買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜杭州電子科技大學申請的專利一種結合k匿名的行人身份隱私保護方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114036553B 。

龍圖騰網通過國家知識產權局官網在2025-05-13發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111261508.3，技術領域涉及：G06F21/62；該發明授權一種結合k匿名的行人身份隱私保護方法是由匡振中;滕龍斌;陳超;俞俊設計研發完成，并于2021-10-28向國家知識產權局提交的專利申請。

本一種結合k匿名的行人身份隱私保護方法在說明書摘要公布了：本發明提出了一種結合k匿名的行人身份隱私保護方法。本發明通過交叉身份訓練策略，生成更高質量的匿名圖像；最后通過設計的k匿名隱私保護方法，保留行人圖像數據隱私的同時也保留了數據的可用性；具體步驟：步驟1：代理數據集采集與圖像預處理；步驟2：建立k匿名機制；步驟3：構建匿名行人生成對抗網絡；步驟4：匿名行人生成目標函數；步驟5：采用公開數據集進行訓練及測試，輸出最終結果。本發明既保留了行人身份隱私又保留了屬性。在匿名行人生成方面，一方面本方法結合了將屬性以及目標背景融合到行人生成過程中，另一方面本方法提出交叉身份訓練策略，提高了生成圖像的質量。

本發明授權一種結合k匿名的行人身份隱私保護方法在權利要求書中公布了：1.一種結合k匿名的行人身份隱私保護方法，其特征在于首先提出了一種行人匿名模型即匿名行人生成對抗網絡用于行人匿名；其次通過交叉身份訓練策略，生成匿名圖像；最后通過設計的k匿名隱私保護方法，保留行人圖像數據隱私的同時也保留了數據的可用性；具體實現步驟如下：步驟1：代理數據集采集與圖像預處理；步驟2：建立k匿名機制；步驟3：構建匿名行人生成對抗網絡；步驟4：匿名行人生成目標函數；步驟5：采用公開數據集進行訓練及測試，輸出最終結果；步驟2建立k匿名機制，具體步驟如下：2-1.計算行人身份特征；用行人的平均特征作為行人身份特征，具體采用如下公式： 其中，Fi是身份為i的行人身份特征，Ni是身份為i的行人圖像數，是身份為i的行人的第j張圖像的圖像特征；所述的平均特征是指一個行人對應的多張行人圖像求解的多個圖像特征的平均值；2-2.身份聚類分組；根據屬性對行人進行分組，再在各屬性分組下進行特征分組；特征分組用k-means變體算法對行人身份特征進行聚類，并且使各個聚類的組內行人數量相同，得到聚類中心；對于同一組內的k個行人都用同一個代理行人，以實現k匿名理論；2-3.行人代理身份映射；首先將待匿名數據集進行身份聚類分組；其次將待匿名數據集聚類中心映射到代理數據集，并以最小映射距離時的映射關系作為目標，得到行人代理身份映射；映射距離具體采用如下公式： 其中DM表示映射距離，n表示聚類數量，表示待匿名數據集第i個聚類中心的行人身份特征，fi表示第i個聚類中心映射的代理行人的身份，表示身份為fi的代理行人的行人身份特征；步驟3構建匿名行人生成對抗網絡，具體步驟如下：3-1.構建生成器；生成器G的目標是學習從源圖像IS到生成圖像IG的映射，并且使生成圖姿勢KG與目標圖姿勢KT的特征相同；使用姿勢-注意轉移塊PATB作為匿名行人生成對抗網絡中的生成器；且多個姿勢-注意轉移塊是級聯的；從初始圖像特征和姿勢特征開始，多個PATB逐步更新這兩個特征；PATB最終的輸出通過多個反卷積層和一個卷積層對最終圖像特征進行解碼，以獲得生成圖像IG，同時丟棄最終姿勢特征；在匿名行人生成對抗網絡中使用9個PATB，通過卷積層與全連接層提取圖像特征與姿勢特征輸入級聯的PATB生成器；所述的初始圖像特征即為源圖像IS的圖像特征；姿勢特征包括生成圖姿勢KG與目標圖姿勢KT的特征；3-2.構建鑒別器；鑒別器包括圖像鑒別器DI和姿勢鑒別器DK，其中DI鑒別輸入圖像的真實性以及輸入圖像和輸入屬性之間的相似性，DK判別輸入圖像與輸入姿勢之間的相似性；DI的輸入包括了[目標圖像,屬性]二元組以及[生成圖像,屬性]二元組，并判斷前者為真后者假；DK的輸入包括了[目標圖像,姿勢]二元組以及[生成圖像,姿勢]二元組，并判斷前者為真后者假；DI中圖像特征和屬性特征通過卷積層與全連接層融合，最后的圖像真實度SI是通過將圖像鑒別器DI中的融合圖像特征輸入到3個殘差塊中獲得的；將姿勢圖像與行人圖像疊加的特征輸入1個下采樣卷積層和3個剩余殘差塊，得到姿勢真實度SK；最后將圖像真實度SI和姿勢真實度SK組合：S＝SISK；步驟4匿名行人生成目標函數，具體步驟如下：4-1.聯合各個行人生成目標函數，具體公式如下所示：L＝λ1LGAN+λ2LI+λ3LF其中，λ1是GAN的目標函數的權重，λ2重構損失目標函數的權重，λ3是身份交叉特征損失函數的權重；其中λ1＝10，λ2＝10，λ3＝1；4-2.GAN的目標函數LGAN；GAN的核心思想在于生成器和鑒別器之間的對抗性博弈；生成器的目標是生成鑒別器無法辨別的真實圖像；鑒別器的目標是判別圖像是否由生成器生成，這個過程用如下方程表示： 其中，IS、IT和IG分別表示源圖像、目標圖像、生成圖像，BT表示目標背景，A表示屬性，KS和KT分別表示源姿勢和目標姿勢；4-3.重構損失目標函數；匿名行人生成對抗網絡的重構目標損失采用行人區域的像素級損失，允許網絡更多地關注目標人物的生成以及與背景的融合，具體如下公式：LI＝||MT⊙IT-IG||14其中，⊙表示元素級乘，MT為二值行人區域掩碼；4-4.身份交叉特征損失函數；身份交叉訓練階段，采用特征間損失約束身份交叉行人生成；具體的通過預訓練的行人重識別模型提取生成圖像中行人的圖像特征，根據源圖像中行人與目標圖像中行人身份是否一致，選擇不同的身份交叉特征損失函數，具體公式如下： 其中，FS是源圖像中行人的圖像特征，FT是目標圖像中行人的圖像特征，FG是生成圖像中行人的圖像特征。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市下沙高教園區2號大街；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。