一种图片脱敏处理方法、装置、系统及存储介质与流程

本技术涉及图片处理，特别涉及一种图片脱敏处理方法、装置、系统及存储介质。

背景技术：

1、根据国家对车机视频的相关法律法规，汽车企业在将汽车传输视频及图像上传至企业远程信息服务平台之前，需要对视频及图像中的人脸和车牌数据等数据进行脱敏处理，也就是说，需要对传输数据中涉及到的隐私信息进行去除。目标检测是指找出图像中所有感兴趣的目标(例如人脸、车牌数据等)，确定它们的类别和位置，是图片脱敏处理的核心问题之一。

2、在现有技术中，对于同一张待脱敏的图片，只输出一个识别结果，由于模型的识别是一种基于给定数据进行的预测过程，有一定的误识别概率，因此，无法避免地会出现误识别的情况，进而导致无法准确脱敏，本技术旨在提供一种图片脱敏处理方法，用以在现有脱敏方案的基础上提升目标检测结果的准确性，进而提升图片脱敏的准确性。

技术实现思路

1、本技术提供一种图片脱敏处理方法、装置、系统及存储介质，用以提升目标检测结果的准确性，进而提升图片脱敏的准确性。

2、本技术提供一种图片脱敏处理方法，包括：

3、通过预训练的模型对预处理后的待脱敏的图片进行识别；

4、获取所述预训练模型通过多个输出层输出的多个不同尺寸比例的识别结果，其中，所述识别结果为在图片中标注出待脱敏位置的检测框；

5、从所述多个识别结果中选择置信度最高的识别结果对待脱敏的图片进行脱敏处理。

6、本技术的有益效果在于：预训练的模型包含多个输出层，不同的输出层能够输出不同尺寸比例的识别结果，并且，可以从多个识别结果中选择出置信度最高的识别结果对待脱敏的图片进行脱敏处理，相对于只输出一个识别结果的技术方案而言，本技术可以输出多个不同尺寸比例的识别结果，并从多个不同尺寸比例的识别结果中进一步筛选出置信度最高的识别结果，因此，在现有脱敏方案的基础上提升了目标检测结果的准确性，进而提升了图片脱敏的准确性。

7、在一个实施例中，所述通过预训练的模型对预处理后的待脱敏的图片进行识别，包括：

8、在检测到待脱敏的图片进入输入层之后，对待脱敏图片对应的进行多次卷积运算；

9、将进行多次卷积运算的待脱敏图片经过残差网络块；

10、通过预训练模型的不同的输出层输出经过多次卷积运算和经过残差网络块的所述待脱敏图片的识别结果，其中，不同输出层输出的识别结果经过的卷积运算次数及经过残差网络块的次数不同。

11、在一个实施例中，所述预训练的模型的训练过程如下：

12、获取训练数据，所述训练数据为已经对需要脱敏位置进行标注的待脱敏图片；

13、从所述待脱敏图片中随机选取部分作为训练集；

14、将训练集输入至预先搭建的模型中对所述预先搭建的模型进行训练，以得到满足条件的模型；

15、将所述待脱敏图片中除训练集之外的剩余部分作为测试集输入至满足条件的模型中以获取所述测试集对应的识别结果；

16、当所述满足条件的模型对测试集的识别结果的准确率达到特定准确率时，确定所述满足条件的模型训练完毕。

17、在一个实施例中，所述将训练集输入至预先搭建的模型中对所述预先搭建的模型进行训练，以得到满足条件的模型，包括：

18、在将训练集输入至预先搭建的模型中之后，监测所述预先搭建的模型在根据训练集进行训练的过程中损失函数的函数值变化情况；

19、保存损失函数的函数值小于预设值的模型；

20、当根据训练集进行训练的训练次数达到特定次数时，从所有损失函数的函数值小于预设值的模型中选取损失函数的函数值最小的模型作为满足条件的模型。

21、在一个实施例中，所述预训练的模型所输出的识别结果包含识别结果的置信度，所述从所述多个识别结果中选择置信度最高的识别结果对待脱敏的图片进行脱敏处理，包括：

22、从多个识别结果中选择置信度最高的识别结果对所述多个识别结果进行去重处理；

23、在去重处理执行完毕后，根据剩余识别结果对待脱敏的图片进行脱敏处理。

24、在一个实施例中，所述预训练的模型所输出的识别结果包含识别结果的分类，所述从多个识别结果中选择置信度最高的识别结果对所述多个识别结果进行去重处理，包括：

25、从同分类的识别结果中获取置信度最高的识别结果；

26、将所述置信度最高的识别结果跟同一分类下的其他识别结果进行比对；

27、将与置信度最高的识别结果的重合度达到预设重合度的识别结果进行删除，并保留与置信度最高的识别结果的重合度未达到预设重合度的识别结果；

28、从保留的识别结果中选择置信度最高的识别结果继续进行去重处理，直至没有能够继续进行删除的识别结果为止。

29、在一个实施例中，所述预处理包括以下至少一种方式的处理：

30、去除待脱敏的图片的背景区域，对待脱敏的图片进行对比度增强，以及将待脱敏的图片进行数据标准化处理。

31、本技术还提供一种图片脱敏处理装置，包括：

32、识别模块，用于通过预训练的模型对预处理后的待脱敏的图片进行识别；

33、获取模块，用于获取所述预训练模型通过多个输出层输出的多个不同尺寸比例的识别结果，其中，所述识别结果为在图片中标注出待脱敏位置的检测框；

34、脱敏模块，用于从所述多个识别结果中选择置信度最高的识别结果对待脱敏的图片进行脱敏处理。

35、在一个实施例中，所述识别模块包括：

36、卷积子模块，用于在检测到待脱敏的图片进入输入层之后，对待脱敏图片对应的进行多次卷积运算；

37、残差子模块，用于将进行多次卷积运算的待脱敏图片经过残差网络块；

38、输出子模块，用于通过预训练模型的不同的输出层输出经过多次卷积运算和经过残差网络块的所述待脱敏图片的识别结果，其中，不同输出层输出的识别结果经过的卷积运算次数及经过残差网络块的次数不同。

39、在一个实施例中，所述图片脱敏处理装置中预训练的模型的训练过程如下：

40、获取训练数据，所述训练数据为已经对需要脱敏位置进行标注的待脱敏图片；

41、从所述待脱敏图片中随机选取部分作为训练集；

42、将训练集输入至预先搭建的模型中对所述预先搭建的模型进行训练，以得到满足条件的模型；

43、将所述待脱敏图片中除训练集之外的剩余部分作为测试集输入至满足条件的模型中以获取所述测试集对应的识别结果；

44、当所述满足条件的模型对测试集的识别结果的准确率达到特定准确率时，确定所述满足条件的模型训练完毕。

45、在一个实施例中，所述将训练集输入至预先搭建的模型中对所述预先搭建的模型进行训练，以得到满足条件的模型，包括：

46、在将训练集输入至预先搭建的模型中之后，监测所述预先搭建的模型在根据训练集进行训练的过程中损失函数的函数值变化情况；

47、保存损失函数的函数值小于预设值的模型；

48、当根据训练集进行训练的训练次数达到特定次数时，从所有损失函数的函数值小于预设值的模型中选取损失函数的函数值最小的模型作为满足条件的模型。

49、在一个实施例中，所述预训练的模型所输出的识别结果包含识别结果的置信度，所述脱敏模块，包括：

50、去重子模块，用于从多个识别结果中选择置信度最高的识别结果对所述多个识别结果进行去重处理；

51、脱敏子模块，用于在去重处理执行完毕后，根据剩余识别结果对待脱敏的图片进行脱敏处理。

52、在一个实施例中，其特征在于，所述预训练的模型所输出的识别结果包含识别结果的分类，所述去重子模块还用于：

53、从同分类的识别结果中获取置信度最高的识别结果；

54、将所述置信度最高的识别结果跟同一分类下的其他识别结果进行比对；

55、将与置信度最高的识别结果的重合度达到预设重合度的识别结果进行删除，并保留与置信度最高的识别结果的重合度未达到预设重合度的识别结果；

56、从保留的识别结果中选择置信度最高的识别结果继续进行去重处理，直至没有能够继续进行删除的识别结果为止。

57、在一个实施例中，所述预处理包括以下至少一种方式的处理：

58、去除待脱敏的图片的背景区域，对待脱敏的图片进行对比度增强，以及将待脱敏的图片进行数据标准化处理。

59、本技术还提供一种图片脱敏处理系统，包括：

60、至少一个处理器；以及，

61、与所述至少一个处理器通信连接的存储器；其中，

62、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现上述任意一个实施例所记载的图片脱敏处理方法。

63、本技术还提供一种计算机可读存储介质，当存储介质中的指令由图片脱敏处理系统对应的处理器执行时，使得图片脱敏处理系统能够实现上述任意一个实施例所记载的图片脱敏处理方法。

64、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

65、下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。