CN112182648A - 一种隐私图像、人脸隐私的处理方法、装置及设备 - Google Patents
一种隐私图像、人脸隐私的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN112182648A CN112182648A CN202010989525.8A CN202010989525A CN112182648A CN 112182648 A CN112182648 A CN 112182648A CN 202010989525 A CN202010989525 A CN 202010989525A CN 112182648 A CN112182648 A CN 112182648A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- processing
- privacy
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title description 21
- 238000012545 processing Methods 0.000 claims abstract description 287
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioethics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Image Processing (AREA)
Abstract
本说明书实施例提供了一种隐私图像、人脸隐私的处理方法、装置及设备,该方法包括:获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据,对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,使用第二子图像替换目标图像中的第一子图像。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种隐私图像、人脸隐私的处理方法、装置及设备。
背景技术
随着社会的不断发展和进步,对隐私保护提出了更加苛刻的要求,不论是否用于商业目的,只要拍摄的图片中包含有可辨识的个人身份的特征,就可能会涉及到侵犯他人肖像权的风险。
然而,在实际拍摄过程中有时不可避免的会拍摄到路人人脸,为了避免侵犯他人肖像权而采取直接给所拍摄的图片中的路人人脸打上马赛克的方式,又势必会影响所拍摄图片的美感,为此,需要提供一种既不会侵犯他人肖像权又不会影响所拍摄图片美感的方法。
发明内容
本说明书实施例的目的是提供一种隐私图像、人脸隐私的处理方法、装置及设备,以提供一种既不会侵犯他人肖像权又不会影响所拍摄图片美感的技术方案。
为了解决上述技术问题,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供了一种隐私图像的处理方法,包括:获取待处理的目标图像。从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据。对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像。采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。使用所述第二子图像替换所述目标图像中的所述第一子图像。
第二方面,本说明书实施例提供了一种隐私图像的处理装置,包括:第一图像获取模块,获取待处理的目标图像。第一图像确地模块,从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据。第一模糊处理模块,对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像。第一清晰化处理模块,采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。第一图像替换模块,使用所述第二子图像替换所述目标图像中的所述第一子图像。
第三方面,本说明书实施例提供了一种人脸隐私的处理方法,包括:获取待处理的目标图像。从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像。对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像。采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。使用所述第二子图像替换所述目标图像中的所述第一子图像。
第四方面,本说明书实施例提供了一种人脸隐私的处理装置,包括:第二图像获取模块,获取待处理的目标图像。第二图像确定模块,从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像。第二模糊处理模块,对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像。第二清晰化处理模块,采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。第二图像替换模块,使用所述第二子图像替换所述目标图像中的所述第一子图像。
第五方面,本说明书实施例提供了一种隐私图像的处理设备,包括:处理器。以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待处理的目标图像。从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据。对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像。采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。使用所述第二子图像替换所述目标图像中的所述第一子图像。
