行人隐私脱敏视觉检测节点

基于 YOLOv8n 的 ROS 2 视觉节点：加载一张静态测试图片，用目标检测模型找出画面中的行人， 对行人包围盒区域执行高斯模糊完成隐私脱敏，并把原图与脱敏图分别以压缩图像话题发布， 可在 rqt_image_view 中对比查看。

1. 任务目标

1. 节点内加载一张静态测试图片；
2. 使用 YOLOv8n 做目标检测，只保留行人类别（COCO 类别 id = 0）；
3. 对检出的行人包围盒区域做高斯模糊；
4. 发布两个 sensor_msgs/msg/CompressedImage 话题：
5. /image_raw/compressed：原始输入图像
6. /image_masked/compressed：行人区域模糊后的脱敏图像
7. 通过 launch 文件一键启动节点。

2. 验证环境

3. 功能包结构

src/chap5/privacy_mask/
├── launch/
│   └── privacy_mask.launch.py      # 启动文件
├── privacy_mask/
│   ├── __init__.py
│   ├── main.py                     # 可执行入口（console_scripts 指向此处）
│   └── privacy_mask_node.py        # 节点实现
├── resource/
│   ├── privacy_mask                # ament 资源索引标记文件
│   ├── test.png                    # 测试图片
│   └── yolov8n.pt                  # 模型权重，需自行下载后放入，见第 5 节
├── test/
│   └── test_flake8.py              # flake8 代码风格测试
├── package.xml
├── setup.cfg
└── setup.py

4. 依赖安装

# OpenCV 用系统包，避免 pip 版与 ROS 自带版本冲突
sudo apt install -y python3-opencv

# 推理库，使用国内镜像加速
pip install "ultralytics==8.3.*" "numpy<2" -i https://pypi.tuna.tsinghua.edu.cn/simple

说明：ultralytics 会同时安装 torch，首次安装体积较大；把 numpy 限制在 2.0 以下， 可以避免与 ROS 2、OpenCV 的 ABI 冲突。

5. 模型文件（构建前必须先完成）

仓库不提交模型权重，resource/yolov8n.pt 不在版本库中，因此默认流程是：先下载权重放进 resource/，再执行 colcon build，最后启动节点。跳过这一步会导致节点启动时退化为联网 自动下载，详见本节末尾的“备选方式”。

默认步骤

1. 下载 yolov8n.pt（约 6 MB）：

https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n.pt

1. 放到功能包的 resource/ 目录：

mv ~/Downloads/yolov8n.pt src/chap5/privacy_mask/resource/

1. 再执行 colcon build。setup.py 中的 glob("resource/*.pt") 会把权重安装到 share/privacy_mask/resource/，节点启动时直接从本地加载。

构建完成后可确认权重已被安装：

ls install/privacy_mask/share/privacy_mask/resource/
# 应同时看到 yolov8n.pt 与 test.png

备选方式

如果 resource/yolov8n.pt 缺失，load_model() 会打印 [WARN] 并回退为 YOLO("yolov8n.pt") 在线下载。这种方式可用，但存在以下代价，仅建议临时试用：

• 必须联网，离线环境会直接卡住、节点起不来；
• 实测冷启动到第一帧出图约 40–60 s，这段时间两个话题都没有数据；
• 权重下载到当前工作目录（不是 share 目录），换目录启动会重新下载。

已有权重文件时，也可以不改动包内容、直接用参数指定：

ros2 launch privacy_mask privacy_mask.launch.py model_path:=/path/to/yolov8n.pt

6. 构建与运行

先按第 5 节把 yolov8n.pt 放进 src/chap5/privacy_mask/resource/，然后：

cd ~/ros2_ws                     # 进入包含 src/ 的工作空间根目录
colcon build --packages-select privacy_mask
source install/setup.bash
ros2 launch privacy_mask privacy_mask.launch.py

另开一个终端查看图像：

source install/setup.bash
rqt_image_view

在 rqt_image_view 左上角下拉框中切换 /image_raw/compressed 与 /image_masked/compressed 两个话题，即可对比原始图像与脱敏结果。

启动成功的终端会打印如下日志：

[privacy_mask_node]: 图片：.../resource/test.png，模型：.../resource/yolov8n.pt，行人目标数：N，发布周期：0.1s

7. 参数

8. 效果图

原始输入图像见 src/chap5/privacy_mask/resource/test.png，不再在文档中重复存放同一张图。

用 YOLOv8n 离线推理得到的行人检测结果（用于说明检测环节的效果，节点本身只发布原图与脱敏图两个话题，不发布带框图像）：

节点发布的脱敏图像，行人区域已做高斯模糊：

9. 验证范围与限制

• 已验证：colcon build 通过，colcon test 中 flake8 代码风格检查通过；
• 已验证：节点正常启动，两个话题持续发布图像，行人区域被模糊；
• 已验证：按第 5 节先把 yolov8n.pt 放进 resource/ 再构建，离线环境下可直接启动；
• 未验证：真实相机视频流、多人重叠场景、不同分辨率与光照条件下的稳定性；
• 当前实现基于检测包围盒而非像素级分割，包围盒内的背景也会被一并模糊， 包围盒边缘可能出现矩形痕迹；
• 仅支持静态图片，不订阅相机话题，也不支持视频流输入；
• 图像在启动时完成推理与 JPEG 编码，定时器仅重复发布缓存数据并刷新时间戳， 因此话题频率由 publish_period 决定，不包含推理耗时。

10. 许可证

本包依赖的 Ultralytics YOLOv8 推理框架以 AGPL-3.0 发布。为与依赖许可证 保持一致，本包源代码同样采用 AGPL-3.0，详见 package.xml 与 setup.py 中的 license 字段。