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！

龙图腾网恭喜浙江工业大学申请的专利基于生成对抗网络的非可逆人脸信息加密及人脸识别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：CN114463863B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202111564707.1，技术领域涉及：G06V40/50；该发明授权基于生成对抗网络的非可逆人脸信息加密及人脸识别方法是由冯缘;章悦涛;邱天;温易凡;夏嘉坤;黄诗意设计研发完成，并于2021-12-20向国家知识产权局提交的专利申请。

本基于生成对抗网络的非可逆人脸信息加密及人脸识别方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，该方法基于人脸属性编辑，对人脸信息提取特征，采用非可逆加密人脸属性映射，得出加密后的数据值并编辑出一张相对应的新的人脸信息，通过比对加密后的人脸信息，识别判断得出结果。本发明可用于安检、支付、解锁、购票、比对、身份核验等需要人脸识别的应用场景平台，可使各应用平台中存储的人脸数据变为经过不可逆加密的人脸数据，保护了个人面部信息的隐私性。同时，通过在不同应用平台应用不同的加密参数，可实现不同应用平台人脸储存信息的独立性与安全性，体现出本发明的广泛应用性。本发明的实施，将有助于加强对人脸隐私信息的保护。

本发明授权基于生成对抗网络的非可逆人脸信息加密及人脸识别方法在权利要求书中公布了：1.一种基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，其特征在于，包括非可逆人脸属性加密以及人脸属性编辑；利用卷积神经网络识别人脸属性，对人脸各属性特征进行非可逆加密人脸属性映射加密生成加密后的人脸属性，通过在对抗生成网络的编码器和解码器之间的跨层连接上增加注意力变换单元，以进行人脸属性编辑，生成加密后的人脸信息用人脸识别；所述人脸属性编辑主要分为生成器和判别器两部分；生成器由编码器Genc和解码器Gdec组成，Genc由5个卷积层构成，用来提取抽象的图像特征，Gdec由5个反卷积层构成，用来生成目标图像；判别器有Datt和Dadv两个分支，Dadv由5个卷积层和两个全连接层构成，用来判断图像的真假，Datt和Dadv共享卷积参数，并用另外两个全连接层用来预测生成图的属性；此外，Genc的前4层通过选择性转换单元与Gdec对应深度的层进行连接，自适应地转换由要改变的属性引导的编码器特征，并与解码器特征连接以增强图像质量和属性操纵能力；生成器Gx,attdiff的输入为图像x和差异属性attdiff；对于给定输入图像x，通过f＝Gencx获得编码器特征；其中，分别表示编码阶段各层的特征，共5层；然后在attdiff的指导下，选择性转换单元被应用于转换每一层的编码器特征；部署在不同层中的选择性转换单元不共享参数；令ft＝{ft1,...ft4}，则Gdec的编辑结果由所得；其中，ft1,...ft4分别表示解码阶段各层的特征，共4层；当目标特征与源特征完全相同时，即attdiff＝0，此时，重建损失Lrec定义为：Lrec＝||x-Gx,0||1当目标特征与源特征不同时，即attdiff≠0，此时，引入对抗性损失约束编辑结果与真实图像之间的差异；对抗生成网络模型按照WGAN-GP，将真假判别器Dadv和其对应的生成器Gadv的训练损失定义为WGAN-GP中的对抗损失函数，记为和 其中，是在成对的真实图像和生成图像之间的上采样，表示判别器Dadvx在x方向上的梯度；表示属性编辑的生成结果；||||2表示L2正则化；λ为算法模型的权衡参数；E表示期望；在源图像不存在的情况下，引入特征控制损失；采用特征控制损失来训练属性分类器Datt和属性生成器Gatt，Datt和Gatt的属性分类损失函数采用二值交叉熵损失，记为和 其中，atti表示第i个源属性标签，表示第i个判别器，c表示判别器数量；表示为attDattx的第i个特征值；对抗生成网络模型训练判别器D的目标函数记为LD： 其中，λ1是算法模型的权衡参数；生成器G的目标函数为： 其中，λ2和λ3是算法模型的权衡参数，Lrec表示约束x和之间距离的损失函数。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18号；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”。