本發(fā)明屬于多媒體信息安全保護(hù)領(lǐng)域，具體涉及到一種基于詞袋模型與正交分解模型相結(jié)合的圖像安全檢索方法，可用于密文圖像的安全檢索。

背景技術(shù)：

隨著數(shù)碼相機(jī)、智能手機(jī)的廣泛應(yīng)用及云計(jì)算的興起，圖像等多媒體數(shù)據(jù)呈現(xiàn)出爆炸性增長(zhǎng)的趨勢(shì)，圖像數(shù)據(jù)的云存儲(chǔ)已成為一種趨勢(shì)。但云計(jì)算平臺(tái)也面臨著嚴(yán)峻的安全問題，主要表現(xiàn)在數(shù)據(jù)的所有者與數(shù)據(jù)分離，外包于云端的數(shù)據(jù)完全脫離其擁有者的直接物理控制，將面臨外部網(wǎng)絡(luò)攻擊者和不可信的云服務(wù)提供商csp(cloudserviceprovider)的雙重威脅。這樣的服務(wù)性質(zhì)可能會(huì)導(dǎo)致數(shù)據(jù)的泄露和濫用，從而造成在云計(jì)算環(huán)境下特有的安全隱患。

圖像數(shù)據(jù)往往包含大量個(gè)人隱私信息，一旦泄露，將造成嚴(yán)重的后果。對(duì)圖像數(shù)據(jù)采用前端加密是解決上述安全問題的一種有效方法，即數(shù)據(jù)擁有者在本地對(duì)數(shù)據(jù)加密后再外包給csp，這樣即使攻擊者在云端非法竊取了用戶數(shù)據(jù)，也無法進(jìn)行解密以獲取明文信息。但加密也給圖像檢索帶來了困難。基于內(nèi)容的圖像檢索從圖像中自動(dòng)提取相關(guān)特征，并通過比較圖像特征的距離來決定圖像之間的相似度，代表圖像檢索未來的發(fā)展趨勢(shì)。圖像加密后，由于加密帶來的隨機(jī)性，圖像特征之間的距離難以保持，難以進(jìn)行檢索。云計(jì)算環(huán)境下加密圖像的安全檢索需要在保證圖像數(shù)據(jù)機(jī)密性的前提下實(shí)施高效的檢索，在保證檢索性能的情況下，保護(hù)圖像信息的安全。目前大多數(shù)加密方案都不支持對(duì)密文圖像的檢索運(yùn)算，需要先對(duì)數(shù)據(jù)進(jìn)行解密將其恢復(fù)成明文后才能進(jìn)行檢索，但這樣明文則會(huì)被完全暴露給不被信任的csp，有可能造成用戶隱私信息的泄露，圖像數(shù)據(jù)的機(jī)密性和安全性不能得到保護(hù)。近年來也逐漸出現(xiàn)了一些依賴于置亂、同態(tài)等特定加密方法，安全性和通用性不足。如何解決加密圖像的安全高效檢索是當(dāng)前的研究熱點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在提出一種云環(huán)境下基于詞袋模型的密文域檢索方案，無須對(duì)密文圖像及密文特征解密，即能直接對(duì)加密后的特征進(jìn)行檢索，且與具體加密方法無關(guān)，能有效解決現(xiàn)有方案安全性，通用性以及精確性不能兼顧的問題。

本方案的解決方案為：通過詞袋模型提取特征，并對(duì)其進(jìn)行正交分解，將圖像特征數(shù)據(jù)劃分為兩個(gè)數(shù)據(jù)域，利用正交分解系數(shù)之間相互正交的特性，分別對(duì)兩個(gè)數(shù)據(jù)域進(jìn)行加密操作和特征提取操作；運(yùn)用正交分解系數(shù)最終融合于正交合成向量的特性，實(shí)現(xiàn)操作結(jié)果的融合，使兩種操作結(jié)果在最終用戶載體中不可區(qū)分，形成加密后的特征并上傳至csp，保證數(shù)據(jù)的安全性。當(dāng)有用戶請(qǐng)求檢索時(shí)，csp無須解密，直接對(duì)密文特征進(jìn)行正交分解，即可從特征提取域中直接計(jì)算出密文圖像的特征，與檢索圖像的特征最為接近的即為要檢索的圖像。這種檢索方法對(duì)具體的加密算法沒有特殊要求，不依賴于特定加密方法，安全性更高，且更具有普適性；并且詞袋模型特征具有魯棒性，對(duì)于不同角度、光照的圖像基本都能在圖像庫(kù)中正確檢索，具有較高的檢索效率。