第六方面,本说明书实施例提供了一种人脸隐私的处理设备,包括:处理器。以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待处理的目标图像。从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像。对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像。采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。使用所述第二子图像替换所述目标图像中的所述第一子图像。
第七方面,本说明书实施例提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取待处理的目标图像。从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据。对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像。采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。使用所述第二子图像替换所述目标图像中的所述第一子图像。
第八方面,本说明书实施例提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取待处理的目标图像。从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像。对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像。采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像。使用所述第二子图像替换所述目标图像中的所述第一子图像。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的隐私图像的处理方法的第一种流程示意图;
图2为本说明书实施例提供的隐私图像的处理方法的第二种流程示意图;
图3为本说明书实施例提供的隐私图像的处理方法的第三种流程示意图;
图4为本说明书实施例提供的隐私图像的处理装置的模块组成示意图;
图5为本说明书实施例提供的人脸隐私的处理方法的第一种流程示意图;
图6为本说明书实施例提供的人脸隐私的处理方法的第二种流程示意图;
图7为本说明书实施例提供的人脸隐私的处理方法的第三种流程示意图;
图8为本说明书实施例提供的人脸隐私的处理装置的模块组成示意图;
图9为本说明书实施例提供的隐私图像的处理设备的结构示意图。
具体实施方式
为了实现本说明书的目的,本说明书实施例提供了一种隐私图像、人脸隐私的处理方法、装置及设备,通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据,并对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,这样,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后在使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
如图1所示,本说明书实施例提供一种隐私图像的处理方法,该方法的执行主体可以为服务器,或者也可以为终端设备,其中,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该终端设备可以为用户使用的终端设备。该终端设备中可以安装有拍摄的应用程序,该终端设备可以获取待处理的目标图像,可以对图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,然后,可以采用超分辨率算法对模糊处理后的图像进行清晰化处理。该方法具体可以包括以下步骤:
在步骤S102中,获取待处理的目标图像。
其中,上述目标图像可以是通过终端设备的摄像组件获取到的图像信息,该图像信息可以是用户在旅游过程中拍摄到的景物图像信息、或者该图像信息还可以是用户在参加娱乐活动时拍摄到的活动场景信息等。
在实施中,随着社会的不断发展和进步,对隐私保护提出了更加苛刻的要求,不论是否用于商业目的,只要拍摄的图片中包含有可辨识的个人身份的特征,就可能会涉及到侵犯他人肖像权的风险。然而,在实际拍摄过程中有时不可避免的会拍摄到路人人脸,为了避免侵犯他人肖像权而采取直接给所拍摄的图片中的路人人脸打上马赛克的方式,又势必会影响所拍摄图片的美感,为此,需要提供一种既不会侵犯他人肖像权又不会影响所拍摄图片美感的方法,具体可以参见下述内容。
具体的,用户的终端设备中可以安装有用于拍摄的应用程序,以及相应的摄像组件,当用户在旅游,或者,在参加娱乐活动,或者,在工作的过程中,需要对某场景或景物进行拍摄的情况下,可以通过点击终端设备上的拍摄应用程序,以启动该拍摄应用程序,从而获取待处理的目标图像。
在步骤S104中,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据。
其中,上述第一子图像可以是所拍摄景物中包含的路人人脸图像,或者,可以是所拍摄景物中包含的禁止拍摄的宠物图像,或者,还可以是禁止拍摄的景物图像、或者,还可以是禁止拍摄的文字信息。上述预设类型可以包括图像类型、文字类型等。上述隐私数据可以包括路人人脸面部特征数据、禁止拍摄的宠物面部特征数据、禁止拍摄的景物特征数据、禁止拍摄的文字信息等。
需要说明的是,终端设备或服务器中可以预先设置有对目标图像中所包含的第一子图像进行检测的算法,上述检测算法可以包括神经网络算法和支持向量机等。
