CN106803930A - 一种基于路由器的智能视频监控方法及智能路由器 - Google Patents
一种基于路由器的智能视频监控方法及智能路由器 Download PDFInfo
- Publication number
- CN106803930A CN106803930A CN201710074478.2A CN201710074478A CN106803930A CN 106803930 A CN106803930 A CN 106803930A CN 201710074478 A CN201710074478 A CN 201710074478A CN 106803930 A CN106803930 A CN 106803930A
- Authority
- CN
- China
- Prior art keywords
- video data
- router
- video
- module
- feature mapping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
本发明公开了一种基于路由器的智能视频监控方法,包括步骤:摄像装置采集视频数据并传送给路由器;路由器检测接收的视频数据,判断视频数据中是否存在隐私部分,若是,则路由器将视频数据中检测到的隐私部分进行模糊处理操作;否则进入步骤路由器将视频数据传播到网络中。本发明还提供了一种智能路由器,其特征在于,包括信息获取模块、检测模块、模糊处理模块、及信息发送模块,检测模块分别与信息获取模块、模糊处理模块相连,且信息发送模块分别与检测模块及模糊处理模块相连。本发明实施简单,只需要借助本地路由器进行监控,节约人力资源,降低网络视频人的参与度,从根源上控制不良视频流入到网络中。
Description
技术领域
本发明属于智能视频监控和通信领域,尤其涉及一种基于路由器的智能视频监控方法及智能路由器。
背景技术
生活中,摄像头的使用无处不在,随之引发了隐私泄露问题,尤其是在视屏网站中,借助摄像头进行直播的视频中,存在许多有意或无意泄露主播个人隐私的现象,这些带有负面影响的视频在网络中传播,造成不好的影响。
目前对视频中涉及个人隐私的处理主要是人为监控,存在不及时和成本消耗高的问题,并且处理手段简单粗暴,直接封号,不能从根本上解决问题。
现有技术中,申请号CN201310376849.4提供了一种物理处理方案:摄像头外侧设置可转动的弧形挡板,在摄像头不使用的使用可以方便的将摄像头挡住,避免遭到黑客攻击,非法盗用摄像头,能够非常有效的保护用户的隐私,当摄像头开始工作时,使用者可以非常直观的通过状态指示灯看到摄像头的工作状态,进一步增强了摄像头的安全性能,使用起来也更加方便。
另外,申请号CN201510233321.0中提供了一种图像识别方案:用户首先定义隐私内容并存储到隐私数据库中,在摄像头工作时,对摄像头图像传感器的输出图像信号进行图像预处理,对预处理后的图像与隐私数据库中的隐私内容作对比,当识别到图像中含有与隐私数据库中隐私内容相应的图像信息,采用计算机标准图像处理的方法进行处理,以满足用户保护隐私的需要,处理后的图像数据利用网络传送回服务器或者其它终端设备。
上述处理方案中,物理处理方案人为控制因素太多,不能方便有效地监控视频,在自愿传播视频的情况下,本方案失效。图像识别方案:需要用户手动设置,步骤繁琐,监控粒度完全取决于用户的喜好设定,不具有普遍适用性。同样本方案不能预防用户主动传播视频。
发明内容
本发明提供一种基于路由器的智能视频监控方法及智能路由器,用以解决现有技术中存在的如何有效避免传播的视频中有意或无意泄露隐私的问题。
本发明一种基于路由器的智能视频监控方法,包括:
S100摄像装置采集视频数据并传送给路由器;
S200所述路由器检测接收的所述视频数据,判断所述视频数据中是否存在隐私部分,若是,则进入步骤S300,否则进入步骤S400;
S300所述路由器将所述视频数据中检测到的所述隐私部分进行模糊处理操作,进入步骤S400;
S400所述路由器将所述视频数据传播到网络中。
本发明基于路由器实现视频监控,在视频还未上传到网络之前进行了监测,从根源上把控传播的视频是否泄漏了隐私,从而有效避免传播的视频中有意或无意泄漏隐私的问题。该方案节约人力资源,降低网络视频人的参与度,从根源上控制带有负面影响(例如裸露身体)的视频流入到网络中。方案实施步骤简单,只需要借助本地路由器进行监控和视频处理即可传播到网络中。
进一步地,所述步骤S200包括:
S210所述路由器接收到所述视频数据后将所述视频数据进行存储;
S220所述路由器检测所述视频数据中是否有人的存在;
S230当检测到所述视频数据中有人存在时,则进一步对所述视频数据进行身体裸露检测,
S240判断所述身体裸露部分是否存在隐私部分,若是,则进入步骤S300,否则进入步骤S400。
进一步地,所述步骤S230中,对所述视频数据进行身体裸露检测是采用训练过的卷积神经网络模型来对所述视频数据进行检测,具体包括:
S231将采样的视频数据作为卷积神经网络的输入;
S232通过n个可训练的滤波器对输入的视频数据进行卷积,卷积后在卷积层C1获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
S233将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个抽样层S2的特征映射图;m为正整数;
S234将所述抽样层的特征映射图进行滤波得到卷积层C3的特征映射图,;
S235再将卷积层C3层的特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得获得抽样层S4层的特征映射图,根据设定的卷积层数,重复多次滤波映射后,将所得的抽样层的特征映射图的像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,可以大型图像处理。卷积神经网络是近年发展起来,并引起广泛重视的一种高效识别方法。由于该网络避免了对图像的复杂前期预处理,可以直接输入原始图像,因而得到了更为广泛的应用。
进一步地,所述步骤S100包括:
S110摄像装置捕捉视频影像并将所述视频影像转换为数字信号,形成视频数据;
S120所述摄像装置将所述视频数据进行压缩打包,并添加摄像头视频标签;
S130所述摄像头装置将所述视频数据发送给路由器进行传播;
所述步骤S210包括:
S211所述路由器检测到带有摄像头视频标签的数据后进行拦截,在所述路由器的外接存储设备中进行缓存;
S212所述路由器将拦截的视频数据保存到路由器数据库中。
添加视频标签,便于路由器接收到数据后,将带有视频标签的视频数据进行检测,有助于提高工作效率,减轻路由器的工作量。
进一步地,所述步骤S120中,所述摄像装置采用Open-NI驱动程序将所述视频数据进行压缩打包;
所述步骤S212中,所述路由器通过工具OpenCV将拦截的视频数据保存到路由器数据库中;
所述步骤S220中,所述路由器采用另一训练过的卷积神经网络模型,利用InceptionV3检测所述视频数据中是否有人的存在;
所述步骤S300中,所述路由器使用视频编辑器对所述视频数据中检测到的所述隐私部分进行模糊处理操作。
Open-NI是现有的一种驱动程序,OpenNI分为3个组件,OpenNI的本身框架,算法分析的中间件,以及硬件模块组。
OpenCV的全称是:Open Source Computer Vision Library。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
InceptionV3作为一个图像分类模型,一个最重要的改进是分解(Factorization),将7x7分解成两个一维的卷积(1x7,7x1),3x3也是一样(1x3,3x1),这样的好处,既可以加速计算(多余的计算能力可以用来加深网络),又可以将1个conv拆成2个conv,使得网络深度进一步增加,增加了网络的非线性,还有值得注意的地方是网络输入从224x224变为了299x299,更加精细设计了35x35/17x17/8x8的模块。
进一步地,所述步骤S240包括:
S241判断所述通过训练的卷积神经网络模型获得的特征结果中,是否含有所述卷积神经网络训练学习的隐私特征部分,若是,则进入步骤S300,否则进入步骤S400。
本发明还包括一种智能路由器,该路由器能运用上述智能视频监控方法对视频数据进行监控。具体的,该智能路由器包括信息获取模块、检测模块、模糊处理模块、及信息发送模块,所述检测模块分别与所述信息获取模块、模糊处理模块相连,且所述信息发送模块分别与所述检测模块及模糊处理模块相连,其中:
所述信息获取模块接收摄像装置采集的视频数据;
所述检测模块检测所述信息获取模块接收的所述视频数据,判断所述视频数据中是否存在隐私信息;
当所述检测模块检测到获取的所述视频数据中存在隐私信息,则所述模糊处理模块将所述视频数据中检测到的所述隐私部分进行模糊处理操作,再通过所述信息发送模块将所述模糊处理后的视频数据传播到网络中;
当所述检测模块检测到获取的所述视频数据中不存在隐私信息,则所述信息发送模块将所述视频数据传播到网络中。
进一步地,还包括存储模块,所述存储模块分别与所述信息获取模块及检测模块相连,所述检测模块包括人体检测单元、隐私部分检测单元,所述人体检测单元与所述隐私部分检测单元相连,其中:
所述信息获取模块在接收到所述视频数据后通过所述存储模块将所述视频数据进行存储;
所述人体检测单元检测所述视频数据中是否有人的存在;
当所述人体检测单元检测到所述视频数据中有人存在时,则所述隐私部分检测单元对所述视频数据进行身体裸露检测,判断所述视频数据中是否存有隐私部分。
进一步地,所述隐私部分检测单元采是训练过的卷积神经网络模型检测单元,用来对所述视频数据进行检测,其中:
所述隐私部分检测单元将采样的视频数据作为卷积神经网络的输入;
所述隐私部分检测单元通过n个可训练的滤波器对输入的视频数据进行卷积,卷积后在卷积层C1获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
所述隐私部分检测单元将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个抽样层S2的特征映射图;m为正整数;
所述隐私部分检测单元将所述抽样层的特征映射图进行滤波得到卷积层C3的特征映射图;
所述隐私部分检测单元再将卷积层C3层的特征映射图按照步骤S233的方法获得抽样层S4层的特征映射图,根据设定的卷积层数,重复多次滤波映射后,将所得的抽样层的特征映射图的像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
进一步地,所述信息获取模块包括:接收单元、及与所述接收单元相连的判断单元;其中:
所述接收单元接收到视频数据后,通过所述判断单元判断所述视频数据是否带有摄像头视频标签;若否,则将所述视频数据传播到网络中,若是,则通过所述存储模块将所述视频数据存储到路由器数据库中,以便所述检测模块对所述视频数据进行检测。
本发明通过本地的路由器来对上传的视频进行监管,由于这些隐私信息或者不良信息是需要通过路由器来进行传播网络中,所以从路由器端更能有效控制这些隐私信息或者不良信息的扩散,路由器从源头进行监控把关,更早的遏制这些隐私信息或者不良信息的传播扩散。相对于从网络服务器监控而言,由于这些隐私信息或者不良信息还没有传播到网络,所以能有效控制。通过本发明节约了人力资源,降低网络视频人的参与度,从根源上控制视频中有意或无意泄露的隐私部分流入到网络中。此外,本发明方案实施步骤简单,只需要借助本地路由器进行监控和视频处理后即可传播到网络中。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于路由器的智能视频监控方法实施例流程图;
图2为本发明一种基于路由器的智能视频监控方法另一实施例流程图;
图3为本发明一种基于路由器的智能视频监控方法另一实施例中卷积神经网络检测处理视频数据流程图;
图4为本发明一种基于路由器的智能视频监控方法应用环境结构示意图;
图5为本发明一种基于路由器的智能视频监控方法另一实施例中卷积神经网络体系结构示范图;
图6为本发明一种基于路由器的智能视频监控方法另一实施例示意图;
图7为本发明一种智能路由器实施例框图;
图8为本发明一种智能路由器另一实施例框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明公开了一种基于路由器的智能视频监控方法,实施例一如图1所示,包括步骤:
S100摄像装置采集视频数据并传送给路由器;
S200所述路由器检测接收的所述视频数据,判断所述视频数据中是否存在隐私部分,若是,则进入步骤S300,否则进入步骤S400;
S300所述路由器将所述视频数据中检测到的所述隐私部分进行模糊处理操作,进入步骤S400;
S400所述路由器根据用户需求将所述视频数据传播到网络中。
本实施例从发布源头,即路由器端对拍摄的视频进行监测处理,防止将包含隐私部分的内容流入网络。这里的隐私部分可以包括人体的隐私、或者自定义的不愿公诸于众的内容。例如,现在直播乱象丛生,如果能从直播者发布视频网络之前便进行检测,防止将涉嫌不良信息的内容传播到网络中,则能对网络管理做出积极贡献,同时也节约了人力资源,降低网络视频人的参与度,从根源上控制带有负面影响(例如裸露身体)的视频流入到网络中。此外,方案实施步骤简单,只需要借助本地路由器进行监控和视频处理后即可传播到网络中。
本发明方法的另一实施例,如图2所示,具体包括:
S100摄像装置采集视频数据并传送给路由器;
S210所述路由器接收到所述视频数据后将所述视频数据进行存储;
S220所述路由器检测所述视频数据中是否有人的存在;
S230当检测到所述视频数据中有人存在时,则进一步对所述视频数据进行身体裸露检测,
S240判断所述身体裸露部分是否存在隐私部分,若是,则进入步骤S300,否则进入步骤S400。
S300所述路由器将所述视频数据中检测到的所述隐私部分进行模糊处理操作,进入步骤S400;
S400所述路由器根据用户需求将所述视频数据传播到网络中。
本方案通过路由器来对检测视频中是否包含人体隐私部分。具体的,路由器的检测部分分成了两个检测阶段,第一个检测阶段是检测视频中是否有人存在,有人存在的话才会进入第二个检测阶段,检测看该视频数据中是否裸露了身体的隐私部分。由于检测视频图像中是否有人比身体裸露检测要简单,相对而言更容易实现,数据处理少一些,因此,先检测视频图像中是否存在有人,如果没有人的话,也不会存在身体裸露隐私部分了,因此,如果拍摄的视频录像不包含人,也就不需要再进行后续的检测及处理了,则可以直接将这个视频数据传播到网络了。而如果检测到了含有人,那么就需要进行第二个阶段的检测。检测视频数据中是否存在裸露身体隐私部分,如果检测出来有,那么需要对该隐私部分进行模糊处理,或者打上马赛克之类,然后再将此视频数据上传到网络。
具体的,上述步骤S100包括:
S110摄像装置捕捉视频影像并将所述视频影像转换为数字信号,形成视频数据;
S120所述摄像装置将所述视频数据进行压缩打包,并添加摄像头视频标签;
S130所述摄像头装置将所述视频数据发送给路由器进行传播。
摄像头拍摄视频影像后将其转换成数字信号,形成视频数据,然后将视频数据打包,添加摄像头视频标签后再将此数据发送给路由器。添加标签的好处是,路由器可以根据标签识别出这个数据是摄像头拍摄的视频数据,属于待检测的数据,路由器不用对接收的所有数据进行检测,只需要对含有视频标签的视频数据进行检测即可,减轻了路由器的工作量,增强了工作效率。
上述步骤S210包括:路由器检测到带有摄像头视频标签的数据后进行拦截,在所述路由器的外接存储设备中进行缓存;所述路由器将拦截的视频数据保存到路由器数据库中。
上述步骤S220中,路由器先对视频数据进行人体检测,判断该视频数据中是否有人存在,如果没有人的话,肯定也不会存在裸露的人体隐私部分,因此也就不需要进行后续的检测。关于人体检测,可以运用现有的各种图像检测技术来进行目标(人)检测,图像检测,是指对图像进行处理、分析和理解,以检测各种不同模式的目标和对像的技术。当然,从视频图像中检测出是否有人,也可以通过一训练过的卷积神经网络来实现,这里的一训练过的卷积神经网络,是指该卷积神经网络已学习了大量包含人的图像,通过数据库中存储的大量人的图像,获得了人体的特征,得到能检测出人体的卷积神经网络模型。
在上述步骤S230中,对所述视频数据进行身体裸露检测是采用训练过的卷积神经网络模型来对所述视频数据进行检测,如图3所示,具体包括:
S231将采样的视频数据作为卷积神经网络的输入;
S232通过n个可训练的滤波器对输入的视频数据进行卷积,卷积后在卷积层C1获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
S233将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个抽样层S2的特征映射图;m为正整数;
S234将所述抽样层的特征映射图进行滤波得到卷积层C3的特征映射图;
S235再将卷积层C3层的特征映射图按照步骤S233的方法获得抽样层S4层的特征映射图,根据设定的卷积层数,重复多次滤波映射后,将所得的抽样层的特征映射图的像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
身体裸露检测,检测是否存在裸露的人体隐私部分。这一实现方案是通过训练过的卷积神经网络来实现的。这里的训练过的卷积神经网络是指通过学习过大量人体隐私部分图片获得人体隐私部分特征,得到了人体隐私部分的卷积神经网络识别模型。然后,利用该训练过的卷积神经网络则可对视频数据进行人体隐私部分检测,看是否存在人体隐私部分。
进一步的,在上述步骤S120中,所述摄像装置采用Open-NI驱动程序将所述视频数据进行压缩打包;
在上述步骤S212中,所述路由器通过工具OpenCV将拦截的视频数据保存到路由器数据库中;
