)

2.marked=

//marked為1*n的矩陣,元素初始值全為0,之后存儲第i個檢測區(qū)域所屬連通區(qū)域標號

3.dict={}

//dict存儲鍵值對元素,每一個鍵對應一個連通區(qū)域標號,鍵值存放該連通區(qū)域內(nèi)人臉檢測區(qū)域序號

4.num=0//計數(shù)連通區(qū)域個數(shù)

5.fori,LOCfaceinLOCfaces:

//遍歷所有檢測到的人臉區(qū)域

6.ifmarked[i]==0:

//若該人臉區(qū)域還未屬于任何連通區(qū)域

7.num=num+1

8.marked[i]=num

9.dict[num]=

10.dict[num].append(i)

//從這個人臉區(qū)域開始新建一個連通區(qū)域,并將其加入進去

11.dfs(i,dict[num])

//深度搜索并連接相鄰人臉檢測區(qū)域進同一連通區(qū)域

12.LOCSprivacy=

//LOCSprivacy為num*4的矩陣,存儲最終隱私區(qū)域坐標

13.foriin range(1,num+1):

14.a=dict[i]

15.x1=LOCfaces[a[0],0]

16.y1=LOCfaces[a[0],1]

17.x2=LOCfaces[a[0],2]

18.y2=LOCfaces[a[0],3]

19.forjina:

20.x1=min(x1,LOCfaces[j,0])

21.y1=min(y1,LOCfaces[j,1])

22.x2=max(x2,LOCfaces[j,2])

23.y2=max(y2,LOCfaces[j,3])

24.LOCSprivacy[i-1,0]=x1

25.LOCSprivacy[i-1,1]=y1

26.LOCSprivacy[i-1,2]=x2

27.LOCSprivacy[i-1,3]=y2

28.returnLOCSprivacy,num

29.//返回合并隱私區(qū)域及其個數(shù)

為了減少漏檢情況,而非僅僅依賴檢測模型的結(jié)果,基于局部性原理,如果此區(qū)域內(nèi)檢測出人臉,那么此區(qū)域周圍存在人臉的可能性也較大,如果兩個檢測到的人臉區(qū)域距離相近,有理由相信這兩個區(qū)域之間存在人臉的可能性較高,合并起來將覆蓋到更多人臉。合并距離相近的人臉檢測區(qū)域也可以減少最終矩形個數(shù),方便之后加密輸入處理。

本文選擇將兩個區(qū)域左上角的棋盤距離作為遠近的度量,假設檢測到的人臉區(qū)域A的左上坐標為(Ax1,Ay1),右下坐標為(Ax2,Ay2),檢測到的人臉區(qū)域B的左上坐標為(Bx1,By1),右下坐標為(Bx2,By2),則他們之間的距離

D(A,B)=max(abs(Bx1-Ax1),abs(By1-Ay1)

(1)

合并(連通)條件:如果D(A,B)≤2max((Ax2-Ax1),(Ay2-Ay1),(Bx2-Bx1),(By2-By1)),就認為這兩個人臉區(qū)域可以合并進同一個連通區(qū)域。

利用深度搜索的思想,遍歷檢測到的人臉區(qū)域,如果當前人臉區(qū)域未被合并,則

(1)新建一個連通區(qū)域,將其加入這個連通區(qū)域,標記它為已合并;

(2)遍歷未標記的檢測到的人臉區(qū)域:

①如果此區(qū)域與起點人臉區(qū)域距離滿足合并條件,

②將其加入此連通區(qū)域,標記它為已合并,

③將此區(qū)域作為新起點,執(zhí)行步驟(2)。

具體實現(xiàn)算法如下:

深度搜索并連接從第i個人臉檢測區(qū)域出發(fā)的所有相鄰人臉檢測區(qū)域,將他們歸屬進同一連通區(qū)域

1. defdfs(i,dict[num]):

2.ifi

3.x=LOCfaces[i,0]

4.y=LOCfaces[i,1]

5.w=LOCfaces[i,2]-LOCfaces[i,0]

6.h=LOCfaces[i,3]-LOCfaces[i,1]

7.forkin range(0,n):

8.ifmarked[k]==0:

9.if max(abs(LOCfaces[k,0]-x),abs(LOCfaces[k,1]-y))<=2*max(w,h,LOCfaces[k,2]-LOCfaces[k,0],LOCfaces[k,3]-LOCfaces[k,1]):

10.dict[num].append(k)

11.marked[k]=num

12.dfs(k,dict[num])

1.3 合并結(jié)果分析

為了測試合并效果如何,本文選擇Wider Face[20]驗證集中的Couple、Family_Group和Meeting這3組數(shù)據(jù)進行試驗,因為這3類數(shù)據(jù)一般較為需要進行隱私處理,且人臉尺寸由大變小,具有代表性。接著,分別進行初步人臉檢測和合并人臉檢測,計算初步檢測出的人臉數(shù)除以需要保護的人臉數(shù)的平均值,計算合并之后覆蓋需要保護的人臉數(shù)的平均值和矩形框數(shù)的平均減少率,結(jié)果如表1所示。

表1 人臉檢測及合并結(jié)果

可見,優(yōu)化合并之后,提升了人臉覆蓋率,覆蓋到更多人臉區(qū)域,同時大大減少了矩形框數(shù),有利于之后的加密輸入處理。

如圖1所示,一副圖像經(jīng)過模型檢測與優(yōu)化合并,兩個階段的結(jié)果進行比照,可以看到,優(yōu)化合并之后,減少了漏檢的情況,覆蓋到更多圖像隱私區(qū)域,圖像隱私區(qū)域分布較為集中,后期進行部分加密時輸入圖像數(shù)據(jù)處理更加方便。

圖1 檢測結(jié)果及合并結(jié)果

2 圖像部分加密算法

2.1 logistic-sine-cosine映射

將logistic映射和sine 映射組合,級聯(lián)上cosine映射,最終獲得logistic-sine-cosine映射[21],如下所示

(2)

式中:r∈[0,1],x∈(0,1)。初始狀態(tài)x0和控制參數(shù)r是圖像加密算法的密鑰,由此生成混沌序列。生成的混沌序列后續(xù)用以圖像加密中的像素置亂和擴散。

logistic-sine-cosine映射的分叉圖、Lyapunov指數(shù)和樣本熵證明了其優(yōu)良的混沌性能[21]。當r∈[0,1],x∈(0,1),logistic-sine-cosine映射的輸出狀態(tài)是隨機分布的,其Lyapunov指數(shù)在1.374～1.386范圍內(nèi)。logistic-sine-cosine映射實現(xiàn)簡單,并且能夠生成具有良好隨機性能的混沌序列。所以,選擇其生成本文圖像加密的混沌序列。

2.2 密鑰組成

加密算法的密鑰由隨機生成的256位二進制數(shù)組成:4對32位的初始狀態(tài)和控制參數(shù)。每32位都通過式(2)轉(zhuǎn)化成小數(shù)x0、r

(3)

顯而易見,本文加密密鑰的密鑰空間是2256,足以對抗各式攻擊[22]。由x0和r密鑰,獲得相應混沌序列,這4組混沌序列將一一作用于并影響著圖像加密的4輪像素置亂、像素擴散,如圖2所示。

圖2 加密流程圖

2.3 加解密算法

加密過程:在進行了隱私區(qū)域自動標定之后,針對圖像隱私數(shù)據(jù)進行4輪像素置亂、像素擴散,如圖2所示,得到加密數(shù)據(jù)。解密時,針對圖像隱私部分進行4輪像素擴散還原、像素置亂還原,得到隱私部分解密后的圖像。

