CN114782910A - 用于处理图像的方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了用于处理图像的方法、装置、设备以及存储介质，涉及计算机视觉和深度学习领域。具体实现方案为：获取目标图像；利用预先训练的对象检测网络对目标图像进行对象检测，利用标注框对检测出的对象进行标注；响应于接收到针对上述标注框的调整信息，根据调整信息，确定标注出的对象；对标注出的对象进行脱敏处理。本实现方式可以对图像进行脱敏处理，提高图像处理效率。

Description

用于处理图像的方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，尤其涉及用于处理图像的方法、装置、设备以及存储介质。

背景技术

街景图像，作为测绘地理信息的一种有效信息载体，在街景地图、实景导航、无人驾驶中应用广泛。我国测绘法律法规明确规定需要对街景图像中存在的几类信息进行脱敏处理。由于这些信息在实景图像中随机出现，且不同类别信息特点不同，所需要的处理方式也不尽相同，因此如何对不同类型的隐私及涉密信息高效处理一直是测绘地理信息领域的研究热点。

发明内容

本公开提供了一种用于处理图像的方法、装置、设备以及存储介质。

根据第一方面，提供了一种用于处理图像的方法，包括：获取目标图像；利用预先训练的对象检测网络对目标图像进行对象检测，利用标注框对检测出的对象进行标注；响应于接收到针对所述标注框的调整信息，根据所述调整信息，确定标注出的对象；对标注出的对象进行脱敏处理。

在一些实施例中，所述获取目标图像，包括：将采集车在行驶过程中采集的街景图像作为目标图像。

在一些实施例中，所述对所述标注出的对象进行脱敏处理，包括：对所述标注出的对象进行至少一次模糊处理。

在一些实施例中，所述对所述标注出的对象进行至少一次模糊处理，包括：在所述对象的标注框内确定每次模糊处理的范围；在所确定的范围内分别执行至少一次模糊处理。

在一些实施例中，所述在所述对象的标注框内确定每次模糊处理的范围，包括：在所述标注框内确定出每次模糊处理时的目标矩形；在所述目标矩形中确定出最大内接椭圆作为每次模糊处理的范围。

在一些实施例中，所述在所述标注框内确定出每次模糊处理时的目标矩形，包括：确定所述标注框为首次模糊处理的目标矩形；从上次模糊处理的最大内接椭圆中确定出目标矩形。

在一些实施例中，所述在所确定的范围内分别执行至少一次模糊处理，包括：确定每次模糊处理的模糊值；根据所述模糊值在所确定的范围内执行至少一次模糊处理。

在一些实施例中，所述方法还包括：根据所述调整信息，确定调整后的标注框；根据所述目标图像以及调整后的标注框重新训练所述对象检测网络。

根据第二方面，提供了一种用于处理图像的装置，包括：图像获取单元，被配置成获取目标图像；对象检测单元，被配置成利用预先训练的对象检测网络对目标图像进行对象检测，利用标注框对检测出的对象进行标注；对象更新单元，被配置成响应于接收到针对所述标注框的调整信息，根据所述调整信息，确定标注出的对象；脱敏处理单元，被配置成对标注出的对象进行脱敏处理。。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。

根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。

根据本公开的技术可以对图像进行脱敏处理，提高图像处理效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于处理图像的方法的一个实施例的流程图；

图3是根据本公开的用于处理图像的方法的一个应用场景的示意图；

图4是根据本公开的用于处理图像的方法的另一个实施例的流程图；

图5是根据本公开的用于处理图像的方法对人脸进行脱敏处理的模糊处理范围示意图；

图6是根据本公开的用于处理图像的装置的一个实施例的结构示意图；

图7是用来实现本公开实施例的用于处理图像的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于处理图像的方法或用于处理图像的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、图像标注类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103提供对象检测网络的后台服务器。后台服务器可以利用训练样本对初始对象检测网络进行训练，得到训练好的对象检测网络，并将训练好的对象检测网络反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的用于处理图像的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于处理图像的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于处理图像的方法的一个实施例的流程200。本实施例的用于处理图像的方法，包括以下步骤：

步骤201，获取目标图像。

本实施例中，用于处理图像的方法的执行主体(例如图1中所示的终端设备或服务器)可以通过多种方式获取目标图像。这里，目标图像中可以包括各种对象的街景图像，例如可以包括道路、人脸等等。

步骤202，利用预先训练的对象检测网络对目标图像进行对象检测，利用标注框对检测出的对象进行标注。

执行主体在获取到目标图像后，可以利用预先训练的对象检测网络对目标图像进行对象检测。这里，对象检测网络可以是用于检测目标图像中敏感对象。上述敏感对象可以是预先设定的各种类型的对象，例如人脸、车牌号等。执行主体可以利用标注框标注检测出的对象。上述标注框可以是矩形、椭圆形，也可以是各种不规则图形等。在一些具体的应用中，上述敏感对象可以是人脸，上述标注框可以为矩形。在利用标注框对人脸进行标注时，可以采用下述标准进行：上部界限为头发或帽子等装饰物的顶部，下部界限为下巴，左右界限为耳朵(当耳朵不可见时，为面部边缘)。当脸部被其他物体遮挡或截断不超过2/3时才进行标注，标注时要对被遮挡部分进行推断联想，对被截断部分无需联想。如果是侧脸，则以鼻子是否露出为准，有鼻子露出的侧脸才进行标注。在对人脸标注时，只对外包框最小边长大于15像素的人脸进行标注，即，忽略尺寸过小的人脸。

上述对象检测网络可以通过大量样本图像和样本图像对应的标注结果训练得到。上述对象检测网络可以是检测单类对象的网络，也可以是检测多类对象的网络。在对象为人脸时，上述对象检测网络可以是YOLO-v4网络、SSD网络、Faster RCNN网络等等。

步骤203，响应于接收到针对标注框的调整信息，根据调整信息，确定标注出的对象。

本实施例中，执行主体还可以将生成的标注框输出给技术人员。技术人员可以通过终端对上述标注框进行确认或修改。如果对上述标注框进行修改，则会相应地生成调整信息。执行主体在接收到上述调整信息后，可以根据调整信息中标注框的尺寸和位置，确定标注出的对象。

步骤204，对标注出的对象进行脱敏处理。

执行主体可以进一步对标注出的对象进行脱敏处理。这里，脱敏处理可以包括对标注出的对象进行模糊处理，进行马赛克处理等等。在脱敏处理时，执行主体可以对不同类型的对象进行不同类型的脱敏处理。例如，对人脸进行模糊处理，对车牌号进行遮挡处理等等。

继续参见图3，其示出了根据本公开的用于处理图像的方法的一个应用场景的示意图。在图3的应用场景中，采集车301在道路上采集街景图像，并将采集到的街景图像上传至服务器302。服务器302在接收到各街景图像后，利用标注框标注出对象。然后将标注框输出给技术人员，并接收技术人员对标注框的调整信息。最终根据调整信息确定标注出的对象，将这些对象认定为需要进行脱敏处理的对象。然后对街景图像中的敏感对象进行脱敏处理。脱敏处理后的街景图像可以用于构建实景地图。

本公开的上述实施例提供的用于处理图像的方法，可以对图像进行脱敏处理，提高图像处理效率。

继续参见图4，其示出了根据本公开的用于处理图像的方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：

步骤401，将采集车在行驶过程中采集的街景图像作为目标图像。

本实施例中，执行主体可以将将采集车在行驶过程中采集的街景图像作为目标图像。

步骤402，利用预先训练的对象检测网络对目标图像进行对象检测，利用标注框对检测出的对象进行标注。

步骤403，对标注出的对象进行至少一次模糊处理。

模糊处理的主要目的是将图像包围盒内包含的隐私像素块进行模糊化，使其无法再被清晰辨识，从而达到保护个人隐私的目的。模糊处理后的图像需满足两个特点，一是无法再通过图像辨识出其中包含的人，二是处理后的敏感信息图像块与周边背景图像过渡自然，视觉效果不突兀。本实施例中，执行主体可以对标注出的对象进行至少一次模糊处理。在模糊处理时，可以利用高斯模糊等方式。具体的，执行主体可以对标注出的对象进行首次模糊处理后，判断标注出的对象被识别出来的程度。如果被标注出的对象仍能被识别出来，则再进行一次模糊处理，直到被标注出的对象不能被识别出来。在识别时，可以利用对象识别算法进行识别。

考虑到高斯模糊是一种通用的图像低通滤波器，它用正态分布计算图像中每个像素的变换系数，如下式所示。其中(u,v)为图像的行列像素坐标，σ是正态分布的标准偏差。

与传统的图像去噪及平滑需求不同，本实施例需要对敏感信息图像块进行深度模糊以使模糊后的图像细节完全无法辨识，因此直接将传统高斯滤波器作用于敏感信息块并不能得到理想效果。具体的，本实施例可以通过如下实现方式中的步骤4031和4032实现模糊处理：

