一种信息处理方法、装置以及计算机存储介质与流程
本发明涉及图像处理的技术领域，尤其涉及一种信息处理方法、装置以及计算机存储介质。
背景技术：
随着科学技术的发展，个人信息的安全性越来越受到人们的重视，如何避免个人信息泄露是当前的研究热点，尤其是深度学习技术的广泛应用，使得个人信息隐藏有了更进一步的发展和更广阔的前景。比如，在一些自拍和生活照中，人们往往对涉及个人信息的区域通过打马赛克或者用一些小图案进行遮挡，这些个人信息可以包括身份证号、车牌号、航班号，甚至是脸部图像。然而，打马赛克和用小图案遮挡的确能起到隐藏个人信息的作用，但是往往也会使照片失去部分美感。
技术实现要素：
本发明的主要目的在于提出一种信息处理方法、装置以及计算机存储介质，通过生成“以假乱真”虚拟的替换信息来隐藏用户真实的敏感信息，从而可以在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种信息处理方法，所述方法包括：
获取待处理图像；
基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；
基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；
根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像。
在上述方案中，所述获取待处理图像，具体包括：
接收摄像头开启指令以打开摄像头；
接收拍照指令，根据所述拍照指令获取所述待处理图像。
在上述方案中，在所述基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型之前，所述方法还包括：
获取图像样本；其中，所述图像样本中每一张图像都包含有敏感信息；
将所述图像样本中每一张图像进行块划分，获得划分后的图像块集合；
将所述划分后的图像块集合中每一个图像块进行标记，获得标记后的图像块集合；
将所述标记后的图像块集合作为第一训练集，通过对所述第一训练集和所述第一训练集中每一个图像块对应的标记进行训练，获得第一训练模型；其中，所述第一训练模型用于检测所述待处理图像中是否包含有敏感信息以及所述敏感信息的类型。
在上述方案中，所述通过对所述第一训练集和所述第一训练集中每一个图像块对应的标记进行训练，获得第一训练模型，具体包括：
将所述第一训练集输入到卷积神经网络模型中，基于所述卷积神经网络模型进行图像识别，以确定所述第一训练集中每一个图像块的类别；
基于所述确定的每一个图像块的类别以及每一个图像块对应的标记，确定出损失函数的取值；
基于所述损失函数的取值，对所述卷积神经网络模型进行参数调整，以根据参数调整后的卷积神经网络模型重新确定所述第一训练集中每一个图像块的类别，并重新确定所述损失函数的取值，直至所述损失函数的取值小于预设阈值时，确定所述卷积神经网络模型训练完成；
基于所述训练完成的所述卷积神经网络模型，获得第一训练模型。
在上述方案中，在所述基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息之前，所述方法还包括：
获取图像样本；其中，所述图像样本中每一张图像都包含有敏感信息；
基于第一训练模型对所述图像样本中每一张图像进行敏感信息检测；
基于所述检测的结果，获取每一张图像中所述敏感信息的类型；
基于所述获取的多个类型对所述图像样本进行分组，获得多组图像集合；
将所述多组图像集合作为第二训练集，通过对所述第二训练集中每一组图像集合进行单独训练，获得多组第二训练模型；其中，所述多组第二训练模型与所述多个类型之间具有对应关系。
在上述方案中，所述基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息，具体包括：
根据所述多组第二训练模型与所述多个类型之间的对应关系，获得所述敏感信息的类型对应的第二训练模型；
基于所述对应的第二训练模型对所述敏感信息进行生成训练，获得与所述敏感信息对应的替换信息。
在上述方案中，所述根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像，具体包括：
确定所述待处理图像中所述敏感信息对应的敏感信息区域；
将所述替换信息覆盖于所述敏感信息区域之上，获得处理后的图像。
在上述方案中，所述方法还包括：
基于第一训练模型，若从所述待处理图像中没有检测出敏感信息，则结束所述待处理图像的信息处理流程。
在上述方案中，在所述基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型之后，所述方法还包括：
发送咨询指令，所述咨询指令用于确认所述敏感信息是否需要处理；
若接收到确认指令，则根据所述确认指令继续所述待处理图像的信息处理流程；
若接收到取消指令，则根据所述取消指令结束所述述待处理图像的信息处理流程。
