环境数据处理方法、装置、设备及存储介质与流程

1.本发明涉及汽车技术领域，尤其涉及一种环境数据处理方法、装置、设备及存储介质。


背景技术：

2.随着自动驾驶产业和政策的快速落地，自动驾驶算法的开发和验证都离不开大量的数据支撑，这些数据中可能会涉及到隐私保护相关的法律法规问题，所以，如果直接使用与车辆相关的环境数据，环境数据中的隐私信息可能会带来隐私问题。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提出一种环境数据处理方法、装置、设备及存储介质，旨在解决现有技术中直接使用与车辆相关的环境数据，环境数据中的隐私信息可能会带来隐私问题的技术问题。
5.为实现上述目的，本发明提供一种环境数据处理方法，所述环境数据处理方法包括以下步骤：
6.通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息；
7.根据所述隐私信息生成目标检测框；
8.根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。
9.可选地，所述根据所述隐私信息生成目标检测框，包括：
10.根据所述隐私信息确定隐私信息区域，并根据所述隐私信息区域生成待选检测框；
11.获取各待选检测框对应的置信度；
12.将置信度大于预设置信度的待选检测框作为目标检测框。
13.可选地，所述根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据之后，还包括：
14.获取所述车辆对应的组合惯导定位系统的定位信息；
15.根据所述定位信息对所述候选环境数据进行有效数据筛选，得到目标环境数据。
16.可选地，所述根据所述定位信息对所述候选环境数据进行有效数据筛选，得到目标环境数据，包括：
17.根据所述定位信息确定所述车辆的累计行驶距离；
18.在所述累计行驶距离超过预设距离阈值时，根据所述定位信息确定有效时间范围；
19.根据所述有效时间范围对所述候选环境数据进行有效数据筛选，得到目标环境数据。
20.可选地，所述根据所述定位信息对所述候选环境数据进行有效数据筛选，得到目标环境数据之后，还包括：
21.分别通过第一预设检测算法和第二预设检测算法对所述目标环境数据进行预标注，得到第一标注结果和第二标注结果；
22.根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的交并比；
23.根据所述交并比对所述目标环境数据进行排序。
24.可选地，所述根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的交并比，包括：
25.分别根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的第一标注框和第二标注框；
26.计算所述第一标注框与所述第二标注框的重合面积和相并面积；
27.根据所述重合面积和所述相并面积计算各帧目标环境数据对应的交并比。
28.可选地，所述根据所述交并比对所述目标环境数据进行排序之后还包括：
29.根据排序结果从所述目标环境数据中选取待调整环境数据；
30.对所述待调整环境数据进行展示；
31.在接收到用户根据展示的待调整环境数据输入的调整指令时，根据所述调整指令对所述待调整环境数据的标注进行调整。
32.此外，为实现上述目的，本发明还提出一种环境数据处理装置，所述环境数据处理装置包括：
33.隐私信息检测模块，用于通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息；
34.检测框模块，用于根据所述隐私信息生成目标检测框；
35.数据清洗模块，用于根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。
36.此外，为实现上述目的，本发明还提出一种环境数据处理设备，所述环境数据处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的环境数据处理程序，所述环境数据处理程序被处理器执行时实现如上所述的环境数据处理方法。
37.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有环境数据处理程序，所述环境数据处理程序被处理器执行时实现如上所述的环境数据处理方法。
38.本发明提出的环境数据处理方法，通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息；根据所述隐私信息生成目标检测框；根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。从而通过预设深度学习模型检测隐私信息，根据对应的目标检测框来模糊化隐私信息的方式，对原始环境数据进行隐私信息清洗，得到看不到隐私信息的候选环境数据，满足了隐私保护的相关要求，避免了环境数据中的隐私信息带来的隐私问
