CN112904437B - 基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置 - Google Patents
基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置 Download PDFInfo
- Publication number
- CN112904437B CN112904437B CN202110048518.2A CN202110048518A CN112904437B CN 112904437 B CN112904437 B CN 112904437B CN 202110048518 A CN202110048518 A CN 202110048518A CN 112904437 B CN112904437 B CN 112904437B
- Authority
- CN
- China
- Prior art keywords
- target
- detected
- preset
- detection
- exists
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Emergency Alarm Devices (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种基于隐私保护的隐藏组件的检测方法及隐藏组件的检测装置,所述方法包括:获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述判断模型为基于历史目标数据对预设机器学习算法进行训练得到;基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置。
背景技术
随着现代无线偷拍、窃听技术的不断发展,用于窃取人们隐私信息的组件(如摄像头、麦克风等)越来越多,个人隐私泄露事件频频发生,如何对私密场所是否存在用于窃取隐私信息的组件进行检测成为人们关注的焦点。
目前,以偷拍摄像头为例,工作人员可以通过手持可见光反光检测设备,对待检测区域内是否存在用于窃取隐私信息的偷拍摄像头进行检测,例如,工作人员可以通过手持可见光反光检测设备,在待检测区域内发出可见光,并人工观察待检测区域内是否有反光点,如果存在反光点,则可以人工确认该反光点是否为偷拍摄像头。但是,上述人工检测的方式,在待检测区域大,数量多的情况下,会导致检测效率低,且人工检测的范围有限,检测的准确性差。因此,需要提供一种更高检测效率和准确性的组件检测方案。
发明内容
本说明书实施例的目的是提供一种基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置,以提供一种能提高检测效率和准确性的组件检测方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供的一种基于隐私保护的隐藏组件的检测方法,所述方法包括:获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
第二方面,本说明书实施例提供了一种隐藏组件检测装置,所述隐藏组件检测装置包括旋转模块、数据获取模块和处理器,所述旋转模块,用于基于预设旋转角度旋转所述数据获取模块;所述数据获取模块,用于获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;所述处理器,用于基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到。
第三方面,本说明书实施例提供了一种基于隐私保护的隐藏组件的检测装置,所述装置包括:数据获取模块,用于获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;组件确定模块,用于基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;数据处理模块,用于基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
第四方面,本说明书实施例提供了一种基于隐私保护的隐藏组件的检测设备,所述基于隐私保护的隐藏组件的检测设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
第五方面,本说明书实施例提供一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,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为本说明书一种基于隐私保护的隐藏组件的检测方法实施例的流程图;
图2为本说明书一种基于隐私保护的隐藏组件的检测方法实施例的采样点示意图;
图3为本说明书一种基于隐私保护的隐藏组件的检测方法实施例的空间结构示意图;
图4为本说明书又一种基于隐私保护的隐藏组件的检测方法实施例的流程图;
图5为本说明书一种隐藏组件检测装置的装置实施例的结构示意图;
图6为本说明书一种基于隐私保护的隐藏组件的检测装置实施例的结构示意图;
图7为本说明书一种基于隐私保护的隐藏组件的检测设备的结构示意图。
具体实施方式
本说明书实施例提供一种基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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他实施例,都应当属于本说明书保护的范围。
实施例一