具体的,以执行主体为终端设备,上述第一子图像为人脸图像为例,用户的终端设备中预先设置有对目标图像中所包含的第一子图像进行检测的神经网络算法。在实施中,上述终端设备通过上述S102的处理获取到待处理的目标图像之后,可以利用上述神经网络算法检测上述待处理的目标图像中是否包括人脸特征数据,在检测到上述目标图像中包括人脸特征数据的情况下,可以通过确定出的人脸特征数据所在的区域确定需要进行隐私处理的人脸图像。
或者,上述终端设备通过上述S102的处理获取到待处理的目标图像之后,可以在终端设备上显示该目标图像,用户可以根据需要通过点击或者划轨迹的方式在终端设备的显示屏幕上显示的目标图像中选取出需要进行隐私处理的第一子图像,然后,终端设备可以根据用户的上述触发选取操作从目标图像中确定出需要进行隐私处理的第一子图像。
其中,在通过上述S104的处理从上述目标图像中确定需要进行隐私处理的第一子图像后,可以利用预设裁剪算法将上述第一子图像从上述目标图像中裁剪出来,以供后续处理使用。
在步骤S106中,对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像。
需要说明的是,上述终端设备或服务器中可以预先设置有模糊算法,上述模糊算法可以包括高斯模糊算法和均值模糊算法等。
在实施中,以上述执行主体为终端设备,上述第一子图像为人脸图像,上述第一子图像中包括的隐私数据为人脸特征数据,终端设备中预先设置有高斯模糊算法为例,上述终端设备通过上述S104的处理从目标图像中确定出需要进行隐私处理的人脸图像之后,可以采用高斯模糊算法对构成上述人脸图像中的隐私数据(人脸特征数据)的每个像素值都取周边像素的平均值的方式进行模糊处理,进而可以得到经过模糊处理后的人脸图像。
在步骤S108中,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像。
需要说明的是,本说明书中的终端设备或服务器中预先设置有超分辨率算法,上述超分辨率算法可以包括基于生成式对抗网络的超分辨率算法、基于深度学习的超分辨率算法等。
其中,超分辨率(Super-Resolution)即通过硬件或软件的方法提高原有图像的分辨率,通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。超分辨率重建的核心思想就是可以用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。
基于此,本说明书实施例中的终端设备在通过上述S106的处理,得到模糊处理后的第一子图像后,可以采用超分辨率算法对上述经过模糊处理后的第一图像进行清晰化处理,得到第二字图像。其中,上述第一子图像与第二子图像不同,上述第二子图像可以为基于AI(人工智能,Artificial Intelligence)生成的图像。
在步骤S110中,使用第二子图像替换目标图像中的第一子图像。
在实施中,上述终端设备或服务器在通过上述S108的处理得到第二子图像后,可以使用上述生成的第二子图像替换目标图像中的第一子图像。例如,可以使用预设填充算法将上述生成的第二子图像填充至上述目标图像中第一子图像裁剪后的区域内。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据,并对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
进一步的,上述方法还可以包括下述步骤A1-步骤A4的处理过程:
步骤A1,获取训练样本数据,其中,训练样本数据包括隐私数据。
步骤A2,基于生成器算法对训练样本数据进行拟合处理,生成拟合隐私数据分布的合成数据。
在实施中,以上述训练样本数据为真实人脸图像为例,可以预先获取预设数量的真实人脸图像,其中,上述隐私数据可以为人脸面部特征数据。以执行主体为服务器为例,服务器中预先设置有生成器算法和判别器算法,服务器在通过上述步骤A1的处理,获取到预设数量的真实人脸图像后,可以基于上述生成器算法对上述预设数量的真实人脸图像进行拟合处理,生成拟合真实人脸图像分布的合成人脸图像。
步骤A3,基于判别器算法对训练样本数据以及合成数据进行判别处理,生成训练样本数据的真实概率以及合成数据的真实概率。
在实施中,服务器通过上述步骤A1和A2的处理,得到预设数量的真实人脸图像,以及预设数量的合成人脸图像后,可以基于判别器算法对上述预设数量的真实人脸图像数据以及上述生成器生成的预设数量的合成人脸图像进行判别处理,生成真实人脸图像的真实概率以及合成人脸图像的真实概率。
步骤A4,根据训练样本数据的真实概率以及合成数据的真实概率,迭代更新生成器算法和判别器算法的参数直至其收敛,以确定由生成器算法和判别器算法构成的超分辨率算法。
在实施中,服务器通过上述步骤A3的处理得到真实人脸图像的真实概率以及合成人脸图像的真实概率后,可以根据上述真实人脸图像的真实概率以及合成人脸图像的真实概率计算损失函数,然后,根据上述判别器算法和生成器算法的损失函数,可以利用反向传播算法,迭代更新生成器算法和判别器算法的参数直至其收敛,以确定由生成器算法和判别器算法构成的超分辨率算法。
进一步的,如图2所示,上述S104的具体处理方式可以多种多样,以下再提供一种可选的处理方式,具体可参见下述S1042的处理过程。
在步骤S1042中,采用多任务卷积神经网络从所述目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据。