步骤4031，在对象的标注框内确定每次模糊处理的范围。

在进行模糊处理时，执行主体可以首先在对象的标注框内确定每次模糊处理的范围。具体的，执行主体可以逐渐缩小每次模糊处理的范围，相邻两次模糊处理的范围之间的比例可以固定。例如，每次模糊处理的范围均为同心矩形框。且相邻两个矩形框的比例为1.1。具体的，可以采用侠士来确定每次模糊处理的作用范围，即随着卷积次数的增加卷积作用中心点不变，但作用半径逐级减小。式中s_i为第i次卷积操作对应的卷积作用半径缩放系数，n为高斯卷积的作用总次数，l为敏感信息外包围盒的短边尺寸，l_min为卷积作用的最小外包围盒短边阈值。由下式可知，当i＝1时，卷积作用范围为整个敏感区域，当i＝n时，卷积作用范围为短边长度等于l_min的矩形区域。由于敏感信息边界区域只进行了单次高斯卷积，因此可以保证卷积结果与背景的平滑过渡。

步骤4032，在所确定的范围内分别执行至少一次模糊处理。

执行主体可以在确定的每个范围内对对象执行至少一次模糊处理。在进行模糊处理时，执行主体还可以确定该次模糊处理的模糊程度。

在本实施例的一些可选的实现方式中，上述步骤4031具体可以通过图4中未示出的以下步骤来实现：在标注框内确定出每次模糊处理时的目标矩形；在目标矩形中确定出最大内接椭圆作为每次模糊处理的范围。

本实现方式中，执行主体可以在每个对象的标注框内确定出每次模糊处理时的目标矩形。上述目标矩形可以与标注框同心，且每次模糊出晒出的目标矩形小于上次模糊处理的目标矩形。也就是说，首次模糊处理时的目标矩形是最大的。然后，执行主体可以在目标矩形中确定出最大内接椭圆作为每次模糊处理的范围。在标注出的对象为人脸时，这样可以保留脸部周边更多的背景信息，进一步提升了模糊效果。

在本实施例的一些可选的实现方式中，执行主体可以确定标注框为首次模糊处理的目标矩形；从上次模糊处理的最大内接椭圆中确定出目标矩形。

本实现方式中，执行主体可以将对象的标注框为首次模糊处理的目标矩形。然后将上述标注框的最大内接椭圆作为首次模糊处理的范围。然后，对于第二次模糊处理，执行主体可以从上述最大内接椭圆进一步确定出目标矩形。然后将上述目标矩形中的最大内接椭圆作为第二次模糊处理的范围。在一些具体的应用中，最后一次模糊处理的范围小于预设阈值。

以脱敏对象为人脸来举例说明，人脸在图像中大都呈现出近似椭圆形状。为了保留脸部周边更多的背景信息，在进行卷积操作时，本发明首先计算矩形包围盒的最大内接椭圆，并根据内接椭圆对图像进行掩码，如图5所示，以使卷积操作只作用于椭圆掩码内部区域，进一步提升了模糊效果。在图5中首次脱敏处理时的范围为最外侧的椭圆框。第二次脱敏处理时的范围为最大椭圆框内的矩形框，第三次脱敏处理时的范围为上述矩形框内的椭圆框。依次类推，直到脱敏次数达到预设阈值，或者所确定的范围达到预设阈值。此时，则结束脱敏处理过程。

在本实施例的一些可选的实现方式中，上述步骤4032具体可以通过图4中未示出的以下步骤来实现：确定每次模糊处理的模糊值；根据模糊值在所确定的范围内执行至少一次模糊处理。

本实现方式中，执行主体可以首先确定每次模糊处理的模糊值。具体的，执行主体可以根据高斯模糊的公式确定每次模糊处理的模糊值。然后，执行主体可以根据上述模糊值在与该次模糊处理的范围内进行模糊处理。

在本实施例的一些可选的实现方式中，上述方法还可以包括以下步骤：根据调整信息，确定调整后的标注框；根据目标图像以及调整后的标注框重新训练对象检测网络。

本实现方式中，执行主体可以将各对象的标注框输出给预设技术人员，以可视化形式展示出。技术人员可以对上述标注框进行调整。通过可视化工具输入调整信息。上述调整具体可以包括但不限于：对不精确的检测包围盒边框进行局部微调；对漏检的隐私信息进行人工补绘；对误检的隐私信息进行一键删除；对上述调整、新增、删除操作进行记录并自动收集相关图像等等。上述调整信息可以包括标注框的位置、尺寸、颜色等等。执行主体可以根据上述调整信息，确定调整后的标注框。然后，执行主体可以将目标图像以及调整后的标注框作为训练样本，重新训练上述对象检测网络。

本公开的上述实施例提供的用于处理图像的方法，可以在敏感区域连续施加多次不同作用范围的高斯卷积达到了深度模糊的效果，同时保证了模糊区域与周边背景的平滑过渡。模糊处理后的图像不仅无法再通过图像辨识出其中包含的人，并且处理后的敏感信息图像块与周边背景图像过渡自然，视觉效果不突兀。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于处理图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于处理图像的装置600包括：图像获取单元601、对象检测单元602和脱敏处理单元603。

