一种基于随机子图表示的云环境中物体图像隐秘检测方法与流程

本发明属于密码学、计算机视觉领域，特别是隐秘物体检测的方法，具体地说是基于随机子图表示的云环境中物体图像隐秘检测方法。

背景技术：

人脸检测是指在输入图像中确定所有人脸(如果存在)的位置与大小。人脸检测系统的输入是可能包含人脸的图像，输出是关于图像中是否存在人脸以及人脸的数目、位置、尺度等信息的参数化描述。目前人脸检测算法模型很多，如ANN模型、SVM模型、Adaboost模型等。Viola&Jones人脸检测算法利用Adaboost模型，其在速度、鲁棒性与精度的综合性能上是最优的，所以本文采用的人脸检测算法是Viola&Jones人脸检测算法。

随着监控摄像头的泛滥，隐私泄露引发了人们的担忧，这一问题应该被解决。2006年Shai Avidan and Moshe Butman在《Blind Vision》上提出了一种把安全多方计算协议应用到Viola&Jones人脸检测算法实现的一种基于不经意传输的人脸图像隐秘检测算法。该算法使用的加密工具是不经意传输协议(OT)，用OT构造Secure Dot Product、Secure Millionaire安全协议，利用这些安全协议构造了Secure Classifier协议达到人脸图像隐秘检测的目的。Secure Classifier协议主要问题是大量的加解密计算和没有利用积分图像加速人脸检测，严重影响基于不经意传输的人脸图像隐秘检测算法的计算速度。实验表明：一个24×24的检测窗口被检测需要几分钟，一幅240×320的图片大约有150000个检测窗口，所以检测一幅240×320的图片需要花费大量的时间，这样检测一幅图片花费的代价太高。综上所述，基于不经意传输的人脸图像隐秘检测算法并不是很理想。

很多研究者都研究盲视问题，主要都是朝着加密的方向。然而本发明的目标是使得盲视朝着不损失安全性能的非加密方向努力。

技术实现要素：

本发明要解决技术问题为：克服现有技术的低效性，提供一种基于随机子图表示的云环境中物体图像隐秘检测方法该方法能够有效提高安全物体检测的计算效率，而且可以有效保护客户端和服务器双方的隐私信息。

本发明采用的技术方案为：一种基于随机子图表示的云环境中物体图像隐秘检测方法，实现步骤如下：

(1)随机子图的产生方法如下：

(11)客户端将输入图像转化为每个像素为0-255的图像X；；

(12)客户端创建256幅和(11)中图像X同样大小的子图像SM_r，其中r的取值范围为0-255，这些子图的像素初始化为0，第r幅子图像SM_r的权值为Q[r]＝r；

(13)对于图像X中的每一个像素X[i,j]，Alice都做如下子过程，直到X[i,j]为0。

(131)产生一个随机数z，z的取值范围X[i,j]/2<z≤X[i,j]，设置权值为z的子图像的SM_r[i,j]点像素值为1；

(132)重置X[i,j]＝X[i,j]-z，然后转到过程(131)，直到X[i,j]＝0；

(14)当图像X中所有的像素值都完成了(13)步骤，那么256幅二值(像素值为1或0)子图像SM_r全部生成，图像X可以表示为256张子图像SM_r的加权和，权值为Q{0,1,2,3…,255}；

(2)基于随机子图表示的物体图像隐秘检测算法如下：

(21)客户端将256张子图像SM_r的权值集合Q{0,1,2,3…,255}随机重新排列得到集合Q'，并将256张子图像SM_r按Q'集合的顺序重新排列得到子图像SM'_r，把重新排列子图像SM'_r发送给服务器；

(22)服务器具有以下形式的强分类器：

其中:H(x)是一个强分类器，N表示弱分类器的个数；h_n(x)表示弱分类器，n表示第n个弱分类器，x^T表示图像像素向量，y_n表示弱分类器权值，α_n、β_n、θ_n为服务器训练出来的弱分类器参数；

(23)服务器根据接收到的子图像SM'_r的大小，计算出M个检测窗口；

(24)对于m＝1,2,…,M个检测窗口，服务器计算当前窗口下的每一个弱分类器h_n(x)的特征值F_r(n)＝sm_r^T*y_n*b_n，其中sm_r是图像向量，b_n为服务器生成的随机数，并将F_r(n)发送给客户端；对于m＝1,2,…,M个检测窗口，客户端和服务器相互传递信息，引入随机数机制，服务器完成物体检测；

(25)客户端生成随机数a_k计算弱分类器通过图像X特征值返回给服务器，服务器将特征值和阈值的大小判断结果得到向量c_k，服务器将c_k发回给客户端，客户端将正确的大小判断结果发送给服务器；

(26)服务器得到正确的大小判断结果。根据(22)中的公式计算强分类器的值，得到所有正的检测窗口的位置，返回给客户端，得到物体所在的位置。

本发明的原理在于：

根据目前隐秘物体检测方案的缺陷和不足，可以总结出设计基于随机子图表示的隐秘物体检测算法一些规则，如下所述：

(1)一张图像随机分成256张子图发送与服务器，这样能保证图像信息不能被服务器得到。

(2)在物体检测的过程中，客户端和服务器双方都引入了随机数机制，保证了双方的数据安全。

根据上述规则，本发明利用随机子图表示、随机数机制，设计了一种新的隐秘物体检测方案。在该方案中，随机子图和权值的加权和表示出完整的物体图像，然后在图像信息传输和物体检测的过程中引入随机向量，最后检测窗口返回给客户端得到正确的检测结果。为了提高安全检测的效率，将物体图像随机分成256张子图并引入随机数机制。既保证了安全性，又降低了加密算法带来的高计算复杂度。实验分析表明隐秘随机子图表示的物体检测方案，能够适用于实际的物体检测应用。

本发明与现有的技术相比，其优势在于：

(1)本发明基于客户端图像向量sm_r和服务器训练参数y_n的点积sm_r^Ty_n计算特征值进行物体检测，在计算特征值的过程中，服务器端生成随机数b₁,b₂,...,b_N得到F_r(n)＝sm_r^T*y_n*b_n，客户端生产成随机数a_k得到F_r，k(n)＝sm_r^T*y_n*b_n*a_k来保证双方数据的安全。因此本发明支持各种利用以点积为基础的物体检测算法。

(2)利用随机子图表示和随机数机制，在保证安全性能的情况下极大的降低了图像加密算法和OT协议带来的计算复杂度，提高了算法的效率，并且缩短了程序测试的时间，也可以有效保护双方数据的安全。

(3)基于现有的成熟的物体检测算法，本发明是将图像按照一定规则分成了256张子图，简单可行。服务器和客户端各自引入了有限数量的随机数，可以看出基于随机子图的隐秘物体检测方案结构简单，易于实现。

附图说明

图1是本发明随机子图生成流程图；

图2是本发明隐秘检测算法方案流程图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

如图1和图2所示，

(1)客户端Alice，将输入图像转化为每个像素为0-255的图像X；

(2)Alice创建256幅子图像SM_r，这些子图的像素初始化为0，第r幅子图像SM_r的权值为Q[r]＝r，其中r的取值范围为0-255；

(3)对于图像X中的每一个像素X[i,j]，Alice都做如下子过程，直到X[i,j]为0。最终将输入图像X分解成256张随机子图SM_r；

(31)产生一个随机数z，z的取值范围X[i,j]/2<z≤X[i,j]，设置权值为z的子图像的SM_r[i,j]点像素值为1；

(32)重置X[i,j]＝X[i,j]-z，然后转到过程(31)，直到X[i,j]＝0；

(4)Alice将子图像SM_r按Q'集合的顺序重新排列得到SM'_r，把重新排列的子图像SM'_r发送给服务器；

(5)服务器Bob根据子图像SM'_r的大小，计算出M个检测窗口。

(51)对于每一个检测窗口，256幅子图要通过n＝1,2,...,N个弱分类器进行检测，Alice和Bob进行以下子步骤：

(511)对于每一幅子图像SM'_r，其向量表示为sm_r。每一个弱分类器的特征权值向量为y_n，Bob生成n个随机数b₁,b₂,...,b_N，全为正值，Bob计算当前窗口下的每一个弱分类器h_n(x)的特征值F_r(n)＝sm_r^T*y_n*b_n，将256幅子图的特征值F_r(n)发送给Alice；

(512)Alice生成10个随机数a_k,(k＝1,2,...,10)，并随机选取第i项将其置为1，Alice收到子图的特征值F_r(n)后，计算弱分类器通过原始图像X特征值

(513)Alice将F_r,k(n)发送给Bob，Bob比较F_r,k(n)和弱分类器的阈值b_n*θ_n的大小，F_r,k(n)大于b_n*θ_n则保存为1，否则为0。得到一个0，1向量c_k。

(514)Bob将c_k发送给Alice，Alice将第i项的值返回给Bob，若Bob接收的返回值为1，则存储为α_n，否则Bob存储β_n，Bob将最后结果存储在S_n。

(52)Bob比较S_n和强分类器的阈值stage_threshold的大小，若S_n大于stage_threshold，则该检测窗口被认为是正值，否则该检测窗口为负值。若检测窗口为正值则记录检测窗口的位置。

(6)Bob把所有正的检测窗口的位置返回给Alice，Alice得到所需检测物体在图像中的位置。

总之，本发明中提出的隐秘的物体检测方法可以保护客户端和服务器端双方的数据安全性并完成物体检测。本发明首次将随机子图表示应用到隐秘物体检测的安全协议中，这不仅降低了原来安全检测的计算复杂度，并且引入了随机数机制，能够保证客户端和服务器的数据信息安全。通过实验显示出本发明提出的方法能够在与原物体检测算法保持一致的检测正确率的情况下，降低各种加密协议带来的计算复杂度，安全高效的完成物体检测。提高了安全检测效率，缩短检测时间。并且该算法很容易通过软件实现，本发明可广泛应用推广到云计算、安全图像卷积等技术中。

以上所述仅为本发明的一些基本说明，依据本发明的技术方案所做的任何等效变换，均应属于本发明的保护范围。