本發(fā)明提供的一種云環(huán)境下基于詞袋模型的圖像安全檢索方法，具體實(shí)現(xiàn)步驟為：

步驟1，可信第三方通過訓(xùn)練圖像庫(kù)建立詞袋模型，生成視覺詞典及中值矩陣；

步驟2，內(nèi)容所有者基于步驟1構(gòu)建的詞袋模型對(duì)測(cè)試圖像庫(kù)中的每幅圖像進(jìn)行特征提取，并生成差值特征數(shù)據(jù)；

步驟3，內(nèi)容所有者對(duì)測(cè)試圖像及其差值特征數(shù)據(jù)進(jìn)行加密保護(hù)，具體包括以下子步驟，

步驟3.1，將差值特征數(shù)據(jù)進(jìn)行分組排列，獲得相應(yīng)的n×n維原始操作矩陣x；

步驟3.2，對(duì)原始操作矩陣x選取不同正交變換基r和s進(jìn)行正交變換，分別獲得密碼操作數(shù)據(jù)域y1和特征提取數(shù)據(jù)域y2，設(shè)b為n×n維正交變換矩陣b＝(b1，b2，...，bn)^t，將b劃分為兩個(gè)不同正交變換基r、s，即b＝(r，s)，其中r＝(b1，...，bm)，s＝(bm+1，...，bn)，則有，

y＝b^t·x

y1＝r^t·x

y2＝s^t·x

其中，y1為加密操作數(shù)據(jù)域，y2為特征提取數(shù)據(jù)域，y＝(y1，y２)^t；

步驟3.3，使用aes加密算法及密鑰k1e對(duì)密碼操作數(shù)據(jù)域y1進(jìn)行加密，獲得密文特征數(shù)據(jù)y1e；使用aes加密算法及密鑰k2e對(duì)原始圖像i加密獲得密文圖像ie；

步驟3.4，將密文數(shù)據(jù)y1e、y2進(jìn)行合成得到變換域密文矩陣yef，即yef＝(y1e，y2)^t，并經(jīng)正交逆變換映射至多媒體數(shù)據(jù)原始空間，獲得特征密文矩陣xef，其中xef＝b·yef，通過與步驟3.1中分組排列相對(duì)應(yīng)的逆分組排列，從特征密文矩陣xef中獲取密文特征xef；

步驟3.5，對(duì)視覺詞典中視覺單詞ω?cái)?shù)據(jù)補(bǔ)零成n×1維向量ω0，使用正交變換基b進(jìn)行正交變換得到向量w＝(w1，w2，...，wn)^t，即w＝b^t·ω0，并計(jì)算該向量的1-范數(shù)作為視覺單詞的密文特征ωe，然后將ωe與xef組合形成加密后的bof特征；

步驟4，內(nèi)容所有者將加密后的圖像ie以及bof特征上傳至云服務(wù)器，云服務(wù)器構(gòu)建密文圖像特征數(shù)據(jù)庫(kù)；

步驟5，用戶需查詢圖像時(shí)，向內(nèi)容所有者發(fā)起查詢請(qǐng)求，內(nèi)容所有者返回查詢圖像密文特征xef及秘鑰k2e；用戶將查詢圖像密文特征xef發(fā)送給云服務(wù)器進(jìn)行查詢；

步驟6，云服務(wù)器通過密文特征xef獲得特征提取數(shù)據(jù)域y2，并對(duì)查詢圖像的特征點(diǎn)與密文圖像特征數(shù)據(jù)庫(kù)中特征點(diǎn)進(jìn)行相似性度量，計(jì)算查詢圖像與圖像庫(kù)中所有圖像的匹配分?jǐn)?shù)，將密文圖像按匹配分?jǐn)?shù)由高到低的順序發(fā)送給用戶；

步驟7，用戶利用密鑰k2e對(duì)密文圖像ie進(jìn)行解密，獲得原始圖像i。

而且，所述步驟1的實(shí)現(xiàn)方式如下，

步驟1.1，局部特征提取，用sift算法生成訓(xùn)練圖像庫(kù)中每幅圖的特征點(diǎn)及描述符；

步驟1.2，構(gòu)建視覺詞典，用k-means算法對(duì)訓(xùn)練圖像庫(kù)中的特征點(diǎn)進(jìn)行訓(xùn)練，生成k個(gè)類心，即視覺單詞，構(gòu)成k維視覺詞典ωk；

