CN110443748A - 人体屏蔽方法、装置以及存储介质 - Google Patents

Abstract

本申请公开了一种人体屏蔽方法、装置以及存储介质。其中，人体屏蔽方法包括：获取包含人体图像的待检测图像；利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及对所述人体图像区域进行人体屏蔽操作。从而本申请的技术方案可以同时从多路图像采集设备中获取视频数据，使用基于卷积神经网络的人体检测模型实时得出检测结果。并且本实施例的检测神经网络学习大量人体图片的视觉特征，包括手、肘关节、肩、背、腰、臀、膝关节、脚等部位的视觉特征，准确率高。并且由于本方案采用了基于卷积神经网络的人体检测模型，因此相对于传统的检测方法，效率高，使用方便，计算占用资源不高，成本较低。

Description

人体屏蔽方法、装置以及存储介质

技术领域

本申请涉及行为检测方法领域，特别是涉及一种人体屏蔽方法、装置以及存储介质。

背景技术

随着科技的快速发展，人民生活水平的不断提高，视频监控应用越来越广泛，大量的视频监控在提高生产力的同时，也带来了隐私安全保护的问题。例如军事场所中鼠情监控对军人的隐私保护，饭店厨房监控老鼠对厨师的隐私保护，公园中监控垃圾箱是否装满对游人的隐私保护，果园中监控花开时对人体的隐私保护，卫生间监控小便池、大便池是否堵塞对人体的隐私保护，以及其他一些对非人类监控但是需要对人进行保密保护的场景。

市场上目前对人体隐私保护的方法主要是针对人体隐私部位裆部、胸部的检测屏蔽，这类方法都不是针对人体全部的屏蔽保护方法。现有的对人体全部的屏蔽保护方法为手动框选法，这种方法消耗人力物力较多，费事耗力，效率低下，成本也较高。

针对上述的现有的人体屏蔽方法中存在的效率低下、成本较高以及消耗资源大的技术问题，目前尚未提出有效的解决方案。

发明内容

本公开的实施例提供了一种人体屏蔽方法、装置以及存储介质，以至少解决现有的人体屏蔽方法中存在的效率低下、成本较高以及消耗资源大的技术问题。

根据本公开实施例的一个方面，提供了一种人体屏蔽方法，包括：获取包含人体图像的待检测图像；利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及对人体图像区域进行人体屏蔽操作。

根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行上述任意一项所述的方法。

根据本公开实施例的另一个方面，还提供了一种人体屏蔽装置，包括：获取模块，用于获取包含人体图像的待检测图像；确定模块，用于利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及屏蔽模块，用于对人体图像区域进行人体屏蔽操作。

根据本公开实施例的另一个方面，还提供了一种人体屏蔽装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取包含人体图像的待检测图像；利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及对人体图像区域进行人体屏蔽操作。

从而，根据本实施例的技术方案，使用基于卷积神经网络的人体检测模型，对包含人体图像的待检测图像进行分析，确定包含人体目标的人体图像区域，然后对人体图像区域进行人体屏蔽操作。例如可以对人体图像区域进行马赛克处理或者模糊处理。本申请的技术方案可以同时从多路图像采集设备中获取视频数据，使用基于卷积神经网络的人体检测模型实时得出检测结果。并且本实施例的检测神经网络学习大量人体图片的视觉特征，包括手、肘关节、肩、背、腰、臀、膝关节、脚等部位的视觉特征，准确率高。并且由于本方案采用了基于卷积神经网络的人体检测模型，因此相对于传统的检测方法，效率高，使用方便，计算占用资源不高，成本较低。

从而本实施例的技术方案解决了现有的人体屏蔽方法中存在的效率低下、成本较高以及消耗资源大的技术问题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是根据本公开实施例1所述的人体屏蔽方法的流程示意图；

图2是根据本公开实施例1所述的所采用的卷积神经网络的网络结构示意图；

图3是根据本公开实施例1所述的包含背面人体的原始图像；

图4是根据本公开实施例1所述的把人体图像区域进行马赛克处理后的示意图；

图5是根据本公开实施例1所述的人体屏蔽方法的运行流程图；

图6是根据本公开实施例2所述的人体屏蔽装置的示意图；以及

图7是根据本公开实施例3所述的人体屏蔽装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

图1示出了根据本实施例所述的人体屏蔽方法的流程示意图，参考图1所示，本实施例的人体屏蔽方法包括以下步骤：

S102：获取包含人体图像的待检测图像；

S104：利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及

S106：对人体图像区域进行人体屏蔽操作。

具体地，获取包含人体图像的待检测图像，然后利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域。然后对人体图像区域进行人体屏蔽操作。

