前言

在自动驾驶领域，摄像头采集的视频数据常包含行人面部、车牌、道路标识等敏感信息。随着《个人信息保护法》（PIPL）和GDPR等法规的实施，数据脱敏成为自动驾驶感知系统开发与测试中不可或缺的一环。传统的CPU软件脱敏方式在实时性和功耗上难以满足车载系统要求，因此需要充分利用GPU、VIC、NVENC、PVA等硬件引擎，实现高效、低延迟的图像隐私保护。本文通过NVIDIA实战营的学习，总结对不同硬件引擎的脱敏方案进行分析与对比，为自动驾驶场景下的安全合规数据处理提供实现参考。

-🫵 视频地址

数据脱敏简介

• 🚗什么是脱敏？
  去除辅助驾驶系统采集到的视频图像敏感信息（车牌、人脸），使得上传的数据符合法律要求。

• 例如：
  行人面部、衣着 → 属于个人生物特征
  车牌号 → 属于个人可识别信息

类别	示例	说明
人脸信息	行人、骑行者面部	高风险隐私信息
车牌信息	前后车牌、摩托车牌	可追溯车主身份
车身标志	品牌Logo、公司标识	可能暴露数据采集方
地理信息	GPS坐标、街道标志	可推测采集地点
建筑标识	门牌号、广告牌	暗含位置信息

未经脱敏上传或使用，可能构成违法❗。

总结来说：🔒
“让车学会开车，但不让它泄露个人隐私。”

法规与合规要求

主要相关法规有：

• 欧盟GDPR《通用数据保护条例》
• 加州CCPA《消费者隐私法案》
• 中国《个人信息保护法》／《数据安全法》／《汽车数据通用要求》

数据脱敏的一般处理方法

• 数据遮盖（Masking）：用符号替换部分敏感内容
• 数据扰动（Perturbation）：加噪、随机化或打乱原值
• 数据替换（Substitution）：用伪造或映射的值替换原数据
• 生成式替代：随着AIGC的兴起，个人认为这是数据脱敏的又一种方式

例如在人脸/车牌保护中可使用：模糊（高斯模糊、均值模糊、自定义滤波等） or 遮挡（叠加矩形框、马赛克）实现脱敏处理。

不同硬件引擎脱敏方案的实现比较

GPU：基于CUDA Kernel实现ROI区域遮挡/模糊处理

• 首先从Camera获取视频流到ISP，然后分成两路：一路到 CUDA Inference，一般会是在 GPU 上进行的图像感知等任务，例如输出 Bounding Box；另一路则把 Image Data 送入 Cameras Data Anonymization（CUDA）模块，进行像素级的处理，例如高斯模糊等。
• 该方案优点就是非常灵活，但是局限性也很明显：GPU资源在辅助系统中较为稀缺，各类感知和推理任务都需要依赖GPU运算能力。脱敏处理通常作为后处理环节，若直接部署在GPU上运行可能会影响核心任务的性能表现。
  因此在选择基于GPU的脱敏方案时，必须对整体GPU资源的使用情况进行严谨评估，确保脱敏任务不会挤占核心任务所需的计算资源。

基于VIC进行脱敏

VIC方案1：不对原图处理

• 假设有一个绿色的原图，存在两个需要脱敏的敏感区域（蓝色区域），此时可以将3个区域图像作为输入，设置一个目标区域（size和原图一样大），再使用VIC将这三个图像合并到一张图上，如图所示。即同时对多个ROI进行Overlay，对原图不影响。
  

VIC方案2：直接修改原图

• 区别于方案1，每次只对一个 ROI进行处理，并没有对原图的拷贝。如下图中第一幅图所示。再处理完第一个脱敏区域之后，在此基础上继续Overlay其他区域，如第二幅图所示。
• 可以连续提交错地的ROI后等待VIC完成后续处理
• 这种操作方式存在一个限制条件：当原图分辨率比较大（如3840×2160）效果比较限显著。

VIC方案3：直接在原图上叠加黑色块遮挡

• 可以使用NvMedia2DSetClipRect 接口在原图上覆盖黑色块

• 同样会修改原图
  

不同方案对比

• 方案脱敏延迟时间对比
  
• VIC使用率对比
  方案1:9.55%
  方案2:0.08%
  

基于NVENC脱敏

• ROI需要像素上对齐
• 脱敏流程：
  • 在H.264初始化阶段启用脱敏标志位
  • 在编码每一帧前设置该帧对应的需要脱敏ROI信息（ROI的位置数据）
  • 具体编程指南参考DOS6.0.10.0及以后版本的SDKDeveloperGuide
    

基于PVA脱敏

• PVA（可编程视觉加速器），可专门负责计算机视觉优化。
• 2个VPU可以并行处理多个任务，灵活度也很高。但是PVA算子需要自己开发。

	需要脱敏定制	不需要脱敏定制
不保留原图	VIC方案2； PVA；CUDA	NVENC (H.264)；VIC方案3
保留原图	VIC方案1	NVENC(H.264)；VIC方案1

总结

对比项	GPU	VIC	NVENC	PVA
脱敏方式	直接基于 CUDA/OpenCV 进行区域模糊、马赛克、遮挡	在帧合成阶段叠加 mask 或矩形填充（YUV域操作）	在编码前指定 ROI 区域掩码或通过 API 调整 ROI 编码质量（使敏感区模糊）	通过图像梯度、边缘特征定位敏感区域边界并输出掩码，交由 VIC/GPU 处理
处理阶段	后处理阶段（模型推理后）	图像流转换阶段（预编码或显示前）	视频编码阶段（压缩时处理）	视觉预处理阶段（检测阶段前）
延迟性能	延迟中等（需显存读写）	延迟极低（硬件流水线完成）	极低（在编码流水线中融合）	极低（用于前端特征检测）
适用任务	精细化模糊、纹理替换、基于模型的智能遮挡	简单矩形马赛克、全帧遮盖	实时视频流脱敏（边缘推理端传输前）	辅助检测敏感目标（如人脸、车牌）
可编程性	高（CUDA核编程）	低（API限制）	低（SDK接口有限）	中（可配置卷积、梯度核）
吞吐性能	高并行，适合批量帧或高分辨率	极快，适合低复杂度像素操作	与编码绑定，几乎无额外开销	极快，轻量预处理
典型实现方式	使用 CUDA/OpenCV + TensorRT 输出结果 + 模糊 mask 叠加	调用 NvMedia2DSetClipRect 或 VIC 硬件接口实现 ROI 区域填充	通过 NVENC ROI map 降低敏感区域质量	在 PVA 上运行 Sobel/角点检测算法辅助确定敏感区
典型应用节点	推理后后处理节点	视频管线的 ISP → VIC → Encoder 阶段	视频输出流（编码阶段）	视觉感知前端（检测阶段）