基于头部骨骼点检测的实时人脸打码方法

doi:10.11772/j.issn.1001-9081.2025020246

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (2): 596-603.DOI: 10.11772/j.issn.1001-9081.2025020246

• 多媒体计算与计算机仿真 • 上一篇

基于头部骨骼点检测的实时人脸打码方法

黄萍¹(), 李清¹, 邱海枫¹, 王程斯¹, 黄安子¹, 张翔²

^1.深圳供电局有限公司，广东深圳 518001
^2.南京大学计算机学院，南京 210023

收稿日期:2025-03-12 修回日期:2025-06-05 接受日期:2025-06-09 发布日期:2025-06-10 出版日期:2026-02-10
通讯作者: 黄萍
作者简介:黄萍（1993—），女，广东韶关人，工程师，主要研究方向：电力系统建设与集成 Email:1021328790@qq.com
李清（1988—），女，湖南衡阳人，高级工程师，硕士，主要研究方向：电力信息系统开发
邱海枫（1981—），男，广东湛江，高级工程师，硕士，主要研究方向：输变电工程设计
王程斯（1986—），男，广东梅州人，高级工程师，硕士，主要研究方向：电力土建工程管理
黄安子（1980—），男，广东深圳人，高级工程师，硕士，主要研究方向：电力工程项目管理
张翔（1999—），男，江苏常熟人，硕士，主要研究方向：计算机视觉。

Real-time face blurring method based on head skeleton point detection

Ping HUANG¹(), Qing LI¹, Haifeng QIU¹, Chengsi WANG¹, Anzi HUANG¹, Xiang ZHANG²

^1.Shenzhen Power Supply Bureau Company Limited，Shenzhen Guangdong 518001，China
^2.School of Computer Science，Nanjing University，Nanjing Jiangsu 210023，China

Received:2025-03-12 Revised:2025-06-05 Accepted:2025-06-09 Online:2025-06-10 Published:2026-02-10
Contact: Ping HUANG
About author:HUANG Ping， born in 1993， engineer. Her research interests include power system construction and integration. Email:1021328790@qq.com
LI Qing， born in 1988， M. S.， senior engineer. Her research interests include power information system development.
QIU Haifeng， born in 1981， M. S.， senior engineer. His research interests include transmission and transformation engineering design.
WANG Chengsi， born in 1986， M. S.， senior engineer. His research interests include power civil engineering management.
HUANG Anzi， born in 1980， M. S.， senior engineer. His research interests include power project management.
ZHANG Xiang， born in 1999， M. S. His research interests include computer vision.

摘要/Abstract

摘要：

在电力监控场景中，人员行为的实时监控与分析对保障电力系统的安全稳定运行具有重要意义。然而，监控视频中的人脸信息若未经处理直接暴露将带来严重的隐私泄露风险。传统基于人脸检测的打码方法在复杂的电力环境下存在鲁棒性不足以及计算开销大等问题，难以满足人脸打码的精确性和实时性需求。针对上述问题，提出一种基于头部骨骼点检测的实时人脸打码方法。首先，设计一种基于分层处理策略的头部骨骼点轻量化检测框架，在压缩视频中快速定位人员区域，并在原始分辨率下拼接裁剪区域以批量检测所有人员的头部骨骼点，从而提升检测的效率与精度；其次，提出一种自适应帧间优化策略以利用帧差法快速检测人员数量的变化，并结合人员检测框追踪机制动态调整检测频率，有效减少冗余的计算开销；最后，在边缘节点搭建一套实时人脸打码的原型系统，并通过实验验证性能。实验结果表明，以KAPAO-S模型为例，所提方法相较于原始模型，对监控视频中人脸的打码准确率提高了3.6个百分点，每帧处理时间减少了约2.5 ms，兼顾精确性和实时性。

关键词: 人脸打码, 骨骼点检测, 轻量化, 实时, 视频监控

Abstract:

In power monitoring scenarios， real-time monitoring and analysis of personnel behavior are crucial for ensuring the safe and stable operation of power systems. However， directly exposing facial information in monitoring videos without proper processing poses serious privacy risks. Traditional face detection-based blurring methods face challenges such as insufficient robustness and high computational costs in complex power environments， making them hard to meet both accuracy and real-time requirements. To address these issues， a real-time face blurring method based on head skeleton point detection was proposed. Firstly， a lightweight head skeleton point detection framework based on a hierarchical processing strategy was designed to locate personnel regions in compressed videos rapidly and stitch the cropped areas at original resolution to batch-detect head skeleton points of all the people， thus improving detection efficiency and accuracy. Secondly， an adaptive inter-frame optimization strategy was introduced， to use frame differencing to detect changes in the number of personnel quickly and adjust detection frequency dynamically by incorporating a tracking mechanism for personnel detection boxes， thereby reducing redundant computational overhead effectively. Finally， a prototype system for real-time face blurring was constructed on edge nodes， and its performance was validated through experiments. Experimental results indicate that taking the KAPAO-S model as an example， the proposed method improves the face blurring accuracy in monitoring videos by 3.6 percentage points and reduces the processing time per frame by 2.5 ms approximately compared to the original model， thereby ensuring accuracy and real-time performance at the same time.

Key words: face blurring, skeleton point detection, lightweighting, real-time, video monitoring

中图分类号:

TP391.4

黄萍, 李清, 邱海枫, 王程斯, 黄安子, 张翔. 基于头部骨骼点检测的实时人脸打码方法[J]. 计算机应用, 2026, 46(2): 596-603.

Ping HUANG, Qing LI, Haifeng QIU, Chengsi WANG, Anzi HUANG, Xiang ZHANG. Real-time face blurring method based on head skeleton point detection[J]. Journal of Computer Applications, 2026, 46(2): 596-603.

图/表 13

图1 系统框架

Fig. 1 System framework

图2 不同图像分辨率下不同姿态估计模型的性能比较

Fig. 2 Performance comparison of different pose estimation models at various image resolutions

图3 不同姿态估计模型的性能比较

Fig. 3 Performance comparison of different pose estimation models

图4 基于分层处理的骨骼点检测

Fig. 4 Skeleton point detection based on hierarchical processing

图5 局部检测框生成

Fig. 5 Generation of local detection boxes

图6 裁剪后的图片拼接

Fig. 6 Image stitching after cropping

图7 人数变化检测

Fig. 7 Detection of change in number of people

图8 优化的头部骨骼点检测流程

Fig. 8 Optimized flow for head skeleton point detection

图9 像素模糊方法的示意图

Fig. 9 Schematic diagram of pixel blurring method

图10 整体性能比较

Fig. 10 Overall performance comparison

图11 动态跳帧策略的影响

Fig. 11 Impact of dynamic frame-skipping strategy

图12 局部检测框重生成时机的影响

Fig. 12 Impact of time of re-generating local detection boxes

图13 检测模型输入尺寸的影响

Fig. 13 Impact of detection model input size

参考文献 24

[1]	VIOLA P， JONES M J. Robust real-time face detection［J］. International Journal of Computer Vision， 2004， 57（2）： 137-154.
[2]	DHIVAKAR B， SRIDEVI C， SELVAKUMAR S， et al. Face detection and recognition using skin color［C］// Proceedings of the 3rd International Conference on Signal Processing， Communication and Networking. Piscataway： IEEE， 2015： 1-7.
[3]	ZHANG K， ZHANG Z， LI Z， et al. Joint face detection and alignment using multitask cascaded convolutional networks［J］. IEEE Signal Processing Letters， 2016， 23（10）： 1499-1503.
[4]	DENG J， GUO J， VERVERAS E， et al. RetinaFace： single-shot multi-level face localisation in the wild［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 5202-5211.
[5]	谢金衡，张炎生. 基于深度残差和特征金字塔网络的实时多人脸关键点定位算法［J］. 计算机应用， 2019， 39（12）： 3659-3664.
	XIE J H， ZHANG Y S. Real-time multi-face landmark localization algorithm based on deep residual and feature pyramid neural network［J］. Journal of Computer Applications， 2019， 39（12）： 3659-3664.
[6]	任海培，李腾. 面向移动平台人脸检测的FaceYoLo算法［J］. 计算机应用， 2020， 40（4）： 1002-1008.
	REN H P， LI T. FaceYoLo algorithm for face detection on mobile platform［J］. Journal of Computer Applications， 2020， 40（4）： 1002-1008.
[7]	YU Z， HUANG H， CHEN W， et al. YOLO-FaceV2： a scale and occlusion aware face detector［J］. Pattern Recognition， 2024， 155： No.110714.
[8]	GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448.
[9]	龚锐，丁胜，章超华，等. 基于深度学习的轻量级和多姿态人脸识别方法［J］. 计算机应用， 2020， 40（3）： 704-709.
	GONG R， DING S， ZHANG C H， et al. Lightweight and multi-pose face recognition method based on deep learning［J］. Journal of Computer Applications， 2020， 40（3）： 704-709.
[10]	SUN K， XIAO B， LIU D， et al. Deep high-resolution representation learning for human pose estimation［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 5686-5696.
[11]	FANG H S， LI J， TANG H， et al. AlphaPose： whole-body regional multi-person pose estimation and tracking in real-time［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（6）： 7157-7173.
[12]	DUAN H， ZHAO Y， CHEN K， et al. Revisiting skeleton-based action recognition［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 2959-2968.
[13]	DUAN H， WANG J， CHEN K， et al. PYSKL： towards good practices for skeleton action recognition［C］// Proceedings of the 30th ACM International Conference on Multimedia. New York： ACM， 2022： 7351-7354.
[14]	CAO Z， SIMON T， WEI S E， et al. Realtime multi-person 2D pose estimation using part affinity fields［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1302-1310.
[15]	JIN S， XU L， XU J， et al. Whole-body human pose estimation in the wild［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12354. Cham： Springer， 2020： 196-214.
[16]	NGUYEN V N， GROUEIX T， SALZMANN M， et al. GigaPose： fast and robust novel object pose estimation via one correspondence［C］// Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2024： 9903-9913.
[17]	WEN B， YANG W， KAUTZ J， et al. FoundationPose： unified 6D pose estimation and tracking of novel objects［C］// Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2024： 17868-17879.
[18]	南京大学. 基于两阶段人体骨骼点检测的人脸视频打码系统及方法： 202410536206.X［P］. 2024-08-06.
	Nanjing University. Face video blurring system and method based on two-stage human skeleton point detection： 202410536206.X［P］. 2024-08-06.
[19]	McNALLY W， VATS K， WONG A， et al. Rethinking keypoint representations： modeling keypoints and poses as objects for multi-person human pose estimation［C］// Proceedings of the 2022 European Conference on Computer Vision， LNCS 13666. Cham： Springer， 2022： 37-54.
[20]	LIN T Y， MAIRE M， BELONGIE S， et al. Microsoft COCO： common objects in context［C］// Proceedings of the 2014 European Conference on Computer Vision， LNCS 8693. Cham： Springer， 2014： 740-755.
[21]	LIU H， CHEN Q， TAN Z， et al. Group Pose： a simple baseline for end-to-end multi-person pose estimation［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 14983-14992.
[22]	YANG J， ZENG A， LIU S， et al. Explicit box detection unifies end-to-end multi-person pose estimation［EB/OL］. ［2024-11-13］..
[23]	ANDRILUKA M， IQBAL U， INSAFUTDINOV E， et al. PoseTrack： A benchmark for human pose estimation and tracking［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 5167-5176.
[24]	MAJI D， NAGORI S， MATHEW M， et al. YOLO-Pose： enhancing YOLO for multi person pose estimation using object keypoint similarity loss［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2022： 2636-2645.

基于头部骨骼点检测的实时人脸打码方法

Real-time face blurring method based on head skeleton point detection

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 24

相关文章 15

编辑推荐

Metrics

[1]	曹柠, 温昕, 郝雁嵘, 曹锐. 多域特征融合的轻量化运动想象脑电信号解码神经网络[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 289-296.
[2]	崔家礼, 刘永基, 李子贺, 郑瀚. 轻量且高精度增强的姿态检测网络HG-YOLO[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 4004-4011.
[3]	邓酩, 徐锦凡, 肖洪祥, 谢晓兰. 改进TransUNet的高效通道注意力医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 4037-4044.
[4]	李卓然, 李华, 王桐, 蒋朝哲. 基于融合特征状态空间模型的轻量化人体姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3179-3186.
[5]	文连庆, 陶冶, 田云龙, 牛丽, 孙宏霞. 基于流的轻量化高质量文本到语音转换方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3277-3283.
[6]	张勇进, 徐健, 张明星. 面向轻量化的改进YOLOv7棉杂检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2271-2278.
[7]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[8]	程小辉, 黄云天, 张瑞芳. 基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1927-1934.
[9]	邓亚平, 李迎江. YOLO算法及其在自动驾驶场景中目标检测综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1949-1958.
[10]	耿焕同, 刘振宇, 蒋骏, 范子辰, 李嘉兴. 基于改进YOLOv8的嵌入式道路裂缝检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1613-1618.
[11]	宋霄罡, 张冬冬, 张鹏飞, 梁莉, 黑新宏. 面向复杂施工环境的实时目标检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1605-1612.
[12]	黄子杰, 欧阳, 江德港, 郭彩玲, 李柏林. 面向牵引座焊缝表面质量检测的轻量型深度学习算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 983-988.
[13]	张成涵宇, 林钰哲, 谭程珂, 王俊帆, 顾烨婷, 董哲康, 高明煜. 基于轻量化YOLOv5的新型菜品识别网络[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 638-644.
[14]	陈姿芊, 牛科迪, 姚中原, 斯雪明. 适用于物联网的区块链轻量化技术综述[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3688-3698.
[15]	赵欣, 李鑫杰, 徐健, 刘步云, 毕祥. 基于卷积神经网络与Transformer并行的医学图像配准模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3915-3921.