人臉識別模型的訓練方法及裝置的制造方法
【專利摘要】本申請提供一種人臉識別模型的訓練方法及裝置，其中的方法包括：基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層；從所述至少一個基層中提取圖像變換參數；根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。本申請可以排除在對非公開人臉數據進行上傳的過程中泄密風險。
【專利說明】
人臉識別模型的訓練方法及裝置
技術領域
[0001]本申請涉及通訊領域，尤其涉及一種人臉識別模型的訓練方法及裝置。
【背景技術】
[0002]人臉識別是圖像識別領域的一個熱門領域，為了訓練更高精度的人臉識別模型，現有的訓練系統都需要大量的人臉圖像作為訓練樣本，并且采用分布式計算以提高訓練速度，因此越來越多的模型訓練任務已經放在云計算平臺上來運行。
[0003]然而由于模型訓練之前需要將人臉圖像上傳到云計算平臺，因此在將人臉圖像上傳到云計算平臺的過程中，則會存在人臉圖像被竊取從而泄漏用戶隱私的問題。
【發明內容】
[0004]有鑒于此，本申請提出一種人臉識別模型的訓練方法，該方法包括:
[0005]基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層；
[0006]從所述至少一個基層中提取圖像變換參數；
[0007]根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；
[0008]將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
[0009]可選的，所述多層神經網絡包括多層卷積神經網絡。
[0010]可選的，所述服務端包括云計算平臺。
[0011]可選的，所述從所述至少一個網絡層中提取圖像變換參數包括:
[0012]提取所述至少一個網絡層中的特征映射圖；
[0013]將提取出的特征映射圖作為圖像變換參數進行輸出。
[0014]可選的，所述根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理包括:
[0015]將所述圖像變換參數作為卷積核與所述非公開人臉數據集進行卷積計算，以對所述非公開人臉數據集進行不可逆的模糊化處理。
[0016]本申請還提出一種人臉識別模型的訓練裝置，該裝置包括:
[0017]訓練模塊，用于基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層;
[0018]提取模塊，用于從所述至少一個基層中提取圖像變換參數；
[0019]處理模塊，用于根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；
[0020]上傳模塊，用于將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
[0021]可選的，所述多層神經網絡包括多層卷積神經網絡；所述服務端包括云計算平臺。
[0022]可選的，所述提取模塊具體用于:
[0023]提取所述至少一個網絡層中的特征映射圖；
[0024]將提取出的特征映射圖作為圖像變換參數進行輸出。
[0025]可選的，所述處理模塊具體用于:
[0026]將所述圖像變換參數作為卷積核與所述非公開人臉數據集進行卷積計算，以對所述非公開人臉數據集進行不可逆的模糊化處理。
[0027]本申請還提出一種人臉識別模型的訓練裝置，包括:
[0028]處理器；用于存儲所述處理器可執行指令的存儲器；
[0029]其中，所述處理器被配置為:
[0030]基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層；
[0031]從所述至少一個基層中提取圖像變換參數；
[0032]根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；
[0033]將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
[0034]本申請通過基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層，然后從訓練出的所述至少一個基層中提取圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理，并將模糊化處理后的非公開人臉數據集上傳給服務端，由服務端完成剩余基層的訓練。由于對非公開人臉數據進行的模糊化處理為不可逆的，而且模糊化處理后的人臉數據用戶肉眼無法進行分辨，因此在對非公開人臉數據進行上傳的過程中，排除了泄密風險。
【附圖說明】
[0035]圖1是本申請一實施例提供的一種人臉識別模型的訓練方法的流程圖；
[0036]圖2是本申請一實施例提供的一種4個基層的多層卷積神經網絡的基本架構圖；
[0037]圖3是本申請一實施例提供的一種人臉識別模型的訓練裝置的邏輯框圖；
[0038]圖4是本申請一實施例提供的承載所述人臉識別模型的訓練裝置的服務器的硬件結構圖。
【具體實施方式】
[0039]這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本申請相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本申請的一些方面相一致的裝置和方法的例子。
[0040]在現有技術中，針對圖像在傳輸過程中可能會存在隱私泄露的問題，目前的解決方案主要基于以下兩種:
[0041]第一，使用密鑰對需要上傳的人臉圖像進行加密，然后對加密后的人臉圖像作為公開信息傳輸；云計算平臺在收到上傳的加密圖像后，進行解密獲取原始的人臉圖像進行人臉識別模型的訓練。
[0042]在以上方案中，對人臉圖像進行加密時所使用的密鑰一旦被破解或者泄露，仍然會造成隱私泄露的問題。
[0043]第二，在需要上傳的人臉圖像上劃定隱私區域，并對隱私區域進行部分模糊化，然后用隱私區域減去模糊化后的隱私區域得到差值隱私圖像，并使用密鑰對差值隱私區域進行加密。
[0044]在以上方案中，對差值隱私區域進行加密時所使用的密鑰一旦被破解或者泄露，未授權的用戶就可以獲取到差值隱私圖像，仍然會造成隱私泄露。
[0045]有鑒于此，本申請提出一種人臉識別模型的訓練方法，通過針對公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層，然后從訓練出的所述至少一個基層中提取圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理，并將模糊化處理后的非公開人臉數據集上傳給云計算平臺，由云計算平臺完成剩余基層的訓練。由于對非公開人臉數據進行的模糊化處理為不可逆的，而且模糊化處理后的人臉數據用戶肉眼無法進行分辨，因此在對非公開人臉數據進行上傳的過程中，排除了泄密風險。
[0046]下面通過具體實施例并結合具體的應用場景對本申請進行描述。
[0047]請參考圖1，圖1是本申請一實施例提供的一種人臉識別模型的訓練方法，該方法的執行主體可以為第一服務器；當然在實現時該方法的執行主體也可以是各種提供計算資源的計算機；所述方法包括以下步驟:
[0048]步驟101，基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層；
[0049]步驟102，從所述至少一個基層中提取圖像變換參數；
[0050]步驟103，根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；
[0051]步驟104，將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
[0052]在本實施例中，所述第一服務器可以是一個存儲了用戶的非公開人臉數據集的服務器，所述服務端可以是具有強大計算能力的云計算平臺，或者所述服務端也可以是一個在處理能力上優于所述第一服務器，與所述第一服務器在物理上相互獨立的用于進行人臉識別模型訓練的第二服務器。
[0053]以下以所述服務端為云計算平臺為例對本申請的技術方案進行詳細描述。
[0054]在實際應用中，為了利用云計算平臺的強大計算能力，人臉識別模型的訓練通常可以由云計算平臺來進行。云計算平臺可以將所述第一服務器上傳的人臉數據集作為訓練樣本，然后基于大量訓練樣本進行多層神經網絡訓練后輸出人臉識別模型。然而，云計算平臺在進行多層神經網絡訓練時所采用的大量訓練樣本，通常會包括大量的由所述第一服務器上傳的非公開人臉數據集；由于非公開人臉數據集通常涉及用戶隱私，因此，為了盡可能的規避在上傳過程中可能面臨的隱私泄露的風險，所述第一服務器在將非公開人臉數據集上傳給云計算平臺時，可以在本地針對非公開人臉數據集進行不可逆的模糊化處理。
[0055]第一服務器在對非公開人臉數據集進行模糊化處理時，可以在在本地基于預先采集的大量公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層，然后從該基層中提取圖像變換參數對需要上傳的非公開人臉數據集進行模糊化處理。其中，所述公開人臉數據集，是指能夠從互聯網或者其他公共資源上免費獲得的人臉圖像數據集，這些數據集通常已經獲得了本人的公開授權，因為不存在泄漏隱私的風險。
[0056]在本實施例中，所述多層神經網絡可以是多層卷積神經網絡，在多層卷積神經網絡的基本架構中，通常包括多個4-5個基層，每一個基層包括多個Feature Map (特征映射圖)，每個Feature Map通過一個卷積濾波器提取輸入的人臉圖像的一種特征。在多層卷積神經網絡的所有基層中，通常包括特征提取層C層和特征映射層S層，例如，請參見圖2，圖2為本實施例中示出的一種4個基層的多層卷積神經網絡的基本架構，包括C1、S1、C2和S2等4個基層。Cl和C2層為特征提取層，SI和S2層為特征映射層。特征提取層也可以稱之為卷積層，用于對輸入的圖像數據進行卷積計算；每一個特征提取層緊跟一個特征映射層，用于對特征提取層中卷積計算后生成的Feature Map進行抽樣計算。
[0057]第一服務器在對非公開人臉數據集進行模糊化處理時，可以按照圖2所示出的架構對預先采集的大量公開人臉數據集進行多層卷積神經網絡訓練，并且訓練出至少一個基層，然后提取該基層中的Feature Map作為圖像變換參數對非公開人臉數據集進行模糊化處理。
[0058]其中，第一服務器在本地針對所述公開人臉數據訓練出的基層數，應該小于多層卷積神經網絡訓練的最大基層數，對于剩余的基層數將由云計算平臺繼續進行訓練后完成。
[0059]請繼續參見圖2，在本實施例示出的一個示例中，第一服務器可以在本地基于公開人臉數據集訓練出多層卷積神經網絡的前兩層，即Cl層和S2層。當然，在實際應用中，第一服務器也可以只在本地訓練出多層卷積神經網絡的Cl層，由云計算平臺完成S1、C2和S2層的訓練；或者第一服務器可以在本地訓練出多層卷積神經網絡的Cl、SI和C2，由云計算平臺完成S2層的訓練，在本實施例中不進行特別限定。
[0060]具體地，第一服務器首先可以將輸入的公開人臉數據集和3個卷積濾波器進行卷積計算后，在Cl層產生3個Feature Map ;S2層對Cl層中的Feature Map經過抽樣計算后也得到3個S2層Feature Map。其中，所述卷積濾波器的數量可以根據實際需求進行設置，在本實施例中不進行特別限定；C1層和S2的詳細訓練過程，本領域技術人員可以參考現有技術中的介紹，本實施例中不再進行詳述。
[0061]當Cl層和S2層訓練完成后，可以將Cl層和S2層中的Feature Map提取出來，并作為圖像變換參數進行輸出，后續可以根據該圖像變換參數對非公開人臉數據集進行模糊化處理。
[0062]當第一服務器訓練出多層卷積神經網絡的前兩層后，成功輸出所述圖像變換參數后，可以根據輸出的圖像變換參數對非公開人臉數據集進行模糊化處理。
[0063]第一服務器在對所述非公開人臉數據集進行模糊化處理時，可以通過將輸出的所述圖像變換參數作為卷積核，與非公開人臉數據集進行卷積計算，來完成針對非公開人臉數據集的模糊化操作。由于卷積操作是一個不可逆的過程，因此通過卷積計算模糊化處理后的人臉圖像不可恢復，而且無法通過肉眼進行分辨。
[0064]對于模糊化操作后的非公開人臉數據，第一服務器可以上傳給云計算平臺，由于上傳的非公開人臉數據已經被模糊化處理，而且該模糊化處理為不可逆的，因此在上傳過程中不會存在隱私泄露的風險。
[0065]云計算平臺在收到由第一服務器上傳的非公開人臉數據后，雖然此時非公開人臉數據已經被第一服務器進行了模糊化處理，然而第一服務器在對非公開人臉數據進行模糊化處理時所采用的圖像變換參數，是從第一服務器訓練出的多層卷積神經網絡的前兩個基層中提取出來的，因此云計算平臺仍然可以將接收到的經過模糊化處理后的非公開人臉數據作為一個基層繼續進行訓練，完成剩余的C2和S2層的訓練，并最終訓練出人臉識別模型。其中，C2和S2層的訓練過程與Cl和SI層的訓練過程相同，詳細訓練過程本領域技術人員也可以參考現有技術中的介紹，本實施例中不再進行詳述
[0066]當然，云計算平臺在進行多層卷積神經網絡時，也可以將接收到的經過模糊化處理的非公開人臉數據作為輸入數據，在本地重新進行多層卷積神經網絡的訓練。例如，云計算平臺可以將接收到的所述非公開人臉數據作為輸入數據，在本地重新訓練出多層卷積神經網絡的訓練Cl、S1、C2和S2層，在本實施例中不進行特別限定。
[0067]在以上描述中，以所述多層神經網絡為多層卷積神經網絡為例對本申請的技術方案進行了詳細描述，當然在具體實現時，所述多層神經網絡也可以為其它類型的多層神經網絡，例如BP (Back Propagat1n，反向傳播)神經網絡，在本實施例中僅以所述多層神經網絡為多層卷積神經網絡為示例性描述，并不用于限定本發明。
[0068]通過以上描述可知，本申請通過針對公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層，然后從訓練出的所述至少一個基層中提取圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理，并將模糊化處理后的非公開人臉數據集上傳給服務端，由服務端完成剩余基層的訓練。由于對非公開人臉數據進行的模糊化處理為不可逆的，而且模糊化處理后的人臉數據用戶肉眼無法進行分辨，因此在對非公開人臉數據進行上傳的過程中，排除了泄密風險。
[0069]另外，由于對非公開人臉數據集進行模糊化處理時所采用的圖像變換參數是從訓練出的多層神經網絡訓練的至少一個基層中提取出來的，因此對于模糊化處理后的非公開人臉數據集，仍然可以作為多層神經網絡訓練時的一個基層由服務端繼續進行訓練。
[0070]與上述方法實施例相對應，本申請還提供了裝置的實施例。
[0071]請參見圖3，本申請提出一種人臉識別模型的訓練裝置30，應用于服務器。其中，請參見圖4，作為承載所述人臉識別模型的訓練裝置30的服務器所涉及的硬件架構中，通常包括CPU、內存、非易失性存儲器、網絡接口以及內部總線等；以軟件實現為例，所述人臉識別模型的訓練裝置30通常可以理解為加載在內存中的計算機程序，通過CPU運行之后形成的軟硬件相結合的邏輯裝置，所述裝置30包括:
[0072]訓練模塊301，用于基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層；
[0073]提取模塊302，用于從所述至少一個基層中提取圖像變換參數；
[0074]處理模塊303，用于根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；
[0075]上傳模塊304，用于將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
[0076]在本實施例中，所述多層神經網絡為多層卷積神經網絡；所述服務端為云計算平臺。
[0077]在本實施例中，所述提取模塊302具體用于:
[0078]提取所述至少一個網絡層中的特征映射圖；
[0079]將提取出的特征映射圖作為圖像變換參數進行輸出。
[0080]在本實施例中，所述處理模塊303具體用于:
[0081]將所述圖像變換參數作為卷積核與所述非公開人臉數據集進行卷積計算，以對所述非公開人臉數據集進行不可逆的模糊化處理。
[0082]本申請還提供了一種人臉識別模型的訓練裝置的實施例。
[0083]該裝置包括:
[0084]處理器；用于存儲所述處理器可執行指令的存儲器；
[0085]進一步，該裝置還可以包括輸入/輸出接口，網絡接口，各種硬件等。
[0086]其中，所述處理器被配置為:
[0087]基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層；
[0088]從所述至少一個基層中提取圖像變換參數；
[0089]根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理；
[0090]將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
[0091]本領域技術人員在考慮說明書及實踐這里公開的發明后，將容易想到本申請的其它實施方案。本申請旨在涵蓋本申請的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本申請的一般性原理并包括本申請未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本申請的真正范圍和精神由下面的權利要求指出。
[0092]應當理解的是，本申請并不局限于上面已經描述并在附圖中示出的精確結構，并且可以在不脫離其范圍進行各種修改和改變。本申請的范圍僅由所附的權利要求來限制。
[0093]以上所述僅為本申請的較佳實施例而已，并不用以限制本申請，凡在本申請的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本申請保護的范圍之內。
【主權項】
1.一種人臉識別模型的訓練方法，其特征在于，該方法包括: 基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層； 從所述至少一個基層中提取圖像變換參數； 根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理； 將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。2.根據權利要求1所述的方法，其特征在于，所述多層神經網絡包括多層卷積神經網絡。3.根據權利要求1所述的方法，其特征在于，所述服務端包括云計算平臺。4.根據權利要求2所述的方法，其特征在于，所述從所述至少一個網絡層中提取圖像變換參數包括: 提取所述至少一個網絡層中的特征映射圖； 將提取出的特征映射圖作為圖像變換參數進行輸出。5.根據權利要求2所述的方法，其特征在于，所述根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理包括: 將所述圖像變換參數作為卷積核與所述非公開人臉數據集進行卷積計算，以對所述非公開人臉數據集進行不可逆的模糊化處理。6.一種人臉識別模型的訓練裝置，其特征在于，該裝置包括: 訓練模塊，用于基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層； 提取模塊，用于從所述至少一個基層中提取圖像變換參數； 處理模塊，用于根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理； 上傳模塊，用于將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。7.根據權利要求6所述的裝置，其特征在于，所述多層神經網絡包括多層卷積神經網絡；所述服務端包括云計算平臺。8.根據權利要求7所述的裝置，其特征在于，所述提取模塊具體用于: 提取所述至少一個網絡層中的特征映射圖； 將提取出的特征映射圖作為圖像變換參數進行輸出。9.根據權利要求7所述的裝置，其特征在于，所述處理模塊具體用于: 將所述圖像變換參數作為卷積核與所述非公開人臉數據集進行卷積計算，以對所述非公開人臉數據集進行不可逆的模糊化處理。10.一種人臉識別模型的訓練裝置，其特征在于，包括: 處理器；用于存儲所述處理器可執行指令的存儲器； 其中，所述處理器被配置為: 基于公開人臉數據集進行多層神經網絡訓練，并訓練出至少一個基層； 從所述至少一個基層中提取圖像變換參數； 根據提取到的圖像變換參數對非公開人臉數據集進行不可逆的模糊化處理； 將模糊化處理后的非公開人臉數據集上傳到服務端，由所述服務端完成所述多層神經網絡剩余基層的訓練。
【文檔編號】G06K9/66GK105868678SQ201510026163
【公開日】2016年8月17日
【申請日】2015年1月19日
【發明人】李亮
【申請人】阿里巴巴集團控股有限公司