CN112528318A - 一种图像脱敏的方法、装置及电子设备 - Google Patents

一种图像脱敏的方法、装置及电子设备 Download PDF

Info

Publication number
CN112528318A
CN112528318A CN202011360701.8A CN202011360701A CN112528318A CN 112528318 A CN112528318 A CN 112528318A CN 202011360701 A CN202011360701 A CN 202011360701A CN 112528318 A CN112528318 A CN 112528318A
Authority
CN
China
Prior art keywords
image
signboard
training
neural network
model
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
Application number
CN202011360701.8A
Other languages
English (en)
Inventor
王继业
高灵超
李浩松
王路涛
张睿智
王一梦
郭敬林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Big Data Center Of State Grid Corp Of China
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
Big Data Center Of State Grid Corp Of China
Beijing Guodiantong Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Big Data Center Of State Grid Corp Of China, Beijing Guodiantong Network Technology Co Ltd filed Critical Big Data Center Of State Grid Corp Of China
Priority to CN202011360701.8A priority Critical patent/CN112528318A/zh
Publication of CN112528318A publication Critical patent/CN112528318A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本说明书一个或多个实施例提供一种图像脱敏的方法、装置及电子设备，所述方法包括获取原始图像；将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；将所述标识牌替换图像放回所述原始图像，获得脱敏后的替换图像。本发明实施例通过生成对抗网络算法，无需进行图像矫正，能够在原始标识牌图像上直接生成替换信息，简化了图像识别的步骤，有效的提高了图像脱敏的效率。

Description

一种图像脱敏的方法、装置及电子设备
本说明书一个或多个实施例涉及图像处理的技术领域，尤其涉及一种脱敏的方法、装置及电子设备。
背景技术
随着互联网技术的不断发展，网络信息资源也不断的丰富起来，图像等视觉信息应用的领域也越来越宽泛，但是，很多图像中包含隐私等敏感信息，因此，为了保证相关信息不被恶意窃取，需要对图像中的敏感信息进行脱敏处理。
现有的图像脱敏技术在进行脱敏时，首先要将图像进行矫正处理，且在脱敏过程中，采用模板匹配、模板覆盖的脱敏技术，将提前准备好的替换模板放置于需要脱敏的图像位置。
但是，由于现有的图像脱敏技术需要在脱敏之前需要一系列的例如矫正和准备匹配模板等过程，步骤过于繁琐，增加了图片前期处理的时间，使得图像脱敏效率低下。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种图像脱敏的方法、装置及电子设备，以解决现有技术中图像脱敏效率低下的问题。
基于上述目的，本说明书一个或多个实施例提供了一种图像脱敏的方法，包括：
获取原始图像；
将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；
将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；
将所述替换标识牌图像放回所述原始图像，获得脱敏后的替换图像。
作为一种可选的实施方式，所述目标检测模型为YOLO v3或者YOLO v4模型；
所述目标检测模型的训练方法为：
获取目标检测训练集，所述目标检测训练集包括标记好标识牌区域坐标的训练图像；
将所述目标检测训练集内的训练图像输入初始的YOLO v3或者YOLO v4模型进行迭代运算，直至达到预设的迭代次数；
获得训练好的YOLO v3或者YOLO v4模型。
作为一种可选的实施方式，所述对抗神经网络模型的训练方法包括：
获取训练集与对抗集，所述训练集包括训练标识牌图像，所述对抗集包括对抗标识牌图像，其中，所述对抗标识牌图像为所述训练标识牌图像按预定规则脱敏后获得的；
建立对抗神经网络模型；
用所述训练集训练所述对抗神经网络模型；
基于所述对抗集调整训练后的对抗神经网络模型的模型参数，并返回执行训练所述对抗神经网络模型的步骤，直至所述对抗神经网络模型收敛或者达到预设的迭代次数；
获得训练好的对抗神经网络模型。
作为一种可选的实施方式，所述预定规则包括线路名称替换规则和/或序号替换规则和/或联系电话替换规则。
与所述图像脱敏的方法相对应的，本发明实施例还提供了一种图像脱敏的装置，包括：
原始图像获取模块，用于获取原始图像；
目标模块，用于将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；
对抗神经网络模块，用于将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；
复原模块，用于将所述标识牌替换图像放回所述原始图像，获得脱敏后的替换图像。
输出模块，用于输出所述替换图像。
作为一种可选的实施方式，所述目标检测模型为YOLO v3或者YOLO v4模型；
所述图像脱敏的装置还包括：
目标训练集获取模块，用于获取目标检测训练集，所述目标检测训练集包括标记好标识牌区域坐标的训练图像；
目标训练模块，用于将所述目标检测训练集内的训练图像输入到初始的YOLO v3或者YOLO v4模型进行迭代运算，直至达到预设的迭代次数；
目标检测模型获得模块，用于获得训练好的YOLO v3或者YOLO v4模型。
作为一种可选的实施方式，所述图像脱敏的装置还包括：
对抗训练集获得模块，用于获取训练集和对抗集，所述训练集包括训练标识牌图像，所述对抗集包括对抗标识牌图像，其中，所述对抗标识牌图像为所述训练标识牌图像按预定规则脱敏后获得的；
对抗神经网络建立模块，用于建立对抗神经网络模型；
对抗神经网络训练模块，用于用所述训练集训练所述对抗神经网络模型；
迭代调整模块，其功能在于，基于所述对抗集调整训练后的对抗神经网络模型的模型参数，并返回执行训练所述对抗神经网络模型的步骤，直至所述对抗神经网络模型收敛或者达到预设的迭代次数；
对抗神经网络获得模块，用于获得训练好的对抗神经网络模型。
作为一种可选的实施方式，所述预定规则包括线路名称替换规则和/或序号替换规则和/或联系电话替换规则。
与上述脱敏方法相对应的，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的方法。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例，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为本说明书一个或多个实施例的图像脱敏的方法的示意图；
图2为本说明书一个或多个实施例的图像脱敏的装置的示意图；
图3为本说明书一个或多个实施例的电子设备的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并依照图1-3，对本公开进一步详细说明。
为了实现上述发明目的，本发明实施例提供了一种图像脱敏的方法，包括：
获取原始图像；
将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；
将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；
将所述替换标识牌图像放回所述原始图像，获得含有替换信息的替换图像。
本发明实施例中，针对原始图像，能够通过目标检测算法获得原始标识牌图像，并利用对抗神经网络模型处理原始标识牌图像，获得脱敏后的替换标识牌图像，再将脱敏后的替换标识牌图像放回原始图像中，从而获得替换图像，实现了图像脱敏目的。不同于其他图像脱敏的方法的是，本发明实施例通过生成对抗神经网络模型直接处理原始标识牌图像，无需进行图像矫正，能够在原始标识牌图像上直接生成替换信息，简化了图像识别的步骤，有效的提高了图像脱敏的效率；并且由于本方法中原始图像按预定规则进行脱敏，所以脱敏得到的替换图像具有可二次识别的特点。
