CN104966266B - 自动模糊身体部位的方法及系统 - Google Patents

Abstract

本发明公开了一种自动模糊身体部位的方法及系统，其中方法包括：获取原始图像，并对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；将所述第一图像从RGB空间转换为YCbCr空间，获得第二图像；在所述第二图像内提取Y分量作为背景模型；计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域。通过上述方式，本发明可实时对本地视频中的用户身份进行识别，并对特定用户的身体进行模糊处理，在将视频数据上传到云端服务器之前对个人的隐私进行了实时保护。

Description

自动模糊身体部位的方法及系统

技术领域

本发明涉及图像处理领域，尤其是涉及一种自动模糊身体部位的方法及系统。

背景技术

随着智能家居的生活理念越来越普及，智能家庭安防设备也得到越来越多人的关注，更多的家庭选择在家中安装了监控摄像头，并通过网络将图像传送到用户的手机。而当用户在家的时候，摄像头也时刻监视着用户的一举一动，如何保证用户的隐私安全，保证图像信息不被泄漏到网络上，也成了用户比较关心的一个问题。

目前的家庭监控摄像头比较接近的技术，如通过人脸识别后，将镜头拉近，放大，只看到人脸部位。缺点就是，在人脸识别之后镜头拉近的时间里，身体部位仍然会被上传上去。因此，摄像头如何在正常工作状态中能实时对人脸以外的身体部分进行处理来保护个人隐私已成为室内智能家居摄像头的重要课题之一。

发明内容

本发明所要解决的技术问题是：提供一种自动模糊身体部位的方法及系统，实现安防目的的同时，又可以保护好用户的个人隐私。

为了解决上述技术问题，本发明采用的技术方案为：提供一种自动模糊身体部位的方法，包括：

获取原始图像，并对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；

将所述第一图像从RGB空间转换为YCbCr空间，获得第二图像；

在所述第二图像内提取Y分量作为背景模型；

计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；

在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域。

其中，获取原始图像，并对所述原始图像进行中值滤波，去除图像噪点，获得第一图像的步骤具体为：

通过摄像头前端拍摄第一视频，解析所述第一视频，获得所述原始图像；

利用公式g(x,y)＝med{f(x-k,y-l),(k,l∈W)}对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；其中g(x,y),f(x,y)分别为滤波后的图像和滤波前的图像，W为(3×3)模板。

其中，在所述第二图像内提取Y分量作为背景模型的步骤具体为：

在Y分量中将除用户身体以外的区域设为背景模型。

其中，在Y分量中将除用户身体以外的区域设为背景模型的步骤之后，还包括：

定期更新所述Y分量的背景模型。

其中，定期更新所述Y分量的背景模型的步骤具体为：

计算所述第二图像中像素的滑动平均值，作为背景模型的像素值；

解析所述像素值，获得Y分量的背景模型。

其中，计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域的步骤具体为：

利用大津法设置Y分量的背景模型中的像素值为最佳阈值；

将所述第二图像中的像素值大于所述最佳阈值的像素作为前景像素，并设为掩膜；

所述掩膜与所述第一图像作与运算，获得所述第一图像中的全部前景像素；

对全部前景像素作膨胀腐蚀算法，获得前景像素完整无空洞的第一图像前景区域。

其中，在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域的步骤具体为：

在所述前景区域范围内利用adaboost算法检测识别用户人脸区域，并模糊处理用户人脸区域以外的区域。

其中，在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理用户人脸区域以外的区域的步骤之后，还包括：

划分用户的人脸区域以外的区域为多个子区域；

设置每个所述子区域的颜色为所述子区域内出现最多的颜色；

编译处理后的第一图像，生成第二视频。

其中，编译处理后的第一图像，生成第二视频的步骤之后，还包括：

对所述第二视频进行H264编码；

上传编码后的所述第二视频数据到云端服务器。

为解决上述问题，本发明还提供一种自动模糊身体部位的系统，包括：

获取模块，用于获取第一图像，并对所述第一图像进行中值滤波，去除图像噪点；

转换模块，用于将所述图像从RGB空间转换为YCbCr空间，获得第二图像；

背景模型模块，用于在所述第二图像内设置Y分量背景模型；

计算模块，用于计算所述第二图像中的像素值与所述Y分量背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；

