一种基于深度学习的众包采集高精地图脱敏方法和系统技术方案

本发明专利技术公开了一种基于深度学习的众包采集地图数据脱敏方法和系统。本发明专利技术构建了《高精地图脱敏规则与目标敏感级别表》对待脱敏目标的分级分类并规定了脱敏方法，包括形状类、隐私类和文字类。对于高精地图中的形状类和隐私类敏感目标，使用基于FasterRCNN的敏感目标检测算法检测到敏感目标的位置，并根据敏感目标的敏感级别使用不同的脱敏方法。对于高精地图中的文字类敏感目标，使用自然场景文本检测模型I3CL检测地图中所有的文字区域，使用文本识别模型SVTR对文本区域进行识别得到文字区域的文本内容，通过敏感词匹配模块匹配文字区域中的敏感文字，对敏感文字区域使用基于LaMa的敏感区域祛除模型，敏感文字从图中抹除。

【技术实现步骤摘要】

本专利技术属于信息安全领域，具体涉及到一种基于深度学习的众包采集高精地图数据脱敏方法和系统，主要应用于高精地图影像的脱敏。

技术介绍

1、高精地图(high definition map,hd map)是自动驾驶系统的重要组成部分，在自动驾驶技术中发挥着重要作用。现阶段高精地图处于技术研发的关键时期，但在高精地图采集和制作过程中，针对高精地图的脱敏主要依赖于人工脱敏，重复性成本极大且影响了高精地图的制作效率，相比于人工的手动脱敏，利用深度学习的方式对高精地图进行自动化脱敏，不仅可以提高制作效率，还可以极大的降低高精地图的生产成本。

2、高精地图中存在大量的敏感信息，例如重要桥梁的限高、限宽、净空、载重量和坡度等属性信息；涉及公众隐私的人脸、车牌等隐私信息。这些敏感信息如果不经处理直接使用，容易造成敏感信息泄露。

3、高精地图影像场景复杂，图中的敏感目标种类多，现有针对高精地图的脱敏的工作依赖于人工脱敏，相关研究侧重于对人脸、车牌等隐私信息的脱敏，但是高精地图中敏感的单位和设施以及敏感的属性信息中包含着更多的敏感信息，同样需要脱敏。这本文档来自技高网...

【技术保护点】

1.一种基于深度学习的众包采集高精地图脱敏方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的众包采集高精地图脱敏方法，其特征在于：步骤(1)中，将敏感目标分为隐私类、形状类和文字类；敏感级别分为高敏感级和低敏感级，隐私类目标属于低敏感级，形状类和文字类目标属于高敏感级；低敏感级的脱敏规则为对敏感区域采用直接加密，高敏感级的脱敏规则为抹去显著形状、标识并和周围环境保持一致。

3.根据权利要求1所述的基于深度学习的众包采集高精地图脱敏方法，其特征在于：步骤(2)中，使用自然场景文本检测模型I3CL定位高精地图中的文本区域位置，具体包括：

<...

【技术特征摘要】

1.一种基于深度学习的众包采集高精地图脱敏方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的众包采集高精地图脱敏方法，其特征在于：步骤(1)中，将敏感目标分为隐私类、形状类和文字类；敏感级别分为高敏感级和低敏感级，隐私类目标属于低敏感级，形状类和文字类目标属于高敏感级；低敏感级的脱敏规则为对敏感区域采用直接加密，高敏感级的脱敏规则为抹去显著形状、标识并和周围环境保持一致。

3.根据权利要求1所述的基于深度学习的众包采集高精地图脱敏方法，其特征在于：步骤(2)中，使用自然场景文本检测模型i3cl定位高精地图中的文本区域位置，具体包括：

4.根据权利要求1所述的基于深度学习的众包采集高精地图脱敏方法，其特征在于：所述文本内协同学习模块的处理过程如下：首先输入分为3个分支，每个分支包括3个层，每一层包含三个并行的卷积层，分别为1×n的横向卷积、n×1的纵向卷积和一个普通卷积，每一层提取的特征进行融合再输入到下一层中，最后3个分支的特征融合后再经过一个普通卷积层，与原始的输入特征融合后经过一个relu激活函数；

5.根据权利要求1所述的基于深度学习的众包采集高精地图脱敏方法，其特征在于：步骤(3)中，使用文本识别网络svtr对文本区域进行识别，具体包括...

【专利技术属性】
技术研发人员：徐彦彦，张博，
申请(专利权)人：武汉大学，
类型：发明
国别省市：