CN116186770A - 图像脱敏方法、装置、电子设备及存储介质 - Google Patents
图像脱敏方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116186770A CN116186770A CN202310114084.0A CN202310114084A CN116186770A CN 116186770 A CN116186770 A CN 116186770A CN 202310114084 A CN202310114084 A CN 202310114084A CN 116186770 A CN116186770 A CN 116186770A
- Authority
- CN
- China
- Prior art keywords
- data
- desensitized
- license plate
- sensitive information
- 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
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
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本申请涉及车辆技术领域,特别涉及一种图像脱敏方法、装置、电子设备及存储介质,其中,方法包括:获取待脱敏原始数据,并基于预设的隔帧处理策略,对待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,从原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据,对待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。由此,解决了低算力处理器无法处理高帧数、长时间的视频的问题,从而能够以较低的算力来实现图片视频信息中人脸、车牌的敏感信息保护,同时提高脱敏处理效率。
Description
技术领域
本申请涉及智能驾驶技术领域,特别涉及一种图像脱敏方法、装置、电子设备及存储介质。
背景技术
随着汽车领域的不断发展,图像等视觉信息应用的领域也越来越宽泛,实时监控、远程拍照、远程智能泊车等智能驾驶领域功能也在逐渐普及,但随着网络信息资源不断丰富,上述功能涉及到的图片、视频会暴露人脸、车牌号等敏感信息,在一定程度上会侵犯公众的隐私,为了保护相关隐私不被恶意盗窃,则需要对视频图像中的敏感信息进行脱敏处理。
相关技术中,图像脱敏技术在进行脱敏时,需要采集大量的人脸、车牌等模型数据进行深度学习,再对每一帧图像进行无差别的模板匹配、模板覆盖的脱敏处理。
然而,该方法处理方式过于冗余,增加了后期图片处理的时间,使得图像脱敏效率低下,对处理器的算力有较高限制并且无法满足对高帧数和时间跨度较长的视频的脱敏处理要求,亟待解决。
发明内容
本申请提供一种图像脱敏方法、装置、电子设备及存储介质,以解决传统技术无法满足对高帧数和时间跨度较长的视频的脱敏处理要求,处理方式过于冗余等问题,从而提高图像脱敏效率。
本申请第一方面实施例提供一种图像脱敏方法,包括以下步骤:
获取待脱敏原始数据,并基于预设的隔帧处理策略,对所述待脱敏原始数据进行筛选,得到原始敏感信息区域集数据;
从所述原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据;以及
对所述待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。
根据上述技术手段,本申请通过隔帧处理方式对视频信息中的人脸、车牌等敏感信息进行脱敏处理,进而实现对用户隐私信息的有效保护,同时隔帧处理的方式能有效降低对处理器算力的要求,保障面对高帧数、长时间的动态视频,仍可以提高图像脱敏处理效率。
进一步地,所述获取待脱敏原始数据,包括:
基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息;
根据所述带有人脸数据、车牌数据的敏感信息的图片集和视频段得到所述待脱敏原始数据。
根据上述技术手段,本申请基于构建人脸特征、车牌特征提取模型提取带有人脸数据、车牌数据的敏感信息,并将含有此类敏感信息的图片集和视频段作为待脱敏原始数据,改善了传统脱敏方法只适用于单一图片的处理,提高了脱敏应用范围。
进一步地,所述基于预设的隔帧处理策略,对所述待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,包括:
将所述待脱敏原始数据中相似度大于预设阈值的所述图片集和所述视频段删除;
根据剩余的所述图片集和所述视频段中的人脸特征向量、车牌特征向量、所述人脸特征向量所在的空间区域信息和所述车牌特征向量所在的空间区域信息,得到所述原始敏感信息区域集数据。
