【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种交通图像敏感区域脱敏方法。
技术介绍
1、自动驾驶系统、车联网监控系统、街道全景地图等应用采集了大量交通图像信息并对其进行数据的传输、存储和分析。然而，在这些捕获的图像中，对行人面部数据和车辆号牌数据等敏感信息保护较少。根据中国汽车工业协会车载传输视频图像脱敏技术要求及方法(t/caamtb 77-2022)提出的规定，智能驾驶车辆产生的敏感数据在更新到其他设备之前应该被屏蔽。交通图像数据的使用需进行脱敏处理，即对数据进行去隐私处理，以保护敏感信息，从而达到有效利用数据，保证数据安全的目的。
2、已有技术通常通过传统机器学习算法，利用图像一阶矩、二阶矩和直方图等方法对交通图像中的敏感信息进行处理，存在泛化能力薄弱、敏感区域的定位和识别不准确等弊端，不能满足海量交通图像数据的脱敏任务需求。由于车牌信息、人脸数据在交通图像中往往呈现出小尺寸的特点，基于深度学习的方法为提升小尺寸目标的特征提取能力，不得不使用效率更低的两阶段目标检测框架处理交通图像。
3、然而，数据在传输前需要进行脱敏处理，但车机端设备计算能力不足，导致两阶段目标检测框架无法直接应用于交通图像的脱敏任务中。而一阶段目标检测框架由于缺乏充足的特征提取能力，难以准确识别出交通图像中的小尺寸敏感区域。因此，需要在保证计算效率的前提下提升网络的特征提取能力，以达到交通图像敏感信息的脱敏任务需求。
4、在相关技术中，公布号为cn116108490a的专利申请文献中提出使用swin-transformer代替
5、公布号为cn114863426a的专利申请文献中提出特征提取层的近末端加入空间金字塔池化，提高对局部小目标特征的感知能力，特征融合层嵌入关键小目标特征通道注意力和空间注意力做金字塔式融合，引入无锚解耦检测头，对提取的小目标特征进行目标检测，输出所检测目标的位置和类别；然而，该方案简单地应用论文《hu j,shen l,sung.squeeze-and-excitation networks[c]//proceedings of the ieee conference oncomputer vision andpattern recognition.2018:7132-7141.》的方法，仅从“加权”的角度提升网络特征提取能力，忽略了特征层水平维度各对象间的关系建模，检测结果的性能有待进一步提升。
6、公布号为cn109299671a的专利申请文献中提出通过粗糙级训练和精细级训练两个步骤训练得到可识别船舶类型的深度卷积神经网络，但该方案是在网络设计上进行了coarse-to-fine的设计，这种设计方式修改了网络结构，且极大影响的网络检测效率，检测速度慢、显存占用多，对于具有实时性需求的交通图像敏感信息处理任务十分不友好。
技术实现思路
1、本专利技术所要解决的技术问题在于如何实现对交通图像中的小尺寸敏感区域进行准确、高效地检测和脱敏。
2、本专利技术通过以下技术手段解决上述技术问题的：
3、提出了一种交通图像敏感区域脱敏方法，所述方法包括：
4、获取待检测的交通图像并输入至交通图像敏感区域检测网络，所述交通图像敏感区域检测网络包括依次连接的特征提取网络、特征金字塔网络和分类回归网络；
5、利用所述特征提取网络对所述待检测的交通图像进行特征提取，得到不同尺度的特征图；
6、将不同尺度的特征图输入至所述特征金字塔网络，将各特征图转换成统一尺寸后合并成融合特征图，并在所述融合特征图上进行transformer计算，将transformer计算得到的transformer特征与原输入的不同尺度的特征图进行融合，得到强化特征图；
7、利用所述分类回归网络对所述强化特征图进行检测，得到敏感目标所在区域；
8、对所述敏感目标所在区域进行脱敏处理，得到脱敏后的交通图像。
9、进一步地，所述特征金字塔网络包括依次连接的第一特征融合模块、transformer模块和第二特征融合模块；所述将各特征图转换成统一尺寸后合并成融合特征图，并在所述融合特征图上进行transformer计算，将transformer计算得到的transformer特征与原输入的不同尺度的特征图进行融合，得到强化特征图，包括：
10、利用所述第一特征融合模块从各所述特征图中选取一特征图作为基准特征图，将其他特征图的尺寸转换至所述基准特征图的尺寸，并将尺寸相同的各特征图合并后经卷积核调整尺寸后得到所述融合特征图；
11、将所述融合特征图送入所述transformer模块中进行transformer计算，得到transformer特征；
12、利用所述第二特征融合模块将所述transformer特征的尺寸调整至原始特征金字塔上的特征尺寸后，与原输入特征进行融合，得到所述强化特征图。
13、进一步地，所述transformer模块包括依次连接的像素级注意力模块和通道级注意力模块；
14、所述像素级注意力模块，用于在所述融合特征图的平面维度进行transformer计算，得到像素级特征图；
15、所述通道级注意力模块，用于利用注意力机制建模所述像素级特征图各通道间的关系及其与任务的关系，得到transformer特征。
16、进一步地，所述像素级注意力模块包括依次连接的编码器、归一化层ln_1、多头注意力机制、归一化层ln_2、多层感知机和解码器；
17、所述融合特征图作为所述编码器的输入，所述编码器的输出经归一化层ln_1连接多头注意力机制，所述多头注意力机制的输出和所述归一化层ln_1的输出拼接后输入至归一化层ln_2，归一化层ln_2的输出与多层感知机连接，多层感知机的输出和归一化层ln_2的输出拼接后输入至解码器。
本文档来自技高网...
【技术保护点】
1.一种交通图像敏感区域脱敏方法，其特征在于，所述方法包括：
2.如权利要求1所述的交通图像敏感区域脱敏方法，其特征在于，所述特征金字塔网络包括依次连接的第一特征融合模块、Transformer模块和第二特征融合模块；所述将各特征图转换成统一尺寸后合并成融合特征图，并在所述融合特征图上进行Transformer计算，将Transformer计算得到的Transformer特征与原输入的不同尺度的特征图进行融合，得到强化特征图，包括：
3.如权利要求2所述的交通图像敏感区域脱敏方法，其特征在于，所述Transformer模块包括依次连接的像素级注意力模块和通道级注意力模块；
4.如权利要求3所述的交通图像敏感区域脱敏方法，其特征在于，所述像素级注意力模块包括依次连接的编码器、归一化层LN_1、多头注意力机制、归一化层LN_2、多层感知机和解码器；
5.如权利要求4所述的交通图像敏感区域脱敏方法，其特征在于，所述多头注意力机制的公式表示为：
6.如权利要求3所述的交通图像敏感区域脱敏方法，其特征在于，所述通道级注意力模块包括
7.如权利要求6所述的交通图像敏感区域脱敏方法，其特征在于，所述分类回归网络包括敏感区域的分类网络和敏感区域的位置回归网络，所述敏感区域的分类网络用于检测所述强化特征图的分类和中心点分数，所述敏感区域的位置回归网络用于检测所述强化特征图中每个点所对应的敏感区域范围。
8.如权利要求1所述的交通图像敏感区域脱敏方法，其特征在于，在所述获取待检测的交通图像并输入至交通图像敏感区域检测网络之前，所述方法还包括：
9.如权利要求8所述的交通图像敏感区域脱敏方法，其特征在于，对于强化特征图的任意一点以及敏感区域位置回归的结果为(l*,r*,t*,b*)，在进行网络训练时，强化特征图中各像素点的回归目标为：
10.如权利要求1所述的交通图像敏感区域脱敏方法，其特征在于，在所述对所述敏感目标所在区域进行脱敏处理，得到脱敏后的交通图像之后，所述方法还包括：
...【技术特征摘要】
1.一种交通图像敏感区域脱敏方法，其特征在于，所述方法包括：
2.如权利要求1所述的交通图像敏感区域脱敏方法，其特征在于，所述特征金字塔网络包括依次连接的第一特征融合模块、transformer模块和第二特征融合模块；所述将各特征图转换成统一尺寸后合并成融合特征图，并在所述融合特征图上进行transformer计算，将transformer计算得到的transformer特征与原输入的不同尺度的特征图进行融合，得到强化特征图，包括：
3.如权利要求2所述的交通图像敏感区域脱敏方法，其特征在于，所述transformer模块包括依次连接的像素级注意力模块和通道级注意力模块；
4.如权利要求3所述的交通图像敏感区域脱敏方法，其特征在于，所述像素级注意力模块包括依次连接的编码器、归一化层ln_1、多头注意力机制、归一化层ln_2、多层感知机和解码器；
5.如权利要求4所述的交通图像敏感区域脱敏方法，其特征在于，所述多头注意力机制的公式表示为：
6.如权利要求3所述的交通图像敏感区域脱敏方法，其特征在于，所述通道级注意力模块包括最大池化通道和平均池化通道，所述最大池化通...
【专利技术属性】
技术研发人员：滕越，董士风，林传文，吴光周，王佐成，
申请(专利权)人：数据空间研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。