题。
附图说明
39.图1是本发明实施例方案涉及的硬件运行环境的环境数据处理设备结构示意图；
40.图2为本发明环境数据处理方法第一实施例的流程示意图；
41.图3为本发明环境数据处理方法一实施例的一帧原始环境数据的目标检测框示意图；
42.图4为本发明环境数据处理方法第二实施例的流程示意图；
43.图5为本发明环境数据处理方法第三实施例的流程示意图；
44.图6为本发明环境数据处理方法一实施例的系统原理框架示意图；
45.图7为本发明环境数据处理装置第一实施例的功能模块示意图。
46.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
47.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.参照图1，图1为本发明实施例方案涉及的硬件运行环境的环境数据处理设备结构示意图。
49.如图1所示，该环境数据处理设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速随机存取存储器(random access memory，ram)，也可以是稳定的存储器(non
‑
volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
50.本领域技术人员可以理解，图1中示出的设备结构并不构成对环境数据处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及环境数据处理程序。
52.在图1所示的环境数据处理设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户设备，与所述用户设备进行数据通信；本发明设备通过处理器1001调用存储器1005中存储的环境数据处理程序，并执行本发明实施例提供的环境数据处理方法。
53.基于上述硬件结构，提出本发明环境数据处理方法实施例。
54.参照图2，图2为本发明环境数据处理方法第一实施例的流程示意图。
55.在第一实施例中，所述环境数据处理方法包括以下步骤：
56.步骤s10，通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息。
57.需要说明的是，本实施例的执行主体可为环境数据处理设备，例如具有数据处理
功能的终端设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例中，以环境数据处理设备为例进行说明。
58.需要说明的是，本实施例中的隐私信息可包括人脸信息和车牌信息，除此之外，还可包括其他隐私信息，本实施例对此不作限制，在本实施例中，以隐私信息包括人脸信息和车牌信息为例进行说明。
59.需要说明的是，本实施例中的预设深度学习模型可为基于深度学习的人脸和车牌检测模型，可预先采集相关的数据对该模型进行训练，使其具有检测人脸和车牌的功能。其中，预设深度学习模型可为一个模型，通过该模型可对环境数据中的人脸和车牌进行检测；预设深度学习模型也可为两个模型，分别为人脸深度学习模型和车牌深度学习模型，通过人脸深度学习模型对环境数据中的人脸进行检测，通过车牌深度学习模型对环境数据中的车牌进行检测，本实施例对此不作限制。
60.应当理解的是，可预先建立预设深度学习模型，在接收到数采系统上传的与车辆相关的原始环境数据时，可通过预设深度学习模型对这些原始环境数据进行目标检测，通过目标检测的方式确定原始环境数据中包含的人脸和车牌等隐私信息。其中，原始环境数据可为视频数据，也可为图片数据，还可为其他类型的数据，本实施例对此不作限制，在本实施例中，以视频数据为例进行说明。
61.步骤s20，根据所述隐私信息生成目标检测框。
62.可以理解的是，在确定原始环境数据中包含的人脸和车牌等隐私信息之后，可根据这些隐私信息生成对应的目标检测框。例如，可根据人脸信息对应的人脸区域生成人脸检测框，可根据车牌信息对应的车牌区域生成车牌检测框，然后将人脸检测框和车牌检测框作为目标检测框。又例如，也可将人脸信息对应的人脸区域和车牌信息对应的车牌区域作为目标区域，根据目标区域生成目标检测框。除了上述方式外，还可通过其他方式根据隐私信息生成目标检测框，本实施例对此不作限制。
63.需要说明的是，本实施例中的目标检测框可将上述这些隐私信息对应的区域进行覆盖，其中，目标检测框可为矩形框，也可为圆形框，还可为其他形状或者不规则形状的框体，本实施例对此不作限制，在本实施例中以矩形框为例进行说明。
64.在具体实现中，可如图3所示，图3为一帧原始环境数据的目标检测框示意图，在该帧原始环境数据中检测到一个车牌和两个人脸，可在车牌和人脸对应的区域生成目标检测框(图3中的虚线框)。
65.进一步地，为了提高隐私信息清洗的准确性，避免误清洗非隐私信息，所述步骤s20，包括：
66.根据所述隐私信息确定隐私信息区域，并根据所述隐私信息区域生成待选检测框；获取各待选检测框对应的置信度；将置信度大于预设置信度的待选检测框作为目标检测框。
67.应当理解的是，在检测到隐私信息后，可确定隐私信息对应的各帧原始环境数据以及隐私信息所在的隐私信息区域，然后根据隐私信息区域生成待选检测框，其中，为了达到更好的覆盖效果，待选检测框可与隐私信息区域刚好重合，也可比隐私信息区域稍大，本实施例对此不作限制。
68.可以理解的是，在确定多个待选检测框后，可获取各待选检测框对应的置信度，然
后分别将这些置信度与预设置信度进行比较，如果置信度大于预设置信度，则说明该置信度对应的待选检测框可靠度比较高，如果置信度小于等于预设置信度，则说明该置信度对应的待选检测框可靠度比较低。因此，可将置信度大于预设置信度的待选检测框作为目标检测框，以准确地确定目标检测框，进而提高隐私信息清洗的准确性。其中，预设置信度可为根据实际情况预先设置的置信度阈值，本实施例对此不作限制。
69.步骤s30，根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。
70.应当理解的是，在确定目标检测框之后，可对目标检测框进行模糊化处理，从而将原始环境数据中的隐私信息进行覆盖，以达到对原始环境数据中的隐私信息进行清洗的目的，得到看不到隐私信息的候选环境数据。
71.可以理解的是，可对目标检测框通过高斯模糊等方式进行模糊化处理，使目标检测框所在的区域无法看清，从而使该区域内的隐私信息也无法看清，达到对隐私进行保护的效果。其中，除了高斯模糊外，还可通过其他方式进行模糊化处理，本实施例对此不作限制。
72.在本实施例中，通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息；根据所述隐私信息生成目标检测框；根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。从而通过预设深度学习模型检测隐私信息，根据对应的目标检测框来模糊化隐私信息的方式，对原始环境数据进行隐私信息清洗，得到看不到隐私信息的候选环境数据，满足了隐私保护的相关要求，避免了环境数据中的隐私信息带来的隐私问题。
73.在一实施例中，如图4所示，基于第一实施例提出本发明环境数据处理方法第二实施例，所述步骤s30之后，还包括：
74.步骤s40，获取所述车辆对应的组合惯导定位系统的定位信息。
75.应当理解的是，由于可能存在车辆静止等情况，在这些情况下，采集的环境数据中可能包含大量重复数据，不利于后续用作自动驾驶模型训练。由于环境数据中可能包含大量的重复或静止数据，会提高模型训练的消耗，这些庞大的数据可能会对后续的模型训练、虚拟场景库建立等造成影响。在本实施例中，结合组合惯导定位系统的定位信息来对候选环境数据进行有效数据筛选，以去除这些重复或静止数据。
76.需要说明的是，本实施例中的组合惯导定位系统是包含卫星定位系统和惯性定向定位导航系统的定向定位导航系统，其中，卫星定位系统可为全球定位系统、北斗卫星导航系统以及全球导航卫星系统等，本实施例对此不作限制。
77.可以理解的是，可获取该车辆对应的组合惯导定位系统的定位信息，根据这些定位信息可以确定该车辆的行驶情况。其中，定位信息中可包括位置信息和/或时间信息，还可包括其他类型的信息，本实施例对此不作限制。
78.步骤s50，根据所述定位信息对所述候选环境数据进行有效数据筛选，得到目标环境数据。
79.需要说明的是，采集的环境数据中可包括位置信息和/或时间信息等信息，还可包括其他类型的信息，本实施例对此不作限制。在本实施例中，可结合惯导定位系统的定位信息，计算车辆的累计行驶距离，每当行驶超过预设距离阈值后，可筛选出对应的有效数据
帧，将这些有效数据帧对应的环境数据作为目标环境数据，提高后续模型训练的效率。其中，预设距离阈值可为根据实际情况预先设置的距离阈值，本实施例对此不作限制。
80.应当理解的是，由于车辆可能静止，因此，根据累计行驶距离可确定车辆的行驶状态，如果累计行驶距离超过预设距离阈值，则说明车辆在正常行驶，而非处于静止状态，从而可确定车辆处于正常行驶状态对应的有效时间范围，然后根据有效时间范围对候选环境数据进行有效数据筛选，得到目标环境数据。
81.在具体实现中，例如，通过上述方式进行检测后，如果确定车辆在10:00
‑
10:30处于行驶状态，在10:30
‑
10:40处于静止状态，在静止状态下采集到的环境数据都是重复的，为了去除这些重复数据，可将10:00
‑
10:30作为有效时间范围，然后根据各帧候选环境数据对应的时间信息，从候选环境数据中选取在10:00
‑
10:30这一时间范围内采集的环境数据作为目标环境数据。
82.在本实施例中，获取所述车辆对应的组合惯导定位系统的定位信息，根据所述定位信息对所述候选环境数据进行有效数据筛选，得到目标环境数据，从而通过组合惯导定位系统的定位信息，每隔一定距离筛选出有效的目标环境数据作为训练数据，防止由于车辆静止导致的采集的环境数据大量重复的情况，使训练数据重复性低，减少模型训练时的开销。
83.在一实施例中，如图5所示，基于第二实施例提出本发明环境数据处理方法第三实施例，在本实施例中，所述步骤s50之后，还包括：
84.步骤s60，分别通过第一预设检测算法和第二预设检测算法对所述目标环境数据进行预标注，得到第一标注结果和第二标注结果。
85.需要说明的是，由于人工对数据进行标注需要耗费大量的成本，在本实施例中为了节约人力成本，对于经过上述清洗和筛选后得到的目标环境数据，可分别通过两种开源检测算法对数据进行预标注，得到两种标注结果。例如，可分别通过第一预设检测算法和第二预设检测算法对目标环境数据进行预标注，得到第一标注结果和第二标注结果，第一标注结果为第一预设检测算法检测得到的结果，第二标注结果为第二预设检测算法检测得到的结果。其中，对于不同检测类型的环境数据可使用不同的开源检测算法，例如，目标检测的开源算法有：yolov4算法、efficientdet算法等，车道线检测有lanenet算法、pinet算法等，可行驶区域检测有deeplabv3+算法、pspnet算法等，除这些算法之外，还可包括其他算法，本实施例对此不作限制。
86.因此，可获取目标环境数据对应的检测类型，根据检测类型确定对应的第一预设检测算法和第二预设检测算法。例如，如果目标环境数据对应的检测类型为目标检测，那么便可将yolov4算法作为第一预设检测算法，将efficientdet算法作为第二预设检测算法；如果目标环境数据对应的检测类型为车道线检测，那么便可将lanenet算法作为第一预设检测算法，将pinet算法作为第二预设检测算法；如果目标环境数据对应的检测类型为行驶区域检测，那么便可将deeplabv3+算法作为第一预设检测算法，将pspnet算法作为第二预设检测算法。其中，第一预设检测算法和第二预设检测算法可以互换，本实施例对此不作限制。
87.步骤s70，根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的交并比。
88.可以理解的是，对于不同的检测类型，标注结果可为2d框或者3d框，还可为其他类型的框体，本实施例对此不作限制。
89.应当理解的是，可分别根据第一标注结果和第二标注结果确定各帧目标环境数据对应的第一标注框和第二标注框，第一标注框为第一标注结果对应的标注框，第二标注框为第二标注结果对应的标注框。
90.应当理解的是，针对同一帧目标环境数据，可分别计算其对应的第一标注框与第二标注框的重合面积和相并面积，即计算第一标注框与第二标注框的交集和并集。然后根据重合面积和相并面积计算该帧目标环境数据对应的交并比(intersection of union，iou)。其中，交并比越大，说明这两种标注结果越接近，标注也更加准确；交并比越小，说明这两种标注结果差距越大，标注也更加不准确。通过计算交并比的方式，可检测通过上述两种检测算法进行的预标注是否准确。
91.步骤s80，根据所述交并比对所述目标环境数据进行排序。
92.可以理解的是，在确定各帧目标环境数据对应的交并比之后，可根据这些交并比对目标环境数据进行排序，例如，可按照交并比从大到小的方式对目标环境数据进行排序，也可按照交并比从小到大的方式对目标环境数据进行排序，本实施例对此不作限制，在本实施例中，以从大到小的方式进行排序为例进行说明。通过这种方式，可以使用户很清楚和方便的知晓各帧目标环境数据的标注情况，方便用户的使用和调整。
93.进一步地，对于标注不准确的目标环境数据，如果直接使用的话，可能会对模型训练的精度造成影响，因此，对于这些标注不准确的目标环境数据，可通过人工修正的方式来进行调整，所述步骤s80之后，还包括：
94.根据排序结果从所述目标环境数据中选取待调整环境数据；对所述待调整环境数据进行展示；在接收到用户根据展示的待调整环境数据输入的调整指令时，根据所述调整指令对所述待调整环境数据的标注进行调整。
95.应当理解的是，可根据排序结果从目标环境数据中选取交并比较低的数据作为待调整环境数据。例如，可设置一个交并比阈值，在排序结果中查找第一个交并比低于交并比阈值的目标环境数据，然后将该目标环境数据以及该目标环境数据之后的数据均作为待调整环境数据，通过这种方式，可从目标环境数据中筛选出交并比低于交并比阈值的待调整环境数据。
96.可以理解的是，在确定待调整环境数据之后，可将待调整数据进行展示，并提示用户进行人工修正，同时还可将待调整环境数据对应的第一标注结果和第二标注结果也进行展示，由用户在第一标注结果和第二标注结果的基础上对待调整环境数据的标注进行调整，得到调整后的环境数据，将调整后的环境数据作为训练数据。而对于交并比较高的目标环境数据，由于标注比较准确，不需要再进行人工修正，可直接将这些交并比较高的目标环境数据作为训练数据。通过这种方式，可在满足标注准确性的情况下，极大减少人工操作，减少人力成本。
97.在具体实现中，可如图6所示，图6为系统原理框架示意图，通过该方案可建立人脸与车牌检测的深度学习模型，对原始数据进行目标检测，将目标检测框模糊化；通过组合惯导的定位数据，每隔一定距离筛选出有效的训练数据，防止由于车辆静止导致的采集数据的大量重复，减少模型训练时的开销；采用两种开源算法对数据进行标注，对比并计算每帧
数据检测框的交并比(iou)，人工对iou较低的标签进行调整。从而不仅可以保护隐私信息，避免隐私问题，还可使训练数据重复性低，标注信息质量高，提高模型训练效率并减少人力成本。
98.在本实施例中，分别通过第一预设检测算法和第二预设检测算法对所述目标环境数据进行预标注，得到第一标注结果和第二标注结果；根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的交并比；根据所述交并比对所述目标环境数据进行排序，并根据排序结果确定待调整环境数据，由人工进行修正。从而采用两种开源算法对数据进行标注，对比并计算每帧数据的标注框的交并比，由人工对标注比较低的标注进行调整，标注信息质量高，提高了模型训练效率并减少人力成本。
99.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有环境数据处理程序，所述环境数据处理程序被处理器执行时实现如上文所述的环境数据处理方法的步骤。
100.由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
101.此外，参照图7，本发明实施例还提出一种环境数据处理装置，所述环境数据处理装置包括：
102.隐私信息检测模块10，用于通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息。
103.需要说明的是，本实施例中的隐私信息可包括人脸信息和车牌信息，除此之外，还可包括其他隐私信息，本实施例对此不作限制，在本实施例中，以隐私信息包括人脸信息和车牌信息为例进行说明。
104.需要说明的是，本实施例中的预设深度学习模型可为基于深度学习的人脸和车牌检测模型，可预先采集相关的数据对该模型进行训练，使其具有检测人脸和车牌的功能。其中，预设深度学习模型可为一个模型，通过该模型可对环境数据中的人脸和车牌进行检测；预设深度学习模型也可为两个模型，分别为人脸深度学习模型和车牌深度学习模型，通过人脸深度学习模型对环境数据中的人脸进行检测，通过车牌深度学习模型对环境数据中的车牌进行检测，本实施例对此不作限制。
105.应当理解的是，可预先建立预设深度学习模型，在接收到数采系统上传的与车辆相关的原始环境数据时，可通过预设深度学习模型对这些原始环境数据进行目标检测，通过目标检测的方式确定原始环境数据中包含的人脸和车牌等隐私信息。其中，原始环境数据可为视频数据，也可为图片数据，还可为其他类型的数据，本实施例对此不作限制，在本实施例中，以视频数据为例进行说明。
106.检测框模块20，用于根据所述隐私信息生成目标检测框。
107.可以理解的是，在确定原始环境数据中包含的人脸和车牌等隐私信息之后，可根据这些隐私信息生成对应的目标检测框。例如，可根据人脸信息对应的人脸区域生成人脸检测框，可根据车牌信息对应的车牌区域生成车牌检测框，然后将人脸检测框和车牌检测框作为目标检测框。又例如，也可将人脸信息对应的人脸区域和车牌信息对应的车牌区域作为目标区域，根据目标区域生成目标检测框。除了上述方式外，还可通过其他方式根据隐私信息生成目标检测框，本实施例对此不作限制。
108.需要说明的是，本实施例中的目标检测框可将上述这些隐私信息对应的区域进行覆盖，其中，目标检测框可为矩形框，也可为圆形框，还可为其他形状或者不规则形状的框体，本实施例对此不作限制，在本实施例中以矩形框为例进行说明。
109.在具体实现中，可如图3所示，图3为一帧原始环境数据的目标检测框示意图，在该帧原始环境数据中检测到一个车牌和两个人脸，可在车牌和人脸对应的区域生成目标检测框(图3中的虚线框)。
110.进一步地，所述检测框模块20，还用于根据所述隐私信息确定隐私信息区域，并根据所述隐私信息区域生成待选检测框；获取各待选检测框对应的置信度；将置信度大于预设置信度的待选检测框作为目标检测框。
111.应当理解的是，在检测到隐私信息后，可确定隐私信息对应的各帧原始环境数据以及隐私信息所在的隐私信息区域，然后根据隐私信息区域生成待选检测框，其中，为了达到更好的覆盖效果，待选检测框可与隐私信息区域刚好重合，也可比隐私信息区域稍大，本实施例对此不作限制。
112.可以理解的是，在确定多个待选检测框后，可获取各待选检测框对应的置信度，然后分别将这些置信度与预设置信度进行比较，如果置信度大于预设置信度，则说明该置信度对应的待选检测框可靠度比较高，如果置信度小于等于预设置信度，则说明该置信度对应的待选检测框可靠度比较低。因此，可将置信度大于预设置信度的待选检测框作为目标检测框，以准确地确定目标检测框，进而提高隐私信息清洗的准确性。其中，预设置信度可为根据实际情况预先设置的置信度阈值，本实施例对此不作限制。
113.数据清洗模块30，用于根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。
114.应当理解的是，在确定目标检测框之后，可对目标检测框进行模糊化处理，从而将原始环境数据中的隐私信息进行覆盖，以达到对原始环境数据中的隐私信息进行清洗的目的，得到看不到隐私信息的候选环境数据。
115.可以理解的是，可对目标检测框通过高斯模糊等方式进行模糊化处理，使目标检测框所在的区域无法看清，从而使该区域内的隐私信息也无法看清，达到对隐私进行保护的效果。其中，除了高斯模糊外，还可通过其他方式进行模糊化处理，本实施例对此不作限制。
116.在本实施例中，通过预设深度学习模型对车辆相关的原始环境数据进行目标检测，以确定所述原始环境数据中包含的隐私信息；根据所述隐私信息生成目标检测框；根据所述目标检测框进行模糊化处理，以对所述原始环境数据进行隐私信息清洗，得到候选环境数据。从而通过预设深度学习模型检测隐私信息，根据对应的目标检测框来模糊化隐私信息的方式，对原始环境数据进行隐私信息清洗，得到看不到隐私信息的候选环境数据，满足了隐私保护的相关要求，避免了环境数据中的隐私信息带来的隐私问题。
117.在一实施例中，所述检测框模块20，还用于根据所述隐私信息确定隐私信息区域，并根据所述隐私信息区域生成待选检测框；获取各待选检测框对应的置信度；将置信度大于预设置信度的待选检测框作为目标检测框。
118.在一实施例中，所述环境数据处理装置还包括有效数据筛选模块，用于获取所述车辆对应的组合惯导定位系统的定位信息；根据所述定位信息对所述候选环境数据进行有
效数据筛选，得到目标环境数据。
119.在一实施例中，所述有效数据筛选模块，还用于根据所述定位信息确定所述车辆的累计行驶距离；在所述累计行驶距离超过预设距离阈值时，根据所述定位信息确定有效时间范围；根据所述有效时间范围对所述候选环境数据进行有效数据筛选，得到目标环境数据。
120.在一实施例中，所述环境数据处理装置还包括数据标注模块，用于分别通过第一预设检测算法和第二预设检测算法对所述目标环境数据进行预标注，得到第一标注结果和第二标注结果；根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的交并比；根据所述交并比对所述目标环境数据进行排序。
121.在一实施例中，所述数据标注模块，还用于分别根据所述第一标注结果和所述第二标注结果确定各帧目标环境数据对应的第一标注框和第二标注框；计算所述第一标注框与所述第二标注框的重合面积和相并面积；根据所述重合面积和所述相并面积计算各帧目标环境数据对应的交并比。
122.在一实施例中，所述数据标注模块，还用于根据排序结果从所述目标环境数据中选取待调整环境数据；对所述待调整环境数据进行展示；在接收到用户根据展示的待调整环境数据输入的调整指令时，根据所述调整指令对所述待调整环境数据的标注进行调整。
123.在本发明所述环境数据处理装置的其他实施例或具体实现方法可参照上述各方法实施例，此处不再赘述。
124.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
125.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
126.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该估算机软件产品存储在如上所述的一个估算机可读存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台智能设备(可以是手机，估算机，环境数据处理设备，或者网络环境数据处理设备等)执行本发明各个实施例所述的方法。
127.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。