基于Mobilenetv1-YOLOv4的低算力汽車(chē)數(shù)據(jù)脫敏技術(shù)研究

中圖分類(lèi)號(hào)：U462.3 收稿日期：2025-05-12

DOI：10.19999/j.cnki.1004-0226.2025.08.004

Research on Low-computational-power Vehicle Data Desensitization Technology Based on Mobilenetv1-YOLOv4

Zhu ZhanglinglLiu Peng2Wang Yixuan2 Wang Houzheng1Liu Yixuan2He Ting1 1.Anhui Pusi Standard Technology Co.，Ltd.，Wuhu 241ooo，China 2.CATARC Automotive Test Center（Wuhan）Co.，Ltd.，Wuhan 430056，China

Abstract：Withtherapiddevelopmentofintellgentandconnectedvehicles，anincreasingnumberofvehiclesareequippedwith advanceddriverassistancesystems thatrelyonextealsensorssuchascamerasandlidarforroadenvironmentperceptionanddriving decision-making.isprocssivolvesalageamountofextealinteractieifoationtransmsioaingeicledatauityissuesincreasinglyprominent.Toensuredriingsafety，extealpersonalinformationthatcanotbecollectedwithpersonalcosetand transmitedovertheetworkuchasicenseplatesandacsustbeonyiedncludingdeletingimagesthacontainiiable naturalpersosoaplingpartialcontouringproesingtoacialifomationineimags.Tddresstisisue，tispaperrosesa low-computational-powervehicledata desensitization methodbasedonMobilenetv1-YOLOv4.This methodcombinessuper-resolution enhancementreconstructiontechnologyforimageenhancement，enablingdesensitizationofboth externalfacesandvehiclelicense platesatlowomputatioalcosts.Iomplexenvionments，teodelcanstllmaitainhighdetectionacuracyandeal-tiepefor mance.Theimplementationof tisresearchnotonlycomplieswiththerequirementsofthe“SeveralProvisionsontheManagementof AutomotiveDataSecurity”andthenatioalstandardGB/T4464-2024“GeneralRequirementsforAutomotiveData”，butalsohasimportant practical significance for protecting personal privacy and enhancing the security of automotive data.

Key words：Object detection; YOLOv4;Image enhancement;Anonymization processing

1前言

隨著智能網(wǎng)聯(lián)汽車(chē)的飛速發(fā)展和高階自動(dòng)駕駛技術(shù)的廣泛應(yīng)用，車(chē)輛已不再僅是一個(gè)交通工具，更是一個(gè)移動(dòng)的數(shù)據(jù)中心，涉及大量的數(shù)據(jù)采集與傳輸。這一過(guò)程中，數(shù)據(jù)安全問(wèn)題日益凸顯，尤其是對(duì)車(chē)外個(gè)人信息的保護(hù)，如車(chē)牌和人臉信息，已成為關(guān)注焦點(diǎn)。為應(yīng)對(duì)這一挑戰(zhàn)，《汽車(chē)數(shù)據(jù)安全管理若干規(guī)定》和國(guó)家標(biāo)準(zhǔn)GB/T44464—2024《汽車(chē)數(shù)據(jù)通用要求》明確指出，對(duì)于無(wú)法征得個(gè)人同意收集并通過(guò)網(wǎng)絡(luò)傳輸?shù)能?chē)外個(gè)人信息，必須進(jìn)行匿名化處理。這包括刪除含有能夠識(shí)別自然人的畫(huà)面，或?qū)Ξ?huà)面中的人臉信息等進(jìn)行局部輪廓化處理。此舉旨在確保行車(chē)安全的同時(shí)，保護(hù)個(gè)人隱私不受侵犯。然而，如何在車(chē)端低算力成本下兼顧目標(biāo)檢測(cè)精度與實(shí)時(shí)性要求，部署高效的脫敏檢測(cè)算法，成為了一個(gè)重要的研究任務(wù)。這不僅需要算法本身的優(yōu)化和創(chuàng)新，還需要在硬件限制和實(shí)時(shí)性要求之間找到平衡點(diǎn)。

隨著人工智能技術(shù)的飛速演進(jìn)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法已徹底重塑計(jì)算機(jī)視覺(jué)領(lǐng)域的技術(shù)格局，成為目標(biāo)檢測(cè)任務(wù)的絕對(duì)主流方向。相較于傳統(tǒng)依賴(lài)人工設(shè)計(jì)特征（如HOG、SIFT等）的檢測(cè)方法，深度學(xué)習(xí)算法通過(guò)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠從原始圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)層次化的特征表示，從低級(jí)的邊緣、紋理信息到高級(jí)的語(yǔ)義特征，實(shí)現(xiàn)對(duì)復(fù)雜場(chǎng)景下目標(biāo)的精準(zhǔn)捕捉與定位。

針對(duì)智能網(wǎng)聯(lián)汽車(chē)車(chē)端數(shù)據(jù)脫敏的核心需求，本研究提出一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的車(chē)外人臉與汽車(chē)號(hào)牌信息匿名化處理方法。該方法以YOLOv4模型[1]為基礎(chǔ)框架，創(chuàng)新性地將其原始主干網(wǎng)絡(luò)替換為輕量級(jí)MobileNetv12網(wǎng)絡(luò)，通過(guò)深度可分離卷積顯著降低模型參數(shù)量與運(yùn)算成本，實(shí)現(xiàn)車(chē)端低算力環(huán)境下的高效部署；同時(shí)，為解決復(fù)雜交通場(chǎng)景中小目標(biāo)（如遠(yuǎn)距離人臉、模糊車(chē)牌）檢測(cè)精度不足的問(wèn)題，引入超分辨率增強(qiáng)重建技術(shù)對(duì)原始圖像進(jìn)行預(yù)處理，提升小目標(biāo)區(qū)域的細(xì)節(jié)特征清晰度，進(jìn)而增強(qiáng)模型對(duì)車(chē)外人臉與汽車(chē)號(hào)牌的精準(zhǔn)定位能力，最終通過(guò)對(duì)檢測(cè)到的敏感區(qū)域進(jìn)行實(shí)時(shí)匿名化處理，確保在滿(mǎn)足法規(guī)要求的前提下，兼顧目標(biāo)檢測(cè)的精度與實(shí)時(shí)性，為智能網(wǎng)聯(lián)汽車(chē)的車(chē)外數(shù)據(jù)安全防護(hù)提供技術(shù)支撐。

2國(guó)內(nèi)外研究進(jìn)展

2.1目標(biāo)檢測(cè)綜述

在計(jì)算機(jī)視覺(jué)領(lǐng)域，確定圖像中所含目標(biāo)的類(lèi)別及其位置的問(wèn)題被稱(chēng)為目標(biāo)檢測(cè)。與圖像分類(lèi)不同，目標(biāo)檢測(cè)任務(wù)需要對(duì)每個(gè)目標(biāo)實(shí)例進(jìn)行識(shí)別。因此，目標(biāo)檢測(cè)本質(zhì)上是一種基于實(shí)例的視覺(jué)任務(wù)。在深度學(xué)習(xí)廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域之前，目標(biāo)檢測(cè)主要依靠手工設(shè)計(jì)的機(jī)器學(xué)習(xí)特征來(lái)實(shí)現(xiàn)[3]。

當(dāng)前目標(biāo)檢測(cè)領(lǐng)域的方法主要分為兩大類(lèi)：基于區(qū)域提議的方法和基于分類(lèi)的方法。其中，基于區(qū)域提議的方法以R-CNN、FasterR-CNN[4]等為代表;基于分類(lèi)的方法則涵蓋YouOnlyLookOnce（YOLO）、Single ShotDetector（SSD）[5]等算法。

2.2卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用綜述

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）[6]是一類(lèi)深度神經(jīng)網(wǎng)絡(luò)模型，專(zhuān)門(mén)用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)（如圖像、視頻、音頻等）。其核心特征在于通過(guò)卷積操作提取數(shù)據(jù)的局部特征一一借助滑動(dòng)窗口（卷積核）對(duì)輸人數(shù)據(jù)進(jìn)行局部感知，能夠高效捕捉數(shù)據(jù)中的空間相關(guān)性。同時(shí)，CNN通常包含池化層（用于降維并保留關(guān)鍵特征）激活函數(shù)（引入非線性特性）及全連接層（用于完成最終的分類(lèi)或回歸任務(wù)）等結(jié)構(gòu)。憑借在圖像數(shù)據(jù)處理方面的卓越性能，CNN已成為計(jì)算機(jī)視覺(jué)領(lǐng)域的基礎(chǔ)性技術(shù)，廣泛應(yīng)用于圖像分類(lèi)、目標(biāo)檢測(cè)、圖像分割、人臉識(shí)別等諸多任務(wù)中。