其中,上述多任务卷积神经网络(MTCNN,Multi-task convolutional neuralnetwork)可以实现人脸检测和人脸对齐。上述多任务卷积神经网络可分为P-Net(ProposalNetwork)、R-Net(Refine Network)、和O-Net(Output Network)三层网络结构。上述P-Net是一个人脸区域的区域建议网络,该网络通过一个人脸分类器判断待检测区域是否是人脸,同时使用边框回归和一个面部关键点的定位器来进行人脸区域的初步判断,判断出可能存在人脸的人脸区域,并将上述可能存在的人脸区域输入R-Net进行进一步处理。上述R-Net接收P-Net输出的人脸区域,并对接收到的人脸区域进行进一步处理,并通过再次使用边框回归和面部关键点定位器进行人脸区域的边框回归和关键点定位,从而输出较为可信的人脸区域,供O-Net使用。O-Net是一个较为复杂的卷积网络,通过该网络最终输出人脸区域的左上角坐标和右下角坐标与人脸区域的五个特征点。
进一步的,如图3所示,上述S106的具体处理方式可以多种多样,以下再提供一种可选的处理方式,具体可参见下述S1062的处理过程。
在步骤S1062中,对第一子图像中的所述隐私数据进行安全多方计算,以对隐私数据进行马赛克处理,得到马赛克处理后的第一子图像。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据,并对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
对应上述实施例提供的隐私图像的处理方法,基于相同的技术构思,本说明书实施例还提供了一种隐私图像的处理装置,图4为本说明书实施例提供的隐私图像的处理装置的模块组成示意图,该隐私图像的处理装置用于执行图1-图3描述的隐私图像的处理方法,如图4所示,该装置包括:
第一图像获取模块401,获取待处理的目标图像;
第一图像确地模块402,从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据;
第一模糊处理模块403,对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像;
第一清晰化处理模块404,采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
第一图像替换模块405,使用所述第二子图像替换所述目标图像中的所述第一子图像。
可选地,所述超分辨率算法为基于生成式对抗网络的超分辨率算法。
可选地,所述装置还包括:
第一样本获取模块,获取训练样本数据,其中,所述训练样本数据包括隐私数据;
第一拟合处理模块,基于生成器算法对所述训练样本数据进行拟合处理,生成拟合隐私数据分布的合成数据;
第一概率生成模块,基于判别器算法对所述训练样本数据以及所述合成数据进行判别处理,生成所述训练样本数据的真实概率以及所述合成数据的真实概率;
第一算法确定模块,根据所述训练样本数据的真实概率以及所述合成数据的真实概率,迭代更新所述生成器算法和所述判别器算法的参数直至其收敛,以确定由所述生成器算法和所述判别器算法构成的超分辨率算法。
可选地,所述第一图像确定模块,采用多任务卷积神经网络从所述目标图像中确定需要进行隐私处理的第一子图像。
可选地,所述第一模糊处理模块,对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行马赛克处理,得到马赛克处理后的第一子图像。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据,并对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
本说明书实施例提供的隐私图像的处理装置能够实现上述隐私图像的处理方法对应的实施例中的各个过程,为避免重复,这里不再赘述。
需要说明的是,本说明书实施例提供的隐私图像的处理装置与本说明书实施例提供的隐私图像的处理方法基于同一发明构思,因此该实施例的具体实施可以参见上述隐私图像的处理方法的实施,重复之处不再赘述。
如图5所示,图5为本说明书实施例提供的一种人脸隐私的处理方法,该方法的执行主体可以为服务器,或者也可以为终端设备,其中,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该终端设备可以为用户使用的终端设备。该终端设备中可以安装有拍摄的应用程序,该终端设备可以获取待处理的目标图像,可以对图像中的面部图像进行模糊处理,然后,可以采用超分辨率算法对模糊处理后的图像进行清晰化处理。该方法具体可以包括以下步骤:
在步骤S202中,获取待处理的目标图像。
具体可以参见前述S102的处理过程。
在步骤S204中,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括人脸面部区域的面部图像。
具体可以参见前述S104的处理过程。
在步骤S206中,对第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像。
具体可以参见前述S106的处理过程。
在步骤S208中,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像。
具体可以参见前述S108的处理过程。
在步骤S210中,使用第二子图像替换目标图像中的第一子图像。
具体可以参见前述S110的处理过程。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括人脸面部区域的面部图像,并对第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
进一步的,上述超分辨率算法为基于生成式对抗网络的超分辨率算法。
进一步的,上述方法还包括下述步骤B1-B4的处理过程。
步骤B1,获取训练样本数据,其中,训练样本数据为真实人脸图像。
具体可以参见前述A1的处理过程。
步骤B2,基于生成器算法对训练样本数据进行拟合处理,生成拟合真实图像分布的合成图像。
具体可以参见前述A2的处理过程。
