扰动信息的生成及图像处理方法、装置、设备及介质与流程

1.本公开涉及但不限于计算机视觉技术领域，尤其涉及一种扰动信息的生成及图像处理方法、装置、设备及介质。


背景技术：

2.为了保护人脸图像中所包含的数据，或者保护人脸图像的版权等，一般会在该人脸图像中添加水印等，实现对人脸图像的加密。目前，一般将较小的水印图覆盖到人脸图像中，但加密效率较低，加密后显示效果较差。


技术实现要素：

3.有鉴于此，本公开实施例至少提供一种扰动信息的生成及图像处理方法、装置、设备及介质。
4.本公开实施例的技术方案是这样实现的：
5.一方面，本公开实施例提供一种扰动信息的生成方法，所述方法包括：获取第一人脸图像和第二人脸图像；所述第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像；分别确定所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息；基于所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息，对所述初始扰动信息进行更新，得到目标扰动信息；其中，所述目标扰动信息用于对待处理人脸图像进行加密，加密后的待处理人脸图像的特征信息与所述待处理人脸图像的特征信息之间的相似度小于预设阈值。
6.另一方面，本公开实施例提供一种图像处理方法，所述方法包括：获取待处理人脸图像和目标扰动信息；将所述目标扰动信息叠加至所述待处理人脸图像，得到目标图像，以使得对所述待处理人脸图像进行加密；其中，所述目标图像的特征信息与所述待处理人脸图像的特征信息之间的相似度小于预设阈值；所述目标扰动信息是基于初始人脸图像、初始扰动信息和第二人脸图像确定的。
7.再一方面，本公开实施例提供一种扰动信息的生成装置，所述装置包括：第一获取模块，用于获取第一人脸图像和第二人脸图像；所述第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像；第一确定模块，用于分别确定所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息；更新模块，用于基于所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息，对所述初始扰动信息进行更新，得到目标扰动信息；其中，所述目标扰动信息用于对待处理人脸图像进行加密，加密后的待处理人脸图像的特征信息与所述待处理人脸图像的特征信息之间的相似度小于预设阈值。
8.又一方面，本公开实施例提供一种图像处理装置，所述装置包括：第二获取模块，用于获取待处理人脸图像和目标扰动信息；加密模块，用于将所述目标扰动信息叠加至所述待处理人脸图像，得到目标图像，以使得对所述待处理人脸图像进行加密；其中，所述目
标图像的特征信息与所述待处理人脸图像的特征信息之间的相似度小于预设阈值；所述目标扰动信息是基于初始人脸图像、初始扰动信息和第二人脸图像确定的。
9.又一方面，本公开实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
10.又一方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。
11.又一方面，本公开实施例提供一种计算机程序，包括计算机可读代码，当所述计算机可读代码在计算机设备中运行时，所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
12.又一方面，本公开实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。
13.本公开实施例中，获取第一人脸图像和第二人脸图像；第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像；分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息；基于初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息，对初始扰动信息进行更新，得到目标扰动信息；其中，目标扰动信息用于对待处理人脸图像进行加密，加密后的待处理人脸图像的特征信息与待处理人脸图像的特征信息之间的相似度小于预设阈值。
14.这样，可以基于初始人脸图像和初始扰动信息，生成第一人脸图像，从而可以根据具有相同类型对象的初始人脸图像的特征信息、第一人脸图像的特征信息以及第二人脸图像的特征信息，共同更新初始扰动信息，进而可以快速准确地得到目标扰动信息。同时，可以将目标扰动信息叠加至具有相同类型对象的待处理人脸图像，使得加密后的待处理人脸图像的特征信息与待处理人脸图像的特征信息之间的相似度小于预设阈值，进而实现人脸图像的加密。
15.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开的技术方案。
附图说明
16.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
17.图1为本公开实施例提供的一种扰动信息的生成方法的实现流程示意图；
18.图2为本公开实施例提供的一种扰动信息的生成方法的实现流程示意图；
19.图3为本公开实施例提供的一种扰动信息的生成方法的实现流程示意图；
20.图4为本公开实施例提供的一种图像处理方法的实现流程示意图；
21.图5为本公开实施例提供的一种人脸图像的信息保护方法的实现流程示意图；
22.图6a为本公开实施例提供的一种第一人脸图像的特征信息的获取示意图；
23.图6b为本公开实施例提供的一种初始人脸图像的特征信息的获取示意图；
24.图6c为本公开实施例提供的一种待处理人脸图像和目标图像的对比示意图；
25.图7为本公开实施例提供的一种扰动信息的生成装置的组成结构示意图；
26.图8为本公开实施例提供的一种图像处理装置的组成结构示意图；
27.图9为本公开实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
28.为了使本公开的目的、技术方案和优点更加清楚，下面结合附图和实施例对本公开的技术方案进一步详细阐述，所描述的实施例不应视为对本公开的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
29.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
30.除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的，不是旨在限制本公开。
