Automatic Face Anonymization in Videos Data Based on YOLOv7
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3093300Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
Med den utbredte tilgjengeligheten av digital visuell data på tvers av ulike bransjer, som videoovervåking, sosiale nettverk og media, har bekymringene knyttet til personvern økt betydelig. Ansiktsanonymiseringsteknikker har oppstått som et middel til å beskytte enkeltpersoners personvern samtidig som kvaliteten og forståeligheten av det primære visuelle innholdet bevares. Vanlige metoder for å skjule menneskers identiteter inkluderer svart maskering, pikselering og uskarphet. Før man bruker disse teknikkene, er det avgjørende å nøyaktig identifisere ansikter i hvert bilde eller hver ramme.
I denne studien presenterer vi effektiviteten til YOLOv7, en rask og presis ansiktsgjenkjennelsesalgoritme, for å identifisere ansikter i bilder og videoer i ulike virkelige scenarier. Vi evaluerer ytelsen til vår ansiktsanonymiseringsmetodologi på de identifiserte ansiktene ved hjelp av kvalitative målinger, som FID og omvendt bildesøk av tildekkede kjendisansikter. Våre eksperimentelle resultater på WIDER Face-datasettet viser en endelig mAP på 0,746 for ansiktsgjenkjennelse og en FID på 17,88 for ansiktsanonymisering. Disse resultatene viser evnen til vår metode til effektivt å anonymisere ansikter i sanntids-overvåkingsvideoer.
De praktiske bruksområdene for vårt arbeid strekker seg til felt som økologi, offentlige og private rom, og datasettforberedelse og -distribusjon. Bemerkelsesverdig skiller vår metode seg ut blant eksisterende studier innen dette området ved å muliggjøre ansiktstildekking i sanntidsvideoer under ulike værforhold, og understreker dens nyskapning og enestående ytelse.
Nøkkelord: ansiktsgjenkjennelse, ansiktsanonymisering, YOLOv7, personvernbevaring, sanntids-overvåking, visuell data. With the widespread availability of digital visual data across various industries, such as video surveillance, social networks, and media, concerns regarding privacy have grown significantly. Face-anonymization techniques have emerged as a means to safeguard individuals’ privacy while preserving the quality and intelligibility of the primary visual content. Common methods for obscuring human identities include black masking, pixelization, and blurring. Prior to applying these techniques, it is crucial to accurately identify faces within each frame or image.
In this study, we present the effectiveness of YOLOv7, a rapid and precise face detection algorithm, in identifying faces in images and videos across diverse realworld scenarios. We evaluate the performance of our face-anonymization methodology on the identified faces using qualitative measures, such as FID and reverse image search of obscured celebrity faces. Our experimental results on the WIDER Face dataset demonstrate a final mAP of 0.746 for face detection and an FID of 17.88 for face anonymization. These results showcase the capability of our method in effectively anonymizing faces in real-time surveillance videos.
The practical applications of our work extend to fields such as ecology, public and private spaces, and dataset preparation and distribution. Notably, our method stands out among existing studies in this domain by enabling face masking in real-time videos under diverse weather conditions, highlighting its novelty and exceptional performance.
Keywords: face detection, face anonymization, YOLOv7, privacy preservation,real-time surveillance, visual data.