步骤B3,基于判别器算法对训练样本数据以及合成图像进行判别处理,生成训练样本数据的真实概率以及合成图像的真实概率。
具体可以参见前述A3的处理过程。
步骤B4,根据训练样本数据的真实概率以及合成图像的真实概率,迭代更新生成器算法和判别器算法的参数直至其收敛,以确定由生成器算法和判别器算法构成的超分辨率算法。
具体可以参见前述A4的处理过程。
进一步的,如图6所示,上述S204的具体处理方式可以多种多样,以下再提供一种可选的处理方式,具体可参见下述S2042的处理过程。
在步骤S2042中,采用多任务卷积神经网络从所述目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括人脸面部区域的面部图像。
具体可以参见前述S1042的处理过程。
进一步的,如图7所示,上述S206的具体处理方式可以多种多样,以下再提供一种可选的处理方式,具体可参见下述S2062的处理过程。
在步骤S2062中,对第一子图像中的面部图像进行马赛克处理,得到经过马赛克处理后的第一子图像。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括人脸面部区域的面部图像,并对第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
对应上述实施例提供的人脸隐私的处理方法,基于相同的技术构思,本说明书实施例还提供了一种人脸隐私的处理装置,图8为本说明书实施例提供的人脸隐私的处理装置的模块组成示意图,该人脸隐私的处理装置用于执行图5-图7描述的人脸隐私的处理方法,如图8所示,该装置包括:
第二图像获取模块801,获取待处理的目标图像;
第二图像确定模块802,从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像;
第二模糊处理模块803,对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像;
第二清晰化处理模块804,采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
第二图像替换模块805,使用所述第二子图像替换所述目标图像中的所述第一子图像。
可选地,所述超分辨率算法为基于生成式对抗网络的超分辨率算法。
可选地,所述装置还包括:
第二样本获取模块,获取训练样本数据,其中,所述训练样本数据为真实人脸图像;
第二拟合处理模块,基于生成器算法对所述训练样本数据进行拟合处理,生成拟合真实图像分布的合成图像;
第二概率生成模块,基于判别器算法对所述训练样本数据以及所述合成图像进行判别处理,生成所述训练样本数据的真实概率以及所述合成图像的真实概率;
第二算法确定模块,根据所述训练样本数据的真实概率以及所述合成图像的真实概率,迭代更新所述生成器算法和所述判别器算法的参数直至其收敛,以确定由所述生成器算法和所述判别器算法构成的超分辨率算法。
可选地,所述第二图像确定模块,采用多任务卷积神经网络从所述目标图像中确定需要进行隐私处理的第一子图像。
可选地,所述第二模糊处理模块,对所述第一子图像中的面部图像进行马赛克处理,得到经过马赛克处理后的第一子图像。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括人脸面部区域的面部图像,并对第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
本说明书实施例提供的人脸隐私的处理装置能够实现上述人脸隐私的处理方法对应的实施例中的各个过程,为避免重复,这里不再赘述。
需要说明的是,本说明书实施例提供的人脸隐私的处理装置与本说明书实施例提供的人脸隐私的处理方法基于同一发明构思,因此该实施例的具体实施可以参见上述人脸隐私的处理方法的实施,重复之处不再赘述。
对应上述实施例提供的隐私图像的处理方法,基于相同的技术构思,本说明书实施例还提供了一种隐私图像的处理设备,如图9所示。图9为本说明书实施例提供的隐私图像的处理设备的硬件结构示意图,该隐私图像的处理设备用于执行图1-图3描述的隐私图像的处理方法。
隐私图像的处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对任务的分配设备中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在数据访问设备上执行存储器902中的一系列计算机可执行指令。数据访问设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906。
具体在本实施例中,隐私图像的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对任务的分配设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据;
对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括预设类型的隐私数据,并对第一子图像中的隐私数据进行安全多方计算,以对隐私数据进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
进一步的,对应上述实施例提供的隐私图像的处理方法,本说明书实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器901执行时实现如上述隐私图像的处理方法实施例的各步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,本说明书实施例提供的隐私图像的处理设备和计算机可读存储介质能够实现上述隐私图像的处理方法实施例中的各个过程,为避免重复,这里不再赘述。