31.本公开实施例提供一种扰动信息的生成方法，该方法可以由计算机设备的处理器执行。其中，计算机设备指的可以是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、机顶盒、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备扰动信息的生成能力的设备。图1为本公开实施例提供的一种扰动信息的生成方法的实现流程示意图，如图1所示，该方法包括如下步骤s101至步骤s103：
32.步骤s101，获取第一人脸图像和第二人脸图像。
33.这里，第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像。初始人脸图像可以理解为需要进行数据保护的图像，初始人脸图像中可以具有需要数据保护的人脸，人脸可以是真实人脸，也可以是虚拟人脸；可以是完整的人脸，也可以是部分的人脸等。可以通过在人脸图像中添加扰动，以保护人脸图像的隐私信息，防止人脸图像被随意收集等，如，在人脸图像中添加水印等。扰动可以理解为用于改变人脸图像的特征的信息，扰动可以为噪声、标签、图像等，通过在人脸图像中添加扰动，可以使得在未授权的情况下，其他应用无法准确提取出添加扰动后的人脸图像的特征。初始扰动信息可以理解为初始化的扰动，可以利用矩阵来表征扰动信息，如，用于表征初始扰动信息的初始扰动矩阵等。初始扰动信息可以通过随机初始化生成，如，可以随机初始化一个大小为100*100的矩阵，作为初始扰动矩阵。
34.在步骤s101实施的过程中，第一人脸图像可以理解为携带有初始扰动信息的初始人脸图像，也即，可以基于初始人脸图像和初始扰动信息，确定第一人脸图像。例如：在初始扰动矩阵的维度与第一原始图像的分辨率相等的情况下，可以将第一原始图像上每一像素点的像素值减去初始扰动矩阵中对应元素的元素值，得到第一人脸图像。例如：初始人脸图像的像素值可以为[125,130,146，...]，初始扰动矩阵可以为[0.1,0.2,0.5，...]等，那么
确定的第一人脸图像可以为[124.9,129.8,145.5，...]。在初始扰动矩阵的维度与初始人脸图像的分辨率不相等的情况下，可以将初始人脸图像中的部分区域的像素值，替换为初始扰动矩阵各元素的元素值等，得到第一人脸图像。在一些实施例中，也可以基于初始人脸图像和初始扰动矩阵之间的卷积，确定第一人脸图像。
[0035]
在另外的一些实施例中，也可以对具有其他类型的对象的图像进行处理，生成具有该类型对象的图像对应的目标扰动信息。其他类型对象可以与人脸对象存在区别的汽车、动物和植物等对象。例如：利用第一汽车图像和第二汽车图像，确定具有汽车对象的图像所对应的目标扰动信息，其中，第一汽车图像可以是基于初始汽车图像和初始扰动信息确定的汽车图像。该具有汽车对象的图像所对应的目标扰动信息可以用于对其他具有汽车对象的图像进行加密。
[0036]
步骤s102，分别确定所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息。
[0037]
这里，特征信息可以理解为某一类图像区别于其他类图像的相应特点或特性，每一图像的特征信息都具有区别于其他图像的自身特征。例如：图像的特征信息可以包括：亮度、边缘、形状、纹理、色彩、信息量、对象类型等信息中的一种或者多种。可以通过特征矩阵来表征图像的特征信息，有助于提高确定效率。步骤s102实施过程中，可以利用方向梯度直方图(histogram of oriented gradient，hog)、局部二值模式(local binary pattern，lbp)或高斯函数差分(difference of gaussian，dog)等算法中的一种或者多种，分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息。
[0038]
步骤s102实施过程中，可以通过同一算法或者方式，分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息，也可以通过不同的算法或者方式，分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息等。对于初始人脸图像的特征信息的数量、第一人脸图像的特征信息的数量以及第二人脸图像的特征信息的数量。例如：可以通过第一算法，确定初始人脸图像的特征信息；通过第一算法，确定第一人脸图像的特征信息；通过第二算法，确定第二人脸图像的第一特征信息等，通过第三算法，确定第二人脸图像的第二特征信息等。
[0039]
步骤s103，基于所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息，对所述初始扰动信息进行更新，得到目标扰动信息。
[0040]
这里，目标扰动信息可以理解为基于初始扰动信息生成的、满足预设条件(如，在叠加前后的图像的可视化差异小于第一阈值的情况下，提取叠加前后图像的特征之间的差异大于第二阈值等等)的信息，可以利用目标扰动矩阵表征目标扰动信息。目标扰动信息可以用于对具有相同类型对象的图像中进行加密，目标扰动矩阵与初始扰动矩阵的维度大小可以相同也可以不同。
[0041]
步骤s103实施过程中，可以基于初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息，更新初始扰动信息，得到目标扰动信息。例如：可以根据初始人脸图像的特征信息、第一人脸图像的特征信息、第二人脸图像的特征信息以及当前的初始扰动信息，确定当前的更新量。在当前的更新量大于预设更新阈值的情况下，根据当前的更新量，调整当前的初始扰动信息，得到更新后的扰动信息。基于更新后的扰动信息和原始图像，确定下一步的第一人脸图像，再根据下一步的初始人脸图像的特征信息、第一人
脸图像的特征信息、第二人脸图像的特征信息以及更新后的扰动信息，继续调整更新后的扰动信息等，直至将更新后满足预设条件的扰动信息作为目标扰动信息。
[0042]
步骤s102实施过程中，可以利用更新模型，确定目标扰动信息。更新模型可以理解为预先训练好的神经网络，通过输入初始人脸图像的特征信息、第一人脸图像的特征信息、第二人脸图像的特征信息以及初始扰动信息，可以得到满足预设条件(如，收敛于指定区间等)的目标扰动信息等。这里，对于需要根据初始人脸图像的特征信息来确定目标扰动信息，可以理解为用于增大添加扰动信息前的图像与添加扰动信息后的图像的特征之间的差异；对于需要根据第一人脸图像的特征信息、第二人脸图像的特征信息来确定目标扰动信息，可以理解为用于提高目标扰动信息的通用性；对于需要根据初始扰动信息来确定目标扰动信息，可以理解为用于限制扰动，使得叠加目标扰动信息后的待处理人脸图像更加自然等。
[0043]
在一些实施例中，目标扰动信息用于对待处理人脸图像进行加密，加密后的待处理人脸图像的特征信息与待处理人脸图像的特征信息之间的相似度小于预设阈值。可以将目标扰动信息叠加至待处理人脸图像，得到目标图像，以使得对待处理人脸图像中对象进行加密。初始人脸图像、第二人脸图像和待处理人脸图像具有相同类型的对象，例如：初始人脸图像具有第一人脸，第二人脸图像具有第二人脸，待处理人脸图像具有第三人脸等。目标图像可以理解为携带目标扰动信息的待处理人脸图像，目标图像与待处理人脸图像之间的可视化差异可以小于预设阈值，也即，目标图像与待处理人脸图像之间的差异在视觉感观中难以察觉，不影响使用。