正如背景技术中所述的，随着科技的快速发展，人民生活水平的不断提高，视频监控应用越来越广泛，大量的视频监控在提高生产力的同时，也带来了隐私安全保护的问题。例如军事场所中鼠情监控对军人的隐私保护，饭店厨房监控老鼠对厨师的隐私保护，公园中监控垃圾箱是否装满对游人的隐私保护，果园中监控花开时对人体的隐私保护，卫生间监控小便池、大便池是否堵塞对人体的隐私保护，以及其他一些对非人类监控但是需要对人进行保密保护的场景。

市场上目前对人体隐私保护的方法主要是针对人体隐私部位裆部、胸部的检测屏蔽，这类方法都不是针对人体全部的屏蔽保护方法。现有的对人体全部的屏蔽保护方法为手动框选法，这种方法消耗人力物力较多，费事耗力，效率低下，成本也较高。

针对现有技术中存在的问题，本实施例的技术方案提供了一种人体屏蔽方法，使用基于卷积神经网络的人体检测模型，对包含人体图像的待检测图像进行分析，确定包含人体目标的人体图像区域。其中，人体目标例如但不限于包含正面、侧面、背面、半身和部分人体。然后对人体图像区域进行人体屏蔽操作。例如可以对人体图像区域进行马赛克处理或者模糊处理。本申请的技术方案可以同时从多路图像采集设备中获取视频数据，使用基于卷积神经网络的人体检测模型实时得出检测结果。并且本实施例的检测神经网络学习大量人体图片的视觉特征，包括手、肘关节、肩、背、腰、臀、膝关节、脚等部位的视觉特征，准确率高。并且由于本方案采用了基于卷积神经网络的人体检测模型，因此相对于传统的检测方法，效率高，使用方便，计算占用资源不高，成本较低。

从而本实施例的技术方案解决了现有的人体屏蔽方法中存在的效率低下、成本较高以及消耗资源大的技术问题。

此外，本实施例的技术方案在获取待检测图像时，例如可以利用摄像头等图像采集设备，并将待检测图像发送至处理器。其中待检测图像例如可以源于摄像头采集的视频，处理器从视频流中获取视频数据，并将视频数据解码为图像帧数据，其中图像帧数据即为上述待检测图像。

可选地，利用基于卷积神经网络的人体检测模型，从待检测图像中确定包括人体目标的人体图像区域的操作，包括：利用人体检测模型，根据待检测图像，生成分别与待检测图像中的多个矩形框区域对应的多个向量，其中向量至少包含以下信息：对应的矩形框区域的位置信息、对应的矩形框区域的尺寸信息以及对应的矩形框内包含人体目标的置信度信息；以及将置信度信息大于预设阈值的向量所对应的矩形框区域确定为人体图像区域。

具体地，利用基于卷积神经网络的人体检测模型，根据待检测图像，生成分别与待检测图像中的多个矩形框区域对应的多个向量。具体例如参考图2所示，在图2的网络结构中，输入的是352*352的图像，经过多个卷积层之后，输出“5*1024”维特征向量。其中，“5”的含义为(x,y,w,h,Confidence)，“1024”的含义为1024个特征向量。其中，“x”表示待检测图像中的矩形框区域左边界在第i行、第j列网格(i，j)中的水平偏移值除以网格宽度的倍数；“y”表示待检测图像中的矩形框区域在上边界在第i行、第j列网格(i，j)中垂直偏移值除以网格高度的倍数；“w”表示待检测图像中的宽度除以网格宽度的倍数；“h”表示待检测图像中的高度除以网络高度的倍数；“Confidence”表示待检测图像中的矩形框区域的置信度得分。

从而，利用人体检测模型，根据待检测图像，生成分别与待检测图像中的矩形框区域对应的向量为(x,y,w,h,Confidence)。其中，x、y表示对应矩形框区域的位置信息，w、h表示对应矩形框区域的尺寸信息，Confidence表示对应的矩形框内包含人体目标的置信度信息。

