李海亭，李艷紅，彭清山，王　閃

(1. 武漢市測繪研究院，湖北 武漢 430022； 2. 精密工程與工業(yè)測量國家測繪地理信息局

重點實驗室，湖北 武漢 430022； 3. 武漢大學資源與環(huán)境科學學院，湖北 武漢430079)

Research on Privacy Information Hiding in Panoramic Map

LI Haiting，LI Yanhong，PENG Qingshan，WANG Shan

?

全景地圖隱私信息處理的關(guān)鍵技術(shù)研究

李海亭1，2，李艷紅3，彭清山1，2，王閃1，2

(1. 武漢市測繪研究院，湖北 武漢 430022； 2. 精密工程與工業(yè)測量國家測繪地理信息局

重點實驗室，湖北 武漢 430022； 3. 武漢大學資源與環(huán)境科學學院，湖北 武漢430079)

Research on Privacy Information Hiding in Panoramic Map

LI Haiting，LI Yanhong，PENG Qingshan，WANG Shan

摘要：全景地圖系統(tǒng)在數(shù)據(jù)生產(chǎn)中存在一些可能涉及泄漏個人隱私的信息。本文提出了通過采用特征提取和監(jiān)督學習分類的方法來檢測和處理隱私信息的方法。以人臉和車牌號為例，分別采用支持向量機和投影定位的方法進行了隱私信息定位檢測。試驗證明，該方法具有較好的可行性。

關(guān)鍵詞：全景地圖；隱私信息；特征提取；監(jiān)督分類；目標檢測

一、引言

全景地圖技術(shù)是一種由全景技術(shù)與電子地圖發(fā)布技術(shù)相結(jié)合的、可定位展示真實場景的虛擬現(xiàn)實技術(shù)，是目前在全球范圍內(nèi)迅速發(fā)展并逐步流行的一種視覺新技術(shù)[1]。全景地圖主要采用360°全景瀏覽的方式展示空間信息。在全景數(shù)據(jù)的采集過程中，往往包含了較多可能涉及泄漏個人隱私的信息，如人臉、車牌號等。目前,圍繞空間數(shù)據(jù)安全開展了大量的數(shù)字水印技術(shù)研究[2-4],在空間數(shù)據(jù)的版權(quán)保護、使用跟蹤、內(nèi)容認證等方面發(fā)揮了很好的作用，但仍無法滿足全景地圖中某些特定隱私信息的保護。如何將這些隱私信息進行自動識別和保護是全景地圖系統(tǒng)數(shù)據(jù)處理的一項重要任務(wù)。

二、隱私信息特征提取與定位

隱私信息檢測一般包括數(shù)據(jù)預(yù)處理、特征提取、樣本學習和目標檢測4個過程。其中，特征提取是隱私信息定位的關(guān)鍵技術(shù)，選取的特征直接影響到目標檢測的精度。特征提取的方法較多，包括幾何特征提取法(geometry features extraction,GFE)、主成分分析法(principal component analysis,PCA)及神經(jīng)網(wǎng)絡(luò)特征提取法(neural network features extraction，NNFE)等。本文以人臉和車牌為例，闡述隱私信息的特征提取與定位過程。

1. 人臉檢測

人臉檢測即從不同的全景圖像中檢測出人臉的存在并確定其位置。人臉檢測受光照、噪聲及遮擋影響較大。用于人臉檢測的特征提取在提取之前需對人臉圖像進行歸一化處理，通常包括灰度預(yù)處理、角度預(yù)處理和尺度預(yù)處理3個過程。

(1) 灰度預(yù)處理

灰度預(yù)處理主要去除不同光照對人臉圖像的影響，比較常用的方法為直方圖法。直方圖表示數(shù)字圖像中每一個灰度級與其出現(xiàn)的頻率之間的統(tǒng)計關(guān)系。直方圖變換函數(shù)包括高斯、瑞利、對數(shù)、指數(shù)等方式。對數(shù)形式的變換函數(shù)如下

(1)

式中，f(x,y)為輸入圖像；g(x,y)為輸出圖像；a、b、c為調(diào)整曲線的位置、形狀參數(shù)。

(2) 角度預(yù)處理

在人臉識別過程中，通常假設(shè)輸入的人臉圖像的位置是正立的[5]。由于全景采集中人臉的姿態(tài)各異，因此需要對圖像進行角度糾正。人臉姿態(tài)的糾正主要分為平面旋轉(zhuǎn)與深度旋轉(zhuǎn)。角度預(yù)處理后的姿態(tài)正立度估計方法有兩種：模版匹配法和灰度統(tǒng)計法。

(3) 尺度預(yù)處理

由于全景采集過程中成像距離的任意性，人臉圖像的尺寸差異較大，因此必須對圖像進行尺度歸一化處理。主要依賴于特征提取的方法，通常是先對人眼的兩個瞳孔進行定位，然后將兩個瞳孔之間的距離作為比例系數(shù)進行圖像的縮放，進而得到人臉歸一化圖像。

在歸一化處理的過程中，首先要對眼睛進行準確定位。眼睛定位可采用混合投影[6]或模板匹配[7]的方法。由于兩眼中心間距受光照或表情變化的影響最小，因此兩眼中心的連線可作為圖像旋轉(zhuǎn)和尺度處理的依據(jù)。由于同一張全景影像可能存在多個人臉的情況，歸一化處理后即生成多個搜索區(qū)域，然后通過監(jiān)督學習的方法對每個搜索區(qū)域進行自動識別分類。

(4) 監(jiān)督分類與信息隱藏

監(jiān)督分類是機器學習中的一個方法，可以由訓練樣本中學到或建立一個模型，并以此模型推測新的實例。目前常用的監(jiān)督學習方法主要有支持向量機(support vector machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)、決策樹(decision tree)等。其中，支持向量機分類是一種基于統(tǒng)計學習理論的監(jiān)督式機器學習方法，即已知訓練點的類別，求訓練點和類別之間的對應(yīng)關(guān)系，以便將訓練集按照類別分開，或是預(yù)測新的訓練點所對應(yīng)的類別[8-9]。它具有泛化能力強、全局最優(yōu)和計算速度快等突出優(yōu)點。本文在試驗中采用支持向量機對全景影像中的人臉進行檢測，然后通過高斯模糊算法對人臉區(qū)域進行模糊化處理。

2. 車牌定位

車牌號碼是全景地圖中的重要隱私信息。車牌快速定位的技術(shù)方法很多，包括彩色分割、形態(tài)學分析、區(qū)域生長、小波變換等。其中，基于投影圖像分布特征的車牌自動檢測定位技術(shù)[10]具有良好的魯棒性。該方法的主要過程如下：

(1) 灰度預(yù)處理

全景影像中包含大量顏色信息，對全景影像進行灰度化處理不僅可以減小存儲，還可以加快特征提取的計算速度。

(2) 二值化

二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在二值化圖像時把大于某個臨界灰度值的像素灰度設(shè)為灰度極大值，把小于這個值的像素灰度設(shè)為灰度極小值，從而實現(xiàn)二值化。在車牌定位過程中，圖像二值變換的關(guān)鍵是確定合適的閾值。二值變換后的圖像須具有原始的特征分布。

(3) 邊緣檢測

邊緣檢測是形狀特征提取和圖像分割的基礎(chǔ)，主要是通過檢測每個像素和其鄰域的狀態(tài)，以判定該像素是否位于一個物體的邊界上。邊緣檢測的步驟主要包括濾波、增強、檢測和定位4個過程。常用的邊緣檢測算子主要包括Roberts算子、Sobel算子、Prewitt算子、Krisch算子和高斯-拉普拉斯算子等。

(4) 開運算

對上述運算得到的圖像進行形態(tài)學圖像分析，主要包括腐蝕和膨脹運算。腐蝕是一種消除邊界點的過程，可有效消除孤立噪聲點；膨脹是將與目標物體接觸的背景點合并到物體的過程，可填補目標物體中的空洞。開運算即先腐蝕后膨脹的過程，具有消除噪聲、平滑較大邊界的作用。

(5) 車牌定位與信息隱藏

車牌定位包括上下邊界定位和左右邊界定位。經(jīng)開運算處理后的圖像，車牌區(qū)域具有相對集中且規(guī)則的紋理特征，并具有連續(xù)性。因此，可根據(jù)車牌區(qū)域黑白跳變次數(shù)先確定車牌的上下邊界，然后根據(jù)車牌字符在豎直方向的投影值來確定車牌的左右邊界，最后通過高斯模糊算法對車牌區(qū)域進行模糊化處理。

三、試驗

本文對武漢市江漢區(qū)部分道路的全景影像進行了試驗，包括人臉檢測和車牌定位。整個試驗在Matlab 2011a環(huán)境下實現(xiàn)，支持向量機函數(shù)庫采用LibSVM,同時采用線性回歸(linear regression)和徑向基函數(shù)(radial basis function,RBF)作為核函數(shù)進行分類結(jié)果比較。試驗過程如下：

1. 人臉檢測

首先對全景影像進行灰度、角度和尺度預(yù)處理。圖1為人體部分采用對數(shù)變換方式后的效果及圖像直方圖對比圖。由于車載全景影像采集過程中通常采用定焦鏡頭，并且行人與相機之間的距離大于某特定值(如車寬)，因此可識別人臉的尺寸保持在一定范圍內(nèi)。經(jīng)多次試驗，采用25像素×25像素作為人臉尺寸的大小。試驗采用LibSVM進行監(jiān)督分類，在監(jiān)督分類過程中采用PRTools軟件自帶的人臉樣本庫進行訓練。采用交叉驗證對懲罰系數(shù)進行尋優(yōu)，得到最佳C=0.001，精度為94.5%。利用線性回歸、徑向基函數(shù)的比較結(jié)果及高斯模糊效果如圖2所示。

2. 車牌號定位

在車牌號定位過程中，灰度處理采用的公式為

Gray =R×0.299+G×0.587+B×0.114

(2)

試驗采用Otsu閾值分割算法對圖像進行二值化處理，并采用Robert算子進行邊緣檢測，然后對得到的圖像進行開運算，最后使用投影法實現(xiàn)車牌區(qū)域的定位。試驗結(jié)果如圖3所示。

圖1　對數(shù)變換的效果比較及圖像直方圖對比

圖2　線性回歸和SVM分類結(jié)果比較及信息隱藏

圖3　車牌號定位

四、結(jié)束語

本文采用支持向量機和投影法實現(xiàn)了全景地圖影像中人臉和車牌區(qū)域的檢測，并采用高斯模糊實現(xiàn)了此類敏感信息的隱藏處理，大大提高了數(shù)據(jù)的處理效率。試驗過程中還存在一些學習不充分、識別精度不足等問題。在以后的研究中，將對目標特征和模型參數(shù)進行優(yōu)化，進一步提高全景地圖隱私數(shù)據(jù)處理的自動化水平。

參考文獻：

[1]李海亭，彭清山，王閃．數(shù)字城市中的全景地圖系統(tǒng)建設(shè)方法研究[J]. 測繪通報，2011(4)：71-73.

[2]符浩軍，朱長青，趙毅，等. 面向網(wǎng)絡(luò)環(huán)境的地理空間數(shù)據(jù)數(shù)字水印模型[J].測繪學報，2013,42(6)：891-897.

[3]賈培宏，馬勁松，史照良，等. GIS空間數(shù)據(jù)水印信息隱藏與加密技術(shù)方法研究[J].武漢大學學報：信息科學版，2004,29(8)：747-751.

[4]朱長青，楊成松，任娜. 論數(shù)字水印技術(shù)在地理空間數(shù)據(jù)安全中的應(yīng)用[J].測繪通報，2010(10)：1-3.

[5]HUANG J, SHAO X, WECHSLER H. Face Pose Discrimination Using Support Vector Machines(SVM)[C]∥Proceeding of International Conference Recognition. Brisbane：[s.n.], 1998:154-156.

[6]耿新，周志華，陳世福．基于混合投影函數(shù)的眼睛定位[J].軟件學報，2003,14(8)：1394-1400.

[7]梁路宏，艾海舟，肖習攀．基于模板匹配與支持矢量機的人臉檢測[J].計算機學報,2002,25(1):22-29.

[8]鄧乃楊，田英杰．數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京:科學出版社,2004.

[9]楊志民，劉廣利．不確定性支持向量機[M].北京:科學出版社,2007.

[10]楊衛(wèi)平，李吉成，沈振康．車牌目標的自動定位技術(shù)[J].中國圖象圖形學報,2002,7(8):835-839.

[11]張智勇.全景移動測量系統(tǒng)及其應(yīng)用前景展望[J].測繪通報,2014(3):79-81.

通信作者：李艷紅。E-mail: yanhongli1979@163.com

作者簡介：李海亭(1980—)，男，博士，高級工程師，主要從事車載激光掃描數(shù)據(jù)處理研究。E-mail: 120059908@qq.com

基金項目：國家自然科學基金青年基金(41101449)；精密工程與工業(yè)測量國家測繪地理信息局重點實驗室開放研究基金(PF2011-26)

收稿日期：2014-11-12

中圖分類號：P283

文獻標識碼：B

文章編號：0494-0911(2015)12-0074-03

引文格式： 李海亭，李艷紅，彭清山,等. 全景地圖隱私信息處理的關(guān)鍵技術(shù)研究[J].測繪通報，2015(12)：74-76.DOI:10.13474/j.cnki.11-2246.2015.383