本發(fā)明屬于密碼學、計算機視覺領域，特別是隱秘物體檢測的方法，具體地說是基于隨機子圖表示的云環(huán)境中物體圖像隱秘檢測方法。

背景技術：

人臉檢測是指在輸入圖像中確定所有人臉(如果存在)的位置與大小。人臉檢測系統(tǒng)的輸入是可能包含人臉的圖像，輸出是關于圖像中是否存在人臉以及人臉的數(shù)目、位置、尺度等信息的參數(shù)化描述。目前人臉檢測算法模型很多，如ANN模型、SVM模型、Adaboost模型等。Viola&Jones人臉檢測算法利用Adaboost模型，其在速度、魯棒性與精度的綜合性能上是最優(yōu)的，所以本文采用的人臉檢測算法是Viola&Jones人臉檢測算法。

隨著監(jiān)控攝像頭的泛濫，隱私泄露引發(fā)了人們的擔憂，這一問題應該被解決。2006年Shai Avidan and Moshe Butman在《Blind Vision》上提出了一種把安全多方計算協(xié)議應用到Viola&Jones人臉檢測算法實現(xiàn)的一種基于不經(jīng)意傳輸?shù)娜四槇D像隱秘檢測算法。該算法使用的加密工具是不經(jīng)意傳輸協(xié)議(OT)，用OT構造Secure Dot Product、Secure Millionaire安全協(xié)議，利用這些安全協(xié)議構造了Secure Classifier協(xié)議達到人臉圖像隱秘檢測的目的。Secure Classifier協(xié)議主要問題是大量的加解密計算和沒有利用積分圖像加速人臉檢測，嚴重影響基于不經(jīng)意傳輸?shù)娜四槇D像隱秘檢測算法的計算速度。實驗表明：一個24×24的檢測窗口被檢測需要幾分鐘，一幅240×320的圖片大約有150000個檢測窗口，所以檢測一幅240×320的圖片需要花費大量的時間，這樣檢測一幅圖片花費的代價太高。綜上所述，基于不經(jīng)意傳輸?shù)娜四槇D像隱秘檢測算法并不是很理想。

很多研究者都研究盲視問題，主要都是朝著加密的方向。然而本發(fā)明的目標是使得盲視朝著不損失安全性能的非加密方向努力。

技術實現(xiàn)要素：

本發(fā)明要解決技術問題為：克服現(xiàn)有技術的低效性，提供一種基于隨機子圖表示的云環(huán)境中物體圖像隱秘檢測方法該方法能夠有效提高安全物體檢測的計算效率，而且可以有效保護客戶端和服務器雙方的隱私信息。

本發(fā)明采用的技術方案為：一種基于隨機子圖表示的云環(huán)境中物體圖像隱秘檢測方法，實現(xiàn)步驟如下：

(1)隨機子圖的產(chǎn)生方法如下：

(11)客戶端將輸入圖像轉(zhuǎn)化為每個像素為0-255的圖像X；；

(12)客戶端創(chuàng)建256幅和(11)中圖像X同樣大小的子圖像SM_r，其中r的取值范圍為0-255，這些子圖的像素初始化為0，第r幅子圖像SM_r的權值為Q[r]＝r；

(13)對于圖像X中的每一個像素X[i,j]，Alice都做如下子過程，直到X[i,j]為0。

(131)產(chǎn)生一個隨機數(shù)z，z的取值范圍X[i,j]/2<z≤X[i,j]，設置權值為z的子圖像的SM_r[i,j]點像素值為1；

(132)重置X[i,j]＝X[i,j]-z，然后轉(zhuǎn)到過程(131)，直到X[i,j]＝0；

(14)當圖像X中所有的像素值都完成了(13)步驟，那么256幅二值(像素值為1或0)子圖像SM_r全部生成，圖像X可以表示為256張子圖像SM_r的加權和，權值為Q{0,1,2,3…,255}；

(2)基于隨機子圖表示的物體圖像隱秘檢測算法如下：

(21)客戶端將256張子圖像SM_r的權值集合Q{0,1,2,3…,255}隨機重新排列得到集合Q'，并將256張子圖像SM_r按Q'集合的順序重新排列得到子圖像SM'_r，把重新排列子圖像SM'_r發(fā)送給服務器；

