一种支持隐私保护的深度伪造人脸图像检测方法

1.本发明涉及一种支持隐私保护的深度伪造人脸图像检测方法，属于图像处理技术领域。


背景技术：

2.人脸图像由于其直观、采集成本低、蕴含信息丰富等特点，被广泛应用于身份信息认证和识别等服务。刷脸支付、刷脸取件、刷脸签到等新应用接踵而来，全面进入大众日常生活，“刷脸时代”已至。与此同时，随着深度学习的快速发展，深度伪造人脸算法不断更新。基于这些算法和图形学技术，各种换脸工具不断涌现，如faceapp、faceswap、photospeak、deepfacelab、zao、deepnude等。这些工具凭借简单的操作方式和逼真的、人眼几乎难以辨别真假的良好效果吸引了大批用户，从而导致网路上充斥着各种伪造人脸。这些伪造人脸的大量出现给社会稳定等带来巨大的挑战。因此，研究深度伪造人脸检测技术具有重要的应用价值和社会意义。
3.深度伪造人脸检测已经成为国内外研究的热点，各种方法层出不穷。但是，目前这些工作都是针对明文伪造人脸。而当面临伪脸检测需求时，通常都是交给第三方完成，而且人脸图像已被广泛应用于人物身份识别和身份验证服务，是个人核心隐私和个人敏感信息。
4.深度伪造人脸检测技术目前主要采用深度神经网络模型。因此，隐私信息是否安全实际上可归结于网络函数计算的安全性。多方安全计算是一种有效解决方案。而当前网络函数的多方安全技术主要采用同态加密和加性秘密分享两种方式。同态加密概念自提出以来被广泛应用于密文处理，但其高额的加密计算开销难以满足智能终端低延迟性需求。针对这一问题，现有技术将加性秘密分享概念引入线性回归、逻辑回归和神经网络等模型训练任务中，基于安全两方计算现有技术提出了一系列隐私保护协议，相比同态加密算法提高了计算效率。然而，这些协议采用不经意传输机制传递数据，并且需要多轮近似迭代计算，计算效率还是不高。
5.基于上述，现有的深度伪造人脸图像检测方法极有可能泄露使用者核心隐私，并且存在计算开销大、效率低的问题。


技术实现要素：

6.目的：为了克服现有技术中存在的不足，本发明提供一种支持隐私保护的深度伪造人脸图像检测方法。
7.技术方案：为解决上述技术问题，本发明采用的技术方案为：
8.一种支持隐私保护的深度伪造人脸图像检测方法，包括如下步骤：
9.生成测试图像i的同形张量i1，计算i2＝i-i1获得i2。
10.将i1输入服务器s1，将i2输入服务器s2，s1和s2交互完成检测过程，s1输出图像检测结果s2输出图像检测结果
11.计算若接近1，则测试图像i为真实人脸图像，若接近0，则测试图像i为伪造人脸图像。
12.所述服务器s1和服务器s2均设置有训练好的深度伪造人脸图像检测网络。
13.作为优选方案，所述深度伪造人脸图像检测网络采用resnet网络，包括：依次设置1个卷积层、1个bn层、1个激活层、1个最大池化层、4组残差块序列、1个平均池化层、1个全连接层以及sigmoid激活层；其中，4组残差块序列依次连接，每一组残差块序列内残差块的数量依次为4、5、7、4，每组残差块序列内的残差块依次连接，每个残差块包含3个卷积层，前两个卷积层后分别紧接了1个bn层和1个激活层，最后一个卷积层的输出与该残差块的输入相加后紧接1个bn层和1个激活层；每组残差块序列内第一个残差块的输入先经过步长为2的卷积层运算，再与该残差块最后一个卷积层的输出相加，作为最后一个卷积层的输出；最后一个残差块序列的最后一个残差块的输出作为平均池化层的输入，再经过全连接层和激活层的运算，得到深度伪造人脸图像检测网络的输出。
14.作为优选方案，将i1输入服务器s1，将i2输入服务器s2，s1和s2交互完成检测过程，s1输出图像检测结果s2输出图像检测结果包括：
15.输入服务器s1的i1经过第一个卷积层、第一个bn层，得到输入服务器s2的i2经过第一个卷积层、第一个bn层，得到
16.输入根据relu协议交互的relu激活层，输出
17.输入根据relu协议交互的relu激活层，输出
18.输入根据最大池化协议交互的最大池化层，输出
19.输入根据最大池化协议交互的最大池化层，输出