在上述步骤S220中,所述路由器采用另一训练过的卷积神经网络模型,利用InceptionV3检测所述视频数据中是否有人的存在;
在上述步骤S300中,所述路由器使用视频编辑器对所述视频数据中检测到的所述隐私部分进行模糊处理操作。
较佳的,上述步骤S240包括:
S241判断所述通过训练的卷积神经网络模型获得的特征结果中,是否含有所述卷积神经网络训练学习的隐私特征部分,若是,则进入步骤S300,否则进入步骤S400。
本发明方法的另一实施例,当开启的摄像头检测到隐私敏感行为时,对视频做模糊处理。本发明采用基于卷积神经网络的方法来发现用户在日常生活中可能的暴露身体等隐私信息。本发明使用Tensorflow框架训练卷积神经网络,从而达到识别身体裸露的目的。
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,其命名来源于本身的运行原理。Tensor(张量)意味着N维数组,Flow(流)意味着基于数据流图的计算,TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域,对2011年开发的深度学习基础架构DistBelief进行了各方面的改进,它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源,任何人都可以用。
本发明的应用环境结构示意图如图4所示,在整个流程中,摄像头采集视频,通过路由器处理后,传播到网络中。
本实施例主要涉及两个步骤:
摄像头采集用户的视频数据并传送到路由器;
路由器检测从摄像头传过来的视频数据,若发现存在隐私泄露的信息,则进行模糊处理操作。
·视频采集过程:
摄像头捕捉视频影像并转换为数字信号;
通过Open-NI驱动程序进行数据压缩打包,添加摄像头视频标签,发送到与之相连的主机上,主机发送给路由器进行传播。
·视频处理过程:
路由器检测到带有摄像头视频标签的数据并将之拦截,在路由器外接存储设备中开辟一块存储空间用于暂时存储数据;
通过工具OpenCV将拦截的视频数据保存到路由器数据库当中;
采用训练过的卷积神经网络模型,利用工具Inception V3检测视频数据中是否有人,如果发现有人的存在,则需要进行下一步操作,对视频数据进行身体裸露检测处理。
卷积网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。这些良好的性能是网络在有监督方式下学会的,网络的结构主要有稀疏连接和权值共享两个特点,包括如下形式的约束:
1、特征提取。每一个神经元从上一层的局部接受域得到突触输人,因而迫使它提取局部特征。一旦一个特征被提取出来,只要它相对于其他特征的位置被近似地保留下来,它的精确位置就变得没有那么重要了。
2、特征映射。网络的每一个计算层都是由多个特征映射组成的,每个特征映射都是平面形式的。平面中单独的神经元在约束下共享相同的突触权值集,这种结构形式具有如下的有益效果:a.平移不变性。b.自由参数数量的缩减(通过权值共享实现)。
3、子抽样。每个卷积层后面跟着一个实现局部平均和子抽样的计算层,由此特征映射的分辨率降低。这种操作具有使特征映射的输出对平移和其他形式的变形的敏感度下降的作用。
卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。
如图5所示,输入参数是视频数据,中间处理过程包括数据特征提取和特征映射;三个可训练的滤波器对输入数据进行卷积计算,卷积后在C1层生成三个特征映射图;然后对特征映射图中每组的四个像素再进行求和、加权值和加偏置计算,通过一个Sigmoid函数得到三个S2层的特征映射图;这些映射图再进过滤波得到C3层;这个层级结构再和S2一样产生S4;以此往复多次滤波映射,最后,这些像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
一般地,C层为特征提取层,每个神经元的输入与前一层的局部感受野相连,并提取该局部的特征,一旦该局部特征被提取后,它与其他特征间的位置关系也随之确定下来;S层是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射为一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数,降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层(C-层)都紧跟着一个用来求局部平均与二次提取的计算层(S-层),这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。
裸露检测同样需要采用训练过的卷积神经网络模型来检测视频中人身体裸露部分,如果检测到身体裸露了隐私部分,则使用视频编辑器对检测到的人体裸露隐私部分进行模糊处理操作。具体示意图如图6所示。
本实施例节约了人力资源,降低网络视频人的参与度,从根源上控制带有负面影响(例如裸露身体)的视频流入到网络中。且方案实施步骤简单,只需要借助本地路由器进行监控和视频处理即可传播到网络中。
基于相同的技术构思,本发明实施例还提供一种智能路由器,该路由器可执行上述方法实施例。本发明实施例提供的路由器如图7所示。包括信息获取模块10、检测模块20、模糊处理模块30、及信息发送模块40,所述检测模块20分别与所述信息获取模块10、模糊处理模块30相连,且所述信息发送模块40分别与所述检测模块20及模糊处理模块30相连,其中:
所述信息获取模块10接收摄像装置采集的视频数据;
所述检测模块20检测所述信息获取模块10接收的所述视频数据,判断所述视频数据中是否存在隐私信息;
当所述检测模块20检测到获取的所述视频数据中存在隐私信息,则所述模糊处理模块30将所述视频数据中检测到的所述隐私部分进行模糊处理操作,再通过所述信息发送模块40将所述模糊处理后的视频数据传播到网络中;
