1.一种基于字典学习的人脸识别隐私保护方法,其特征在于,包括如下步骤:步骤一:通过压缩感知技术获取到人脸图像的像素向量其中,N代表像素向量的长度;
步骤二:运用字典学习神经网络方法来学习人脸图像数据集,获取相应的稀疏字典基矩阵其中,N代表该矩阵的行数,M代表该矩阵的列数;
步骤三:将人脸图像向量分解为选取的字典基和编码系数向量的乘积,即,步骤四:运用步骤三中分解得出的字典基,计算权重,用于数据可用性的优化;
步骤五:运用步骤三中分解得出的编码系数向量,计算部分敏感度;
步骤六:结合拉格朗日乘数法、权重和部分敏感度,计算最佳噪声规模参数结合拉普拉斯分布,获取添加噪声后的编码系数向量从而获得添加噪声后的图像
2.如权利要求1所述的基于字典学习的人脸识别隐私保护方法,其特征在于,步骤一中压缩感知技术的过程为其中,是一个人脸图像像素向量,为随机生成的M×N测量矩阵,为长度为M的测量向量。
3.如权利要求1所述的基于字典学习的人脸识别隐私保护方法,其特征在于,步骤二中字典学习的过程为:首先,通过链式法分别更新字典基的梯度;然后,通过迭代软阈值算法在随机梯度下降过程中更新的编码系数上执行L1-范数操作,以获取编码系数的稀疏度。
4.如权利要求1所述的基于字典学习的人脸识别隐私保护方法,其特征在于,步骤四中权重wm计算过程为计算矩阵第m(m=1,2,…,M)行中第1个至第N个元素平方之和。
5.如权利要求1所述的基于字典学习的人脸识别隐私保护方法,其特征在于,步骤五中的部分敏感度sm的计算过程为计算相邻用户间人脸特征向量的最小差值,其中,m为特征向量的元素,相邻用户是指人脸特征向量间距离均值最小的俩用户。
6.如权利要求1所述的基于字典学习的人脸识别隐私保护方法,其特征在于,步骤六中最佳噪声规模参数的计算过程为:其中,ε0为用户输入的隐私预算值,δ为一个取值很小的参数。