20.分别输入服务器s1、服务器s2的4组残差块序列中，分别依次计算4组残差块序列中每一个残差块，残差块每次计算均包括卷积层、bn层、根据relu协议交互的relu激活层，直到完成所有残差块的计算，服务器s1的4组残差块序列输出服务器s2的4组残差块序列输出
21.经过平均池化层和全连接层输出
22.经过平均池化层和全连接层输出
23.输入根据sigmoid协议交互的sigmoid层输出并作为服务器s1检测输出
24.输入根据sigmoid协议交互的sigmoid层输出并作为服务器s2检测输出
25.作为优选方案，根据relu协议交互的relu激活层的计算方法如下：
26.4-1、s1和s2分别获得前一层的输出和作为输入，满足
27.4-2、第三方受信任服务器τ产生一个随机数并拆分得到和，满足同时产生和满足
28.4-3、τ将和发送给s1，将和发送给s2；
29.4-4、s1根据计算得到并发送给s2；s2根据计算得到并发送给s1；
30.4-5、s1根据计算得到并发送给s2；s2根据计算得到并发送给s1；此处secmul是现有的安全乘法协议；
31.4-6、s1和s2均根据计算得到t
·
α；如果t
·
α≤0，令否则s1输出s2输出
32.作为优选方案，根据最大池化协议交互的最大池化层的计算方法如下：
33.5-1、s1和s2分别获得前一层的输出和作为输入，满足
34.5-2、第三方受信任服务器τ产生随机数并拆分得到和满足
35.5-3、τ将和发送给s1，将和发送给s2。
36.5-4、s1根据和计算得到并发送给 s2，s2根据计算得到并发送给s1。
37.5-5、s1和s2均根据计算得到t
·
x，进而根据 t
·
maxpool(x)＝maxpool(t
·
x)计算得到t
·
maxpool(x)。
38.5-6、s1根据和计算得到并发送给 s2，s2根据计算得到并发送给s1。
39.5-7、s1和s2均根据计算得到t
·
u。
40.5-8、s1根据计算得到作为输出，s2根据计算得到作为输出。
41.作为优选方案，根据sigmid协议交互的sigmoid层的计算方法如下：
42.6-1、s1和s2分别获得前一层的输出和作为输入，满足
43.6-2、第三方受信任服务器τ拆分得到和满足
44.6-3、τ将发送给s1，发送给s2。
45.6-3、s1根据计算得到并发送给s2，s2根据计算得到并发送给s1。
46.6-4、s1根据计算得到并发送给s2；s2根据计算得到并发送给s1。
47.6-5、s1根据计算得到作为输出；s2根据计算得到作为输出。
48.作为优选方案，所述服务器s1和服务器s2为两个不共谋的双服务器。
49.作为优选方案，所述深度伪造人脸图像检测网络采用resnet50网络。
50.作为优选方案，所述深度伪造人脸图像检测网络训练过程包括如下步骤：
51.8-1、将训练图像输入resnet50网络，使用卷积层中的卷积核对输入图像进行卷积激活，得到卷积层的特征图；
52.8-2、对卷积层的特征图进行bn层、relu、池化层的处理，所述池化层的池化窗口为3
×
3、步长为2的最大池化，得到第一池化层的特征图；
53.8-3、使用第一组残差块序列的卷积核对第一池化层的特征图进行卷积激活，得到第一组残差块序列的特征图；
54.8-4、使用第二组残差块序列的卷积核对第一组残差块序列的特征图进行卷积激活，得到第二组残差块序列的特征图；
55.8-5、使用第三组残差块序列的卷积核对第二组残差块序列的特征图进行卷积激活，得到第三组残差块序列的特征图；
56.8-6、使用第四组残差块序列的卷积核对第三组残差块序列的特征图进行卷积激活，得到第四组残差块序列的特征图；
57.8-7、对第四组残差块序列的特征图进行池化，经过自适应的平均池化，得到第二池化层的特征图；
58.8-8、使用大小为2
×
2048全连接层的卷积核对第二池化层的特征图进行全连接运算后再经过sigmoid激活层计算得到一个只有两个数的一维张量，一维张量的下标分别是0和1；最终两个数中较大的那一个一维张量的下标就是网络检测的输出yk。
59.作为优选方案，还包括：
60.获取训练图像经过深度伪造人脸图像检测网络训练后得到的输出yk与真实标签ok之间的误差值，使用交叉熵损失函数计算第k个训练图像的输出误差值 ek。
