面向人脸图像发布的差分隐私保护

目的 由于人脸图像蕴含着丰富的个人敏感信息，直接发布出来可能会造成个人的隐私泄露。为了保护人脸图像中的隐私信息，本文提出了一种基于傅里叶变换与差分隐私技术相结合的人脸图像发布方法FIP（facial image publication）。方法 将人脸图像作为实数域2维矩阵，充分利用离散傅里叶变换技术压缩图像。为了有效均衡由拉普拉斯机制引起的噪音误差以及由傅里叶变换导致的重构误差，引入一种基于指数机制的傅里叶系数选择方法EMK（exponential mechanism-based k coefficients sampling），它能够在不同的系数空间中挑选出合理的傅里叶系数来压缩人脸图像，然后利用拉普拉斯机制对所挑选出的系数添加噪音，进而使整个处理过程满足ε-差分隐私。此外，为了避免较大的傅里叶系数空间导致指数机制挑选系数不准确问题，基于离散实数傅里叶变换的共轭对称特性，提出了一种增强的指数机制挑选傅里叶系数方法BEMK（boosted exponential mechanism-based k coefficients sampling），该方法不仅进一步压缩离散傅里叶系数空间，而且还能够提高人脸图像发布的精度。结果 基于4种真实人脸图像数据集采用支持向量机分类与采用主成分分析技术验证方法的正确性。从算法的准确率、召回率，以及F1-Score度量结果显示，提出的基于离散傅里叶变换技术的人脸图像发布方法均优于直接采用拉普拉斯机制的发布方法LAP（Laplace mechanism-based publication）。结论 实验结果表明，本文方法能够实现满足ε-差分隐私的敏感人脸图像发布，图像分类验证其具有较高的可用性。特别是BEMK方法具有较好的鲁棒性，是一种有效的隐私人脸图像发布方法。

Facial image publication with differential privacy