整體的彩色圖像隱私部分自動標定及加解密算法如圖3所示。

圖3 圖像隱私部分標定及加解密流程圖

接下來是詳細的像素置亂、像素擴散算法介紹以及加密算法的安全性分析。設輸入圖像數(shù)組大小為(H,W,3)。

2.3.1 像素置亂

首先根據(jù)密鑰初始狀態(tài)x0和控制參數(shù)r生成長為H*W*3的混沌序列S,將S分成3個(H,W)的矩陣A,B,D。IA1是矩陣A每列按行排序的索引結(jié)果轉(zhuǎn)置,大小為(W,H),矩陣元素∈[1,H]的整數(shù)。IA2是矩陣A每行排序的索引結(jié)果,大小為(H,W),矩陣元素∈[1,W]的整數(shù)。IB1是矩陣B每列按行排序的索引結(jié)果轉(zhuǎn)置,大小為(W,H),矩陣元素∈[1,H]的整數(shù)。IB2是矩陣B每行排序的索引結(jié)果,大小為(H,W),矩陣元素∈[1,W] 的整數(shù)。ID1是矩陣D每列按行排序的索引結(jié)果轉(zhuǎn)置,大小為(W,H),矩陣元素∈[1,H]的整數(shù)。ID2是矩陣D每行排序的索引結(jié)果,大小為(H,W),矩陣元素∈[1,W]的整數(shù)。將S轉(zhuǎn)換為(H,W,3)的矩陣U,IU是矩陣U[i,j,:]中3個數(shù)排序的索引結(jié)果,大小為(H,W,3),矩陣元素∈[1,3]的整數(shù)(此節(jié)索引以1開始)。

置亂加密算法

輸入:P(H,W,3),IA1,IA2,IB1,IB2,ID1,ID2,IS

輸出:C(H,W,3)

1.fori=1:H://i從1取到H

2.forj=1:W:

3.C(i,j,1)=P(IA1(j,i),IA2(IA1(j,i),j),IU(IA1(j,i),IA2(IA1(j,i),j),1))

4.C(i,j,2)=P(IB1(j,i),IB2(IB1(j,i),j),IU(IB1(j,i),IB2(IB1(j,i),j),2))

5.C(i,j,3)=P(ID1(j,i),ID2(ID1(j,i),j),IU(ID1(j,i),ID2(ID1(j,i),j),3))

6.returnC

接下來用一個實例進一步闡述置亂算法,假設這個例子是一個H=2,W=3的三通道輸入數(shù)據(jù),如圖4所示。

圖4 置亂前的數(shù)據(jù)

每個框內(nèi)存放著一個數(shù)值(像素),數(shù)值的3位數(shù)字依次表示行、列和通道索引。這個數(shù)值作為每個框的標識數(shù)值,以此區(qū)分不同表格。在置亂過程中,只置亂框的位置,不改變框內(nèi)的數(shù)值。通過這樣的設計,置亂之后的數(shù)據(jù)可以顯示出此置亂算法的置亂效果。此處索引從1開始。

按照上述置亂算法,推導出輸出數(shù)據(jù)上位置為(1,1,:)的像素:

(1,1,1)處,放入第IA1(1,1)=1行,第IA2(1,1)=3列,第IU(1,3,1)=3通道的像素。

(1,1,2)處,放入第IB1(1,1)=2行,第IB2(2,1)=2列,第IU(2,1,2)=3通道的像素。

(1,1,3)處,放入第ID1(1,1)=2行,第ID2(2,1)=1列,第IU(2,1,3)=1通道的像素。

處理完所有數(shù)據(jù),得到圖5所示置亂效果。

圖5 置亂后的數(shù)據(jù)

如圖4和圖5所示,此像素置亂方法能夠達到像素隨機置亂到任意行、列、通道的效果,一一映射,置亂還原可逆。

還原算法

輸入:C(H,W,3),IA1,IA2,IB1,IB2,ID1,ID2,IS

輸出:P(H,W,3)

1.fori=1:H:

2.forj=1:W:

3.P(IA1(j,i),IA2(IA1(j,i),j),IU(IA1(j,i),

IA2(IA1(j,i),j),1))=C(i,j,1)

4.P(IB1(j,i),IB2(IB1(j,i),j),IU(IB1(j,i),

IB2(IB1(j,i),j),2))=C(i,j,2)

5.P(ID1(j,i),ID2(ID1(j,i),j),IU(ID1(j,i),

ID2(ID1(j,i),j),3))=C(i,j,3)

6.returnP

2.3.2 像素擴散

在進行像素擴散時,遵循“Z”字型最大化傳遞像素,并將原本的擴散末尾點加至擴散起始點,使得在一輪擴散中,每個點至少影響其余一個像素點,至多擴散到所有像素點。通過4輪像素置亂、像素擴散,實現(xiàn)加密算法的混淆和擴散,保障圖像數(shù)據(jù)安全。