61.根据输出误差值ek，判断ek在一个迭代周期中，是否满足阈值；如是，则检测结果满
足精度要求，训练结束，输出变新后的深度伪造人脸图像检测网络参数；否则继续训练。
62.作为优选方案，所述阈值采用0.01
±
0.005。
63.有益效果：本发明提供的一种支持隐私保护的深度伪造人脸图像检测方法，采用加性秘密分享方式研究具有隐私保护特性的伪脸检测。构造安全密文通信协议，并使用两个不共谋的双服务器和一个受信任的第三方服务器，共同搭建起一个类明文的检测环境。使得双服务器上resnet50网络的各个模块借助对应的安全密文通信协议进行必要交互，实现在不暴露各自输入的情况下协同地对加密人脸图像进行安全检测。
64.其优点如下：
65.(1)、本发明在保护用户人脸图像隐私的前提下，取得了与明文环境下伪脸图像检测网络相同的准确率。
66.(2)、本发明在进行通信交互时具有较低的通信开销和较好的计算效率。
附图说明
67.图1是本发明的方法流程图。
68.图2是伪脸图像库的例图和对应的分解图，以及频率直方图，共两组。
69.图3是resnet50的网络结构图。
70.图4是本发明支持隐私保护的深度伪造人脸图像检测方法示意图。
具体实施方式
71.下面结合具体实施例对本发明作更进一步的说明。
72.本发明采用加性分解加密技术并构造安全密文通信协议来实现支持隐私保护的深度伪造人脸图像检测方法，并使用深度学习技术中比较适合处理视觉信息的深度卷积神经网络作为分类器；本实例使用两个不共谋的双服务器和一个受信任的第三方服务器τ，共同搭建起一个类明文的检测环境：使得双服务器上 resnet50网络的各个模块借助对应的安全密文通信协议进行必要交互，实现在不暴露各自输入的情况下协同地对加密人脸图像进行安全检测。
73.一种支持隐私保护的深度伪造人脸检测方法，如图1所示，包括以下步骤：
74.步骤1：建立深度伪造人脸图像库，包括训练图像和测试图像。
75.步骤2：初始化基于resnet50网络的深度伪造人脸图像检测网络，设置该网络的训练过程。
76.步骤3：初始化深度伪造人脸图像检测网络中的参数。
77.步骤4：读取训练图像，根据设置的网络训练过程对训练图像进行训练操作，输出训练图像的伪脸检测判断结果；训练操作包括：卷积、激活、池化、批量归一化等。
78.步骤5：计算训练伪脸图像检测结果与真实标签之间的误差值loss，并调整伪脸图像检测网络中的参数，直至误差值满足精度a要求。
79.步骤6：构造安全密文通信协议，并使用两个不共谋的双服务器和一个受信任的第三方服务器τ，共同搭建起一个类明文的检测环境：使得双服务器上使用步骤1-5训练好的resnet50网络的各个模块借助对应的安全密文通信协议进行必要交互，实现在不暴露各自输入的情况下协同地对加密人脸图像进行安全检测。
80.步骤7：读取测试图像，将其加性分解后分别输入双服务器，经过双服务器的协同交互完成检测，输出测试图像最终的预测结果。
81.在本实施例中，上述步骤1采用如下优选方案实现：
82.训练图像和测试图像中均包含两类图像，分别是真实的人脸图像和使用deepfakes等人工智能方法处理得到的伪造人脸图像，他们所对应的标签值分别是1和0；图2给出了2组伪脸图像和它们对应的加密分解图，并给出了上述图像的频率直方图。
83.在本实施例中，上述步骤2采用如下优选方案实现：
84.基于resnet50网络的深度伪造人脸图像检测网络，如图3所示，依次设置 1个卷积层、1个bn层、1个激活层、1个最大池化层、4组结构相似的残差块序列、1个平均池化层、1个全连接层以及sigmoid激活层；其中，4组残差块序列依次连接，每一组残差块序列内残差块的数量依次为4、5、7、4，每组残差块序列内的残差块依次连接，每个残差块包含3个卷积层，前两个卷积层后分别紧接了1个bn层和1个激活层，最后一个卷积层的输出与该残差块的输入相加后紧接1个bn层和1个激活层；每组残差块序列内第一个残差块的输入先经过步长为2的卷积层运算，再与该残差块最后一个卷积层的输出相加，作为最后一个卷积层的输出，实现降采样。每个残差块经过三层卷积的前向传播称为残差映射。每个残差块的输入通过跨层的数据线路实现更快的前向传播，从而使网络可以更快地收敛。最后一个残差块序列的最后一个残差块的输出作为自适应平均池化层的输入，再经过全连接层和激活层的运算，得到深度伪造人脸图像检测网络的输出。