第二方面，本发明实施例提供了一种信息处理装置，所述信息处理装置包括：网络接口，存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行第一方面中任一项所述信息处理的方法的步骤。
第三方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有信息处理程序，所述信息处理程序被至少一个处理器执行时实现第一方面中任一项所述信息处理的方法的步骤。
本发明实施例所提供的一种信息处理方法、装置以及计算机存储介质，通过获取待处理图像；基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像；从而实现了对用户真实的敏感信息的隐藏，在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
附图说明
图1为本发明实施例提供的一种信息处理方法的流程示意图；
图2为本发明实施例提供的一种移动终端的硬件结构示意图；
图3为本发明实施例提供的一种信息处理方法的详细流程示意图；
图4为本发明实施例提供的一种身份证原始图像的结构示意图；
图5为本发明实施例提供的一种身份证原始图像划分块的结构示意图；
图6为本发明实施例提供的一种处理后的身份证图像的结构示意图；
图7为本发明实施例提供的一种信息处理装置的组成结构示意图；
图8为本发明实施例提供的另一种信息处理装置的组成结构示意图；
图9为本发明实施例提供的又一种信息处理装置的组成结构示意图；
图10为本发明实施例提供的再一种信息处理装置的组成结构示意图；
图11为本发明实施例提供的再一种信息处理装置的组成结构示意图；
图12为本发明实施例提供的一种信息处理装置的具体硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，已经成功地应用于图像识别。cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征；其二为特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。cnn主要用来识别位移、缩放、图像信息以及其他形式扭曲不变性的二维图形，而且cnn的特征提取层是通过训练数据进行学习，避免了显示的特征抽取，而隐式地从训练数据中进行学习；同时基于同一特征映射面上的神经元权值相同，cnn网络可以并行学习，这也是卷积神经网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
生成式对抗网络(generativeadversarialnetworks，gan)是于2014年提出的一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一，该方法基于“博奕论”的思想，构造框架中(至少)两个模型：捕获数据分布的生成模型(generativemodel，g)和估计样本来自训练数据的概率的判别模型(discriminativemodel，d)，两者同时训练，利用g和d所构成的动态“博弈过程”，在最理想的状态下，g可以生成足以“以假乱真”的数据，而d无法正确的区分生成数据和真实数据。
深度学习是一种源于神经网络的强大技术，通过构建多层次的神经元，加上大量数据样本的反复训练，使得深度学习技术被越来越多地运用到图像识别和信息隐藏的应用中。在本发明实施例中，通过第一训练模型(比如卷积神经网络模型)从获取的图像中检测出个人的敏感信息，比如身份证号码、车牌号码、航班号码以及脸部图像等。通过第二训练模型(比如生成式对抗网络模型)来生成一组“以假乱真”的虚拟的替换信息，然后利用该虚拟的替换信息来覆盖原始图像中真实的敏感信息，从而实现了对用户真实的敏感信息的隐藏，在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用；下面将结合附图对本发明实施例进行详细描述。
实施例一
参见图1，其示出了本发明实施例提供的一种信息处理方法，该方法可以包括：
s101：获取待处理图像；
s102：基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；
s103：基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；
s104：根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像。
基于图1所示的技术方案，通过获取待处理图像；基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像；从而实现了对用户真实的敏感信息的隐藏，在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
对于图1所示的技术方案，在一种可能的实现方式中，所述获取待处理图像，具体包括：
接收摄像头开启指令以打开摄像头；
接收拍照指令，根据所述拍照指令获取所述待处理图像。
需要说明的是，获取待处理图像，该待处理图像中可能包含有敏感信息。其中，该待处理图像可以是从现有的图像库中得到的，也可以是从网上下载得到的，还可以是通过摄像头直接拍摄得到的；比如当摄像头开启之后，可以通过拍照指令来获取待处理图像。
对于图1所示的技术方案，在一种可能的实现方式中，在所述基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型之前，所述方法还包括：
获取图像样本；其中，所述图像样本中每一张图像都包含有敏感信息；
将所述图像样本中每一张图像进行块划分，获得划分后的图像块集合；
将所述划分后的图像块集合中每一个图像块进行标记，获得标记后的图像块集合；
将所述标记后的图像块集合作为第一训练集，通过对所述第一训练集和所述第一训练集中每一个图像块对应的标记进行训练，获得第一训练模型；其中，所述第一训练模型用于检测所述待处理图像中是否包含有敏感信息以及所述敏感信息的类型。
在上述实现方式中，具体地，所述标记包括所述图像块的类别和敏感信息的边界；其中，所述类别包括敏感信息的类型和非敏感信息。
需要说明的是，所获取的图像样本包含有多张图像，每一张图像中都包含有敏感信息；其中，敏感信息是用于表征个人身份的隐私信息，比如身份证号码、手机号码、航班号码、车牌号码以及脸部图像等。具体地，图像样本可以是从网上或者本地的图像库中下载图像得到的，也可以是从预先建立的图像样本库中得到的；为了便于图像样本的统一，可以将图像样本中所有的图像归一化到一个统一分辨率，比如分辨率为448×448，或者分辨率为224×224；但是在本发明实施例中，对于图像样本的分辨率并不作具体限定。
还需要说明的是，在获取到图像样本之后，为了方便后续的标记和模型训练，还可以对图像样本中的每一张图像进行块划分，比如将每一张图像划分为10×10个图像块；然后对每一个图像块进行标记，也就是说，针对每一个图像块添加一个标记，该标记包含有两部分：该图像块的类别和敏感信息的边界；该图像块的类别包括敏感信息的类型(比如身份证、联系电话、航班、车牌以及人脸等)和非敏感信息，而对于非敏感信息，敏感信息的边界(boundingbox)是属于无效的；当图像块被标记之后，所标记的内容就作为该图像块的一个标签，可以用于确定该图像块是否包含敏感信息以及敏感信息的类型和边界；将标记后的图像块集合作为第一训练集，利用目前已有的卷积神经网络模型对所述第一训练集和所述标记进行训练，从而可以得到第一训练模型，比如vgg模型(visualgeometrygroupnetwork，vggnet)。
可以理解地，对于第一训练模型的具体训练过程，本发明实施例以卷积神经网络模型为例，在上述实现方式中，具体地，所述通过对所述第一训练集和所述第一训练集中每一个图像块对应的标记进行训练，获得第一训练模型，包括：
将所述第一训练集输入到卷积神经网络模型中，基于所述卷积神经网络模型进行图像识别，以确定所述第一训练集中每一个图像块的类别；
基于所述确定的每一个图像块的类别以及每一个图像块对应的标记，确定出损失函数的取值；
基于所述损失函数的取值，对所述卷积神经网络模型进行参数调整，以根据参数调整后的卷积神经网络模型重新确定所述第一训练集中每一个图像块的类别，并重新确定所述损失函数的取值，直至所述损失函数的取值小于预设阈值时，确定所述卷积神经网络模型训练完成；
基于所述训练完成的所述卷积神经网络模型，获得第一训练模型。
需要说明的是，预设阈值是用于衡量卷积神经网络模型是否训练完成的一个判定值。在本发明实施例中，假定所述确定的每一个图像块的类别定义为
对于图1所示的技术方案，在一种可能的实现方式中，在所述基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息之前，所述方法还包括：
获取图像样本；其中，所述图像样本中每一张图像都包含有敏感信息；
基于第一训练模型对所述图像样本中每一张图像进行敏感信息检测；
基于所述检测的结果，获取每一张图像中所述敏感信息的类型；
基于所述获取的多个类型对所述图像样本进行分组，获得多组图像集合；
将所述多组图像集合作为第二训练集，通过对所述第二训练集中每一组图像集合进行单独训练，获得多组第二训练模型；其中，所述多组第二训练模型与所述多个类型之间具有对应关系。
需要说明的是，所获取的图像样本包含有多张图像，每一张图像中都包含有敏感信息；此时可以根据第一训练模型对所述图像样本中每一张图像进行敏感信息检测，从而可以得到每一张图像的敏感信息以及所述敏感信息的类型；根据所得到的类型对图像样本进行分组，从而可以得到多组图像集合；比如身份证类型对应的图像集合、车牌类型对应的图像集合以及联系电话类型对应的图像集合等；将这多组图像集合作为第二训练集，对于第二训练集中的每一组图像集合单独训练，经过训练之后，也就得到了多组第二训练模型，而且多组第二训练模型是与多个敏感信息的类型相对应的；比如身份证类型对应的图像集合经过训练之后，得到了身份证类型对应的第二训练模型；车牌类型对应的图像集合经过训练之后，得到了车牌类型对应的第二训练模型；联系电话类型对应的图像集合经过训练之后，得到了联系电话类型对应的第二训练模型。
