摘要：安裝在微型飛行器（MAV）上的錄影機越來越多地用於娛樂攝影。然而，公共場所的航空照片通常包含旁觀者的面孔，從而導致感知或實際侵犯隱私。為了解決這個問題，我們建議使用隱私過濾器偽隨機修改圖像中臉部區域的外觀，該過濾器可以防止人或臉部識別器推斷人的身份。僅當分辨率足夠高以使臉部可被識別時才應用的濾波器根據其分辨率自適應地扭曲臉部外觀。此外，建議的過濾器在本地更改其參數以阻止使用參數可能的攻擊。該過濾器利用全局自適應性來減少失真和參數的本地跳躍，以使攻擊者難以可能。為了評估所提出的方法的效率，我們使用最先進的臉部識別算法和綜合生成的臉部數據，其中3D幾何圖像變換模仿從不同高度和俯仰角度的MAV捕獲的臉部。實驗結果表明，提出的濾波器可以在減少失真的同時保護隱私，並具有抵禦攻擊的彈性。

關鍵詞：隱私保護·跳躍高斯模糊·微型飛行器

1簡介

MAV正在成為許多民用應用的通用平台，如搜尋和救援（Wa-harte和Trigoni，2010），災難管理（Quar- itsch等，2010）和新聞報導（Babiceanu等，2015）。此外，在體育活動和社交聚會期間，個人使用配備高分辨率相機的MAV進行休閒攝影和公共場所的錄影（AirDog，2018; Hexo +，2018）。這種在公共場所的使用引起了隱私問題，因為碰巧碰巧在錄影機視野範圍內的旁觀者也被捕獲。可以通過使用稱為隱私過濾器的算法來定位和移除（或充分扭曲）關鍵圖像區域（例如臉部）來保護旁觀者的身份。然而，為了保持圖像的美學價值，應該僅允許圖像內容的最小失真。

用於休閒航空攝影的隱私過濾器應滿足以下特性：（a）僅引入最小的失真; （b）堅決抵禦攻擊; （c）計算效率高。最小的失真對於保持接近未受保護的圖像的受保護圖像的質量是必要的，以便觀看者的注意力不會被轉移。因此，消除一張臉（Schiff等，2007）並不是一個理想的選擇。堅固性對於避免各種攻擊行為導致的隱私侵犯非常重要，例如：蠻力，天真，鸚鵡和重建攻擊（Boult，2005; Dong等，2016; Dufaux和Ebrahimi，2008; Erdelyi等，2014; Korshunov和Ebrahimi，2014; Kundur和Hatzinakos，1996;牛頓等，2005）。蠻力攻擊試圖通過詳盡的搜尋來破譯受保護的探測圖像（Boult，2005; Dufaux和Ebrahimi，2008）。除受保護的探測圖像外，其他攻擊還使用圖庫圖像（Dong等人，2016; Erdelyi等人，2014; Korshunov和Ebrahimi，2014; Newton等人，2005）。在一次天真的攻擊中，將受保護的探測圖像與未受保護的圖庫圖像進行比較（Erdelyi等，2014; Korshunov和Ebrahimi，2014; Newton等，2005）。在鸚鵡攻擊中，攻擊者了解隱私過濾器，並可以將圖庫圖像轉換為扭曲域（Newton等，2005）。在重建攻擊中，攻擊者對如何（部分）重建從受保護域到未受保護域的探測圖像有一定了解（Kundur和Hatzinakos，1996）。重建方法的示例包括逆濾波和超分辨率技術（Dong等人，2016; Kundur和Hatzinakos，1996）。最後，當過濾器使用MAV的有限計算和電池功率運行時，計算效率是可取的。

用於航空攝影的隱私過濾器需要面對由錄影機的自我運動，改變的照明條件以及可變的臉部定向和分辨率引起的挑戰。支持機載相機中臉部隱私保護的最新框架是通用數據加密（Kim等，2014），無人機系統 – 視覺隱私保護（Babiceanu等，2015）和自適應高斯模糊（Sarwar等。 ，2016）。通用數據加密將加密的臉部區域發送到隱私服務器，高斯模糊或者鑲嵌臉部，然後將其轉PO給最終用戶。無人駕駛飛機系統 – 視覺隱私衛士（Babiceanu等人，2015）和自適應高斯模糊（Sarwar等人，2016）的目標是做到機載做到，目標是減少延遲並阻止對服務器的暴力攻擊（Kim等，2014）。自適應高斯模糊根據人臉分辨率自適應地配置高斯核，以最大限度地減少失真，而無人機系統 – 視覺保護衛隊使用固定濾波器模糊臉部。這些方法很容易受到高斯模糊的鸚鵡攻擊（Newton et al。，2005）。

在本文中，我們提出了一種新的隱私保護過濾器，用於MAV上。所提出的濾波器使具有秘密參數的臉部區域變形以對於天真，鸚鵡和重建攻擊具有魯棒性。失真是最小的並且適應捕獲面的分辨率：我們選擇最小的高斯內核，將臉部分辨率降低到某個閾值以下。選定的閾值可保護臉部

抵抗天真的攻擊，並保持其在特定級別的解決方案。為了防止其他攻擊，我們在選定的高斯核中插入補充高斯核並使用偽隨機數生成器（PRNG）在本地跳躍它們的參數，因此從過濾後的臉部圖像中可能它們很困難。所提出的濾波器的框圖如圖1所示。

