CN113284032A - 一种图片隐私处理方法及系统 - Google Patents
一种图片隐私处理方法及系统 Download PDFInfo
- Publication number
- CN113284032A CN113284032A CN202110471040.4A CN202110471040A CN113284032A CN 113284032 A CN113284032 A CN 113284032A CN 202110471040 A CN202110471040 A CN 202110471040A CN 113284032 A CN113284032 A CN 113284032A
- Authority
- CN
- China
- Prior art keywords
- detection model
- license plate
- face
- coordinates
- detected
- 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 claims description 20
- 238000001514 detection method Methods 0.000 claims abstract description 145
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图片隐私处理方法及系统,该方法包括:获取拍摄得到的视频数据,将视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,第一对象检测模型检测的第一对象包括人和车辆;记录检测到的第一对象的类别;将图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧;根据人脸或车牌的坐标对图像帧中的人脸和车牌区域进行隐私处理;先检测图像帧是否有较大外形的车辆和人,再对包含车辆和人图像帧进行人脸和车牌等隐私部位的精确计算定位,再进行隐私处理,能够快速、准确的检测出图片中的人脸和车牌,并加以处理。
Description
技术领域
本发明涉及图片处理技术领域,尤其涉及一种图片隐私处理方法及系统。
背景技术
数据被称为深度学习算法的粮食,想要训练出好的AI模型,庞大的数据集是必不可少的重要因素。2009年,斯坦福大学教授李飞飞团队发布了第一个图像领域的数据集——imagenet,并以此数据集为训练数据每年举办视觉识别挑战赛,各届比赛的冠军算法大多成为了计算机视觉发展中的里程碑,由此看见数据集对于人工智能算法的重要意义。
随着手机、数码相机、行车记录仪等移动终端的普及,图像、视频等数据的获取变得异常容易,而生活中采集的影像数据要变成数据集首先就要做隐私处理,也就是用马赛克涂抹掉图片中的车牌、人脸等隐私信息。
采用人工涂抹的方式需要耗费巨大的人力资源,而且耗时很长。
发明内容
本发明针对现有技术中存在的技术问题,提供一种图片隐私处理方法及系统,利用图像算法代替人完成绝大部分工作,能够快速、准确的检测出图片中的人脸和车牌,并加以处理;包括两级目标检测过程,先检测图像帧是否有较大外形的车辆和人,再对包含车辆和人图像帧进行人脸和车牌等隐私部位的精确计算定位,再进行隐私处理,提高图像检测的处理速度和准确度。
根据本发明的第一方面,提供了一种图片隐私处理方法,包括:步骤1,获取拍摄得到的视频数据,将所述视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,所述第一对象检测模型检测的第一对象包括人和车辆;
步骤2,记录检测到的所述第一对象的类别;
步骤3,将所述图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,所述人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧;
步骤4,根据人脸或车牌的坐标对所述图像帧中的人脸和车牌区域进行隐私处理。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述步骤2还包括:记录检测到的所述第一对象的坐标,根据坐标将所述第一对象从所述图像帧中剪裁下来生成子图像;
所述步骤3中将所述子图像根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中。
可选的,所述第一对象检测模型基于深度学习训练得到,其目标检测的基础算法为Faster-RCNN。
可选的,所述人脸检测模型和车牌检测模型基于深度学习训练得到,其目标检测算法为yolo算法。
可选的,所述步骤4中进行隐私处理的方法包括涂抹或马赛克。
可选的,所述步骤4之后还包括:对进行隐私处理后的图片进行保存,对保存的图片和所述图像帧进行人工复核。
可选的,所述方法还包括:人工复核结果的错误率超过设定阈值时进行所述第一对象检测模型人脸检测模型和/或车牌检测模型的调整。
根据本发明的第二方面,提供一种图片隐私处理系统,包括:第一对象检测模型、第一对象记录模块、第二对象检测模型和隐私处理模块;
第一对象检测模型,用于获取拍摄得到的视频数据,将所述视频数据以图像帧的形式依次发送到训练好的所述第一对象检测模型中,所述第一对象检测模型检测的第一对象包括人和车辆;
第一对象记录模块,用于记录检测到的所述第一对象的类别;
第二对象检测模型,用于将所述图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,所述人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧;
