CN115205088B - 图像处理方法、装置、介质及芯片 - Google Patents

图像处理方法、装置、介质及芯片 Download PDF

Info

Publication number
CN115205088B
CN115205088B CN202210837768.9A CN202210837768A CN115205088B CN 115205088 B CN115205088 B CN 115205088B CN 202210837768 A CN202210837768 A CN 202210837768A CN 115205088 B CN115205088 B CN 115205088B
Authority
CN
China
Prior art keywords
image
personal information
original image
original
information area
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.)
Active
Application number
CN202210837768.9A
Other languages
English (en)
Other versions
CN115205088A (zh
Inventor
路卫杰
杨时茂
谭哲越
解智
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.)
Xiaomi Automobile Technology Co Ltd
Original Assignee
Xiaomi Automobile 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 Xiaomi Automobile Technology Co Ltd filed Critical Xiaomi Automobile Technology Co Ltd
Priority to CN202210837768.9A priority Critical patent/CN115205088B/zh
Publication of CN115205088A publication Critical patent/CN115205088A/zh
Application granted granted Critical
Publication of CN115205088B publication Critical patent/CN115205088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种图像处理方法、装置、介质及芯片。该方法包括：接收车辆上传的原始图像；确定所述原始图像中的个人信息区域；根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像。这样，能够在对车辆上传的图像进行人工预览的情况下，输出隐藏个人信息的路况图像，避免了车辆路采图像在服务器端被人工预览时泄露个人信息，保护了个人隐私。

