买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利一种结合k匿名的行人身份隐私保护方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114036553B 。

龙图腾网通过国家知识产权局官网在2025-05-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111261508.3，技术领域涉及：G06F21/62；该发明授权一种结合k匿名的行人身份隐私保护方法是由匡振中;滕龙斌;陈超;俞俊设计研发完成，并于2021-10-28向国家知识产权局提交的专利申请。

本一种结合k匿名的行人身份隐私保护方法在说明书摘要公布了：本发明提出了一种结合k匿名的行人身份隐私保护方法。本发明通过交叉身份训练策略，生成更高质量的匿名图像；最后通过设计的k匿名隐私保护方法，保留行人图像数据隐私的同时也保留了数据的可用性；具体步骤：步骤1：代理数据集采集与图像预处理；步骤2：建立k匿名机制；步骤3：构建匿名行人生成对抗网络；步骤4：匿名行人生成目标函数；步骤5：采用公开数据集进行训练及测试，输出最终结果。本发明既保留了行人身份隐私又保留了属性。在匿名行人生成方面，一方面本方法结合了将属性以及目标背景融合到行人生成过程中，另一方面本方法提出交叉身份训练策略，提高了生成图像的质量。

本发明授权一种结合k匿名的行人身份隐私保护方法在权利要求书中公布了：1.一种结合k匿名的行人身份隐私保护方法，其特征在于首先提出了一种行人匿名模型即匿名行人生成对抗网络用于行人匿名；其次通过交叉身份训练策略，生成匿名图像；最后通过设计的k匿名隐私保护方法，保留行人图像数据隐私的同时也保留了数据的可用性；具体实现步骤如下：步骤1：代理数据集采集与图像预处理；步骤2：建立k匿名机制；步骤3：构建匿名行人生成对抗网络；步骤4：匿名行人生成目标函数；步骤5：采用公开数据集进行训练及测试，输出最终结果；步骤2建立k匿名机制，具体步骤如下：2-1.计算行人身份特征；用行人的平均特征作为行人身份特征，具体采用如下公式： 其中，Fi是身份为i的行人身份特征，Ni是身份为i的行人图像数，是身份为i的行人的第j张图像的图像特征；所述的平均特征是指一个行人对应的多张行人图像求解的多个图像特征的平均值；2-2.身份聚类分组；根据属性对行人进行分组，再在各属性分组下进行特征分组；特征分组用k-means变体算法对行人身份特征进行聚类，并且使各个聚类的组内行人数量相同，得到聚类中心；对于同一组内的k个行人都用同一个代理行人，以实现k匿名理论；2-3.行人代理身份映射；首先将待匿名数据集进行身份聚类分组；其次将待匿名数据集聚类中心映射到代理数据集，并以最小映射距离时的映射关系作为目标，得到行人代理身份映射；映射距离具体采用如下公式： 其中DM表示映射距离，n表示聚类数量，表示待匿名数据集第i个聚类中心的行人身份特征，fi表示第i个聚类中心映射的代理行人的身份，表示身份为fi的代理行人的行人身份特征；步骤3构建匿名行人生成对抗网络，具体步骤如下：3-1.构建生成器；生成器G的目标是学习从源图像IS到生成图像IG的映射，并且使生成图姿势KG与目标图姿势KT的特征相同；使用姿势-注意转移块PATB作为匿名行人生成对抗网络中的生成器；且多个姿势-注意转移块是级联的；从初始图像特征和姿势特征开始，多个PATB逐步更新这两个特征；PATB最终的输出通过多个反卷积层和一个卷积层对最终图像特征进行解码，以获得生成图像IG，同时丢弃最终姿势特征；在匿名行人生成对抗网络中使用9个PATB，通过卷积层与全连接层提取图像特征与姿势特征输入级联的PATB生成器；所述的初始图像特征即为源图像IS的图像特征；姿势特征包括生成图姿势KG与目标图姿势KT的特征；3-2.构建鉴别器；鉴别器包括图像鉴别器DI和姿势鉴别器DK，其中DI鉴别输入图像的真实性以及输入图像和输入属性之间的相似性，DK判别输入图像与输入姿势之间的相似性；DI的输入包括了[目标图像,属性]二元组以及[生成图像,属性]二元组，并判断前者为真后者假；DK的输入包括了[目标图像,姿势]二元组以及[生成图像,姿势]二元组，并判断前者为真后者假；DI中图像特征和属性特征通过卷积层与全连接层融合，最后的图像真实度SI是通过将图像鉴别器DI中的融合图像特征输入到3个残差块中获得的；将姿势图像与行人图像叠加的特征输入1个下采样卷积层和3个剩余残差块，得到姿势真实度SK；最后将图像真实度SI和姿势真实度SK组合：S＝SISK；步骤4匿名行人生成目标函数，具体步骤如下：4-1.联合各个行人生成目标函数，具体公式如下所示：L＝λ1LGAN+λ2LI+λ3LF其中，λ1是GAN的目标函数的权重，λ2重构损失目标函数的权重，λ3是身份交叉特征损失函数的权重；其中λ1＝10，λ2＝10，λ3＝1；4-2.GAN的目标函数LGAN；GAN的核心思想在于生成器和鉴别器之间的对抗性博弈；生成器的目标是生成鉴别器无法辨别的真实图像；鉴别器的目标是判别图像是否由生成器生成，这个过程用如下方程表示： 其中，IS、IT和IG分别表示源图像、目标图像、生成图像，BT表示目标背景，A表示属性，KS和KT分别表示源姿势和目标姿势；4-3.重构损失目标函数；匿名行人生成对抗网络的重构目标损失采用行人区域的像素级损失，允许网络更多地关注目标人物的生成以及与背景的融合，具体如下公式：LI＝||MT⊙IT-IG||14其中，⊙表示元素级乘，MT为二值行人区域掩码；4-4.身份交叉特征损失函数；身份交叉训练阶段，采用特征间损失约束身份交叉行人生成；具体的通过预训练的行人重识别模型提取生成图像中行人的图像特征，根据源图像中行人与目标图像中行人身份是否一致，选择不同的身份交叉特征损失函数，具体公式如下： 其中，FS是源图像中行人的图像特征，FT是目标图像中行人的图像特征，FG是生成图像中行人的图像特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。