处理模块，用于在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域。

本发明的有益效果在于：区别于现有技术，本发明可实时对本地视频中的用户身份进行识别，并对特定用户的身体进行模糊处理，在将视频数据上传到云端服务器之前对个人的隐私进行了实时保护。

附图说明

图1为本发明方法实施例一的流程示意图；

图2为本发明方法实施例二的流程示意图；

图3为本发明系统实施例三的结构框图；

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：在摄像头前端预先对图像进行处理，将人脸之外的其他部位模糊掉，再上传到云端服务器上，即使图像数据上传到网络后被截取，用户的隐私也得到了保护。

请参照图1，本发明实施例一提供了一种自动模糊身体部位的的方法，包括如下步骤：

S1：获取原始图像，并对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；

S2：将所述第一图像从RGB空间转换为YCbCr空间，获得第二图像；

S3：在所述第二图像内设置Y分量作为背景模型；

S4：计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；

S5：在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域。

区别于现有技术，本发明方法实施例一通过实时对本地视频中的用户身份进行识别，并对特定用户的身体进行模糊处理，极大保护了用户的隐私。

其中如图2所示，本发明方法实施例二在步骤S1时，具体执行如下步骤：

S11：通过摄像头前端拍摄第一视频，解析所述第一视频，获得所述原始图像；

S12：利用公式g(x,y)＝med{f(x-k,y-l),(k,l∈W)}对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；其中g(x,y),f(x,y)分别为滤波后的图像和滤波前的图像，W为(3×3)模板。

中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值(指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像)设置为该点某邻域窗口内的所有像素点灰度值的中值。

由于原始图像是通过摄像头拍摄获取，因此图像噪点主要是指CCD(CMOS)将光线作为接收信号并输出的过程中所产生的图像中的粗糙部分，也指图像中不该出现的外来像素，通常由电子干扰产生。看起来就像图像被弄脏了，布满一些细小的糙点。当所拍摄的数码照片若用个人电脑将拍摄到的高画质图像缩小以后再看的话，也许就注意不到。不过，如果将原图像放大，那么就会出现本来没有的颜色(假色)，这种假色就是图像噪点。

在MATLAB图像处理工具箱中，提供了medfilt2函数(即Med函数)用于实现中值滤波。

medfilt2函数的语法格式为：

B＝medfilt2(A) 用3×3的滤波窗口对图像A进行中值滤波。

B＝medfilt2(A,[m n]) 用指定大小为m×n的窗口对图像A进行中值滤波。

其中，步骤S3具体为：

S31：在Y分量中将除用户身体以外的区域设为背景模型。

并在步骤S31之后，还包括：

S32：定期更新所述Y分量背景模型。

其中，步骤S32具体为：

S321：计算所述第二图像中像素的滑动平均值，作为背景模型的像素值；

S322：解析所述像素值，获得Y分量的背景模型。

一般地，在Y分量中将不包含任何前景物体的区域(如本实施例中的人身体以外的区域)设为背景，并转化为背景模型。但是背景会随着时间的变化而变化，比如光照条件变化，新的物体进入或离开背景中，因此有必要定期更新背景模型，如通过计算滑动平均值来实现。