Description

图像处理方法、装置、介质及芯片
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、介质及芯片。
背景技术
自动驾驶车辆又称无人驾驶车辆、电脑驾驶车辆或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能车辆。自动驾驶车辆依靠人工智能、视觉计算、雷达、监控装置和全球定位系统等的协同合作，可以在没有任何人主动操作的情况下，自动安全地运行。近年来，自动驾驶车辆越来越呈现出接近实用化的趋势。
在自动驾驶技术中，需要路采车通过摄像头采集大量的视频和图片数据进行模型的训练，这些采集的视频和图片数据中会有未经授权的个人信息，例如，用户的人脸和车辆的车牌等。这些个人信息有可能侵犯到个人隐私。
发明内容
为克服相关技术中存在的问题，本公开提供一种图像处理方法、装置、介质及芯片。
根据本公开实施例的第一方面，提供一种图像处理方法，包括：
接收车辆上传的原始图像；
确定所述原始图像中的个人信息区域；
根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；
若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像。
可选地，所述根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像，包括：
将所述原始图像和遮挡图像进行叠加，生成所述个人信息隐藏图像，其中，所述遮挡图像用于遮挡所述个人信息区域。
可选地，所述方法还包括：
若接收到针对所述原始图像的非人工预览指令，则输出所述原始图像。
可选地，所述根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像，包括：
将所述个人信息区域中的像素点划分为多个形状相等的像素点单元，形成原始矩阵图像；
将所述原始矩阵图像中各个像素点单元进行转置处理，生成转置矩阵图像；
将所述原始图像中所述个人信息区域的部分替换为所述转置矩阵图像，生成个人信息隐藏图像。
可选地，所述方法还包括：
将所述转置矩阵图像中各个像素点单元进行转置处理，生成还原矩阵图像；
将所述个人信息隐藏图像中的所述转置矩阵图像替换为所述还原矩阵图像，生成还原图像。
可选地，所述方法还包括：
若接收到针对所述原始图像的非人工预览指令，则输出所述还原图像。
可选地，所述方法还包括：
删除所述原始图像。
可选地，所述确定所述原始图像中的个人信息区域，包括：
识别所述原始图像中的个人信息；
将所述原始图像中用于指示所述个人信息的像素点所在的最小矩形区域，确定为所述个人信息区域。
根据本公开实施例的第二方面，提供一种图像处理装置，包括：
接收模块，被配置为接收车辆上传的原始图像；
确定模块，被配置为确定所述原始图像中的个人信息区域；
生成模块，被配置为根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；
第一输出模块，被配置为若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像。
根据本公开实施例的第三方面，提供一种图像处理装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收车辆上传的原始图像；
确定所述原始图像中的个人信息区域；
根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；
若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的图像处理方法的步骤。
根据本公开实施例的第五方面，提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行本公开第一方面所提供的图像处理方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
在接收到针对车辆上传的原始图像的人工预览指令时，输出由原始图像和个人信息区域生成的个人信息隐藏图像，这样，能够在对车辆上传的图像进行人工预览的情况下，输出隐藏个人信息的路况图像，避免了车辆路采图像在服务器端被人工预览时泄露个人信息，保护了个人隐私。
应当理解的是，以上的一般描述和后文的细节描述仅示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。
图2是根据一示例性实施例示出的一种原始矩阵图像的示意图。
图3是图2中的原始矩阵图像经转置处理后得到的转置矩阵图像的示意图。
图4是根据一示例性实施例示出的一种图像处理装置的框图。
图5是根据一示例性实施例示出的一种用于图像处理的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种图像处理方法的流程图，如图1所示，该方法用于服务器中，包括以下步骤。
在步骤S11中，接收车辆上传的原始图像。
在自动驾驶技术中，需要车辆(路采车)通过摄像头采集大量的视频和图片数据上传到服务器中，在服务器中进行模型的训练。车辆采集的原始图像可以是图片或视频中的图像。
在步骤S12中，确定原始图像中的个人信息区域。
个人信息区域是指原始图像中能够显示出个人信息的像素点的区域。个人信息是指与个人隐私相关的信息，例如，人脸、车牌号等。可以从原始图像中通过图像识别的相关技术识别出个人信息，将个人信息所在的像素点的区域确定为个人信息区域。
在步骤S13中，根据原始图像和个人信息区域，生成个人信息隐藏图像。