当所述检测模块20检测到获取的所述视频数据中不存在隐私信息,则所述信息发送模块40将所述视频数据传播到网络中。
本实施例提供的智能路由器,能够智能识别出需要传播到网络的视频是否包含隐私部分。这里的隐私部分可以是身体私密部分,也可以是设置的不愿意或禁止公布到网络上的东西。同样的,用户待上传的照片,也同样可以通过该路由器进行监测,让网络环境更加安全和干净。由于这些隐私信息或者不良信息是需要通过路由器来进行传播网络中,所以,从路由器端更能有效控制这些隐私信息或者不良信息的扩散,路由器从源头进行监控把关,更早的遏制这些隐私信息或者不良信息的传播扩散。相对于从网络服务器监控而言,由于这些隐私信息或者不良信息还没有传播到网络,所以能有效监管到。而如果通过网络的服务器进行监管,由于已经传播到网络中的服务器了,也就是说已经通过路由器上传给网络中的服务器了,网络中已经存在此信息了,那么安全性降低了,扩散的概率会比较高,一旦被黑客攻陷,则极可能被扩散。
较佳的,本发明的另一实施例,在上述实施例基础上,还包括存储模块50,所述存储模块50分别与所述信息获取模块10及检测模块20相连,所述检测模块20包括人体检测单元21、隐私部分检测单元22,所述人体检测单元21与所述隐私部分检测单元22相连,其中:
所述信息获取模块10在接收到所述视频数据后通过所述存储模块50将所述视频数据进行存储;
所述人体检测单元21检测所述视频数据中是否有人的存在;
当所述人体检测单元21检测到所述视频数据中有人存在时,则所述隐私部分检测单元22对所述视频数据进行身体裸露检测,判断所述视频数据中是否存有隐私部分。
人体检测单元21检测视频图像中是否有人,当检测到有人存在时,再通过隐私部分检测单元22来检测是否存在裸露的人体隐私部分。如果人体检测单元21未检测到人的存在,那么也就不需要进行后续的人体隐私部分检测了。
较佳的,在上述实施例中,所述隐私部分检测单元22是训练过的卷积神经网络模型检测单元,用来对所述视频数据进行检测,其中:
所述隐私部分检测单元22将采样的视频数据作为卷积神经网络的输入;
所述隐私部分检测单元22通过n个可训练的滤波器对输入的视频数据进行卷积,卷积后在卷积层C1获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
所述隐私部分检测单元22将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个抽样层S2的特征映射图;m为正整数;
所述隐私部分检测单元22将所述抽样层的特征映射图进行滤波得到卷积层C3的特征映射图;
所述隐私部分检测单元22再将卷积层C3层的特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得获得抽样层S4层的特征映射图,根据设定的卷积层数,重复多次滤波映射后,将所得的抽样层的特征映射图的像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
隐私部分检测单元22采是训练过的卷积神经网络模型检测单元,这里训练过的卷积神经网络模型检测单元是指学习过大量身体隐私图像,提取了身体隐私特征,能够检测出图像中是否含有身体隐私特征的卷积神经网络身体隐私部分识别模型。当然,关于人体检测单元21,也同样可以采用训练过的卷积神经网络人体识别模型。
较佳的,在上述任一实施例中,所述信息获取模块10包括:接收单元11、及与所述接收单元11相连的判断单元12;其中:
所述接收单元11接收到视频数据后,通过所述判断单元12判断所述视频数据是否带有摄像头视频标签;若否,则将所述视频数据传播到网络中,若是,则通过所述存储模块50将所述视频数据存储到路由器数据库中,以便所述检测模块20对所述视频数据进行检测。
摄像头拍摄视频转换为数字信号后,添加视频标签,并压缩打包后发给路由器进行上传,路由器在接收到数据信息后,先判断该数据是否带有视频标签,如果带有视频标签的话,则说明该数据是摄像头拍摄的视频,需要进行检测。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于路由器的智能视频监控方法,其特征在于,包括步骤:
S100摄像装置采集视频数据并传送给路由器;
S200所述路由器检测接收的所述视频数据,判断所述视频数据中是否存在隐私部分,若是,则进入步骤S300,否则进入步骤S400;
S300所述路由器将所述视频数据中检测到的所述隐私部分进行模糊处理操作,进入步骤S400;
S400所述路由器将所述视频数据传播到网络中。
2.根据权利要求1所述的一种基于路由器的智能视频监控方法,其特征在于,所述步骤S200包括:
S210所述路由器接收到所述视频数据后将所述视频数据进行存储;
S220所述路由器检测所述视频数据中是否有人的存在;
S230当检测到所述视频数据中有人存在时,则进一步对所述视频数据进行身体裸露检测,
S240判断所述身体裸露部分是否存在隐私部分,若是,则进入步骤S300,否则进入步骤S400。
3.根据权利要求2所述的一种基于路由器的智能视频监控方法,其特征在于,所述步骤S230中,对所述视频数据进行身体裸露检测是采用训练过的卷积神经网络模型来对所述视频数据进行检测,具体包括:
S231将采样的视频数据作为卷积神经网络的输入;
S232通过n个可训练的滤波器对输入的视频数据进行卷积,卷积后在卷积层C1获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
S233将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个抽样层S2的特征映射图;m为正整数;
S234将所述抽样层的特征映射图进行滤波得到卷积层C3的特征映射图,;
S235再将卷积层C3层的特征映射图按照步骤S233的方法获得抽样层S4层的特征映射图,根据设定的卷积层数,重复多次滤波映射后,将所得的抽样层的特征映射图的像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