还需要说明的是，对于第二训练模型的具体训练过程，本发明实施例以生成式对抗网络模型为例，其中，生成式对抗网络模型包括生成模型g和判别模型d，根据生成式对抗网络模型对第二训练集中的某组图像集合进行训练，在训练过程中，生成模型g的目标就是尽量生成接近真实的图像去让判别网络d进行判别，而判别网络d的目标就是尽量把g所生成的图像和某组图像集合中的真实图像区分开来；从而g和d构成了一个动态的“博弈过程”；训练的最终结果使得g可以生成足以“以假乱真”的图像，而d难以判定g所生成的图像究竟是不是真实图像，判定概率分别为0.5；从而也就得到了第二训练模型，该第二训练模型可以生成“以假乱真”的虚拟信息。
在上述实现方式中，具体地，所述基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息，包括：
根据所述多组第二训练模型与所述多个类型之间的对应关系，获得所述敏感信息的类型对应的第二训练模型；
基于所述对应的第二训练模型对所述敏感信息进行生成训练，获得与所述敏感信息对应的替换信息。
需要说明的是，当确定出待处理图像中敏感信息的类型之后，可以根据多组第二训练模型与多个类型之间的对应关系，从而得到了该敏感信息的类型所对应的第二训练模型；然后将该敏感信息输入到所对应的第二训练模型中进行训练，从而生成了无限接近于该敏感信息的虚拟的替换信息，也就是说，得到了与该敏感信息相对应的替换信息。
对于图1所示的技术方案，在一种可能的实现方式中，所述根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像，具体包括：
确定所述待处理图像中所述敏感信息对应的敏感信息区域；
将所述替换信息覆盖于所述敏感信息区域之上，获得处理后的图像。
需要说明的是，当得到与该敏感信息相对应的替换信息之后，为了便于隐藏待处理图像中的敏感信息；可以确定出待处理图像中的所述敏感信息对应的敏感信息区域，所述敏感信息区域是基于敏感信息的边界(boundingbox)得到的；然后利用替换信息覆盖于所述敏感信息区域之上，从而可以得到处理后的图像。这里，处理后的图像中，真正的敏感信息已经被替换信息所隐藏，从而也就实现了在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
可以理解地，待处理图像中可以包含敏感信息，也可以没有包含敏感信息；若检测出待处理图像中没有包含敏感信息，则不需要执行对待处理图像的信息处理流程；因此，对于图1所示的技术方案，在一种可能的实现方式中，所述方法还包括：
基于第一训练模型，若从所述待处理图像中没有检测出敏感信息，则结束所述待处理图像的信息处理流程。
需要说明的是，基于第一训练模型，若从待处理图像中检测出敏感信息，则继续待处理图像的信息处理流程，比如得到所述敏感信息的类型，然后基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像；基于第一训练模型，若从待处理图像中没有检测出敏感信息，则结束待处理图像的信息处理流程，并不需要对待处理图像进行图像信息处理。
可以理解地，当检测出待处理图像中包含有敏感信息时，该敏感信息可能并不是那么敏感，也可能该待处理图像并不会公布于众，这种情况下不需要对敏感信息进行处理，也就不需要执行对待处理图像的信息处理流程；因此，对于图1所示的技术方案，在一种可能的实现方式中，所述方法还包括：
在所述基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型之后，所述方法还包括：
发送咨询指令，所述咨询指令用于确认所述敏感信息是否需要处理；
若接收到确认指令，则根据所述确认指令继续所述待处理图像的信息处理流程；
若接收到取消指令，则根据所述取消指令结束所述述待处理图像的信息处理流程。
需要说明的是，当确定出待处理图像中包含有敏感信息时，这时候可以通过发送咨询指令；然后由用户来确认所述敏感信息是否需要处理；当接收到确认指令时，则确认该敏感信息需要处理，也就是说，此时还需要继续所述待处理图像的信息处理流程；当接收到取消指令时，则确认该敏感信息不需要处理，也就是说，此时可以结束所述述待处理图像的信息处理流程；从而既可以在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用，又可以避免一些非必要的敏感信息隐藏的处理操作，节省了系统资源。
本实施例提供了一种信息处理方法，通过获取待处理图像；基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像；从而实现了对用户真实的敏感信息的隐藏，在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
实施例二
