CN116958582A - 一种数据处理方法和相关装置 - Google Patents
一种数据处理方法和相关装置 Download PDFInfo
- Publication number
- CN116958582A CN116958582A CN202310738372.3A CN202310738372A CN116958582A CN 116958582 A CN116958582 A CN 116958582A CN 202310738372 A CN202310738372 A CN 202310738372A CN 116958582 A CN116958582 A CN 116958582A
- Authority
- CN
- China
- Prior art keywords
- shielded
- content
- target
- key point
- image
- 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 abstract description 16
- 238000001514 detection method Methods 0.000 claims description 283
- 238000000034 method Methods 0.000 claims description 72
- 238000012545 processing Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 239000003086 colorant Substances 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 230000000873 masking effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000586 desensitisation Methods 0.000 abstract description 58
- 238000012986 modification Methods 0.000 abstract description 21
- 230000004048 modification Effects 0.000 abstract description 21
- 230000003796 beauty Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 101
- 230000006870 function Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 26
- 238000002372 labelling Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Abstract
本申请公开了一种数据处理方法和相关装置,为了实现图像的无痕脱敏,确定目标图像中待屏蔽对象的第一关键点,并获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与待屏蔽对象的第一内容为同一内容类型的第一目标内容,且第一目标内容包括的信息为非屏蔽信息,目标对象中被标注有第二关键点。根据第一关键点和第二关键点,能够在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像,其中,目标对象在脱敏图像中为第一外形。得到的脱敏图像并不损坏目标图像中除了待屏蔽对象之外的部分,且从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,扩大了脱敏图像的应用场景,同时保证了脱敏图像的美观。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种数据处理方法和相关装置。
背景技术
在对图像进行分析处理的过程中,由于图像中经常会包括涉及待屏蔽信息的对象,待屏蔽信息是指为了数据安全需要被屏蔽的信息,例如车牌号码的具体值、标识信息的具体值等泄露会存在安全风险的信息就属于待屏蔽信息,故需要对图像中的待屏蔽信息进行屏蔽,从而对图像实现脱敏,来保证图像处理过程中的数据安全。
相关技术中主要是通过对目标图像中涉及待屏蔽信息的对象进行涂抹或打码处理来进行脱敏,具体的,把图像脱敏作为目标检测任务,通过检测框在目标图像中检测出涉及待屏蔽信息的对象,然后对检测框范围内的图像用单一色块进行涂抹或者打上相应的马赛克,从而对目标图像实现脱敏。
虽然相关技术中能够对目标图像中的待屏蔽信息进行屏蔽,但是会对目标图像造成不必要的损坏,并且得到的脱敏图像会有明显的修改痕迹,这会影响脱敏图像在后续的使用,缩小脱敏图像的应用场景。
发明内容
为了解决上述技术问题,本申请提供了一种数据处理方法和相关装置,针对包括待屏蔽对象的目标图像,能够将待屏蔽对象合适的替换为目标对象,得到的脱敏图像并不损坏目标图像中除了待屏蔽对象之外的部分,且从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,扩大了脱敏图像的应用场景,同时保证了脱敏图像的美观。
本申请实施例公开了如下技术方案:
一方面,本申请实施例提供了一种数据处理方法,包括:
确定目标图像中待屏蔽对象的第一关键点,待屏蔽对象中具有包括待屏蔽信息的第一内容,第一关键点用于标识待屏蔽对象在目标图像中的第一外形;
获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息,目标对象被标注有第二关键点,第二关键点用于标识目标对象的第二外形;
根据第一关键点和第二关键点,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像,目标对象在脱敏图像中为第一外形。
另一方面,本申请实施例提供了一种数据处理方法,包括:
显示包括待屏蔽对象的目标图像,待屏蔽对象中具有包括待屏蔽信息的第一内容,待屏蔽对象在目标图像中为第一外形;
响应于针对待屏蔽对象的替换操作,获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息;
显示针对替换操作的脱敏图像,脱敏图像为通过目标对象替换了待屏蔽对象的目标图像,目标对象在脱敏图像中为第一外形。
另一方面,本申请实施例提供了一种数据处理装置,包括确定单元,获取单元,替换单元:
确定单元,用于确定目标图像中待屏蔽对象的第一关键点待屏蔽对象中具有包括待屏蔽信息的第一内容,第一关键点用于标识待屏蔽对象在目标图像中的第一外形;
获取单元,用于获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息,目标对象被标注有第二关键点,第二关键点用于标识目标对象的第二外形;
替换单元,用于根据第一关键点和第二关键点,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像,目标对象在脱敏图像中为第一外形。
另一方面,本申请实施例提供了一种数据处理装置,装置包括第一显示单元,获取单元,第二显示单元:
第一显示单元,用于显示包括待屏蔽对象的目标图像,待屏蔽对象中具有包括待屏蔽信息的第一内容,待屏蔽对象在目标图像中为第一外形;
获取单元,用于响应于针对待屏蔽对象的替换操作,获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息;
第二显示单元,用于显示针对替换操作的脱敏图像,脱敏图像为通过目标对象替换了待屏蔽对象的目标图像,目标对象在脱敏图像中为第一外形。
又一方面,本申请实施例提供了一种计算机设备,计算机设备包括处理器以及存储器:
存储器用于存储计算机程序,并将程序代码传输给处理器;
处理器用于根据计算机程序中的指令执行以上方面所述的方法。
又一方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质用于存储计算机程序,计算机程序用于执行以上方面所述的方法。
又一方面,本申请实施例提供了一种包括计算机程序的计算机程序产品,当其在计算机设备上运行时,使得计算机设备执行以上方面所述的方法。
由上述技术方案可以看出,为了实现图像的无痕脱敏,针对包括待屏蔽对象的目标图像,需要确定用于标识待屏蔽对象在目标对象中的第一外形的第一关键点,并获取与待屏蔽对象为同一对象类型的目标对象,目标对象用于替换目标图像中的待屏蔽对象,由于待屏蔽对象中具有包括待屏蔽信息的第一内容,故目标对象中包括与第一内容为同一内容类型的第一目标内容,且第一目标内容包括的信息为非屏蔽信息,即目标对象和待屏蔽对象包括的内容的类型相同,但是目标对象不涉及待屏蔽信息,并且,目标对象中也被标注有用于标识目标对象的第二外形的第二关键点。由于第一关键点用于标识待屏蔽对象在目标图像中的第一外形,第二关键点用于标识目标对象的第二外形,故根据第一关键点和第二关键点,能够在目标图像中第一关键点所标识的范围内,即在目标图像中第一外形的范围内,将待屏蔽对象合适的替换为目标对象,得到脱敏图像,其中,目标对象在脱敏图像中为第一外形。由于替换过程中只涉及待屏蔽对象的第一外形内的范围,即该过程并不损坏目标图像中除了待屏蔽对象之外的部分,并且,由于目标对象和待屏蔽对象具有相同的对象类型,目标对象和待屏蔽对象包括的内容也具有相同的内容类型,且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中具有相同的外形,故从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,扩大了脱敏图像的应用场景,同时保证了脱敏图像的美观。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例提供的一种数据处理场景的示意图;
图2为本申请实施例提供的一种数据处理方法的方法流程图;
图3为本申请实施例提供的一种包括待屏蔽对象的目标图像的示意图;
图4为本申请实施例提供的一种对目标图像的待屏蔽对象进行涂抹的效果图;
图5为本申请实施例提供的一种确定目标图像中待屏蔽对象的第一关键点的示意图;
图6为本申请实施例提供的一种目标对象的示意图;
图7为本申请实施例提供的一种目标对象替换待屏蔽对象的脱敏图像的示意图;
图8为本申请实施例提供的一种具有第一外形的目标对象的示意图;
图9为本申请实施例提供的一种与待屏蔽对象具有相同颜色的目标对象的示意图;
图10为本申请实施例提供的另一种目标对象替换待屏蔽对象的脱敏图像的示意图;
图11为本申请实施例提供的一种进行灰度处理的待调色对象的示意图;