根据上述技术手段,本申请采用的隔帧处理脱敏方式对处理器算力要求更低,打破了低算力处理器无法处理高帧数、长时间视频的限制,脱敏处理效率更高。
进一步地,在基于预先构建的所述人脸特征和车牌特征提取模型,从所述预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息之前,还包括:
获取公开数据集,其中,所述公开数据集包括人脸数据和车牌数据;
利用所述人脸数据和所述车牌数据训练由预设深度学习算法构建的特征提取模型,得到所述人脸特征和车牌特征提取模型。
根据上述技术手段,本申请通过采集大量人脸、车牌信息,由预设深度学习算法构建的模型进行数据训练,构建人脸特征、车牌特征提取模型,为图像脱敏处理提供数据。
进一步地,在根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到所述待处理敏感信息区域集数据时,还包括:
利用预设的图像脱敏规则,对所述原始敏感信息区域集数据进行映射,筛选出含有人脸信息和车牌信息的图片集;
利用预先训练的人脸图像脱敏模型,确定所述图片集中含有所述人脸信息和所述车牌信息的区域边界,并根据所述区域边界对人脸和车牌进行裁剪分割。
根据上述技术手段,通过过滤视频信息中的重复度较高视频段或帧数集,筛选中必要的待处理脱敏帧图片,在很大程度上减少了脱敏处理的图片数量,进而在对视频进行敏感信息脱敏处理时,耗时更短,相应更快。
本申请第二方面实施例提供一种图像脱敏装置,包括:
获取模块,用于获取待脱敏原始数据,并基于预设的隔帧处理策略,对所述待脱敏原始数据进行筛选,得到原始敏感信息区域集数据;
提取模块,用于从所述原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据;以及
处理模块,用于对所述待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。
进一步地,所述获取模块,具体用于:
基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息;
根据所述带有人脸数据、车牌数据的敏感信息的图片集和视频段得到所述待脱敏原始数据。
进一步地,所述获取模块,具体用于:
将所述待脱敏原始数据中相似度大于预设阈值的所述图片集和所述视频段删除;
根据剩余的所述图片集和所述视频段中的人脸特征向量、车牌特征向量、所述人脸特征向量所在的空间区域信息和所述车牌特征向量所在的空间区域信息,得到所述原始敏感信息区域集数据。
进一步地,在基于预先构建的所述人脸特征和车牌特征提取模型,从所述预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息之前,所述获取模块,还用于:
获取公开数据集,其中,所述公开数据集包括人脸数据和车牌数据;
利用所述人脸数据和所述车牌数据训练由预设深度学习算法构建的特征提取模型,得到所述人脸特征和车牌特征提取模型。
进一步地,在根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到所述待处理敏感信息区域集数据时,所述提取模块,还用于:
利用预设的图像脱敏规则,对所述原始敏感信息区域集数据进行映射,筛选出含有人脸信息和车牌信息的图片集;
利用预先训练的人脸图像脱敏模型,确定所述图片集中含有所述人脸信息和所述车牌信息的区域边界,并根据所述区域边界对人脸和车牌进行裁剪分割。
本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的图像脱敏方法。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的图像脱敏方法。
由此,本申请通过隔帧处理方式对视频信息中的人脸、车牌等敏感信息进行脱敏处理,即滤视频信息中的重复度较高视频段或帧数集,筛选出必要的待处理脱敏帧图片,在很大程度上减少了脱敏处理的图片数量,进而实现对用户隐私信息的有效保护,同时隔帧处理的方式能有效降低对处理器算力的要求,保障在高帧数、长时间的动态视频中,仍能做到高效脱敏。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种图像脱敏方法的流程图;
图2为根据本申请的一个实施例的图像脱敏系统的方框示意图;
图3为根据本申请的一个实施例的图像脱敏方法的流程图;
图4为根据本申请的一个实施例的构建脱敏基准模型数据的流程图;
图5为根据本申请的一个实施例的获取待处理敏感信息区域集数据流程图;
图6为根据本申请实施例的图像脱敏装置的方框示意图;
图7为根据本申请实施例的电子设备的结构示意图。
附图标记说明:100-图像采集模块、200-深度学习模块、300-脱敏目标筛选模块、400-脱敏预处理模块、401-位置信息确认模块、402-裁剪模块、500-图像脱敏模块、600-图像输出模块、10-图像脱敏装置、700-获取模块、800-提取模块、900-处理模块、71-存储器、72-处理器、73-通信接口。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的图像脱敏方法、装置、电子设备及存储介质。