4.根据权利要求2所述的一种基于路由器的智能视频监控方法,其特征在于,
所述步骤S100包括:
S110摄像装置捕捉视频影像并将所述视频影像转换为数字信号,形成视频数据;
S120所述摄像装置将所述视频数据进行压缩打包,并添加摄像头视频标签;
S130所述摄像头装置将所述视频数据发送给路由器进行传播;
所述步骤S210包括:
S211所述路由器检测到带有摄像头视频标签的数据后进行拦截,在所述路由器的外接存储设备中进行缓存;
S212所述路由器将拦截的视频数据保存到路由器数据库中。
5.根据权利要求4所述的一种基于路由器的智能视频监控方法,其特征在于,
所述步骤S120中,所述摄像装置采用Open-NI驱动程序将所述视频数据进行压缩打包;
所述步骤S212中,所述路由器通过工具OpenCV将拦截的视频数据保存到路由器数据库中;
所述步骤S220中,所述路由器采用另一训练过的卷积神经网络模型,利用InceptionV3检测所述视频数据中是否有人的存在;
所述步骤S300中,所述路由器使用视频编辑器对所述视频数据中检测到的所述隐私部分进行模糊处理操作。
6.根据权利要求3所述的一种基于路由器的智能视频监控方法,其特征在于,所述步骤S240包括:
S241判断所述通过训练的卷积神经网络模型获得的特征结果中,是否含有所述卷积神经网络训练学习的隐私特征部分,若是,则进入步骤S300,否则进入步骤S400。
7.一种运用权利要求1-6任一项所述智能视频监控方法的智能路由器,其特征在于,包括信息获取模块、检测模块、模糊处理模块、及信息发送模块,所述检测模块分别与所述信息获取模块、模糊处理模块相连,且所述信息发送模块分别与所述检测模块及模糊处理模块相连,其中:
所述信息获取模块接收摄像装置采集的视频数据;
所述检测模块检测所述信息获取模块接收的所述视频数据,判断所述视频数据中是否存在隐私信息;
当所述检测模块检测到获取的所述视频数据中存在隐私信息,则所述模糊处理模块将所述视频数据中检测到的所述隐私部分进行模糊处理操作,再通过所述信息发送模块将所述模糊处理后的视频数据传播到网络中;
当所述检测模块检测到获取的所述视频数据中不存在隐私信息,则所述信息发送模块将所述视频数据传播到网络中。
8.根据权利要求7所述的一种智能路由器,其特征在于,还包括存储模块,所述存储模块分别与所述信息获取模块及检测模块相连,所述检测模块包括人体检测单元、隐私部分检测单元,所述人体检测单元与所述隐私部分检测单元相连,其中:
所述信息获取模块在接收到所述视频数据后通过所述存储模块将所述视频数据进行存储;
所述人体检测单元检测所述视频数据中是否有人的存在;
当所述人体检测单元检测到所述视频数据中有人存在时,则所述隐私部分检测单元对所述视频数据进行身体裸露检测,判断所述视频数据中是否存有隐私部分。
9.根据权利要求8所述的一种智能路由器,其特征在于,所述隐私部分检测单元采是训练过的卷积神经网络模型检测单元,用来对所述视频数据进行检测,其中:
所述隐私部分检测单元将采样的视频数据作为卷积神经网络的输入;
所述隐私部分检测单元通过n个可训练的滤波器对输入的视频数据进行卷积,卷积后在卷积层C1获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
所述隐私部分检测单元将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个抽样层S2的特征映射图;m为正整数;
所述隐私部分检测单元将所述抽样层的特征映射图进行滤波得到卷积层C3的特征映射图;
所述隐私部分检测单元再将卷积层C3层的特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得获得抽样层S4层的特征映射图,根据设定的卷积层数,重复多次滤波映射后,将所得的抽样层的特征映射图的像素值通过光栅化处理,并连接成一个向量输入到传统的神经网络,输出特征结果。
10.根据权利要求8-9任一项所述的一种智能路由器,其特征在于,所述信息获取模块包括:接收单元、及与所述接收单元相连的判断单元;其中:
所述接收单元接收到视频数据后,通过所述判断单元判断所述视频数据是否带有摄像头视频标签;若否,则将所述视频数据传播到网络中,若是,则通过所述存储模块将所述视频数据存储到路由器数据库中,以便所述检测模块对所述视频数据进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710074478.2A CN106803930A (zh) | 2017-02-10 | 2017-02-10 | 一种基于路由器的智能视频监控方法及智能路由器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710074478.2A CN106803930A (zh) | 2017-02-10 | 2017-02-10 | 一种基于路由器的智能视频监控方法及智能路由器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106803930A true CN106803930A (zh) | 2017-06-06 |
Family
ID=58987386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710074478.2A Pending CN106803930A (zh) | 2017-02-10 | 2017-02-10 | 一种基于路由器的智能视频监控方法及智能路由器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106803930A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590443A (zh) * | 2017-08-23 | 2018-01-16 | 上海交通大学 | 基于深度残差学习的限制级直播视频自动检测方法与系统 |
CN108235054A (zh) * | 2017-12-15 | 2018-06-29 | 北京奇虎科技有限公司 | 一种直播视频数据的处理方法和装置 |
CN109618139A (zh) * | 2019-01-10 | 2019-04-12 | 深圳市华金盾信息科技有限公司 | 一种基于视觉路由的智能视频监控系统及方法 |
CN110719402A (zh) * | 2019-09-24 | 2020-01-21 | 维沃移动通信(杭州)有限公司 | 图像处理方法及终端设备 |
CN111062859A (zh) * | 2018-10-17 | 2020-04-24 | 奇酷互联网络科技(深圳)有限公司 | 视频监控方法、移动终端以及存储介质 |
WO2020177337A1 (zh) * | 2019-03-01 | 2020-09-10 | 华南理工大学 | 一种基于目标检测的图像隐私保护方法和系统 |
CN111709859A (zh) * | 2019-11-23 | 2020-09-25 | 陈波 | 基于内容数据解析的证据保全平台 |
CN111866600A (zh) * | 2020-06-10 | 2020-10-30 | 北京沃东天骏信息技术有限公司 | 用于保护隐私的方法、装置和系统 |
CN112420214A (zh) * | 2019-08-21 | 2021-02-26 | 无锡祥生医疗科技股份有限公司 | 超声会诊远程分享方法、平台和系统 |
CN112633313A (zh) * | 2020-10-13 | 2021-04-09 | 北京匠数科技有限公司 | 一种网络终端的不良信息识别方法及局域网终端设备 |
CN112765204A (zh) * | 2021-02-04 | 2021-05-07 | 西安电子科技大学 | 基于神经网络预测rloc的方法、装置、设备及计算机存储介质 |
CN114979787A (zh) * | 2022-05-17 | 2022-08-30 | 北京量子之歌科技有限公司 | 一种直播回放管理方法、装置、设备及存储介质 |
WO2024032125A1 (zh) * | 2022-08-08 | 2024-02-15 | 惠州Tcl移动通信有限公司 | 摄像头监控方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1032811A (ja) * | 1996-07-15 | 1998-02-03 | Hitachi Denshi Ltd | 画像処理による侵入物体認識装置における基準画像作成方法 |
CN1767638A (zh) * | 2005-11-30 | 2006-05-03 | 北京中星微电子有限公司 | 一种保护隐私权的可视图像监控方法及其系统 |
CN103167216A (zh) * | 2011-12-08 | 2013-06-19 | 中国电信股份有限公司 | 图像遮蔽处理方法及系统 |
CN105049911A (zh) * | 2015-07-10 | 2015-11-11 | 西安理工大学 | 一种基于人脸识别的视频特效处理方法 |
CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
CN105550592A (zh) * | 2015-12-09 | 2016-05-04 | 上海斐讯数据通信技术有限公司 | 一种人脸图片的保护方法、系统及移动终端 |
-
2017
- 2017-02-10 CN CN201710074478.2A patent/CN106803930A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1032811A (ja) * | 1996-07-15 | 1998-02-03 | Hitachi Denshi Ltd | 画像処理による侵入物体認識装置における基準画像作成方法 |
CN1767638A (zh) * | 2005-11-30 | 2006-05-03 | 北京中星微电子有限公司 | 一种保护隐私权的可视图像监控方法及其系统 |
CN103167216A (zh) * | 2011-12-08 | 2013-06-19 | 中国电信股份有限公司 | 图像遮蔽处理方法及系统 |
CN105049911A (zh) * | 2015-07-10 | 2015-11-11 | 西安理工大学 | 一种基于人脸识别的视频特效处理方法 |
CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
CN105550592A (zh) * | 2015-12-09 | 2016-05-04 | 上海斐讯数据通信技术有限公司 | 一种人脸图片的保护方法、系统及移动终端 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590443A (zh) * | 2017-08-23 | 2018-01-16 | 上海交通大学 | 基于深度残差学习的限制级直播视频自动检测方法与系统 |
CN108235054A (zh) * | 2017-12-15 | 2018-06-29 | 北京奇虎科技有限公司 | 一种直播视频数据的处理方法和装置 |
CN111062859A (zh) * | 2018-10-17 | 2020-04-24 | 奇酷互联网络科技(深圳)有限公司 | 视频监控方法、移动终端以及存储介质 |
CN109618139A (zh) * | 2019-01-10 | 2019-04-12 | 深圳市华金盾信息科技有限公司 | 一种基于视觉路由的智能视频监控系统及方法 |
WO2020177337A1 (zh) * | 2019-03-01 | 2020-09-10 | 华南理工大学 | 一种基于目标检测的图像隐私保护方法和系统 |
CN112420214A (zh) * | 2019-08-21 | 2021-02-26 | 无锡祥生医疗科技股份有限公司 | 超声会诊远程分享方法、平台和系统 |
CN112420214B (zh) * | 2019-08-21 | 2023-11-21 | 无锡祥生医疗科技股份有限公司 | 超声会诊远程分享方法、平台和系统 |
CN110719402A (zh) * | 2019-09-24 | 2020-01-21 | 维沃移动通信(杭州)有限公司 | 图像处理方法及终端设备 |
CN111709859A (zh) * | 2019-11-23 | 2020-09-25 | 陈波 | 基于内容数据解析的证据保全平台 |
CN111866600A (zh) * | 2020-06-10 | 2020-10-30 | 北京沃东天骏信息技术有限公司 | 用于保护隐私的方法、装置和系统 |
WO2021249181A1 (zh) * | 2020-06-10 | 2021-12-16 | 北京沃东天骏信息技术有限公司 | 用于保护隐私的方法、装置和系统 |
CN112633313A (zh) * | 2020-10-13 | 2021-04-09 | 北京匠数科技有限公司 | 一种网络终端的不良信息识别方法及局域网终端设备 |
CN112633313B (zh) * | 2020-10-13 | 2021-12-03 | 北京匠数科技有限公司 | 一种网络终端的不良信息识别方法及局域网终端设备 |
CN112765204A (zh) * | 2021-02-04 | 2021-05-07 | 西安电子科技大学 | 基于神经网络预测rloc的方法、装置、设备及计算机存储介质 |
CN112765204B (zh) * | 2021-02-04 | 2023-04-07 | 西安电子科技大学 | 基于神经网络预测rloc的方法、装置、设备及计算机存储介质 |
CN114979787A (zh) * | 2022-05-17 | 2022-08-30 | 北京量子之歌科技有限公司 | 一种直播回放管理方法、装置、设备及存储介质 |
WO2024032125A1 (zh) * | 2022-08-08 | 2024-02-15 | 惠州Tcl移动通信有限公司 | 摄像头监控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106803930A (zh) | 一种基于路由器的智能视频监控方法及智能路由器 | |
CN108615071B (zh) | 模型测试的方法及装置 | |
WO2022083536A1 (zh) | 一种神经网络构建方法以及装置 | |
Mishra et al. | Modified ride-NN optimizer for the IoT based plant disease detection | |
KR102442844B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법(Method for Distinguishing a Real Three-Dimensional Object from a Two-Dimensional Spoof of the Real Object) | |
CN113688855A (zh) | 数据处理方法、联邦学习的训练方法及相关装置、设备 | |
WO2022105714A1 (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
WO2021051987A1 (zh) | 神经网络模型训练的方法和装置 | |
CN110245720A (zh) | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
CN110399908A (zh) | 基于事件型相机的分类方法和装置、存储介质、电子装置 | |
CN111797992A (zh) | 一种机器学习优化方法以及装置 | |
CN115081588A (zh) | 一种神经网络参数量化方法和装置 | |
CN113011562A (zh) | 一种模型训练方法及装置 | |
CN116188790A (zh) | 摄像头遮挡检测方法、装置、存储介质及电子设备 | |
CN116452810A (zh) | 一种多层次语义分割方法、装置、电子设备及存储介质 | |
Thesing et al. | What do AI algorithms actually learn?-On false structures in deep learning | |
Guo et al. | Multi-scale multi-attention network for moiré document image binarization | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
WO2023029559A1 (zh) | 一种数据处理方法以及装置 | |
Gurulakshmi et al. | Detection of Pests using Image Processing and Deep Learning | |
Zhang et al. | An interpretable intrusion detection method based on few-shot learning in cloud-ground interconnection | |
CN113256556A (zh) | 一种图像选择方法及装置 | |
CN111147443A (zh) | 一种基于风格迁移的网络威胁攻击特征统一量化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170606 |