[发明专利]一种全自动的人像数据匿名化方法

说明书

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‑TR数据集上对U²Net进行训练，得到用于生成掩码的模型；2)前景提取方法。通过上述模型生成坐姿数据相对应的掩码，从而去掉涉及隐私信息的部分背景；3)人脸匿名方法。用基于yolov5优化的人头检测网络检测去除背景后的人脸，根据边界框与返回的关键点位置对头部进行双重加密，将匿名化后的数据存储回原始图像中。4)人头检测模型优化方法。缩小SPP块的内核，舍弃部分降低性能的数据处理方法，增加关键点回归辅助检测。本发明针对坐姿数据集能够高效的实现数据匿名化。

技术领域

本发明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。

背景技术

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 的发现与提醒、学习时长的统计、阅读时长的统计等具体功能。

目前，关于从人像数据中去除隐私敏感信息的任务的研究数量有限。传统 的人脸匿名化方法是利用图像滤波器处理人脸区域，使敏感区域失真，达到隐 私保护的朴素效果，常见的有像素化(Pixelation)和模糊(Blurring)。像素化 是将图像划分为由像素块组成的网格，计算每个块的像素的平均颜色，并将得 到的平均颜色分配给该块的所有像素，最终图像人脸区域的分辨率降低。像素 化滤波器方法通常用于电视中起到保护个人的匿名性，即生活中常见的马赛克。 模糊是使用高斯滤波器对人脸区域进行平滑处理从而达到掩盖敏感信息的效果。 模糊被广泛用于谷歌街景中实现街道场景的隐私化。这类简单的滤波器处理图 像能掩盖图像中的敏感信息，但不足保证原始人脸中隐私敏感信息的100％去除， 而且对于需要保留眼睛以方便以后对坐姿进行检测的数据集来说，它们会极大 地改变数据分布，我们的方法保留了数据有效性。

另一种典型的针对人脸图像匿名化的方法是人脸去身份识别，该方法的核 心是通过改变人脸区域从而隐藏敏感信息，防止身份的滥用，k-same算法家族 实现了人脸数据的k-anonymity算法，该方法是对最邻近的k个人脸信息做聚合， 用聚合后的人脸替代k个原始人脸，使得这k个人脸互相联系，隐藏个体身份 信息就能使人脸识别的正确率不高于1/k，以此来实现匿名化。尽管这种方法在 去除所有隐私敏感信息的同时保留了脸部某些和身份无关的属性，可以使去识 别后的人脸图像满足后续使用的要求。但是，由于存在对准误差，输出的图像 通常包含重影、伪影，终端页面呈现出来的效果不佳。

除了上述比较常见的人脸数据隐私保护方法外，还有利用生成性对抗网络(GANs)匿名化数据的方法，如申请号为CN202010006768.5的专利所公开的 技术方案，利用GANs这个模拟自然图像分布的训练架构生成专门针对隐私安 全信息的图像来替换图像中的敏感人脸。虽然生成的新图像理论上应该与真实 的数据分布无法区分，实际应用则很难做到生成的假脸自然逼真，并且在生成 的假脸与现有背景之间无法实现无缝过渡，我们发现大多数情况下生成的假脸 视觉效果都不佳。我们的方法考虑到了保留原始姿态和去除涉及隐私信息的图 片背景，兼具高效与美观。

发明内容

本发明要克服现有技术不能合理平衡数据有效性，视觉美观性，隐私保护 高效性三者的缺点，提供一种针对坐姿的人像数据匿名化方法。