论文部分内容阅读
伴随着计算机技术与科技的迅猛发展,信息的获取日趋多样化,人类生活的自主性与独立性不断提升。逐渐普及的视频个性化服务以及互联网的广泛应用为人们的日常生活带来了巨大的便捷,在提供多元化服务与全方位的保护时,信息的实时获取使得人们的隐私受到了威胁,其中以视频与图像中的个人隐私信息为主。开展对视觉隐私保护方法的研究对解决个人隐私安全问题起到了决定性的作用。人脸去身份识别作为最常见的视觉隐私保护方法之一,其在保护个人隐私信息的同时能够提供有效的人脸信息,极大地满足了实际应用需求。而传统的人脸去身份识别方法在进行隐私保护时会改变表情等人脸有效信息,使得视频直播等应用中隐私保护后的人脸数据效用性降低。因此,针对视觉隐私保护中人脸表情不变的研究对于权衡隐私保护与数据效用性具有重大意义与应用价值。为了解决视觉隐私保护中人脸表情发生变化的问题,首先,本文提出了一种基于多模式判别分析的表情不变的视觉隐私保护方法。多模式判别分析方法是基于多模式数据的有效处理方式,其利用最佳Fisher标准生成多模式数据对应的独立正交子空间,且每个子空间互不影响。本文运用AAM(Active Appearance Model)建模对人脸图像进行归一化去除拍摄角度、姿态等因素的影响,在多模式判别分析方法的基础上,得到相应的身份空间,并完成对包含性别、种族和表情等多种属性的人脸图像的多模式分解,每个相互正交的身份空间拥有其对应的平均特征脸,通过身份空间获取每个特征的特征参数,这些特征参数的变化影响相应的特征信息。为了实现对人脸的表情不变的隐私保护,改变性别与种族等特征参数,同时对表情特征参数不作任何变化。实验结果表明基于多模式判别分析的视觉隐私保护方法对于拥有多种特征的人脸图像的处理具有很好的判别性,同时本文算法可以在保护人脸隐私的同时有效地保持表情信息不变。其次,本文通过研究现有的人脸去身份识别方法,对K-Same算法的隐私保护性能进行了分析并提出一种基于K-Same的表情不变的视觉隐私保护方法。针对K-Same算法利用k张相似人脸图像的平均值实现隐私保护过程中表情信息可能发生变化的问题,本文首先采用互补性的LBP(Local Binary Patterns)/LPQ(Local Phase Quantization)特征融合算子提取表情特征,并运用K近邻分类选取表情特征一致的人脸图像,为了尽可能地保护人脸隐私,在表情相同的前提下,对k张与待保护人脸图像最不相似的图像求平均作为去身份识别图像。通过实验证明本文算法在隐私保护上具有比K-Same算法更好的效果,同时人脸表情信息能够有效地保持不变。