具体地，在对原始图像进行解析时，可获得连续视频帧，即可视为时序图像。经过步骤S1，S2处理后，在第二图像上计算每个像素的均值，同时应考虑接收到的最新图像的每个像素的像素值，即p(t)是t时刻的每个像素的像素值，u(t-1)是当前每个像素的平均像素值，那么新平均值为u(t)＝(1-a)*u(t-1)+a*p(t)，其中a为学习率，该值越大，滑动平均值对观察值的适应速度越快。因此计算第二图像中每个像素的滑动平均值作为背景模型的像素值。并解析所述背景模型的像素值，获得Y分量背景模型。

其中，步骤S4具体为：

S41：利用大津法设置Y分量的背景模型中的像素值为最佳阈值；

S42：将所述第二图像中的像素值大于所述最佳阈值的像素作为前景像素，并设为掩膜；

S43：所述掩膜与所述第一图像作与运算，获得所述第一图像中的全部前景像素；

S44：对全部前景像素作膨胀腐蚀算法，获得前景像素完整无空洞的第一图像前景区域。

大津法(OTSU)是一种确定图像二值化分割阈值的算法，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大，因此大津法也称为最大类间差法，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。

它是按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，当部分前景错分为背景，或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。

其中，本发明实施例二中自动设置Y分量的背景模型中的像素值为最佳阈值(即类间方差最大值)，将大于最佳阈值的像素全视为前景像素。将这些前景像素设为掩膜；并与第一图像做与运算即可得到第一图像中的全部前景像素。对全部前景像素再作膨胀腐蚀算法，使得获得的前景像素完整无空洞。

掩膜，又称为模板。指的是用选定的图像、图形或物体,对待处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程。其中用于覆盖的特定图像或物体称为掩模或模板。数字图像处理中,掩模为二维矩阵数组。

数字图像处理中，图像掩模主要用于：1、提取感兴趣区，用预先制作的感兴趣区掩模与待处理图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0；2、屏蔽作用,用掩模对图像上某些区域作屏蔽，使其不参加处理或不参加处理参数的计算，或仅对屏蔽区作处理或统计；3、结构特征提取，用相似性变量或图像匹配方法检测和提取图像中与掩模相似的结构特征；4、特殊形状图像的制作。

其中，本发明实施例中的掩膜起了屏蔽作用，使非前景区域不参与后续的操作。

其中，二值图像只有黑白两种颜色组成的图像，一般地，白色为内容，黑色为背景。腐蚀即是删除对象边界某些像素，即让白色的区域“瘦一圈”；而膨胀则是给图像中的对象边界添加像素，即让白色的区域“胖一圈”。而这个“圈”的大小，则是由参数来指定的。因此腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。这样即可获得前景像素完整无空洞的第一图像前景区域。

其中，步骤S5具体为：

S51：在所述前景区域范围内利用adaboost算法检测识别用户人脸区域，并模糊处理用户人脸区域以外的区域。

并在步骤S51之后，还包括：

S52：划分用户的人脸区域以外的区域为多个子区域；

S53：设置每个所述子区域的颜色为所述子区域内出现最多的颜色；

S54：编译处理后的第一图像，生成第二视频。

例如，可划分用户的人脸区域以外的区域的大小W为(15×15),设当前每个子区域颜色为该区域颜色出现最多的那个颜色，其中，RGB_i＝maxnumber(RGB_j,k),(i＝0,1,2,...,j,k∈W)，i表示第i个子区域。

其中，步骤S54之后，还包括：

S55：对所述第二视频进行H264编码；

S56：上传编码后的所述第二视频数据到云端服务器。

在S56之后，用户可选择在客户端上下载第二视频，并解码。

区别于现有技术，本发明实施例二中通过实时对本地视频中的用户身份进行识别，并对特定用户的身体进行模糊处理，在将视频数据上传到云端服务器之前对个人的隐私进行了实时保护。

其中，如图3所示，本发明还对应提供一种自动模糊身体部位的系统100，包括：

获取模块110，用于获取第一图像，并对所述第一图像进行中值滤波，去除图像噪点；

转换模块120，用于将所述图像从RGB空间转换为YCbCr空间，获得第二图像；

背景模型模块130，用于在所述第二图像内设置Y分量作为背景模型；

计算模块140，用于计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；

处理模块150，用于在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种自动模糊身体部位的方法，其特征在于，包括：

