买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利一种关键点差分隐私驱动的人脸图像隐私保护方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114169002B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111485366.9，技术领域涉及：G06F21/62；该发明授权一种关键点差分隐私驱动的人脸图像隐私保护方法是由匡振中;沈英杰;俞俊设计研发完成，并于2021-12-07向国家知识产权局提交的专利申请。

本一种关键点差分隐私驱动的人脸图像隐私保护方法在说明书摘要公布了：本发明公开了一种关键点差分隐私驱动的人脸图像隐私保护方法，首先进行数据预处理，构建关键点标识匿名空间；然后构建匿名人脸生成对抗网络结构，确定匿名人脸生成对抗网络优化目标函数；获得改进后的应用于匿名人脸关键点标识的差分隐私算法；最后通过预处理后的数据集，对匿名人脸生成对抗网络进行训练，输出最终结果。本方法对图像中人脸的面部关键点结构进行修改实现人脸身份匿名，取得了更好的数据可用性和视觉效果，在生成图像质量上更高，能够保持原本的非身份属性，且不需要使用任何属性标签。

本发明授权一种关键点差分隐私驱动的人脸图像隐私保护方法在权利要求书中公布了：1.一种关键点差分隐私驱动的人脸图像隐私保护方法，其特征在于，步骤如下：步骤1：数据预处理；步骤2：构建匿名人脸生成对抗网络结构；步骤3：确定匿名人脸生成对抗网络优化目标函数；步骤4：获得改进后的应用于匿名人脸关键点标识的差分隐私算法；步骤5：通过步骤1预处理后的数据集，对匿名人脸生成对抗网络进行训练，输出最终结果；步骤2构建匿名人脸生成对抗网络结构，具体步骤如下：所述的匿名人脸生成对抗网络包括生成器、真假判别器和风格判别器；2-1.构建生成器G；所述的生成器由风格编码器、融合器和遮罩生成器构成；风格编码器由6个残差块组成，其中最后一层结果求和并输出512维向量并将其作为风格特征向量；融合器由5个下采样残差块和8个上采样残差块组成，其中每个上采样块加入了AdaIN块并在最后一层采用Tanh作为激活函数；融合器将关键点标识进行解码，并将风格特征向量以仿射参数嵌入到AdaIN块中；遮罩生成器由3个下采样残差块和5个上采样残差块组成，最后生成单通道的脸部语义遮罩；该遮罩能够将生成的人脸图像更好地融合到背景；2-2.构建真假判别器D；真假判别器与风格编码器相比，判别器网络在末端具有额外的下采样残差块和一层全连接网络，最后输出输入图像的真假得分；真假判别器用于判断输入图像是否为真实人脸图像，以及是否和输入的关键点标识相匹配；2-3.使用预训练的VGG19模型和VGGface模型作为风格判别器；步骤3确定匿名人脸生成对抗网络优化目标函数，具体如下：所述的人脸生成对抗网络优化目标函数如下： 其中包括对抗损失函数人脸图像风格损失函数特征匹配损失函数和人脸语义损失函数3-1.对抗损失函数；采用pix2pix和StyleGAN结合的思想来控制图像不同内容的生成，以保证隐私属性和非隐私属性的可控制性；具体操作是将风格编码器提取到的原始图像xr的风格特征向量和关键点标识ξ作为条件输入到融合器中，风格特征向量控制融合器网络中的AdaIN块生成图像xf；随后将关键点标识和对应生成图像xf为一组输入判别器进行判别，生成器和真假判别器的对抗损失函数表示为：xf＝Gξ,xr 3-2.人脸图像风格损失函数；使用预训练的VGG19模型和VGGface模型作为风格判别器，计算生成图像xf与原始图像之间风格损失；具体过程是利用风格判别器特征层的输出分别得到生成图像和原始图像的特征图，通过计算两个特征图之间的L1距离差，使得原始图像与生成图像的风格保持一致；从数学形式上可表示为： 其中T为所选择的特征层集合，VGGi是风格判别器第i层提取到的中间特征；3-3.特征匹配损失函数；为了提高网络模型训练的稳定性以及生成图像的质量，引入特征匹配损失函数；具体来说，与风格损失函数类似，针对原始图像和生成图像分别从真假判别器中提取多个中间层特征，并进行多尺度特征匹配；令特征匹配损失函数为： 其中T为所选择的特征层集合，Di为真假判别器第i层提取到的中间特征；3-4.人脸语义损失函数；为了更好得保持背景并且的减少网络的优化难度，采用一个额外的脸部语义生成器来生成一个只包含脸部语义遮罩M；损失函数从数学形式上可表示为： 其中Bξ表示人脸关键点标识的人脸区域；步骤4获得改进后的应用于匿名人脸关键点标识的差分隐私算法，具体如下：差分隐私理论算法：对给定相邻数据集U和U’，二者互相之间至多相差一条记录，即|DΔD'|≤1；给定一个隐私算法M，S为M的取值范围，若算法M在数据集U和U’上任意输出结果S满足下列不等式，则M满足ε-差分隐私；Pr[MU∈S]≤eεPr[MU'∈S]这个参数ε通常称为隐私预算，是在相邻数据集上看到相同输出的可能性概率比的界限；ε的值越小，隐私保护越强；使用拉普拉斯机制对关键点标识添加随机扰动来实现差分隐私；令RξX为关键点标识集合，fX是X到Rξ的映射函数，X和X’是数据集U的任意两个图像，Δf是全局隐私敏感度，用于校准函数fX的噪声量，是任意X和X’的关键点标识最大L1范数，定义为：fX＝RξX 通过MX函数对标识向量加入拉普拉斯噪声机制进行扰动： 根据差分隐私定义，MX满足ε-差分隐私:

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。