在介绍本申请实施例提出的图像脱敏方法之前,先简单介绍下相关技术中的图像脱敏方法。
相关技术中提出一种图像脱敏及识别的方法,通过构建人脸特征提取模型;基于人脸特征提取模型从预设的人脸图像数据库中提取预设数量人脸图像的人脸特征向量,以得到初始人脸特征向量集;根据预设特征区分规则从初始人脸特征向量集中筛选目标人脸特征向量集;根据目标人脸特征向量集对待脱敏人脸特征向量进行特征脱敏,以得到脱敏特征向量。该图像脱敏方法能够通过采集大量的人脸特征向量,并通过大量的人脸特征向量对需要脱敏的人脸图像进行特征脱敏,以得到多维度的脱敏特征向量。
然而,该方法虽能保护用户隐私,但没有考虑到在处理高帧数、长时间的视频时的图像筛选方案,具有一定的局限性。
相关技术中还提出一种图像脱敏的方法,通过生成对抗网络算法来实现脱敏效果,方法大致为通过获取原始图像;将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;将标识牌替换图像放回原始图像,获得脱敏后的替换图像。
然而,该方法仍采用每张图片逐帧处理的方式,没有考虑处理器算力对脱敏效果的影响,且无法适用于智能驾驶领域中高帧数、长时间的视频处理。
正是基于上述问题,本申请提供了一种图像脱敏方法,在该方法中,通过基于预设的隔帧处理策略,对获取的待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,再从原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并对根据待脱敏人脸特征向量和待脱敏车牌特征向量得到的待处理敏感信息区域集数据,进行脱敏处理,从而得到脱敏后的图片或视频。由此,解决了低算力处理器无法处理高帧数、长时间的视频的问题,从而能够以较低的算力实现图片视频信息中人脸、车牌的敏感信息保护,同时提高脱敏处理效率。
具体而言,图1为本申请实施例所提供的一种图像脱敏方法的流程图。
在介绍本申请实施例提出的图像脱敏方法之前,先介绍下本申请实施例的图像脱敏系统。
如图2所示,图2为根据本申请的一个实施例的图像脱敏系统的方框示意图,包括图像采集模块100、深度学习模块200、脱敏目标筛选模块300、脱敏预处理模块400、图像脱敏模块500和图像输出模块600。
其中,图像采集模块100用于采集周围环境图像信息,并将得到的图像信息通过通信模块发送给处理器或移动终端设备,包括全景摄像头、倒车摄像头、行车记录仪、车外人脸识别摄像头等;深度学习模块200用于学习人脸、车牌等敏感信息,进行敏感信息模型库的建立;脱敏目标筛选模块300用于筛选图像中含有敏感信息的视频段或图片集;脱敏预处理模块400包括位置信息确认模块401和裁剪模块402,分别用于对含有敏感信息的区域进行位置确认和脱敏区域的边界确认,并对其进行裁剪;图像脱敏模块500用于根据敏感信息模型库对区域内的敏感信息进行脱敏处理;图像输出模块600用于将脱敏后的视频图像信息输出手机、车辆显示屏等终端设备。
具体地,如图1所示,该图像脱敏方法包括以下步骤:
在步骤S101中,获取待脱敏原始数据,并基于预设的隔帧处理策略,对待脱敏原始数据进行筛选,得到原始敏感信息区域集数据。
具体地,本申请实施例通过采集大量人脸、车牌信息,由预设深度学习算法构建的模型进行数据训练,构建人脸特征、车牌特征提取模型,作为脱敏的对比数据库存储在图像数据库模块。
进一步地,在一些实施例中,获取待脱敏原始数据,包括:基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息;根据带有人脸数据、车牌数据的敏感信息的图片集和视频段得到待脱敏原始数据。
具体而言,本申请实施例在上载脱敏功能之前,需要先采集人脸、车牌等敏感信息的模型数据,通过图像采集模块100对视频或图像进行数据采集,其中,人脸数据的采集应当覆盖不同性别、年龄段、人物姿态、拍摄角度等特征;车牌数据采集应当覆盖不同环境亮度、车牌颜色、具体场景等特征。
此外,本申请实施例还通过安装在车辆四周的高清环视摄像头等感知单元实时采集视频图像数据,并将此实时获取的视频段或图片集作为脱敏原始数据输入至于脱敏目标筛选模块300。
进一步地,本申请实施例再基于构建人脸特征、车牌特征提取模型,在完整的视频和图片总数据中,将带有人脸、车牌敏感信息的视频段和图片集提取出来,滤除其余不需要处理的视频片段或图片,从而得到待脱敏原始数据。
进一步地,在一些实施例中,基于预设的隔帧处理策略,对待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,包括:将待脱敏原始数据中相似度大于预设阈值的图片集和视频段删除;根据剩余的图片集和视频段中的人脸特征向量、车牌特征向量、人脸特征向量所在的空间区域信息和车牌特征向量所在的空间区域信息,得到原始敏感信息区域集数据。