85.设置该网络的训练过程的步骤如下：
86.2-1、将训练图像输入resnet50网络，使用卷积层中的卷积核对输入图像进行卷积激活，得到卷积层的特征图；
87.2-2、对卷积层的特征图进行池化，经过池化窗口为3
×
3、步长为2的最大池化，得到第一池化层的特征图；
88.2-3、使用第一组残差块序列的卷积核对第一池化层的特征图进行卷积激活，得到第一组残差块序列的特征图；
89.2-4、使用第二组残差块序列的卷积核对第一组残差块序列的特征图进行卷积激活，得到第二组残差块序列的特征图；
90.2-5、使用第三组残差块序列的卷积核对第二组残差块序列的特征图进行卷积激活，得到第三组残差块序列的特征图；
91.2-6、使用第四组残差块序列的卷积核对第三组残差块序列的特征图进行卷积激活，得到第四组残差块序列的特征图；
92.2-7、对第四组残差块序列的特征图进行池化，经过自适应的平均池化，得到第二池化层的特征图；
93.2-8、使用大小为2
×
2048全连接层的卷积核对第二池化层的特征图进行全连接运算后再经过sigmoid激活层计算得到一个只有两个数的一维张量，一维张量的下标分别是0和1；最终两个数中较大的那一个一维张量的下标就是网络检测的输出yk；
94.在本实施例中，上述步骤3采用如下优选方案实现：
95.设置学习率α＝1.0e-5
；设置每使用batchsize＝8个训练样本就调整一次权值；设置迭代周期epoch＝50。
96.在本实施例中，上述步骤4采用如下优选方案实现：
97.步骤4的具体过程如下：
98.4-1、前向传播阶段：从训练集x中读取第k组训练图像数据xk，并将其输入至深度伪造人脸图像检测网络中，训练集中训练图像对应的真实标签记为ok；对训练图像数据xk卷积激活得到输入特征图矩阵f
pq
；
99.4-2、卷积激活过程：依次将输入的训练图像经过网络中各个残差块得到的各种特征图分别与可训练的滤波器进行卷积，并加上偏置：
[0100][0101]
其中，表示训练图像在l卷积层输出的第j张特征图；m表示l-1卷积层输出特征图的集合；表示在l-1卷积层输出的第j张特征图；表示在l卷积层第 j张特征图对应的滤波器系数；表示在l卷积层第j张特征图对应的偏置； f(x)＝f(h(x))，其中f(x)表示激活函数relu，h(x)表示批量归一化操作，且有：
[0102][0103][0104]
γ
l
和β
l
分别是批量归一化的拉伸系数和偏移量，他们也是网络训练过程中将要被学习的量；e(*)表示均值，var(*)表示方差。
[0105]
4-3、池化过程：采用最大池化模型，取池化域中的最大值作为子采样池化后的特征图，即：
[0106]spq
＝max
p＝1,q＝1
(f
pq
)+b
[0107]
其中，f
pq
为输入特征图矩阵，p、q分别表示输入特征图矩阵的行号和列号，子采样池化域为3
×
3的矩阵，b为偏置，s
pq
为子采样池化后的特征图； max
p＝1,q＝1
(f
pq
)表示从输入特征图矩阵f
pq
的大小为3
×
3的池化域中取出的最大值；
[0108]
4-4、残差块计算过程：每个残差块包含3个卷积层，前两个卷积层后分别紧接了1个bn层和1个激活层，最后一个卷积层的输出与该残差块的输入相加后紧接1个bn层和1个激活层；对于每一个卷积层和激活层的组合，都重复上述卷积激活过程；最后一个残差块序列的最后一个残差块的输出作为自适应平均池化层的输入；
[0109]
4-5、自适应平均池化和全连接过程：与上述卷积过程类似，将所学习到的分布式特征表示映射到样本标记空间，得到网络的输出yk；
[0110]
在本实施例中，上述步骤5采用如下优选方案实现：
[0111]
步骤5的具体过程如下：
[0112]
5-1、反向传播阶段：根据训练图像经过伪脸图像检测网络训练后得到的输出yk与真实标签ok之间的误差值，使用交叉熵损失函数计算第k个训练图像的输出误差值ek，即：
