一种隐私保护的方法、装置及设备与流程

1.本技术属于计算机领域，尤其涉及一种隐私保护的方法、装置及设备。


背景技术：

2.随着社会经济与电子科技领域的快速发展，安防监控市场急剧扩张，各种应用场合下的监控摄像机数量越来越多，使用摄像机容易出现侵犯他人隐私的情况，例如，智能门铃存在侵犯邻居隐私的法律风险。
3.现有技术中，为了保护隐私，获得图像信息后，需要用户手动设置隐私区域，再去除隐私区域中的信息来规避侵犯隐私。这种方法是获取到他人的隐私后，再进行去除，实际上还是存在侵犯隐私的风险。


技术实现要素：

4.本技术实施例提供了一种隐私保护的方法、装置及设备，可以解决上述问题。
5.第一方面，本技术实施例提供了一种隐私保护的方法，包括：
6.获取当前场景图像；
7.将所述当前场景图像输入至目标隐私区域检测模型进行检测，得到所述当前场景图像对应的目标隐私区域；
8.若在所述目标隐私区域中检测到目标物体，则获取所述目标物体相对于所述目标隐私区域的位置信息；
9.若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
10.进一步地，在所述将所述当前场景图像输入至目标隐私区域检测模型进行检测，得到所述当前场景图像对应的目标隐私区域之前，还包括：
11.根据当前场景图像获取场景特征信息；
12.根据所述当前场景图像和所述场景特征信息确定当前应用场景；
13.将所述当前应用场景对应的隐私区域检测神经网络模型作为目标隐私区域检测模型。
14.进一步地，在所述将所述当前应用场景对应的隐私区域检测神经网络检测模型作为目标隐私区域检测模型之前，还包括：
15.获取不同应用场景的样本训练集；所述样本训练集包括样本场景图像及其对应的隐私区域标签；
16.使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的不同应用场景对应的隐私区域检测神经网络检测模型。
17.进一步地，所述使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的不同应用场景对应的隐私区域检测神经网络检测模型，包括：
18.将所述样本场景图像输入初始神经网络模型进行处理，得到所述样本场景图像对
应的样本隐私区域；
19.根据所述样本隐私区域、所述隐私区域标签和预设损失函数，计算目标损失值；
20.若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本场景图像输入初始神经网络模型进行处理，得到所述样本场景图像对应的样本隐私区域；
21.若所述目标损失值满足预设中止条件，则输出训练完成的隐私区域检测神经网络检测模型。
22.进一步地，在所述使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的不同应用场景对应的隐私区域检测神经网络检测模型之后，还包括：
23.若检测到所述样本训练集进行更新，则根据更新后的样本训练集对所述隐私区域检测神经网络检测模型进行优化。
24.进一步地，在所述目标物体相对于所述目标隐私区域的位置信息之后，还包括：
25.若所述位置信息标识所述目标物体部分位于非隐私区域内，则正常显示所述目标物体，并且对除所述目标物体的目标区域外的所述目标隐私区域进行失真处理。
26.进一步地，所述若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理，包括：
27.若根据预设隐私区域经验参数和所述位置信息判定所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
28.进一步地，在所述若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理之前，还包括：
29.获取所述目标物体的物体类别；
30.所述若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理，包括：
31.若所述物体类别和所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
32.进一步地，所述对所述目标隐私区域进行失真处理，包括：
33.根据预设压缩策略对所述目标隐私区域进行压缩。
34.第二方面，本技术实施例提供了一种隐私保护的装置，包括：
35.第一获取单元，用于获取当前场景图像；
36.第一处理单元，用于将所述当前场景图像输入至目标隐私区域检测模型进行检测，得到所述当前场景图像对应的目标隐私区域；
37.第二处理单元，用于若在所述目标隐私区域中检测到目标物体，则获取所述目标物体相对于所述目标隐私区域的位置信息；
38.第三处理单元，用于若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
39.进一步地，所述隐私保护的装置，还包括：
40.第二获取单元，用于根据当前场景图像获取场景特征信息；
41.第一确定单元，用于根据所述当前场景图像和所述场景特征信息确定当前应用场景；
42.第四处理单元，用于将所述当前应用场景对应的隐私区域检测神经网络模型作为目标隐私区域检测模型。
43.进一步地，所述隐私保护的装置，还包括：
44.第三获取单元，用于获取不同应用场景的样本训练集；所述样本训练集包括样本场景图像及其对应的隐私区域标签；
45.第五处理单元，用于使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的不同应用场景对应的隐私区域检测神经网络检测模型。
46.进一步地，所述第五处理单元，具体用于：
47.将所述样本场景图像输入初始神经网络模型进行处理，得到所述样本场景图像对应的样本隐私区域；
48.根据所述样本隐私区域、所述隐私区域标签和预设损失函数，计算目标损失值；
49.若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本场景图像输入初始神经网络模型进行处理，得到所述样本场景图像对应的样本隐私区域；
50.若所述目标损失值满足预设中止条件，则输出训练完成的隐私区域检测神经网络检测模型。
51.进一步地，所述隐私保护的装置，还包括：
52.第六处理单元，用于若检测到所述样本训练集进行更新，则根据更新后的样本训练集对所述隐私区域检测神经网络检测模型进行优化。
53.进一步地，所述隐私保护的装置，还包括：
54.第七处理单元，用于若所述位置信息标识所述目标物体部分位于非隐私区域内，则正常显示所述目标物体，并且对除所述目标物体的目标区域外的所述目标隐私区域进行失真处理。
55.进一步地，所述第三处理单元，具体用于：
56.若根据预设隐私区域经验参数和所述位置信息判定所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
57.进一步地，所述隐私保护的装置，还包括：
58.第四获取单元，用于获取所述目标物体的物体类别；
59.所述第三处理单元，具体用于：
60.若所述物体类别和所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
61.进一步地，所述第三处理单元，具体用于：
62.根据预设压缩策略对所述目标隐私区域进行压缩。
63.第三方面，本技术实施例提供了一种隐私保护的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的隐私保护的方法。
64.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的隐私保护的方法。
65.本技术实施例中，获取当前场景图像；将当前场景图像输入至目标隐私区域检测模型进行检测，得到当前场景图像对应的目标隐私区域；若在目标隐私区域中检测到目标物体，则获取目标物体相对于所述目标隐私区域的位置信息；若位置信息标识目标物体位于目标隐私区域内，则对目标隐私区域进行失真处理。上述方法，能够有针对性地获取当前场景图像对应的目标隐私区域检测模型，然后通过目标隐私区域检测模型检测相应的目标隐私区域，在获取目标隐私区域后，直接对目标隐私区域进行调整与保护，无需获取到他人的隐私后再进行去除，降低了侵犯隐私的风险。
附图说明
66.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
67.图1是本技术第一实施例提供的一种隐私保护的方法的示意流程图；
68.图2是本技术第二实施例提供的隐私保护的装置的示意图；
69.图3是本技术第三实施例提供的隐私保护的设备的示意图。
具体实施方式
70.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
71.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
72.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
73.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0074]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0075]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0076]
请参见图1，图1是本技术第一实施例提供的一种隐私保护的方法的示意流程图。本实施例中一种隐私保护的方法的执行主体为具有隐私保护的功能的设备，例如，智能门铃、监控摄像设备等等。如图1所示的隐私保护的方法可以包括：
[0077]
s101：获取当前场景图像。
[0078]
设备获取当前场景图像，其中，当前场景图像可以为直接采集的当前场景的图像帧，也可以是采集到当前场景视频后，对当前场景视频进行分帧处理得到的图像帧。
[0079]
其中，当前场景图像即为通过图像采集功能采集到的当前场景的图像，例如，当设备为智能门铃时，有人按门铃时，智能门铃通过摄像头采集到的家门口的图像即为当前场景图像。当设备为车用摄像终端时，车用摄像终端采集到的马路上车辆行驶的图像以及路况图像即为当前场景图像。
[0080]
本实施例中，当设备本身具有摄像功能时，设备可以在相应的触发条件下，直接采集静态图像或视频，从而获取当前场景图像。例如，当设备为智能门铃时，有人按门铃时就触发了智能门铃开启图像采集功能，智能门铃通过摄像头采集到的家门口的图像即为当前场景图像。当设备本身不具有摄像功能时，设备可以接收由摄像设备采集的当前场景图像。例如，当设备为具有隐私保护的功能的服务器时，服务器可以通过网络接收到由前端摄像设备采集的当前场景图像。
[0081]
s102：将所述当前场景图像输入至目标隐私区域检测模型进行检测，得到所述当前场景图像对应的目标隐私区域。
[0082]
设备中预先存储目标隐私区域检测模型，目标隐私区域检测模型用于识别出当前场景图像对应的目标隐私区域。设备将当前场景图像输入至目标隐私区域检测模型进行检测，得到当前场景图像对应的目标隐私区域。
[0083]
目标隐私区域检测模型可以由其他设备进行预先训练，然后冻结训练好的目标隐私区域检测模型存储在设备中。也可以是设备通过样本训练集进行个性化训练，得到目标隐私区域检测模型。
[0084]
其中，目标隐私区域检测模型可以包括输入层、隐含层、输出层(损失函数层)。输入层包括一个输入层节点，用于接收输入的当前场景图像。隐含层用于对当前场景图像进行处理，提取当前场景图像对应的目标隐私区域。输出层用于输出当前场景图像对应的目标隐私区域。
[0085]
一种可能的实施方式中，由于不同设备在不同应用场景对隐私区域的定义存在差异，例如，家用室外安防摄像机拍摄室外场景，邻居家的门、窗等场景均属于他人隐私区域；而应用于家用室内监控拍摄室内场景时，自家的门窗又不属于隐私区域。观察路况的车用摄像终端，对于人脸等画面区域属于他人隐私，而商铺楼宇的安防摄像终端又需要拍摄到人脸。所以，为了提升判断目标隐私区域的准确度，可以针对不同的场景设置不同的目标隐私区域检测模型，设备中可以预先存储多个不同应用场景及其对应的隐私区域检测神经网络模型，设备识别出当前应用场景，从而根据当前应用场景有针对性的确定出目标隐私区域检测模型，这样根据应用场景来进行划分，不同应用场景具有不同的隐私区域检测神经网络模型，能够进一步准确判定隐私区域。
[0086]
具体地说，设备根据当前场景图像获取场景特征信息，场景特征信息为可以反映当前场景特征的相关信息，本实施例中对场景特征信息并不做限定，只要可以反映出场景
特征即可。举例来说，场景特征信息可以包括当前场景内物品、当前场景内物品的种类、当前场景内物品的数量等等。当前场景图像为办公区域的图像时，设备可以从当前场景图像中提取到场景特征信息可以为办公桌椅、办公桌椅的数量、办公人员等等。当前场景图像为楼房住宅门前的区域的图像时，设备可以从当前场景图像中提取到场景特征信息可以为楼房室内区域的门窗、楼房走廊瓷砖、电梯门等等。
[0087]
设备提取到场景特征信息后，可以根据场景特征信息对当前应用场景进行判断，并且将当前场景图像作为参考信息，根据当前场景图像和场景特征信息两者一起确定当前应用场景。例如，当设备获取到场景特征信息为车辆、马路，并且对当前场景图像进行识别，识别到为室外环境时，设备可以确定当前应用场景为识别室外路况车辆和路况的应用场景。
[0088]
设备根据应用场景与隐私区域检测神经网络模型之间的对应关系，获取当前应用场景对应的隐私区域检测神经网络模型，并且将当前应用场景对应的隐私区域检测神经网络模型作为目标隐私区域检测模型。
[0089]
一种可能的实施方式中，设备可以通过预设的场景识别模型对场景图像进行识别，得到场景图像对应的应用场景。场景识别模型方法可以通过神经网络的分类算法进行实现。场景识别模型的场景数据集构建可以基于产品的应用范围来进行数据集构建，例如，室内监控摄像机，其应用场景包括家居、楼道、出入口(门口)等，通过采集大量的各个应用场景图像并打上类别标签，构建该产品的应用场景数据集。在进行场景识别模型的训练时，使用应用场景数据集进行分类模型训练，该分类模型可以是机器学习模型或深度学习模型；设备将训练的场景分类模型应用于产品端或服务器端进行场景识别。
[0090]
一种可能的实施方式中，不同应用场景对应的隐私区域检测神经网络检测模型由本端设备预先进行训练。隐私区域检测神经网络检测模型的训练方法可以如下：
[0091]
设备获取不同应用场景的样本训练集；样本训练集包括样本场景图像及其对应的隐私区域标签；使用样本训练集对初始神经网络模型进行训练，得到经过训练的不同应用场景对应的隐私区域检测神经网络检测模型。
[0092]
设备对每个场景对应的样本训练集单独进行训练，在训练过程中，将样本场景图像及其对应的隐私区域标签作为训练数据，将其输入初始神经网络模型，通过调整初始神经网络模型的损失函数不断的完善模型，从而得到最终的不同应用场景对应的隐私区域检测神经网络检测模型。
[0093]
具体来说，设备将样本场景图像输入初始神经网络模型进行处理，得到样本场景图像对应的样本隐私区域。设备中预先存储预设损失函数，设备根据样本隐私区域、隐私区域标签和预设损失函数，计算目标损失值。若目标损失值不满足预设中止条件，则根据目标损失值对初始神经网络模型进行更新，并返回执行将样本场景图像输入初始神经网络模型进行处理，得到样本场景图像对应的样本隐私区域；若目标损失值满足预设中止条件，则输出训练完成的隐私区域检测神经网络检测模型。
[0094]
一种实施方式中，当用户标注了新的隐私区域时，设备可以自主进行学习，根据新的数据对当前的隐私区域检测神经网络检测模型进行训练，优化隐私区域检测神经网络检测模型。当用户标注里新的隐私区域时，设备可以根据用户输入的新的隐私区域自动更新对应应用场景的样本训练集，设备若检测到样本训练集进行更新，则根据更新后的样本训
练集对隐私区域检测神经网络检测模型进行优化。这样，每个场景对应的隐私区域检测神经网络检测模型可以实时的根据用户的需求进行更新，进一步提升了整个方法的适用性。
[0095]
s103：若在所述目标隐私区域中检测到目标物体，则获取所述目标物体相对于所述目标隐私区域的位置信息。
[0096]
设备通过目标隐私区域检测模型识别到目标隐私区域后，那么，当前场景图像中除了目标隐私区域中的区域即为非隐私区域。
[0097]
设备在目标隐私区域内检测是否存在目标物体，为了保护隐私，目标隐私区域中的具体内容是无法获取的，设备只是初步检测目标隐私区域中是否存在目标物体，例如，设备可以通过目标隐私区域中的物体轮廓，识别出目标隐私区域中存在人体，即检测到存在目标物体，目标物体为人。
[0098]
设备在目标隐私区域中检测到目标物体，则获取目标物体相对于所述目标隐私区域的位置信息。
[0099]
目标物体相对于目标隐私区域的位置信息是以目标隐私区域的位置为基准确定的，目标物体相对于目标隐私区域的位置信息可以包括目标物体和目标隐私区域的位置信息、目标物体与目标隐私区域的轮廓位置信息、目标物体与目标隐私区域的尺寸信息等等，这些都可以作为后续判断目标物体是否处于目标隐私区域的参考参数。
[0100]
可以理解的是，非隐私区域也可能存在物体，但是由于非隐私区域的物体本身并没有被保护的需求，所以，这里重点检测的是目标隐私区域的中是否存在目标物体。
[0101]
s104：若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
[0102]
在本实施例中，设备根据位置信息来判断目标物体是否位于目标隐私区域内，例如，当目标物体的尺寸信息小于目标隐私区域的尺寸信息，并且，目标物体的轮廓处于目标隐私区域的轮廓内，则判断目标物体相对于目标隐私区域的位置信息为目标物体完全处于目标隐私区域内。
[0103]
若设备判断位置信息标识目标物体位于目标隐私区域内，则需要对目标物体进行完全保护，不进行暴露，可以直接对目标隐私区域进行失真处理，直接进行完全保护。
[0104]
其中，在判断目标物体是否位于目标隐私区域内时，可以根据预设隐私区域经验参数和位置信息来进行判断。在本实施例中，目标物体相对于目标隐私区域的目标位置的获取方法可以结合经验模型进行，即，设备中预先存储预设隐私区域经验参数，其中，预设隐私区域经验参数包括所有隐私区域的实际尺寸经验参数，例如，常见的门窗的区域尺寸参数，以及人脸人头的目标尺寸参数。
[0105]
设备可以通过预设隐私区域经验参数获取到目标物体相对于目标隐私区域的目标位置。举例来说，当目标物体为人时，人与对应的目标隐私区域处于同一距离平面下，则目标物体尺寸与目标隐私区域尺寸的比值会接近预设的经验比。若目标物体处于物体隐私区域内，会明显小于经验比，则目标物体相对于目标隐私区域的目标位置为在隐私区域内，目标物体就会被产品屏蔽保护；若目标物体处于物体隐私区域外，会明显大于经验比，则目标物体相对于目标隐私区域的目标位置为在隐私区域外，目标物体为物体隐私区域外的前景目标，会被正常显示。
[0106]
具体来说，在进行失真处理时，设备可以根据预设压缩策略对目标隐私区域进行
压缩，在进行压缩时，可以使得目标隐私区域完全失真。这样不仅可以保护隐私，同时，压缩后可以节省系统存储空间。进一步地，节省出的空间也可以提供给非隐私区域，以提升非隐私区域的图像质量。
[0107]
另一种实施方式中，若位置信息标识目标物体部分位于非隐私区域内，这种情况下，可以将目标物体作为前景物体，目标物体既与目标隐私区域部分重叠，又和非隐私区域部分重叠。这时，则正常显示目标物体，并且对除目标物体的目标区域外的目标隐私区域进行失真处理。举例来说，智能门铃在邻居的门区域拍摄到人，邻居的门的区域为目标隐私区域，人为目标物体，若判断人在门内，则对邻居门这一隐私区域进行完全调整与保护，使保护区域被完全压缩失真；若人部分在门外，则正常显示人的区域，并对剩余非人遮挡的目标隐私区域进行压缩失真。对不在目标隐私区域内的目标物体进行正常显示，而对剩余目标隐私区域内的场景进行调整与保护，能够做到有效保护隐私区域但又不丢失感兴趣的信息。
[0108]
此外，设备除了获取位置信息，还可以获取目标物体的物体类别，然后通过物体类别和位置信息共同判断目标物体是否位于目标隐私区域内。其中，目标物体的物体类别可以通过目标物体的轮廓进行识别，根据经验数据确定识别规则，识别出目标物体的物体类别。
[0109]
本技术实施例中，获取当前场景图像；将当前场景图像输入至目标隐私区域检测模型进行检测，得到当前场景图像对应的目标隐私区域；若在目标隐私区域中检测到目标物体，则获取目标物体相对于所述目标隐私区域的位置信息；若位置信息标识目标物体位于目标隐私区域内，则对目标隐私区域进行失真处理。上述方法，能够有针对性地获取当前场景图像对应的目标隐私区域检测模型，然后通过目标隐私区域检测模型检测相应的目标隐私区域，在获取目标隐私区域后，直接对目标隐私区域进行调整与保护，无需获取到他人的隐私后再进行去除，降低了侵犯隐私的风险。
[0110]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0111]
请参见图2，图2是本技术第二实施例提供的隐私保护的装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图2对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图2，隐私保护的装置2包括：
[0112]
第一获取单元210，用于获取当前场景图像；
[0113]
第一处理单元220，用于将所述当前场景图像输入至目标隐私区域检测模型进行检测，得到所述当前场景图像对应的目标隐私区域；
[0114]
第二处理单元230，用于若在所述目标隐私区域中检测到目标物体，则获取所述目标物体相对于所述目标隐私区域的位置信息；
[0115]
第三处理单元240，用于若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
[0116]
进一步地，所述隐私保护的装置2，还包括：
[0117]
第二获取单元，用于根据当前场景图像获取场景特征信息；
[0118]
第一确定单元，用于根据所述当前场景图像和所述场景特征信息确定当前应用场
景；
[0119]
第四处理单元，用于将所述当前应用场景对应的隐私区域检测神经网络模型作为目标隐私区域检测模型。
[0120]
进一步地，所述隐私保护的装置2，还包括：
[0121]
第三获取单元，用于获取不同应用场景的样本训练集；所述样本训练集包括样本场景图像及其对应的隐私区域标签；
[0122]
第五处理单元，用于使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的不同应用场景对应的隐私区域检测神经网络检测模型。
[0123]
进一步地，所述第五处理单元，具体用于：
[0124]
将所述样本场景图像输入初始神经网络模型进行处理，得到所述样本场景图像对应的样本隐私区域；
[0125]
根据所述样本隐私区域、所述隐私区域标签和预设损失函数，计算目标损失值；
[0126]
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本场景图像输入初始神经网络模型进行处理，得到所述样本场景图像对应的样本隐私区域；
[0127]
若所述目标损失值满足预设中止条件，则输出训练完成的隐私区域检测神经网络检测模型。
[0128]
进一步地，所述隐私保护的装置2，还包括：
[0129]
第六处理单元，用于若检测到所述样本训练集进行更新，则根据更新后的样本训练集对所述隐私区域检测神经网络检测模型进行优化。
[0130]
进一步地，所述隐私保护的装置2，还包括：
[0131]
第七处理单元，用于若所述位置信息标识所述目标物体部分位于非隐私区域内，则正常显示所述目标物体，并且对除所述目标物体的目标区域外的所述目标隐私区域进行失真处理。
[0132]
进一步地，所述第三处理单元240，具体用于：
[0133]
若根据预设隐私区域经验参数判定所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
[0134]
进一步地，所述隐私保护的装置2，还包括：
[0135]
第四获取单元，用于获取所述目标物体的物体类别；
[0136]
所述第三处理单元240，具体用于：
[0137]
若所述物体类别和所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
[0138]
进一步地，所述第三处理单元240，具体用于：
[0139]
根据预设压缩策略对所述目标隐私区域进行压缩。
[0140]
图3是本技术第三实施例提供的隐私保护的设备的示意图。如图3所示，该实施例的隐私保护的设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如隐私保护的程序。所述处理器30执行所述计算机程序32时实现上述各个隐私保护的方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如
图2所示模块210至240的功能。
[0141]
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述隐私保护的设备3中的执行过程。例如，所述计算机程序32可以被分割成第一获取单元、第一处理单元、第二处理单元、第三处理单元，各单元具体功能如下：
[0142]
第一获取单元，用于获取当前场景图像；
[0143]
第一处理单元，用于将所述当前场景图像输入至目标隐私区域检测模型进行检测，得到所述当前场景图像对应的目标隐私区域；
[0144]
第二处理单元，用于若在所述目标隐私区域中检测到目标物体，则获取所述目标物体相对于所述目标隐私区域的位置信息；
[0145]
第三处理单元，用于若所述位置信息标识所述目标物体位于所述目标隐私区域内，则对所述目标隐私区域进行失真处理。
[0146]
所述隐私保护的设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是隐私保护的设备3的示例，并不构成对隐私保护的设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述隐私保护的设备还可以包括输入输出设备、网络接入设备、总线等。
[0147]
所称处理器30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)、现成可编程门阵列(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。
[0148]
所述存储器31可以是所述隐私保护的设备3的内部存储单元，例如隐私保护的设备3的硬盘或内存。所述存储器31也可以是所述隐私保护的设备3的外部存储设备，例如所述隐私保护的设备3上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述隐私保护的设备3还可以既包括所述隐私保护的设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述隐私保护的设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0149]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0150]
本技术实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
[0151]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步
骤。
[0152]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
[0153]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0154]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0155]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0156]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0157]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0158]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。