[0044]
在一些实施例中，在目标图像处于未授权的情况下，收集到目标图像，利用未授权的模型提取待处理人脸图像的特征信息和目标图像的特征信息，可以确定待处理人脸图像的特征信息和目标图像的特征信息之间的相似度小于预设阈值，这里的预设阈值，可以理解为该未授权的模型确定不同结果的阈值。例如：该未授权的模型为人脸识别模型，该人脸识别模型的底库中存储有包含第一人脸的第一人脸图像，该人脸识别模型可以确定包含第一人脸的待处理人脸图像与包含第一人脸的第一人脸图像之间的相似度大于确定不同结果的阈值，从而确定结果为相同的人脸。若将目标扰动信息叠加至包含第一人脸的待处理人脸图像，得到包含第一人脸的目标图像，利用该人脸识别模型确定目标图像的特征信息，可以确定待处理人脸图像的特征信息和目标图像的特征信息之间的相似度小于确定不同结果的阈值，从而确定结果为不同的人脸。
[0045]
在一些实施例中，可以根据待处理人脸图像中像素点的像素值和目标扰动矩阵中元素的元素值，确定目标图像每一像素点的像素值。例如：确定待处理人脸图像的分辨率与目标扰动矩阵的维度大小相同，待处理人脸图像中每一像素点的像素值为[97,100,121，...]，初始扰动矩阵可以为[0.8,0.1,0.3，...]等，得到的目标图像可以表示为[97.8,100.1,121.3，...]等。
[0046]
本公开实施例中，获取第一人脸图像和第二人脸图像；第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像；分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息；基于初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息，对初始扰动信息进行更新，得到目标扰动信息；其中，目标扰动信息用于对待处理人脸图像进行加密，加密后的待处理人脸图像的特征信
息与待处理人脸图像的特征信息之间的相似度小于预设阈值。这样，可以基于初始人脸图像和初始扰动信息，生成第一人脸图像，从而可以根据具有相同类型对象的初始人脸图像的特征信息、第一人脸图像的特征信息以及第二人脸图像的特征信息，共同更新初始扰动信息，进而可以快速准确地得到目标扰动信息。同时，可以将目标扰动信息叠加至具有相同类型对象的待处理人脸图像，使得加密后的待处理人脸图像的特征信息与待处理人脸图像的特征信息之间的相似度小于预设阈值，进而实现人脸图像的加密。
[0047]
在一些实施例中，上述扰动信息的生成方法还可以包括如下步骤s111至步骤s113：
[0048]
步骤s111，获取所述初始人脸图像和用于表征所述初始扰动信息的矩阵。
[0049]
这里，可以通过预先确定对象的类型，从而获取具有该类型的对象的图像，作为初始人脸图像。例如：确定对象为电动车类型，那么可以从第一存储空间(如，图像数据库等)中，获取对象为电动车的图像，作为初始人脸图像。步骤s111实施过程中，还可以接收用户上传的、具有对象的图像，作为初始人脸图像；可以根据初始人脸图像的分辨率，确定初始扰动矩阵的维度，随机初始化该维度的矩阵，作为用于表征初始扰动信息的初始扰动矩阵。
[0050]
步骤s112，基于所述初始人脸图像中每一像素的位置信息和用于表征所述初始扰动信息的矩阵中每一元素的位置信息，确定所述像素与所述元素之间的对应关系。
[0051]
这里，初始人脸图像的分辨率和用于表征初始扰动信息的矩阵的维度可以相同，用于表征初始扰动信息的矩阵中每一元素的元素值可以为预设数值范围内的随机数。例如：通过确定初始人脸图像的分辨率为100*100，预设数值范围为[-0.5,0.5]，从而可以确定初始扰动矩阵可以为[0.1,0.2,-0.3，...]等。在获取初始人脸图像和初始扰动矩阵的情况下，可以基于初始人脸图像中每一像素的位置信息和初始扰动矩阵中每一元素的位置信息，确定像素与元素之间的对应关系。例如：确定第一像素的位置信息为初始人脸图像的第一行第一列，第一元素的位置信息为初始扰动矩阵的第一行第一列等，可以确定第一像素与第一元素存在对应关系。在确定对应关系的情况下，可以将对应关系存储至第二存储空间，用于后续快速准确地生成第一人脸图像。
[0052]
步骤s113，基于所述对应关系，将所述像素的像素值和所述元素的元素值相加，得到所述第一人脸图像。
[0053]
例如：确定初始人脸图像中每一像素点的像素值为[125,130,146，...]，初始扰动矩阵可以为[0.1,0.2,0.5，...]等，得到的第一人脸图像可以表示为[125.1,130.2,146.5，...]等。
[0054]
本公开实施例中，通过获取初始人脸图像和用于表征初始扰动信息的矩阵；初始人脸图像的分辨率和用于表征初始扰动信息的矩阵的维度相同，用于表征初始扰动信息的矩阵中每一元素的元素值为预设数值范围内的随机数；基于初始人脸图像中每一像素的位置信息和用于表征初始扰动信息的矩阵中每一元素的位置信息，可以准确快速地确定像素与元素之间的对应关系，进而提高获取第一人脸图像的效率等。
[0055]
本公开实施例提供一种扰动信息的生成方法，如图2所示，该方法可以包括如下步骤s201至步骤s206：
[0056]
步骤s201至步骤s202分别对应于前述步骤s101至步骤s102，在实施时可以参照前述步骤s101至步骤s102的具体实施方式。
[0057]
步骤s203，基于所述初始人脸图像的特征信息和所述第一人脸图像的特征信息，确定第一损失值。
[0058]
这里，损失值可以理解为用于更新初始扰动信息的参数，第一损失值为第一个参数，第一损失值可以用于增大初始人脸图像的特征信息与第一人脸图像的特征信息之间的差异。步骤s203实施过程中，包括：根据第一人脸图像的特征信息与第二人脸图像的特征信息之间的相似度或者距离，确定第一损失值；也可以根据第一人脸图像的特征信息与第二人脸图像的特征信息之间的关联程度等属性，确定第一损失值。
[0059]
步骤s204，基于所述第一人脸图像的特征信息和所述第二人脸图像的特征信息，确定第二损失值。
[0060]
这里，第二损失值可以为更新初始扰动信息的第二个参数，第二损失值可以用于提高目标扰动信息的通用性。步骤s204实施过程中，包括：可以将第一人脸图像的特征信息与第二人脸图像的特征信息之间的相似度或者距离，确定为第二损失值；也可以将第一人脸图像的特征信息与第二人脸图像的特征信息之间的关联程度等属性值，确定第二损失值。
[0061]
步骤s204实施过程中，可以分别确定用于表征第一人脸图像的特征信息的数值与用于表征第二人脸图像的特征信息的数值，通过预设的公式或者算法，确定第一损失值。也可以利用预测模型，确定第二损失值。预测模型可以理解为预先训练好的神经网络，通过输入第一人脸图像的特征信息与第二人脸图像的特征信息，可以得到第二损失值等。