如图1所示,本说明书实施例提供一种基于隐私保护的隐藏组件的检测方法,该方法的执行主体可以为隐藏组件检测装置、终端设备或服务器,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群,该终端设备或服务器可以与隐藏组件检测装置相连接。该方法具体可以包括以下步骤:
在S102中,获取待检测区域内预设采样点对应的目标数据。
其中,待检测区域可以是任意可能存在隐私信息泄露风险的区域,如公共更衣室、出租屋、公共卫生间等,目标数据可以包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,例如,目标数据可以包括采样点对应的预设检测范围内的图像信息,可以根据图像信息与预设组件信息进行匹配,以确定采样点对应的预设检测范围内是否存在目标组件,检测范围可以是以采样点为中心,基于预设检测距离(如0.3米、0.5米等)确定的检测范围,目标组件可以是任意能够采集用户隐私信息的组件,如目标组件可以是能够采集用户隐私图像的摄像头、或者是能够采集用户隐私音频数据的麦克风等。
在实施中,随着现代无线偷拍、窃听技术的不断发展,用于窃取人们隐私信息的组件(如摄像头、麦克风等)越来越多,个人隐私泄露事件频频发生,如何对私密场所是否存在用于窃取隐私信息的组件进行检测成为人们关注的焦点。
目前,以偷拍摄像头为例,工作人员可以通过手持可见光反光检测设备,对待检测区域内是否存在用于窃取隐私信息的偷拍摄像头进行检测,例如,工作人员可以通过手持可见光反光检测设备,在待检测区域内发出可见光,并人工观察待检测区域内是否有反光点,如果存在反光点,则可以人工确认该反光点是否为偷拍摄像头。但是,上述人工检测的方式,需要工作人员通过手持预定设备进行数据的获取,并通过人工判断的方式,确定是否存在偷拍组件,在待检测区域大,数量多的情况下,人工检测的方式就会导致检测效率低,且人工检测的范围有限,所以人工检测的方式的准确性差。为此,本说明书实施例提供一种技术方案,具体可以参见下述内容。
在待检测区域内可以预设多个采样点,可以通过隐藏组件检测装置获取每个采样点对应的目标数据。例如,如图2所示,以待检测区域为某公共空间(如公共卫生间、商场更衣室为例)的除天花板和地板外的四面墙中任意一面墙为例,可以根据预设检测距离(如水平方向相邻两采样点之间间隔可以为0.5米,垂直方向相邻两采样点之间间隔可以为0.5米),设定采样点,通过上述采样点可以形成点云,然后通过隐藏组件检测装置针对上述点云中的每个采样点,获取对应的目标数据。
或者,隐藏组件检测装置可以将采集到的目标数据发送给终端设备或服务器,即终端设备或服务器可以获取待检测区域内预设采样点对应的目标数据。
此外,上述采样点的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,如可以根据待检测区域的面积的大小,确定对应的检测距离,并通过检测距离,确定对应的采样点,或者,还可以根据待检测区域的安全需求等级,确定对应的检测距离,并通过检测距离,确定对应的采样点进而形成点云,采样点的确定方法可以根据实际应用场景的不同而有所不同,本发明实施例对此不做具体限定。
在S104中,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件。
其中,检测模型可以为基于历史目标数据对预设机器学习算法进行训练得到,机器学习算法可以是任意能够用于确定目标组件的算法,如神经网络算法、决策树算法、贝叶斯算法等,历史目标数据可以是预设时间周期内获取的用于判断是否存在目标组件的数据。
在实施中,以目标数据包括采样点对应的预设检测范围内的图像信息为例,检测模型可以是基于历史图像信息对神经网络算法进行训练得到的模型,可以将获取到的目标数据输入预先训练的检测模型,以基于训练后的检测模型确定预设采样点对应的预设检测范围内是否存在目标组件。
上述是以目标数据包括采样点对应的预设检测范围内的图像信息、检测模型为基于神经网络算法进行训练得到的模型为例,在实际应用场景中,目标数据可以包含任意一个或多个不同的用于确定目标组件的数据,对于不同的目标数据,可以对应有不同的检测模型,即目标组件的确定方法可以根据实际应用场景的不同而有所不同,本发明实施例对此不作具体限定。
在S106中,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。
在实施中,空间模型的构建方法可以有多种,隐藏组件检测装置中可以配置有多个不同的预设传感器(如测距传感器、互补金属氧化物导体(Complementary Metal-Oxide-Semiconductor,CMOS)传感器)等,可以通过这些传感器采集的数据(如某些空间点及其位置坐标等),基于传感器采集的空间点,形成该空间点构成的点云,并可以通过点云中每个空间点的位置坐标等信息构建待检测区域的空间轮廓,通过模型优化和数据优化处理,最终可以构建出与待检测区域对应的空间模型,例如,可以通过测距传感器,采集每个预设采样点在待检测区域内的位置信息,通过CMOS传感器采集每个预设采样点对应的颜色信息,然后基于每个采样点的位置信息,构建与待检测区域对应的三维模型(即构建对待检测区域对应的空间轮廓),然后基于每个采样点的颜色信息,对构建的三维模型进行颜色渲染,以得到能够满足用户人眼辨识度度需求的空间模型。
另外,待检测区域内还可以包括多个物体(如沙发、床、桌子等),可以通过隐藏组件检测装置中的测距传感器和COMS传感器,获取这些物体的位置信息和颜色信息,在空间模型中进行标注,例如,可以通过传感器采集这些物体的空间点,形成该空间点构成的点云,并可以通过点云中每个物体对应空间点的位置信息、颜色信息等,在待检测区域对应的空间模型中进行标注,另外,还可以将这些物体作为采样点,并通过隐藏组件检测装置获取这些采样点的目标数据,以判断这些物体中是否存在目标组件。
