数据脱敏的方法、装置、电子设备及存储介质

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种数据脱敏的方法、装置、电子设备及存储介质。

背景技术

目前自动驾驶车辆行驶主要的控制方式是基于高精地图对车辆导航，在高精地图的采集过程中会采集车道线周围的图像信息。在信息的采集过程中会拍摄到周围车辆的车牌号、广告牌以及周围行人的人脸信息等隐私数据。

目前自动驾驶车辆在采集周围车道数据时主要利用文字识别模型来识别周围敏感的文字信息，然后将敏感的文字信息进行屏蔽。但是仅识别文字信息并不能完全进行敏感数据脱敏，例如周围人的人脸信息仍然暴露在外。

发明内容

为解决或部分解决相关技术中存在的问题，本申请提供一种数据脱敏的方法、装置、电子设备及存储介质，能够将敏感的文字信息进行屏蔽，同时避免泄露行人的隐私。

本申请第一方面提供一种数据脱敏的方法，包括：

通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息；

对所述行人信息进行识别生成人脸信息；

基于所述文字信息以及所述人脸信息对所述图片进行脱敏，生成脱敏图片；

实时显示所述脱敏图片。

可选地，所述对所述行人信息进行识别生成人脸信息的步骤，包括：

通过对所述行人信息进行人脸识别，生成所述人脸信息。

可选地，所述基于所述文字信息以及所述人脸信息对所述图片进行脱敏，生成脱敏图片的步骤，包括：

基于所述文字信息以及所述人脸信息确定所述图片中的指定位置；

通过修改所述指定位置的像素值对所述图片进行脱敏，生成脱敏图片。

可选地，所述在云端的高精地图实时显示所述脱敏图片的步骤，包括：

获取所述车辆的位置信息；

基于所述位置信息在与所述车辆通信连接的屏幕上实时显示所述脱敏图片。

可选地，所述方法还包括：

获取训练样本，所述训练样本包括若干标注的图片；

将所述训练样本输入预设的初始模型中，对所述初始模型进行训练，生成所述语义分割模型。

可选地，所述获取训练样本的步骤，包括

获取所述训练样本中目标区域；

对所述目标区域进行标注，生成标注的图片。

本申请第二方面提供一种数据脱敏的装置，包括：

第一识别模块，用于通过语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息；

第二识别模块，用于对所述行人信息进行识别生成人脸信息；

脱敏模块，用于基于所述文字信息以及所述人脸信息对所述图片进行脱敏，生成脱敏图片；

显示模块，用于显示所述脱敏图片。

可选地，所述装置还包括：

训练样本模块，用于获取训练样本，所述训练样本包括若干标注的图片；

训练模块，用于将所述训练样本输入预设的初始模型中，对所述初始模型进行训练，生成训练好的语义分割模型。

可选地，所述训练样本模块包括：

目标区域子模块，用于获取所述训练样本中目标区域；

标注子模块，用于对所述目标区域进行标注，生成标注的图片。

可选地，第二识别模块包括：

人脸识别子模块，用于通过对所述行人信息进行人脸识别，生成所述人脸信息。

可选地，脱敏模块包括：

指定位置子模块，用于基于所述文字信息以及所述人脸信息确定所述图片中的指定位置；

修改子模块，用于通过修改所述指定位置的像素值对所述图片进行脱敏，生成脱敏图片。

可选地，显示模块包括：

位置信息子模块，用于获取所述车辆的位置信息；

显示子模块，用于基于所述位置信息在与所述车辆通信连接的屏幕上实时显示所述脱敏图片。

本申请第三方面提供一种电子设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。

本申请提供的技术方案可以包括以下有益效果：通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息，对行人信息进行识别生成人脸信息，基于文字信息以及人脸信息对图片进行脱敏，生成脱敏图片，实时显示脱敏图片，从而实现对车辆周围的文字信息和人脸进行脱敏，将敏感的文字信息进行屏蔽，同时避免泄露行人的隐私。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其他目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本申请实施例示出的数据脱敏方法的流程示意图；

图2是本申请实施例示出的数据脱敏方法的另一流程示意图；

图3是本申请实施例示出的数据脱敏的方法的流程图；

图4是本申请实施例示出的数据脱敏装置的结构示意图；

图5是本申请实施例示出的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

相关技术中，自动驾驶车辆在采集周围车道数据时主要利用文字识别模型来识别周围敏感的文字信息，然后将敏感的文字信息进行屏蔽。但是仅识别文字信息并不能完全进行敏感数据脱敏，例如周围人的人脸信息仍然暴露在外。

针对上述问题，本申请实施例提供一种数据脱敏的方法，能够实现在高精地图中对车辆周围的文字信息和人脸进行脱敏。

以下结合附图详细描述本申请实施例的技术方案。

图1是本申请实施例示出的数据脱敏的方法的流程示意图。

参见图1，该方法包括：

步骤101，通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息；

目前自动驾驶车辆行驶的过程中，可以通过车载摄像头实时采集车道线周围的图片，并发送到屏幕上实时显示。图片中可能包括车辆周围的车辆、建筑物、路牌、行人等，在屏幕上展示行驶过程中拍摄的视频时，为了保护其他车主及周围环境中的隐私，需要将视频进行脱敏处理。

语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。语义分割不仅仅是把物体简单的用矩形框圈出来，还将目标物体的每个像素都做了标记，分别用不同的颜色表示了不同的物体像素，从而达到了目标在语义级别的区分。作为图像分析与处理的核心技术之一，语义分割在街景分析中也体现了优势，可以当作自动驾驶设备的核心方式。

在本申请实施例中，采用语义分割模型对车辆采集的周围环境的图片进行识别，从而得到行人信息和文字信息，根据文字信息可以识别出是哪种类型的文字，可以包括周围车辆的车牌，广告牌，路牌等的文字。

步骤102，对行人信息进行识别生成人脸信息；

在高精地图中，针对图片中的行人部分，并不需要全部进行脱敏，只需对人脸部分进行脱敏，即可保护行人的隐私。在本申请实施例中，可以对行人信息继续进行识别，得到行人的人脸信息。

步骤103，基于文字信息以及人脸信息对图片进行脱敏，生成脱敏图片；

本申请实施例中，针对采集到的图片，语义分割模型识别出行人，以及文字信息对应的车牌、广告牌、路牌等之后，会识别出行人、车牌、广告牌、路牌等在图片中所在的位置，针对行人可以对识别出的人脸部分进行脱敏，从而保护行人的隐私。针对文字信息对应的车牌、广告牌、路牌等，则可以整体进行脱敏，在一示例中，可以对车牌整体进行脱敏，从而不能直观辨认出车牌号，保护周围车辆的隐私。对图片进行脱敏后，生成脱敏图片。

步骤104，实时显示脱敏图片。

高精地图是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道，如今随着定位技术的发展，高精度的定位已经成为可能。而精细化定义，则是需要格式化存储交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。高精地图也称为高分辨率地图(HD Map，High Definition Map)，是一种专门为无人驾驶服务的地图。与传统导航地图不同的是，高精度地图除了能提供的道路(Road)级别的导航信息外，还能够提供车道(Lane)级别的导航信息。无论是在信息的丰富度还是信息的精度方面，都是远远高于传统导航地图的。

本申请实施例中，可以在与车辆通信连接的屏幕上实时显示脱敏图片，可以是车辆自身的屏幕，也可以是与车辆通信连接的在云端的屏幕。可以理解的是，由于在车辆驾驶过程中，是连续采集图片的，可以基于脱敏图片生成高精地图，高精地图是在云端的屏幕上鹰眼实时显示的，在云端会以视频的形式显示。基于对采集到的图片进行了脱敏处理，云端显示的高精地图视频都是以脱敏的形式展示，从而达到对车辆周围敏感的文字信息和行人进行隐私保护的目的。

在本申请实施例中，通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息，对行人信息进行识别生成人脸信息，基于文字信息以及人脸信息对图片进行脱敏，生成脱敏图片，实时显示脱敏图片，从而实现在与车辆通信连接的云端屏幕上对车辆周围的文字信息和人脸进行脱敏，将敏感的文字信息进行屏蔽，同时避免泄露行人的隐私。

图2是本申请实施例示出的数据脱敏的方法的另一流程示意图。

参见图2，该方法包括：

步骤201，通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息；

目前自动驾驶车辆行驶的过程中，可以通过车载摄像头实时采集车道线周围的图片，并发送到屏幕上实时显示。图片中可能包括周围车辆、建筑物、路牌、行人等，为了保护其他车主及周围环境中的隐私，需要将视频进行脱敏处理。

语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。语义分割不仅仅是把物体简单的用矩形框圈出来，还将目标物体的每个像素都做了标记，分别用不同的颜色表示了不同的物体像素，从而达到了目标在语义级别的区分。作为图像分析与处理的核心技术之一，语义分割在街景分析中也体现了优势，可以当做自动驾驶设备的核心方式。

在本申请实施例中，采用语义分割模型对车辆采集的周围环境的图片进行识别，从而得到行人信息和文字信息，根据文字信息可以识别出是哪种类型的文字，可以包括周围车辆的车牌，广告牌，路牌等的文字。

步骤202，通过对行人信息进行人脸识别，生成人脸信息；

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息。并依据识别出的信息确定行人的人脸信息。

步骤203，基于文字信息以及人脸信息确定图片中的指定位置；

本申请实施例中，语义分割模型识别出行人、车牌、广告牌、路牌等之后，会识别出行人、车牌、广告牌、路牌等在图片中所在的位置，并将文字信息对应的车牌、广告牌、路牌等以及人脸在图片中所在的位置确定为指定位置。

步骤204，通过修改指定位置的像素值对图片进行脱敏，生成脱敏图片。

针对确定的指定位置，可以通过改变指定位置像素值的方式，为图片中的文字信息和人脸信息添加马赛克，从而对图片中的文字信息和人脸信息进行脱敏，生成脱敏图片。

步骤205，获取车辆的位置信息；

车辆中安装有RTK(Real-time kinematic，实时动态)传感器,RTK载波相位差分技术是实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行求差解算坐标。RTK载波相位差分技术是一种新的常用的卫星定位测量方法，以前的静态、快速静态、动态测量都需要事后进行解算才能获得厘米级的精度，而RTK是能够在野外实时得到厘米级定位精度的测量方法。在本申请实施例中，车辆中的RTK传感器可以实时获取车辆的位置信息，可以将车辆位置的经纬度作为车辆的位置信息。

步骤206，基于位置信息在与车辆通信连接的屏幕上实时显示脱敏图片。

高精地图是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道，如今随着定位技术的发展，高精度的定位已经成为可能。而精细化定义，则是需要格式化存储交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。高精地图也称为高分辨率地图(HD Map，High Definition Map)，是一种专门为无人驾驶服务的地图。与传统导航地图不同的是，高精度地图除了能提供的道路(Road)级别的导航信息外，还能够提供车道(Lane)级别的导航信息。无论是在信息的丰富度还是信息的精度方面，都是远远高于传统导航地图的。

本申请实施例中，可以在与车辆通信连接的屏幕上实时显示脱敏图片，可以是车辆自身的屏幕，也可以是与车辆通信连接的在云端的屏幕。可以理解的是，由于图片在车辆驾驶过程中，是连续采集图片的，可以基于脱敏图片生成高精地图，高精地图是在云端的屏幕上鹰眼实时显示的，在云端会以视频的形式显示。根据获取到的车辆的位置信息，可以在云端屏幕的高精地图中确定与位置信息对应的位置，在对应的位置，显示在位置信息所拍摄的照片。基于对采集到的图片进行了脱敏处理，云端屏幕显示的高精地图视频都是以脱敏的形式展示，从而达到对车辆周围敏感的文字信息和行人进行隐私保护的目的。

在本申请一可选实施例中，该方法还包括：

S1，获取训练样本，训练样本包括若干标注的图片；

获取训练样本，训练样本中包含大量已经标注好的图片。在一示例中，可以采用计算机软件对图片中需要脱敏的位置进行标注。

S2，将训练样本输入预设的初始模型中，对初始模型进行训练，生成语义分割模型；

初始模型为未经训练的模型，通过将训练样本输入到初始模型中，可以对初始模型进行训练，经过训练之后，生成训练好的语义分割模型。

在本申请一可选实施例中，步骤S1包括：

S11，获取训练样本中目标区域；

在训练样本中，可以将图片中的车牌，广告牌，行人等敏感信息所在的区域作为目标区域。

S12，对目标区域进行标注，生成标注的图片。

对确定的目标区域进行标注，可以仅标注目标区域的位置，也可以为目标区域添加对应的标签，例如广告牌则添加广告牌的标签，车牌则添加车牌的标签，行人则添加行人的标签，从而生成标注的图片。

在本申请实施例中，通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息，通过对行人信息进行人脸识别，生成人脸信息，基于文字信息以及人脸信息确定图片中的指定位置，通过修改指定位置的像素值对图片进行脱敏，生成脱敏图片，获取车辆的位置信息，基于位置信息在与车辆通信连接的屏幕上实时显示脱敏图片，从而在与车辆通信连接的云端屏幕上对车辆周围的文字信息和人脸进行脱敏，将敏感的文字信息进行屏蔽，同时避免泄露行人的隐私。

图3是本申请实施例示出的数据脱敏的方法的流程图。

参见图3，该方法包括：

步骤301，采集车辆周围环境的图片；

可以通过车载摄像头实时采集车道线周围环境的图片。

步骤302，通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息；

采用语义分割模型对车辆采集的周围环境的图片进行识别，从而得到行人信息和文字信息，根据文字信息可以识别出是哪种类型的文字，可以包括周围车辆的车牌，广告牌，路牌等的文字。

步骤303，通过对行人信息进行人脸识别，生成人脸信息；

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息。并依据识别出的信息确定行人的人脸信息。

步骤304，基于文字信息以及人脸信息确定图片中的指定位置；

根据识别出的文字信息和人脸信息，可以确定文字对应的车牌、广告牌、路牌等和人脸在图片中的位置，并作为指定位置。

步骤305，通过修改指定位置的像素值对图片进行脱敏，生成脱敏图片。

针对确定的指定位置，可以通过改变指定位置像素值的方式，为图片中的文字信息对应的车牌、广告牌、路牌等和人脸信息添加马赛克，从而对图片中的文字信息对应的车牌、广告牌、路牌等和人脸信息进行脱敏，生成脱敏图片。

步骤306，获取车辆的位置信息。

车辆中的RTK传感器可以实时获取车辆的位置信息，可以将车辆位置的经纬度作为车辆的位置信息。

步骤307，基于位置信息在与车辆通信连接的屏幕上实时显示脱敏图片。

与前述应用功能实现方法实施例相对应，本申请还提供了一种数据脱敏的装置、电子设备及相应的实施例。

图4是本申请实施例示出的数据脱敏的装置的结构示意图。

参见图4，该装置包括：

第一识别模块401，用于通过语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息；

在本申请实施例中，采用语义分割模型对车辆采集的周围环境的图片进行识别，从而得到行人信息和文字信息，其中文字信息可以包括周围车辆的车牌，广告牌，路牌等的文字。

第二识别模块402，用于对行人信息进行识别生成人脸信息；

在高精地图中，针对图片中的行人部分，并不需要全部进行脱敏，只需对人脸部分进行脱敏，即可保护行人的隐私。在本申请实施例中，可以对行人部分继续进行识别，得到行人的人脸信息。

脱敏模块403，用于基于文字信息以及人脸信息对图片进行脱敏，生成脱敏图片；

针对采集到的图片，根据识别出的文字信息和人脸信息，可以在图片中对文字信息和人脸信息进行脱敏，从而生成脱敏图片。

显示模块404，用于实时显示脱敏图片。

由于在车辆驾驶过程中，是连续采集图片的，在云端会以视频的形式显示高精地图。基于对采集到的图片进行了脱敏处理，云端显示的高精地图视频中的图片都是以脱敏的形式展示，从而达到对车辆周围敏感的文字信息和行人进行隐私保护的目的。

在一可选实施例中，该装置还包括：

训练样本模块，用于获取训练样本，训练样本包括若干标注的图片；

训练模块，用于将训练样本输入预设的初始模型中，对初始模型进行训练；

生成模块，用于生成训练好的语义分割模型。

训练样本模块包括：

目标区域子模块，用于获取训练样本中目标区域；

标注子模块，用于对目标区域进行标注，生成标注的图片。

在一可选实施例中，第二识别模块402包括：

人脸识别子模块，用于通过对行人信息进行人脸识别，生成人脸信息。

脱敏模块403包括：

指定位置子模块，用于基于文字信息以及人脸信息确定图片中的指定位置；

修改子模块，用于通过修改指定位置的像素值对图片进行脱敏，生成脱敏图片。

显示模块404包括：

位置信息子模块，用于获取车辆的位置信息；

显示子模块，用于基于位置信息在与所述车辆通信连接的屏幕上实时显示脱敏图片；。

本申请实施例公开的数据脱敏的装置，通过预设的语义分割模型识别车辆实时采集到的图片，得到行人信息以及文字信息，对行人信息进行识别生成人脸信息，基于文字信息以及人脸信息对图片进行脱敏，生成脱敏图片，获取车辆的位置信息，在与所述车辆通信连接的屏幕上实时显示脱敏图片，从而实现在与车辆通信连接的云端屏幕上对车辆周围的文字信息和人脸进行脱敏，将敏感的文字信息进行屏蔽，同时避免泄露行人的隐私。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。

图5是本申请实施例示出的电子设备的结构示意图。

参见图5，电子设备500包括存储器510和处理器520。

处理器520可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

存储器510可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器520或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器510可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器510可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器510上存储有可执行代码，当可执行代码被处理器520处理时，可以使处理器520执行上文述及的方法中的部分或全部。

此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。

或者，本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。