获取原始图像，并对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；

将所述第一图像从RGB空间转换为YCbCr空间，获得第二图像；

在所述第二图像内提取Y分量作为背景模型；

计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；

在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域；

在所述第二图像内提取Y分量作为背景模型的步骤具体为：

在Y分量中将除用户身体以外的区域设为背景模型；

在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理用户人脸区域以外的区域的步骤之后，还包括：

划分用户的人脸区域以外的区域为多个子区域；

设置每个所述子区域的颜色为所述子区域内出现最多的颜色；

编译处理后的第一图像，生成第二视频；

编译处理后的第一图像，生成第二视频的步骤之后，还包括：

对所述第二视频进行H264编码；

上传编码后的所述第二视频数据到云端服务器。

2.根据权利要求1所述的自动模糊身体部位的方法，其特征在于，获取原始图像，并对所述原始图像进行中值滤波，去除图像噪点，获得第一图像的步骤具体为：

通过摄像头前端拍摄第一视频，解析所述第一视频，获得所述原始图像；

利用公式g(x,y)＝med{f(x-k,y-l),(k,l∈W)}对所述原始图像进行中值滤波，去除图像噪点，获得第一图像；其中g(x,y),f(x,y)分别为滤波后的图像和滤波前的图像，W为(3×3)模板。

3.根据权利要求1所述的自动模糊身体部位的方法，其特征在于，在Y分量中将除用户身体以外的区域设为背景模型的步骤之后，还包括：

定期更新所述Y分量的背景模型。

4.根据权利要求3所述的自动模糊身体部位的方法，其特征在于，定期更新所述Y分量的背景模型的步骤具体为：

计算所述第二图像中像素的滑动平均值，作为背景模型的像素值；

解析所述像素值，获得Y分量的背景模型。

5.根据权利要求1所述的自动模糊身体部位的方法，其特征在于，计算所述第二图像中的像素值与所述Y分量的背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域的步骤具体为：

利用大津法设置Y分量的背景模型中的像素值为最佳阈值；

将所述第二图像中的像素值大于所述最佳阈值的像素作为前景像素，并设为掩膜；

所述掩膜与所述第一图像作与运算，获得所述第一图像中的全部前景像素；

对全部前景像素作膨胀腐蚀算法，获得前景像素完整无空洞的第一图像前景区域。

6.根据权利要求1所述的自动模糊身体部位的方法，其特征在于，在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域的步骤具体为：

在所述前景区域范围内利用adaboost算法检测识别用户人脸区域，并模糊处理用户人脸区域以外的区域。

7.一种自动模糊身体部位的系统，其特征在于，包括：

获取模块，用于获取第一图像，并对所述第一图像进行中值滤波，去除图像噪点；

转换模块，用于将所述图像从RGB空间转换为YCbCr空间，获得第二图像；

背景模型模块，用于在所述第二图像内设置Y分量作为背景模型；

计算模块，用于计算所述第二图像中的像素值与所述Y分量背景模型中的像素值的差值，获得掩膜，并与所述第一图像作与运算，获得第一图像前景区域；

处理模块，用于在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理所述用户人脸区域以外的区域；

在所述第二图像内提取Y分量作为背景模型具体为：

在Y分量中将除用户身体以外的区域设为背景模型；

所述处理模块还用于：在所述第一图像前景区域上检测识别用户人脸区域，并模糊处理用户人脸区域以外的区域之后，划分用户的人脸区域以外的区域为多个子区域；

设置每个所述子区域的颜色为所述子区域内出现最多的颜色；

编译处理后的第一图像，生成第二视频；

对所述第二视频进行H264编码；

上传编码后的所述第二视频数据到云端服务器。