进一步地，在上述待检测图像中，用非极大值抑制机制获取最合适的人体坐标框(x,y,w,h)。即可以将置信度信息得分最高的向量所对应的矩形框区域确定为人体图像区域，从而在确定人体图像区域后，可以进一步确定图像中的人体坐标(x,y,w,h)。其中，“x”表示待检测图像中的矩形框区域左边界在第i行、第j列网格(i，j)中的水平偏移值除以网格宽度的倍数；“y”表示待检测图像中的矩形框区域在上边界在第i行、第j列网格(i，j)中垂直偏移值除以网格高度的倍数；“w”表示待检测图像中的宽度除以网格宽度的倍数；“h”表示待检测图像中的高度除以网络高度的倍数。

可选地，生成分别与待检测图像中的多个矩形框区域对应的多个向量的操作，包括：利用人体检测模型中的包含多个卷积核的卷积模型，根据待检测图像，生成多个向量形式的特征图作为多个向量。

具体地，参照图2所示，人体检测模型包含多个卷积核的卷积模型。其中卷积模型的第一层是5*5尺寸的卷积核，64通道，步长为2，然后第一层输入的是352*352的图像，输出112*112的特征。

第二层是卷积block层，一个block层由1个最大池化层和4个分卷积层，其中maxpool层尺寸是3*3，步长为2，4个分卷积层中第一分层是1*1的64通道卷积层，第二分层是3*3的64通道层，第三分层是1*1的64通道层，第四分层是1*1的256通道层。第二层连续排列3组。第二层输出57*57*256维特征图。

第三层是卷积层，由3个分卷积层组成，第一分层是1*1的128通道卷积层，第二分层是3*3的128通道卷积层，第三分层是1*1的512通道分层。第三次输出29*29*512维特征图。

第四层是卷积层，由3个分卷积层组成，第一分层是1*1的256通道卷积层，第二分层是3*3的256通道卷积层，第三分层是1*1的1024通道分层。第四次输出15*15*1024维特征图。

第五层是卷积层，由3*3*1024的平均池化层和1*1*25600的卷积层，输出“5*1024”维特征向量。

从而，通过这种方式，利用人体检测模型中的包含多个卷积核的卷积模型，根据待检测图像，生成多个向量形式的特征图作为多个向量。

可选地，对人体图像区域进行人体屏蔽操作的操作，包括：对人体图像区域进行马赛克处理。

具体地，图3示出了包含背面人体的原始图像，图4示出了把人体图像区域进行马赛克处理后的示意图。参照图3以及图4所示，在使用人体检测模型确定包括人体目标的人体图像区域之后，对人体图像区域进行马赛克处理。从而，可以实现对人体进行有效的屏蔽。

可选地，对人体图像区域进行人体屏蔽操作的操作，包括：对人体图像区域进行模糊处理。

具体地，在使用人体检测模型确定包括人体目标的人体图像区域之后，对人体图像区域进行模糊处理。从而，可以实现对人体进行有效的屏蔽。

此外，在获取本实施例的方案中的待检测图像时，还可以通过红外热成像相机捕获生物，然后通过人体检测算法检测人体图像区域，进行人体屏蔽保护。在构建本实施例的方案中的人体检测模型时，首先采集足够数量的第一人体图片数据，其中第一人体图片数据包括具有不同国别、不同肤色、不同性别、不同年龄、不同姿势、不同场景的人体；然后对第一人体图片数据进行清洗，并标注第一人体图片数据中的人体最小外接矩形框坐标(x,y,w,h)；最后整理第一人体图片数据的训练集、验证集、测试集。

其中，构建本实施例的方案中的人体检测模型还包括：首先采集新的第一人体图片数据，其中新的第一人体图片数据包括具有不同国别、不同肤色、不同性别、不同年龄、不同姿势、不同场景的人体；然后利用上述训练集的模型对新的第一人体图片数据进行检测，并将检测结果不准确的新的第一人体图片数据进行重新标注；最后整理新的第一人体图片数据的训练集、验证集、测试集，从而得到本实施例的人体检测模型。

此外，为了便于理解，对本实施例的技术方案按时间顺序步骤的补充说明如下。图5示出了本实施例所述的人体屏蔽方法的运行流程图，参照图5所示，本实施例提供了如下技术方案：

步骤一：采集一定数量的包含人体图像的图像样本集，进行人工标注人体最小外接矩形框坐标(x,y,w,h)，构件训练样本库，对制作的样本尺寸归一化处理以及数据增强。

步骤二：搭建CNN卷积神经网络，网络结构如上述的图2，对制作的训练样本集进行训练。

第一层输入的是352*352的图像，5*5尺寸的卷积核，64通道，步长为2，输出112*112的特征。

第二层是卷积block层，一个block层由1个最大池化层和4个分卷积层，其中最大池化层尺寸是3*3，步长为2，4个分卷积层中第一分层是1*1的64通道卷积层，第二分层是3*3的64通道层，第三分层是1*1的64通道层，第四分层是1*1的256通道层。第二层连续排列3组。第二层输出57*57*256维特征图。

第三层是卷积层，由3个分卷积层组成，第一分层是1*1的128通道卷积层，第二分层是3*3的128通道卷积层，第三分层是1*1的512通道分层。第三次输出29*29*512维特征图。

第四层是卷积层，由3个分卷积层组成，第一分层是1*1的256通道卷积层，第二分层是3*3的256通道卷积层，第三分层是1*1的1024通道分层。第四次输出15*15*1024维特征图。

第五层是卷积层，由3*3*1024的平均池化层和1*1*25600的卷积层，输出5*1024维特征向量，再用非极大值抑制机制获取最合适的人体坐标框(x,y,w,h)。

步骤三：采集新数据，利用训练好的深度学习模型对未标注样本进行测试，对于测试结果未达到要求的样本继续标注，扩充训练数据集。

步骤四：利用扩充的训练样本集继续训练深度人体检测模型。

步骤五：重复步骤三步骤四，直至总体准确率达到预先指定的要求。

步骤六：从网络摄像头获取视频流数据。

步骤七：利用解码模块把视频流数据解码为图像帧数据。

步骤八：将视频帧数据送至深度人体检测模块，由深度人体检测模块识别出每帧图像中每个人体的最小外接矩形框。

步骤九：对深度人体检测模块检测到的一至多个最小外接矩形框进行马赛克处理，屏蔽人体图像。

步骤十：将结果图像送至编码模块，由编码模块对处理好的图像进行编码成rtsp、rtmp等格式的视频流。

步骤十一：显示终端实时显示视频流，存档视频流。

此外，根据本实施例的第二个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

图6示出了本实施例所述的人体屏蔽装置的示意图。本实施例的人体屏蔽装置600与根据实施例1的方法相对应。

参考图6所示，该装置600包括：获取模块610，用于获取包含人体图像的待检测图像；确定模块620，用于利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及屏蔽模块630，用于对人体图像区域进行人体屏蔽操作。

可选地，确定模块620，包括：生成子模块，用于利用人体检测模型，根据待检测图像，生成分别与待检测图像中的多个矩形框区域对应的多个向量，其中向量至少包含以下信息：对应的矩形框区域的位置信息、对应的矩形框区域的尺寸信息以及对应的矩形框内包含人体目标的置信度信息；以及确定子模块，用于将置信度信息大于预设阈值的向量所对应的矩形框区域确定为人体图像区域。

可选地，生成子模块，包括：生成单元，用于利用人体检测模型中的包含多个卷积核的卷积模型，根据待检测图像，生成多个向量形式的特征图作为多个向量。

可选地，屏蔽模块630，包括：第一处理子模块，用于对人体图像区域进行人体屏蔽操作的操作，包括：对人体图像区域进行马赛克处理。

可选地，屏蔽模块630，包括：第二处理子模块，用于对人体图像区域进行模糊处理。

从而，根据本实施例的技术方案，使用基于卷积神经网络的人体检测模型，对包含人体图像的待检测图像进行分析，确定包含人体目标的人体图像区域，然后对人体图像区域进行人体屏蔽操作。例如可以对人体图像区域进行马赛克处理或者模糊处理。本申请的技术方案可以同时从多路图像采集设备中获取视频数据，使用基于卷积神经网络的人体检测模型实时得出检测结果。并且本实施例的检测神经网络学习大量人体图片的视觉特征，包括手、肘关节、肩、背、腰、臀、膝关节、脚等部位的视觉特征，准确率高。并且由于本方案采用了基于卷积神经网络的人体检测模型，因此相对于传统的检测方法，效率高，使用方便，计算占用资源不高，成本较低。

从而本实施例的技术方案解决了现有的人体屏蔽方法中存在的效率低下、成本较高以及消耗资源大的技术问题。

实施例3

图7示出了本实施例所述的人体屏蔽装置的示意图。本实施例的人体屏蔽装置700与根据实施例1的方法相对应。

参考图7所示，该装置700包括：处理器710；以及存储器720，与处理器710连接，用于为处理器710提供处理以下处理步骤的指令：获取包含人体图像的待检测图像；利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及对人体图像区域进行人体屏蔽操作。

可选地，利用基于卷积神经网络的人体检测模型，从待检测图像中确定包括人体目标的人体图像区域的操作，包括：利用人体检测模型，根据待检测图像，生成分别与待检测图像中的多个矩形框区域对应的多个向量，其中向量至少包含以下信息：对应的矩形框区域的位置信息、对应的矩形框区域的尺寸信息以及对应的矩形框内包含人体目标的置信度信息；以及将置信度信息大于预设阈值的向量所对应的矩形框区域确定为人体图像区域。

可选地，生成分别与待检测图像中的多个矩形框区域对应的多个向量的操作，包括：利用人体检测模型中的包含多个卷积核的卷积模型，根据待检测图像，生成多个向量形式的特征图作为多个向量。

可选地，对人体图像区域进行人体屏蔽操作的操作，包括：对人体图像区域进行马赛克处理。

可选地，对人体图像区域进行人体屏蔽操作的操作，包括：对人体图像区域进行模糊处理。

从而，根据本实施例的技术方案，使用基于卷积神经网络的人体检测模型，对包含人体图像的待检测图像进行分析，确定包含人体目标的人体图像区域，然后对人体图像区域进行人体屏蔽操作。例如可以对人体图像区域进行马赛克处理或者模糊处理。本申请的技术方案可以同时从多路图像采集设备中获取视频数据，使用基于卷积神经网络的人体检测模型实时得出检测结果。并且本实施例的检测神经网络学习大量人体图片的视觉特征，包括手、肘关节、肩、背、腰、臀、膝关节、脚等部位的视觉特征，准确率高。并且由于本方案采用了基于卷积神经网络的人体检测模型，因此相对于传统的检测方法，效率高，使用方便，计算占用资源不高，成本较低。

从而本实施例的技术方案解决了现有的人体屏蔽方法中存在的效率低下、成本较高以及消耗资源大的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种人体屏蔽方法，其特征在于，包括以下步骤：

获取包含人体图像的待检测图像；

利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及

对所述人体图像区域进行人体屏蔽操作。

2.根据权利要求1所述的人体屏蔽方法，其特征在于，利用基于卷积神经网络的人体检测模型，从待检测图像中确定包括人体目标的人体图像区域的操作，包括：

利用所述人体检测模型，根据所述待检测图像，生成分别与所述待检测图像中的多个矩形框区域对应的多个向量，其中所述向量至少包含以下信息：对应的矩形框区域的位置信息、对应的矩形框区域的尺寸信息以及对应的矩形框内包含人体目标的置信度信息；以及

将所述置信度信息大于预设阈值的向量所对应的矩形框区域确定为所述人体图像区域。

3.根据权利要求2所述的人体屏蔽方法，其特征在于，生成分别与所述待检测图像中的多个矩形框区域对应的多个向量的操作，包括：利用所述人体检测模型中的包含多个卷积核的卷积模型，根据所述待检测图像，生成多个向量形式的特征图作为所述多个向量。

4.根据权利要求1所述的人体屏蔽方法，其特征在于，对所述人体图像区域进行人体屏蔽操作的操作，包括：对所述人体图像区域进行马赛克处理。

5.根据权利要求1所述的人体屏蔽方法，其特征在于，对所述人体图像区域进行人体屏蔽操作的操作，包括：对所述人体图像区域进行模糊处理。

6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至5中任意一项所述的方法。

7.一种人体屏蔽装置，其特征在于，包括：

获取模块，用于获取包含人体图像的待检测图像；

确定模块，用于利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及

屏蔽模块，用于对所述人体图像区域进行人体屏蔽操作。

8.根据权利要求7所述的人体屏蔽装置，其特征在于，确定模块，包括：

生成子模块，用于利用所述人体检测模型，根据所述待检测图像，生成分别与所述待检测图像中的多个矩形框区域对应的多个向量，其中所述向量至少包含以下信息：对应的矩形框区域的位置信息、对应的矩形框区域的尺寸信息以及对应的矩形框内包含人体目标的置信度信息；以及

确定子模块，用于将所述置信度信息大于预设阈值的向量所对应的矩形框区域确定为所述人体图像区域。

9.根据权利要求8所述的人体屏蔽装置，其特征在于，生成子模块，包括：生成单元，用于利用所述人体检测模型中的包含多个卷积核的卷积模型，根据所述待检测图像，生成多个向量形式的特征图作为所述多个向量。

10.一种人体屏蔽装置，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

获取包含人体图像的待检测图像；

利用基于卷积神经网络的人体检测模型，在待检测图像中确定包括人体目标的人体图像区域；以及

对所述人体图像区域进行人体屏蔽操作。