对应上述实施例提供的人脸隐私的处理方法,基于相同的技术构思,本说明书实施例还提供了一种人脸隐私的处理设备,如图9所示。图9还可以为本说明书实施例提供的人脸隐私的处理设备的硬件结构示意图,该人脸隐私的处理设备用于执行图5-图7描述的人脸隐私的处理方法。
具体在本实施例中,人脸隐私的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对任务的分配设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像;
对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取待处理的目标图像,从目标图像中确定需要进行隐私处理的第一子图像,其中,第一子图像中包括人脸面部区域的面部图像,并对第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像,然后,采用超分辨率算法对模糊处理后的第一子图像进行清晰化处理,得到第二子图像,并使用第二子图像替换目标图像中的第一子图像的方式,在拍摄图像的过程中,可以采用超分辨率算法对经过模糊处理后的第一子图像进行清晰化处理,得到第二子图像,然后再使用第二子图像替换目标图像中的第一子图像,这样即使所拍摄的图像中携带有隐私信息,也不会侵犯他人隐私,同时也不会影响所拍摄图片的美感,提高了用户的使用体验。
进一步的,对应上述实施例提供的人脸隐私的处理方法,本说明书实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器901执行时实现如上述人脸隐私的处理方法实施例的各步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,本说明书实施例提供的人脸隐私的处理设备和计算机可读存储介质能够实现上述人脸隐私的处理方法实施例中的各个过程,为避免重复,这里不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
可以理解的是,本说明书实施例描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits,ASIC)、数字信号处理器(Digital SignalProcessing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本发明所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本说明书实施例所述功能的模块(例如过程、函数等)来实现本说明书实施例所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
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上述实施例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(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (15)
1.一种隐私图像的处理方法,所述方法包括:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据;
对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
2.根据权利要求1所述的方法,所述超分辨率算法为基于生成式对抗网络的超分辨率算法。
3.根据权利要求1所述的方法,所述方法还包括:
获取训练样本数据,其中,所述训练样本数据包括隐私数据;
基于生成器算法对所述训练样本数据进行拟合处理,生成拟合隐私数据分布的合成数据;
基于判别器算法对所述训练样本数据以及所述合成数据进行判别处理,生成所述训练样本数据的真实概率以及所述合成数据的真实概率;
根据所述训练样本数据的真实概率以及所述合成数据的真实概率,迭代更新所述生成器算法和所述判别器算法的参数直至其收敛,以确定由所述生成器算法和所述判别器算法构成的超分辨率算法。
4.根据权利要求1所述的方法,所述从所述目标图像中确定需要进行隐私处理的第一子图像,包括:
采用多任务卷积神经网络从所述目标图像中确定需要进行隐私处理的第一子图像。
5.一种人脸隐私的处理方法,所述方法包括:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像;
对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
6.根据权利要求5所述的方法,所述超分辨率算法为基于生成式对抗网络的超分辨率算法。
7.根据权利要求5所述的方法,所述方法还包括:
获取训练样本数据,其中,所述训练样本数据为真实人脸图像;
基于生成器算法对所述训练样本数据进行拟合处理,生成拟合真实图像分布的合成图像;
基于判别器算法对所述训练样本数据以及所述合成图像进行判别处理,生成所述训练样本数据的真实概率以及所述合成图像的真实概率;
根据所述训练样本数据的真实概率以及所述合成图像的真实概率,迭代更新所述生成器算法和所述判别器算法的参数直至其收敛,以确定由所述生成器算法和所述判别器算法构成的超分辨率算法。
8.根据权利要求5所述的方法,所述从所述目标图像中确定需要进行隐私处理的第一子图像,包括:
采用多任务卷积神经网络从所述目标图像中确定需要进行隐私处理的第一子图像。
9.根据权利要求5所述的方法,所述对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像,包括:
对所述第一子图像中的面部图像进行马赛克处理,得到经过马赛克处理后的第一子图像。
10.一种隐私图像的处理装置,所述装置包括:
第一图像获取模块,获取待处理的目标图像;
第一图像确地模块,从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据;
第一模糊处理模块,对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像;
第一清晰化处理模块,采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
第一图像替换模块,使用所述第二子图像替换所述目标图像中的所述第一子图像。
11.一种人脸隐私的处理装置,所述装置包括:
第二图像获取模块,获取待处理的目标图像;
第二图像确定模块,从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像;
第二模糊处理模块,对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像;
第二清晰化处理模块,采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
第二图像替换模块,使用所述第二子图像替换所述目标图像中的所述第一子图像。
12.一种隐私图像的处理设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据;
对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
13.一种人脸隐私的处理设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像;
对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
14.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括预设类型的隐私数据;
对所述第一子图像中的所述隐私数据进行安全多方计算,以对所述隐私数据进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
15.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取待处理的目标图像;
从所述目标图像中确定需要进行隐私处理的第一子图像,其中,所述第一子图像中包括人脸面部区域的面部图像;
对所述第一子图像中的面部图像进行模糊处理,得到模糊处理后的第一子图像;
采用超分辨率算法对所述模糊处理后的所述第一子图像进行清晰化处理,得到第二子图像;
使用所述第二子图像替换所述目标图像中的所述第一子图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010989525.8A CN112182648A (zh) | 2020-09-18 | 2020-09-18 | 一种隐私图像、人脸隐私的处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010989525.8A CN112182648A (zh) | 2020-09-18 | 2020-09-18 | 一种隐私图像、人脸隐私的处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182648A true CN112182648A (zh) | 2021-01-05 |
Family
ID=73955246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010989525.8A Pending CN112182648A (zh) | 2020-09-18 | 2020-09-18 | 一种隐私图像、人脸隐私的处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182648A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818390A (zh) * | 2021-01-26 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的数据信息发布方法、装置及设备 |
CN113807162A (zh) * | 2021-07-27 | 2021-12-17 | 上海交通大学 | 基于深度学习的社交网络图像隐私保护方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590774A (zh) * | 2017-09-18 | 2018-01-16 | 北京邮电大学 | 一种基于生成对抗网络的车牌清晰化方法及装置 |
CN110502974A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 一种视频图像的展示方法、装置、设备、及可读存储介质 |
CN110719402A (zh) * | 2019-09-24 | 2020-01-21 | 维沃移动通信(杭州)有限公司 | 图像处理方法及终端设备 |
CN110910330A (zh) * | 2019-11-29 | 2020-03-24 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备和可读存储介质 |
CN110969570A (zh) * | 2019-11-05 | 2020-04-07 | 珠海格力电器股份有限公司 | 一种处理图像的方法及装置 |
CN111242837A (zh) * | 2020-01-03 | 2020-06-05 | 杭州电子科技大学 | 基于生成对抗网络的人脸匿名隐私保护方法 |
-
2020