原始图像中的个人信息区域被隐藏时，才能在人工预览时不泄露个人信息。隐藏的方法可以有多种，例如，在原始图像的个人信息区域打马赛克。在个人信息隐藏图像中，原始图像中的个人信息区域被隐藏，而原始图像中除了个人信息区域之外的其他区域则保留下来。
在步骤S14中，若接收到针对原始图像的人工预览指令，则输出个人信息隐藏图像。
服务器中的存储器可以划分为原始数据区和应用数据区。原始数据区用于存储车辆上传的原始图像(包括图片和视频)。应用数据区可以存储原始图像经识别后得到的个人信息区域的相关信息，例如，个人信息区域在原始图像中的坐标。应用数据区可以连接数据访问接口。数据访问接口可以包括用于人工预览的预览接口和用于模型训练的训练接口。当从预览接口处接收到指令时，可以认为是人工预览指令，此时可以输出个人信息隐藏图像。当从训练接口处接收到指令时，可以认为是模型训练指令。
在接收到针对车辆上传的原始图像的人工预览指令时，输出由原始图像和个人信息区域生成的个人信息隐藏图像，这样，能够在对车辆上传的图像进行人工预览的情况下，输出隐藏个人信息的路况图像，避免了车辆路采图像在服务器端被人工预览时泄露个人信息，保护了个人隐私。
在又一实施例中，根据原始图像和个人信息区域，生成个人信息隐藏图像，包括：将原始图像和遮挡图像进行叠加，生成个人信息隐藏图像，其中，遮挡图像用于遮挡个人信息区域。
遮挡图像中的纹路、颜色等可以是预先确定的，也可以是随机确定的。由于个人信息区域在不同的原始图像中的位置和大小并不固定，因此，遮挡图像可以根据个人信息区域的位置和大小同步生成。在一实施例中，个人信息区域为矩形，个人信息区域的坐标可以表示为[x，y，w，h]，其中，x、y分别表示个人信息区域左上角的横坐标和纵坐标，w、h分别表示个人信息区域的宽度和高度。例如，车牌区域的坐标为[10，2，5，2]，人脸区域的坐标为[30，22，1，2]。那么可以生成具有相同坐标的遮挡图像，将原始图像置于底层显示，遮挡图像置于顶层显示。这样，显示出的由原始图像和遮挡图像二者叠加而成的个人信息隐藏图像中，原始图像中显示出个人信息的部分就被遮挡了。
在该实施例中，通过将原始图像和遮挡图像进行叠加显示来遮挡个人信息，方法简单，实用性好。
在又一实施例中，该方法还包括：若接收到针对原始图像的非人工预览指令，则输出原始图像。
非人工预览指令可以包括模型训练指令，即指示输出图像用于模型训练的指令。如上所述，当从训练接口处接收到指令时，该指令可以认为是模型训练指令。当图像用于模型训练时，没有人工预览的环节，个人信息不易泄露，此时，可以将未处理的原始图像直接进行输出。
该实施例中，应用数据区可以存储有原始图像，便于直接从训练接口输出原始图像，在进行模型训练时不进行图像处理，避免做不必要的数据处理。
在又一实施例中，根据原始图像和个人信息区域，生成个人信息隐藏图像，包括：将个人信息区域中的像素点划分为多个形状相等的像素点单元，形成原始矩阵图像；将原始矩阵图像中各个像素点单元进行转置处理，生成转置矩阵图像；将原始图像中个人信息区域的部分替换为转置矩阵图像，生成个人信息隐藏图像。
像素点单元的形状例如可以是正方形、矩形。在进行转置时，每个像素点单元是一个最小的可拆分单元，也就是每个像素点单元内部各个像素点的相对位置不变。
图2是根据一示例性实施例示出的一种原始矩阵图像的示意图。如图2所示，在个人信息区域中，有8×8个像素点(64个像素点分别以01-64的数字表示)，将每2×2个像素点划分为一个像素点单元。图2中用虚线框将64个像素点分为16个形状相等的像素点单元，形成原始矩阵图像。例如，左上角的像素点单元包括05、06、09、10四个像素点，右下角的像素点单元包括51、52、63、64四个像素点。
在转置时，将原始矩阵图像中的像素点单元作为最小的元素进行矩阵的转置，也就是，将每个像素点单元作为一个整体，像素点单元内部各个像素点的相对位置不变。
图3是图2中的原始矩阵图像经转置处理后得到的转置矩阵图像的示意图。将图2中4×4个像素点单元组成的原始矩阵图像进行转置后，得到如图3所示的转置矩阵图像。其中，07、08、11、12四个像素点构成的像素点单元经转置后与21、22、25、26四个像素点构成的像素点单元互换了位置。
对于求矩阵转置的方法属于数学领域中的常规技术，故于此不再赘述。并且本领域技术人员能够理解的是，在进行转置时，各个像素点单元之间转换的可以是像素的RGB(red、green、blue)值。
可以看出，当图2中的原始矩阵图像经转置处理后得到的图3的转置矩阵图像后，转置矩阵图像相比原始矩阵图像已经打乱了个人信息区域中像素的排列位置。将原始图像中个人信息区域替换为转置矩阵图像，生成个人信息隐藏图像后进行显示时，个人信息区域呈现出马赛克的效果。
该实施例中，通过求矩阵转置的方法，将个人信息区域呈现出马赛克的效果，信息隐藏的方法，其算法简单，运算速度快，不易出错，可靠性高。
由于矩阵转置的转置为原矩阵，因此，在个人信息区域呈现出的马赛克具有可逆性，当不需要隐藏个人信息时，可以很容易地通过再次转置的方法将其还原回原始图像。
在又一实施例中，该方法还包括：将转置矩阵图像中各个像素点单元进行转置处理，生成还原矩阵图像；将个人信息隐藏图像中的转置矩阵图像替换为还原矩阵图像，生成还原图像。
将转置矩阵图像中各个像素点单元进行转置处理后生成的还原矩阵图像与原始图像中个人信息区域的部分的像素排列完全相同，因为转置的转置就是原矩阵。将个人信息隐藏图像中的转置矩阵图像替换为还原矩阵图像，生成的还原图像与原始图像完全相同。这样，利用相同的算法(转置)，快速地将打了马赛克的图像还原回原始图像。
该实施例中，在生成打了马赛克的个人信息隐藏图像后，由于能够快速可靠地将原始图像还原回来，因此，即便原始图像受损，也不会丢失数据，可靠性高。
在又一实施例中，该方法还包括：若接收到针对原始图像的非人工预览指令，则输出还原图像。
非人工预览指令可以包括模型训练指令，即指示输出图像用于模型训练的指令。如上所述，当从训练接口处接收到指令时，该指令可以认为是模型训练指令。当图像用于模型训练时，没有人工预览的环节，个人信息不易泄露，此时，可以将还原图像输出，还原图像与未处理的原始图像完全相同。
该实施例中，若不涉及人工预览的环节，则可以从训练接口输出还原图像，避免输出原始图像，减少了原始图像数据的读取，增强了存储数据的可靠性。
在又一实施例中，在将个人信息隐藏图像中的转置矩阵图像替换为还原矩阵图像，生成还原图像之后，方法还包括：删除原始图像。
由于还原图像与未处理的原始图像完全相同，因此，原始图像可以删除。删除原始数据能够腾出存储空间，以利于接收更多的原始图像，处理更多的图像数据。
在又一实施例中，确定原始图像中的个人信息区域，包括：识别原始图像中的个人信息；将原始图像中用于指示个人信息的像素点所在的最小矩形区域，确定为个人信息区域。
例如，可以通过相关技术中的人脸识别方法来识别原始图像中的人脸，通过相关技术中的车牌号识别方法来识别原始图像中的车牌号。识别出人脸后，能够确定哪些像素点显示在人脸中，即哪些像素点是用于指示人脸的像素点，并可以识别出哪些像素点是用于指示车牌号的像素点，这些像素点就是用于指示个人信息的像素点。将这些像素点置于矩形框内，其中最小的矩形框可以确定为个人信息区域。例如，车牌区域的坐标为[10，2，5，2]，车牌区域为左上、右上、左下、右下四个顶点的坐标分别为(10，2)、(15，2)、(10，0)、(15，0)的矩形。
该实施例中，将能够覆盖个人信息像素点的最小矩形确定为个人信息区域，遮挡的图像面积较小，数据处理量小，处理速度快，可靠性较高。
图4是根据一示例性实施例示出的一种图像处理装置的框图。参照图4，该图像处理装置400包括接收模块401、确定模块402、生成模块403和第一输出模块404。
接收模块401被配置为接收车辆上传的原始图像。
确定模块402被配置为确定所述原始图像中的个人信息区域。
生成模块403被配置为根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像。
第一输出模块404被配置为若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像。
可选地，生成模块403包括生成子模块。
生成子模块被配置为将原始图像和遮挡图像进行叠加，生成个人信息隐藏图像，其中，遮挡图像用于遮挡个人信息区域。
可选地，图像处理装置400还包括第二输出模块。
第二输出模块被配置为若接收到针对原始图像的非人工预览指令，则输出原始图像。
可选地，生成模块403包括划分子模块、转置子模块和替换子模块。
划分子模块被配置为将个人信息区域中的像素点划分为多个形状相等的像素点单元，形成原始矩阵图像。
转置子模块被配置为将原始矩阵图像中各个像素点单元进行转置处理，生成转置矩阵图像。
替换子模块被配置为将原始图像中个人信息区域的部分替换为转置矩阵图像，生成个人信息隐藏图像。
可选地，图像处理装置400还包括转置模块和替换模块。
转置模块被配置为将转置矩阵图像中各个像素点单元进行转置处理，生成还原矩阵图像。
替换模块被配置为将个人信息隐藏图像中的转置矩阵图像替换为还原矩阵图像，生成还原图像。
可选地，图像处理装置400还包括第三输出模块。
第三输出模块被配置为若接收到针对原始图像的非人工预览指令，则输出还原图像。
可选地，图像处理装置400还包括删除模块。
删除模块被配置为在将所述个人信息隐藏图像中的转置矩阵图像替换为还原矩阵图像，生成还原图像之后，删除原始图像。
可选地，确定模块402包括识别子模块和确定子模块。
识别子模块被配置为识别原始图像中的个人信息。
确定子模块被配置为将原始图像中用于指示个人信息的像素点所在的最小矩形区域，确定为个人信息区域。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
通过上述技术方案，在接收到针对车辆上传的原始图像的人工预览指令时，输出由原始图像和个人信息区域生成的个人信息隐藏图像，这样，能够在对车辆上传的图像进行人工预览的情况下，输出隐藏个人信息的路况图像，避免了车辆路采图像在服务器端被人工预览时泄露个人信息，保护了个人隐私。
本公开还提供一种图像处理装置，包括处理器和用于存储处理器可执行指令的存储器。其中，处理器被配置为：
接收车辆上传的原始图像；
确定原始图像中的个人信息区域；
根据原始图像和个人信息区域，生成个人信息隐藏图像；
若接收到针对原始图像的人工预览指令，则输出个人信息隐藏图像。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的图像处理方法的步骤。
本公开还提供一种芯片，包括处理器和接口；处理器用于读取指令以执行本公开提供的图像处理方法。
图5是根据一示例性实施例示出的一种用于图像处理的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图5，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述图像处理方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入/输出接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (9)