参考图1，本发明实施例提供了一种图像脱敏的方法，包括：
S1、获取原始图像。
可选的，所述原始图像可以通过机器或者人工拍摄，或者由客户直接提供。
S2、将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像。
作为一种可选的实施方式，所述目标检测模型为YOLO v3或者YOLO v4模型；
所述目标检测模型的训练方法为：
获取目标检测训练集，所述目标检测训练集包括标记好标识牌区域坐标的训练图像；
将所述目标检测训练集内的训练图像输入初始的YOLO v3或者YOLO v4模型进行迭代运算，直至达到预设的迭代次数；
获得训练好的YOLO v3或者YOLO v4模型。
以YOLO v4为例，其主要包括如下几个部分：
输入一张图片，经过主干特征提取网络的CSPDarknet53会提取到3个初始特征层用于目标检测，三个初始特征层位于CSPDarknet53的不同位置，它们的shape分别为(608,608,32)、(304,304,64)、(152,152,128)，这三个特征层分别用来检测小、中等大小以及较大的目标；
由CSPDarknet53提取得到3个初始特征层之后经过一定的处理，会得到3个有效的特征层，shape分别为(76,76,256)、(38,38,512)、(19,19,1024)；YOLOv4将SPP结构参杂在对CSPdarknet53的最后一个特征层的卷积中，在对CSPdarknet53的最后一个特征层进行三次DarknetConv2D_BN_Leaky卷积后，分别利用四个不同尺度的最大池化进行处理，最大池化的池化核大小分别为13x13、9x9、5x5、1x1(1x1为无处理)，这样可以极大地增加感受野以分离出最显著的上下文特征；同时，YOLOv4模型通过对三个有效特征层使用PANet结构，实现对特征层从上到下特征的反复提取；
YOLOv4模型经过对目标对象的特征提取后，利用YOLOv3 Head对获取的特征进行预测，得到三个有效特征层的预测结果，相应的shape数据也随之得出，并可明确3个预测框的位置；但这个预测结果并不对应着最终的预测框在原图片上的位置，还需要对每个特征层进行解码。解码后可获取预测框在原图片上的位置，这些预测框再经过相关算法筛选方可绘制在原图片上；
以上过程可完成YOLOv4目标检测的最终呈现效果。
应当说明的是，迭代运算的次数应当以目标检测模型能够准确标记标识牌区域为准。
S3、将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像。
作为一种可选的实施方式，所述对抗神经网络模型的训练方法包括：
获取训练集与对抗集，所述训练集包括训练标识牌图像，所述对抗集包括对抗标识牌图像，其中，所述对抗标识牌图像为所述训练标识牌图像按预定规则脱敏后获得的；
建立对抗神经网络模型；
用所述训练集训练所述对抗神经网络模型；
基于所述对抗集调整训练后的对抗神经网络模型的模型参数，并返回执行训练所述对抗神经网络模型的步骤，直至所述对抗神经网络模型收敛或者达到预设的迭代次数；
获得训练好的对抗神经网络模型。
可选的，所述对抗神经网络模型包括生成模型和判别模型。训练时，生成模型接收训练标识牌图像并识别其中的敏感信息，接着按照预定规则通过像素替换将训练标识牌图像中的敏感信息替换为替换信息，生成脱敏样本图片并传给判别模型对其真实感进行判断，将判断结果与对抗标识牌图像进行比较，并同时产生两个损失函数，其中一个损失函数反馈给生成模型激励其生成更加逼真的脱敏样本图片，另一个损失函数激励判别模型提升其判别的准确度。上述过程迭代一定次数后，生成模型即可满足逼真度要求，所述对抗神经网络即可用于生成替换标识牌图像。
实际应用中，将原始标识牌图像输入到训练好的生成模型中，生成模型识别标识牌图像上的敏感信息，接着按照预定规则通过像素替换将标识牌图像中的敏感信息替换为替换信息，生成替换标识牌图像。
作为一种可选的实施方式，所述预定规则包括线路名称替换规则和/或序号替换规则和/或联系电话替换规则。
应当说明的是，所述敏感信息和替换信息的替换规则是将敏感信息和替换信息之间对应起来，使得利用本图像脱敏的方法脱敏后的图像还可以根据所述预定规则恢复到包含所述敏感信息的原始图像的状态。换句话说，由于所述预定规则使得敏感信息和替换信息之间具有对应关系，所以利用本方法脱敏后的替换图像具备了二次识别的能力。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
基于上面所述图像脱敏方法的任意一个实施例，本发明还提供了一种图像脱敏的装置，如图2所示，包括：
原始图像获取模块10，用于获取原始图像；
目标检测模块20，用于将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；
对抗神经网络模块30，用于将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；
复原模块40，用于将所述替换标识牌图像放回所述原始图像，获得含有替换信息的替换图像。
输出模块50，用于输出所述替换图像。
本发明实施例中，针对原始图像，能够通过目标检测算法获得原始标识牌图像，并利用对抗神经网络算法处理标识牌图像，获得脱敏后的标识牌图像，再将脱敏后的替换标识牌图像放回原始图像中，从而获得替换图像实现了图像脱敏。不同于其他图像脱敏的方法的是，本发明实施例通过生成对抗神经网络算法，无需进行图像矫正，能够在原始标识牌图像上直接生成替换信息，简化了图像识别的步骤，有效的提高了图像脱敏的效率。
作为一种可选的实施方式，所述目标检测模型为YOLO v3或者YOLO v4模型；
所述图像脱敏的装置还包括：
目标训练集获取模块，用于获取训练集，所述训练集包括标记好标识牌区域坐标的训练图像；
目标训练模块，用于将所述训练集内的训练图像输入初始的YOLO v3或者YOLO v4模型进行迭代运算，直至达到预设的迭代次数；
目标检测模型获得模块，用于获得训练好的YOLO v3或者YOLO v4模型。