Rosenblat等[7]提出了單層感知器模型，該模型在MP模型的基礎(chǔ)上增加了學(xué)習(xí)能力，但單層感知器網(wǎng)絡(luò)無(wú)法處理線性不可分問(wèn)題;Zhang等[8]提出了首個(gè)二維CNN——移位不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（shift-invariantANN）；Lecun等9]則構(gòu)建了用于手寫(xiě)郵政編碼識(shí)別的CNN，并首次引人“卷積\"這一術(shù)語(yǔ)，該模型成為L(zhǎng)eNet的原始版本；Aloysius等[10]按時(shí)間脈絡(luò)梳理了深度學(xué)習(xí)的框架體系；Rawat等[11]聚焦于CNN在圖像識(shí)別中的應(yīng)用進(jìn)行了綜述;Liu等[12]也針對(duì)用于圖像識(shí)別的CNN展開(kāi)討論。這些綜述大多側(cè)重于CNN在特定場(chǎng)景下的應(yīng)用，但缺乏從更為宏觀、通用的視角對(duì)CNN進(jìn)行考量。

2.3YOLO算法發(fā)展綜述

YOLO（YouOnlyLookOnce）算法是目標(biāo)檢測(cè)領(lǐng)域極具影響力的單階段檢測(cè)算法，其核心特點(diǎn)是將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為一個(gè)端到端的回歸問(wèn)題，通過(guò)單次神經(jīng)網(wǎng)絡(luò)前向傳播即可同時(shí)完成目標(biāo)的定位（邊界框預(yù)測(cè)）和分類(lèi)，極大提升了檢測(cè)速度，滿(mǎn)足實(shí)時(shí)檢測(cè)需求。

Redmon等[13]提出的 You OnlyLook Once（YOLO）方法是首個(gè)基于回歸的單階段目標(biāo)檢測(cè)方法。在此基礎(chǔ)上，Redmon等[14]進(jìn)一步提出了YOLOv2（You OnlyLookOnceversion2），該版本通過(guò)移除全連接層與最后一個(gè)池化層、引入錨框機(jī)制進(jìn)行邊界框預(yù)測(cè)，并設(shè)計(jì)了名為DarkNet-19的新型基礎(chǔ)網(wǎng)絡(luò)架構(gòu)。

Chun等人[15]提出的通過(guò)對(duì)先驗(yàn)框進(jìn)行重新聚類(lèi)，后再基于最佳分?jǐn)?shù)值的先驗(yàn)框?qū)δ繕?biāo)進(jìn)行檢測(cè)，可以顯著提升模型在復(fù)雜環(huán)境，例如遮擋環(huán)境下的目標(biāo)檢測(cè)。陳文玉等人[16在空間金字塔結(jié)構(gòu)中融入軟池化操作，通過(guò)融合多重感受最大程度保留細(xì)節(jié)信息，從而高效提取小目標(biāo)特征；并且引入坐標(biāo)注意力機(jī)制與采用新的KI-oULoss作為邊界框損失函數(shù)，能顯著提升算法對(duì)小目標(biāo)的檢測(cè)精度。

2.4數(shù)據(jù)脫敏技術(shù)綜述

數(shù)據(jù)脫敏（DataMasking）是一種數(shù)據(jù)安全技術(shù)，指通過(guò)對(duì)原始數(shù)據(jù)中的敏感信息（如個(gè)人身份信息、商業(yè)機(jī)密等）進(jìn)行修改、替換、混淆或隱藏，在保持?jǐn)?shù)據(jù)格式、結(jié)構(gòu)及業(yè)務(wù)可用性的同時(shí)，防止敏感信息被未授權(quán)訪問(wèn)或泄露的過(guò)程。其核心特點(diǎn)是保留數(shù)據(jù)的“形式有效性”（即處理后的數(shù)據(jù)仍能符合原有格式規(guī)范，可用于測(cè)試、開(kāi)發(fā)、培訓(xùn)等場(chǎng)景），但去除或掩蓋了數(shù)據(jù)的“真實(shí)敏感性”。

目前常用的數(shù)據(jù)脫敏技術(shù)有替換（Replacement）、加密（Encryption）、屏蔽（MaskingOut）等技術(shù)。替換（Re-placement）是指用外觀真實(shí)且與原始數(shù)據(jù)類(lèi)型一致的隨機(jī)值替換數(shù)據(jù)庫(kù)中現(xiàn)有敏感數(shù)據(jù)的技術(shù)。經(jīng)過(guò)替換處理后的數(shù)據(jù)可能與原始數(shù)據(jù)存在關(guān)聯(lián)，也可能完全無(wú)關(guān)。該技術(shù)的顯著優(yōu)勢(shì)在于，即便完成替換操作，數(shù)據(jù)的格式與呈現(xiàn)形式仍能保持不變。加密方法（Encryp-tion）[17]則需要數(shù)據(jù)通過(guò)算法進(jìn)行處理。由于加密后的數(shù)據(jù)會(huì)包含特殊字符，其呈現(xiàn)形式與原始數(shù)據(jù)存在明顯差異。基于密鑰的加密技術(shù)需通過(guò)密鑰才能還原數(shù)據(jù)，這意味著一旦密鑰落入未授權(quán)者手中，他們便能輕易解密數(shù)據(jù)。此外，加密技術(shù)因存在諸多局限性，在多數(shù)場(chǎng)景下并不優(yōu)于其他數(shù)據(jù)脫敏技術(shù)。屏蔽（MaskingOut）是指用特定字符（如X或*替換數(shù)據(jù)中的部分敏感內(nèi)容。在對(duì)數(shù)據(jù)進(jìn)行合理屏蔽時(shí)，需注意避免掩蓋關(guān)鍵信息一若關(guān)鍵信息被誤屏蔽，整個(gè)字段將失去使用價(jià)值。

3數(shù)據(jù)集構(gòu)建

3.1開(kāi)源數(shù)據(jù)集

為提升模型對(duì)復(fù)雜場(chǎng)景下人臉檢測(cè)的精準(zhǔn)度與魯棒性，本文選用國(guó)際公認(rèn)的人臉檢測(cè)基準(zhǔn)數(shù)據(jù)集Wider-Face作為模型訓(xùn)練與驗(yàn)證的核心數(shù)據(jù)支撐。該數(shù)據(jù)集包含32203張高質(zhì)量人臉圖像，涵蓋393703個(gè)精確標(biāo)注的人臉實(shí)例，其核心優(yōu)勢(shì)在于場(chǎng)景覆蓋的全面性。數(shù)據(jù)集按事件類(lèi)型劃分為61個(gè)類(lèi)別（如街頭、集會(huì)、運(yùn)動(dòng)等），包含不同光照條件（強(qiáng)光、逆光）動(dòng)態(tài)背景（車(chē)流、人群）及極端視角（俯拍、側(cè)視）的復(fù)雜樣本，這些樣本可針對(duì)性地提升模型對(duì)非理想狀態(tài)人臉的識(shí)別能力。通過(guò)在該數(shù)據(jù)集上進(jìn)行訓(xùn)練，模型可充分學(xué)習(xí)人臉在尺度變化、姿態(tài)擾動(dòng)、遮擋干擾下的不變性特征，顯著增強(qiáng)對(duì)車(chē)外復(fù)雜交通場(chǎng)景中遠(yuǎn)距離行人、側(cè)臉、戴口罩/墨鏡等特殊狀態(tài)下人臉的檢測(cè)精度。

3.2自采數(shù)據(jù)集

為系統(tǒng)性提升模型在真實(shí)道路環(huán)境下對(duì)不同畸變、多視角及多分辨率目標(biāo)的檢測(cè)精度，并增強(qiáng)其魯棒性與跨場(chǎng)景泛化能力，本文構(gòu)建了大規(guī)模、多維度的真實(shí)車(chē)端自采數(shù)據(jù)集，通過(guò)覆蓋復(fù)雜變量的場(chǎng)景設(shè)計(jì)與嚴(yán)格的數(shù)據(jù)篩選流程，確保訓(xùn)練樣本的多樣性與代表性。具體而言，數(shù)據(jù)采集環(huán)節(jié)選取8款主流智能網(wǎng)聯(lián)車(chē)型，涵蓋轎車(chē)、SUV、MPV等多元品類(lèi)，品牌包括蔚來(lái)、理想、小鵬、小米、特斯拉、長(zhǎng)安深藍(lán)、嵐圖、極氪等，以模擬不同廠商攝像頭硬件參數(shù)的差異（光學(xué)畸變率、鏡頭焦距、分辨率）。

采集車(chē)輛分別以靜止?fàn)顟B(tài)及 30km/h，60km/h，90 _{km/h，120km/h} 五種速度工況采集動(dòng)態(tài)場(chǎng)景，覆蓋城市主輔干道、高架快速路、商圈密集區(qū)、學(xué)校周邊、高速公路等典型交通場(chǎng)景，并同步納入白天強(qiáng)光、夜晚低照度及雨霧等惡劣天氣條件，完整復(fù)現(xiàn)實(shí)際行車(chē)中的光照變化、運(yùn)動(dòng)模糊及環(huán)境干擾。采集周期歷時(shí)2個(gè)月，累計(jì)行駛里程超 5000km ，原始圖像采集量達(dá)50萬(wàn)張；經(jīng)人工篩選與去重處理（剔除相似度 gt;85% 的冗余樣本），最終保留5萬(wàn)張高質(zhì)量標(biāo)注數(shù)據(jù)，包含不同車(chē)型攝像頭因安裝角度（前視、側(cè)視、環(huán)視）導(dǎo)致的視角差異、鏡頭畸變（如魚(yú)眼攝像頭桶形畸變、長(zhǎng)焦鏡頭枕形畸變）及分辨率動(dòng)態(tài)變化（從 720P 至 4K 不等）的真實(shí)樣本，如圖1所示。

圖1多視角圖像采集

該自采數(shù)據(jù)集通過(guò)硬件異構(gòu)性（多品牌傳感器特性）場(chǎng)景復(fù)雜性（全路況 + 全天氣）、目標(biāo)多樣性（動(dòng)態(tài)速度 + 尺度變化）的三維度設(shè)計(jì)，可有效彌補(bǔ)開(kāi)源數(shù)據(jù)集在車(chē)端實(shí)際部署場(chǎng)景中的局限性，有效提升模型對(duì)車(chē)外人臉、車(chē)牌等敏感目標(biāo)的跨場(chǎng)景檢測(cè)魯棒性與泛化能力。

4脫敏目標(biāo)檢測(cè)模型與訓(xùn)練

4.1YOLOv4檢測(cè)模型

本文選定MobileNetv1-YOLOv4作為核心目標(biāo)檢測(cè)算法架構(gòu)，通過(guò)輕量化特征提取與高精度檢測(cè)網(wǎng)絡(luò)的深度融合，實(shí)現(xiàn)車(chē)端低算力環(huán)境下敏感目標(biāo)（人臉、車(chē)牌）的高效檢測(cè)。該架構(gòu)的優(yōu)勢(shì)在于：MobileNetv1的深度可分離卷積設(shè)計(jì)將標(biāo)準(zhǔn)卷積分解為\"逐通道濾波 + 跨通道融合”，使模型計(jì)算量降低約 90% ，參數(shù)量減少 70% 以上，顯著提升了運(yùn)算速度；而相比YOLOv3，YOLOv4的技術(shù)增強(qiáng)進(jìn)一步保障了檢測(cè)精度——通過(guò)Mosaic數(shù)據(jù)增強(qiáng)技術(shù)融合多尺度樣本，提升網(wǎng)絡(luò)對(duì)復(fù)雜場(chǎng)景的魯棒性；模型采用CIoU_Loss損失函數(shù)優(yōu)化邊界框回歸，加速預(yù)測(cè)框收斂速度并提高定位準(zhǔn)確度。二者的結(jié)合實(shí)現(xiàn)了“精度-效率”的平衡。

YOLOv4網(wǎng)絡(luò)首先將輸入圖像填充并調(diào)整至 416× 416的尺寸，隨后通過(guò)主干網(wǎng)絡(luò)CSPDarknet53提取出13×13、26×26 及 52×52 三種不同尺度的特征圖，分別對(duì)應(yīng)大、中、小目標(biāo)的檢測(cè)需求。這些特征圖接著送入SPP模塊和PANet網(wǎng)絡(luò)以增強(qiáng)特征提取與融合效果，最后由YoloHead完成預(yù)測(cè)并輸出結(jié)果，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

MobileNetV1是面向移動(dòng)端的輕量級(jí)深層神經(jīng)網(wǎng)絡(luò)，其通過(guò)采用深度可分離卷積進(jìn)行特征提取：將標(biāo)準(zhǔn)卷積分解為兩步，先以單通道卷積核對(duì)輸入各通道單獨(dú)卷積（輸入輸出通道數(shù)一致），再通過(guò)逐點(diǎn)卷積提升維度，如圖3所示。

圖2YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3深度可分離卷積

Mobilenetv1采用 3×3 大小的卷積核，其通過(guò)采用深度可分離卷積，網(wǎng)絡(luò)運(yùn)算量與參數(shù)量減少約為標(biāo)準(zhǔn)卷積的1/9～1/8，Mobilenetv1的基本結(jié)構(gòu)如圖4所示。

圖4標(biāo)準(zhǔn)卷積與深度可分離卷積結(jié)構(gòu)圖

MobileNetV1網(wǎng)絡(luò)總計(jì)28層，具體結(jié)構(gòu)如下：第一層為標(biāo)準(zhǔn)卷積（ 3×3 ，步長(zhǎng)2）進(jìn)行下采樣，隨后堆疊13個(gè)深度可分離卷積塊（共26層，部分深度卷積含步長(zhǎng)2下采樣），接著通過(guò) 7×7 平均池化層壓縮特征，最后根據(jù)任務(wù)類(lèi)別數(shù)連接全連接層與Softmax輸出概率。性能對(duì)比顯示，MobileNetV1準(zhǔn)確率較VGG16僅下降 1% ，卻比GoogleNet高 0.8% ;而參數(shù)量和計(jì)算量方面，GoogleNet分別為其1.6倍和2.7倍，VGG16更是達(dá)到32倍和27倍。

將 YOLOv4 的主干網(wǎng)絡(luò)CSPDarknet53替換為Mo-bileNetV1，并將其輸出的最后三個(gè)尺度特征層直接接入原YOLOv4的SPP與PANet模塊；同時(shí)，為進(jìn)一步降低計(jì)算成本，將PANet中的所有標(biāo)準(zhǔn)卷積替換為深度可分離卷積，形成MobileNetV1-YOLOv4輕量化網(wǎng)絡(luò)結(jié)構(gòu)，如圖5所示。

4.2FSRCNN超分模型

針對(duì)部分車(chē)型攝像頭分辨率較低導(dǎo)致小目標(biāo)檢測(cè)精度不足的問(wèn)題，采用基于FSRCNN超分辨率網(wǎng)絡(luò)對(duì)低分辨率圖像進(jìn)行增強(qiáng)重建。該網(wǎng)絡(luò)通過(guò)“收縮-映射-擴(kuò)展-反卷積\"的緊湊結(jié)構(gòu)設(shè)計(jì)，可在極小算力成本下（參數(shù)量?jī)H為傳統(tǒng)方法的1/10）提升圖像細(xì)節(jié)特征（如人臉五官、車(chē)牌字符邊緣等），進(jìn)而增強(qiáng)模型對(duì)遠(yuǎn)距離、低清狀態(tài)下車(chē)外人臉與汽車(chē)號(hào)牌的敏感區(qū)域定位精度。

圖5Mobilenetv1-YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)圖

FSRCNN網(wǎng)絡(luò)首先使用 d 個(gè) 5×5 卷積核對(duì)輸入圖像進(jìn)行初始特征提取；接著通過(guò) s 個(gè) 1×1 卷積核對(duì)提取到的低分辨率特征進(jìn)行降維處理，以降低后續(xù)計(jì)算復(fù)雜度；隨后，通過(guò) Ω_m 個(gè)串聯(lián)的 3×3 卷積核構(gòu)成的映射層進(jìn)行非線性特征變換；之后，再利用 d 個(gè) 1×1 卷積核將特征維度升維至與初始特征提取階段一致；最終，使用1個(gè) 9×9 卷積核通過(guò)反卷積操作將特征圖上采樣至目標(biāo)高分辨率尺寸，完成圖像重建。

網(wǎng)絡(luò)預(yù)測(cè)的高分辨率圖片與真實(shí)高分辨率圖片之間，采用均方誤差作為損失函數(shù)，公式如下：

其中 θ={W₁，W₂，W₃，B₁，B₂，B₃} 是所有濾波器的權(quán)值與偏置，為模型學(xué)習(xí)需優(yōu)化的參數(shù)。經(jīng)過(guò)FSRCNN超分辨率網(wǎng)絡(luò)對(duì)圖像進(jìn)行增強(qiáng)可以顯著提升圖像紋理特征，如圖6所示。

圖6圖像增強(qiáng)重建前后對(duì)比

4.3模型訓(xùn)練

為適配MobileNetV1-YOLOv4模型的訓(xùn)練需求，實(shí)驗(yàn)環(huán)境配置如下：硬件采用Windows10系統(tǒng)，搭載13thGenIntelCorei9-13900KCPU、NVIDIAGeForceRTX3090GPU（24GB顯存）及128GB運(yùn)行內(nèi)存；軟件基于Python3.8.20和PyTorch2.4.1框架搭建。訓(xùn)練階段統(tǒng)一將輸入圖像分辨率調(diào)整為 960×960 ，設(shè)置訓(xùn)練總輪次為100epoch、批處理大小（Batch-size）為32，并通過(guò)啟用自動(dòng)優(yōu)化器及數(shù)據(jù)增強(qiáng)策略（含Mosaic、隨機(jī)翻轉(zhuǎn)、色彩抖動(dòng)等）提升模型的泛化性能與收斂效率，訓(xùn)練結(jié)果如圖7所示，橫軸和縱軸分別表示迭代次數(shù)（step）損失（loss）。

圖7模型訓(xùn)練結(jié)果

MobileNetV1-YOLOv4模型在測(cè)試中展現(xiàn)出優(yōu)異的綜合性能：精確率達(dá) 99.3% ，召回率為 92.5% ， mAP@0.5 和 mAP@0.5：0.95 分別達(dá)到 96.4% 和 83.9% ，表明其在目標(biāo)檢測(cè)準(zhǔn)確性和復(fù)雜場(chǎng)景適應(yīng)性上表現(xiàn)突出，可滿(mǎn)足實(shí)際應(yīng)用需求。同時(shí)，相較于原始YOLOv4模型，該輕量化模型的平均檢測(cè)幀率提升 40% ，顯著增強(qiáng)了實(shí)時(shí)性，更適配車(chē)端低算力環(huán)境。模型在測(cè)試集上可對(duì)人臉與汽車(chē)號(hào)牌進(jìn)行準(zhǔn)確的識(shí)別，如圖8所示。

圖8人臉與汽車(chē)號(hào)牌識(shí)別

在完成人臉與汽車(chē)號(hào)牌的精準(zhǔn)識(shí)別后，系統(tǒng)可進(jìn)一步對(duì)敏感區(qū)域?qū)嵤┒鄬哟蚊撁籼幚恚詫?shí)現(xiàn)數(shù)據(jù)安全與隱私保護(hù)的雙重目標(biāo)。具體而言，針對(duì)識(shí)別出的人臉區(qū)域，可采用純色塊覆蓋（如統(tǒng)一灰色或黑色色塊）高斯模糊（通過(guò)調(diào)整模糊半徑控制模糊程度）或馬賽克處理（按預(yù)設(shè)網(wǎng)格尺寸進(jìn)行像素化）等方式，有效降低面部特征的可識(shí)別性，如圖9所示。

圖9圖像脫敏處理

5結(jié)語(yǔ)

a.本文提出了一種面向低算力環(huán)境的汽車(chē)數(shù)據(jù)脫敏處理方法。該方法創(chuàng)新性地引入基于MobileNetV1-YOLOv4的輕量化目標(biāo)檢測(cè)網(wǎng)絡(luò)，通過(guò)深度優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，在保證人臉、汽車(chē)號(hào)牌等敏感目標(biāo)檢測(cè)精度的前提下，顯著降低了模型參數(shù)量與運(yùn)算復(fù)雜度，有效減小了車(chē)端算力成本。相較于原始 YOLOv4 模型，該輕量化方案的平均檢測(cè)幀率提升約 40% ，實(shí)現(xiàn)了高實(shí)時(shí)性與低資源消耗的平衡。

b.本文提出了多數(shù)據(jù)集融合訓(xùn)練方法以提升模型魯棒性與泛化能力。其中，自采數(shù)據(jù)集通過(guò)硬件異構(gòu)性、場(chǎng)景復(fù)雜性、目標(biāo)多樣性的三維度設(shè)計(jì)，系統(tǒng)性構(gòu)建了貼近真實(shí)車(chē)端部署場(chǎng)景的樣本庫(kù)。該融合策略有效彌補(bǔ)了開(kāi)源數(shù)據(jù)集在車(chē)載場(chǎng)景適應(yīng)性上的局限性，使模型對(duì)車(chē)外動(dòng)態(tài)人臉、車(chē)牌等敏感自標(biāo)的跨場(chǎng)景檢測(cè)能力顯著增強(qiáng)。

c.本文提出針對(duì)低分辨率圖像的增強(qiáng)方案，通過(guò)引入基于FSRCNN（快速超分辨率卷積神經(jīng)網(wǎng)絡(luò)）的超分模型，實(shí)現(xiàn)圖像紋理細(xì)節(jié)特征的顯著提升。有效恢復(fù)遠(yuǎn)距離拍攝或低清狀態(tài)下的圖像高頻信息，大幅提升了模型對(duì)人臉與汽車(chē)號(hào)牌的檢測(cè)精度。

參考文獻(xiàn)：

[1]BochkovskiyA，WangCY，Liao HYM.Yolov4：Optimal speed and accuracyofobjectdetection[J].ArXivPreprint ArXiv：2OO4.10934， 2020.

[2]SandlerM，HowardA，ZhuM，etal.Mobilenetv2：Inverted residuals andlinear bottlenecks[C]//Proceedingsof the IEEE conference on computer visionand pattern recognition，2018：4510-4520.

[3]Everingham M，Van Gool L，WilliamsC KI，et al.The pascal visual object classes（voc）challenge［J].International Journal of Computer Vision，2010，88（2）：303-338.

[4]LeeJ，Bang J，Yang SI.Object detection with sliding window in imagesincludingmultiple similarobjects[C]//2O17international conferenceon information and communication technology convergence （ICTC）.IEEE，2017：803-806.

[5]LiuW，AnguelovD，Erhan D，etal.Ssd：Single shot multibox detector[C]//European conference on computer vision.Cham：Springer InternationalPublishing，2016：21-37.

[6]LiZ，Liu F，YangW，etal.A surveyofconvolutional neural networks：analysis，applications，and prospects[J].IEEE Transactions On Neural Networks And Learning Systems，2021，33（12）： 6999- 7019.

[7]Rosenblatt F.The perceptron：a probabilistic model for information storage and organization in the brain[J].Psychological Review， 1958，65（6）：386.

[8]ZhangW，TanidaJ，ItohK，etal.Shift-invariantpatternrecognition neural network and its optical architecture[C]//Proceedings of annual conference of theJapan Society ofApplied Physics，1988：564.

[9] Lecun Y，Boser B，Denker J S，et al.Backpropagation applied to handwritten zipcode recognition[J].Neural Computation，1989，1 （4）：541-551.

[10]Aloysius N，Geetha M.A review on deep convolutional neural networks[C]//2017 international conference on communication and signal processing（ICCSP）.IEEE，2017：0588-0592.

[11]Rawat W，Wang Z.Deep convolutional neural networks for image classification：A comprehensive review［J].Neural Computation， 2017，29（9）：2352-2449.

[12]Liu Q，Zhang N，YangW，etal.A review of image recognition with deep convolutional neural network ［C]//International conference on intelligent computing.Cham：Springer International Publishing， 2017：69-80.

[13]RedmonJ，Divvala S，GirshickR，etal.You only look once：Unified，real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2O16：779-788.

[14]RedmonJ，F(xiàn)arhadiA.YOLO9ooo：better，faster，stronger[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2017：7263-7271.

[15]Chun L Z，Dian L，ZhiJY，et al.YOLOv3：face detection in complex environments［J]. International Journal of Computational Intelligence Systems，2020，13（1）：1153-1160.

[16]陳文玉，趙懷慈，劉鵬飛，等.基于改進(jìn)YOLOv3的車(chē)輛檢測(cè)算法 [J].控制與決策，2024（4）：1151-1159.

[17]Mining W ID.Data mining：Concepts and techniques[J]. Morgan Kaufinann，2006，10（559-569）： 4.

作者簡(jiǎn)介：

朱張玲，女，1984年生，工程師，研究方向?yàn)槠?chē)標(biāo)準(zhǔn)、認(rèn)證和測(cè)試。劉鵬（通訊作者），男，1996年出生，工程師，研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車(chē)信息安全、數(shù)據(jù)安全及圖像視覺(jué)領(lǐng)域。