(22)服務器具有以下形式的強分類器：

其中:H(x)是一個強分類器，N表示弱分類器的個數(shù)；h_n(x)表示弱分類器，n表示第n個弱分類器，x^T表示圖像像素向量，y_n表示弱分類器權值，α_n、β_n、θ_n為服務器訓練出來的弱分類器參數(shù)；

(23)服務器根據(jù)接收到的子圖像SM'_r的大小，計算出M個檢測窗口；

(24)對于m＝1,2,…,M個檢測窗口，服務器計算當前窗口下的每一個弱分類器h_n(x)的特征值F_r(n)＝sm_r^T*y_n*b_n，其中sm_r是圖像向量，b_n為服務器生成的隨機數(shù)，并將F_r(n)發(fā)送給客戶端；對于m＝1,2,…,M個檢測窗口，客戶端和服務器相互傳遞信息，引入隨機數(shù)機制，服務器完成物體檢測；

(25)客戶端生成隨機數(shù)a_k計算弱分類器通過圖像X特征值返回給服務器，服務器將特征值和閾值的大小判斷結(jié)果得到向量c_k，服務器將c_k發(fā)回給客戶端，客戶端將正確的大小判斷結(jié)果發(fā)送給服務器；

(26)服務器得到正確的大小判斷結(jié)果。根據(jù)(22)中的公式計算強分類器的值，得到所有正的檢測窗口的位置，返回給客戶端，得到物體所在的位置。

本發(fā)明的原理在于：

根據(jù)目前隱秘物體檢測方案的缺陷和不足，可以總結(jié)出設計基于隨機子圖表示的隱秘物體檢測算法一些規(guī)則，如下所述：

(1)一張圖像隨機分成256張子圖發(fā)送與服務器，這樣能保證圖像信息不能被服務器得到。

(2)在物體檢測的過程中，客戶端和服務器雙方都引入了隨機數(shù)機制，保證了雙方的數(shù)據(jù)安全。

根據(jù)上述規(guī)則，本發(fā)明利用隨機子圖表示、隨機數(shù)機制，設計了一種新的隱秘物體檢測方案。在該方案中，隨機子圖和權值的加權和表示出完整的物體圖像，然后在圖像信息傳輸和物體檢測的過程中引入隨機向量，最后檢測窗口返回給客戶端得到正確的檢測結(jié)果。為了提高安全檢測的效率，將物體圖像隨機分成256張子圖并引入隨機數(shù)機制。既保證了安全性，又降低了加密算法帶來的高計算復雜度。實驗分析表明隱秘隨機子圖表示的物體檢測方案，能夠適用于實際的物體檢測應用。

本發(fā)明與現(xiàn)有的技術相比，其優(yōu)勢在于：

(1)本發(fā)明基于客戶端圖像向量sm_r和服務器訓練參數(shù)y_n的點積sm_r^Ty_n計算特征值進行物體檢測，在計算特征值的過程中，服務器端生成隨機數(shù)b₁,b₂,...,b_N得到F_r(n)＝sm_r^T*y_n*b_n，客戶端生產(chǎn)成隨機數(shù)a_k得到F_r，k(n)＝sm_r^T*y_n*b_n*a_k來保證雙方數(shù)據(jù)的安全。因此本發(fā)明支持各種利用以點積為基礎的物體檢測算法。

(2)利用隨機子圖表示和隨機數(shù)機制，在保證安全性能的情況下極大的降低了圖像加密算法和OT協(xié)議帶來的計算復雜度，提高了算法的效率，并且縮短了程序測試的時間，也可以有效保護雙方數(shù)據(jù)的安全。

(3)基于現(xiàn)有的成熟的物體檢測算法，本發(fā)明是將圖像按照一定規(guī)則分成了256張子圖，簡單可行。服務器和客戶端各自引入了有限數(shù)量的隨機數(shù)，可以看出基于隨機子圖的隱秘物體檢測方案結(jié)構簡單，易于實現(xiàn)。