图12为本申请实施例提供的一种进行了检测框识别的目标图像的示意图;
图13为本申请实施例提供的一种裁剪后的目标子图像的示意图;
图14为本申请实施例提供的一种确定目标子图像中待屏蔽对象的第一关键点的示意图;
图15为本申请实施例提供的一种检测框样本的示意图;
图16为本申请实施例提供的一种关键点样本的示意图;
图17为本申请实施例提供的一种初始检测框子模型的架构图;
图18为本申请实施例提供的一种初始关键点子模型的架构图;
图19为本申请实施例提供的一种数据处理方法的具体流程图;
图20为本申请实施例提供的另一种数据处理方法的方法流程图;
图21为本申请实施例提供的一种数据处理装置的装置示意图;
图22为本申请实施例提供的另一种数据处理装置的装置示意图;
图23为本申请实施例提供的一种终端设备的结构图;
图24为本申请实施例提供的一种服务器的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
针对涉及待屏蔽信息的目标图像,为了保证数据安全,需要对目标对象中的待屏蔽信息进行屏蔽,相关技术中主要是通过对目标图像中涉及待屏蔽信息的待屏蔽对象进行涂抹或打码处理来进行脱敏,具体的,把图像脱敏作为目标检测任务,使用深度学习的方法,在目标图像中检测出包括待屏蔽对象的检测框,检测框可以是矩形框,然后对检测框范围内的图像用单一色块进行涂抹或者打上相应的马赛克。
然而,相关技术中检测出包括待屏蔽对象的检测框然后对检测框内的图像进行涂抹或者打码存在两个主要问题:一方面是会对目标图像造成不必要的损坏,得到的脱敏图像会有明显的修改痕迹,这会影响脱敏图像在后续的使用,例如当该脱敏图像被用作机器学习的训练数据时,会在机器学习过程中让机器学习模型学习到很多与修改痕迹相关的知识,但是目标图像实际上是不存在该修改痕迹的,即该脱敏图像作为机器学习的训练数据会对机器学习模型产生一定的负面影响;另一方面是直接对检测框内的图像进行涂抹或者打码的方法较为粗糙,这会影响基于脱敏图像得到的下游产品的友好性、美观性和趣味性。
为此,本申请实施例提供了一种数据处理方法和相关装置,针对包括待屏蔽对象的目标图像,能够将待屏蔽对象合适的替换为目标对象,得到的脱敏图像并不损坏目标图像中除了待屏蔽对象之外的部分,且从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,扩大了脱敏图像的应用场景,同时保证了脱敏图像的美观。
本申请实施例所提供的一种数据处理方法可以通过计算机设备实施,该计算机设备可以是终端设备或服务器,其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本申请书中相关数据收集处理在实例应用时严格根据相关国家法律法规的要求,包括但不限于获取个人信息主体的告知同意。涉及待屏蔽信息的相关数据收集会获取个人的知情同意或单独同意,并在法律法规及个人信息主体的授权范围内,开展后续数据使用及处理行为。
图1为本申请实施例提供的一种数据处理场景的示意图,其中,前述的计算机设备为服务器。
为了实现图像的无痕脱敏,针对包括待屏蔽对象的目标图像,服务器需要确定用于标识待屏蔽对象在目标对象中的第一外形的第一关键点,第一关键点包括目标图像中待屏蔽对象上的点的位置信息,通过目标图像中待屏蔽对象的点的位置信息可以对待屏蔽对象在目标图像中的形状和尺寸进行标识,即对待屏蔽对象的外形进行标识。
服务器还需要获取与待屏蔽对象为同一对象类型的目标对象,目标对象和待屏蔽对象具有相同的对象类型说明目标对象和待屏蔽对象在形式上相同。目标对象用于替换目标图像中的待屏蔽对象,由于待屏蔽对象中具有包括待屏蔽信息的第一内容,故目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容和第一内容具有相同的内容类型说明第一目标内容和第一内容在形式上相同。同时,第一目标内容包括的信息为非屏蔽信息,即目标对象和待屏蔽对象包括的内容的类型相同,但是目标对象不涉及待屏蔽信息,并且,目标对象中也被标注有用于标识目标对象的第二外形的第二关键点。
由于第一关键点用于标识待屏蔽对象在目标图像中的第一外形,第二关键点用于标识目标对象的第二外形,故根据第一关键点和第二关键点,服务器能够在目标图像中第一关键点所标识的范围内,即在目标图像中第一外形的范围内,将待屏蔽对象合适的替换为目标对象,得到脱敏图像,其中,为了保证替换的目标对象在第一外形的范围内,服务器在替换过程中会对目标对象进行变形,将目标对象的实际外形由第二外形变形为第一外形,使得目标对象在得到的脱敏图像中为第一外形。
由于替换过程中只涉及待屏蔽对象的第一外形内的范围,即该过程并不损坏目标图像中除了待屏蔽对象之外的部分,即替换过程并没有对目标图像造成额外的损坏。
并且,由于目标对象和待屏蔽对象具有相同的对象类型,目标对象和待屏蔽对象包括的内容也具有相同的内容类型,且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中具有相同的外形,故从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,从而扩大了脱敏图像的应用场景,同时得到的脱敏图像会较为自然和谐,保证了脱敏图像的美观。
图2为本申请实施例提供的一种数据处理方法的方法流程图,该方法可以由计算机设备执行,在本实施例中,以该计算机设备是服务器为例进行说明,该方法包括:
S201、确定目标图像中待屏蔽对象的第一关键点。
待屏蔽信息是指需要被屏蔽的信息,由于某些信息在传播时被泄露会存在安全风险,故这些信息需要被屏蔽使得其在传播时不会被泄露,从而保证数据安全,例如车牌号码的具体值、标识信息的具体值等在传播时被泄露可能会存在安全风险的信息就属于待屏蔽信息。
在实际应用中,图像通常是通过摄像机、照相机等设备获取的,这些图像中可能就存在一些涉及待屏蔽信息的图像,如果将涉及待屏蔽信息的图像直接进行使用或者展示等应用,可能就会造成待屏蔽信息的泄露,进而可能会造成安全风险。
对此,需要对涉及待屏蔽信息的目标图像进行脱敏,其中,目标图像是指涉及待屏蔽信息的图像,即是指本实施例中需要进行图像脱敏的图像,如图3所示,由于图3所示的图像中涉及车牌号码的具体值“YX·XXXX”,故图3中的图像即为目标图像。
待屏蔽对象是指目标图像中携带有待屏蔽信息的对象,即待屏蔽对象能够体现待屏蔽信息,例如当目标图像中涉及的待屏蔽信息为车牌号码的具体值时,待屏蔽对象即为对应的车牌。
待屏蔽对象作为携带有待屏蔽信息的对象,具有包括待屏蔽信息的第一内容,其中第一内容是指待屏蔽对象包括的内容中能够体现待屏蔽信息的内容,例如当待屏蔽对象为车牌时,车牌中包括的车牌号码是第一内容,车牌号码的具体值如果体现的是具体的真实号码时,则是对应的待屏蔽信息。
由于待屏蔽对象与待屏蔽信息相关,故如果能够对目标图像中的待屏蔽对象进行屏蔽,就实现了目标图像中待屏蔽信息的屏蔽,即实现了图像脱敏。然而,在相关技术中对待屏蔽对象进行屏蔽时,会在检测出包括待屏蔽对象的检测框后对检测框内的图像进行涂抹或者打码,如图4所示,在检测出包括待屏蔽对象的检测框后就直接对检测框内的图像用黑色进行涂抹,由于检测框内的图像通常不会只包括待屏蔽对象,故直接对检测框内的图像进行涂抹或者打码会导致检测框内除了待屏蔽对象之外的部分也被屏蔽。
对此,为了避免在图像脱敏过程中对目标图像的其他部分造成损坏,需要在图像脱敏过程中对待屏蔽对象实现准确屏蔽。然而,由于在不同的图像中,同一对象的形状和尺寸通常会不同,即同一待屏蔽对象在不同图像中可能会具有不同的外形,此时,服务器可以确定目标图像中待屏蔽对象的第一关键点,第一关键点包括目标图像中待屏蔽对象上的点的位置信息,通过目标图像中待屏蔽对象的点的位置信息可以对待屏蔽对象在目标图像中的形状和尺寸进行标识,即对待屏蔽对象的外形进行标识。也就是说,第一关键点用于标识待屏蔽对象在目标图像中的第一外形,第一外形是指待屏蔽对象在目标图像中的外形,服务器通过确定第一关键点,实现了对待屏蔽对象在目标图像中的第一外形的标识。
需要说明的是,由于通过一个关键点难以对外形进行准确标识,故为了能够对待屏蔽对象在目标图像中的第一外形进行准确标识,第一关键点的数量通常包括多个,如图5所示,当待屏蔽对象为车牌时,第一关键点可以包括车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的位置信息,通过这四个点的位置信息可以标识车牌在目标图像中的第一外形,此外,第一关键点也可以包括车牌四条边的中心位置分别对应的四个点的位置信息,在此并不对第一关键点进行具体限定,能够对目标图像中待屏蔽对象的第一外形进行准确标识即可。
S202、获取与待屏蔽对象为同一对象类型的目标对象。
在相关技术中,为了对待屏蔽对象进行屏蔽,会通过单一色块来进行涂抹或者通过马赛克来进行打码,而实际上通过摄像机等设备获取的图像通常并不会包括单一色块或马赛克,即包括单一色块或者马赛克的脱敏图像会具有明显的修改痕迹。
对此,为了在后续步骤中能够实现对目标图像的无痕脱敏,服务器可以获取与待屏蔽对象为同一对象类型的目标对象,如图6所示,目标对象是指用于替换目标图像中待屏蔽对象的对象,获取目标对象是为了以便在后续步骤中能够根据目标对象对待屏蔽对象进行屏蔽,而不是通过单一色块或者马赛克来对待屏蔽对象进行屏蔽,其中,对象的对象类型能够反映对象在形式上的共同特征,目标对象和待屏蔽对象具有相同的对象类型说明目标对象和待屏蔽对象在形式上相同,例如当待屏蔽对象为车牌时,目标对象也应该为车牌。
为了进一步避免后续步骤中根据目标对象对待屏蔽对象进行替换之后产生的明显的修改痕迹,由于待屏蔽对象中具有包括待屏蔽信息的第一内容,故目标对象中可以包括与第一内容为同一内容类型的第一目标内容,其中,内容类型能够反映对象包括的内容在形式上的共同特征,第一目标内容和第一内容具有相同的内容类型说明第一目标内容和第一内容在形式上相同,例如当待屏蔽对象为车牌,目标对象为另一车牌时,待屏蔽对象包括的第一内容为车牌中包括的车牌号码,目标对象包括的第一目标内容则为另一车牌包括的车牌号码。
需要说明的是,在待屏蔽对象和目标对象的对象类型相同、且待屏蔽对象包括的第一内容和目标对象包括的第一目标内容的内容类型相同的基础上,为了让目标对象能够对目标图像进行图像脱敏,目标对象中具有的第一目标内容包括的信息应该为非屏蔽信息,非屏蔽信息是指无需被屏蔽的信息,也就是泄露不存在安全风险的信息,例如当第一内容为车牌中包括的车牌号码,第一目标内容为另一车牌包括的车牌号码时,由于第一内容对应的车牌号码的具体值体现的是具体的真实号码,故第一内容对应的车牌号码的具体值归属于需要被屏蔽的待屏蔽信息,如图3所示,真实号码“YX·XXXX”就归属于待屏蔽信息,而由于第一目标内容对应的车牌号码的具体值体现的是虚假号码,如图6所示,车牌号码的具体值“腾A·16666”为虚假号码,虚假号码被泄露并不存在安全风险,故第一目标内容对应的车牌号码的具体值归属于无需被屏蔽的非屏蔽信息。
需要说明的是,为了便于后续的说明,当待屏蔽对象和目标对象均为车牌时,可以将待屏蔽对象记载为真车牌,真车牌包括的第一内容记载为真实车牌号码,并将目标对象记载为伪车牌,伪车牌包括的第一目标内容记载为虚假车牌号码。
由于在S201中确定了用于标识待屏蔽对象在目标图像中的第一外形的第一关键点,故目标对象也可以被标注有第二关键点,其中,第二关键点包括目标对象上的点的位置信息,目标对象上的点的位置信息可以对目标对象的外形进行标识,即第二关键点用于标识目标对象的第二外形,第二外形是指目标对象的外形。
需要说明的是,为了便于后续步骤中用目标对象替换待屏蔽对象,目标对象对应的第二关键点和待屏蔽对象对应的第一关键点之间应该是一一对应的,即第二关键点和第一关键点所包括的应该是同一语义的点的位置信息,例如当待屏蔽对象为真车牌,目标对象为伪车牌,第一关键点包括真车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的位置信息时,第二关键点应该包括伪车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的位置信息。
S203、根据第一关键点和第二关键点,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像。
由于第一关键点用于标识待屏蔽对象在目标图像中的第一外形,第二关键点用于标识目标对象的第二外形,且第一关键点和第二关键点之间具有对应关系,故根据第一关键点和第二关键点,服务器能够在目标图像中第一关键点所标识的范围内,即目标图像中待屏蔽对象对应的第一外形的范围内,将目标图像中的待屏蔽对象合适的替换为目标对象,如图7所示,得到脱敏图像,其中,为了保证替换的目标对象在第一外形的范围内,服务器在替换过程中会对目标对象进行变形,如图6和图7所示,将目标对象的实际外形由第二外形变形为第一外形,使得目标对象在得到的脱敏图像中为第一外形。
在本实施例中,由于替换过程只涉及目标图像中第一关键点所标识的范围,即只涉及目标图像中待屏蔽对象对应的第一外形的范围内,并不涉及目标图像中除了第一外形之外的范围,故替换过程并没有损坏目标图像中除了待屏蔽对象之外的部分,即替换过程并没有对目标图像造成额外的损坏。
同时,由于目标对象和待屏蔽对象具有相同的对象类型,目标对象和待屏蔽对象包括的内容也具有相同的内容类型,即目标对象和待屏蔽对象在形式上相同,且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中还具有相同的外形,故得到的脱敏图像中与目标对象相关的修改痕迹较为自然,即得到的脱敏图像较为自然和谐,使得无论从肉眼还是机器的角度均难以识别到脱敏图像中与目标对象相关的修改痕迹。
需要说明的是,为了保证用于替换的目标对象在变形后的自然程度,从而保证无痕脱敏,在本实施例中,被替换的待屏蔽对象应该为刚体,即用于替换的目标对象也为刚体,从而保证服务器能够根据第一关键点和第二关键点,得到的脱敏图像中目标对象较为自然和谐。
此外,在图像脱敏过程中,服务器可以先对目标对象进行变换,来得到实际外形为第一外形的目标对象,如图3和图8所示,图8中的目标对象的实际外形即为图3中待屏蔽对象的第一外形,再通过变形后的目标对象对目标图像中待屏蔽对象进行替换,得到脱敏图像;也可以根据第一关键点和第二关键点,直接将目标对象映射至目标图像的第一外形的范围内,在映射过程中会直接对目标对象的进行变形。
在一种可能的实现方式中,S203中根据第一关键点和第二关键点,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像,包括:
根据第一关键点和第二关键点,确定将第二外形映射到第一外形的变换参数;
通过变换参数,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像。
由于S201中获取的目标对象的实际外形为第二外形,而替换后的目标对象在目标图像的实际外形为第一外形,故为了能够在替换过程中对目标对象进行准确变形,服务器根据具有对应关系的第一关键点和第二关键点,可以确定将第二外形映射到第一外形的变换参数,变换参数是指用于对目标对象进行变形的参数,例如当待屏蔽对象为真车牌,目标对象为伪车牌,第一关键点包括真车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的位置信息,第二关键点包括伪车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的位置信息时,调用相关工具集(例如机器学习软件库OpenCV的findHomography函数)可以根据这四个一一对应的点对,确定出变换参数。
变换参数可以以矩阵的形式表示,由于目标对象是刚体,刚体的变形主要有旋转、缩放、平移、投影,故当变换参数为矩阵形式时,可以通过下述变换矩阵来表示刚体的变换:
其中,表示旋转矩阵、/>表示平移矩阵,[c1 c2]表示投影矩阵。
通过上述变换矩阵可以表示刚体的变换,旋转矩阵表示旋转、缩放等变换,平移矩阵表示平移变换,投影矩阵表示投影变换。
在确定了变换参数之后,在目标图像中第一关键点标识的范围内,服务器可以通过变换参数,对具有第二外形的目标对象进行变形,使得变形的目标对象替换待屏蔽对象,例如根据变换参数,服务器可以调用相关工具集(例如机器学习软件库OpenCV的warpPerspective函数)将目标对象变形为第一外形。
根据第一关键点和第二关键点,服务器可以确定对应的变换参数,通过变换参数能够准确将目标对象由第二外形变形为第一外形,从而保证目标对象在得到的脱敏图像中的实际外形为第一外形。
由此可见,为了实现图像的无痕脱敏,针对包括待屏蔽对象的目标图像,需要确定用于标识待屏蔽对象在目标对象中的第一外形的第一关键点,并获取与待屏蔽对象为同一对象类型的目标对象,目标对象用于替换目标图像中的待屏蔽对象,由于待屏蔽对象中具有包括待屏蔽信息的第一内容,故目标对象中包括与第一内容为同一内容类型的第一目标内容,且第一目标内容包括的信息为非屏蔽信息,即目标对象和待屏蔽对象包括的内容的类型相同,但是目标对象不涉及待屏蔽信息,并且,目标对象中也被标注有用于标识目标对象的第二外形的第二关键点。由于第一关键点用于标识待屏蔽对象在目标图像中的第一外形,第二关键点用于标识目标对象的第二外形,故根据第一关键点和第二关键点,能够在目标图像中第一关键点所标识的范围内,即在目标图像中第一外形的范围内,将待屏蔽对象合适的替换为目标对象,得到脱敏图像,其中,目标对象在脱敏图像中为第一外形。由于替换过程中只涉及待屏蔽对象的第一外形内的范围,即该过程并不损坏目标图像中除了待屏蔽对象之外的部分,并且,由于目标对象和待屏蔽对象具有相同的对象类型,目标对象和待屏蔽对象包括的内容也具有相同的内容类型,且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中具有相同的外形,故从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,扩大了脱敏图像的应用场景,同时保证了脱敏图像的美观。
在保证目标对象和待屏蔽对象具有相同的对象类型、目标对象和待屏蔽对象包括的内容也具有相同的内容类型、且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中具有相同的外形的基础上,为了进一步减少脱敏图像的修改痕迹,在一种可能的实现方式中,S202中获取与待屏蔽对象为同一对象类型的目标对象,包括:
S11、确定待屏蔽对象在目标图像中的颜色参数;
S12、获取与待屏蔽对象为同一对象类型的待调色对象,待调色对象被标注有第二关键点;
S13、根据颜色参数调整待调色对象的颜色分布,得到目标对象。
在图像脱敏的实际应用中,目标图像中包括的待屏蔽对象的实际颜色会根据实际情况存在多种可能,例如当待屏蔽对象为车牌时,目标图像中的车牌的颜色可能会由于光照等原因比较亮,也可能会由于对应的车牌实物比较旧等原因比较暗,如图3所示,图3中的作为待屏蔽对象的真车牌的颜色就较暗,而如图6所示,图6中作为目标对象的伪车牌的颜色就较为亮,由于目标图像中待屏蔽对象和目标对象的颜色不一致,如图3和图7所示,使得得到的脱敏图像中的目标对象与目标图像中的待屏蔽对象在颜色上存在区别。
此时,为了进一步减少脱敏图像的修改痕迹,使得脱敏图像中的目标对象更加自然和谐,服务器可以确定待屏蔽对象在目标图像中的颜色参数,其中,在本实施例中,颜色参数用于标识待屏蔽对象在目标图像中的实际颜色,例如可以将目标图像中待屏蔽对象区域像素的三原色(Red Green Blue,RGB)值作为待屏蔽对象在目标图像中的颜色参数。
为了获取与待屏蔽对象为同一对象类型的目标对象,服务器可以先获取与待屏蔽对象为同一对象类型的待调色对象,待调色对象是用于得到目标对象的初始对象,其中,由于目标对象需要被标注有第二关键点,故待调色对象也应该被标注有第二关键点。
在确定待屏蔽对象在目标图像的颜色参数的基础上,服务器可以根据颜色参数调整待调色对象的颜色分布,得到和待屏蔽对象具有相同颜色的目标对象,如图3和图9所示,服务器得到了和目标图像中真车牌具有相同颜色的伪车牌,以便能够根据与待屏蔽对象具有相同颜色的目标对象,得到更为自然和谐的脱敏图像,如图10所示,图10为基于图9中的目标对象得到的脱敏图像,图10中的目标对象与图3中的待屏蔽对象具有相同的颜色,即图10具有更少的修改痕迹。
确定待屏蔽对象在目标图像中的颜色参数,并根据颜色参数对待调色对象的颜色分布进行调整,得到和待屏蔽对象具有相同颜色的目标对象,从而使得脱敏图像中的目标对象和目标图像中的待屏蔽对象具有相同的颜色,从而进一步减少脱敏图像中关于目标对象的修改痕迹,使得得到的脱敏图像更为和谐自然。
在一种可能的实现方式中,待屏蔽对象中还具有包括非屏蔽信息的第二内容,S11中确定待屏蔽对象在目标图像中的颜色参数,包括:
S21、通过对待屏蔽对象的像素进行颜色聚类,得到多个颜色集合;
S22、根据第一内容和第二内容在待屏蔽对象中的占比大小与多个颜色集合中的像素数量间的关联关系,确定颜色参数,颜色参数用于标识在关联关系下第一内容和第二内容分别对应的颜色。
待屏蔽对象作为与待屏蔽信息相关的对象,除了具有包括待屏蔽信息的第一内容之外,还具有包括非屏蔽信息的第二内容,并且为了让第一内容能够清楚的体现待屏蔽信息,第一内容和第二内容的颜色并不相同,例如当待屏蔽对象为真车牌,真车牌中包括的真实车牌号码是第一内容时,由于真车牌中的车牌背景泄露不存在风险,故真车牌中的车牌背景归属于第二内容,此时,为了能够清楚的体现真车牌中的真实车牌号码,车牌背景的颜色与真实车牌号码的颜色并不相同。
对此,为了能够对待屏蔽对象的颜色进行准确标识,服务器可以先通过对待屏蔽对象的像素进行颜色聚类,得到多个颜色集合,例如服务器可以使用k-means聚类算法来对待屏蔽对象的像素进行颜色聚类,其中,不同颜色集合中的像素的颜色通常差异较大。
在确定了多个颜色集合之后,由于不同的颜色集合中的像素的颜色通常差异较大,且由于第一内容和第二内容的颜色并不相同,故第一内容和第二内容会分别对应于不同的颜色集合。
由于第一内容和第二内容会分别对应于不同的颜色集合,故在一种可能的实现方式中,多个颜色集合的集合数量是根据第一内容和第二内容的总数量确定的。
由于待屏蔽对象包括的第一内容和第二内容会分别对应于不同的颜色集合,故为了使得每个第一内容和每个第二内容均存在对应的颜色集合,多个颜色集合的集合数量可以是根据第一内容和第二内容的总数量确定的,即多个颜色集合的集合数量可以和第一内容和第二内容的总数量相同,例如当待屏蔽对象包括的第一内容和第二内容的总数量为3个时,多个颜色集合的集合数量则也为3个。通过根据第一内容和第二内容的总数量来确定多个颜色集合的集合数量,以便服务器可以在对待屏蔽对象的像素进行颜色聚类的过程中,能够将聚类数量设置为该总数量,得到与该总数量相匹配的多个颜色集合,从而让每个第一内容和每个第二内容均存在对应的颜色集合。
对此,由于第一内容和第二内容在待屏蔽对象中的占比通常并不相同,且内容在待屏蔽对象中的占比和该内容对应的像素数量呈正相关,例如当内容的占比越大时,该内容对应的像素数量也就越多,故根据第一内容和第二内容在待屏蔽对象中的占比大小和多个颜色集合中的像素数量间的关联关系,能够确定第一内容和第二内容与多个颜色集合的对应关系。具体的,若第一内容在待屏蔽对象中的占比较大,第一内容对应的像素数量也就越多,第一内容就应该与像素数量较多的颜色集合相对应;若第一内容在待屏蔽对象中的占比较小,第一内容对应的像素数量也就越小,第一内容就应该与像素数量较少的颜色集合相对应。
在确定了第一内容和第二内容与多个颜色集合的对应关系之后,服务器根据该对应关系,可以确定待屏蔽对象的颜色参数,在本实施例中,颜色参数能够准确标识第一内容和第二内容分别对应的颜色。具体的,服务器可以先确定多个颜色集合分别对应的颜色,例如服务器可以对聚类得到的多个颜色集合中每个颜色集合计算类心,并将类心的颜色确定为对应的颜色集合的颜色,然后服务器可以根据第一内容和第二内容与多个颜色集合的对应关系,以及多个颜色集合分别对应的颜色,确定第一内容和第二内容分别对应的颜色。
针对包括第一内容和第二内容的待屏蔽对象,服务器可以通过对待屏蔽对象的像素进行颜色聚类,得到多个颜色集合,并根据第一内容和第二内容在待屏蔽对象中的占比大小和多个颜色集合中的像素数量间的关联关系,能够将多个颜色集合分别对应的颜色准确分配给第一内容和第二内容,从而准确得到待屏蔽对象中第一内容和第二内容分别对应的颜色。
针对包括第一内容和第二内容的待屏蔽对象,在确定了颜色参数之后,在一种可能的实现方式中,S13中根据颜色参数调整待调色对象的颜色分布,得到目标对象,包括:
确定待调色对象中与第一内容为同一内容类型的第一目标内容,以及与第二内容为同一内容类型的第二目标内容;
根据颜色参数,将第一目标内容的颜色调整为第一内容对应的颜色,将第二目标内容的颜色调整为第二内容对应的颜色,得到目标对象。
由于目标对象用于替换目标图像中的待屏蔽对象,故当待屏蔽对象包括第一内容和第二内容时,作为用于得到目标对象的待调色对象,待调色对象中也会包括对应的第一目标内容和第二目标内容,其中,待屏蔽对象的第一内容和待调色对象的第一目标内容会具有相同的内容类型,待屏蔽对象的第二内容和待调色对象的第二目标内容也会具有相同的内容类型。
此时,由于颜色参数能够准确标识待屏蔽对象中第一内容和第二内容分别对应的颜色,故为了能够根据颜色参数实现对待调色对象的颜色分布的准确调整,需要根据颜色参数分别调整待调色对象的第一目标内容和第二目标内容的颜色。
具体的,服务器可以先确定待调色对象中与第一内容为同一内容类型的第一目标内容,以及与第二内容为同一内容类型的第二目标内容,再根据颜色参数将第一目标内容的颜色调整为第一内容对应的颜色,并将第二目标内容的颜色调整为第二内容对应的颜色,得到对应的目标对象,例如当目标图像中待屏蔽对象区域像素的RGB值作为待屏蔽对象在目标图像中的颜色参数时,可以先对待调色对象做灰度二值化,让待调色对象中第一目标内容灰度为255,以及第二目标内容灰度为0,得到如图11所示的待调色对象,再将待调色对象中灰度为255的内容调整为第一内容的颜色,以及将灰度为0的内容调整为第二内容的颜色,得到如图9所示颜色分布和待屏蔽对象一致的目标对象。
通过先确定待调色对象的第一目标内容和第二目标内容,然后再根据颜色参数中标识的待屏蔽对象的第一内容和第二内容分别对应的颜色,能够准确将待调色对象的第一目标内容调整为第一内容对应的颜色,以及将待调色对象的第二目标内容调整为第二内容对应的颜色,从而得到和待调整对象具有相同颜色分布的目标对象。
在一种可能的实现方式中,第一内容为待屏蔽对象中的前景内容,第二内容为待屏蔽对象中的背景内容,与第一内容具有关联关系的颜色集合中的像素数量,小于与第二内容具有关联关系的颜色集合中的像素数量。
在图像脱敏的实际过程中,待屏蔽对象包括第一内容和第二内容,其中,待屏蔽对象中的前景内容可以为涉及待屏蔽信息的第一内容,前景内容是指待屏蔽对象中作为前景的部分内容,由于前景内容通常包括能够体现重要信息的内容,当该重要信息为泄露存在安全风险的待屏蔽信息时,前景内容为第一内容;待屏蔽对象中的背景内容可以为涉及非屏蔽信息的第二内容,背景内容是指待屏蔽对象中作为背景的部分内容,由于背景内容通常包括仅体现背景信息的内容,背景信息为泄露不存在安全风险的非屏蔽信息,即背景内容为第二内容,例如当待屏蔽对象为真车牌时,第一内容为真车牌的真实车牌号码,真实车牌号码归属于车牌的前景内容,而第二内容为真车牌的车牌背景,车牌背景归属于车牌的背景内容。
此时,待屏蔽对象中前景内容在待屏蔽对象中的区域会小于背景内容在待屏蔽对象中的区域,例如当待屏蔽对象为真车牌时,真实车牌号码在真车牌中的区域会小于车牌背景在真车牌中的区域,即第一内容(前景内容)在待屏蔽对象中的占比小于第二内容(背景内容)在待屏蔽对象中的占比。
由于内容在待屏蔽对象中的占比和该内容对应的像素数量呈正相关,故第一内容对应的像素数量小于第二内容对应的像素数量,即与第一内容具有关联关系的颜色集合中的像素数量小于与第二内容具有关联关系的颜色集合中的像素数量,例如当待屏蔽对象为真车牌时,与真实车牌号码具有关联关系的颜色集合中的像素数量小于与车牌背景具有关联关系的颜色集合中的像素数量,以便可以准确确定待屏蔽对象中前景内容和背景内容分别对应的颜色。
在图像脱敏的实际过程中,针对包括前景内容和背景内容的待屏蔽对象,前景内容为第一内容,背景内容为第二内容,与第一内容(前景内容)具有关联关系的颜色集合的像素数量小于与第二内容(背景内容)具有关联关系的颜色集合的像素数量,以便可以准确确定前景内容和背景内容分别对应的颜色。
在图像脱敏的实际过程中,可以通过相关的模型来对待屏蔽对象进行识别,故在一种可能的实现方式中,S201中确定目标图像中待屏蔽对象的第一关键点,包括:
通过识别模型确定目标图像中待屏蔽对象的第一关键点;
识别模型通过如下方式训练得到:
S31、获取检测框样本和关键点样本,检测框样本中包括待屏蔽对象,检测框样本的第一样本标签用于标识待屏蔽对象在检测框样本中所处样本区域,关键点样本为根据检测框样本的样本区域确定的,关键点样本的第二样本标签用于标识待屏蔽对象在关键点样本中的标注关键点;
S32、根据检测框样本,通过初始检测框子模型确定对应的检测框识别结果,并根据关键点样本,通过初始关键点子模型确定对应的关键点识别结果;
S33、基于检测框识别结果与第一样本标签的差异,训练初始检测框子模型,得到检测框子模型,并基于关键点识别结果与第二样本标签的差异,训练初始关键点子模型,得到关键点子模型;
S34、通过检测框子模型和关键点子模型组成识别模型,检测框子模型的输出为关键点子模型的输入。
识别模型是指能够对目标图像中的待屏蔽对象进行识别,并确定待屏蔽对象的第一关键点的模型,识别模型包括检测框子模型和关键点子模型,其中,检测框子模型的输入是目标图像,检测框子模型的输出为关键点子模型的输入,关键点子模型输出的是待屏蔽对象的第一关键点。
具体的,检测框子模型用于在输入的目标图像中检测出包括待屏蔽对象的检测框,如图12所示,目标图像中检测出包括车牌的检测框,并基于检测框对目标图像进行裁剪,得到检测框范围内的目标子图像,如图13所示,图13为裁剪得到的目标子图像,目标子图像是指目标图像中处于检测框范围内的部分图像,由于检测框范围内包括待屏蔽对象,故目标子图像中也包括待屏蔽对象;关键点子模型用于在输入的目标子图像中确定待屏蔽对象的第一关键点,以便根据第一关键点能够准确确定待屏蔽对象在目标图像中的第一外形,如图14所示,根据目标子图像能够确定真车牌的四个第一关键点。
服务器可以通过对初始检测框子模型和初始关键点子模型进行训练,从而得到可以应用的识别模型,初始检测框子模型是指可以用于被样本训练以得到检测框子模型的初始化模型,即未完成训练的检测框子模型,初始关键点子模型是指可以用于被样本训练以得到关键点子模型的初始化模型,即未完成训练的关键点子模型。
具体的,为了进行模型训练,服务器可以先获取检测框样本和关键点样本。
检测框样本是指用于对初始检测框子模型进行训练的图像样本,检测框样本中应该包括待屏蔽对象。为了实现对模型的监督训练,检测框样本被配置有第一样本标签,第一样本标签用于标识待屏蔽对象在检测框样本中所处样本区域,即第一样本标签能够标识包括待屏蔽对象的检测框在检测框样本中的真实位置,例如当待屏蔽对象为车牌时,检测框样本应该为包括车牌的图像样本,可以通过采集车载视觉下的车牌图像作为检测框样本,第一样本标签用于标识车牌在检测框样本中所处的样本区域,检测框可以是矩形框的形式,如图15所示,当包括真车牌的图像作为检测框样本时,配置的第一样本标签用于标识真车牌在检测框样本中所处样本区域。
关键点样本是指用于对初始关键点子模型进行训练的图像样本,关键点样本是根据检测框样本的第一样本标签标识的样本区域确定的,服务器可以根据检测框样本的第一样本标签,对检测框样本进行裁剪,得到对应的关键点样本,也就是说,关键点样本是指检测框样本处于第一样本标签标识的样本区域范围内的部分图像。为了实现对模型的监督训练,关键点样本被配置有第二样本标签,第二样本标签用于标识待屏蔽对象在关键点样本中的标注关键点,标注关键点能够对待屏蔽对象在关键点样本中的真实外形进行准确标识,即第二样本标签能够标识待屏蔽对象在关键点样本中的真实外形,例如当待屏蔽对象为车牌,检测框样本为包括车牌的图像样本时,关键点样本可以为基于检测框样本裁剪得到的包括车牌的图像样本,标注关键点包括在关键点样本中车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的真实位置信息,如图16所示,基于图15所示的检测框样本经过裁剪可以得到对应的关键点样本,并且关键点样本的第二样本标签包括真车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的真实位置信息。
根据检测框样本,服务器可以通过初始检测框子模型可以确定对应的检测框识别结果,检测框识别结果中包括待屏蔽对象的检测框在检测框样本中的预测位置。
由于检测框样本包括的每个待屏蔽对象都需要确定对应的检测框的预测位置,故检测框样本中包括的待屏蔽对象的数量和检测框识别结果中检测框的数量应该相同。此时,检测框识别结果可以包括每个检测框的中心横坐标、中心纵坐标、宽、高的偏移回归量,以及是否包括待屏蔽对象的置信度和目标类别数,其中,每个检测框是否包括待屏蔽对象的置信度用于标识每个检测框内是否存在待屏蔽对象,当被检测的待屏蔽对象具有多个对象类型时,目标类别数用于标识每个检测框内的待屏蔽对象的具体对象类型,例如当被检测的待屏蔽对象具有车牌和标识信息证明这两个对象类型时,目标类别数用于标识待屏蔽对象是否为车牌这一对象类型以及待屏蔽对象是否为标识信息这一对象类型,需要说明的是,当被检测的待屏蔽对象只有一个对象类型时,例如当被检测的待屏蔽对象只有车牌这一个对象类型时,即不需要目标类别数来对待屏蔽对象的具体对象类型进行标识。此时,确定检测框识别结果的通道数应该是多个,可以用m来表示,每个通道都对应着特定的输出结果,例如可以通过下述公式确定m的具体值:
m=b*(4+1+c)
其中,m表示确定检测框识别结果的通道数,b表示检测框识别结果中确定的检测框个数,4表示针对一个检测框确定的中心横坐标、中心纵坐标、宽、高的偏移回归量对应的4个通道数,1表示针对一个检测框确定的是否包括待屏蔽对象的置信度对应的1个通道数,c表示针对一个检测框确定的目标类别数对应的c个通道数。
根据关键点样本,服务器可以通过初始关键点子模型确定对应的关键点识别结果,关键点识别结果中包括待屏蔽对象在关键点样本中的预测关键点,预测关键点包括关键点样本中待屏蔽对象上的点的预测位置信息,其中,关键点识别结果中包括的图像的空间尺寸(宽和高)与输入的关键子样本一致,输出的关键点识别结果的通道数与第二样本标签定义的标注关键点数量相同,且每一个通道对应一个标注关键点,例如当标注关键点包括在关键点样本中车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点的真实位置信息时,关键点识别结果的通道数则为4,且第一通道和第四通道分别对应车牌左上角、左下角、右上角和右下角这四个位置分别对应的四个点。
在确定了检测框识别结果之后,基于检测框识别结果与第一样本标签的差异,服务器可以训练初始检测框子模型,得到检测框子模型。具体的,服务器可以基于检测框识别结果与第一样本标签的差异,确定对应的检测框损失函数,检测框损失函数用于对初始检测框子模型进行训练。
在确定了关键点识别结果之后,基于关键点识别结果与第二样本标签的差异,服务器可以训练初始关键点子模型,得到关键点子模型。具体的,服务器可以基于关键点识别结果与第二样本标签的差异,确定对应的关键点损失函数,关键点损失函数可以为交叉熵函数,关键点损失函数用于对初始关键点子模型进行训练。
服务器可以通过检测框样本和关键点样本,分别对初始检测框子模型和初始关键点子模型进行训练,并通过训练确定的检测框子模型和关键点子模型组成识别模型,以便能够通过识别模型来准确确定目标图像中待屏蔽对象的第一关键点。
由于实际获取的目标图像中待屏蔽对象通常会具有多种尺寸,故在一种可能的实现方式中,初始检测框子模型用于输出多个特征尺度的检测框识别结果,不同特征尺度的检测框识别结果中的检测框尺寸不同。
实际获取的目标图像中待屏蔽对象通常会具有多种尺寸,例如当摄像机、照相机等设备与待屏蔽对象的距离较近时,目标图像中待屏蔽对象的尺寸会较大,而当摄像机、照相机等设备与待屏蔽对象的距离较远时,目标图像中待屏蔽对象的尺寸会较小。
对此,为了能够保证具有多种尺寸的待屏蔽对象的识别精度,初始检测框子模型可以用于输出多个特征尺度的检测框识别结果,其中,不同特征尺度的检测框识别结果中的检测框尺寸不同,使得训练得到的检测框子模型在对目标图像中待屏蔽对象进行检测时,可以通过具有不同尺寸的多个检测框对待屏蔽对象分别进行检测,从而实现对待屏蔽对象的多尺度检测。
下面以具有3个特征尺度的初始检测框子模型为例进行说明,如图17所示,初始检测框子模型的骨干网络可以包括一个骨干(stem)和多个骨干网络层(B-layer),骨干可以进行平均池化(Maxpool)和批量归一化(Batch Normalization,BN),每个骨干网络层内可以包含多个残差卷积模块(Res Block),例如可以包括步长(stride)为2的残差卷积模块,也可以包括多个步长为1的残差卷积模块,其中,残差卷积模块可以进行下采样(downsample),即骨干网络可以包含多个下采样尺度,残差卷积模块还可以进行批量归一化和通过修正线性单元(rectified linear unit,Relu)进行修正,最后三个骨干网络层的输出可以传递到下一个阶段,即分别传递到三个特征层,且最后三个特征层的输出为三个不同特征尺度的检测框识别结果,其中特征层中包括多个残差卷积模块和上采样模块。需要说明的是,为了让初始检测框子模型能够更好的适应目标图像中待屏蔽对象的不同尺寸,可以将骨干网络输出的三个不同特征尺度下的相关特征进行融合,再在三个特征尺度上分别生成对应的检测框识别结果。
通过让初始检测框子模型可以输出多个特征尺度的检测框识别结果,可以使得训练得到的检测框子模型能够对目标图像中的待屏蔽对象实现多尺度的检测,从而确保目标图像中具有不同尺度的待屏蔽对象的识别精度。
需要说明的是,当初始检测框子模型用于输出多个特征尺度的检测框识别结果时,S33中基于检测框识别结果与第一样本标签的差异,训练初始检测框子模型,得到检测框子模型,包括:
基于多个特征尺度的检测框识别结果分别与第一样本标签的差异,训练初始检测框子模型,得到检测框子模型。
具体的,由于初始检测框子模型输出了多个特征尺度的检测框识别结果,故服务器可以基于多个特征尺度的检测框识别结果分别与第一样本标签的差异,确定每个特征尺度分别对应的检测框子损失函数,例如,针对第n个特征尺度的检测框识别结果,可以通过下述公式确定第n个特征尺度对应的检测框子损失函数:
其中,lossn表示第n个特征尺度对应的检测框子损失函数,Sn表示第n个特征尺度的检测框识别结果中检测框样本的宽和高,bn表示第n个特征尺度的检测框识别结果中确定的检测框个数,表示检测框识别结果中输出的图像的(i,j)位置是否存在待屏蔽对象,若存在则数值为1,若不存在则为0,/>用于表示检测框识别结果中检测框样本的(i,j)位置对应的检测框的中心横坐标、中心纵坐标、宽、高的偏移回归量的预测值,xij,yij,wij,hij用于表示第一样本标签中标识的检测框样本的(i,j)位置对应的检测框的中心横坐标、中心纵坐标、宽、高的偏移回归量的真实值,/>用于表示检测框识别结果中检测框样本的(i,j)位置对应的检测框是否包括待屏蔽对象的置信度的预测值,Cij用于表示第一样本标签中标识检测框样本的(i,j)位置对应的检测框是否包括待屏蔽对象的置信度的真实值,α,β表示分别表示对应的权重。
通过上述公式可以基于第n个特征尺度的检测框识别结果的预测值和第一样本标签的真实值之间的差异,确定第n个特征尺度对应的检测框子损失函数,需要说明的是,上述公式适用于被检测的待屏蔽对象只有一个对象类型,即不需要目标类别数来对待屏蔽对象的具体对象类型进行标识的情况,当被检测的待屏蔽对象具有多个对象类型时,可以相应的计算检测框识别结果和第一样本标签在目标类别数上的差异。
在确定第n个特征尺度对应的检测框子损失函数之后,可以对多个特征尺度分别对应的检测框子损失函数进行求和,得到检测框损失函数。例如,以具有3个特征尺度的初始检测框子模型为例,可以通过下述公式确定用于训练该初始检测框子模型的检测框损失函数:
loss=loss1+loss2+loss3
其中,loss表示检测框损失函数,loss1表示第1个特征尺度对应的检测框子损失函数,loss2表示第2个特征尺度对应的检测框子损失函数,loss3表示第3个特征尺度对应的检测框子损失函数。
为了让确定的检测框子模型能够通过尺寸合适的检测框对目标对象中的待屏蔽对象进行检测,在一种可能的实现方式中,数据处理方法还包括:
确定检测框样本中第一样本标签所标识的检测框尺寸;
按照检测框尺寸的大小关系,确定不同特征尺度的检测框识别中,初始检测框子模型采用的检测框尺寸。
由于检测框样本中的第一样本标签能够标识包括待屏蔽对象的检测框在检测框样本中的真实位置,故第一样本标签所标识的检测框的尺寸是与其所包括的待屏蔽对象的尺寸相匹配的,即服务器可以确定检测框样本中的第一样本标签所标识的检测框尺寸,从而得到与检测框样本中的待屏蔽对象相匹配的检测框尺寸。
由于第一样本标签所标识的检测框尺寸能够与检测框样本中的待屏蔽对象相匹配,故服务器可以按照第一样本标签所标识的检测框尺寸的大小关系,确定不同特征尺度的检测框识别中,初始检测框子模型能够采用的检测框尺寸,从而使得确定的检测框子模型采用的检测框尺寸能够和目标图像中的待屏蔽对象相匹配。
具体的,服务器可以先确定初始检测框子模型全部特征尺度下的总检测框数量,总检测框数量可以用B表示,总检测框数量B用于标识在全部特征尺度的检测框识别中,初始检测框子模型能够采用的不同尺寸的检测框的总数量,需要说明的是,多个不同尺寸的检测框可以用于同一特征尺度的检测框识别中。然后,服务器可以将检测框的具体尺寸(例如检测框的宽和高)视为特征,对检测框样本中第一样本标签所标识的多个检测框尺寸进行聚类,例如可以通过k-means进行聚类,并指定聚类数量为总检测框数量B,得到B个尺寸集合。接着,服务器可以根据这B个尺寸集合中每个尺寸集合的类心,确定初始检测子模型在检测框识别中能够采用的检测框尺寸。最后,服务器可以将初始检测子模型能够采用的B个检测框尺寸按面积大小进行排序,然后基于该顺序将这B个检测框尺寸分配给不同特征尺度的检测框识别,例如,当初始检测框子模型具有3个特征尺度时,服务器可以将前B/3个检测框尺寸分配给最大的特征尺度,后B/3个检测框尺寸分配给最小的特征尺度,其余的检测框尺寸分配给中间尺寸的特征尺度,从而实现将尺寸较大的检测框尺寸分配给特征尺度较大的检测框识别,以及将尺寸较小的检测框尺寸分配给特征尺度较小的检测框识别。
服务器根据第一样本标签所标识的检测框尺寸大小,即根据检测框样本中待屏蔽对象的尺寸大小,合理设计初始检测框子模型能够采用的检测框尺寸,从而使得确定的检测框子模型采用的检测框尺寸能够和目标图像中待屏蔽对象的尺寸相匹配。
由于第二样本标签中的标注关键点的精确度不够高,故在一种可能的实现方式中,S33中的关键点识别结果与第二样本标签的差异通过如下方式确定:
根据关键点识别结果中的预测关键点,生成预测关键点对应的预测热图;
根据预测热图和第二样本标签中标注关键点对应的标注热图,确定关键点识别结果与第二样本标签的差异。
第二样本标签用于标识待屏蔽对象在关键点样本中的标注关键点,而每个标注关键点都只有一个点,但是在对待屏蔽对象进行标注时,标注关键点其实很难被某一个像素位置定义,也就是说,标注关键点很难被准确的标注,即标注关键点的精确度较低,例如标注关键点附近的点也可能是待屏蔽对象在关键点样本中的关键点,如果直接将标注关键点附近的点作为负样本,这可能会对初始关键点子模型的训练带来干扰。
对此,服务器可以根据第二样本标签的标注关键点,确定对应的标注热图,即做一个“软标注”,标注热图是指用于标识关键点样本中的点与标注关键点之间距离的热图。具体的,服务器可以用高斯函数将标注关键点这单个点扩展成为对应的标注热图,若标注关键点的坐标为μ=(μx,μy),那么确定的标注热图上的某一点(x,y)上的值为:
其中,heatmap(x,y)表示标注热图上的某一点(x,y)上的值,σ表示高斯函数的标准差,(μx,μy)表示标注关键点的坐标,(x,y)表示标注热图上某一点的坐标。
通过上述公式可以将标注关键点这单个点扩展成为对应的标注热图,其中,高斯函数的标准差通常根据关键点样本的图像大小和标注关键点的分布情况而确定,一般可以选择1到3之间的值,高斯函数的标准差越大,高斯核的分布越平缓,标注热图的峰值越宽,但也可能会导致标注关键点的位置不够准确,因此,高斯函数的标准差的选择需要在精度和效率之间进行权衡。
需要说明的是,由于关键点样本的第二样本标签包括的标注关键点通常包括多个,故每个标注关键点均为生成一张标注热图,然后可以在通道维度将多张标注热图按顺序拼接为一个总标注热图。
在根据标注关键点确定对应的标注热图的基础上,为了能够确定关键点识别结果与第二样本标签之间的差异,服务器可以根据关键点识别结果中的预测关键点,生成对应的预测热图,预测热图是指用于标识关键点样本中的点与预测关键点之间距离的热图。由于关键点识别结果是由多个通道输出的,且每一个通道输出一个预测关键点,故服务器可以在关键点识别结果的每个通道上寻找最大的响应值,最大的响应值的位置就是通道对应的预测关键点所在的位置。
在生成预测热图之后,服务器可以通过比较预测热图和标注热图,确定关键点识别结果与第二样本标签间的差异,以便能够根据关键点识别结果与第二样本标签间之间的差异来对初始关键点子模型进行训练,即使用预测热图和标注热图来对初始关键点子模型进行训练。使用热图来训练初始关键点子模型,能够给初始关键点子模型的训练增加一个方向性的引导,距离标注关键点越近,激活值越大,从而使得初始关键点子模型能够有方向的快速接近标注关键点。
将第二样本标签的标注关键点扩展为对应的标注热图,并将关键点识别结果中的预测关键点扩展为对应的预测热图,以便能够通过对标注热图和预测热图进行比较来确定关键点识别结果和第二样本标签的差异,避免了在确定关键点识别结果和第二样本标签的差异的过程中第二样本标签的标注关键点的精确度不够的问题,有利于初始关键点子模型的训练。
需要说明的是,如图18所示,关键点子模型可以包括编码器和解码器,其编码器用于提取图像特征,可以包括三个下采样模块和若干个残差卷积模块,解码器用于恢复特征图像的空间信息,包含三个上采样模块和若干个残差卷积模块,其中,残差卷积模块包括多个卷积层,并会进行批量归一化处理和通过修正线性单元进行修正;下采样模块会将卷积处理和平均池化处理之后的结果进行连接(concat),也会进行批量归一化处理和通过修正线性单元进行修正;上采样单元会进行转置(Transpose),也会进行批量归一化处理和通过修正线性单元进行修正。
下面对本申请实施例提供的一种数据处理方法的具体流程进行说明,如图19所示,该数据处理方法的具体流程训练部分和应用部分,包括:
S1901、获取检测框样本和关键点样本。
为了能够对模型进行训练,服务器可以获取检测框样本和关键点样本,检测框样本是指用于对初始检测框子模型进行训练的图像样本,被配置有第一样本标签,关键点样本是指用于对初始关键点子模型进行训练的图像样本,被配置有第二样本标签,其中,关键点样本是根据检测框样本的第一样本标签标识的样本区域确定的,服务器可以根据检测框样本的第一样本标签,对检测框样本进行裁剪,可以得到对应的关键点样本。
S1902、训练初始检测框子模型和初始关键点子模型,得到识别模型。
在S1901获取检测框样本和关键点样本之后,可以根据检测框样本训练初始检测框子模型,得到检测框子模型,检测框子模型用于在输入的目标图像中检测出包括待屏蔽对象的检测框,并基于检测框对目标图像进行裁剪,得到检测框范围内的目标子图像,并且,根据关键点样本训练初始关键点子模型,得到关键点子模型,关键点子模型用于在输入的目标子图像中确定待屏蔽对象的第一关键点,检测框子模型和关键点子模型可以组成识别模型。
需要说明的是,S1901和S1902归属于训练部分,在S1902确定识别模型之后,服务器可以不用再重复训练部分的步骤,直接通过应用部分的步骤进行图像脱敏。
S1903、根据识别模型确定目标图像中待屏蔽对象的第一关键点。
在S1903确定识别模型之后,服务器可以根据识别模型确定目标图像中待屏蔽对象的第一关键点,第一关键点用于标识待屏蔽对象在目标图像中的第一外形。
S1904、获取目标对象。
服务器可以获取与待屏蔽对象为同一对象类型的目标对象,并且目标对象包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息。需要说明的是,目标对象被标注有第二关键点,第二关键点用于标识目标对象的第二外形。
S1905、根据目标对象对目标图像进行无痕脱敏。
在S1904获取了目标对象之后,可以在目标图像中第一关键点所标识的范围内,将目标图像中待屏蔽对象替换为目标对象,从而对目标图像实现无痕脱敏,得到脱敏图像。
下面对本申请实施例得到的脱敏图像的部分应用场景进行相应说明:
第一个应用场景为训练数据回传。自动驾驶、高级辅助驾驶的需要使用图像感知算法检测出场景中例如行人、车辆、车道线、交通牌、交通灯、可行驶区域等目标,这些感知算法的开发和迭代需要用到大量的图像数据,如果只依赖专用图像数据采集车来采集显然是不能满足需求的。这时可以将市场上量产车拍到的图像回传,由于量产车数量多且分布广,对图像数据的数量和多样性都有较强保证。而从车端回传的图像会包含车牌等待屏蔽信息,需要先进行图像脱敏处理。如果直接对车牌打码,会产生明显的图像修改痕迹,降低图像质量,不利于感知模型的训练。而使用本申请实施例提出的数据处理方法,则可以在实现脱敏的同时极大限度地避免图像被破坏,对模型训练是友好的。
第二个应用场景为驻车哨兵模式。车辆在驻车状态下,可以通过雷达等传感器实时感知周围情况,当检测到有人靠近等异常情况时,将信息实时通知给车主,车主可以用手机等设备,通过车载摄像头远程实时查看车辆周围情况。这时需要对推送给车主的图像进行图像脱敏(同时在车机本地也会保存一份未脱敏图像,如果远程确认有偷盗、砸车等行为,需要确认车牌,则可以到车机本地调看),如果脱敏痕迹太严重,会大大降低图像的美观性,影响用户的使用感受。而使用本申请实施例提出的数据处理方法,基本看不出脱敏的痕迹,增加实时视频的美观性,有利于提高产品的竞争力。
另外还有远程自动泊车等产品应用,这些应用也需要实时推送视频,帮助车主实时掌握车辆周围情况,使用本发明提出的图像脱敏方法,也可以达到类似上述的效果。且本申请实施例提供的数据处理方法不限于车载场景,在其他需要图像脱敏的应用场景中都可以使用。
图20为本申请实施例提供的另一种数据处理方法的方法流程图,该方法可以由计算机设备执行,在本实施例中,以该计算机设备是服务器为例进行说明,该方法包括:
S2001、显示包括待屏蔽对象的目标图像。
在进行图像脱敏的实际过程中,服务器会显示包括待屏蔽对象的目标图像,即服务器会在屏幕画面中显示如图3所示的目标图像,目标图像是指涉及待屏蔽信息的图像,即需要进行脱敏的图像。
待屏蔽对象作为携带有待屏蔽信息的对象,具有包括待屏蔽信息的第一内容,并且,待屏蔽对象在目标图像中为第一外形,第一外形是指待屏蔽对象在目标图像中的外形。
S2002、响应于针对待屏蔽对象的替换操作,获取与待屏蔽对象为同一对象类型的目标对象。
为了对目标对象进行图像脱敏,用户会发起针对目标对象中的待屏蔽对象的替换操作,响应于该替换操作,服务器为了对待屏蔽对象进行替换,会获取用于替换待屏蔽对象的目标对象,为了实现对目标图像的无痕脱敏,目标对象和待屏蔽对象为同一对象类型,目标对象中包括的第一目标内容与待屏蔽对象包括的第一内容为同一内容类型,且第一目标内容包括的信息为非屏蔽信息。
S2003、显示针对替换操作的脱敏图像。
针对替换操作,服务器可以显示对应的脱敏图像,即服务器会在屏幕画面中显示如图7所示的脱敏图像,脱敏图像为通过目标对象替换了待屏蔽对象的目标图像,即目标图像中的待屏蔽对象被目标对象替换了,由于目标对象仅涉及非屏蔽信息,故得到的脱敏图像中不涉及待屏蔽信息,实现了对目标图像的图像脱敏。并且,图像脱敏过程中并未损坏目标图像中除了待屏蔽对象之外的部分,同时,由于目标对象和待屏蔽对象具有相同的对象类型,目标对象和待屏蔽对象包括的内容也具有相同的内容类型,且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中具有相同的外形,故难以识别到脱敏图像的修改痕迹,实现了目标图像的无痕脱敏。
在前述图1-19所对应的的实施例的基础上,图21为本申请实施例提供的一种数据处理装置的装置示意图,数据处理装置2100包括确定单元2101,获取单元2102,替换单元2103:
确定单元2101,用于确定目标图像中待屏蔽对象的第一关键点,待屏蔽对象中具有包括待屏蔽信息的第一内容,第一关键点用于标识待屏蔽对象在目标图像中的第一外形;
获取单元2102,用于获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息,目标对象被标注有第二关键点,第二关键点用于标识目标对象的第二外形;
替换单元2103,用于根据第一关键点和第二关键点,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像,目标对象在脱敏图像中为第一外形。
在一种可能的实现方式中,替换单元2103,用于:
根据第一关键点和第二关键点,确定将第二外形映射到第一外形的变换参数;
通过变换参数,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像。
在一种可能的实现方式中,获取单元2102,用于:
确定待屏蔽对象在目标图像中的颜色参数;
获取与待屏蔽对象为同一对象类型的待调色对象,待调色对象被标注有第二关键点;
根据颜色参数调整待调色对象的颜色分布,得到目标对象。
在一种可能的实现方式中,获取单元2102,用于:
待屏蔽对象中还具有包括非屏蔽信息的第二内容,通过对待屏蔽对象的像素进行颜色聚类,得到多个颜色集合;
根据第一内容和第二内容在待屏蔽对象中的占比大小与多个颜色集合中的像素数量间的关联关系,确定颜色参数,颜色参数用于标识在关联关系下第一内容和第二内容分别对应的颜色。
在一种可能的实现方式中,获取单元2102,用于:
确定待调色对象中与第一内容为同一内容类型的第一目标内容,以及与第二内容为同一内容类型的第二目标内容;
通过将第一目标内容的颜色调整为第一内容对应的颜色,将第二目标内容的颜色调整为第二内容对应的颜色,得到目标对象。
在一种可能的实现方式中,第一内容为待屏蔽对象中的前景内容,第二内容为待屏蔽对象中的背景内容,与第一内容具有关联关系的颜色集合中的像素数量,小于与第二内容具有关联关系的颜色集合中的像素数量。
在一种可能的实现方式中,多个颜色集合的集合数量是根据第一内容和第二内容的总数量确定的。
在一种可能的实现方式中,确定单元2101,用于:
通过识别模型确定目标图像中待屏蔽对象的第一关键点;
获取单元2101,还用于:
获取检测框样本和关键点样本,检测框样本中包括待屏蔽对象,检测框样本的第一样本标签用于标识待屏蔽对象在检测框样本中所处样本区域,关键点样本为根据检测框样本的样本区域确定的,关键点样本的第二样本标签用于标识待屏蔽对象在关键点样本中的标注关键点;
根据检测框样本,通过初始检测框子模型确定对应的检测框识别结果,并根据关键点样本,通过初始关键点子模型确定对应的关键点识别结果;
基于检测框识别结果与第一样本标签的差异,训练初始检测框子模型,得到检测框子模型,并基于关键点识别结果与第二样本标签的差异,训练初始关键点子模型,得到关键点子模型;
通过检测框子模型和关键点子模型组成识别模型,检测框子模型的输出为关键点子模型的输入。
在一种可能的实现方式中,初始检测框子模型用于输出多个特征尺度的检测框识别结果,不同特征尺度的检测框识别结果中的检测框尺寸不同。
在一种可能的实现方式中,确定单元2101,还用于:
确定检测框样本中第一样本标签所标识的检测框尺寸;
按照检测框尺寸的大小关系,确定不同特征尺度的检测框识别中,初始检测框子模型采用的检测框尺寸。
在一种可能的实现方式中,数据处理装置2100还包括生成单元,用于:
根据关键点识别结果中的预测关键点,生成预测关键点对应的预测热图;
根据预测热图和第二样本标签中标注关键点对应的标注热图,确定关键点识别结果与第二样本标签的差异。
由此可见,为了实现图像的无痕脱敏,针对包括待屏蔽对象的目标图像,需要确定用于标识待屏蔽对象在目标对象中的第一外形的第一关键点,并获取与待屏蔽对象为同一对象类型的目标对象,目标对象用于替换目标图像中的待屏蔽对象,由于待屏蔽对象中具有包括待屏蔽信息的第一内容,故目标对象中包括与第一内容为同一内容类型的第一目标内容,且第一目标内容包括的信息为非屏蔽信息,即目标对象和待屏蔽对象包括的内容的类型相同,但是目标对象不涉及待屏蔽信息,并且,目标对象中也被标注有用于标识目标对象的第二外形的第二关键点。由于第一关键点用于标识待屏蔽对象在目标图像中的第一外形,第二关键点用于标识目标对象的第二外形,故根据第一关键点和第二关键点,能够在目标图像中第一关键点所标识的范围内,即在目标图像中第一外形的范围内,将待屏蔽对象合适的替换为目标对象,得到脱敏图像,其中,目标对象在脱敏图像中为第一外形。由于替换过程中只涉及待屏蔽对象的第一外形内的范围,即该过程并不损坏目标图像中除了待屏蔽对象之外的部分,并且,由于目标对象和待屏蔽对象具有相同的对象类型,目标对象和待屏蔽对象包括的内容也具有相同的内容类型,且替换后的目标对象在脱敏图像中和待屏蔽对象在目标图像中具有相同的外形,故从肉眼甚至机器的角度均难以识别到脱敏图像的修改痕迹,扩大了脱敏图像的应用场景,同时保证了脱敏图像的美观。
在前述图20所对应的实施例的基础上,图22为本申请实施例提供的另一种数据处理装置的装置示意图,数据处理装置2200包括第一显示单元2201,获取单元2202,第二显示单元2203:
第一显示单元2201,用于显示包括待屏蔽对象的目标图像,待屏蔽对象中具有包括待屏蔽信息的第一内容,待屏蔽对象在目标图像中为第一外形;
获取单元2202,用于响应于针对待屏蔽对象的替换操作,获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息;
第二显示单元2203,用于显示针对替换操作的脱敏图像,脱敏图像为通过目标对象替换了待屏蔽对象的目标图像,目标对象在脱敏图像中为第一外形。
本申请实施例还提供了一种计算机设备,该计算机设备为前述介绍的计算机设备,可以包括终端设备或服务器,前述的数据处理装置可以配置在该计算机设备中。下面结合附图对该计算机设备进行介绍。
若该计算机设备为终端设备,请参见图23所示,本申请实施例提供了一种终端设备,以终端设备为手机为例:
图23示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图23,手机包括:射频(Radio Frequency,简称RF)电路1410、存储器1420、输入单元1430、显示单元1440、传感器1450、音频电路1460、无线保真(简称WiFi)模块1470、处理器1480、以及电源1490等部件。本领域技术人员可以理解,图23中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图23对手机的各个构成部件进行具体的介绍:
RF电路1410可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1480处理;另外,将设计上行的数据发送给基站。
存储器1420可用于存储软件程序以及模块,处理器1480通过运行存储在存储器1420的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1430可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1430可包括触控面板1431以及其他输入设备1432。
显示单元1440可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1440可包括显示面板1441。
手机还可包括至少一种传感器1450,比如光传感器、运动传感器以及其他传感器。
音频电路1460、扬声器1461,传声器1462可提供用户与手机之间的音频接口。
WiFi属于短距离无线传输技术,手机通过WiFi模块1470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。
处理器1480是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1420内的软件程序和/或模块,以及调用存储在存储器1420内的数据,执行手机的各种功能和处理数据。
手机还包括给各个部件供电的电源1490(比如电池)。
在本实施例中,该终端设备所包括的处理器1480还具有以下功能:
确定目标图像中待屏蔽对象的第一关键点,待屏蔽对象中具有包括待屏蔽信息的第一内容,第一关键点用于标识待屏蔽对象在目标图像中的第一外形;
获取与待屏蔽对象为同一对象类型的目标对象,目标对象中包括与第一内容为同一内容类型的第一目标内容,第一目标内容包括的信息为非屏蔽信息,目标对象被标注有第二关键点,第二关键点用于标识目标对象的第二外形;
根据第一关键点和第二关键点,在目标图像中第一关键点所标识的范围内,将待屏蔽对象替换为目标对象,得到脱敏图像,目标对象在脱敏图像中为第一外形。
若计算机设备为服务器,本申请实施例还提供一种服务器,请参见图24所示,图24为本申请实施例提供的服务器1500的结构图,服务器1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,简称CPU)1522(例如,一个或一个以上处理器)和存储器1532,一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中,存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1522可以设置为与存储介质1530通信,在服务器1500上执行存储介质1530中的一系列指令操作。
服务器1500还可以包括一个或一个以上电源1526,一个或一个以上有线或无线网络接口1550,一个或一个以上输入输出接口1558,和/或,一个或一个以上操作系统1541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于图24所示的服务器结构。
另外,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括计算机程序的计算机程序产品,当其在计算机设备上运行时,使得计算机设备执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储计算机程序的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。而且本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (17)
1.一种数据处理方法,其特征在于,所述方法包括:
确定目标图像中待屏蔽对象的第一关键点,所述待屏蔽对象中具有包括待屏蔽信息的第一内容,所述第一关键点用于标识所述待屏蔽对象在所述目标图像中的第一外形;
获取与所述待屏蔽对象为同一对象类型的目标对象,所述目标对象中包括与所述第一内容为同一内容类型的第一目标内容,所述第一目标内容包括的信息为非屏蔽信息,所述目标对象被标注有第二关键点,所述第二关键点用于标识所述目标对象的第二外形;
根据所述第一关键点和所述第二关键点,在所述目标图像中所述第一关键点所标识的范围内,将所述待屏蔽对象替换为所述目标对象,得到脱敏图像,所述目标对象在所述脱敏图像中为所述第一外形。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一关键点和所述第二关键点,在所述目标图像中所述第一关键点所标识的范围内,将所述待屏蔽对象替换为所述目标对象,得到脱敏图像,包括:
根据所述第一关键点和所述第二关键点,确定将所述第二外形映射到所述第一外形的变换参数;
通过所述变换参数,在所述目标图像中所述第一关键点所标识的范围内,将所述待屏蔽对象替换为所述目标对象,得到脱敏图像。
3.根据权利要求1所述的方法,其特征在于,所述获取与所述待屏蔽对象为同一对象类型的目标对象,包括:
确定所述待屏蔽对象在所述目标图像中的颜色参数;
获取与所述待屏蔽对象为同一对象类型的待调色对象,所述待调色对象被标注有所述第二关键点;
根据所述颜色参数调整所述待调色对象的颜色分布,得到所述目标对象。
4.根据权利要求3所述的方法,其特征在于,所述待屏蔽对象中还具有包括非屏蔽信息的第二内容,所述确定所述待屏蔽对象在所述目标图像中的颜色参数,包括:
通过对所述待屏蔽对象的像素进行颜色聚类,得到多个颜色集合;
根据所述第一内容和所述第二内容在所述待屏蔽对象中的占比大小与所述多个颜色集合中的像素数量间的关联关系,确定所述颜色参数,所述颜色参数用于标识在所述关联关系下所述第一内容和所述第二内容分别对应的颜色。
5.根据权利要求4所述的方法,其特征在于,所述根据所述颜色参数调整所述待调色对象的颜色分布,得到所述目标对象,包括:
确定所述待调色对象中与所述第一内容为同一内容类型的第一目标内容,以及与所述第二内容为同一内容类型的第二目标内容;
通过将所述第一目标内容的颜色调整为所述第一内容对应的颜色,将所述第二目标内容的颜色调整为所述第二内容对应的颜色,得到所述目标对象。
6.根据权利要求4所述的方法,其特征在于,所述第一内容为所述待屏蔽对象中的前景内容,所述第二内容为所述待屏蔽对象中的背景内容,与所述第一内容具有关联关系的颜色集合中的像素数量,小于与所述第二内容具有关联关系的颜色集合中的像素数量。
7.根据权利要求4所述的方法,其特征在于,所述多个颜色集合的集合数量是根据所述第一内容和所述第二内容的总数量确定的。
8.根据权利要求1所述的方法,其特征在于,所述确定目标图像中待屏蔽对象的第一关键点,包括:
通过识别模型确定目标图像中待屏蔽对象的第一关键点;
所述识别模型通过如下方式训练得到:
获取检测框样本和关键点样本,所述检测框样本中包括所述待屏蔽对象,所述检测框样本的第一样本标签用于标识所述待屏蔽对象在所述检测框样本中所处样本区域,所述关键点样本为根据所述检测框样本的所述样本区域确定的,所述关键点样本的第二样本标签用于标识所述待屏蔽对象在所述关键点样本中的标注关键点;
根据所述检测框样本,通过初始检测框子模型确定对应的检测框识别结果,并根据所述关键点样本,通过初始关键点子模型确定对应的关键点识别结果;
基于所述检测框识别结果与所述第一样本标签的差异,训练所述初始检测框子模型,得到检测框子模型,并基于所述关键点识别结果与所述第二样本标签的差异,训练所述初始关键点子模型,得到关键点子模型;
通过所述检测框子模型和所述关键点子模型组成所述识别模型,所述检测框子模型的输出为所述关键点子模型的输入。
9.根据权利要求8所述的方法,其特征在于,所述初始检测框子模型用于输出多个特征尺度的检测框识别结果,不同特征尺度的检测框识别结果中的检测框尺寸不同。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
确定所述检测框样本中所述第一样本标签所标识的检测框尺寸;
按照所述检测框尺寸的大小关系,确定不同特征尺度的检测框识别中,所述初始检测框子模型采用的检测框尺寸。
11.根据权利要求8所述的方法,其特征在于,所述关键点识别结果与所述第二样本标签的差异通过如下方式确定:
根据所述关键点识别结果中的预测关键点,生成所述预测关键点对应的预测热图;
根据所述预测热图和所述第二样本标签中所述标注关键点对应的标注热图,确定所述关键点识别结果与所述第二样本标签的差异。
12.一种数据处理方法,其特征在于,所述方法包括:
显示包括待屏蔽对象的目标图像,所述待屏蔽对象中具有包括待屏蔽信息的第一内容,所述待屏蔽对象在所述目标图像中为第一外形;
响应于针对所述待屏蔽对象的替换操作,获取与所述待屏蔽对象为同一对象类型的目标对象,所述目标对象中包括与所述第一内容为同一内容类型的第一目标内容,所述第一目标内容包括的信息为非屏蔽信息;
显示针对所述替换操作的脱敏图像,所述脱敏图像为通过所述目标对象替换了所述待屏蔽对象的所述目标图像,所述目标对象在所述脱敏图像中为所述第一外形。
13.一种数据处理装置,其特征在于,所述装置包括确定单元,获取单元,替换单元:
所述确定单元,用于确定目标图像中待屏蔽对象的第一关键点,所述待屏蔽对象中具有包括待屏蔽信息的第一内容,所述第一关键点用于标识所述待屏蔽对象在所述目标图像中的第一外形;
所述获取单元,用于获取与所述待屏蔽对象为同一对象类型的目标对象,所述目标对象中包括与所述第一内容为同一内容类型的第一目标内容,所述第一目标内容包括的信息为非屏蔽信息,所述目标对象被标注有第二关键点,所述第二关键点用于标识所述目标对象的第二外形;
所述替换单元,用于根据所述第一关键点和所述第二关键点,在所述目标图像中所述第一关键点所标识的范围内,将所述待屏蔽对象替换为所述目标对象,得到脱敏图像,所述目标对象在所述脱敏图像中为所述第一外形。
14.一种数据处理装置,其特征在于,所述装置包括第一显示单元,获取单元,第二显示单元:
所述第一显示单元,用于显示包括待屏蔽对象的目标图像,所述待屏蔽对象中具有包括待屏蔽信息的第一内容,所述待屏蔽对象在所述目标图像中为第一外形;
所述获取单元,用于响应于针对所述待屏蔽对象的替换操作,获取与所述待屏蔽对象为同一对象类型的目标对象,所述目标对象中包括与所述第一内容为同一内容类型的第一目标内容,所述第一目标内容包括的信息为非屏蔽信息;
所述第二显示单元,用于显示针对所述替换操作的脱敏图像,所述脱敏图像为通过所述目标对象替换了所述待屏蔽对象的所述目标图像,所述目标对象在所述脱敏图像中为所述第一外形。
15.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序执行权利要求1-11中任意一项所述的方法,或者,执行权利要求12所述的方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序在被计算机设备执行时实现执行权利要求1-11中任意一项所述的方法,或者,执行权利要求12所述的方法。
17.一种包括计算机程序的计算机程序产品,当其在计算机设备上运行时,使得所述计算机设备执行权利要求1-11中任意一项所述的方法,或者,执行权利要求12所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738372.3A CN116958582A (zh) | 2023-06-20 | 2023-06-20 | 一种数据处理方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738372.3A CN116958582A (zh) | 2023-06-20 | 2023-06-20 | 一种数据处理方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958582A true CN116958582A (zh) | 2023-10-27 |
Family
ID=88453921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310738372.3A Pending CN116958582A (zh) | 2023-06-20 | 2023-06-20 | 一种数据处理方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958582A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2023-06-20 CN CN202310738372.3A patent/CN116958582A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
US11151723B2 (en) | Image segmentation method, apparatus, and fully convolutional network system | |
CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN110728283A (zh) | 一种车牌类型识别方法及设备 | |
CN107480676B (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
US20230274566A1 (en) | Sequence recognition method and apparatus, image processing device, and storage medium | |
CN110598621A (zh) | 车辆品牌识别方法、装置、设备及计算机可读存储介质 | |
CN110866900A (zh) | 水体颜色识别方法及装置 | |
CN116958582A (zh) | 一种数据处理方法和相关装置 | |
CN111191582A (zh) | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 | |
CN111582272A (zh) | 双行车牌识别方法、装置、设备及计算机可读存储介质 | |
CN111310690B (zh) | 基于cn和三通道胶囊网络的森林火灾识别方法及装置 | |
CN113947613B (zh) | 目标区域检测方法、装置、设备及存储介质 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN111178181B (zh) | 交通场景分割方法及相关装置 | |
CN112132070A (zh) | 驾驶行为分析方法、装置、设备及存储介质 | |
CN110751163B (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 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
CN110738225B (zh) | 图像识别方法及装置 | |
CN112288748B (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN113807166A (zh) | 图像处理方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |