[发明专利]一种全自动的人像数据匿名化方法

权利要求书

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}，λ是关键点回归损失函数的权重因子。