附圖說明

圖1是本發(fā)明隨機子圖生成流程圖；

圖2是本發(fā)明隱秘檢測算法方案流程圖。

具體實施方式

下面結(jié)合附圖及實施例對本發(fā)明進行詳細說明。

如圖1和圖2所示，

(1)客戶端Alice，將輸入圖像轉(zhuǎn)化為每個像素為0-255的圖像X；

(2)Alice創(chuàng)建256幅子圖像SM_r，這些子圖的像素初始化為0，第r幅子圖像SM_r的權值為Q[r]＝r，其中r的取值范圍為0-255；

(3)對于圖像X中的每一個像素X[i,j]，Alice都做如下子過程，直到X[i,j]為0。最終將輸入圖像X分解成256張隨機子圖SM_r；

(31)產(chǎn)生一個隨機數(shù)z，z的取值范圍X[i,j]/2<z≤X[i,j]，設置權值為z的子圖像的SM_r[i,j]點像素值為1；

(32)重置X[i,j]＝X[i,j]-z，然后轉(zhuǎn)到過程(31)，直到X[i,j]＝0；

(4)Alice將子圖像SM_r按Q'集合的順序重新排列得到SM'_r，把重新排列的子圖像SM'_r發(fā)送給服務器；

(5)服務器Bob根據(jù)子圖像SM'_r的大小，計算出M個檢測窗口。

(51)對于每一個檢測窗口，256幅子圖要通過n＝1,2,...,N個弱分類器進行檢測，Alice和Bob進行以下子步驟：

(511)對于每一幅子圖像SM'_r，其向量表示為sm_r。每一個弱分類器的特征權值向量為y_n，Bob生成n個隨機數(shù)b₁,b₂,...,b_N，全為正值，Bob計算當前窗口下的每一個弱分類器h_n(x)的特征值F_r(n)＝sm_r^T*y_n*b_n，將256幅子圖的特征值F_r(n)發(fā)送給Alice；

(512)Alice生成10個隨機數(shù)a_k,(k＝1,2,...,10)，并隨機選取第i項將其置為1，Alice收到子圖的特征值F_r(n)后，計算弱分類器通過原始圖像X特征值

(513)Alice將F_r,k(n)發(fā)送給Bob，Bob比較F_r,k(n)和弱分類器的閾值b_n*θ_n的大小，F(xiàn)_r,k(n)大于b_n*θ_n則保存為1，否則為0。得到一個0，1向量c_k。

(514)Bob將c_k發(fā)送給Alice，Alice將第i項的值返回給Bob，若Bob接收的返回值為1，則存儲為α_n，否則Bob存儲β_n，Bob將最后結(jié)果存儲在S_n。

(52)Bob比較S_n和強分類器的閾值stage_threshold的大小，若S_n大于stage_threshold，則該檢測窗口被認為是正值，否則該檢測窗口為負值。若檢測窗口為正值則記錄檢測窗口的位置。

(6)Bob把所有正的檢測窗口的位置返回給Alice，Alice得到所需檢測物體在圖像中的位置。

總之，本發(fā)明中提出的隱秘的物體檢測方法可以保護客戶端和服務器端雙方的數(shù)據(jù)安全性并完成物體檢測。本發(fā)明首次將隨機子圖表示應用到隱秘物體檢測的安全協(xié)議中，這不僅降低了原來安全檢測的計算復雜度，并且引入了隨機數(shù)機制，能夠保證客戶端和服務器的數(shù)據(jù)信息安全。通過實驗顯示出本發(fā)明提出的方法能夠在與原物體檢測算法保持一致的檢測正確率的情況下，降低各種加密協(xié)議帶來的計算復雜度，安全高效的完成物體檢測。提高了安全檢測效率，縮短檢測時間。并且該算法很容易通過軟件實現(xiàn)，本發(fā)明可廣泛應用推廣到云計算、安全圖像卷積等技術中。

以上所述僅為本發(fā)明的一些基本說明，依據(jù)本發(fā)明的技術方案所做的任何等效變換，均應屬于本發(fā)明的保護范圍。