基于前述实施例相同的发明构思，参见图2，其示出了一种能够应用于前述实施例技术方案的移动终端结构示例，该移动终端200具有拍照功能和显示功能，可以但不限于是手机、平板电脑、个人数字助理、电子书阅读器、多媒体播放设备、智能拍照设备以及可穿戴设备等便携式电子设备。如图2所示，该移动终端200的结构可以包括：射频(radiofrequency，rf)单元210、存储器220、输入单元230、显示单元240、摄像头250、传感器260、处理器270以及电源280等部件；其中，图2所示移动终端的各个部件的主要功能介绍如下：
射频单元210用于收发信息或通话过程中信号的接收和发送；射频单元210包括但不限于天线、至少一个放大器、收发信机、双工器等；具体的，将基站的下行信息接收后，发送给处理器270处理；另外，将上行的数据发送给基站；
存储器220用于存储软件程序以及各种数据，存储器220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(比如用于拍照的应用程序、用于检测敏感信息及敏感信息类型的第一训练模型应用程序、用于生成替换信息的第二训练模型应用程序等)等；存储数据区可存储根据移动终端的使用所创建的数据；
输入单元230用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的按键信号输入；具体地，输入单元230可包括触控面板231(也称之为触摸屏)以及其他输入设备232(包括但不限于物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标等)。
显示单元240用于显示由用户输入的信息或提供给用户的信息，显示单元240包括显示面板241，触控面板231可覆盖显示面板241；虽然在图2中，触控面板231与显示面板241是作为两个独立的部件来实现移动终端的输入和输入功能，但是在某些实施例中，可以将触控面板231与显示面板241集成而实现移动终端的输入和输出功能；
摄像头250用于静态图片、连拍功能或者较短视频拍摄，摄像头250分为内置与外置，内置摄像头是指摄像头在移动终端内部，使用更方便；外置摄像头通过数据线或者移动终端的接口与外部摄像头相连来完成拍摄功能，可以减轻移动终端的重量；摄像头250一般具有视频摄像/传播和静态图像捕捉等功能，用于将所捕捉的信息通过串并口或其他接口传输到存储器107；
移动终端还包括至少一种传感器260，比如光传感器、重力传感器、陀螺仪以及其他传感器；当移动终端内部的重力传感器或者陀螺仪检测到移动终端处于抖动状态时，可以通过处理器270执行对应的拍照处理方式，比如开启防抖动功能。
处理器270是移动终端的控制中心，利用各种接口和线路连接移动终端的各个部分，通过运行或执行存储在存储器220内的软件程序和/或模块，以及调用存储在存储器220内的数据，执行移动终端的各种功能和处理数据，从而实现对移动终端进行整体监控；
移动终端还包括给各个部件供电的电源280(比如电池)，优选的，电源可以通过电源管理系统与处理器270逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本领域技术人员可以理解，图2中示出的移动终端结构并不构成对移动终端的限定，移动终端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。
基于上述移动终端20的结构示例，参见图3，其示出了本发明实施例提供的一种信息处理方法的详细流程，该详细流程可以包括：
s301：接收摄像头开启指令以打开摄像头；
s302：接收拍照指令，根据所述拍照指令获取所述待处理图像；
举例来说，以图2所示的移动终端200为例，当移动终端200需要拍照时，首先需要打开摄像头250，然后通过输入单元230(比如实体按键或者触控面板231上的拍照触控按钮)来输入一个拍照指令，根据该拍照指令就可以得到一张原始图像，以此作为待处理图像进行后续的敏感信息检测及处理。下面以身份证原始图像为例，参考图4，其示出了本发明实施例提供的一种移动终端拍摄的身份证原始图像示意图。
s303：基于第一训练模型对所述待处理图像进行敏感信息检测；
s304：若从所述待处理图像中检测出敏感信息，则获取所述敏感信息的类型；
s305：若从所述待处理图像中没有检测出敏感信息，则结束所述待处理图像的信息处理流程；
举例来说，以图2所示的移动终端200为例，存储器220中已经预先存储有第一训练模型的应用程序和第二训练模型的应用程序；结合上述实例，以图4所示的身份证原始图像为例，由处理器270通过预先存储的第一训练模型对该身份证原始图像进行敏感信息检测；在敏感信息的检测过程中，处理器270还可以针对该原始图像进行图像块划分，比如图5所示，将身份证原始图像划分为5×5个图像块，然后由第一训练模型对每一个图像块进行敏感信息检测，本发明实施例对此并不作具体限定；其中，在经过第一训练模型的敏感信息检测之后，若从该原始图像中没有检测出敏感信息，比如从该原始图像中没有检测到身份证号码、手机号码、航班号码、车牌号码以及脸部图像等信息，则直接结束该原始图像的信息处理流程；若从该原始图像中检测出敏感信息，比如501所示区域内的信息检测为身份证号码，502所示区域内的信息检测为人脸图像；基于身份证号码和人脸图像均为敏感信息，则需要继续该原始图像的信息处理流程。