1.一种图像处理方法，其特征在于，包括：
接收车辆上传的原始图像，所述车辆为路采车辆；
确定所述原始图像中的个人信息区域；
根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；
若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像；
若接收到针对所述原始图像的非人工预览指令，则输出所述原始图像，所述非人工预览指令包括模型训练指令，所述模型训练指令指示所输出的图像用于模型训练；
其中，所述根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像，包括：
将所述个人信息区域中的像素点划分为多个形状相等的像素点单元，形成原始矩阵图像；
将所述原始矩阵图像中各个像素点单元进行转置处理，生成转置矩阵图像；
将所述原始图像中所述个人信息区域的部分替换为所述转置矩阵图像，生成个人信息隐藏图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述转置矩阵图像中各个像素点单元进行转置处理，生成还原矩阵图像；
将所述个人信息隐藏图像中的所述转置矩阵图像替换为所述还原矩阵图像，生成还原图像。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若接收到针对所述原始图像的非人工预览指令，则输出所述还原图像。
4.根据权利要求3所述的方法，其特征在于，在所述将所述个人信息隐藏图像中的所述转置矩阵图像替换为所述还原矩阵图像，生成还原图像之后，所述方法还包括：
删除所述原始图像。
5.根据权利要求1所述的方法，其特征在于，所述确定所述原始图像中的个人信息区域，包括：
识别所述原始图像中的个人信息；
将所述原始图像中用于指示所述个人信息的像素点所在的最小矩形区域，确定为所述个人信息区域。
6.一种图像处理装置，其特征在于，包括：
接收模块，被配置为接收车辆上传的原始图像，所述车辆为路采车辆；
确定模块，被配置为确定所述原始图像中的个人信息区域；
生成模块，被配置为根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；
第一输出模块，被配置为若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像；
第二输出模块，被配置为若接收到针对所述原始图像的非人工预览指令，则输出所述原始图像，所述非人工预览指令包括模型训练指令，所述模型训练指令指示所输出的图像用于模型训练；
其中，所述生成模块包括：
划分子模块，被配置为将所述个人信息区域中的像素点划分为多个形状相等的像素点单元，形成原始矩阵图像；
转置子模块，被配置为将所述原始矩阵图像中各个像素点单元进行转置处理，生成转置矩阵图像；
替换子模块，被配置为将所述原始图像中所述个人信息区域的部分替换为所述转置矩阵图像，生成个人信息隐藏图像。
7.一种图像处理装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收车辆上传的原始图像，所述车辆为路采车辆；
确定所述原始图像中的个人信息区域；
根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像；
若接收到针对所述原始图像的人工预览指令，则输出所述个人信息隐藏图像；
若接收到针对所述原始图像的非人工预览指令，则输出所述原始图像，所述非人工预览指令包括模型训练指令，所述模型训练指令指示所输出的图像用于模型训练；
其中，所述根据所述原始图像和所述个人信息区域，生成个人信息隐藏图像，包括：
将所述个人信息区域中的像素点划分为多个形状相等的像素点单元，形成原始矩阵图像；
将所述原始矩阵图像中各个像素点单元进行转置处理，生成转置矩阵图像；
将所述原始图像中所述个人信息区域的部分替换为所述转置矩阵图像，生成个人信息隐藏图像。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～5中任一项所述方法的步骤。
9.一种芯片，其特征在于，包括处理器和接口；所述处理器用于读取指令以执行权利要求1～5中任一项所述的方法。
CN202210837768.9A 2022-07-15 2022-07-15 图像处理方法、装置、介质及芯片 Active CN115205088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210837768.9A CN115205088B (zh) 2022-07-15 2022-07-15 图像处理方法、装置、介质及芯片