先將x0和r生成的混沌序列S(總長為H*W*3)變換為大小(H,W,3)的矩陣,再把所有元素乘上232且向下取整,更新獲得元素為正整數(shù)的矩陣S。

假設輸入矩陣P,輸出矩陣C,遵循以下規(guī)則實現(xiàn)像素擴散,規(guī)則中的i、j、u都是從1各自遞增到H、W、3:

i=1,j=1,u=1:C(i,j,u)=mod(P(i,j,u)+

P(H,W,3)+S(i,j,u),256)

i=1,j=1,u>1:C(i,j,u)=mod(P(i,j,u)+

C(i,j,u-1)+S(i,j,u),256)

i≠1,j=1,u=1:C(i,j,u)=mod(P(i,j,u)+

C(i-1,W,3)+S(i,j,u),256)

i≠1,j=1,u>1:C(i,j,u)=mod(P(i,j,u)+

C(i,j,u-1)+S(i,j,u),256)

j≠1,u=1:C(i,j,u)=mod(P(i,j,u)+

C(i,j-1,3)+S(i,j,u),256)

j≠1,u>1:C(i,j,u)=mod(P(i,j,u)+

C(i,j,u-1)+S(i,j,u),256)

解密操作與加密操作逆序,i、j、u這時初始化為H、W、3,遞減直至為1。解密規(guī)則和加密規(guī)則相同,區(qū)別僅在于操作符號,還原解密時需要將加號變?yōu)闇p號:

i=1,j=1,u=1:P(i,j,u)=mod(C(i,j,u)-

P(H,W,3)-S(i,j,u),256)

i=1,j=1,u>1:P(i,j,u)=mod(C(i,j,u)-

C(i,j,u-1)-S(i,j,u),256)

i≠1,j=1,u=1:P(i,j,u)=mod(C(i,j,u)-

C(i-1,W,3)-S(i,j,u),256)

i≠1,j=1,u>1:P(i,j,u)=mod(C(i,j,u)-

C(i,j,u-1)-S(i,j,u),256)

j≠1,u=1:P(i,j,u)=mod(C(i,j,u)-

C(i,j-1,3)-S(i,j,u),256)

j≠1,u>1:P(i,j,u)=mod(C(i,j,u)-

C(i,j,u-1)-S(i,j,u),256)

2.3.3 密鑰安全性分析

本文加密算法的密鑰空間為2256>2100足以對抗各式攻擊[22]。更進一步地,利用比特變化率(Number of bit change rate,NBCR)檢驗密鑰的靈敏度[23],確保密鑰實際空間不低于理論密鑰空間。

設彩色圖像P1和P2大小一致,NBCR(P1,P2)

(4)

即P1和P2所有像素的漢明距離除以圖像總比特數(shù),P1和P2的總比特數(shù)一樣。

為了檢驗密鑰靈敏度,進行256次試驗。每次試驗,都改變256位密鑰中的一位,原密鑰與改變后的密鑰加密同一明文圖像得密文圖像C1和C2,計算NBCR(C1,C2),之后用原密鑰與改變后密鑰解密密文圖像C1得D1和D2,計算NBCR(D1,D2)。根據(jù)256次試驗得256對NBCR(C1,C2)和NBCR(D1,D2),所有的NBCR(C1,C2)和NBCR(D1,D2)都在0.5左右以不超過0.002 5的幅度振蕩,說明當密鑰發(fā)生極細微的改變時,加密所得的密文圖像和解密所得的明文圖像都大不相同,本文加密算法的密鑰是很靈敏的。

2.3.4 算法統(tǒng)計分析和擴散性分析

最后,針對本文圖像加密算法實施統(tǒng)計分析和擴散性分析。統(tǒng)計分析上主要采用直方圖、相鄰像素的相關(guān)性、信息熵,擴散性分析主要利用像素改變率(Number of pixels change rate,NPCR)和一致平均改變強度(Unified average changing intensity,UACI)[24]。

如圖6所示,加密所得的密文圖像的各通道直方圖都接近完全一致分布,本文加密算法可以抵御直方圖分析的攻擊。

圖6 明文、密文圖像的三通道灰度直方圖

隨機選擇明文、密文圖像在水平(垂直、對角線)方向上相鄰的2 000對像素,比較它們的相關(guān)性。結(jié)果如表2所示,Lena圖三通道各方向上的相關(guān)性都接近1,而密文圖像的相關(guān)性都接近0,可見加密算法可以抵抗相關(guān)性分析的攻擊。

若各灰度值出現(xiàn)在密文圖像中的概率一致,圖像的信息熵等于8,這意味著此加密算法得到的密文圖像是理想的隨機加密圖像。Lena圖三通道信息熵依次為7.287 4、7.565 9、7.053 2,加密后依次為7.989 9、7.989 6、7.990 1,密文圖像信息熵都在7.989之上,逼近目標值8。

選用USC-SIPI“Aerials”中的14張彩色圖實施擴散性分析,其中前8張圖像是256*256大小,剩余6張圖像大小是512*512。對于每張圖像,隨機生成密鑰、隨機選擇像素、修改像素值(加一或減一)、加密改變前后圖像、計算NPCR和UACI,取10次隨機測驗的平均值作為最終結(jié)果填入表3。

表2 Lena原圖與加密圖三通道相關(guān)性對比

表3 14張彩色圖的NPCR和UACI測試結(jié)果

測試圖像大小是256*256時,測試通過的標準是NPCR>99.569 3%,UACI∈(33.282 4%,33.644 7%)。大小是512*512時,測試通過標準是NPCR>99.589 3%,UACI∈(33.373 0%,33.554 1%)[24]。如表2所示,所有圖片所有通道的NPCR都不低于99.60%,而且UACI不低于33.43%,測驗通過?？梢姳疚募用芩惴〝U散性良好,可以抵抗差分攻擊。

表4是本文圖像加密算法的平均NPCR和UACI與其他現(xiàn)有加密算法的比較。相比之下,本文的一致改變強度表現(xiàn)突出,像素改變率也不相上下。

表4 各加密算法的NPCR和UACI對比

2.4 圖像隱私部分加解密效果圖

根據(jù)上述圖像隱私區(qū)域自動標定算法和圖像部分加密算法處理輸入圖像,最終實現(xiàn)如圖7所示的人臉檢測、合并優(yōu)化、加密圖像。

圖7 圖像隱私部分自動標定及加密

2.5 試驗結(jié)果對比

將本文提出的圖像隱私部分標定方法和保護手段與現(xiàn)有相關(guān)方案進行對比。

如表5所示,Yuan等[28]采用的加密手段:量化離散余弦變換系數(shù)符號修改,安全性不高[29],Wen等[30]將圖像顯著信息加密進參考圖像,密文數(shù)據(jù)量大于明文。Yu等[8]、Liu等[31]的模糊手段難以抵擋McPherson等[18]描述的攻擊方法。孫江林[19]采用的加密算法僅有置亂階段,缺乏擴散階段,安全性不高。Mahajan等[13]利用兩張人臉圖片,參考修改其中一個人臉的特征,修改后的人臉不僅不夠自然,還保留了一些原本的面部特征,不利于隱私保護。本文的保護算法在前人研究基礎(chǔ)之上,合并優(yōu)化人臉檢測區(qū)域,利用混淆和擴散性良好的加密算法,很好地保護了人臉隱私信息。

表5 本文所提算法與同類算法的對比

3 結(jié)束語

針對目前國內(nèi)外研究的圖像隱私保護存在的不足,即像素化、模糊、遮擋等保護方法的安全性隨著深度學習的發(fā)展下降,而且無法實現(xiàn)圖像的無損還原,本文提出了一種面向人臉隱私信息保護的圖像部分加密算法:

(1)人臉檢測模型初步檢測圖像中的人臉信息。

(2)優(yōu)化模型檢測結(jié)果,減少漏檢情況,合并距離相近的人臉檢測區(qū)域。

(3)在進行像素置亂時,基于混沌序列設計實現(xiàn)了所有像素(行、列、通道)的一一映射,擴大了像素的位置置亂范圍。

(4)針對加密算法的安全性進行了密鑰安全性分析、統(tǒng)計分析和擴散性分析,充分證明了算法具有良好的混淆和擴散性。

本文提出的圖像隱私區(qū)域自動標定及加密算法,針對的僅僅是人臉隱私信息,但在圖像中也存在著其他類型的需要保護的隱私信息。由于是根據(jù)人臉檢測深度學習模型進行初步檢測,雖然已經(jīng)增加了合并擴大隱私區(qū)域的后處理,但在實際應用中還是存在著一定的誤檢、漏檢風險,有待改善。采用了人臉檢測、加密等手段處理圖像隱私信息,一定程度上保護了圖像信息,但是面對龐大的數(shù)據(jù)量,處理速度和密鑰存儲機制還有待完善。