s306：发送咨询指令，所述咨询指令用于确认所述敏感信息是否需要处理；
s307：若接收到确认指令，则根据所述确认指令继续所述待处理图像的信息处理流程；
s308：若接收到取消指令，则根据所述取消指令结束所述述待处理图像的信息处理流程；
需要说明的是，在步骤s304之后，执行步骤s306；当确定敏感信息需要处理时，执行步骤s307；当确定敏感信息不需要处理时，执行步骤s308；
举例来说，以图2所示的移动终端200为例，存储器220中已经预先存储有第一训练模型的应用程序和第二训练模型的应用程序；结合上述实例，仍以图4所示的身份证原始图像为例，当检测出该原始图像中有敏感信息时，由于考虑到有些敏感信息并不是那么敏感，或者该原始图像并不会公布于众，此时处理器270还会向用户发送咨询指令，比如通过弹出对话框的形式来咨询用户；当用户确认该敏感信息需要处理时，可以通过点击“确认”按钮来向移动终端200发送确认指令，处理器270根据所接收到的确认指令将继续该原始图像的信息处理流程；当用户确认该敏感信息不需要处理时，可以通过点击“取消”按钮来向移动终端200发送取消指令，处理器270根据所接收到的取消指令将直接结束该原始图像的信息处理流程；从而可以避免一些非必要的敏感信息隐藏的处理操作，节省了系统资源。
s309：基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；
s310：确定所述待处理图像中所述敏感信息对应的敏感信息区域；
s311：将所述替换信息覆盖于所述敏感信息区域之上，获得处理后的图像。
举例来说，以图2所示的移动终端200为例，存储器220中已经预先存储有第一训练模型的应用程序和第二训练模型的应用程序；结合上述实例，仍以图4所示的身份证原始图像为例，当确认原始图像中的敏感信息需要处理时，根据敏感信息的类型，比如对于身份证类型，则选取身份证类型对应的第二训练模型，以生成与身份证号码对应的替换信息；对于人脸图像类型，则选取人脸图像类型对应的第二训练模型，以生成与人脸图像对应的替换信息；其中，所生成的替换信息无限接近于真实的敏感信息；然后根据所确定的待处理图像中敏感信息对应的敏感信息区域，将所生成的替换信息覆盖于该敏感信息区域之后，也就得到了处理后的图像，比如图6所示的处理后的身份证图像示例；从而实现了在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
通过上述实施例，对前述实施例的具体实现进行了详细阐述，从中可以看出，通过前述实施例的技术方案，从而实现了对用户真实的敏感信息的隐藏，在不降低原始图像美感的情况下还对用户真实的敏感信息起到了保护作用。
实施例三
基于前述实施例相同的发明构思，参见图7，其示出了本发明实施例提供的一种信息处理装置70的组成，所述信息处理装置70可以包括：第一获取部分701、第一检测部分702、生成部分703和替换部分704；其中，
所述第一获取部分701，配置为获取待处理图像；
所述第一检测部分702，配置为基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；
所述生成部分703，配置为基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；
所述替换部分704，配置为根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像。
在上述方案中，所述第一获取部分701，具体配置为：
接收摄像头开启指令以打开摄像头；
接收拍照指令，根据所述拍照指令获取所述待处理图像。
在上述方案中，参见图8，所述信息处理装置70还包括第一训练部分705，配置为：
获取图像样本；其中，所述图像样本中每一张图像都包含有敏感信息；
将所述图像样本中每一张图像进行块划分，获得划分后的图像块集合；
将所述划分后的图像块集合中每一个图像块进行标记，获得标记后的图像块集合；
将所述标记后的图像块集合作为第一训练集，通过对所述第一训练集和所述第一训练集中每一个图像块对应的标记进行训练，获得第一训练模型；其中，所述第一训练模型用于检测所述待处理图像中是否包含有敏感信息以及所述敏感信息的类型。
在上述方案中，所述第一训练部分705，具体配置为：
将所述第一训练集输入到卷积神经网络模型中，基于所述卷积神经网络模型进行图像识别，以确定所述第一训练集中每一个图像块的类别；
基于所述确定的每一个图像块的类别以及每一个图像块对应的标记，确定出损失函数的取值；
基于所述损失函数的取值，对所述卷积神经网络模型进行参数调整，以根据参数调整后的卷积神经网络模型重新确定所述第一训练集中每一个图像块的类别，并重新确定所述损失函数的取值，直至所述损失函数的取值小于预设阈值时，确定所述卷积神经网络模型训练完成；