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210837768.9A CN115205088B (zh) 2022-07-15 2022-07-15 图像处理方法、装置、介质及芯片

Publications (2)

Publication Number Publication Date
CN115205088A CN115205088A (zh) 2022-10-18
CN115205088B true CN115205088B (zh) 2024-04-09

Family

ID=83582486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210837768.9A Active CN115205088B (zh) 2022-07-15 2022-07-15 图像处理方法、装置、介质及芯片

Country Status (1)

Country Link
CN (1) CN115205088B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605928A (zh) * 2013-11-18 2014-02-26 清华大学 一种图像隐私保护方法和系统
CN105120167A (zh) * 2015-08-31 2015-12-02 广州市幸福网络技术有限公司 一种证照相机及证照拍摄方法
CN106296559A (zh) * 2015-05-26 2017-01-04 中兴通讯股份有限公司 图像处理方法及装置
CN107122679A (zh) * 2017-05-16 2017-09-01 北京小米移动软件有限公司 图像处理方法及装置
CN110276753A (zh) * 2019-06-20 2019-09-24 兰州理工大学 基于特征空间统计信息映射的目标自适应隐藏方法
CN111586361A (zh) * 2020-05-19 2020-08-25 浙江大华技术股份有限公司 一种图像的处理方法及相关装置
KR102161948B1 (ko) * 2020-06-29 2020-10-06 이홍기 신경망을 이용한 차량 번호판 인식 기술이 적용된 주차 유도 시스템 및 이의 주차 차량 위치 정보 제공 방법
CN114115664A (zh) * 2021-11-24 2022-03-01 北京沃东天骏信息技术有限公司 截图处理方法、装置、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605928A (zh) * 2013-11-18 2014-02-26 清华大学 一种图像隐私保护方法和系统
CN106296559A (zh) * 2015-05-26 2017-01-04 中兴通讯股份有限公司 图像处理方法及装置
CN105120167A (zh) * 2015-08-31 2015-12-02 广州市幸福网络技术有限公司 一种证照相机及证照拍摄方法
CN107122679A (zh) * 2017-05-16 2017-09-01 北京小米移动软件有限公司 图像处理方法及装置
CN110276753A (zh) * 2019-06-20 2019-09-24 兰州理工大学 基于特征空间统计信息映射的目标自适应隐藏方法
CN111586361A (zh) * 2020-05-19 2020-08-25 浙江大华技术股份有限公司 一种图像的处理方法及相关装置
KR102161948B1 (ko) * 2020-06-29 2020-10-06 이홍기 신경망을 이용한 차량 번호판 인식 기술이 적용된 주차 유도 시스템 및 이의 주차 차량 위치 정보 제공 방법
CN114115664A (zh) * 2021-11-24 2022-03-01 北京沃东天骏信息技术有限公司 截图处理方法、装置、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ADGAN:Protect Your Location Privacy in Camera Data of Auto-Driving Vehicles;Zuobin Xiong .etal;IEEE;第17卷(第9期);6200-6210 *
基于矩阵编码的大容量密文域可逆信息隐藏算法;刘宇 等;计算机工程(第10期);全文 *
胡章芳 等.MATLAB仿真及其在光学课程中的应用 第3版.北京航空北京航空航天大学出版社航天大学出版社,2020,173. *

Also Published As

Publication number Publication date
CN115205088A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN112581629B (zh) 增强现实显示方法、装置、电子设备及存储介质
US8494297B2 (en) Automatic detection and mapping of symmetries in an image
US11861810B2 (en) Image dehazing method, apparatus, and device, and computer storage medium
CN111144305A (zh) 训练数据生成方法、装置、电子设备和介质
US11380111B2 (en) Image colorization for vehicular camera images
CN110674729A (zh) 基于热能估算的人数识别方法、计算机装置及计算机可读存储介质
CN110807413B (zh) 目标显示方法以及相关装置
CN116760937B (zh) 一种基于多机位的视频拼接方法、装置、设备及存储介质
CN115205088B (zh) 图像处理方法、装置、介质及芯片
CN113139419B (zh) 一种无人机检测方法及装置
KR20120015980A (ko) 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품
US9392146B2 (en) Apparatus and method for extracting object
CN114881840A (zh) 一种图像拼接方法、设备、系统和计算机可读存储介质
US20210409573A1 (en) Method and image-processing device for anonymizing a digital colour image
CN115619636A (zh) 图像拼接方法、电子设备以及存储介质
WO2020259444A1 (zh) 一种图像处理方法及相关设备
CN115278217A (zh) 图像画面检测方法、装置、电子设备及存储介质
CN111476716B (zh) 一种实时视频拼接方法和装置
EP3565253A1 (en) A method and an apparatus for reducing an amount of data representative of a multi-view plus depth content
CN113673278A (zh) 数据处理方法及装置
CN114820547B (zh) 车道线检测方法、装置、计算机设备、存储介质
CN112862976A (zh) 一种图像生成方法、装置及电子设备
CN114863375B (zh) 一种基于3d视觉识别的加油站车辆多视角定位方法
KR102164524B1 (ko) 영상 화질 보정 방법 및 이를 이용한 장치
JPS63113779A (ja) ピ−ク抽出方法

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
GR01 Patent grant
GR01 Patent grant