[0062]
步骤s205，获取基于所述初始扰动信息确定的第三损失值。
[0063]
这里，第三损失值可以为更新初始扰动信息的第三个参数，第三损失值可以用于限制扰动，使得叠加目标扰动信息后的待处理人脸图像更加自然等。步骤s205实施过程中，可以基于用于表征初始扰动信息的矩阵中每一元素的元素值以及预设的公式或者算法，确定第三损失值，例如：可以确定用于表征初始扰动信息的矩阵中元素值的均值或者方差等属性值，将该均值或者方差等属性值作为第三损失值。
[0064]
步骤s206，基于所述第一损失值、所述第二损失值和所述第三损失值，对所述初始扰动信息进行更新，得到所述目标扰动信息。
[0065]
这里，步骤s206实施过程中，可以根据第一损失值、第二损失值和第三损失值，确定更新量，根据该更新量更新初始扰动信息。例如：可以将第一损失值、第二损失值和第三损失值相加，得到更新量，将该更新量与初始扰动信息相加，得到目标扰动信息。步骤s206实施过程中，也可以基于第一损失值，对初始扰动信息进行一次更新，得到一次更新后的扰动信息；再基于第二损失值，对一次更新后的扰动信息进行二次更新，得到再次更新后的扰动信息；再基于第三损失值，对再次更新后的扰动信息进行三次更新，得到目标扰动信息等。
[0066]
本公开实施例中，通过获取第一人脸图像和第二人脸图像；第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像；分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息；可以基于初始人脸图像的特征信息和第一人脸图像的特征信息，确定第一损失值；可以基于第一人脸图像的特征信息和第二人脸图像的特征信息，确定第二损失值；获取基于初始扰动信息确定的第三损失值；从而基于第一损失值、第二损失值和第三损失值，对初始扰动信息进行更新，得到目标扰动信息；这样，
能够快速地确定第一损失值、第二损失值和第三损失值，准确地更新初始扰动信息，提高目标扰动信息的确定效率和准确率等。
[0067]
在一些实施例中，上述步骤s206可以包括如下步骤s211至步骤s212：
[0068]
步骤s211，基于所述第一损失值、所述第二损失值和所述第三损失值的和，确定调整梯度。
[0069]
这里，调整梯度可以理解为总损失值(包括第一损失值、第二损失值和第三损失值)收敛的方向，按照该调整梯度对初始扰动信息进行更新，可以快速准确地确定总损失值的最值，从而完成收敛。更新初始扰动信息的过程中，可以进行多次迭代，确定多次的调整梯度，如，上一调整梯度、当前调整梯度和下一调整梯度等，直至总损失值完成收敛。例如：可以根据第一损失值、第二损失值和第三损失值之间的和，将第一损失值和第二损失值之间的和作为当前的总损失值，确定当前的总损失值的偏导数，将当前的总损失值的偏导数作为当前调整梯度，可以用矩阵的形式表征当前调整梯度等。
[0070]
在一些实施例中，可以基于第一损失值、第二损失值和第三损失值，确定总损失值，基于总损失值，对初始扰动信息进行更新，得到目标扰动信息。如，可以采用如下公式确定总损失值：
[0071]
l＝l
dis_ori
+l
dis_targer
+l
normal
ꢀꢀꢀꢀꢀꢀ
(1)；
[0072]
公式(1)中，l可以表示总损失值，l
dis_ori
可以表示第一损失值，l
dis_targer
可以表示第二损失值，l
normal
可以表示第三损失值。
[0073]
步骤s212，基于所述调整梯度和预设的调整步长，对所述初始扰动信息进行更新，得到所述目标扰动信息。
[0074]
这里，调整步长可以理解成为了使得总损失值(包括第一损失值和第二损失值)收敛，初始扰动信息调整的大小。步骤s212实施过程中，可以根据调整梯度和调整步长，确定当前更新数值，从而可以根据当前更新数值和初始扰动信息，确定目标扰动信息。例如：可以将当前更新方向和当前更新大小之间的乘积确定为当前更新数值，将初始扰动信息与初始扰动信息之间的差值确定为目标扰动信息等。
[0075]
步骤s212实施过程中，可以设置初始的调整步长，在迭代过程中，可以根据迭代次数，确定当前的调整步长。更新次数为更新初始扰动信息的过程中，新初始扰动信息迭代的次数，例如：初始的调整步长为5，初始扰动信息对应的迭代次数为0，可以确定当前的调整步长为0。这里，根据初始的调整步长，确定当前的调整步长的方式并不限定。
[0076]
在一些实施例中，确定调整梯度和调整步长后，可以基于调整梯度和调整步长，更新初始扰动信息，得到目标扰动信息。如，可以采用如下公式确定目标扰动信息：
[0077]s′
＝s-α*g
ꢀꢀꢀꢀꢀ
(2)；
[0078]
公式(2)中，s
′
可以表示用于表征目标扰动信息的矩阵，s可以表示用于表征初始扰动信息的矩阵，α可以表示调整步长，g可以表示调整梯度，α*g可以表示更新数值。
[0079]
本公开实施例中，基于第一损失值、第二损失值和第三损失值，确定调整梯度；从而可以基于调整梯度和预设的调整步长，准确快速地对初始扰动信息进行更新，得到目标扰动信息，提高确定目标扰动信息的确定效率等。
[0080]
本公开实施例提供一种扰动信息的生成方法，如图3所示，该方法包括如下步骤s301至步骤s304：
[0081]
步骤s301对应于前述步骤s101，在实施时可以参照前述步骤s101的具体实施方式；步骤s304对应于前述步骤s103，在实施时可以参照前述步骤s101的具体实施方式。
[0082]
步骤s302，从预设的特征提取模型集合中，选取至少两个特征提取模型。
[0083]
这里，特征提取模型可以理解为用于提取图像的特征信息的模型，对于特征提取模型的结果以及训练方式等，以及第一人脸图像和第二人脸图像的数量，这里并不限定。步骤s302实施过程中，可以随机确定特征提取模型的数量，从预设的特征提取模型集合中，选取该数量的特征提取模型。例如：选定特征提取模型的数量为5，从预设的特征提取模型集合中，随机选取5个特征提取模型。其中，不同特征提取模型使用不同场景的训练数据进行训练得到和/或不同特征提取模型的模型结构不同。例如：第一特征提取模型使用的是白天场景的人脸图像进行训练得到，第二特征提取模型使用的是黑夜场景的人脸图像进行训练得到，第三特征提取模型使用的是全身场景的人体图像进行训练得到，第四特征提取模型的模型结构为卷积神经网络，第五特征提取模型的模型结构为前馈神经网络等，这里并不限定。
[0084]
步骤s303，基于每一所述特征提取模型，分别对所述初始人脸图像、所述第一人脸图像和所述第二人脸图像进行特征提取，得到一组所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息。
[0085]
这里，在选取至少两个特征提取模型的情况下，可以基于每一特征提取模型，分别对初始人脸图像、第一人脸图像和第二人脸图像进行特征提取，得到一组初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息。例如：初始人脸图像的数量为1张，第一人脸图像的数量为1张，第二人脸图像的数量为3张，那么选取的特征提取模型的数量为3个，利用第一特征提取模型，分别确定初始人脸图像的1个特征信息、第一人脸图像的1个特征信息和第二人脸图像的3个特征信息，作为第一组；利用第二特征提取模型，分别确定初始人脸图像的1个特征信息、第一人脸图像的1个特征信息和第二人脸图像的3个特征信息，作为第二组；利用第三特征提取模型，分别确定初始人脸图像的1个特征信息、第一人脸图像的1个特征信息和第二人脸图像的3个特征信息，作为第三组等。
[0086]
在一些实施例中，可以基于每一组初始人脸图像的特征信息，第一人脸图像的特征信息，第二人脸图像的特征信息，确定多组子损失值，基于多组子损失值，确定出第一损失值或者第二损失值等。例如：可以根据第一组中初始人脸图像的特征信息和第一人脸图像的特征信息，确定第一组的子损失值；可以根据第二组中初始人脸图像的特征信息和第一人脸图像的特征信息，确定第二组的子损失值；可以根据第三组中初始人脸图像的特征信息和第一人脸图像的特征信息，确定第三组的子损失值，进而可以将第一组的子损失值、第二组的子损失值和第三组的子损失值的和，作为第一损失值。
[0087]
本公开实施例中，通过获取第一人脸图像和第二人脸图像，从预设的特征提取模型集合中，选取至少两个特征提取模型；不同特征提取模型使用不同场景的训练数据进行训练得到和/或不同特征提取模型的模型结构不同；从而可以基于每一特征提取模型，分别对初始人脸图像、第一人脸图像和第二人脸图像进行特征提取，得到一组初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息；基于初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息，对初始扰动信息进行更新，快速准确地得到目标扰动信息，提高确定目标扰动信息的确定效率和准确率等。
[0088]
在一些实施例中，上述步骤s203可以包括如下步骤s311至步骤s313：
[0089]
步骤s311，确定每一组所述初始人脸图像的特征信息和所述第一人脸图像的特征信息之间的第一相似度。
[0090]
这里，第一相似度可以理解为初始人脸图像的特征信息与第一人脸图像的特征信息之间的关联程度或者距离，可以通过用于表征初始人脸图像的特征信息的矩阵与用于表征第一人脸图像的特征信息的矩阵之间的特征距离，来确定第一相似度。例如：对于同一组初始人脸图像的特征信息与第一人脸图像的特征信息，可以将用于表征初始人脸图像的特征信息的矩阵与用于表征第一人脸图像的特征信息的矩阵之间的差值，确定为第一相似度，从而可以得到多个第一相似度。
[0091]
步骤s312，将所述第一相似度的相反数确定为每一所述特征提取模型对应的第一子损失值。
[0092]
步骤s313，将所有所述第一子损失值的和确定为所述第一损失值。
[0093]
在一些实施例中，可以基于初始人脸图像的特征信息与第一人脸图像的特征信息，确定第一损失值。如，可以采用如下公式确定第一损失值：
[0094]
l
dis_ori
＝-||f
a-f
as
||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0095]
公式(3)中，l
dis_ori
可以表示第一损失值，fa可以表示用于表征初始人脸图像的特征信息的矩阵，f
as
可以表示用于表征第一人脸图像的特征信息的矩阵。
[0096]
在一些实施例中，可以基于多个第一子损失值，确定第一损失值。如，可以采用如下公式确定第一损失值：
[0097]
l
dis_ori
＝l
dis_ori1
+l
dis_ori2
+...+l
dis_orin
ꢀꢀꢀꢀꢀꢀꢀ
(4)；
[0098]
公式(4)中，l
dis_ori
可以表示第一损失值，l
dis_ori1
、l
dis_ori2
和l
dis_orin
分别可以表示第一子损失值，n可以为大于2的正整数。
[0099]
本公开实施例中，确定每一组初始人脸图像的特征信息和第一人脸图像的特征信息之间的第一相似度；将第一相似度的相反数确定为每一特征提取模型对应的第一子损失值；从而可以将所有第一子损失值的和确定为第一损失值，进而提高第一损失值的确定效率和准确率等。
[0100]
在一些实施例中，上述步骤s204可以包括如下步骤s321至步骤s323：
[0101]
步骤s321，确定每一组所述第一人脸图像的特征信息和所述第二人脸图像的特征信息之间的第二相似度。
[0102]
这里，第二相似度可以理解为第一人脸图像的特征信息与第二人脸图像的特征信息之间的关联程度或者距离，可以通过用于表征第一人脸图像的特征信息的矩阵与用于表征第二人脸图像的特征信息的矩阵之间的特征距离，来确定第二相似度。例如：对于同一组第一人脸图像的特征信息与第二人脸图像的特征信息，可以将用于表征第一人脸图像的特征信息的矩阵与用于表征第二人脸图像的特征信息的矩阵之间的差值，确定为第二相似度，从而可以得到多个第二相似度。
[0103]
步骤s322，将所述第二相似度确定为每一所述特征提取模型对应的第二子损失值。
[0104]
这里，第二损失值可以由多个子损失值组成，第二人脸图像包括多张。步骤s322实施过程中，可以基于每一组第一人脸图像的特征信息和第二人脸图像的特征信息，确定每
一特征提取模型对应的第二子损失值。例如：对于第一组中第一人脸图像的特征信息和第二人脸图像的特征信息，可以确定第一组中第一人脸图像的特征信息与每一第二人脸图像的特征信息之间的特征距离，将最小的特征距离作为第二子损失值，确定第二子损失值为0.5；对于第二组中第一人脸图像的特征信息和第二人脸图像的特征信息，确定第二子损失值为0.6；对于第三组中第一人脸图像的特征信息和第二人脸图像的特征信息，确定第二子损失值为0.7等。
[0105]
步骤s323，将所有所述第二子损失值的和确定为所述第二损失值。
[0106]
例如：确定第二子损失值分别为0.5、0.6、0.7，那么可以确定第二损失值为1.8。步骤s323实施过程中，也可以基于所有第二子损失值的均值等属性值，确定第二损失值，这里并不限定。
[0107]
在一些实施例中，可以基于所有第二子损失值的和，确定第二损失值。如，可采用如下公式确定第二损失值：
[0108]
l
dis_targer
＝l
dis_targer1
+l
dis_targer2
+
···
+l
dis_targern
ꢀꢀꢀꢀꢀꢀꢀ
(5)；
[0109]
公式(5)中，l
dis_targer
可以表示第二损失值，l
dis_targer1
可以表示第一个第二子损失值，l
dis_targern
可以表示第n个第二子损失值，n可以为大于2的正整数。