基于所述训练完成的所述卷积神经网络模型，获得第一训练模型。
在上述方案中，参见图9，所述信息处理装置70还包括第二训练部分706，配置为：
获取图像样本；其中，所述图像样本中每一张图像都包含有敏感信息；
基于第一训练模型对所述图像样本中每一张图像进行敏感信息检测；
基于所述检测的结果，获取每一张图像中所述敏感信息的类型；
基于所述获取的多个类型对所述图像样本进行分组，获得多组图像集合；
将所述多组图像集合作为第二训练集，通过对所述第二训练集中每一组图像集合进行单独训练，获得多组第二训练模型；其中，所述多组第二训练模型与所述多个类型之间具有对应关系。
在上述方案中，所述生成部分703，具体配置为：
根据所述多组第二训练模型与所述多个类型之间的对应关系，获得所述敏感信息的类型对应的第二训练模型；
基于所述对应的第二训练模型对所述敏感信息进行生成训练，获得与所述敏感信息对应的替换信息。
在上述方案中，所述替换部分704，具体配置为：
确定所述待处理图像中所述敏感信息对应的敏感信息区域；
将所述替换信息覆盖于所述敏感信息区域之上，获得处理后的图像。
在上述方案中，参见图10，所述信息处理装置70还包括第二检测部分707，配置为：
基于第一训练模型，若从所述待处理图像中没有检测出敏感信息，则结束所述待处理图像的信息处理流程。
在上述方案中，参见图11，所述信息处理装置70还包括咨询部分708，配置为：
发送咨询指令，所述咨询指令用于确认所述敏感信息是否需要处理；
若接收到确认指令，则根据所述确认指令继续所述待处理图像的信息处理流程；
若接收到取消指令，则根据所述取消指令结束所述述待处理图像的信息处理流程。
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，该计算机存储介质存储有信息处理程序，所述信息处理程序被至少一个处理器执行时实现上述实施例一所述信息处理的方法的步骤。
基于上述信息处理装置70的组成以及计算机存储介质，参见图12，其示出了本发明实施例提供的信息处理装置70的具体硬件结构，可以包括：网络接口1201、存储器1202和处理器1203；各个组件通过总线系统1204耦合在一起。可理解，总线系统1204用于实现这些组件之间的连接通信。总线系统1204除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图12中将各种总线都标为总线系统1204。其中，网络接口1201，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
存储器1202，用于存储能够在处理器1203上运行的计算机程序；
处理器1203，用于在运行所述计算机程序时，执行：
获取待处理图像；
基于第一训练模型，从所述待处理图像中检测出敏感信息并得到所述敏感信息的类型；
基于所述敏感信息的类型对应的第二训练模型，生成与所述敏感信息对应的替换信息；
根据所述替换信息对所述待处理图像中的所述敏感信息进行替换处理，获得处理后的图像。
可以理解，本发明实施例中的存储器1202可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的系统和方法的存储器1202旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器1203可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1203中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1203可以是通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1202，处理器1203读取存储器1202中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(applicationspecificintegratedcircuits，asic)、数字信号处理器(digitalsignalprocessing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmablelogicdevice，pld)、现场可编程门阵列(field-programmablegatearray，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本发明所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可选地，作为另一个实施例，处理器1203还配置为在运行所述计算机程序时，执行上述实施例一所述信息处理的方法的步骤。
可选地，本发明实施例还提供了一种移动终端，所述移动终端包含上述实施例中任一项所述的信息处理装置70。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！