其中,预设阈值可以是用户预先设定的数值,也可以是通过有限次实验获取的数值,还可以是通过有限次计算机仿真得到的数值,在此不做具体限定。
具体而言,本申请实施例利用脱敏目标筛选模块300,基于预设的隔帧处理策略对视频中的不同帧的图片进行筛选,滤除相似度大于预设阈值的敏感信息区域集数据,即滤除相似度较高的图片集和视频段,将滤除后剩余的图片集和视频段中的人脸特征向量和车牌特征向量以及其所在的空间区域信息,作为原始敏感信息区域集数据。
其中,预设的隔帧处理策略为:本申请实施例首先确定视频中不同帧图片内敏感信息区域,在此区域内选取参考像素点,判断前后连续帧图片内此像素点的最大位移量Xmax是否大于预设阈值Y,若Xmax<Y,则此区间内的连续帧图片可判断为重复帧,那么此类重复帧图片便可用其中一张帧图片代替,选取规则以该区间内参考像素点相对位移量为中位数的那张图片,并命名为代表帧a。
可以理解的是,以此方法确定各个区间内的代表帧b,代表帧c,代表帧d……并将这些代表帧作为一个集合参与到后面的脱敏处理环节,由此,通过隔帧处理方式可以大大减少图像脱敏处理的工作量,实现高效脱敏。
进一步地,本申请是实施例基于人脸特征、车牌特征提取模型提取原始敏感信息区域集数据,即含有敏感信息的图片集和视频段中的人脸特征向量和车牌特征向量,以得到待脱敏人脸特征向量和车牌特征向量,将提取到的人脸特征向量和车牌特征向量以及其所在的空间区域信息作为原始敏感信息区域集数据。
进一步地,在一些实施例中,在基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息之前,还包括:获取公开数据集,其中,公开数据集包括人脸数据和车牌数据;利用人脸数据和车牌数据训练由预设深度学习算法构建的特征提取模型,得到人脸特征和车牌特征提取模型。
具体而言,本申请实施例将前述采集到的视频图像数据上传到深度学习模块200,根据预先设定的学习规则对采集到的视频图像数据进行深度学习,最终学习到的数据作为带有人脸、车牌特征的模型数据,上传到云端数据库或者设置在具备图像存储和图像分析功能的终端设备中,当终端设备开启脱敏功能时,即可自动调用云端的带有人脸、车牌特征的模型数据,用于提取视频图像中的敏感特征。
在步骤S102中,从原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据。
其中,在一些实施例中,根据待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据时,还包括:利用预设的图像脱敏规则,对原始敏感信息区域集数据进行映射,筛选出含有人脸信息和车牌信息的图片集;利用预先训练的人脸图像脱敏模型,确定图片集中含有人脸信息和车牌信息的区域边界,并根据区域边界对人脸和车牌进行裁剪分割。
具体而言,本申请实施例在获取待处理敏感信息区域集数据时,还可以对包含人脸以及车牌信息的原始图像进行处理,通过图像脱敏模块500生成的图像脱敏规则,对原始敏感信息区域集数据进行映射,筛选出含有人脸、车牌信息的图片集,同时通过利用深度学习循环对抗生成技术训练人脸图像脱敏模型,确定图片集中含有人脸、车牌信息的区域并确定边界,通过脱敏预处理模块400对人脸、车牌进行裁剪分割。
在步骤S103中,对待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。
其中,对待处理敏感信息区域集数据进行脱敏处理,以贴图或马赛克的方式覆盖带有敏感信息的目标区域,输出结果为脱敏后的图片或视频。
为便于本领域技术人员进一步了解本申请实施例提出的图像脱敏方法,下面结合图3~图5进行详细说明。
具体地,如图3所示,图3为根据本申请的一个实施例的图像脱敏方法的流程图,包括以下步骤:
S301,采集模型数据。
S302,构建基准数据模型。
S303,采集脱敏原始数据。
S304,获取待脱敏原始数据。
S305,获取原始敏感信息区域。
S306,获取待处理敏感信息区域数据集。
S307,对待处理敏感信息区域集数据进行脱敏处理。
S308,输出脱敏结果。
进一步地,如图4所示,图4为根据本申请的一个实施例的构建脱敏基准模型数据的流程图,包括以下步骤:
S401,(根据需要脱敏的数据类型)预先输入人脸、车牌特征的提取规则。
S402,利用神经网络框架进行人脸、车牌的特征提取。
此外,本申请实施例还可以根据识别的数据特征类型,设定神经元网络框架的神经元数量以及训练方式。
S403,基于神经网络框架对特征进行深度学习。
S404,训练结束输出特征模型。(此特征模型作为基准模型数据)
进一步地,如图5所示,图5为根据本申请的一个实施例的获取待处理敏感信息区域集数据流程图,包括以下步骤:
S501,利用神经网络训练模型进行敏感信息检测。
S502,根据预设的坐标系,确定图片中参考像素点的位置坐标。
S503,计算带有敏感信息的图像数据置信度,根据置信度大小确定敏感信息区域的边界。
S504,将边界内的图像数据作为原始敏感信息区域。