步驟1.3，計(jì)算中值矩陣，隨機(jī)構(gòu)造一個(gè)正交投影矩陣q并對(duì)sift特征投影，對(duì)于屬于同一個(gè)聚類中心的投影數(shù)據(jù)計(jì)算其每一個(gè)維度數(shù)據(jù)的中值，即中值矩陣t。

而且，步驟2.1，提取測(cè)試圖像庫(kù)中每幅圖的sift特征，并基于步驟1中的詞袋模型將每個(gè)特征向量映射到視覺詞典上生成碼本；

步驟2.2，判斷測(cè)試圖像的每個(gè)特征點(diǎn)與視覺詞典ωk中的哪個(gè)視覺單詞ω最近，距離最近的視覺單詞即為該特征點(diǎn)對(duì)應(yīng)類心；

步驟2.3，生成差值特征數(shù)據(jù)，利用正交投影矩陣q對(duì)所有sift向量進(jìn)行投影，比較投影后的每個(gè)sift特征與中值矩陣中其對(duì)應(yīng)類心的中值向量在各維度上的大小，生成長(zhǎng)度為l的差值序列bl，即差值特征數(shù)據(jù)，其中l(wèi)為sift特征維度。

而且，所述步驟4中云服務(wù)器構(gòu)建密文圖像特征數(shù)據(jù)庫(kù)的實(shí)現(xiàn)方式如下，

對(duì)密文特征xef進(jìn)行分組排列后，獲取相應(yīng)密文特征矩陣xef，分組排列方式與步驟3.1相同，由于正交變換矩陣b中向量滿足bi^t×bi＝li，且λi≠0，i∈[1，n]，并設(shè)，

若加密域?yàn)閞p，特征提取域?yàn)閟p，且滿足(rp，sp)^t＝p·b^t，則有，

相應(yīng)地，則有p·(r，s)^t＝(rp，sp)^t，及則可得出下式，

其中，x為原始操作矩陣，r、s為矩陣b的正交變換基，xef為密文特征矩陣。

而且，所述步驟6的實(shí)現(xiàn)方式如下，

步驟6.1，對(duì)密文特征數(shù)據(jù)xef進(jìn)行分組排列，分組排列方式與步驟3.1相同，獲取密文數(shù)據(jù)矩陣xef；

步驟6.2，使用正交變換基s對(duì)xef進(jìn)行正交分解，提取出特征提取數(shù)據(jù)域y2，并進(jìn)行與步驟6.1中分組排列相對(duì)應(yīng)的逆分組排列，得到bls向量；

步驟6.3，對(duì)查詢圖像的特征點(diǎn)與密文圖像特征數(shù)據(jù)庫(kù)中特征點(diǎn)進(jìn)行相似性匹配，首先比較二者的ωe是否相同，若相同則計(jì)算二者對(duì)應(yīng)的bls之間的曼哈頓距離h，若該距離大于某一閾值hd，則認(rèn)為這兩個(gè)特征點(diǎn)不屬于同一類，由此過濾掉不匹配的特征點(diǎn)；然后計(jì)算查詢圖像與圖像庫(kù)中所有圖像的匹配分?jǐn)?shù)，計(jì)算方式如下，

假設(shè)x，y分別是a，b兩幅圖像的特征，其中x包含q個(gè)sift描述符x＝(x1，...，xq)，y包含p個(gè)sift描述符y＝(y1，...，yp)，且每個(gè)描述符對(duì)應(yīng)一個(gè)碼字w，那么特征y的第j個(gè)描述符對(duì)特征x的第i個(gè)描述符的匹配函數(shù)f，其中i∈[1，q]，j∈[1，p]，以及特征y對(duì)特征x的每個(gè)描述符的匹配值m(i)定義如下：

其中，tf指的是一個(gè)給定的碼字在該圖像中出現(xiàn)的次數(shù)，idf是指的是一個(gè)給定的碼字在所有圖像中出現(xiàn)的次數(shù)，σ是權(quán)值參數(shù)，由此可知特征y對(duì)特征x的每個(gè)描述符的匹配特征為m＝[m(1)，m(2)，...，m(q)]，則圖像b對(duì)圖像a的匹配分?jǐn)?shù)s為：