[0110]
本公开实施例中，确定每一组第一人脸图像的特征信息和第二人脸图像的特征信息之间的第二相似度；从而可以将第二相似度确定为每一特征提取模型对应的第二子损失值；进而将所有第二子损失值的和确定为第二损失值，提高第二损失值的确定效率和准确性等。
[0111]
在一些实施例中，所述第二人脸图像包括至少两张，所述第一人脸图像的特征信息和所述第二人脸图像的特征信息分别包括特征矩阵；上述步骤s321可以包括如下步骤s331至步骤s333：
[0112]
步骤s331，确定每一组中的所述第一人脸图像的特征矩阵与每一所述第二人脸图像的特征矩阵之间的相似度。
[0113]
这里，第二人脸图像可以包括至少两张，可以利用特征矩阵分别表征第一人脸图像的特征信息和第二人脸图像的特征信息。步骤s331实施过程中，可以确定第一人脸图像的特征矩阵和每一第二人脸图像的特征矩阵之间的相似度或者特征距离等，如，欧式距离、曼哈顿距离、切比雪夫距离、马氏距离等特征距离。例如：第二人脸图像的数量为5，确定第一人脸图像的特征矩阵和每一第二人脸图像的特征矩阵之间的相似度分别为3、4、2、5、6等。
[0114]
步骤s332，从至少两个所述相似度中，确定最小的相似度。
[0115]
这里，步骤s332实施过程中，可以对多个相似度进行排序处理，得到排序结果，从而根据排序结果，确定最小的相似度。例如：排序结果可以为2、3、4、5、6，确定最小的相似度为2。
[0116]
步骤s333，将所述最小的相似度确定为所述第二相似度。
[0117]
例如：确定最小的相似度为2，从而确定第二损失值为2。在一些实施例中，也可以将最大的相似度确定为第二损失值，或者确定相似度的均值，将该均值确定为第二损失值等。
[0118]
在一些实施例中，可以基于第一人脸图像的特征矩阵与第二人脸图像的特征矩
阵，确定第二损失值，如，可以采用如下公式确定第二损失值：
[0119]
l
dis_targer
＝||f
as-f
bmin
||
ꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0120]
公式(6)中，l
dis_targer
可以表示第二损失值，f
as
可以表示第一人脸图像的特征矩阵，f
bmin
可以表示最小的相似度，fb可以表示第二人脸图像的特征矩阵。
[0121]
本公开实施例中，通过确定第一人脸图像的特征矩阵与每一第二人脸图像的特征矩阵之间的相似度，从至少两个相似度中，确定最小的相似度，从而可以将最小的相似度确定为第二损失值，提高第二损失值的确定效率和准确性等。
[0122]
在一些实施例中，上述步骤s205可以包括如下步骤s341至步骤s342：
[0123]
步骤s341，对用于表征所述初始扰动信息的矩阵中每一元素的元素值进行排序，确定排序结果。
[0124]
这里，可以确定初始扰动信息所有元素的元素值，从所有元素的元素值中，确定最大的元素值。例如：确定初始扰动信息所有元素的元素值分别为0.1、0.4、0.2、0.5、0.3，从而确定最大的元素值为0.5等。
[0125]
步骤s342，获取基于所述排序结果确定的所述第三损失值。
[0126]
这里，步骤s342实施过程中，可以将最小的元素值等确定为第三损失值，这里并不限定。
[0127]
在一些实施例中，可以获取基于初始扰动信息确定的第三损失值，如，可以采用如下公式确定第三损失值：
[0128]
l
normal
＝max(s)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)；
[0129]
公式(7)中，l
normal
可以表示第三损失值，s可以表示用于表征初始扰动信息的矩阵中元素的元素值。
[0130]
本公开实施例中，通过从用于表征初始扰动信息的矩阵所有元素的元素值中，确定最大的元素值，从而可以将最大的元素值确定为第二损失值，提高第二损失值的确定效率和准确性等。对用于表征初始扰动信息的矩阵中每一元素的元素值进行排序，确定排序结果；从而可以获取基于排序结果确定的第三损失值，提高第三损失值的确定效率和准确性等。
[0131]
本公开实施例提供一种图像处理方法，该方法可以由计算机设备的处理器执行。图4为本公开实施例提供的一种图像处理方法的实现流程示意图，如图4所示，该方法包括如下步骤s401至步骤s402：
[0132]
步骤s401，获取待处理人脸图像和目标扰动信息。
[0133]
这里，可以接收用户上传的多张人脸图像，作为待处理人脸图像，例如：初始人脸图像具有第一人脸，第二人脸图像具有第二人脸，待处理人脸图像具有第三人脸等。该目标扰动信息可以是基于上述扰动信息的生成方法确定的，不同类型的对象的图像可以生成不同的目标扰动信息，例如：人脸图像可以生成第一目标扰动信息，动物图像可以生成第二目标扰动信息，车辆图像可以生成第三目标扰动信息等。
[0134]
步骤s402，将所述目标扰动信息叠加至所述待处理人脸图像，得到目标图像，以使得对所述待处理人脸图像进行加密。
[0135]
这里，目标图像的特征信息与待处理人脸图像的特征信息之间的相似度小于预设阈值；目标扰动信息是基于初始人脸图像、初始扰动信息和第二人脸图像确定的；初始人脸
图像、第二人脸图像和待处理人脸图像具有相同类型的对象。目标图像可以理解为携带目标扰动信息的待处理人脸图像，目标图像与待处理人脸图像之间的可视化差异可以小于预设阈值，也即目标图像与待处理人脸图像之间的差异在视觉感观中难以察觉，不影响使用。可以根据待处理人脸图像中像素点的像素值和目标扰动矩阵中元素的元素值，确定目标图像每一像素点的像素值。例如：确定待处理人脸图像的分辨率与目标扰动矩阵的维度大小相同，待处理人脸图像中每一像素点的像素值为[97,100,121，...]，初始扰动矩阵可以为[0.8,0.1,0.3，...]等，得到的目标图像可以表示为[97.8,100.1,121.3，...]等。
[0136]
步骤s402实施过程中，在待处理人脸图像的分辨率与目标扰动矩阵的维度大小不同的情况下，可以通过拟合或插值等方法，将待处理人脸图像的分辨率调整为与目标扰动矩阵的维度大小相同，然后将目标扰动矩阵叠加至尺寸调整后的待处理人脸图像，从而得到目标图像等。
[0137]
在一些实施例中，预设阈值可以理解为已训练的检测模型确定不同结果的检测阈值，例如：已训练的检测模型为人脸识别模型，已训练的检测模型包括预设的底库图像，在当前输入的图像与底库图像之间的相似度大于该检测模型的检测阈值的情况下，确定当前输入的图像与底库图像具有同一对象。若已训练的检测模型包括与待处理人脸图像对应的底库图像，利用已训练的检测模型，可以确定待处理人脸图像与底库图像之间的相似度大于该检测模型的检测阈值。可以将目标扰动信息叠加至待处理人脸图像，得到目标图像，利用已训练的检测模型，可以确定目标图像与底库图像之间的相似度小于该检测模型的检测阈值，从而无法确定目标图像与底库图像具有相同的对象。
[0138]
本公开实施例中，通过获取待处理人脸图像和目标扰动信息；将目标扰动信息叠加至待处理人脸图像，得到目标图像，从而可以对待处理人脸图像进行加密；其中，目标图像的特征信息与待处理人脸图像的特征信息之间的相似度小于预设阈值；目标扰动信息是基于初始人脸图像、初始扰动信息和第二人脸图像确定的；初始人脸图像、第二人脸图像和待处理人脸图像具有相同类型的对象。
[0139]
下面说明本公开实施例提供的扰动信息的生成方法在实际场景中的应用，以基于人脸图像的信息保护的场景为例进行说明。
[0140]
本公开实施例提供一种人脸图像的信息保护方法，在待处理人脸图像中叠加目标扰动信息，得到目标图像，完成图像数据的信息保护。当前，任何数据发布者发布在网络社交平台等应用程序中的图像、视频等数据处于可见即可得状态，其他人员收集数据后，可以有目的地获取图像等信息，进行相关处理，包括统计、模型训练或使用于其他目的等。这对数据发布者来说，数据相关信息完全暴露，这种信息泄漏现象对于越来越注重个人隐私保护的今天来说非常严重，也十分泛滥。
[0141]
而目前针对此类隐私保护，通常网络社交平台允许数据发布者加水印以保护版权，但这对于信息保护的作用不够明显。一些网络社交平台会限制数据下载或使用反爬虫机制保护数据，但同样也难以减少数据被滥用。本公开实施例中，可以使用增加扰动的方式给数据加密，使数据在人眼观察没有明显变化，可正常发布，但当携带扰动的数据被收集后，用于模型训练时会导致模型无法准确进行训练，无法从图像等数据中获取有效信息，数据信息得到保护。
[0142]
本公开实施例提供的一种人脸图像的信息保护方法，该方法可以由计算机设备的
处理器执行。如图5所示，该人脸图像的信息保护方法包括如下步骤s501至步骤s503：
[0143]
步骤s501，训练预定的特征提取模型集合。
[0144]
这里，可以预先训练多个特征提取模型，用于提取图像的特征信息，不同的特征提取模型可以使用不同场景的训练数据进行训练得到和/或不同的特征提取模型的模型结构可以不同等。在训练得到预定的特征提取模型集合后，可以存储至第三存储空间，从而可以从第三存储空间随机选定任意数量的特征提取模型等。在一些实施例中，可以预先确定待处理人脸图像的场景，如，待处理人脸图像为人脸图像，可以采用与待处理人脸图像的场景相同的训练数据(如，人脸图像数据集等)，训练特征提取模型。
[0145]
步骤s502，确定初始扰动信息和初始人脸图像，以及获取第一人脸图像和第二人脸图像，并利用选定的特征提取模型，分别确定初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息。
[0146]
这里，可以从预设的第一存储空间获取第一原始图像和第二原始图像，第一原始图像和第二原始图像为人脸图像，进而将初始扰动信息叠加至第一原始图像，得到第一人脸图像，将触发器叠加至第二原始图像，得到第二人脸图像。根据第一原始图像的分辨率，可以确定初始扰动信息的维度，进而可以随机初始化该维度的矩阵，作为用于表征初始扰动信息的初始扰动矩阵，如，元素值可以为-1至1之间的随机数等。利用选定的特征提取模型，分别确定第一人脸图像的特征信息和第二人脸图像的特征信息。在一些实施例中，选定的特征提取模型也可以为多个，例如：选定两个特征提取模型，可以利用第一特征提取模型，分别得到第一人脸图像的一个特征信息和第二人脸图像的一个特征信息，作为第一组；可以利用第二特征提取模型，分别得到第一人脸图像的一个特征信息和第二人脸图像的一个特征信息，作为第二组等。如图6a所示，可以包括多个第一人脸图像601，如第一人脸图像、第二人脸图像等，利用选定的特征提取模型602，确定第一人脸图像的特征信息603，如，第一人脸图像的特征信息、第二人脸图像的特征信息等。如图6b所示，可以包括初始人脸图像604，利用选定的特征提取模型602，确定初始人脸图像的特征信息605。
[0147]
步骤s503，基于初始人脸图像的特征信息、第一人脸图像的特征信息和第二人脸图像的特征信息，对初始扰动信息进行更新，得到目标扰动信息。
[0148]
这里，可以基于初始人脸图像的特征信息、第一人脸图像的特征信息、第二人脸图像的特征信息和初始扰动信息，确定总损失值，基于总损失值，更新初始扰动信息，得到目标扰动信息。目标扰动信息用于对待处理人脸图像中对象进行加密，得到目标图像等。如图6c所示，待处理人脸图像606与目标图像607之间的差异在视觉感观中难以察觉，其中，为了使扰动更加明显，可视化时放大了目标扰动信息。当未授权用户收集添加有目标扰动信息的图像进行人脸识别模型训练时，将会受到扰动影响，降低人脸识别模型识别的准确性，减少从添加有目标扰动信息的图像中获取有效信息的可能性等。
[0149]
在上述实施例中，在数据的使用场景中，如，人脸图像的发布，用户可以使用本方案给图像加上扰动信息(也即目标扰动信息)，完成加密保护后再上传，不影响正常使用。但未授权用户收集目标图像进行人脸识别时，将会受到扰动影响等，无法利用目标图像的特征信息，准确识别出目标图像中的对象等。在数据公开时，可使用本方案给图像添加扰动信息作为水印，或者作为图像的密钥，保护图像版权等。
[0150]
基于前述的实施例，本公开实施例提供一种扰动信息的生成装置，该装置包括所
包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(central processing unit，cpu)、微处理器(microprocessor unit，mpu)、数字信号处理器(digital signal processor，dsp)或现场可编程门阵列(field programmable gate array，fpga)等。
[0151]
图7为本公开实施例提供的一种扰动信息的生成装置的组成结构示意图，如图7所示，扰动信息的生成装置700包括：第一获取模块710、第一确定模块720和更新模块730，其中：
[0152]
第一获取模块710，用于获取第一人脸图像和第二人脸图像；所述第一人脸图像是基于初始人脸图像和初始扰动信息确定的人脸图像；第一确定模块720，用于分别确定所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息；更新模块730，用于基于所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息，对所述初始扰动信息进行更新，得到目标扰动信息；其中，所述目标扰动信息用于对待处理人脸图像进行加密，加密后的待处理人脸图像的特征信息与所述待处理人脸图像的特征信息之间的相似度小于预设阈值。
[0153]
在一些实施例中，所述更新模块还用于：基于所述初始人脸图像的特征信息和所述第一人脸图像的特征信息，确定第一损失值；基于所述第一人脸图像的特征信息和所述第二人脸图像的特征信息，确定第二损失值；获取基于所述初始扰动信息确定的第三损失值；基于所述第一损失值、所述第二损失值和所述第三损失值，对所述初始扰动信息进行更新，得到所述目标扰动信息。
[0154]
在一些实施例中，所述第一确定模块还用于：从预设的特征提取模型集合中，选取至少两个特征提取模型；不同所述特征提取模型使用不同场景的训练数据进行训练得到和/或不同所述特征提取模型的模型结构不同；基于每一所述特征提取模型，分别对所述初始人脸图像、所述第一人脸图像和所述第二人脸图像进行特征提取，得到一组所述初始人脸图像的特征信息、所述第一人脸图像的特征信息和所述第二人脸图像的特征信息。
[0155]
在一些实施例中，所述更新模块还用于：确定每一组所述初始人脸图像的特征信息和所述第一人脸图像的特征信息之间的第一相似度；将所述第一相似度的相反数确定为每一所述特征提取模型对应的第一子损失值；将所有所述第一子损失值的和确定为所述第一损失值。
[0156]
在一些实施例中，所述更新模块还用于：确定每一组所述第一人脸图像的特征信息和所述第二人脸图像的特征信息之间的第二相似度；将所述第二相似度确定为每一所述特征提取模型对应的第二子损失值；将所有所述第二子损失值的和确定为所述第二损失值。
[0157]
在一些实施例中，所述第二人脸图像包括至少两张，所述第一人脸图像的特征信息和所述第二人脸图像的特征信息分别包括特征矩阵；所述更新模块还用于：确定每一组中的所述第一人脸图像的特征矩阵与每一所述第二人脸图像的特征矩阵之间的相似度；从至少两个所述相似度中，确定最小的相似度；将所述最小的相似度确定为所述第二相似度。
[0158]
在一些实施例中，所述更新模块还用于：对用于表征所述初始扰动信息的矩阵中每一元素的元素值进行排序，确定排序结果；获取基于所述排序结果确定的所述第三损失
值。
[0159]
在一些实施例中，所述更新模块还用于：基于所述第一损失值、所述第二损失值和所述第三损失值的和，确定调整梯度；基于所述调整梯度和预设的调整步长，对所述初始扰动信息进行更新，得到所述目标扰动信息。
[0160]
在一些实施例中，所述装置还包括：第三获取模块，用于获取所述初始人脸图像和用于表征所述初始扰动信息的矩阵；第二确定模块，用于基于所述初始人脸图像中每一像素的位置信息和用于表征所述初始扰动信息的矩阵中每一元素的位置信息，确定所述像素与所述元素之间的对应关系；所述初始人脸图像的分辨率和用于表征所述初始扰动信息的矩阵的维度相同，用于表征所述初始扰动信息的矩阵中每一元素的元素值为预设数值范围内的随机数；处理模块，用于基于所述对应关系，将所述像素的像素值和所述元素的元素值相加，得到所述第一人脸图像。
[0161]
图8为本公开实施例提供的一种图像处理装置的组成结构示意图，如图8所示，图像处理装置800包括：第二获取模块810和加密模块820，其中：
[0162]
第二获取模块810，用于获取待处理人脸图像和目标扰动信息；加密模块820，用于将所述目标扰动信息叠加至所述待处理人脸图像，得到目标图像，以使得对所述待处理人脸图像进行加密；其中，所述目标图像的特征信息与所述待处理人脸图像的特征信息之间的相似度小于预设阈值；所述目标扰动信息是基于初始人脸图像、初始扰动信息和第二人脸图像确定的。
[0163]
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法，对于本公开装置实施例中未披露的技术细节，请参照本公开方法实施例的描述而理解。
[0164]
需要说明的是，本公开实施例中，如果以软件功能模块的形式实现上述的扰动信息的生成方法或者图像处理方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本公开实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。
[0165]
本公开实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
[0166]
本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
[0167]
本公开实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机设备中运行的情况下，所述计算机设备中的处理器执行用于实现上述方法中的
部分或全部步骤。
[0168]
本公开实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
[0169]
这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本公开设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本公开方法实施例的描述而理解。
[0170]
需要说明的是，图9为本公开实施例中计算机设备的一种硬件实体示意图，如图9所示，该计算机设备900的硬件实体包括：处理器901、通信接口902和存储器903，其中：
[0171]
处理器901通常控制计算机设备900的总体操作。
[0172]
通信接口902可以使计算机设备通过网络与其他终端或服务器通信。
[0173]
存储器903配置为存储由处理器901可执行的指令和应用，还可以缓存待处理器901以及计算机设备900中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(random access memory，ram)实现。处理器901、通信接口902和存储器903之间可以通过总线904进行数据传输。
[0174]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本公开的各种实施例中，上述各步骤/过程的序号的大小并不意味着执行顺序的先后，各步骤/过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
[0175]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0176]
在本公开所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0177]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0178]
另外，在本公开各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0179]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0180]
或者，本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0181]
以上所述，仅为本公开的实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。