图像获取单元601，被配置成获取目标图像。

对象检测单元602，被配置成利用预先训练的对象检测网络对目标图像进行对象检测，利用标注框对检测出的对象进行标注。

对象更新单元603，被配置成响应于接收到针对标注框的调整信息，根据调整信息，确定标注出的对象。

脱敏处理单元6604，被配置成对标注出的对象进行脱敏处理。

在本实施例的一些可选的实现方式中，图像获取单元601可以进一步被配置成：将采集车在行驶过程中采集的街景图像作为目标图像。

在本实施例的一些可选的实现方式中，脱敏处理单元604可以进一步被配置成：对标注出的对象进行至少一次模糊处理。

在本实施例的一些可选的实现方式中，脱敏处理单元604可以进一步被配置成：在对象的标注框内确定每次模糊处理的范围；在所确定的范围内分别执行至少一次模糊处理。

在本实施例的一些可选的实现方式中，脱敏处理单元604可以进一步被配置成：在标注框内确定出每次模糊处理时的目标矩形；在目标矩形中确定出最大内接椭圆作为每次模糊处理的范围。

在本实施例的一些可选的实现方式中，脱敏处理单元604可以进一步被配置成：确定标注框为首次模糊处理的目标矩形；从上次模糊处理的最大内接椭圆中确定出目标矩形。

在本实施例的一些可选的实现方式中，脱敏处理单元604可以进一步被配置成：确定每次模糊处理的模糊值；根据模糊值在所确定的范围内执行至少一次模糊处理。

在本实施例的一些可选的实现方式中，装置600还可以进一步包括训练单元，被配置成：根据调整信息，确定调整后的标注框；根据目标图像以及调整后的标注框重新训练对象检测网络。

应当理解，用于处理图像的装置600中记载的各单元分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于处理图像的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了根据本公开实施例的执行用于处理图像的方法的电子设备700的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储器708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。I/O接口(输入/输出接口)705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储器708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器701可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器701执行上文所描述的各个方法和处理，例如用于处理图像的方法。例如，在一些实施例中，用于处理图像的方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器708。在一些实施例中，计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由处理器701执行时，可以执行上文描述的用于处理图像的方法的一个或多个步骤。备选地，在其他实施例中，处理器701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于处理图像的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器701执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种用于处理图像的方法，包括：

获取目标图像；

利用预先训练的对象检测网络对所述目标图像进行对象检测，利用标注框对检测出的对象进行标注；

响应于接收到针对所述标注框的调整信息，根据所述调整信息，确定标注出的对象；

对所述标注出的对象进行脱敏处理。

2.根据权利要求1所述的方法，其中，所述获取目标图像，包括：

将采集车在行驶过程中采集的街景图像作为目标图像。

3.根据权利要求1所述的方法，其中，所述对所述标注出的对象进行脱敏处理，包括：

对所述标注出的对象进行至少一次模糊处理。

4.根据权利要求3所述的方法，其中，所述对所述标注出的对象进行至少一次模糊处理，包括：

在所述对象的标注框内确定每次模糊处理的范围；

在所确定的范围内分别执行至少一次模糊处理。

5.根据权利要求4所述的方法，其中，所述在所述对象的标注框内确定每次模糊处理的范围，包括：

在所述标注框内确定出每次模糊处理时的目标矩形；

在所述目标矩形中确定出最大内接椭圆作为每次模糊处理的范围。

6.根据权利要求5所述的方法，其中，所述在所述标注框内确定出每次模糊处理时的目标矩形，包括：

确定所述标注框为首次模糊处理的目标矩形；

从上次模糊处理的最大内接椭圆中确定出目标矩形。

7.根据权利要求4所述的方法，其中，所述在所确定的范围内分别执行至少一次模糊处理，包括：

确定每次模糊处理的模糊值；

根据所述模糊值在所确定的范围内执行至少一次模糊处理。

8.根据权利要求1-7任一项所述的方法，其中，所述方法还包括：

根据所述调整信息，确定调整后的标注框；

根据所述目标图像以及调整后的标注框重新训练所述对象检测网络。

9.一种用于处理图像的装置，包括：

图像获取单元，被配置成获取目标图像；

对象检测单元，被配置成利用预先训练的对象检测网络对所述目标图像进行对象检测，利用标注框对检测出的对象进行标注；

对象更新单元，被配置成响应于接收到针对所述标注框的调整信息，根据所述调整信息，确定标注出的对象；

脱敏处理单元，被配置成对标注出的对象进行脱敏处理。

10.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

11.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images