- 2020-09-18 CN CN202010989525.8A patent/CN112182648A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590774A (zh) * | 2017-09-18 | 2018-01-16 | 北京邮电大学 | 一种基于生成对抗网络的车牌清晰化方法及装置 |
CN110502974A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 一种视频图像的展示方法、装置、设备、及可读存储介质 |
CN110719402A (zh) * | 2019-09-24 | 2020-01-21 | 维沃移动通信(杭州)有限公司 | 图像处理方法及终端设备 |
CN110969570A (zh) * | 2019-11-05 | 2020-04-07 | 珠海格力电器股份有限公司 | 一种处理图像的方法及装置 |
CN110910330A (zh) * | 2019-11-29 | 2020-03-24 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备和可读存储介质 |
CN111242837A (zh) * | 2020-01-03 | 2020-06-05 | 杭州电子科技大学 | 基于生成对抗网络的人脸匿名隐私保护方法 |
Non-Patent Citations (2)
Title |
---|
张焕国 等: "《密码学引论》", 30 November 2015, 武汉大学出版社 * |
肖志云: "《小波域数字图像建模及其应用》", 31 March 2014, 北京理工大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818390A (zh) * | 2021-01-26 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的数据信息发布方法、装置及设备 |
CN113807162A (zh) * | 2021-07-27 | 2021-12-17 | 上海交通大学 | 基于深度学习的社交网络图像隐私保护方法及系统 |
CN113807162B (zh) * | 2021-07-27 | 2024-04-02 | 上海交通大学 | 基于深度学习的社交网络图像隐私保护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI777162B (zh) | 圖像處理方法及裝置、電子設備和電腦可讀儲存媒體 | |
US10284789B2 (en) | Dynamic generation of image of a scene based on removal of undesired object present in the scene | |
CN112330574B (zh) | 人像修复方法、装置、电子设备及计算机存储介质 | |
CN107507155B (zh) | 视频分割结果边缘优化实时处理方法、装置及计算设备 | |
CN114930399A (zh) | 使用基于表面的神经合成的图像生成 | |
WO2022135108A1 (zh) | 图像信号处理方法、装置、电子设备及计算机可读存储介质 | |
CN112818390A (zh) | 一种基于隐私保护的数据信息发布方法、装置及设备 | |
CN111325657A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN107547803B (zh) | 视频分割结果边缘优化处理方法、装置及计算设备 | |
CN114238904B (zh) | 身份识别方法、双通道超分模型的训练方法及装置 | |
CN112182648A (zh) | 一种隐私图像、人脸隐私的处理方法、装置及设备 | |
CN112215877A (zh) | 图像处理方法和装置、电子设备、可读存储介质 | |
CN111507333A (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
CN113269722A (zh) | 生成对抗网络的训练方法、及高分辨率图像重建方法 | |
CN114092678A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113225606B (zh) | 视频弹幕处理方法及装置 | |
CN113705520A (zh) | 动作捕捉方法、装置及服务器 | |
CN113592726A (zh) | 高动态范围成像方法、装置、电子设备和存储介质 | |
CN116612015A (zh) | 模型训练方法、图像去摩尔纹方法、装置及电子设备 | |
CN113727039B (zh) | 视频生成方法、装置、电子设备及存储介质 | |
CN116977804A (zh) | 图像融合方法、电子设备、存储介质及计算机程序产品 | |
CN115564639A (zh) | 背景虚化方法、装置、计算机设备和存储介质 | |
CN116385469A (zh) | 特效图像生成方法、装置、电子设备及存储介质 | |
CN114187172A (zh) | 图像融合方法、装置、计算机设备及计算机可读存储介质 | |
BR et al. | Machine Learning Application for Evidence Image Enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043951 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |