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可用性一致的差分隐私人体匿名合成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：CN114332945B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202111670708.4，技术领域涉及：G06T11/60；该发明授权一种可用性一致的差分隐私人体匿名合成方法是由匡振中;滕龙斌;李忠金;俞俊设计研发完成，并于2021-12-31向国家知识产权局提交的专利申请。

本一种可用性一致的差分隐私人体匿名合成方法在说明书摘要公布了：本发明公开了一种可用性一致的差分隐私人体匿名合成方法。本发明特征在于将源人体数据集通过委派人体数据集与可用性保持姿势转换网络得到匿名人体数据集；具体步骤：步骤1：预处理；步骤2：分配委派身份；步骤3：构建可用性保持姿势转换网络；步骤4：训练约束；步骤5：模型训练及测试。本发明可以生成新的匿名人体图像，避免隐私数据被收集以及滥用，而且匿名图像可以保持原始数据的可用性。此外，本发明可以在不同的隐私级别下生成自然的图像，并保持人体隐私以及数据可用性。

本发明授权一种可用性一致的差分隐私人体匿名合成方法在权利要求书中公布了：1.一种可用性一致的差分隐私人体匿名合成方法，其特征在于将源人体数据集通过委派人体数据集与可用性保持姿势转换网络得到匿名人体数据集具体实现步骤如下：步骤1：预处理；步骤2：分配委派身份；步骤3：构建可用性保持姿势转换网络；步骤4：训练约束；步骤5：模型训练及测试；步骤1预处理，具体步骤如下：1-1.委派人体数据集采集，使用公开数据集或合成的数据集作为委派人体数据集1-2.图像标记，对委派人体数据集中的人体图像标记所需的非敏感属性；1-3.使用姿态解析器解析委派人体数据集中的人体图像，得到人体关键点；1-4.使用实例分割模型对人体图像分割，得到人体区域掩码图像；步骤2分配委派身份，具体步骤如下：2-1.构建属性一致候选集；采用预训练的属性分类器对原始人体图像Ix的属性Ax进行预测；属性一致候选集Sx从委派人体数据集中挑选属性与Ax一致的委派身份构建得到，挑选的属性均为非敏感的，且通过最大化属性一致挑选方法进行挑选；采用预训练的属性分类器对源人体数据集中原始图像Ix的属性Ax进行预测；从委派人体数据集中挑选属性与非敏感属性Ax一致的图像，从而构建得到属性一致候选集Sx；其中属性分类器在原始图像Ix上第i个非敏感属性的预测结果为表示相应的非敏感属性的softmax分数，m表示对应的非敏感属性数量；令当ρx,d＝m时委派人体图像sd和原始图像Ix为全匹配，其中为委派人体图像sd的第i个属性标签；当全匹配委派人体图像数量n小于预设的阈值t时，t-n个额外的图像将会被添加到属性一致候选集Sx，其规则为从委派人体数据集挑选最大化属性一致性的委派人体图像sd，属性一致性表示为2-2.差分隐私身份委派为了找到合适的委派人体图像sd，引入图像级的差分随机身份映射φ，对于随机机制K，如果其对于任意的邻接映射φ1和φ2以及所有的可能输出O，满足：Pr[Kφ1∈O]≤e∈Pr[Kφ2∈O]则称随机机制K满足∈-差分隐私；采用指数机制实现∈-差分隐私，其定义如下：当随机算法Kφ,u,R以正比于exp∈uφ,r2Δu的概率挑选并输出一个元素则K满足∈-差分隐私；其中表示从源人体数据集第x张图像映射到委派人体数据集第d张图像的可用性，k表示源人体数据集第x张图像在委派人体数据集上所有可能的映射图像的索引，并且ξk,x＝|fsk-fIx|2，f是预训练的人体特征提取器，sk是委派人体数据集第k张图像；最终以的概率执行随机采样挑选身份委派；由于Pr[φ|x→d]正比于exp∈uφ,r2Δu，所以身份委派方式满足指数机制，即满足∈-差分隐私；步骤3构建可用性保持姿势转换网络，具体步骤如下：对于给定的原始人体图像首先采用步骤2分配委派身份对应的委派人体图像然后使用UPT网络替换原始人体图像Ix中的人体，得到匿名目标图像UPT网络如下所示：3-1.构建生成器；生成器由数个编码器和一个解码器构成，包括编码器Ex、Ep、Ea、Ef和一个解码器其中Ex和Ep由3个卷积层构成，Ef由2个卷积层构成，Ea由7个全连接层构成，由渐进式姿态迁移模型构成；3-2.构建鉴别器；UPT网络采用两个鉴别器Dp和Dt对抗性的训练生成器；鉴别器Dp重点在于判断目标图像的姿势是否对应到源人体的姿势，采用多个卷积层和残差块构成；鉴别器Dt使用和编码器Ea一样的7层全连接层来判别生成人体图像的真实性和属性一致性；3-3.背景恢复模块；将原始人体图像Ix的背景贴到生成人体图像上再输入到鉴别器Dp和Dt中，通过这种方式能够很好的恢复原始背景；所述的生成器有六个输入：委派人体图像sd、Ix的关键点热力图Px、sd的关键点热力图非敏感属性Ax、背景Bx以及人体区域掩码Mx；Px和在堆叠输入Ep输出姿势特征Ep，非敏感属性Ax输入Ea输出属性特征Fa，Bx和sd再堆叠输入Ex输出图像特征Fx，属性特征Fa和图像特征Fx堆叠输入Ef输出融合特征Ff，姿势特征Fp和融合特征Ff堆叠输入得到I′x，最终人体区域掩码Mx、背景Bx和I′x输入背景恢复模块得到匿名图像Tx；所述的鉴别器Dt有着2个输入：匿名图像Tx和非敏感属性Ax；鉴别器Dt首先使用7个全连接层编码Ax，然后使用2个卷积层编码Tx，最后将Ax与Tx的编码结果堆叠输入2个卷积层、3个残差块以及1个sigmoid层输出得到判别分数鉴别器Dp有两个输入：源图像Ix的关键点热力图Px和匿名图像Tx；Px和Tx堆叠输入2个卷积层、3个ResNet残差块以及1个sigmoid层输出得到判别分数步骤4训练约束，具体步骤如下：4-1.UPT的完整目标函数定义为： 其中LGD是生成器和鉴别器间的对抗损失，Ls是身份交换损失，Lr是重构损失，λ1、λ2和λ3是平衡不同损失重要性的参数；4-2.对抗损失LGD；对抗损失表述如下： 其中Ax和Px是从真实数据中采样得到的属性与姿态热力图，Mx是原始人体图像Ix中人体区域掩码，是委派人体图像sd的姿态热力图；4-3.身份交换损失；当原始人体图像Ix的身份和委派人体图像sd的身份来自训练样本中的不同人体时，我们定义身份交换损失： 其中和分别表示原始人体图像Ix对应的源身份和委派人体图像sd对应的委派身份，HTx,sd是松弛的身份特征约束，定义为：HTx,sd＝max{|fsd-fTx|1-α,0}4其中，f是预训练的人体特征提取器；在姿势转化过程中，使用边距α0能够防止完全的身份转移；4-4.重构损失；当源身份和委派身份来自训练样本中的同一人体时，将重构损失Lr定义为特征级和像素级的l1距离： 其中特征级l1距离UTx,Ix＝|fTx-fIx|1，像素级l1距离VTx,Ix＝|Tx-Ix|1，β是平衡特征和像素l1距离的参数。

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”。