根据本申请实施例提出的图像脱敏方法,通过基于预设的隔帧处理策略,对获取的待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,再从原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并对根据待脱敏人脸特征向量和待脱敏车牌特征向量得到的待处理敏感信息区域集数据,进行脱敏处理,从而得到脱敏后的图片或视频。由此,解决了低算力处理器无法处理高帧数、长时间的视频的问题,从而能够以较低的算力来实现图片视频信息中人脸、车牌的敏感信息保护,同时提高脱敏处理效率。
其次参照附图描述根据本申请实施例提出的图像脱敏装置。
图6是本申请实施例的图像脱敏装置的方框示意图。
如图6所示,该图像脱敏装置10包括:获取模块700、提取模块800和处理模块900。
其中,获取模块700,用于获取待脱敏原始数据,并基于预设的隔帧处理策略,对待脱敏原始数据进行筛选,得到原始敏感信息区域集数据;
提取模块800,用于从原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据;以及
处理模块900,用于对待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。
进一步地,在一些实施例中,获取模块700,具体用于:
基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息;
根据带有人脸数据、车牌数据的敏感信息的图片集和视频段得到待脱敏原始数据。
进一步地,在一些实施例中,获取模块700,具体用于:
将待脱敏原始数据中相似度大于预设阈值的图片集和视频段删除;
根据剩余的图片集和视频段中的人脸特征向量、车牌特征向量、人脸特征向量所在的空间区域信息和车牌特征向量所在的空间区域信息,得到原始敏感信息区域集数据。
进一步地,在一些实施例中,在基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息之前,获取模块700,还用于:
获取公开数据集,其中,公开数据集包括人脸数据和车牌数据;
利用人脸数据和车牌数据训练由预设深度学习算法构建的特征提取模型,得到人脸特征和车牌特征提取模型。
进一步地,在一些实施例中,在根据待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据时,提取模块800,还用于:
利用预设的图像脱敏规则,对原始敏感信息区域集数据进行映射,筛选出含有人脸信息和车牌信息的图片集;
利用预先训练的人脸图像脱敏模型,确定图片集中含有人脸信息和车牌信息的区域边界,并根据区域边界对人脸和车牌进行裁剪分割。
需要说明的是,前述对图像脱敏方法实施例的解释说明也适用于该实施例的图像脱敏装置,此处不再赘述。
根据本申请实施例提出的图像脱敏装置,通过基于预设的隔帧处理策略,对获取的待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,再从原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并对根据待脱敏人脸特征向量和待脱敏车牌特征向量得到的待处理敏感信息区域集数据,进行脱敏处理,从而得到脱敏后的图片或视频。由此,解决了低算力处理器无法处理高帧数、长时间的视频的问题,从而能够以较低的算力来实现图片视频信息中人脸、车牌的敏感信息保护,同时提高脱敏处理效率。
图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器71、处理器72及存储在存储器71上并可在处理器72上运行的计算机程序。
处理器72执行程序时实现上述实施例中提供的图像脱敏方法。
进一步地,电子设备还包括:
通信接口73,用于存储器71和处理器72之间的通信。
存储器71,用于存放可在处理器72上运行的计算机程序。
存储器71可能包含高速RAM(Random Access Memory,随机存取存储器)存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
如果存储器71、处理器72和通信接口73独立实现,则通信接口73、存储器71和处理器72可以通过总线相互连接并完成相互间的通信。总线可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral Component,外部设备互连)总线或EISA(Extended Industry Standard Architecture,扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器71、处理器72及通信接口73,集成在一块芯片上实现,则存储器71、处理器72及通信接口73可以通过内部接口完成相互间的通信。
处理器72可能是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的图像脱敏方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种图像脱敏方法,其特征在于,包括以下步骤:
获取待脱敏原始数据,并基于预设的隔帧处理策略,对所述待脱敏原始数据进行筛选,得到原始敏感信息区域集数据;
从所述原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据;以及
对所述待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。
2.根据权利要求1所述的方法,其特征在于,所述获取待脱敏原始数据,包括:
基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息;
根据所述带有人脸数据、车牌数据的敏感信息的图片集和视频段得到所述待脱敏原始数据。
3.根据权利要求1或2所述的方法,其特征在于,所述基于预设的隔帧处理策略,对所述待脱敏原始数据进行筛选,得到原始敏感信息区域集数据,包括:
将所述待脱敏原始数据中相似度大于预设阈值的所述图片集和所述视频段删除;
根据剩余的所述图片集和所述视频段中的人脸特征向量、车牌特征向量、所述人脸特征向量所在的空间区域信息和所述车牌特征向量所在的空间区域信息,得到所述原始敏感信息区域集数据。
4.根据权利要求2所述的方法,其特征在于,在基于预先构建的所述人脸特征和车牌特征提取模型,从所述预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息之前,还包括:
获取公开数据集,其中,所述公开数据集包括人脸数据和车牌数据;
利用所述人脸数据和所述车牌数据训练由预设深度学习算法构建的特征提取模型,得到所述人脸特征和车牌特征提取模型。
5.根据权利要求1所述的方法,其特征在于,在根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到所述待处理敏感信息区域集数据时,还包括:
利用预设的图像脱敏规则,对所述原始敏感信息区域集数据进行映射,筛选出含有人脸信息和车牌信息的图片集;
利用预先训练的人脸图像脱敏模型,确定所述图片集中含有所述人脸信息和所述车牌信息的区域边界,并根据所述区域边界对人脸和车牌进行裁剪分割。
6.一种图像脱敏装置,其特征在于,包括:
获取模块,用于获取待脱敏原始数据,并基于预设的隔帧处理策略,对所述待脱敏原始数据进行筛选,得到原始敏感信息区域集数据;
提取模块,用于从所述原始敏感信息区域集数据图提取得到待脱敏人脸特征向量和待脱敏车牌特征向量,并根据所述待脱敏人脸特征向量和待脱敏车牌特征向量得到待处理敏感信息区域集数据;以及
处理模块,用于对所述待处理敏感信息区域集数据进行脱敏处理,得到脱敏后的图片或视频。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
基于预先构建的人脸特征和车牌特征提取模型,从预设的图片视频库中提取带有人脸数据、车牌数据的敏感信息;
根据所述带有人脸数据、车牌数据的敏感信息的图片集和视频段得到所述待脱敏原始数据。
8.根据权利要求6或7所述的装置,其特征在于,所述获取模块,具体用于:
将所述待脱敏原始数据中相似度大于预设阈值的所述图片集和所述视频段删除;
根据剩余的所述图片集和所述视频段中的人脸特征向量、车牌特征向量、所述人脸特征向量所在的空间区域信息和所述车牌特征向量所在的空间区域信息,得到所述原始敏感信息区域集数据。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的图像脱敏方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的图像脱敏方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114084.0A CN116186770A (zh) | 2023-02-14 | 2023-02-14 | 图像脱敏方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114084.0A CN116186770A (zh) | 2023-02-14 | 2023-02-14 | 图像脱敏方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186770A true CN116186770A (zh) | 2023-05-30 |
Family
ID=86432299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114084.0A Pending CN116186770A (zh) | 2023-02-14 | 2023-02-14 | 图像脱敏方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186770A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842576A (zh) * | 2023-08-29 | 2023-10-03 | 中汽智联技术有限公司 | 一种基于行人私密信息的车辆脱敏处理方法和系统 |
CN117132768A (zh) * | 2023-10-27 | 2023-11-28 | 广汽埃安新能源汽车股份有限公司 | 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质 |
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 |
-
2023
- 2023-02-14 CN CN202310114084.0A patent/CN116186770A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842576A (zh) * | 2023-08-29 | 2023-10-03 | 中汽智联技术有限公司 | 一种基于行人私密信息的车辆脱敏处理方法和系统 |
CN116842576B (zh) * | 2023-08-29 | 2023-11-28 | 中汽智联技术有限公司 | 一种基于行人私密信息的车辆脱敏处理方法和系统 |
CN117132768A (zh) * | 2023-10-27 | 2023-11-28 | 广汽埃安新能源汽车股份有限公司 | 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质 |
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 |
---|---|---|
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
CN116186770A (zh) | 图像脱敏方法、装置、电子设备及存储介质 | |
US8761446B1 (en) | Object detection with false positive filtering | |
EP4109392A1 (en) | Image processing method and image processing device | |
WO2021043112A1 (zh) | 图像分类方法以及装置 | |
CN110163188B (zh) | 视频处理以及在视频中嵌入目标对象的方法、装置和设备 | |
US11676390B2 (en) | Machine-learning model, methods and systems for removal of unwanted people from photographs | |
WO2021063341A1 (zh) | 图像增强方法以及装置 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN112052837A (zh) | 基于人工智能的目标检测方法以及装置 | |
JP7419080B2 (ja) | コンピュータシステムおよびプログラム | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN115412705A (zh) | 具有车辆信息隐私保护的实时视频监控方法及系统 | |
CN113205510B (zh) | 铁路侵限异物检测方法、装置及终端 | |
CN113688839A (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
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 | |
EP4016385A1 (en) | Object identification method and apparatus | |
CN104809438B (zh) | 一种检测电子眼的方法和设备 | |
CN113177917B (zh) | 一种抓拍图像优选方法、系统、设备及介质 | |
CN115147818A (zh) | 玩手机行为识别方法及装置 | |
KR102089230B1 (ko) | 영상을 이용한 차량의 속도 예측 장치 및 방법 | |
CN113869123A (zh) | 一种基于人群的事件检测方法及相关装置 | |
CN114445916A (zh) | 一种活体检测方法、终端设备及存储介质 | |
CN114640785A (zh) | 站点模型更新方法及系统 | |
CN113422982B (zh) | 数据处理方法、装置、设备及存储介质 |
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 |