应当说明的是，迭代运算的次数应当以目标检测模型能够准确标记标识牌区域为准。
具体的，YOLO v3或者YOLO v4模型的算法包括以下步骤：
将输入的原始图像分为S*S个单元格；
每个所述单元格预算B个边界框以及每个边界框的置信度；
选取S*S*B个边界框中置信度最高的边界框所框定的图像作为原始标识牌图像。
作为一种可选的实施方式，所述图像脱敏的装置还包括：
对抗训练集获得模块，用于获取训练集和对抗集，所述训练集包括训练标识牌图像，所述对抗集包括对抗标识牌图像，其中，所述对抗标识牌图像为所述训练标识牌图像按预定规则脱敏后获得的；
对抗神经网络建立模块，用于建立对抗神经网络模型；
对抗神经网络训练模块，用于用所述训练集训练所述对抗神经网络模型；
迭代调整模块，其功能在于，基于所述对抗集调整训练后的对抗神经网络模型的模型参数，并返回执行所述对抗神经网络模型的步骤，直至所述对抗神经网络模型收敛或者达到预设的迭代次数；
对抗神经网络获得模块，用于获得训练好的对抗神经网络模型。
作为一种可选的实施方式，所述预定规则为所述敏感信息和替换信息的替换规则，包括线路名称替换规则、序号替换规则、联系电话替换规则。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
基于上面所述图像脱敏的方法的任意一个实施例，本发明还提供了一种更为具体的电子设备硬件结构示意图，如图3所示，该电子设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种图像脱敏的方法，其特征在于，包括：
获取原始图像；
将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；
将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；
将所述替换标识牌图像放回所述原始图像，获得脱敏后的替换图像。
2.根据权利要求1所述的图像脱敏的方法，其特征在于，所述目标检测模型为YOLO v3或者YOLO v4模型；
所述目标检测模型的训练方法为：
获取目标检测训练集，所述目标检测训练集包括标记好标识牌区域坐标的训练图像；
将所述目标检测训练集内的训练图像输入初始的YOLO v3或者YOLO v4模型进行迭代运算，直至达到预设的迭代次数；
获得训练好的YOLO v3或者YOLO v4模型。
3.根据权利要求1所述的图像脱敏的方法，其特征在于，所述对抗神经网络模型的训练方法包括：
获取训练集与对抗集，所述训练集包括训练标识牌图像，所述对抗集包括对抗标识牌图像，其中，所述对抗标识牌图像为所述训练标识牌图像按预定规则脱敏后获得的；
建立对抗神经网络模型；
用所述训练集训练所述对抗神经网络模型；
基于所述对抗集调整训练后的对抗神经网络模型的模型参数，并返回执行训练所述对抗神经网络模型的步骤，直至所述对抗神经网络模型收敛或者达到预设的迭代次数；
获得训练好的对抗神经网络模型。
4.根据权利要求3所述的图像脱敏的方法，其特征在于，所述预定规则包括线路名称替换规则和/或序号替换规则和/或联系电话替换规则。
5.一种图像脱敏的装置，其特征在于，包括
原始图像获取模块，用于获取原始图像；
目标检测模块，用于将所述原始图像输入到预先训练好的目标检测模型中，获得原始标识牌图像；
对抗神经网络模块，用于将所述原始标识牌图像输入预训练好的对抗神经网络模型中，以替换所述原始标识牌图像中的敏感信息，获得敏感信息脱敏后的替换标识牌图像；
复原模块，用于将所述替换标识牌图像放回所述原始图像，获得脱敏后的替换图像。
输出模块，用于输出所述替换图像。
6.根据权利要求5所述的图像脱敏的装置，其特征在于，所述目标检测模型为YOLO v3或者YOLO v4模型；
所述图像脱敏的装置还包括：
目标训练集获取模块，用于获取目标检测训练集，所述目标检测训练集包括标记好标识牌区域坐标的训练图像；
目标训练模块，用于将所述目标检测训练集内的训练图像输入到初始的YOLO v3或者YOLO v4模型进行迭代运算，直至达到预设的迭代次数；
目标检测模型获得模块，用于获得训练好的YOLO v3或者YOLO v4模型。
7.根据权利要求5所述的图像脱敏的装置，其特征在于，所述图像脱敏的装置还包括：
对抗训练集获得模块，用于获取训练集和对抗集，所述训练集包括训练标识牌图像，所述对抗集包括对抗标识牌图像，其中，所述对抗标识牌图像为所述训练标识牌图像按预定规则脱敏后获得的；
神经网络建立模块，用于建立对抗神经网络模型；
对抗神经网络训练模块，用于用所述训练集训练所述对抗神经网络模型；
迭代调整模块，其功能在于，基于所述对抗集调整训练后的对抗神经网络模型的模型参数，并返回执行训练所述对抗神经网络模型的步骤，直至所述对抗神经网络模型收敛或者达到预设的迭代次数；对抗神经网络获得模块，用于获得训练好的对抗神经网络模型。
8.据权利要求5所述的图像脱敏的装置，其特征在于，所述预定规则包括线路名称替换规则和/或序号替换规则和/或联系电话替换规则。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任意一项所述的方法。
CN202011360701.8A 2020-11-27 2020-11-27 一种图像脱敏的方法、装置及电子设备 Pending CN112528318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011360701.8A CN112528318A (zh) 2020-11-27 2020-11-27 一种图像脱敏的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360701.8A CN112528318A (zh) 2020-11-27 2020-11-27 一种图像脱敏的方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112528318A true CN112528318A (zh) 2021-03-19