[0113]ek
＝-∑k[ok·
ln(yk)+(1-ok)
·
ln(1-yk)]
[0114]
ln(*)表示自然对数；
[0115]
5-2、根据输出误差值ek，判断ek在一个迭代周期中，是否稳定在 0.01
±
0.005；如是，则检测结果满足精度要求，训练结束，输出变新后的深度伪造人脸图像检测网络参数；否则继续训练。
[0116]
在本实施例中，上述步骤6采用如下优选方案实现：
[0117]
执行relu激活层协议的步骤如下：
[0118]
6-1-1、s1和s2分别获得前一层的输出和作为输入，满足
[0119]
6-1-2、第三方受信任服务器τ产生一个随机数并拆分得到和满足同时产生和满足
[0120]
6-1-3、τ将和发送给s1，将和发送给s2；
[0121]
6-1-4、s1根据计算得到并发送给s2；s2根据计算得到并发送给s1；
[0122]
6-1-5、s1根据计算得到并发送给s2；s2根据计算得到并发送给s1；此处secmul是现有的安全乘法协议；
[0123]
6-1-6、s1和s2均根据计算得到t
·
α；如果t
·
α≤0，令否则s1输出s2输出
[0124]
执行sigmoid层协议的步骤如下：
[0125]
6-2-1、s1和s2分别获得前一层的输出和作为输入，满足
[0126]
6-2-2、第三方受信任服务器τ拆分得到和满足
[0127]
6-2-3、τ将发送给s1，发送给s2；
[0128]
6-2-3、s1根据计算得到并发送给s2，s2根据计算得到并发送给s1[0129]
6-2-4、s1根据计算得到并发送给s2；s2根据计算得到并发送给s1[0130]
6-2-5、s1根据计算得到作为输出；s2根据计算得到作为输出。
[0131]
执行最大池化层协议的的步骤如下：
[0132]
6-3-1、s1和s2分别获得前一层的输出和作为输入，满足
[0133]
6-3-2、第三方受信任服务器τ产生随机数并拆分得到和满足
[0134]
6-3-3、τ将和发送给s1，将和发送给s2；
[0135]
6-3-4、s1根据和计算得到并发送给s2，s2根据计算得到并发送给s1[0136]
6-3-5、s1和s2均根据计算得到t
·
x，进而根据 t
·
maxpool(x)＝maxpool(t
·
x)计算得到t
·
maxpool(x)
[0137]
6-3-6、s1根据和计算得到并发送给s2，s2根据计算得到并发送给s1[0138]
6-3-7、s1和s2均根据计算得到t
·u[0139]
6-3-8、s1根据计算得到作为输出，s2根据计算得到作为输出；
[0140]
上述协议1-3都是为了实现网络中非线性函数的安全计算，需要注意的是，网络中线性函数的安全计算不需要服务器si的交互作为基础，这是由于：
[0141][0142]
此处ω是线性函数的权重矩阵，可以发现：每个服务器上的数据分别进行运算后再求和与在单个服务器上直接计算的结果相等；网络每一进行线性计算的层都有上述性质，包括：卷积层、bn层、自适应平均池化和全连接层。
[0143]
在本实施例中，上述步骤7采用如下优选方案实现：
[0144]
步骤7的具体过程如下：
[0145]
(7-1)对于任一输入测试图像i，产生与它同形的张量计算将和分别输入s1和s2[0146]
(7-2)s1计算第一个卷积层和第一个bn层得到s2计算第一个卷积层和第一个bn层，得到与之和为i1，i1就是测试图像i经过第一层卷积层和第一层bn层得到的特征图；但在实际计算时不会将他们求和，而是接着进行下面的步骤；
[0147]
(7-3)s1和s2根据步骤6中的relu协议执行过程进行交互，完成第一个 relu层计算，s1得到s2得到与之和为i2，i2就是特征图i1经过第一次relu激活得到的特征图；
[0148]
(7-4)s1和s2根据步骤6中的协议3进行交互，完成最大池化层计算，s1得到s2得到与之和为i3，i3就是特征图i2经过第一次最大池化得到的特征图；
[0149]
(7-5)s1和s2各自单独计算第一个残差块中的卷积层和bn层；
[0150]