與機載攝影相比，Sarwar等人提出了基於所提出的濾波器的更新工作。 （2018年），專門用於空中錄影。本文的主要貢獻是：（1）高斯跳躍核的基本思想及其細節，（2）大規模合成人臉圖像數據集仿真從MAV捕獲的人臉，以及（3）大量實驗驗證提出了高斯跳躍核，包括重建攻擊。

2Background

可視隱私保護過濾器可用作預處理或後處理（圖2）。預處理隱私過濾器是不可逆的，並且在圖像獲取期間操作以防止相機捕獲敏感區域。這些過濾器禁用錄影機的軟件或硬件或通知攝影禁止（Safe Haven，2003）。基於硬件的濾鏡可防止相機拍攝圖像，例如通過為閃光攝影拍攝強光（Eagle Eye，1997; Zhu等人，2017）或使用紅外傳感器檢測人臉，然後使用水療中心進行混淆 – 位於電荷耦合器件（CCD）傳感器前面的光調制傳感器（Zhang et al。，2014）。

後處理隱私過濾器保護敏感的重新圖像采集後的gions可以是可逆的或不可逆的。可逆過濾器使用私鑰隱藏敏感區域，該私鑰稍後可用於恢復原始敏感區域。不可逆濾波器會永久地使敏感區域的特徵變形。可逆和不可逆濾波器都可以是非自適應的或自適應的。

可逆非自適應濾波器基於通用加密（Boult，2005; Chattopadhyay和Boult，2007; Rahman等，2010; Winkler和Rinner，2011; Zhang等，2018）。可逆自適應濾波器包括加擾（Baaziz等，2007; Dufaux和Ebrahimi，2006，2008; 2017年Ruchaud和Dugelay; Sohn等，2011），翹曲（Korshunov和Ebrahimi，2013b）和變形（Korshunov和Ebrahimi，2013a）。雖然可逆自適應濾波器對於鸚鵡攻擊是強健的，但是它們的受保護面可能受到空間域（Jiang等，2016a，b）或頻域攻擊（Rash- wan等，2015）的影響。

不可逆的非自適應濾波器消失（Koelle等，2018; Schiff等，2007）可能用去識別的代表替換面（Newton等，2005）。例如，為了保持k-匿名性，算法「k-Same」（Newton等，2005）用其平均面替換k個面。該算法的變體使用額外的專用檢測器來保存諸如臉部表情，姿勢，性別，種族，年齡等屬性（Du等人，2014; Gross等人，2006; Letournel等人，2015; Lin等人。 ，2012; Meden等，2018）。不可逆的非自適應過濾器對鸚鵡攻擊很有效。不可逆的自適應濾波器降低了敏感區域的分辨率，使得人類或算法無法識別身份。例如，像素化（Chinomi等，2008），高斯模糊（Wickramasuriya等，2004）和漫畫（Erdelyi等，2014）。隱私過濾器的內核大小可以手動選擇（Erdelyi等，2014; Kor- shunov和Ebrahimi，2014）或手動選擇中心核大小，然後是空間變量高斯4提出的方法

為了最小程度地扭曲R以及做到對蠻力，na¨ve-T，parrot-T和重建攻擊的魯棒性，我們提出了自適應跳躍高斯混合模型（AHGMM）算法。 AHGMM由全局可能的最優高斯點擴散函數（PSF）和在最優高斯PSF內添加的補充高斯PSF組成。對於最優高斯PSF內的單個補充高斯PSF，AHGMM如圖3所示，而偽代碼在算法1中給出。重要符號列表見附錄7。

7Conclusion

我們提出了一種不可逆的視覺隱私保護過濾器，它可以抵抗鸚鵡，逆濾波器和超分辨率攻擊，這些攻擊都是敏感區域的特殊模糊所面臨的。所提出的濾波器基於自適應跳躍高斯混合模型。根據捕獲的敏感區域的分辨率，濾波器全局調整高斯混合模型的參數以最小化失真，同時在本地跳它們偽隨機，使得攻擊者無法可能這些參數。我們使用最先進的人臉識別算法和合成人臉數據集來評估AHGMM的有效性，這些合成人臉數據集具有不同俯仰角的面和模擬從MAV捕獲的臉部的分辨率。所提出的算法提供了最高的隱私級別，包括鸚鵡，反向濾波器和超分辨率攻擊以及幾乎相同的隱私級別，以及最先進的隱私過濾器。攻擊。

與臉部識別方法不同（（Chriskos等，2015; Du等，2014; Gross等，2006; Letournel等，2015; Lin等，2012; Newton等，2005） ）），我們不依賴於輔助視覺檢測器（即姿勢，臉部表情，年齡，性別，種族）來對抗腐爛，逆濾波器或超分辨率攻擊。此外，與加密/加擾過濾器不同（（Baaziz等人，2007; Boult，2005; Chattopadhyay和Boult，2007; Dufaux和Ebrahimi，2006,2008; Korshunov和Ebrahimi，2013a，b; Rahman等人， 2010; Sohn et al。，2011; Winkler and Rinner，2011）），即使訪問PRNG的種子，AHGMM也可以防止恢復原始臉部。我們將向研究界提供我們生成的4281個對象的臉部數據集，以模擬在不同姿勢和光照條件下從MAV捕獲的臉部。

原文標題：Concealing the identity of faces in oblique images with adaptive hopping Gaussian mixtures