面向直播视频流的隐私敏感目标像素化
计算机视觉与模式识别
2021-01-05 v1 人工智能
多媒体
摘要
随着直播视频流的盛行，建立一种针对隐私敏感目标的在线像素化方法已成当务之急。由隐私敏感目标检测不准确所致，简单将检测跟踪结构迁移至在线形式会引发目标初始化、漂移与过度像素化问题。为应对这一不可避免却影响重大的检测问题，我们提出一种新颖的隐私敏感目标像素化(PsOP)框架，用于直播视频流中的自动个人隐私过滤。借助预训练检测网络，我们的PsOP可扩展至任意潜在隐私敏感目标的像素化。采用嵌入网络与所提定位增量亲和传播(PIAP)聚类算法作为骨干，我们的PsOP通过轨迹生成统一了可区分与不可区分像素化目标的像素化。除提升像素化精度外，在我们自建的流视频数据上的实验表明，所提PsOP能显著降低隐私敏感目标像素化中的过度像素化比率。
引用
@article{arxiv.2101.00604,
title = {Privacy-sensitive Objects Pixelation for Live Video Streaming},
author = {Jizhe Zhou and Chi-Man Pun and Yu Tong},
journal= {arXiv preprint arXiv:2101.00604},
year = {2021}
}