(7-6)s1和s2根据步骤6中的relu协议执行过程进行交互，完成第一个残差块中relu层计算；
[0151]
(7-7)s1和s2对剩余的残差块重复步骤7-6和7-7，直到完成伪脸检测网络中所有残差块的计算，s1得到s2得到与之和为i4，i4就是特征图i3完成所有残差块计算后得到的特征图；
[0152]
(7-8)s1和s2各自单独计算平均池化层和全连接层，s1得到s2得到与之和为i5，i5就是特征图i4经过平均池化层和全连接层计算后得到的特征图；
[0153]
(7-9)s1和s2根据步骤6中的协议2进行交互，完成网络最后一个sigmoid 层的计算；s1得到并作为它的检测输出s2得到并作为它的检测输出
[0154]
(7-10)将和相加得到最终的检测结果
[0155]
为验证本发明效果，采用通用的公开faceforensic++数据集中c40版本作为实验数据集。该数据集聚焦于四种最具代表性的人脸操纵方法：两种基于计算机图形学的方法face2face(ff)和faceswap(fs)，两种基于深度学习的方法deepfakes(df)和neuraltextures(nt)。为了验证本发明提出方法在支持隐私保护前提下不会损失检测性能，针对相同的测试集，分别采用明文resnet50 和本发明所提方法进行检测，检测结果准确率(％)如表1所示。可以发现，对于任一测试集，两个方法所取得的准确率是完全一致的。
[0156]
表1
[0157][0158]
此外，本发明采用加性分解技术对检测图像进行加密，从而实现支持隐私保护的伪脸检测。在加性分解加密方案下，原图像被随机拆分成两张图像。通俗地讲，这两幅图像与原图像越不相似，则加密效果越好。频率直方图可以直观地反应图像之间的相似程度。由图2可以发现，图2中，(a)和(d)分别是一张真实人脸图像和一张深度伪造人脸图像，(b)和(c)是(a)加性分解得到的两张加密图像，(e)和(f)则是(d)加性分解得到的两张加密图像；(g)、(h)、(i)分别是(a)、 (b)、(c)的频率直方图，(j)、(k)、(l)则分别是(d)、(e)、(f)的频率直方图。不难看出，加密图像和原图像的频率直方图存在很大的差异，因此加密图像不会泄露原图像的任何隐私信息。
[0159]
另一方面，原图像的像素值在水平和垂直方向有着很强的相关性，那么加密图像是否有效地消除了上述相关性也是评价加密效果的重要尺度。我们使用皮尔逊相关系数来
衡量两幅图像x和y像素值之间的相关性，它的具体定义是：
[0160][0161]
其中cov(x,y)代表x,y的协方差，d(x)和d(y)分别是x,y的方差。当|r|越接近1，x和y的相关性越强，当|r|越接近0，x和y的相关性越弱。我们在每个实验子数据集中随机选择500张人脸图像进行相关性分析，它们在水平和垂直方向的皮尔逊相关系数的平均值如表2所示。可以发现，每个子数据集的人脸图像在经过加性加密以后，水平方向和垂直方向上的相关性都显著下降，这足以说明原图像的特征已经被破坏。综上所述，可以证明加性加密的有效性和安全性。
[0162]
表2
[0163][0164]
本发明公开了一种支持隐私保护的深度伪造人脸图像检测方法。建立深度伪造人脸图像库；初始化基于resnet50网络的深度伪造人脸图像检测网络，设置该网络的训练过程；初始化网络参数；读取训练图像，对训练图像进行训练操作，输出训练图像的深度伪造人脸图像检测结果；计算训练图像检测结果与真实标签之间的误差值，调整网络参数，直至误差值满足精度要求；构造安全密文通信协议，并使用两个不共谋的双服务器和一个受信任的第三方服务器，共同搭建起一个类明文的检测环境：使得双服务器上resnet50网络的各个模块借助对应的安全密文通信协议进行必要交互，实现在不暴露各自输入的情况下协同地对加密人脸图像进行安全检测；读取测试图像，在搭建的类明文检测环境对测试图像进行检测，输出测试图像的最终检测结果。本发明具有保护用户隐私的特点，同时具有较高的检测准确度和较低的通信开销。
[0165]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。