在构建完成与待检测区域对应的空间模型后,在检测到待检测区域内存在目标组件的情况下,可以获取目标组件在空间模型中的位置信息,如图3所示,可以基于目标组件的位置信息,在空间模型中以预设显示模式(如高亮显示)进行突出显示。
此外,还可以在空间模型中记录目标组件所在的采样点,以在接收到数据查询请求时,可以将目标组件在待检测区域中的位置信息发送给对应的组件处理服务器进行相应的处理(如复查处理、反制处理等)。
另外,还可以在目标组件的数量大于预设数量阈值的情况下,输出预设报警信息。
本说明书实施例提供一种基于隐私保护的隐藏组件的检测方法,通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
实施例二
如图4所示,本说明书实施例提供一种基于隐私保护的隐藏组件的检测方法,该方法的执行主体可以为隐藏组件检测装置、终端设备或服务器,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群,该终端设备或服务器可以与隐藏组件检测装置相连接。该方法具体可以包括以下步骤:
在S402中,获取待检测区域内预设采样点对应的目标数据。
其中,目标数据可以包括图像信息、第一检测结果、第二检测结果和第三检测结果中的一个或多个,图像信息可以为预设采样点对应的预设检测范围内的图像信息,第一检测结果可以为对预设采样点对应的预设检测范围内是否存在超过预设温度的发热点进行检测的结果,第二检测结果可以为对预设采样点对应的预设检测范围内是否存在信号源进行检测的结果,第三检测结果可以为对预设采样点对应的预设检测范围内是否存在红外线光源进行检测的结果。
在实施中,隐藏组件检测装置可以配置有多个传感器,用于获取不同的目标数据,例如,隐藏组件检测装置可以配置有CMOS传感器、红外传感器、热成像传感器以及定向天线等传感器中的一个或多个,其中,CMOS传感器可以用于获取预设采样点对应的预设检测范围内的图像信息,红外传感器可以同于确定预设采样点对应的预设检测范围内是否存在红外线光源,热成像传感器可以获取预设采样点对应的预设检测范围内的温度信息。
此外,除上述传感器外,隐藏组件检测装置还可以配置有多个其他不同的传感器,具体的传感器可以根据实际应用场景的不同而有所不同,本发明实施例对此不做具体限定。
在S404中,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件。
在S406中,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。
上述S404~S406的具体处理过程可以参见上述实施例一中S104~S106的相关内容,在此不再赘述。
在S408中,在检测到待检测区域内存在目标组件的情况下,基于预设反制处理策略,对目标组件进行反制处理,以避免用户的个人隐私泄露。
其中,反制处理策略可以包括第一处理策略和第二处理策略中的一个或多个,第一处理策略可以为基于位置信息,针对目标组件发出预定强度的干扰光线,干扰光线可以包括红外光和/或激光,第二处理策略可以为基于位置信息,针对目标组件发出预设频率的干扰信号,以使目标组件无法传输用户的隐私信息。
在实施中,在实际应用中,上述S408的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤二处理。
步骤一,在检测到待检测区域内存在目标组件的情况下,获取目标组件在待检测区域内的位置信息。
在实施中,隐藏组件检测装置中可以配置有测距组件(如激光雷达),可以通过测距组件,获取目标组件在待检测区域内的位置信息。
步骤二,基于预设反制处理策略和位置信息,对目标组件进行反制处理。
在实施中,可以通过预设反制组件,或隐藏组件检测装置中配置的反制组件,对目标组件进行反制处理,可以基于反制组件,确定对应的反制处理策略。
例如,如果反制组件为红外强光源发射装置,则对应的反制处理策略可以为第一处理策略,即通过红外强光源基于位置信息,针对目标组件发出预定强度的红外光,以使目标组件无法正常采集用户的隐私信息(如目标组件采集到的用户图像为白化图像)。
或者,如果反制组件为激光源发射装置,则对应的反制处理策略也可以为第一处理策略,即通过激光源基于位置信息,针对目标组件发出预定强度的激光,即通过激光烧毁目标组件,以使目标组件无法正常采集用户的隐私信息。
又或者,如果反制组件为信号发射装置,则对应的反制处理策略也可以为第二处理策略,即可以通过信号发射装置(如定向天线等),基于位置信息,针对目标组件发出预设频率的干扰信号。
此外,还可以根据待检测区域对应的安全需求等级,确定对应的反制处理策略,如待检测区域的安全需求等级高于预设需求等级,则对应的反制处理策略可以是基于位置信息,针对目标组件发出预定强度的激光的第一处理策略,如果待检测区域的安全需求等级不高于预设需求等级,则对应的反制处理策略可以是基于位置信息,针对目标组件发出预定强度的红外光的第一处理策略和/或于位置信息,针对目标组件发出预设频率的干扰信号的第二处理策略。
上述反制处理策略的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本发明实施例对此不作具体限定。
另外,隐藏组件检测装置在确定待检测区域内存在目标组件的情况下,可以将构建的空间模型以及目标组件在空间模型中的位置信息发送给预设处理设备,并在接收到预设处理设备的反制处理策略的情况下,基于反制处理策略和位置信息,对目标组件进行反制处理。
或者,终端设备在确定待检测区域内存在目标组件的情况下,可以基于确定的反制处理策略,通过预设反制组件,基于目标组件的位置信息,对目标组件进行反制处理。
本说明书实施例提供一种基于隐私保护的隐藏组件的检测方法,通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
实施例三
以上为本说明书实施例提供的数据的基于隐私保护的隐藏组件的检测方法,基于同样的思路,本说明书实施例还提供一种隐藏组件检测装置,该隐藏组件检测装置包括旋转模块、数据获取模块和处理器,
旋转模块,可以用于基于预设旋转角度旋转数据获取模块。在实际应用场景中,可以将隐藏组件检测装置放置在待检测区域内,隐藏组件检测装置可以通过旋转模块,旋转数据获取模块,以使隐藏组件检测装置可以通过数据获取模块自动获取到待检测区域内所有预设采样点对应的目标数据,这样,就可以避免人工检测方式存在的检测范围较小,无法准确覆盖待检测区域的问题。
此外,人工手持检测设备的方式也存在安全性低的问题,例如,如果待检测区域内存在目标组件,那么,当工作人员手持检测设备进入待检测区域时,目标组件的控制人员就会获取到工作人员的隐私信息(如工作人员的人脸图像等),这就存在工作人员隐私信息泄露的风险,而通过旋转模块旋转数据获取模块进行目标数据的采集,就可以避免工作人员的隐私信息泄露,提高检测的安全性。
其中,预设旋转角度可以是根据待检测区域的面积大小、安全需求等级等因素确定的任意旋转角度,如,预设旋转角度可以为5°、30°等。
数据获取模块,可以用于获取待检测区域内预设采样点对应的目标数据,目标数据可以包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据。
处理器,可以用于基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到。
本说明书实施例提供一种隐藏组件检测装置,该隐藏组件检测装置用于基于隐私保护的隐藏组件的检测方法,该基于隐私保护的隐藏组件的检测方法通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
实施例四
本发明实施例提供又一种隐藏组件检测装置。该隐藏组件检测装置包含了上述实施例三的隐藏组件检测装置的全部功能单元,并在其基础上,对其进行了改进,改进内容如下:
旋转模块可以包括第一子模块和第二子模块,第一子模块可以在第一平面内旋转数据获取模块,第二子模块可以在第二平面内旋转数据获取模块,第一平面与第二平面可以不同。
例如,如图5所示,第一子模块可以在水平面(即第一平面)内旋转数据获取模块,第二子模块可以在与第一平面垂直的第二平面内旋转数据获取模块,即可以通过第一子模块改变数据获取模块在水平面内的旋转角度,通过第二子模块,改变数据获取模块的仰角,这样,通过第一子模块和第二子模块的作用,就可以扩大数据获取模块的数据获取范围,提高对待检测区域的检测准确性。
隐藏组件检测装置还可以包括数据传输模块,数据传输模块可以用于将目标数据发送给数据处理设备,以使数据处理设备基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。数据传输模块可以通过有线和/或无线传输方式进行数据的传输。
隐藏组件检测装置还可以包括反制组件。反制组件包括可以能够发出干扰光线(如红外光、激光等)的反制组件、能够发出预设频率的干扰信号的组件等组件中的一个或多个。
处理器还可以用于在检测到待检测区域内存在目标组件的情况下,控制反制组件,基于预设反制处理策略,对目标组件进行反制处理,以避免用户的个人隐私泄露。
本说明书实施例提供一种隐藏组件检测装置,该隐藏组件检测装置用于基于隐私保护的隐藏组件的检测方法,该基于隐私保护的隐藏组件的检测方法通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
实施例五
本说明书实施例还提供一种基于隐私保护的隐藏组件的检测装置,如图3所示。
该基于隐私保护的隐藏组件的检测装置包括:数据获取模块601、组件确定模块602和数据处理模块603,其中:
数据获取模块601,用于获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
组件确定模块602,用于基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
数据处理模块603,用于基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
本说明书实施例中,所述装置还包括:
反制模块,用于在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,以避免用户的个人隐私泄露。
本说明书实施例中,所述目标数据包括图像信息、第一检测结果、第二检测结果和第三检测结果中的一个或多个,所述图像信息为所述预设采样点对应的预设检测范围内的图像信息,所述第一检测结果为对所述预设采样点对应的预设检测范围内是否存在超过预设温度的发热点进行检测的结果,所述第二检测结果为对所述预设采样点对应的预设检测范围内是否存在信号源进行检测的结果,所述第三检测结果为对所述预设采样点对应的预设检测范围内是否存在红外线光源进行检测的结果。
本说明书实施例中,所述反制模块,用于:
在检测到所述待检测区域内存在所述目标组件的情况下,获取所述目标组件在所述待检测区域内的位置信息;
基于所述预设反制处理策略和所述位置信息,对所述目标组件进行反制处理。
本说明书实施例中,所述反制处理策略包括第一处理策略和第二处理策略中的一个或多个,所述第一处理策略为基于所述位置信息,针对所述目标组件发出预定强度的干扰光线,所述干扰光线包括红外光和/或激光,所述第二处理策略为基于所述位置信息,针对所述目标组件发出预设频率的干扰信号,以使所述目标组件无法传输用户的隐私信息。
本说明书实施例提供一种基于隐私保护的隐藏组件的检测装置,通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
实施例六
基于同样的思路,本说明书实施例还提供一种基于隐私保护的隐藏组件的检测设备,如图7所示。
所述基于隐私保护的隐藏组件的检测设备可以为上述实施例提供的终端设备或服务器。
基于隐私保护的隐藏组件的检测设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对基于隐私保护的隐藏组件的检测设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在基于隐私保护的隐藏组件的检测设备上执行存储器702中的一系列计算机可执行指令。基于隐私保护的隐藏组件的检测设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘704。
具体在本实施例中,基于隐私保护的隐藏组件的检测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对基于隐私保护的隐藏组件的检测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
可选地,所述方法还包括:
在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,以避免用户的个人隐私泄露。
可选地,所述目标数据包括图像信息、第一检测结果、第二检测结果和第三检测结果中的一个或多个,所述图像信息为所述预设采样点对应的预设检测范围内的图像信息,所述第一检测结果为对所述预设采样点对应的预设检测范围内是否存在超过预设温度的发热点进行检测的结果,所述第二检测结果为对所述预设采样点对应的预设检测范围内是否存在信号源进行检测的结果,所述第三检测结果为对所述预设采样点对应的预设检测范围内是否存在红外线光源进行检测的结果。
可选地,所述在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,包括:
在检测到所述待检测区域内存在所述目标组件的情况下,获取所述目标组件在所述待检测区域内的位置信息;
基于所述预设反制处理策略和所述位置信息,对所述目标组件进行反制处理。
可选地,所述反制处理策略包括第一处理策略和第二处理策略中的一个或多个,所述第一处理策略为基于所述位置信息,针对所述目标组件发出预定强度的干扰光线,所述干扰光线包括红外光和/或激光,所述第二处理策略为基于所述位置信息,针对所述目标组件发出预设频率的干扰信号,以使所述目标组件无法传输用户的隐私信息。
本说明书实施例提供一种基于隐私保护的隐藏组件的检测设备,通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
实施例七
本说明书实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述基于隐私保护的隐藏组件的检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、磁碟或者光盘等。
所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
可选地,所述方法还包括:
在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,以避免用户的个人隐私泄露。
可选地,所述目标数据包括图像信息、第一检测结果、第二检测结果和第三检测结果中的一个或多个,所述图像信息为所述预设采样点对应的预设检测范围内的图像信息,所述第一检测结果为对所述预设采样点对应的预设检测范围内是否存在超过预设温度的发热点进行检测的结果,所述第二检测结果为对所述预设采样点对应的预设检测范围内是否存在信号源进行检测的结果,所述第三检测结果为对所述预设采样点对应的预设检测范围内是否存在红外线光源进行检测的结果。
可选地,所述在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,包括:
在检测到所述待检测区域内存在所述目标组件的情况下,获取所述目标组件在所述待检测区域内的位置信息;
基于所述预设反制处理策略和所述位置信息,对所述目标组件进行反制处理。
可选地,所述反制处理策略包括第一处理策略和第二处理策略中的一个或多个,所述第一处理策略为基于所述位置信息,针对所述目标组件发出预定强度的干扰光线,所述干扰光线包括红外光和/或激光,所述第二处理策略为基于所述位置信息,针对所述目标组件发出预设频率的干扰信号,以使所述目标组件无法传输用户的隐私信息。
本说明书实施例提供一种计算机可读存储介质,通过获取待检测区域内预设采样点对应的目标数据,目标数据包括用于判断采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据,基于预设采样点对应的目标数据和预先训练的检测模型,确定待检测区域内是否存在目标组件,检测模型为基于历史目标数据对预设机器学习算法进行训练得到,基于预设采样点构建与待检测区域对应的空间模型,并在待检测区域内存在目标组件的情况下,在空间模型中记录并突出显示目标组件所在的采样点。这样,通过隐藏组件检测装置获取采样点对应的目标数据,可以避免人工检测方式存在的检测效率低的问题,同时,基于检测模型判断待检测区域内是否存在目标组件,也可以避免由于人工判断存在的主观性而导致的检测准确性差的问题,即可以提高摄像头检测的检测效率和检测准确性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 425D、Atmel AT91SAM、Microchip PIC13F24K20 以及Silicone Labs C3051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种基于隐私保护的隐藏组件的检测方法,所述方法包括:
获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点;
其中,所述基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,包括:
基于点云中空间点的位置信息和颜色信息在所述空间模型中进行标注的物体对应的采样点的目标数据,确定所述标注的物体中是否存在所述目标组件,所述点云由基于由所述待检测区域的安全需求等级确定的检测距离设定的采样点形成。
2.根据权利要求1所述的方法,所述方法还包括:
在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,以避免用户的个人隐私泄露。
3.根据权利要求1所述的方法,所述目标数据包括图像信息、第一检测结果、第二检测结果和第三检测结果中的一个或多个,所述图像信息为所述预设采样点对应的预设检测范围内的图像信息,所述第一检测结果为对所述预设采样点对应的预设检测范围内是否存在超过预设温度的发热点进行检测的结果,所述第二检测结果为对所述预设采样点对应的预设检测范围内是否存在信号源进行检测的结果,所述第三检测结果为对所述预设采样点对应的预设检测范围内是否存在红外线光源进行检测的结果。
4.根据权利要求2所述的方法,所述在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,包括:
在检测到所述待检测区域内存在所述目标组件的情况下,获取所述目标组件在所述待检测区域内的位置信息;
基于所述预设反制处理策略和所述位置信息,对所述目标组件进行反制处理。
5.根据权利要求4所述的方法,所述反制处理策略包括第一处理策略和第二处理策略中的一个或多个,所述第一处理策略为基于所述位置信息,针对所述目标组件发出预定强度的干扰光线,所述干扰光线包括红外光和/或激光,所述第二处理策略为基于所述位置信息,针对所述目标组件发出预设频率的干扰信号,以使所述目标组件无法传输用户的隐私信息。
6.一种隐藏组件检测装置,所述隐藏组件检测装置包括旋转模块、数据获取模块和处理器,
所述旋转模块,用于基于预设旋转角度旋转所述数据获取模块;
所述数据获取模块,用于获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
所述处理器,用于基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点;
其中,所述基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,包括:
基于点云中空间点的位置信息和颜色信息在所述空间模型中进行标注的物体对应的采样点的目标数据,确定所述标注的物体中是否存在所述目标组件,所述点云由基于由所述待检测区域的安全需求等级确定的检测距离设定的采样点形成。
7.根据权利要求6所述的隐藏组件检测装置,所述旋转模块包括第一子模块和第二子模块,所述第一子模块在第一平面内旋转所述数据获取模块,所述第二子模块在第二平面内旋转所述数据获取模块,所述第一平面与所述第二平面不同。
8.根据权利要求7所述的隐藏组件检测装置,所述隐藏组件检测装置还包括数据传输模块,
所述数据传输模块,用于将所述目标数据发送给数据处理设备,以使所述数据处理设备基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点。
9.根据权利要求7所述的隐藏组件检测装置,所述隐藏组件检测装置还包括反制组件,
所述处理器,还用于在检测到所述待检测区域内存在所述目标组件的情况下,控制所述反制组件,基于预设反制处理策略,对所述目标组件进行反制处理,以避免用户的个人隐私泄露。
10.一种基于隐私保护的隐藏组件的检测装置,所述装置包括:
数据获取模块,用于获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
组件确定模块,用于基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
数据处理模块,用于基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点;
其中,所述组件确定模块,用于:
基于点云中空间点的位置信息和颜色信息在所述空间模型中进行标注的物体对应的采样点的目标数据,确定所述标注的物体中是否存在所述目标组件,所述点云由基于由所述待检测区域的安全需求等级确定的检测距离设定的采样点形成。
11.根据权利要求10所述的装置,所述装置还包括:
反制模块,用于在检测到所述待检测区域内存在所述目标组件的情况下,基于预设反制处理策略,对所述目标组件进行反制处理,以避免用户的个人隐私泄露。
12.根据权利要求11所述的装置,所述反制模块,用于:
在检测到所述待检测区域内存在所述目标组件的情况下,获取所述目标组件在所述待检测区域内的位置信息;
基于所述预设反制处理策略和所述位置信息,对所述目标组件进行反制处理。
13.一种基于隐私保护的隐藏组件的检测设备,所述基于隐私保护的隐藏组件的检测设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点;
其中,所述基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,包括:
基于点云中空间点的位置信息和颜色信息在所述空间模型中进行标注的物体对应的采样点的目标数据,确定所述标注的物体中是否存在所述目标组件,所述点云由基于由所述待检测区域的安全需求等级确定的检测距离设定的采样点形成。
14.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取待检测区域内预设采样点对应的目标数据,所述目标数据包括用于判断所述采样点对应的预设检测范围内是否存在用于采集用户隐私信息的目标组件的数据;
基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,所述检测模型为基于历史目标数据对预设机器学习算法进行训练得到;
基于所述预设采样点构建与所述待检测区域对应的空间模型,并在所述待检测区域内存在所述目标组件的情况下,在所述空间模型中记录并突出显示所述目标组件所在的采样点;
其中,所述基于所述预设采样点对应的目标数据和预先训练的检测模型,确定所述待检测区域内是否存在所述目标组件,包括:
基于点云中空间点的位置信息和颜色信息在所述空间模型中进行标注的物体对应的采样点的目标数据,确定所述标注的物体中是否存在所述目标组件,所述点云由基于由所述待检测区域的安全需求等级确定的检测距离设定的采样点形成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048518.2A CN112904437B (zh) | 2021-01-14 | 2021-01-14 | 基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048518.2A CN112904437B (zh) | 2021-01-14 | 2021-01-14 | 基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904437A CN112904437A (zh) | 2021-06-04 |
CN112904437B true CN112904437B (zh) | 2023-03-24 |
Family
ID=76114115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110048518.2A Active CN112904437B (zh) | 2021-01-14 | 2021-01-14 | 基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904437B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672424B (zh) * | 2021-08-19 | 2024-06-14 | 支付宝(杭州)信息技术有限公司 | 修复异常任务的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034278A (zh) * | 2014-06-05 | 2014-09-10 | 北京必可测科技股份有限公司 | 进行锅炉检测的方法及装置 |
GB201514927D0 (en) * | 2015-08-21 | 2015-10-07 | Senseye Ltd | User feedback for machine learning |
CN112016708A (zh) * | 2020-08-11 | 2020-12-01 | 广州番禺电缆集团有限公司 | 一种智能电缆的多维度数据展示方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011159320A (ja) * | 2001-01-30 | 2011-08-18 | Masanobu Kujirada | カメラ等検知装置及び電気機器検知装置 |
CN102930246B (zh) * | 2012-10-16 | 2015-04-08 | 同济大学 | 一种基于点云片段分割的室内场景识别方法 |
CN104969239A (zh) * | 2012-12-04 | 2015-10-07 | 光壳科技股份有限公司 | 一用于侦测摄影机的装置和方法 |
CN104732587B (zh) * | 2015-04-14 | 2019-02-01 | 中国科学技术大学 | 一种基于深度传感器的室内3d语义地图构建方法 |
CN205539525U (zh) * | 2015-12-30 | 2016-08-31 | 桂林航天光比特科技股份公司 | 一种摄像头自动查找系统 |
WO2019067641A1 (en) * | 2017-09-26 | 2019-04-04 | Aquifi, Inc. | SYSTEMS AND METHODS FOR VISUAL INSPECTION BASED ON INCREASED REALITY |
CN208207844U (zh) * | 2018-04-20 | 2018-12-07 | 纳智源科技(唐山)有限责任公司 | 反人脸识别装置及包括其的可穿戴设备 |
JP6583840B1 (ja) * | 2018-05-31 | 2019-10-02 | 株式会社センシンロボティクス | 検査システム |
CN111524089A (zh) * | 2019-01-17 | 2020-08-11 | 苏州工业园区小步电子科技有限公司 | 针孔摄像头检测方法及装置 |
CN110243370A (zh) * | 2019-05-16 | 2019-09-17 | 西安理工大学 | 一种基于深度学习的室内环境三维语义地图构建方法 |
CN209572082U (zh) * | 2019-05-21 | 2019-11-01 | 西安晶彩天使技术有限责任公司 | 一种用于微型摄像头的防偷拍探测装置 |
CN110807405A (zh) * | 2019-10-29 | 2020-02-18 | 维沃移动通信有限公司 | 一种偷拍装置检测方法及电子设备 |
-
2021
- 2021-01-14 CN CN202110048518.2A patent/CN112904437B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034278A (zh) * | 2014-06-05 | 2014-09-10 | 北京必可测科技股份有限公司 | 进行锅炉检测的方法及装置 |
GB201514927D0 (en) * | 2015-08-21 | 2015-10-07 | Senseye Ltd | User feedback for machine learning |
CN112016708A (zh) * | 2020-08-11 | 2020-12-01 | 广州番禺电缆集团有限公司 | 一种智能电缆的多维度数据展示方法及装置 |
Non-Patent Citations (2)
Title |
---|
Collison Avoidance using Point Cloud Data Fusion;Matteo Melchiorre 等;《2019 23rd ICMT》;20191026;第1-4页 * |
三维可视化大坝安全监控系统研发及应用;朱亭 等;《人民长江》;20190731;第50卷(第7期);第217-221页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112904437A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102522814B1 (ko) | 사물 인터넷 장치의 3d 매핑 | |
US9398413B1 (en) | Mapping electronic devices within an area | |
US10769909B1 (en) | Using sensor data to detect events | |
CN110178147A (zh) | 自动路由到事件端点 | |
US10061390B2 (en) | Building space control | |
CN114494487B (zh) | 基于全景图语义拼接的户型图生成方法、设备及存储介质 | |
CN112418038A (zh) | 人体检测方法、装置、电子设备及介质 | |
CN112904437B (zh) | 基于隐私保护的隐藏组件的检测方法及隐藏组件检测装置 | |
CN114529621B (zh) | 户型图生成方法、装置、电子设备及介质 | |
CN107958040A (zh) | 一种用于室内物品定位、管理以及分析的智能系统 | |
KR20190103222A (ko) | 자동화된 활동-시간 트레이닝 기법 | |
US20200259773A1 (en) | Communication routing based on physical status | |
CN117197848A (zh) | 掌静脉图像采集方法、装置、设备和介质 | |
US10524095B2 (en) | Checkpoint-based location monitoring via a mobile device | |
US20190102812A1 (en) | Intelligent space management with autonomous occupancy detection | |
KR102372669B1 (ko) | 전자 장치, 외부 서버 및 그 제어 방법 | |
CN115578796A (zh) | 一种活体检测模型的训练方法、装置、设备及介质 | |
US11698614B2 (en) | Systems, device and method of managing a building automation environment | |
US11538317B1 (en) | Associating and controlling security devices | |
US20180203885A1 (en) | Controlling creation/access of physically senses features | |
CN111902849A (zh) | 在图像上叠加传感器及其检测区域的虚拟表示 | |
Lichtenegger et al. | Simulation of fingerprinting based Visible Light Positioning without the need of prior map generation | |
US10635981B2 (en) | Automated movement orchestration | |
CN110442127B (zh) | 智能巡检方法、设备和装置 | |
Habib | Fiber-grating-based vision system for real-time tracking, monitoring, and obstacle detection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |