一种全自动的人像数据匿名化方法技术

一种全自动的人像数据匿名化方法，包括以下步骤：1)掩码生成方法。在DUTS

【技术实现步骤摘要】
一种全自动的人像数据匿名化方法


[0001]本专利技术涉及数据处理与隐私保护保护领域，尤其涉及一种针对坐姿状态的 人像数据集进行匿名化处理方法。

技术介绍

[0002]随着大数据时代的到来，互联网成为人们生活不可或缺的一部分，规模庞 大的用户，海量交互的信息让个性化、多元化的服务存在隐私保护的危机。其 中，人脸识别技术的快速发展与广泛应用使得盗取与滥用包含着用来区别不同 身份的个人信息的人像数据更为容易。近年来，各式各样的网站、链接、APP 中隐私敏感的信息泄露问题日益严重，随之引发的诈骗、骚扰电话、垃圾短信 等给社会带来大量负面舆情，隐私保护数据处理在人工智能的当下尤为重要， 匿名化图像而不降低图像质量成为了许多视觉隐私安全领域的学者的研究对象。 根据数据保护和隐私规定，如《通用数据保护条例》(GDPR)、《个人信息保护 法》(APPI)和《加州消费者隐私权法案》(CCPA)，必须在进一步处理之前对 用户提供的原始数据中的个人敏感信息匿名化，同时保留头部姿势特征、手部 姿势特征、握笔姿势特征、人体骨骼特征等生物识别信息，用于实现不良坐姿 的发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全自动的人像数据匿名化方法，其特征在于，包括以下步骤：S1：在DUTS
‑
TR数据集上对U2Net进行训练，得到用于生成背景掩码的模型；S2：通过上述模型生成针对坐姿图片数据相对应的掩码，从而去掉涉及隐私信息的背景；S3：基于YOLOv5优化人头检测网络；S4：利用优化的人头检测网络检测去除背景后的人头，根据边界框与返回的关键点定位人头的位置；S5：基于像素对人头进行匿名化，将匿名化后的数据通过卡通头像遮盖美化并存储回原始图像中。2.根据权利要求1所述的一种全自动的人像数据匿名化方法，其特征在于：步骤S1所述的训练所述U2Net的具体过程为：S1.1：准备训练数据集：将DUTS
‑
TR数据集通过数据增强技术对数据集进行扩充；具体操作有：等比缩放到320
×
320，随机垂直翻转并裁剪至288
×
288；S1.2：计算总损失反向求导更新模型参数，反复执行此步骤，保存最终模型参数；其中，(M＝6)分别表示Sup1，Sup2，...，Sup6的输出显著性概率图的损失，是最终融合输出显著性概率图的损失，和ω
fuse
分别是每个损失项的权重，对于每一项，使用标准二进制交叉熵来计算损失，如下所示：其中，(r，c)是像素坐标，(H，W)是图像大小：高度和宽度。P
G
(r，c)和P
S
(r，c)分别表示地面真实和预测显著性概率图的像素值。3.根据权利要求1所述的一种全自动的人像数据匿名化方法，其特征在于：步骤S3所述的训练基于YOLOv5优化的人头检测网络的具体过程为：S3.1：缩小模型SPP块的内核，使YOLOv5更适用于人头检测并提高检测精度，SPP块从13
×
13，9
×
9，5
×
5修改为7
×
7、5
×
5和3
×
3；S3.2：舍去影响性能的上下翻转数据增强手段，根据返回框坐标计算检测到的人头像素，添加一步判断人头像素大小，这里设置像素小于32
×
32为小人头，若判断结果是小人头则跳过马赛克处理，反之进行马赛克处理；S3.3：增加5点关键点回归，关键点输出用于输入人头识别网络之前的人脸对齐，用Wing loss作为损失函数，优化关键点的精准度，如下所示：其中，设置非线性区域范围为(w，
‑
w)，e约束非线性区域的曲率，常数C＝w
‑
wln(1+w/e)用来平滑地连接分段定义的线性和非线性部分。
优化后的人头检测网络的损失函数为loss(s)＝loss1+λ
·
loss2，loss1是原始YOLOv5的损失函数，包括定位，分类，置信度，是关键点矢量s＝{s
i
}的损失函数，其真值为s
’
＝{s
i

【专利技术属性】
技术研发人员：宣琦，周洁韵，宋栩杰，翔云，邱君瀚，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：