最后，將密文圖像按匹配分?jǐn)?shù)由高到低的順序發(fā)送給用戶。

本發(fā)明與其他方法相比，優(yōu)點(diǎn)在于：本發(fā)明提出了一種云環(huán)境下基于詞袋模型的圖像安全檢索方法，該方法將bow模型引入云安全檢索系統(tǒng)中，將高維局部特征映射到視覺詞典中生成碼本以描述圖像，并結(jié)合差值特征過濾掉誤匹配的特征點(diǎn)，大大提高了表征能力，使得檢索具有很高的計(jì)算效率和檢索精度，更加適用于云環(huán)境下海量圖像的高效檢索。同時(shí)通過正交變換，將圖像數(shù)據(jù)劃分為加密域和特征提取域，使加密操作和特征提取操作分別在一組正交基的控制下能獨(dú)立地操作而不互相影響，這樣云服務(wù)器進(jìn)行檢索時(shí)就能無須解密直接對(duì)密文數(shù)據(jù)提取特征，并與查詢圖像進(jìn)行相似性度量；兩種操作結(jié)果能通過正交碼的控制疊加在同一數(shù)據(jù)域中，實(shí)現(xiàn)二者融合，既保證了數(shù)據(jù)的安全性又不需要依賴于特定的加密方法來保持密文圖像特征的距離，具有良好的適用性。

附圖說明

圖1是本發(fā)明實(shí)施例的安全檢索方法的總體示意圖；

圖2是本發(fā)明實(shí)施例的可信第三方的具體處理流程圖；

圖3是本發(fā)明實(shí)施例的數(shù)據(jù)擁有者的具體處理流程圖；

圖4是本發(fā)明實(shí)施例的云服務(wù)器端的具體處理流程圖；

圖5是本發(fā)明實(shí)施例的數(shù)據(jù)使用者的具體處理流程圖。

具體實(shí)施方式

以holiday數(shù)據(jù)庫(kù)為例，結(jié)合附圖1，2，3，4，5，詳細(xì)說明本發(fā)明的實(shí)施步驟：

一、可信第三方的處理(離線操作)，如圖2所示；

步驟1a：首先構(gòu)建詞袋模型，提取訓(xùn)練圖像庫(kù)中每幅圖像的sift特征n，并用k-means算法對(duì)所有特征點(diǎn)進(jìn)行聚類，生成k維視覺詞典；

步驟1b：隨機(jī)構(gòu)造一個(gè)正交投影矩陣q并對(duì)所有sift特征進(jìn)行投影(q*n)，選出屬于同一個(gè)聚類中心的投影數(shù)據(jù)計(jì)算其每一個(gè)維度數(shù)據(jù)的中值，即可得到中值矩陣t。

二、內(nèi)容所有者端的處理

步驟2a：從可信第三方以安全方式獲取視覺詞典、正交投影矩陣q及中值矩陣t等必要信息，然后提取測(cè)試圖像庫(kù)的sift特征并基于bow模型將每個(gè)特征向量映射到視覺詞典上生成碼本；同時(shí)使用正交投影矩陣q對(duì)sift特征進(jìn)行投影，然后通過判斷每個(gè)投影后的特征向量與中值矩陣中其對(duì)應(yīng)類心ω的中值向量在各維度上的大小，生成差值特征bl。

步驟2b：將提取的差值特征bl重排成n×n維原始操作矩陣x，并進(jìn)行正交變換操作，獲取密碼操作數(shù)據(jù)域y1和特征提取數(shù)據(jù)域y2，設(shè)b為n×n維正交變換矩陣，b＝(b1，b2，...，bn)^t，將b劃分為兩個(gè)子矩陣r、s，即b＝(r，s)，其中r＝(b1，...，bm)，s＝(bm+1，...，bn)，則有：

y＝b^t·x

y1＝r^t·x

y2＝s^t·x

則y1為加密操作數(shù)據(jù)域，y2為特征提取數(shù)據(jù)域，y＝(y1，y2)^t。

步驟2c：使用加密算法aes及密鑰k1e、k2e分別對(duì)密碼操作數(shù)據(jù)域y1以及原始圖像i進(jìn)行加密，獲得密文特征y1e＝e(y1，k1e)和密文圖像ie＝e(i，k2e)；

步驟2d：將ω?cái)?shù)據(jù)補(bǔ)零成n×1維向量ω0，使用正交變換基b進(jìn)行正交變換得到向量w＝(w1，w2，...，wn)^t，即w＝b^t·ω0，并計(jì)算該向量的1-范數(shù)作為視覺單詞的密文特征ωe，ωe＝|w1|+|w2|+...+|wn|；

