实现隐私保护的人脸识别方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113435406A(43)申请公布日2021.09.24(21)申请号202110801564.5(22)申请日2021.07.15(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人金璐(74)专利代理机构北京亿腾知识产权代理事务所(普通合伙)11309代理人陈霁周良玉(51)Int.Cl.G06K9/00(2006.01)G06F21/60(2013.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书9页附图5页(54)发明名称实现隐私保护的人脸识别方法及装置(57)摘要本说明书实施例提供一种实现隐私保护的人脸识别方法及装置，在人脸识别方法中，客户端获取待识别人脸图像的目标特征。客户端采用同态加密算法对目标特征进行同态加密，得到加密人脸特征。客户端将加密人脸特征发送给云端服务器。其中，云端服务器包括GPU，该GPU具有预先训练的卷积神经网络的各层网络的网络参数。云端服务器利用GPU，对加密人脸特征和各层网络的网络参数进行目标处理，从而确定加密人脸识别结果。云端服务器将加密人脸识别结果返回给客户端。客户端采用同态加密算法对应的解密算法，对加密人脸识别结果进行解密，得到最终识别结果。CN113435406ACN113435406A权利要求书1/4页1.一种实现隐私保护的人脸识别方法，包括：客户端获取待识别人脸图像的目标特征；所述客户端采用同态加密算法对所述目标特征进行同态加密，得到加密人脸特征；所述客户端将所述加密人脸特征发送给云端服务器；其中，所述云端服务器包括GPU，所述GPU具有预先训练的卷积神经网络的各层网络的网络参数；所述云端服务器利用所述GPU，对所述加密人脸特征和所述各层网络的网络参数进行目标处理，从而确定加密人脸识别结果，其中所述目标处理是所述卷积神经网络的原始函数对应于所述同态加密算法的同态运算处理；所述云端服务器将所述加密人脸识别结果返回给所述客户端；所述客户端采用所述同态加密算法对应的解密算法，对所述加密人脸识别结果进行解密，得到最终识别结果。2.根据权利要求1所述的方法，其中，所述GPU至少包括：多项式计算单元和缩放因子生成单元；所述利用所述GPU，对所述加密人脸特征和所述各层网络的网络参数进行目标处理，包括：利用所述缩放因子生成单元，生成用于针对所述加密人脸特征和所述各层网络的网络参数进行缩放处理的缩放因子；利用所述多项式计算单元，基于所述缩放因子，对所述加密人脸特征和所述各层网络的网络参数进行缩放处理；以及基于缩放处理后的所述加密人脸特征和所述各层网络的网络参数，执行与所述各层网络的原始函数相应的同态运算，并基于对应于最后一层网络的运算结果确定所述加密人脸识别结果。3.根据权利要求2所述的方法，其中，所述GPU还包括随机数生成单元；所述方法还包括：所述云端服务器利用所述随机数生成单元，生成所述多项式计算单元在执行所述同态运算过程中所用到的随机数。4.根据权利要求1所述的方法，其中，所述预先训练的卷积神经网络通过以下步骤训练得到：所述云端服务器获取若干样本图像及其对应的样本标签；所述云端服务器采用所述同态加密算法，依次对所述各样本图像的图像特征进行同态加密，得到对应的多个加密图像特征；所述云端服务器利用所述GPU，对各加密图像特征以及卷积神经网络的各层网络的网络参数进行所述目标处理，从而确定所述各样本图像各自的加密预测结果；所述云端服务器根据所述加密预测结果以及所述样本标签，调整所述卷积神经网络的各层网络的网络参数，得到所述预先训练的卷积神经网络。5.根据权利要求1所述的方法，所述卷积神经网络通过以下步骤得到：所述云端服务器基于若干样本图像及其对应的样本标签，训练卷积神经网络；所述云端服务器将训练后的卷积神经网络中各层网络的原始函数，转换为适用于所述同态加密算法的目标函数，得到转换后的卷积神经网络；所述云端服务器将所述转换后的卷积神经网络作为所述预先训练的卷积神经网络。2CN113435406A权利要求书2/4页6.根据权利要求5所述的方法，其中，所述各层网络包括激活层；所述云端服务器将训练后的卷积神经网络中各层网络的原始函数，转换为适用于所述同态加密算法的目标函数，包括：将所述激活层的激活函数替换为多阶泰勒公式展开。7.根据权利要求1所述的方法，所述利用所述GPU，对所述加密人脸特征和所述各层网络的网络参数进行目标处理，包括：根据所述待识别人脸图像的图像标识，获取该图像标识对应的目标图像，并从中提取人脸特征；采用所述同态加密算法，对提取的人脸特征进行同态加密，得到目标加密特征；对所述加密人脸特征、所述目标