Family

ID=74994455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360701.8A Pending CN112528318A (zh) 2020-11-27 2020-11-27 一种图像脱敏的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112528318A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420322A (zh) * 2021-05-24 2021-09-21 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质
CN113705410A (zh) * 2021-08-20 2021-11-26 陈成 一种人脸图像脱敏处理、验证方法及系统
CN114567797A (zh) * 2021-03-23 2022-05-31 长城汽车股份有限公司 一种图像处理方法、装置及车辆
CN117455751A (zh) * 2023-12-22 2024-01-26 新华三网络信息安全软件有限公司 路段图像的处理系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284684A (zh) * 2018-08-21 2019-01-29 Oppo广东移动通信有限公司 一种信息处理方法、装置以及计算机存储介质
CN109376580A (zh) * 2018-08-30 2019-02-22 杭州电子科技大学 一种基于深度学习的电力塔架部件识别方法
CN110135193A (zh) * 2019-05-15 2019-08-16 广东工业大学 一种数据脱敏方法、装置、设备及计算机可读存储介质
CN111563275A (zh) * 2020-07-14 2020-08-21 中国人民解放军国防科技大学 一种基于生成对抗网络的数据脱敏方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284684A (zh) * 2018-08-21 2019-01-29 Oppo广东移动通信有限公司 一种信息处理方法、装置以及计算机存储介质
CN109376580A (zh) * 2018-08-30 2019-02-22 杭州电子科技大学 一种基于深度学习的电力塔架部件识别方法
CN110135193A (zh) * 2019-05-15 2019-08-16 广东工业大学 一种数据脱敏方法、装置、设备及计算机可读存储介质
CN111563275A (zh) * 2020-07-14 2020-08-21 中国人民解放军国防科技大学 一种基于生成对抗网络的数据脱敏方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张煜，吕锡香，邹宇聪，李一戈: "基于生成对抗网络的文本序列数据集脱敏", 网络与信息安全学报, pages 109 - 119 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114567797A (zh) * 2021-03-23 2022-05-31 长城汽车股份有限公司 一种图像处理方法、装置及车辆
CN113420322A (zh) * 2021-05-24 2021-09-21 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质
CN113420322B (zh) * 2021-05-24 2023-09-01 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质
CN113705410A (zh) * 2021-08-20 2021-11-26 陈成 一种人脸图像脱敏处理、验证方法及系统
CN117455751A (zh) * 2023-12-22 2024-01-26 新华三网络信息安全软件有限公司 路段图像的处理系统及方法
CN117455751B (zh) * 2023-12-22 2024-03-26 新华三网络信息安全软件有限公司 路段图像的处理系统及方法

Similar Documents

Publication Publication Date Title
CN111950638B (zh) 基于模型蒸馏的图像分类方法、装置和电子设备
CN112528318A (zh) 一种图像脱敏的方法、装置及电子设备
CN110363091B (zh) 侧脸情况下的人脸识别方法、装置、设备及存储介质
CN110659582A (zh) 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN110648397B (zh) 场景地图生成方法、装置、存储介质及电子设备
CN109448007B (zh) 图像处理方法、图像处理装置及存储介质
CN111597884A (zh) 面部动作单元识别方法、装置、电子设备及存储介质
CN111274999B (zh) 数据处理、图像处理方法、装置及电子设备
CN109711508B (zh) 图像处理方法和装置
CN110363084A (zh) 一种上课状态检测方法、装置、存储介质及电子
CN111414915B (zh) 一种文字识别方法以及相关设备
CN110245621B (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN112561879B (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN111126254A (zh) 图像识别方法、装置、设备及存储介质
CN112949437A (zh) 一种手势识别方法、手势识别装置及智能设备
CN112597918A (zh) 文本检测方法及装置、电子设备、存储介质
CN112381092A (zh) 跟踪方法、装置及计算机可读存储介质
CN112767354A (zh) 基于图像分割的缺陷检测方法、装置、设备及存储介质
CN114511041A (zh) 模型训练方法、图像处理方法、装置、设备和存储介质
CN113781164B (zh) 虚拟试衣模型训练方法、虚拟试衣方法和相关装置
CN112001285B (zh) 一种美颜图像的处理方法、装置、终端和介质
CN112270384B (zh) 一种回环检测方法、装置及电子设备和存储介质
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
US20230005171A1 (en) Visual positioning method, related apparatus and computer program product
CN112084874B (zh) 一种物体检测方法、装置及终端设备

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