隐私处理模块,用于根据人脸或车牌的坐标对所述图像帧中的人脸和车牌区域进行隐私处理。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现图片隐私处理方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现图片隐私处理方法的步骤。
本发明提供的一种图片隐私处理方法、系统、电子设备及存储介质,第一级对车辆和人进行检测后,根据其坐标对图像进行剪裁后再进行第二级检测,可以进一步提高第二级人脸检测模型和车牌检测模型的检测速度和精度;第一对象检测模型的基础算法是Faster-RCNN,并对该算法做了一系列改进,使之对人和车辆有更高的适用性,第二级检测模型采用对小物体的检测有更好的效果的yolo算法,进一步保证检测精度;以算法自动处理为主,同时通过人工校验保证准确率,可以极大地节省隐私处理中人力和时间成本,还可以根据人工校验结果进行图像模型的适应性调整。
附图说明
图1为本发明提供的一种图片隐私处理方法的实施例的流程图;
图2为本发明实施例提供的一种图片隐私处理系统结构图;
图3为本发明实施例提供的电子设备的实施例示意图;
图4为本发明提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示为本发明提供的一种图片隐私处理方法的实施例的流程图,结合图1可知,该图片隐私处理方法包括:
步骤1,获取拍摄得到的视频数据,将视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,第一对象检测模型检测的第一对象包括人和车辆。
步骤2,记录检测到的第一对象的类别。
步骤3,将图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧。
步骤4,根据人脸或车牌的坐标对图像帧中的人脸和车牌区域进行隐私处理。
本发明提供的一种图片隐私处理方法,利用图像算法则可以代替人完成绝大部分工作,能够快速、准确的检测出图片中的人脸和车牌,并加以处理;包括两级目标检测过程,先检测图像帧是否有较大外形的车辆和人,再对包含车辆和人图像帧进行人脸和车牌等隐私部位的精确计算定位,再进行隐私处理,提高图像检测的处理速度和准确度。
实施例1
本发明提供的实施例1为本发明提供的一种一种图片隐私处理方法的实施例,在准备阶段就分别训练得到人、车、人脸和车牌检测模型,实际检测过程中,启动摄像头,以30帧每秒的速度拍摄图片,同时图像处理模块进入准备状态,拍摄到第一张图片后立即传送给图像处理模块,隐私处理开始。结合图1,该实施例包括:
步骤1,获取拍摄得到的视频数据,将视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,第一对象检测模型检测的第一对象包括人和车辆。
优选的,该第一对象检测模型基于深度学习训练得到,其目标检测的基础算法为Faster-RCNN。
步骤2,记录检测到的第一对象的类别和坐标,根据坐标将第一对象从图像帧中剪裁下来生成子图像;具体实施中,还记录检测到的第一对象的ID。
步骤3,将子图像根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧。
第一级对车辆和人进行检测后,根据其坐标对图像进行剪裁后再进行第二级检测,可以进一步提高第二级人脸检测模型和车牌检测模型的检测速度和精度。
优选的,该人脸检测模型和车牌检测模型基于深度学习训练得到,其目标检测算法为yolo算法。
第一对象检测模型的基础算法是Faster-RCNN,并对该算法做了一系列改进,使之对人和车辆有更高的适用性,第二级检测模型采用对小物体的检测有更好的效果的yolo算法,进一步保证检测精度。
步骤4,根据人脸或车牌的坐标对图像帧中的人脸和车牌区域进行隐私处理。
具体的,进行隐私处理的方法包括涂抹或马赛克等。
步骤1-步骤4中每一帧图片的检测在30ms内完成,完成后各个检测模型随即进入准备状态,等待下一帧图片的输入。
步骤4之后还包括:对进行隐私处理后的图片进行保存,对保存的图片和图像帧进行人工复核,人工复核结果的错误率超过设定阈值时进行第一对象检测模型人脸检测模型和/或车牌检测模型的调整。
以算法自动处理为主,同时通过人工校验保证准确率,可以极大地节省隐私处理中人力和时间成本。具体实施中,可以根据人工复核的实际情况判断检测模型是否有较大误差,例如对车牌进行隐私处理出现较多漏检或误处理时,可以对车牌检测模型进行算法调整或重新训练。
实施例2
图2为本发明实施例提供的一种图片隐私处理系统结构图,如图2所示,一种图片隐私处理系统,包括:第一对象检测模型、第一对象记录模块、第二对象检测模型和隐私处理模块。
第一对象检测模型,用于获取拍摄得到的视频数据,将视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,第一对象检测模型检测的第一对象包括人和车辆。
第一对象记录模块,用于记录检测到的第一对象的类别。
第二对象检测模型,用于将图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧。
隐私处理模块,用于根据人脸或车牌的坐标对图像帧中的人脸和车牌区域进行隐私处理。
可以理解的是,本发明提供的一种图片隐私处理系统与前述各实施例提供的图片隐私处理方法相对应,图片隐私处理系统的相关技术特征可参考图片隐私处理方法的相关技术特征,在此不再赘述。
请参阅图3,图3为本发明实施例提供的电子设备的实施例示意图。如图3所示,本发明实施例提了一种电子设备,包括存储器1310、处理器1320 及存储在存储器1320上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:
步骤1,获取拍摄得到的视频数据,将视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,第一对象检测模型检测的第一对象包括人和车辆。
步骤2,记录检测到的第一对象的类别。
步骤3,将图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧。
步骤4,根据人脸或车牌的坐标对图像帧中的人脸和车牌区域进行隐私处理。
请参阅图4,图4为本发明提供的一种计算机可读存储介质的实施例示意图。如图4所示,本实施例提供了一种计算机可读存储介质1400,其上存储有计算机程序1411,该计算机程序1411被处理器执行时实现如下步骤:
步骤1,获取拍摄得到的视频数据,将视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,第一对象检测模型检测的第一对象包括人和车辆。
步骤2,记录检测到的第一对象的类别。
步骤3,将图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧。
步骤4,根据人脸或车牌的坐标对图像帧中的人脸和车牌区域进行隐私处理。
本发明实施例提供的一种图片隐私处理方法、系统及存储介质,包括两级目标检测过程,先检测图像帧是否有较大外形的车辆和人,再对包含车辆和人图像帧进行人脸和车牌等隐私部位的精确计算定位,第一级对车辆和人进行检测后,根据其坐标对图像进行剪裁后再进行第二级检测,可以进一步提高第二级人脸检测模型和车牌检测模型的检测速度和精度;第一对象检测模型的基础算法是Faster-RCNN,并对该算法做了一系列改进,使之对人和车辆有更高的适用性,第二级检测模型采用对小物体的检测有更好的效果的yolo算法,进一步保证检测精度;以算法自动处理为主,同时通过人工校验保证准确率,可以极大地节省隐私处理中人力和时间成本,还可以根据人工校验结果进行图像模型的适应性调整;能够快速、准确的检测出图片中的人脸和车牌,并加以处理。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
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发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种图片隐私处理方法,其特征在于,所述方法包括:
步骤1,获取拍摄得到的视频数据,将所述视频数据以图像帧的形式依次发送到训练好的第一对象检测模型中,所述第一对象检测模型检测的第一对象包括人和车辆;
步骤2,记录检测到的所述第一对象的类别;
步骤3,将所述图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,所述人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧;
步骤4,根据人脸或车牌的坐标对所述图像帧中的人脸和车牌区域进行隐私处理。
2.根据权利要求1所述的方法,其特征在于,所述步骤2还包括:记录检测到的所述第一对象的坐标,根据坐标将所述第一对象从所述图像帧中剪裁下来生成子图像;
所述步骤3中将所述子图像根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中。
3.根据权利要求1所述的方法,其特征在于,所述第一对象检测模型基于深度学习训练得到,其目标检测的基础算法为Faster-RCNN。
4.根据权利要求1所述的方法,其特征在于,所述人脸检测模型和车牌检测模型基于深度学习训练得到,其目标检测算法为yolo算法。
5.根据权利要求1所述的方法,其特征在于,所述步骤4中进行隐私处理的方法包括涂抹或马赛克。
6.根据权利要求1所述的方法,其特征在于,所述步骤4之后还包括:对进行隐私处理后的图片进行保存,对保存的图片和所述图像帧进行人工复核。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:人工复核结果的错误率超过设定阈值时进行所述第一对象检测模型人脸检测模型和/或车牌检测模型的调整。
8.一种图片隐私处理系统,其特征在于,所述系统包括:第一对象检测模型、第一对象记录模块、第二对象检测模型和隐私处理模块;
第一对象检测模型,用于获取拍摄得到的视频数据,将所述视频数据以图像帧的形式依次发送到训练好的所述第一对象检测模型中,所述第一对象检测模型检测的第一对象包括人和车辆;
第一对象记录模块,用于记录检测到的所述第一对象的类别;
第二对象检测模型,用于将所述图像帧根据其类别分别传送到训练好的人脸检测模型或车牌检测模型中,所述人脸检测模型或车牌检测模型返回检测到的人脸或车牌的坐标并将该坐标映射到其来源图像帧;
隐私处理模块,用于根据人脸或车牌的坐标对所述图像帧中的人脸和车牌区域进行隐私处理。
9.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的图片隐私处理方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的图片隐私处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471040.4A CN113284032A (zh) | 2021-04-28 | 2021-04-28 | 一种图片隐私处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471040.4A CN113284032A (zh) | 2021-04-28 | 2021-04-28 | 一种图片隐私处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284032A true CN113284032A (zh) | 2021-08-20 |
Family
ID=77277730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110471040.4A Pending CN113284032A (zh) | 2021-04-28 | 2021-04-28 | 一种图片隐私处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284032A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511899A (zh) * | 2021-12-30 | 2022-05-17 | 武汉光庭信息技术股份有限公司 | 一种街景视频模糊处理方法、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831419A (zh) * | 2012-07-27 | 2012-12-19 | 中国科学院自动化研究所 | 一种快速的街景图像中车牌的检测模糊方法 |
US20150145992A1 (en) * | 2013-11-22 | 2015-05-28 | Axis Ab | Gradient privacy masks |
CN106228136A (zh) * | 2016-07-26 | 2016-12-14 | 厦门大学 | 基于聚合通道特征的全景街景隐私保护方法 |
-
2021
- 2021-04-28 CN CN202110471040.4A patent/CN113284032A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831419A (zh) * | 2012-07-27 | 2012-12-19 | 中国科学院自动化研究所 | 一种快速的街景图像中车牌的检测模糊方法 |
US20150145992A1 (en) * | 2013-11-22 | 2015-05-28 | Axis Ab | Gradient privacy masks |
CN106228136A (zh) * | 2016-07-26 | 2016-12-14 | 厦门大学 | 基于聚合通道特征的全景街景隐私保护方法 |
Non-Patent Citations (2)
Title |
---|
刘立 等: "在线街景服务车牌模糊化方法", 《测绘科学》 * |
张志文 等: "AdaBoost算法在街景图像数据隐私保护中的应用", 《测绘与空间地理信息》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511899A (zh) * | 2021-12-30 | 2022-05-17 | 武汉光庭信息技术股份有限公司 | 一种街景视频模糊处理方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985343B (zh) | 基于深度神经网络的汽车损伤检测方法和系统 | |
CN110650292B (zh) | 辅助用户拍摄车辆视频的方法及装置 | |
CN110659397B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
EP4116462A3 (en) | Method and apparatus of processing image, electronic device, storage medium and program product | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN109558901B (zh) | 一种语义分割训练方法及装置、电子设备、存储介质 | |
CN105812746A (zh) | 一种目标检测方法及系统 | |
WO2018102880A1 (en) | Systems and methods for replacing faces in videos | |
CN111928842B (zh) | 一种基于单目视觉实现slam定位的方法及相关装置 | |
CN110686676A (zh) | 机器人重定位方法、装置及机器人 | |
CN109961013A (zh) | 车道线的识别方法、装置、设备及计算机可读存储介质 | |
CN109919832B (zh) | 一种用于无人驾驶的交通图像拼接方法 | |
CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
CN112348890B (zh) | 一种空间定位方法、装置及计算机可读存储介质 | |
CN103810696A (zh) | 一种目标对象图像检测方法及装置 | |
CN113284032A (zh) | 一种图片隐私处理方法及系统 | |
CN110766077A (zh) | 证据链图像中特写图筛选方法、装置和设备 | |
CN110335308B (zh) | 基于视差约束与双向环形检验的双目视觉里程计计算方法 | |
CN116152763A (zh) | 一种基于智能驾驶的图片脱敏及图片数据清洗方法及系统 | |
CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN111524161B (zh) | 提取轨迹的方法和装置 | |
CN113824880A (zh) | 一种基于目标检测和uwb定位的车辆跟踪方法 | |
CN112288748B (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN114140429A (zh) | 一种车端实时停车位检测方法和装置 | |
CN110008940B (zh) | 一种图像中移除目标物体的方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |