CN117993019A - 交通数据脱敏方法、设备、存储介质及计算机程序产品 - Google Patents
交通数据脱敏方法、设备、存储介质及计算机程序产品 Download PDFInfo
- Publication number
- CN117993019A CN117993019A CN202410396079.8A CN202410396079A CN117993019A CN 117993019 A CN117993019 A CN 117993019A CN 202410396079 A CN202410396079 A CN 202410396079A CN 117993019 A CN117993019 A CN 117993019A
- Authority
- CN
- China
- Prior art keywords
- target detection
- sensitive
- sensitive target
- image
- traffic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 305
- 238000000586 desensitisation Methods 0.000 claims abstract description 52
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 4
- 238000011896 sensitive detection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000000243 solution Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000009966 trimming Methods 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种交通数据脱敏方法、设备、存储介质及计算机程序产品。其中,方法包括如下的步骤:从待脱敏的交通图像中裁切出目标区域,以得到裁切子图;将所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果;根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像中的敏感目标;对所述交通图像中的敏感目标进行脱敏处理。本申请实施例提供的技术方案能够提高交通数据的脱敏达标率。
Description
交叉引用
本申请要求申请号为202410233004.8的中国专利申请的优先权,其全部内容通过引用并并入本申请中。
技术领域
本申请涉及计算机技术领域,尤其涉及一种交通数据脱敏方法、设备、存储介质及计算机程序产品。
背景技术
在车路协同场景下,路侧设备(如摄像头、雷达等)将采集道路交通数据,包括人脸、车牌等数据。人脸和车牌等数据属于敏感信息,应做脱敏处理。脱敏处理指的是通过一定方法消除原始交通数据中的敏感信息,使得信息主体无法被识别,且处理后的信息不能被复原,同时保留目标任务(例如自动驾驶任务)所需的数据特征或内容的数据处理。脱敏后的交通数据可用于自动驾驶算法研发及相关数据服务。
目前,已有的脱敏技术存在脱敏达标率低等技术问题。
发明内容
鉴于上述问题,提出了本申请以提供一种解决上述问题或至少部分地解决上述问题的交通数据脱敏方法、设备、存储介质及计算机程序产品。
本申请的第一方面,提供一种一种交通数据脱敏方法,包括:
从待脱敏的交通图像中裁切出目标区域,以得到裁切子图;
将所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果;所述裁切子图输入到所述目标检测模型的输入尺寸大于所述交通图像中目标区域输入到所述目标检测模型的输入尺寸;
根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像中的敏感目标;
对所述交通图像中的敏感目标进行脱敏处理。
可选的,将所述交通图像和所述裁切子图以目标检测模型所要求的输入尺寸输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果。
在第一方面提供的一种实施方式中,所述方法,还包括:
确定拍摄得到所述交通图像的交通摄像头;
获取所述交通摄像头对应的第一区域位置信息;所述第一区域位置信息为所述交通摄像头的成像平面上指定区域的位置信息;
根据所述第一区域位置信息,在所述交通图像中确定所述目标区域。
在第一方面提供的一种实施方式中,所述交通摄像头属于固定摄像头。
也就是说,所述交通摄像头的视野范围所覆盖的区域是固定不变的。那么,在交通场景中,所述交通摄像头的视野范围所覆盖的区域中容易出现目标拥挤情况的子区域、距离摄像头较远的子区域在交通摄像头拍摄的任一交通图像中的位置是固定不变的。这样,用户只需要针对每一个交通摄像头,在该交通摄像头的成像平面上指定出一个其感兴趣的区域即可,后续针对该交通摄像头拍摄的任一交通图像均可利用用户的指定信息确定出目标区域,这样用户也就无需针对每一张交通图像进行人工标注目标区域,也无需利用算法进行目标区域的检测。
在第一方面提供的一种实施方式中,所述目标区域内敏感目标的尺寸(具体指的是目标在交通图像中的像素尺寸)小于预设尺寸阈值。
可选的,所述目标区域内的敏感目标的尺寸小于所述交通图像中除所述目标区域以外的其他像素区域内的敏感目标的尺寸。
在第一方面提供的一种实施方式中,所述第一敏感目标检测结果包括:第一敏感目标检测框;所述第二敏感目标检测结果包括:第二敏感目标检测框;
根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像的敏感目标,包括:
将所述裁切子图与所述交通图像中的目标区域进行坐标对齐;
坐标对齐后,确定所述第一敏感目标检测框与所述第二敏感目标检测框之间的交并比以及第一比值;所述第一比值为所述第一敏感目标检测框与所述第二敏感目标检测框的重叠面积与所述第二敏感检测框的面积的比值;
根据所述交并比以及所述第一比值,确定所述第一敏感目标检测框与所述第二敏感目标检测框是否属于同一个敏感目标;
当所述第一敏感目标检测框与所述第二敏感目标检测框属于同一个敏感目标时,对所述第一敏感目标检测框与所述第二敏感目标检测框进行合并,得到合并后敏感目标检测框。
在第一方面提供的一种实施方式中,根据所述交并比以及所述第一比值,确定所述第一敏感目标检测框与所述第二敏感目标检测框是否属于同一个敏感目标,包括:
对所述第一比值以及所述交并比和进行加权求和,得到第一数值;
当所述第一数值大于或等于第一预设阈值时,确定所述第一敏感目标检测框与所述第二敏感目标检测框属于同一个敏感目标;
当所述第一数值小于所述第一预设阈值时,确定所述第一敏感目标检测框与所述第二敏感目标检测框不属于同一个敏感目标。
在第一方面提供的一种实施方式中,根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像的敏感目标,还包括:
根据所述第一敏感目标检测结果、所述第二敏感目标检测结果以及所述第一敏感目标检测结果与所述第二敏感目标检测结果之间的检测框合并情况,确定所述交通图像中敏感目标。
根据合并得到的合并检测框、第一敏感目标检测结果中未被合并的敏感目标检测框以及第二敏感目标检测结果中未被合并的敏感目标检测框,确定交通图像中的敏感目标。相当于,将合并得到的合并检测框、第一敏感目标检测结果中未被合并的敏感目标检测框以及第二敏感目标检测结果中未被合并的敏感目标检测框作为交通图像的最终目标检测结果。
在第一方面提供的一种实施方式中,将所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果,包括:
将所述交通图像和所述裁切子图的尺寸缩放至所述目标检测模型所要求的输入尺寸;
将缩放后的所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果。
输入到目标检测模型中的交通图像的尺寸为目标检测模型所要求的输入尺寸;输入到目标检测模型中的裁切子图的尺寸为目标检测模型所要求的输入尺寸。
在第一方面提供的一种实施方式中,所述方法,还包括:
获取初始交通图像;
对所述初始交通图像进行图像识别,以确定所述初始交通图像中是否存在敏感目标;
当所述初始交通图像中存在敏感目标时,判断所述初始交通图像中敏感目标是否满足预设脱敏要求;
当所述初始交通图像中敏感目标满足所述预设脱敏要求时,将所述初始交通图像确定为待脱敏的所述交通图像。
可选的,当所述初始交通图像中敏感目标不满足所述预设脱敏要求时,将初始交通图像确定为不需要进行脱敏的交通图像。
在第一方面提供的一种实施方式中,所述敏感目标为人脸时,所述预设脱敏要求包括:人脸分辨率要求、人脸姿态要求、人脸完整度要求、人脸清晰度要求以及人脸三色比要求中的一项或多项。
在第一方面提供的一种实施方式中,所述敏感目标为车牌时,所述预设脱敏要求包括:车牌信息遮挡率要求、车牌分辨率要求、车牌照度要求、车牌模糊度要求以及车牌失真度要求中的一项或多项。
本申请的第二方面,提供一种电子设备。该电子设备,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任一项所述的方法。
本申请的第三方面,提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述任一项所述的方法。
本申请的第四方面,提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述任一项所述的方法。
在交通图像中存在一些区域,例如:目标密集型区域、目标尺寸较小的区域,这些区域的目标检测难度较大,目标检测精确性较差,进而导致交通图像的脱敏达标率较低。为了解决这一问题,本申请实施例提供的技术方案中从交通图像中裁切出这些区域,得到裁切子图;将交通图像以及裁切子图均输入到目标检测模型中进行目标检测。裁切子图输入到目标检测模型的输入尺寸大于交通图像中目标区域输入到目标检测模型的输入尺寸,相当于增加了这些区域输入到目标检测模型中的尺寸,能够降低目标检测模型对这部分区域的感知难度,进而提高这部分区域的检测精确性,进而提高交通图像的脱敏达标率。
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一简单地介绍,显而易见地,下面描述中的附图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为本申请一实施例提供的交通数据脱敏方法的流程示意图;
图2为本申请另一实施例提供的交通数据脱敏方法的流程示意图;
图3为本申请一实施例提供的目标检测方法的流程示意图;
图4为本申请又一实施例提供的交通数据脱敏方法的流程示意图;
图5为本申请一实施例提供的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将根据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
下面将结合图1对本申请实施例提供的交通数据脱敏方法的整体流程进行介绍。
如图1所示,交通数据脱敏方法的整体流程包括数据源获取、数据源筛选以及脱敏处理这三个部分。
在数据源获取部分,获取各种数据源。数据源包括:路侧设备采集的交通视频数据、交通图像数据、三维点云数据以及地理位置信息。其中,交通视频数据指的是路侧交通设施上的摄像头采集到的连续视频流或视频片段。交通图像数据指的是由路侧交通设施上的摄像头采集到的视频帧或图片。三维点云数据指的是由路侧雷达设备采集到的空间点数据集。地理位置数据指的是路侧定位设备,例如: RTK(Real - time kinematic,实时动态)测量设备采集到的地理坐标数据。
在数据源筛选部分,对数据源进行筛选,得到需要脱敏的数据。具体地,可采用人脸图像质量筛选模型对待筛选图像进行筛选。其中,待筛选图像指的是交通图像数据或交通视频数据中的视频帧。可采用车牌图像质量筛选模型对待筛选图像进行筛选。可采用地理信息质量筛选模型对地理位置信息进行筛选。
在一实施例中,可利用人脸图像质量筛选模型执行如下步骤:
11、对待筛选图像进行人脸识别,以确定待筛选图像中是否存在人脸。
若待筛选图像中存在人脸,则执行步骤12;否则,将待筛选图像确定为不需要进行人脸脱敏的图像。
12、对待筛选图像进行人脸分辨率识别、人脸姿态识别、人脸完整度识别、人脸清晰度识别以及人脸三色比识别。
13、根据步骤12的识别结果,利用人脸因子评分算法,确定人脸质量评分。
其中,人脸因子评分算法用于判断待筛选图像中的人脸是否满足如下一个或多个人脸脱敏要求项:
人脸分辨率大于或等于预设人脸分辨率;人脸姿态在预设人脸姿态范围内;人脸完整度大于或等于预设人脸完整度;人脸清晰度大于或等于预设人脸清晰度;以及,人脸三色比大于或等于预设人脸三色比。
人脸因子评分算法还用于根据判断结果,计算人脸质量评分。
示例性的,待筛选图像满足的人脸脱敏要求的项数越多,其人脸质量评分就越大。
示例性的, 人脸分辨率要求: 在图像的长边大于 960 像素的情况下,人脸检出的最小像素尺寸应不小于图像边长的 60 分之一;在图像长边不大于960像素的情况下,若短边大于544像素,人脸的最小像素尺寸应不小于24*24像素;若短边不大于554像素,人脸的最小像素尺寸应不小于16*16像素。 人脸姿态要求:人脸水平转动角范围为 -45°~ 45°;人脸俯仰角范围为 -30° ~ 30°;人脸倾斜角范围为 -45°~ 45°。人脸完整度要求:眉毛完整度不小于75%;眼睛可见度100%;鼻子可见度不小于85%;嘴巴可见度100%;面颊皮肤可见度不小于75%。
需要说明的是,人脸质量评分的具体计算方式可根据实际需要来设计,本申请实施例对此不做具体限定。
14、判断人脸质量评分是否大于或等于人脸质量评分阈值。
若人脸质量评分大于或等于人脸质量评分阈值,确定待筛选图像属于需要进行人脸脱敏的图像;若人脸质量评分小于人脸质量评分阈值,确定待筛选图像不属于需要人脸脱敏的图像。
在一实施例中,可利用车牌图像质量筛选模型执行如下步骤:
21、对待筛选图像进行车牌识别,以确定待筛选图像中是否存在车牌。
若待筛选图像中存在车牌,则执行步骤22;否则,将待筛选图像确定为不需要进行车牌脱敏的图像。
22、对待筛选图像进行车牌信息遮挡识别、车牌分辨率识别、车牌照度识别、车牌模糊度识别以及车牌失真度识别。
23、根据步骤22的识别结果,利用车牌因子评分算法,确定车牌质量评分。
其中,车牌因子评分算法用于判断待筛选图像是否满足如下一个或多个车牌脱敏要求项:
车牌信息遮挡率小于或等于预设遮挡率;车牌分辨率大于或等于预设车牌分辨率;车牌照度大于或等于预设车牌照度;车牌模糊度小于或等于预设车牌模糊度;以及,车牌失真率小于或等于预设车牌失真率。
车牌因子评分算法还用于根据判断结果,计算车牌质量评分。
示例性的,待筛选图像满足的车牌脱敏要求项的项数越多,其车牌质量评分就越大。
示例性的,车牌遮挡要求:预设遮挡率为零(车牌信息全部无遮挡);车牌分辨率要求:当车牌图像高度不小于 1080 像素时,最小检出车牌高度像素应不小于(图像高度/36);当车牌图像高度小于 1080 像素时,最小检出车牌高度像素应不小于30 个像素值。
需要说明的是,车牌质量评分的具体计算方式可根据实际需要来设计,本申请实施例对此不做具体限定。
24、判断车牌质量评分是否大于或等于车牌质量评分阈值。
若车牌质量评分大于或等于车牌质量评分阈值,确定待筛选图像属于需要进行车牌脱敏的图像;若车牌质量评分小于车牌质量评分阈值,确定待筛选图像不属于需要车牌脱敏的图像。
在一实施例中,可采用地理信息质量筛选模型对地理位置信息中敏感地理位置进行识别,删除敏感地理位置,并将未删除的地理位置确定为需要进行脱敏的地理位置。
可选的,地理信息质量筛选模型还可用于根据待筛选图像的拍摄地点对待筛选图像进行筛选。具体地,可先确定待筛选图像的拍摄地点是否属于敏感地点;当待筛选图像的拍摄地点不属于敏感地点时,再执行人脸质量筛选和车牌质量筛选;当待筛选图像的拍摄地点属于敏感地点时,删除该图像。
在脱敏处理部分,对需要进行人脸脱敏的图像进行人脸检测,根据人脸检测结果对该图像中的人脸进行脱敏。人脸检测可基于人脸检测模型来实现。示例性的,人脸检测结果包括:人脸检测框,对该图像的人脸检测框所包围的像素区域进行脱敏处理,例如:色块遮盖、马赛克处理,等等。脱敏处理的具体方式可根据实际需要来选择,本申请实施例对此不做任何具体限定,只需要保证经脱敏处理的像素区域不可恢复即可。
对需要进行车牌脱敏的图像进行车牌检测,根据车牌检测结果对该图像中的车牌进行脱敏。车牌检测可基于车牌检测模型来实现。示例性的,车牌检测结果包括:车牌检测框,对该图像的车牌检测框所包围的像素区域进行脱敏处理。
对需要进行脱敏的地理位置进行地理位置脱敏。其中,地理位置脱敏具体指的是对地理位置进行坐标偏移处理。坐标偏移处理可包括:平移处理和旋转处理。
其中,人脸检测和车牌检测的具体实现将在下述各实施例中详细介绍。
针对同一张交通图像,人脸图像质量筛选、车牌图像质量筛选、人脸检测、车牌检测这四项处理之间的执行顺序具体可根据需要来设置,本申请实施例对此不做具体限定。
示例性的,针对同一张交通图像,可并行执行人脸图像质量筛选模型、车牌图像质量筛选模型。人脸图像质量筛选模型确定该交通图像属于需要进行人脸脱敏的图像时,将该图像输入人脸检测模型中以得到人脸检测框。车牌图像质量筛选模型确定该交通图像属于需要进行车牌脱敏的图像时,将该交通图像输入车牌检测模型中以得到车牌检测框。后续,根据人脸检测框以及车牌检测框对该交通图像进行脱敏处理。
在实际应用中,可对脱敏后的交通数据进行存储和应用,例如:对脱敏后的数据进行加工和软件适配,并以服务的形式提供给自动驾驶技术提供商和出行服务商/主机厂,支撑自动驾驶仿真软件和出行服务平台,完成数据的增值服务等。
上述人脸检测和车牌检测可统称为目标检测,具体可以称为敏感目标检测。目前已有的目标检测模型在对图像进行目标检测时,受限于目标检测模型的感知能力,图像中尺寸较小的目标很难被检测出来或者拥挤在一起的多个目标存在漏检的问题。图像中尺寸较小的目标无法被检测出,也就无法对图像中尺寸较小的目标进行脱敏处理,也就是说,将现有的目标检测模型应用到交通图像的脱敏场景中,会使得脱敏达标率较低。
通过研究发现,在交通路网中,路侧的大部分摄像头的视野范围所覆盖的区域是固定不变的,例如:路口的摄像头,其视野范围所覆盖的区域一般是整个路口区域。那么,同一个摄像头的视野范围所覆盖的区域中距离摄像头较远的子区域在该摄像头拍摄的交通图像中的像素位置是固定不变的。由于该子区域距离摄像头较远,该子区域内出现的目标(例如:人脸、车牌)在该摄像头拍摄的图像中的尺寸也较小。也就是说,同一摄像头拍摄的交通图像中尺寸较小的目标一般出现在交通图像中固定的像素区域。因此,可针对每一个摄像头,可事先在该摄像头的成像平面上指定相应的区域(也即指定区域),建立该摄像头与该指定区域的位置信息(也即上文中的第一区域位置信息)之间的对应关系。该指定区域对应于该摄像头的视野范围所覆盖的区域中距离摄像头较远的感兴趣子区域。该目标区域(也可称为感兴趣像素区域)的个数可根据实际需要来设置,本申请实施例对此不做具体限定,可以是一个或多个。需要说明的是,该指定区域还可以是对应于该摄像头的视野范围所覆盖的区域中容易拥挤的子区域,例如:十字路口靠近斑马线的区域。注:本文中的摄像头具体指的是交通摄像头。
这样,后续基于该目标区域实现增强检测。如图2所示,具体检测过程包括如下步骤:
201、获取待检测图像。
待检测图像也即上文中待脱敏的交通图像。
202、确定拍摄得到所述待检测图像的交通摄像头。
每张交通图像的属性信息中记载有拍摄得到该交通图像的交通摄像头的设备信息。
203、获取该摄像头对应的第一区域位置信息。
204、根据该摄像头对应的第一区域位置信息,从待检测图像中裁切出目标区域,以得到裁切子图。
其中,裁切子图的尺寸与目标区域的尺寸相同。
205、将所述待检测图像和裁切子图的尺寸缩放到目标检测模型所要求的输入图像尺寸,得到缩放后待检测图像和缩放后裁切子图。
通常来说,待检测图像的尺寸大于目标检测模型所要求的输入图像尺寸。如图3所示,缩放后待检测图像和缩放后裁切子图的尺寸一致。示例性的,待检测图像的尺寸为:1080*1080,目标检测模型所要求的输出图像尺寸为:416*416。注:本示例中所提供的尺寸并非代表真实的尺寸。
需要说明的是,目标检测模型的输入图像尺寸越大,模型的规模也会相应增大,影响推理速度,增加部署成本。
206、将缩放后待检测图像和缩放后裁切子图输入到目标检测模型,得到待检测图像的N个目标检测框和裁切子图的M个目标检测框。
其中,N≥1且为整数;M≥1且为整数。示例性的,N和M均为大于1的整数。本文中的目标检测框指的是敏感目标检测框。
如图3所示,将缩放后待检测图像和缩放后裁切子图输入到目标检测模型,目标检测模型输出待检测图像的N个目标检测框(如图3所示的待检测图像中的虚线框)和裁切子图的M个目标检测框(如图3所示的裁切子图中的虚线框)。需要说明的是,目标检测模型输出的是缩放后待检测图像的目标检测框和缩放后裁切子图的目标检测框,通过尺寸缩放还原,即可得到图3所示的待检测图像的目标检测框和裁切子图的目标检测框,并且为了方便理解,图3中裁切子图与待检测图像中的目标区域进行了坐标对齐。
207、根据待检测图像的N个目标检测框和裁切子图的M个目标检测框,确定待检测图像的最终目标检测结果。
将裁切子图与待检测图像中的目标区域进行坐标对齐,两者对齐后,进行目标检测框的融合/合并。坐标对齐后,裁切子图中的像素与待检测图像中目标区域中相同的像素的坐标一致。
在一实施例中,针对裁切子图中的目标检测框H1,若该目标检测框H1与待检测图像中的目标检测框H2的交并比(IOU,Intersection over Union)大于或等于预设交并比阈值,则对目标检测框H1和目标检测框H2进行合并,得到合并检测框H3。示例性的,合并检测框H3可以是最小包围目标检测框H1和目标检测框H2的包围框。若该目标检测框H1与待检测图像中的任何目标检测框的交并比都小于预设交并比阈值,则保留目标检测框H2。
在上述实施例中,计算两个目标框的IOU,如果IOU大于一定阈值,则认为这两个目标框为同一目标;否则,认为这两个目标框不属于同一个目标。但当一个目标以较大的比例差被裁切时,例如:目标的很小一部分位于裁切子图中,那么计算出的交并比很可能小于阈值,那么,就会在融合之后出现冗余框的问题。
针对这样的问题,本方案提出将两个目标检测框的交集在裁切子图的目标检测框的占比作为约束,也即在考虑交并比的同时,也考虑两个目标检测框的交集在裁切子图的目标检测框的占比情况。对于一个目标以较大的比例差被裁切的情况,该目标的两个目标检测框(一个位于裁切子图中,另一个位于交通图像中)之间的交集在裁切子图的目标检测框的占比较大,很可能接近于1,也就是说该占比能够贡献较大的分数,使得最终的计算结果大于一定阈值,从而正确判断出这两目标检测框属于同一个目标。
因此,在另一实施例中,针对裁切子图中的第m个目标检测框,确定第m个目标检测框与待检测图像中的第n个目标检测框之间的交并比、第m个目标检测框与第n个目标检测框交集的面积(也可称为重叠面积)与第m个目标检测框的面积的第一比值;根据交并比以及第一比值,确定第m个目标检测框与第n个目标检测框是否属于同一个目标。其中,m的取值从1到M,n的取值从1到N。具体的,可根据下述公式(1)来计算第一数值,根据第一数值与第一预设阈值的大小关系,来确定第m个目标检测框与第n个目标检测框是否属于同一个目标。
(1)
其中,A为第m个目标检测框的面积;B为第n个目标检测框的面积;为第m个目标检测框与第n个目标检测框交集的面积(也即重叠面积);/>为第m个目标检测框与第n个目标检测框并集的面积;/>为交并比;/>为第一比值;/>和/>为权重系数,其大小可根据实际需要来设置。
当第一数值S大于或等于第一预设阈值时,可认为第m个目标检测框与第n个目标检测框属于同一个目标。因此,可对第m个目标检测框与第n个目标检测框进行合并。
待检测图像的最终目标检测结果包括:合并得到的合并检测框、M个目标检测框中未被合并的目标检测框以及N个目标检测框中未被合并的目标检测框。
示例性的,上述目标检测模型可以是YOLO(You Only Look Once)模型。该YOLO模型对应有两个尺度(也即网络步长)的头部分支。为了适应本申请实施例的交通数据脱敏场景,将这两个尺度设置为4和16。采用4和16这两种尺度能够有效检测出小目标以及拥挤场景中的目标。
在实际应用中,路侧采集的交通数据从智能网联汽车云控系统输入一体化智能化公共数据平台,并与一体化智能化公共数据平台的现有数据进行多源融合。通过路侧采集交通数据脱敏平台完成数据脱敏处理后,由云计算服务厂商提供的车路协同云服务平台完成数据加工和软件适配,并以服务的形式提供给自动驾驶技术提供商和出行服务商/主机厂,支撑自动驾驶仿真软件和出行服务平台,完成数据的增值服务。
图4为本申请一实施例提供的交通数据脱敏方法的流程示意图。如图4所示,该方法,包括:
401、从待脱敏的交通图像中裁切出目标区域,以得到裁切子图。
其中,所述裁切子图的尺寸与所述目标区域的尺寸相同。待脱敏的交通图像指的是上文中需要进行人脸或车牌脱敏的交通图像。
402、将所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果。
其中,所述裁切子图输入到所述目标检测模型的输入尺寸大于所述交通图像中目标区域输入到所述目标检测模型的输入尺寸。
可选的,将所述交通图像和所述裁切子图以目标检测模型所要求的输入尺寸输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果。
403、根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像中的敏感目标。
第一敏感目标检测结果包括N个目标检测框;第二敏感目标检测结果包括:M个目标检测框。
404、对所述交通图像中的敏感目标进行脱敏处理。
敏感目标可以是人脸、车牌等敏感对象。
上述步骤401到404的具体实现可参见上述各实施例中相应内容,在此不再赘述。
在交通图像中存在一些区域,例如:目标密集型区域、目标尺寸较小的区域,这些区域的目标检测难度较大,目标检测精确性较差,进而导致交通图像的脱敏达标率较低。为了解决这一问题,本申请实施例提供的技术方案中从交通图像中裁切出这些区域,得到裁切子图;将交通图像以及裁切子图均以目标检测模型所要求的输入尺寸输入到目标检测模型中进行目标检测,相当于增加了这些区域输入到目标检测模型中的尺寸,能够降低目标检测模型对这部分区域的感知难度,进而提高这部分区域的检测精确性,进而提高交通图像的脱敏达标率。
可选的,上述目标区域可以是目标密集型区域、目标尺寸小于预设尺寸阈值的区域。这些目标区域可以是人工标注的,也可以是通过算法检测出来的。
可选的,所述方法,还包括:
405、确定拍摄得到所述交通图像的交通摄像头。
406、获取所述交通摄像头对应的第一区域位置信息。
其中,所述第一区域位置信息为所述交通摄像头的成像平面上指定区域的位置信息。
407、根据所述第一区域位置信息,在所述交通图像中确定所述目标区域。
上述步骤405到407的具体实现可参见上述各实施例中相应内容,在此不再赘述。
也就是说,可事先针对交通路网中的每一个交通摄像头,在该交通摄像头的成像平面上指定出一个区域(也即指定区域),该区域覆盖该交通摄像头的视野范围所覆盖的区域中的一个用户感兴趣的子区域,例如:该子区域容易出现目标拥挤情况,示例性,十字路口靠近斑马线的路面区域容易出现车辆拥挤(也即车牌拥挤);再例如:该子区域距离该交通摄像头较远,该子区域出现的人脸、车牌等敏感目标在该交通摄像头拍摄的照片中尺寸较小。
可选的,所述交通摄像头属于固定摄像头。
也就是说,所述交通摄像头的视野范围所覆盖的区域是固定不变的。那么,在交通场景中,所述交通摄像头的视野范围所覆盖的区域中容易出现目标拥挤情况的子区域、距离摄像头较远的子区域在交通摄像头拍摄的任一交通图像中的位置是固定不变的。这样,用户只需要针对每一个交通摄像头,在该交通摄像头的成像平面上指定出一个其感兴趣的区域即可,后续针对该交通摄像头拍摄的任一交通图像均可利用用户的指定信息确定出目标区域,这样用户也就无需针对每一张交通图像进行人工标注目标区域,也无需利用算法进行目标区域的检测。
可选的,目标区域为目标尺寸(具体指的是目标在交通图像中的像素尺寸)小于预设尺寸阈值的区域。
可选的,所述第一敏感目标检测结果包括:第一敏感目标检测框;所述第二敏感目标检测结果包括:第二敏感目标检测框;
上述403中“根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像的敏感目标”,可采用如下步骤来实现:
4031、将所述裁切子图与所述交通图像中的目标区域进行坐标对齐。
4032、坐标对齐后,确定所述第一敏感目标检测框与所述第二敏感目标检测框之间的交并比以及第一比值。
其中,所述第一比值为所述第一敏感目标检测框与所述第二敏感目标检测框的重叠面积与所述第二敏感检测框的面积的比值。
4033、根据所述交并比以及所述第一比值,确定所述第一敏感目标检测框与所述第二敏感目标检测框是否属于同一个敏感目标。
4034、当所述第一敏感目标检测框与所述第二敏感目标检测框属于同一个敏感目标时,对所述第一敏感目标检测框与所述第二敏感目标检测框进行合并,得到合并检测框。
也就是说,在对裁切子图中的敏感目标检测框和交通图像中的敏感目标检测框进行合并时,不仅考虑裁切子图中的敏感目标检测框与交通图像中的敏感目标检测框之间的交并比,还会考虑这两者之间的交集在裁切子图中的敏感目标检测框中的占比。当交通图像中一目标的很小一部分位于裁切子图中,那么,这个目标在裁切子图中的敏感目标检测框相对较小,这个目标在交通图像中的敏感目标检测框相对较大,这两者的交并比较小,但这两者的交集在裁切子图中的敏感目标检测框中的占比较大。因此,同时考虑裁切子图中的敏感目标检测框与交通图像中的敏感目标检测框之间的交并比以及这两者之间的交集在裁切子图中的敏感目标检测框中的占比,能够减少最终检测结果中出现冗余框的情况。
在一种可实现的实施方式中,上述4033中“根据所述交并比以及所述第一比值,确定所述第一敏感目标检测框与所述第二敏感目标检测框是否属于同一个敏感目标”,具体可采用如下步骤来实现:
S11、对所述第一比值以及所述交并比进行加权求和,得到第一数值。
S12、当所述第一数值大于或等于第一预设阈值时,确定所述第一敏感目标检测框与所述第二敏感目标检测框属于同一个敏感目标。
S13、当所述第一数值小于所述第一预设阈值时,确定所述第一敏感目标检测框与所述第二敏感目标检测框不属于同一个敏感目标。
可选的,上述403中“根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像的敏感目标”,还包括:根据所述第一敏感目标检测结果、所述第二敏感目标检测结果以及所述第一敏感目标检测结果与所述第二敏感目标检测结果之间的检测框合并情况,确定所述交通图像中敏感目标。
根据合并得到的合并检测框、第一敏感目标检测结果中未被合并的敏感目标检测框以及第二敏感目标检测结果中未被合并的敏感目标检测框,确定交通图像中的敏感目标。相当于,将合并得到的合并检测框、第一敏感目标检测结果中未被合并的敏感目标检测框以及第二敏感目标检测结果中未被合并的敏感目标检测框作为交通图像的最终目标检测结果。
可选的,上述步骤402中“将所述交通图像和所述裁切子图以目标检测模型所要求的输入尺寸输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果”,可采用如下步骤来实现:
4021、将所述交通图像和所述裁切子图的尺寸缩放至所述目标检测模型所要求的输入尺寸。
4022、将缩放后的所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果。
在一实施例中,为了减少脱敏数据量,可对交通图像进行筛选。具体的,所述方法,还可包括:
408、获取初始交通图像;
409、对所述初始交通图像进行图像识别,以确定所述初始交通图像中是否存在敏感目标;
410、当所述初始交通图像中存在敏感目标时,判断所述初始交通图像中敏感目标是否满足预设脱敏要求;
411、当所述初始交通图像中敏感目标满足所述预设脱敏要求时,将所述初始交通图像确定为待脱敏的所述交通图像。
所述敏感目标为人脸时,所述预设脱敏要求包括:人脸分辨率要求、人脸姿态要求、人脸完整度要求、人脸清晰度要求以及人脸三色比要求中的一项或多项。
所述敏感目标为车牌时,所述预设脱敏要求包括:车牌信息遮挡率要求、车牌分辨率要求、车牌照度要求、车牌模糊度要求以及车牌失真度要求中的一项或多项。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图5示出了本申请一实施例提供的电子设备的结构示意图。如图5所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable read only memory),EEPROM),可擦除可编程只读存储器(Electrical Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable Read Only Memory,PROM),只读存储器(Read Only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。
所述存储器1101,用于存储程序;
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以实现上述各方法实施例提供的方法。
进一步,如图5所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图5中仅示意性给出部分组件,并不意味着电子设备只包括图5所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各方法实施例提供的方法的步骤或功能。
本申请实施例还提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时能够实现上述各方法实施例提供的方法的步骤或功能。
以上所描述的装置实施例仅仅是示意性的,其中所述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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM(Read Only Memory,只读存储器)/RAM(RandomAccess Memory,随机存取存储器)、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种交通数据脱敏方法,其特征在于,包括:
从待脱敏的交通图像中裁切出目标区域,以得到裁切子图;
将所述交通图像和所述裁切子图输入至目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果;所述裁切子图输入到所述目标检测模型的输入尺寸大于所述交通图像中目标区域输入到所述目标检测模型的输入尺寸;
根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像中的敏感目标;
对所述交通图像中的敏感目标进行脱敏处理。
2.根据权利要求1所述的方法,其特征在于,还包括:
确定拍摄得到所述交通图像的交通摄像头;
获取所述交通摄像头对应的第一区域位置信息;所述第一区域位置信息为所述交通摄像头的成像平面上指定区域的位置信息;
根据所述第一区域位置信息,在所述交通图像中确定所述目标区域。
3.根据权利要求2所述的方法,其特征在于,所述交通摄像头属于固定摄像头。
4.根据权利要求1所述的方法,其特征在于,所述目标区域内的敏感目标的尺寸小于预设尺寸阈值。
5.根据权利要求1所述的方法,其特征在于,所述第一敏感目标检测结果包括:第一敏感目标检测框;所述第二敏感目标检测结果包括:第二敏感目标检测框;
根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像的敏感目标,包括:
将所述裁切子图与所述交通图像中的目标区域进行坐标对齐;
坐标对齐后,确定所述第一敏感目标检测框与所述第二敏感目标检测框之间的交并比以及第一比值;所述第一比值为所述第一敏感目标检测框与所述第二敏感目标检测框的重叠面积与所述第二敏感检测框的面积的比值;
根据所述交并比以及所述第一比值,确定所述第一敏感目标检测框与所述第二敏感目标检测框是否属于同一个敏感目标;
当所述第一敏感目标检测框与所述第二敏感目标检测框属于同一个敏感目标时,对所述第一敏感目标检测框与所述第二敏感目标检测框进行合并,得到合并后敏感目标检测框。
6.根据权利要求5所述的方法,其特征在于,根据所述交并比以及所述第一比值,确定所述第一敏感目标检测框与所述第二敏感目标检测框是否属于同一个敏感目标,包括:
对所述第一比值以及所述交并比进行加权求和,得到第一数值;
当所述第一数值大于或等于第一预设阈值时,确定所述第一敏感目标检测框与所述第二敏感目标检测框属于同一个敏感目标;
当所述第一数值小于所述第一预设阈值时,确定所述第一敏感目标检测框与所述第二敏感目标检测框不属于同一个敏感目标。
7.根据权利要求5所述的方法,其特征在于,根据所述第一敏感目标检测结果和所述第二敏感目标检测结果,确定所述交通图像的敏感目标,包括:
根据所述第一敏感目标检测结果、所述第二敏感目标检测结果以及所述第一敏感目标检测结果与所述第二敏感目标检测结果之间的检测框合并情况,确定所述交通图像中敏感目标。
8.根据权利要求1所述的方法,其特征在于,将所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果,包括:
将所述交通图像和所述裁切子图的尺寸缩放至所述目标检测模型所要求的输入尺寸;
将缩放后的所述交通图像和所述裁切子图输入至所述目标检测模型,以得到所述交通图像的第一敏感目标检测结果和所述裁切子图的第二敏感目标检测结果。
9.根据权利要求1所述的方法,其特征在于,还包括:
获取初始交通图像;
对所述初始交通图像进行图像识别,以确定所述初始交通图像中是否存在敏感目标;
当所述初始交通图像中存在敏感目标时,判断所述初始交通图像中敏感目标是否满足预设脱敏要求;
当所述初始交通图像中敏感目标满足所述预设脱敏要求时,将所述初始交通图像确定为待脱敏的所述交通图像。
10.根据权利要求9所述的方法,其特征在于,所述敏感目标为人脸时,所述预设脱敏要求包括:人脸分辨率要求、人脸姿态要求、人脸完整度要求、人脸清晰度要求以及人脸三色比要求中的一项或多项。
11.根据权利要求9所述的方法,其特征在于,所述敏感目标为车牌时,所述预设脱敏要求包括:车牌信息遮挡率要求、车牌分辨率要求、车牌照度要求、车牌模糊度要求以及车牌失真度要求中的一项或多项。
12.一种电子设备,其特征在于,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现权利要求1至11中任一项所述的方法。
13.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被计算机执行时能够实现权利要求1至11中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至11中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233004 | 2024-02-29 | ||
CN2024102330048 | 2024-02-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117993019A true CN117993019A (zh) | 2024-05-07 |
Family
ID=90899665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410396079.8A Pending CN117993019A (zh) | 2024-02-29 | 2024-04-02 | 交通数据脱敏方法、设备、存储介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117993019A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429330A (zh) * | 2020-03-31 | 2020-07-17 | 上海兑观信息科技技术有限公司 | 一种监控视频隐私保护方法和系统 |
CN112906495A (zh) * | 2021-01-27 | 2021-06-04 | 深圳安智杰科技有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
CN113688837A (zh) * | 2021-09-29 | 2021-11-23 | 平安科技(深圳)有限公司 | 图像脱敏方法、装置、电子设备及计算机可读存储介质 |
CN113838070A (zh) * | 2021-09-28 | 2021-12-24 | 北京地平线信息技术有限公司 | 数据脱敏方法和装置 |
CN113971653A (zh) * | 2021-04-06 | 2022-01-25 | 国家气象中心 | 面向遥感图像的目标检测方法、装置、设备及存储介质 |
CN114782412A (zh) * | 2022-05-26 | 2022-07-22 | 马上消费金融股份有限公司 | 图像检测方法、目标检测模型的训练方法及装置 |
CN115830690A (zh) * | 2022-12-22 | 2023-03-21 | 云控智行(上海)汽车科技有限公司 | 一种交通图像脱敏方法及设备 |
-
2024
- 2024-04-02 CN CN202410396079.8A patent/CN117993019A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429330A (zh) * | 2020-03-31 | 2020-07-17 | 上海兑观信息科技技术有限公司 | 一种监控视频隐私保护方法和系统 |
CN112906495A (zh) * | 2021-01-27 | 2021-06-04 | 深圳安智杰科技有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
CN113971653A (zh) * | 2021-04-06 | 2022-01-25 | 国家气象中心 | 面向遥感图像的目标检测方法、装置、设备及存储介质 |
CN113838070A (zh) * | 2021-09-28 | 2021-12-24 | 北京地平线信息技术有限公司 | 数据脱敏方法和装置 |
CN113688837A (zh) * | 2021-09-29 | 2021-11-23 | 平安科技(深圳)有限公司 | 图像脱敏方法、装置、电子设备及计算机可读存储介质 |
CN114782412A (zh) * | 2022-05-26 | 2022-07-22 | 马上消费金融股份有限公司 | 图像检测方法、目标检测模型的训练方法及装置 |
CN115830690A (zh) * | 2022-12-22 | 2023-03-21 | 云控智行(上海)汽车科技有限公司 | 一种交通图像脱敏方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009561B (zh) | 一种监控视频目标映射到三维地理场景模型的方法及系统 | |
CN106791710B (zh) | 目标检测方法、装置和电子设备 | |
CN108205797B (zh) | 一种全景视频融合方法及装置 | |
CN108702444B (zh) | 一种图像处理方法、无人机及系统 | |
US11205284B2 (en) | Vehicle-mounted camera pose estimation method, apparatus, and system, and electronic device | |
CN111914819B (zh) | 一种多摄像头融合的人群密度预测方法、装置、存储介质及终端 | |
CN111815707B (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN107084740B (zh) | 一种导航方法和装置 | |
CN112200035B (zh) | 用于模拟拥挤场景的图像获取方法、装置和视觉处理方法 | |
CN108629799B (zh) | 一种实现增强现实的方法及设备 | |
CN111105351B (zh) | 一种视频序列影像拼接方法及装置 | |
US9392146B2 (en) | Apparatus and method for extracting object | |
CN111914739A (zh) | 智能跟随方法、装置、终端设备和可读存储介质 | |
CN117993019A (zh) | 交通数据脱敏方法、设备、存储介质及计算机程序产品 | |
CN115565155A (zh) | 神经网络模型的训练方法、车辆视图的生成方法和车辆 | |
CN112818743B (zh) | 图像识别的方法、装置、电子设备及计算机存储介质 | |
CN115514887A (zh) | 视频采集的控制方法、装置、计算机设备和存储介质 | |
CN114881840A (zh) | 一种图像拼接方法、设备、系统和计算机可读存储介质 | |
CN111489384B (zh) | 基于互视角的遮挡评估方法及装置、设备、系统和介质 | |
CN113516703A (zh) | 摄像头覆盖范围检测方法、装置、设备和存储介质 | |
CN112887611A (zh) | 图像处理方法、装置、设备和存储介质 | |
CN113313646B (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
CN117152400B (zh) | 交通道路上多路连续视频与三维孪生场景融合方法及系统 | |
TR2021015163A2 (tr) | Bi̇r görüntü i̇şleme yöntemi̇ ve si̇stemi̇ |
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 |