1.一种基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，其特征在于，包括非可逆人脸属性加密以及人脸属性编辑；利用卷积神经网络识别人脸属性，对人脸各属性特征进行非可逆加密人脸属性映射加密生成加密后的人脸属性，通过在对抗生成网络的编码器和解码器之间的跨层连接上增加注意力变换单元，以进行人脸属性编辑，生成加密后的人脸信息用人脸识别；

所述人脸属性编辑主要分为生成器和判别器两部分；生成器由编码器Genc和解码器Gdec组成，Genc由5个卷积层构成，用来提取抽象的图像特征，Gdec由5个反卷积层构成，用来生成目标图像；判别器有Datt和Dadv两个分支，Dadv由5个卷积层和两个全连接层构成，用来判断图像的真假，Datt和Dadv共享卷积参数，并用另外两个全连接层用来预测生成图的属性；此外，Genc的前4层通过选择性转换单元与Gdec对应深度的层进行连接，自适应地转换由要改变的属性引导的编码器特征，并与解码器特征连接以增强图像质量和属性操纵能力；

生成器G(x,attdiff)的输入为图像x和差异属性attdiff；对于给定输入图像x，通过f＝Genc(x)获得编码器特征；其中， 分别表示编码阶段各层的特征，共5层；然后在attdiff的指导下，选择性转换单元被应用于转换每一层的编码器特征；

1 4

部署在不同层中的选择性转换单元不共享参数；令ft＝{ft ,...ft}，则Gdec的编辑结果由

1 4

所得；其中，ft ,...ft分别表示解码阶段各层的特征，共4层；

当目标特征与源特征完全相同时，即attdiff＝0，此时，重建损失Lrec定义为：Lrec＝||x‑G(x,0)||1

当目标特征与源特征不同时，即attdiff≠0，此时，引入对抗性损失约束编辑结果与真实图像之间的差异；对抗生成网络模型按照WGAN‑GP，将真假判别器Dadv和其对应的生成器Gadv的训练损失定义为WGAN‑GP中的对抗损失函数，记为 和其中，是在成对的真实图像和生成图像之间的上采样， 表示判别器Dadv(x)在x方向上的梯度；表示属性编辑的生成结果；|| ||2表示L2正则化；λ为算法模型的权衡参数；E表示期望；

在源图像不存在的情况下，引入特征控制损失；采用特征控制损失来训练属性分类器Datt和属性生成器Gatt，Datt和Gatt的属性分类损失函数采用二值交叉熵损失，记为 和(i)其中，att 表示第i个源属性标签， 表示第i个判别器，c表示判别器数量；

表示为att(Datt(x))的第i个特征值；

对抗生成网络模型训练判别器D的目标函数记为LD：

其中，λ1是算法模型的权衡参数；

生成器G的目标函数为：

其中，λ2和λ3是算法模型的权衡参数，Lrec表示约束x和 之间距离的损失函数。

2.如权利要求1所述基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，其特征在于，所述非可逆人脸属性加密包括：利用非可逆加密人脸属性映射对人脸属性特征进行加密；通过对人脸图像进行人脸属性识别，生成长度为n的特征向量，向量中的每个元素对应人脸的一个特征；而该人脸特征向量作为一个整体，进行非可逆加密，输出N位密钥；截取密钥从固定起始点开始长度为n的密钥向量，对密钥向量的每一个元素做哈希计算完成属性映射，分别生成新的长度为n的人脸属性向量。

3.如权利要求1所述基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，其特征在于，所述人脸属性编辑包括：在编码器和解码器之间的跨层连接上增加一个选择性转换单元；利用人脸属性编辑算法，先通过编码器不断下采样得到特征，再通过解码器上采样得到图像；同时，在编码器和解码器之间加上跨层连接，在跨层连接之间增加一个注意力机制选择性转换单元，自适应地选择与修改编码器特征。

4.如权利要求1所述基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，其特征在于，所述人脸识别包括：构建人脸识别测试模块并将人脸识别分为检测与识别两步；首先使用与生成对抗网络判别器相似的网络模型进行人脸检测，再将所有检测到的人脸输入人脸检测网络模型，与数据库中的人脸进行比对，以识别身份。