步驟2e：將密碼操作數(shù)據(jù)域密文將密文數(shù)據(jù)y1e與y2進(jìn)行合成，得到向量yef＝(y1e，y2)^t，經(jīng)正交逆變換映射至多媒體數(shù)據(jù)原始空間，獲得特征密文矩陣xef：

xef＝b·yef

將特征密文矩陣xef經(jīng)逆分組排列歸置入原位置獲得xef向量。

步驟2f：將ωe與xef組合形成bof密文特征并與密文圖像一同上載到云服務(wù)器端；

三、用戶端查詢處理：

步驟3a：用戶向內(nèi)容所有者發(fā)送查詢請(qǐng)求，所有者將查詢圖像密文特征和密鑰k2e發(fā)送給用戶；

步驟3b：用戶將查詢圖像密文特征發(fā)送給云服務(wù)器，請(qǐng)求查詢圖像；

四、云服務(wù)器端的處理：

步驟4a：對(duì)密文圖像特征數(shù)據(jù)庫(kù)中xef向量進(jìn)行排列后獲取相應(yīng)密文特征矩陣xef，并由此構(gòu)造特征數(shù)據(jù)庫(kù)：正交矩陣b中向量滿足bi^t×bi＝li，且λi≠0，i∈[1，n]，并設(shè)：

若加密域?yàn)閞p，特征提取域?yàn)閟p，且滿足(rp，sp)^t＝p·b^t則有：

相應(yīng)地，則有p·(r，s)^t＝(rp，sp)^t，及則可得出下式：

由上式，云服務(wù)器端由正交子矩陣s對(duì)密文特征矩陣xef進(jìn)行正交分解，可提取特征數(shù)據(jù)域y2，經(jīng)逆分組排列得到bls，bls表示bl正交分解之后對(duì)應(yīng)特征提取的那一部分差值特征。

步驟4b：云服務(wù)器收到用戶查詢請(qǐng)求后，同步驟4a對(duì)查詢圖像提取特征數(shù)據(jù)bls，并與特征數(shù)據(jù)庫(kù)中圖像執(zhí)行相似性度量。在匹配過程中首先比較查詢圖像特征點(diǎn)與特征數(shù)據(jù)庫(kù)中特征點(diǎn)的ωe是否相同，若相同則計(jì)算二者對(duì)應(yīng)的差值特征bls之間的曼哈頓距離h，若該距離大于某一閾值hd，則認(rèn)為這兩個(gè)特征點(diǎn)不屬于同一類，由此過濾掉不匹配的特征點(diǎn)。根據(jù)上述過程，可以求出圖像庫(kù)中每幅圖像與查詢圖像的匹配特征，并通過tf-idf(termfrequency-inversedocumentfrequency)對(duì)匹配特征加上權(quán)重后對(duì)其求和作為匹配分?jǐn)?shù)。具體步驟如下：

假設(shè)x，y分別是a，b兩幅圖像的特征，其中x包含q個(gè)sift描述符x＝(x1，...，xq)，y包含p個(gè)sift描述符y＝(y1，...，yp)，且每個(gè)描述符對(duì)應(yīng)一個(gè)碼字w。那么特征y的第j(j∈[1，p])個(gè)描述符對(duì)特征x的第i(i∈[1，q])個(gè)描述符的匹配函數(shù)f，以及特征y對(duì)特征x的每個(gè)描述符的匹配值m(i)定義如下：

其中，tf指的是一個(gè)給定的碼字在該圖像中出現(xiàn)的次數(shù)，idf是指的是一個(gè)給定的碼字在所有圖像中出現(xiàn)的次數(shù)，σ是權(quán)值參數(shù)，在本實(shí)例中hd＝4.8，σ＝6；由此可知特征y對(duì)特征x的每個(gè)描述符的匹配特征為m＝[m(1)，m(2)，...，m(q)]，則圖像b對(duì)圖像a的匹配分?jǐn)?shù)s為：

同理，計(jì)算查詢圖像與圖像庫(kù)中所有圖像的匹配分?jǐn)?shù)，分?jǐn)?shù)越高表明其所對(duì)應(yīng)的圖像與查詢圖像越相似，并將密文圖像按分?jǐn)?shù)由高到低的順序發(fā)送給用戶；

五、用戶端的處理：用戶收到加密圖像后，使用aes算法及密鑰k2e對(duì)密文圖像ie進(jìn)行解密，獲得明文i＝d(ie，k2e)。

以上內(nèi)容是結(jié)合最佳實(shí)施方案對(duì)本發(fā)明所做的進(jìn)一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實(shí)施只限于這些說明。本領(lǐng)域的技術(shù)人員應(yīng)該理解，在不脫離由所附權(quán)利要求書限定的情況下，可以在細(xì)節(jié)上進(jìn)行各種修改，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。