CN113038375A - 一种隐蔽摄像头感知、定位方法及系统 - Google Patents
一种隐蔽摄像头感知、定位方法及系统 Download PDFInfo
- Publication number
- CN113038375A CN113038375A CN202110312805.XA CN202110312805A CN113038375A CN 113038375 A CN113038375 A CN 113038375A CN 202110312805 A CN202110312805 A CN 202110312805A CN 113038375 A CN113038375 A CN 113038375A
- Authority
- CN
- China
- Prior art keywords
- camera
- stream
- data packet
- data
- bit rate
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种隐蔽摄像头感知、定位方法及系统,通过提取摄像头流量包的长度、周期、带宽以及每个流的稳定性,构建四维向量,用机器学习进行训练分类,来大大提高了摄像头感知的准确率。另外,本发明提出了面向加密流量的人体移动性网络摄像头定位方法,通过抓取人体移动时摄像头流量的变化,绘制比特率变化的实时波形图,分析比特率变化的趋势,从而定位摄像头的方位。本发明大大提高了定位的准确度以及软件实用性,实现了方便而快捷的摄像头定位功能。
Description
技术领域
本发明属于计算机网络技术与应用安全技术领域,具体涉及一种隐蔽摄像头感知、定位方法及系统。
背景技术
Wi-Fi是一个创建于IEEE 802.11标准的无线局域网技术,用于具有无线网络功能设备的网络连接,是当今使用最广的一种无线网络传输技术。WIFI不需要布线,通过无线路由器的无线访问接入点(AP)即可将有线信号转换为无线信号,构建无线局域网。通常,摄像机处理视频/音频流,然后通过无线局域网(WLAN)将它们上传到云服务器,允许实时或后续进行远程监控。如果对于流量进行特征分析,可以识别出摄像机发出的特定流量特征,从另一角度看,判定环境的一致性与室内定位具有相似的内核。WIFI室内定位技术的成功说明了在该方面WIFI具有的多种优良性质,如WIFI设备较为常见、WIFI信号覆盖面适宜、WIFI信号具有时空变换特性等。
随着互联网的兴起,多媒体的普及,人们对于生活质量的要求越来越高,摄像头也因此得到普及。许多家庭利用摄像机记录生活、保障家庭安全,而公共监控摄像头也可以更大程度上保障公共安全。因此,各大厂商推出了各种适应不同需求的摄像设备。在所有类型中,Wi-Fi无线摄像机凭借其实时提供服务且不需布线的特征,脱颖而出,成为人们的首选。
在摄像头数量快速增长的趋势之下,利用隐蔽摄像头进行非法偷拍的案件也在逐年大幅增加。特别是在出租屋、酒店等场所,出现了不少偷拍案件,调查显示,仅有21%的民众出去住酒店。大众对于摄像头检测意识的缺失,会使得不法分子对其加以利用,对大众的隐私造成极大侵害。除此之外,摄像头若被隐蔽地安装到企业内部,则会造成更严重的商业机密窃取,涉及到民事赔偿责任、行政责任、刑事责任的裁定。
现有技术中,无线摄像头存在性检测普遍采用的是根据基于网络流量的无线摄像头存在性检测方法,对流量进行特征分析。当摄像头捕捉到的画面发生变化时,帧的数量和大小会随之改变,这将导致通信量的改变从而改变比特率。由于摄像头的位置是固定的,如果人体在摄像头视野范围内移动,则摄像头视野画面随之发生改变,比特率发生改变。当用户拿着设备进行移动时,系统对抓取的视频流进行分析,比较单位时间内比特率变化的趋势,得出摄像头和人体的相对距离关系。
当前市面上隐藏摄像头的感知和定位的相关问题,其关系到个人隐私、商业机密内容的保护。而目前市面上存在着几种摄像头检测方法均不能得到较为准确的摄像头的感知和定位结果。
发明内容
为了解决上述技术问题,本发明提供了一种隐蔽摄像头感知、定位方法及系统。
本发明提供的一种隐蔽摄像头感知方法,包括以下步骤:
步骤A1:数据包抓取;
从手机端实时搜集所处环境的WIFI流量信息,获得流量数据包;检查确保数据包的完整性、目的地址与本机是否匹配;如果检查无误,则执行步骤A2;如果检查有误,则丢弃该数据报,继续执行步骤A1;
步骤A2:数据包解析;
基于捕获到的无线数据包,将数据单元中的数据载荷部分和尾部舍弃,提取数据帧的MAC头部;最后将抓取到的数据包存储为PCAP文件格式;
步骤A3:特征提取;
从数据流中提取出数据包的长度、周期、带宽以及每个流的稳定性四个特征,构建四维特征向量;
步骤A4:鉴别摄像头;
通过支持向量机SVM对摄像头的四维特征向量进行样本训练,获得训练好的摄像头检测器;将带有以上特征的流送入摄像头检测器中,分析特征流后判断是否为摄像头设备。
本发明提供的一种隐蔽摄像头感知系统,包括以下模块:
模块一,用于数据包抓取;
从手机端实时搜集所处环境的WIFI流量信息,获得流量数据包;检查确保数据包的完整性、目的地址与本机是否匹配;如果检查无误,则运行模块二;如果检查有误,则丢弃该数据报,继续运行模块一;
模块二,用于数据包解析;
基于捕获到的无线数据包,将数据单元中的数据载荷部分和尾部舍弃,提取数据帧的MAC头部;最后将抓取到的数据包存储为PCAP文件格式;
模块三,用于特征提取;
从数据流中提取出数据包的长度、周期、带宽以及每个流的稳定性四个特征,构建四维特征向量;
模块四,用于鉴别摄像头;
通过支持向量机SVM对摄像头的四维特征向量进行样本训练,获得训练好的摄像头检测器;将带有以上特征的流送入摄像头检测器中,分析特征流后判断是否为摄像头设备。
本发明提供的一种隐蔽摄像头定位方法,其特征在于,包括以下步骤:
步骤B1:隐蔽摄像头感知;
步骤B2:运动量化;
用户持有设备进行移动,捕捉用户移动的方向和加速度信息,循环计算用户移动距离方向信息;
步骤B3:摄像头距离探测;
用户拿着设备进行移动,对抓取的视频流进行分析;对单位时间内的比特率变化的趋势进行比较,通过比特率变化趋势,得到摄像头的大致方位;
步骤B4:摄像头方向探测;
通过捕捉到的比特率变化值判断摄像头方向。
本发明提供的一种隐蔽摄像头定位系统,其特征在于,包括以下模块:
模块五,用于隐蔽摄像头感知;
模块六,用于运动量化;
用户持有设备进行移动,捕捉用户移动的方向和加速度信息,循环计算用户移动距离方向信息;
模块七,用于摄像头距离探测;
用户拿着设备进行移动,对抓取的视频流进行分析;对单位时间内的比特率变化的趋势进行比较,通过比特率变化趋势,得到摄像头的大致方位;
模块八,用于摄像头方向探测;
通过捕捉到的比特率变化值判断摄像头方向。
相对于现有技术,本发明的有益效果是:
(1)本发明是基于空间内流量指纹的无线摄像头检测方法,改进了传统摄像头利用单一特征判定算法,提出了基于无线摄像头四维特征向量的感知算法,大大提高了摄像头感知的准确率。另外,由于无线信号全空间覆盖的特征,本方法对感知设备的位置没有位置要求,具有较大的感知范围。
(2)本发明提出了面向加密流量的人体移动性网络摄像头定位方法。当用户进入或离开无线摄像头视野范围,摄像头捕获到图像变化,因此摄像头流量变化率骤增或骤减。同样地,在摄像头视野内靠近或远离摄像头,摄像头流量变化率也会随之增减。用户持有安装了本发明的设备并在空间内移动,系统能够通过抓取人体移动时摄像头流量的变化,绘制出比特率变化的实时波形图,分析比特率变化的趋势,从而获取用户和摄像头的位置关系,判定出方位。本发明能够将空间内的多个无线摄像头流量自动区分,通过定位算法找出每个无线摄像头的位置。
(3)传统的基于流量的摄像头感知方法通常采用的单一MAC地址检测,即通过分析MAC地址是否属于摄像头厂商来鉴别摄像头流量。该方法存在检测效果差、不稳定的缺点。因此本发明通过提取摄像头流量包的长度、周期、带宽以及每个流的稳定性,构建四维向量,用机器学习进行训练分类,来大大提高了摄像头感知的准确率。
(4)本发明提出了面向加密流量的人体移动性网络摄像头定位方法,通过抓取人体移动时摄像头流量的变化,绘制比特率变化的实时波形图,分析比特率变化的趋势,从而定位摄像头的方位。本技术大大提高了定位的准确度以及软件实用性,实现了方便而快捷的摄像头定位功能。
附图说明
图1为本发明实施例的摄像头感知及定位系统体系结构图;
图2为本发明实施例的摄像头感知算法工作流程;
图3为本发明实施例的摄像头角度示意图;
图4为本发明实施例的摄像头定位模块工作流程。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明旨在实现以下功能:1.基于网络流量的无线摄像头感知方法;2.面向加密流量的人体移动性网络摄像头定位方法;3.移动端的网络摄像头感知定位系统。
本发明涉及的技术包括数据流量过滤算法,流量分析技术和机器学习技术。
本发明包含的实体主要有3类:用户(client)、感知定位系统、网络摄像头,本实施例的摄像头感知及定位系统的体系结构如图1所示,用户(client)手持安装有本发明的手机设备在房间移动,本系统实时抓取流量信息,对流量数据进行过滤以及特征提取,通过机器学习算法判定空间内无线摄像头的数量。若存在摄像头,系统通过分析用户移动时比特率的变化趋势,反映摄像头大致方位。
1.请见图2和图3,本实施例的摄像头感知流程为:
①数据包抓取:从手机端实时搜集所处环境的WIFI流量信息以及对流量包进行解析。数据帧包含的是IPv4数据报,因此IPv4数据包的协议处理器会被调用。处理器会进行一系列的检查以确保数据报的完整性、目的地址与本机是否匹配等。如果检查无误,处理器将IP数据报头部删除,并将数据部分(TCP或其它上层协议的数据报)传送至相应协议处理器;
②数据包解析:捕获到的无线数据包一般都遵循802.11规定的帧格式,数据单元中的数据载荷部分和尾部可舍弃,只需提取数据帧的MAC头部。最后将抓取到的数据包存储为PCAP文件格式;
③特征提取:系统从数据流中提取出包的长度、周期、带宽以及每个流的稳定性四个特征,构建四维特征向量;
为实现高效、稳定抓取数据包,本实施例参考了开源项目Hijacker的方法,将Airodump-ng、Aireplay-ng等套件安装在机器中,通过调用目标套件来实现相关功能,大大简化了代码的复杂度。捕获器将能够根据802.11数据帧的MAC头部信息所提供的源、目的MAC地址快速过滤数据包,并在捕获到目标数据流量时直接保存数据帧中的必要信息,以供样本提取特征。且捕获到的无线数据包一般都遵循802.11规定的帧格式,极大方便了对数据包特定字段的解析和提取。
MAC头部开始2字节的帧控制(Frame Control)字段表示了该数据包为控制帧、管理帧或数据帧。在分析加密流量时,需要数据帧(Frame Control=0x 8841),即MAC头中包含了3个地址,之后包括了切片序列等参数。在这3个地址中,地址2为源地址,地址3为目的地址。在数据收集的过程中,需要依据这两个信息来进行流量的分组,以便过滤。此外,MAC头部的第2个字段表明该帧和它的确认帧所占用信道的时间,用于网络分配向量(NAV)的计算。因此,该字段也是需要提取的信息。系统将抓取到的数据包存储为PCAP文件格式,该文件由一个PCAP文件头和多个PCAP数据包组成,PCAP数据又由数据包头和数据包内容组成,系统只需要数据包内容。在这一模块,系统读取流量包文件用到了Java开源项目CorePkts。该项目提供的方法能够在读入数据包之后自动将每一条记录分开,从而解析出单个数据包信息。
为使数据收集以最快的速度收集流量并将样本交由分类器进行分类,且环境中存在的各种加密流量全部需要采集分组,因此捕获器将支持多线程的实时抓包,并根据数据帧MAC头部信息对数据包进行分组。该捕获器能在3秒内收集完环境中所有地址对的1个样本(超时自动丢弃),这就为系统快速感知隐蔽摄像头提供了坚实的基础。
具体实施流程如下,系统识别无线网卡并载入驱动,激活无线网卡值监听模式(monitor)。在抓包之前,先进行预先探测,来获取当前无线网络概况,具体包括无线访问接入点(AP)的服务集标识(SSID)、MAC地址、工作频道、无线客户端MAC及数量等。接着抓取无线数据包,提取802.11数据帧的MAC头部,将抓取到的数据包存储为PCAP文件格式。将样本放入分类器进行分类,根据数据帧MAC头部信息对数据包进行分组。
④鉴别摄像头:通过支持向量机(SVM)对摄像头的四维特征向量进行样本训练。将带有以上特征的流送入摄像头检测器中。分析特征流后即可判断是否为摄像头设备。
系统通过无线信道捕捉流量,去除冗余信息,只保留物理层和链路层的头部信息,从而为特征提取做准备,另外还需要丢弃MAC帧的载荷,以提高效率。随后,进行数据流的合成,去除非摄像头设备的流量信息。在特征提取阶段需要提取以下重要信息:包的长度、周期、带宽以及每个流的稳定性。将带有这些特征的流送入摄像头检测器中。分析特征流后即可判断是否为摄像头设备。
摄像头四维特征构建流程如下:
从上一个模块得到一个个的数据流F后{F1,F2,F3,.....},为了实现存在性检测要计算每个流的以下四个特征:
①记短时间内PLD特征为L(即分组长度分布L,为矢量):记录同一个流的包的长度,用一些包(50个)的累积分发函数(CDF)来计算。
②记硬件相关特征为d:用同一个流的包的周期的标准差来表示。
③记带宽稳定性特征为b:用每一个流的瞬间带宽的标准差来表示。
④记PLD稳定性特征为s:用L来计算s。
对于第i个流Fi。将这个流中的包分为N个块(例如50个包一个块)。L(ij)表示第i个流的第j个块的L。这样就能得到Fi这个流的向量形式,即Li={L(i1),L(i2),……,L(in)}。最终选用一个四维向量V={L,d,b,s}来代表每个流。
具体实施流程如下,对数据流F进行特征提取,得到四维向量V={L,d,b,s}来代表每个流。使用支持向量机(SVM)进行样本训练,得到分类器。鉴别时将四维向量放入分类器进行鉴别即可。
另外,本系统可进行多摄像头检测,即在某一空间内可以检测多个摄像头设备。原则上,感知多个摄像头与感知一个摄像头相同,对在该空间范围内收集到的数据流信息进行分析即可。本系统在数据处理阶段采用了Java开源项目Core Pkts,可以自动处理多个数据包。感知过程结束后,可以输出检测到的摄像机的确切数量。
2.请见图4,本实施例的摄像头定位流程为:
①运动量化:用户持有设备进行移动,系统获取传感器权限,捕捉用户移动的方向和加速度信息,设置监听器,实现循环监听计算用户移动距离方向信息。使用每个样本值与目标值之间偏差的累积和(Cumulative Sum,CUSUM)判断。
②摄像头距离探测:用户拿着设备进行移动,系统对抓取的视频流进行分析。需要对单位时间内的比特率变化的趋势进行比较。通过比特率变化趋势,得到摄像头的大致方位。
③摄像头方向探测:通过实验研究得出比特率变化与角度基于指数回归的关系式,通过系统捕捉到的比特率变化值大致判断摄像头方向。
为了得出用户移动导致的图像变换和比特率之间的关系,本实施例进行了多次实验测试。在摄像头视野中间(10%,20%,90%,100%)显示矩形块,截获11个比特率信号,对其应用了快速傅氏变换(Fast Fourier Transformation,FFT)。计算残差平方和(RSS)和确定系数每种回归方式的像素变化预测百分比。得到回归函数,即像素变化百分比%dPix的变化关系如下等式所示(其中信噪比SNR=s):
%dPix=1.12-3.14×10-7s4+6.96×10-5s3-5.12×10-3s2+1.87×10-1s
根据对于比特率变化的分析,设备分析数据并且反馈给用户此时的移动状态是进入或离开视野范围、靠近或远离摄像头以及是否在视野范围内。由此,用户根据提示移动,进一步精确判断摄像头与用户之间的距离。
为研究物体与摄像头之间角度与比特率的关系,本实施例固定一个白板的位置,将摄像头定位在17个不同的角度(10°,20°,…,160°,170°)。保持摄像头与白板之间的距离相同。分别捕捉摄像头发送的流量信息,并且生成比特率信号。基于指数回归获得信噪比和角度关系式:
本实施例在对流量进行特征分析之后。当摄像头捕捉到的画面发生变化时,帧的数量和大小会随之改变,这将导致通信量的改变从而改变比特率。由于摄像头的位置是固定的,如果人体在摄像头视野范围内移动,则摄像头视野画面随之发生改变,比特率发生改变。此时只需要用户拿着设备进行移动,系统对抓取的视频流进行分析,比较单位时间内比特率变化的趋势,得出摄像头和人体的相对距离关系。另外,基于对人体位置与摄像头方向角关系的研究,归纳出比特率、信噪比变化量与摄像头角度的计算公式。通过该指数回归式,结合用户的运动轨迹来确定摄像头的方向。
具体实施流程如下,系统对人体运动状态进行量化,同时对流量数据进行分析,得到用户和摄像头的距离关系,并且通过实验研究得出的指数回归式计算摄像头方向。
本发明根据提出的面向加密流量的隐蔽摄像头感知及定位方法,同时研发了相关移动端应用程序,用于实现感知及定位方法。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种隐蔽摄像头感知方法,其特征在于,包括以下步骤:
步骤A1:数据包抓取;
从手机端实时搜集所处环境的WIFI流量信息,获得流量数据包;检查确保数据包的完整性、目的地址与本机是否匹配;如果检查无误,则执行步骤A2;如果检查有误,则丢弃该数据报,继续执行步骤A1;
步骤A2:数据包解析;
基于捕获到的无线数据包,将数据单元中的数据载荷部分和尾部舍弃,提取数据帧的MAC头部;最后将抓取到的数据包存储为PCAP文件格式;
步骤A3:特征提取;
从数据流中提取出数据包的长度、周期、带宽以及每个流的稳定性四个特征,构建四维特征向量;
步骤A4:鉴别摄像头;
通过支持向量机SVM对摄像头的四维特征向量进行样本训练,获得训练好的摄像头检测器;将带有以上特征的流送入摄像头检测器中,分析特征流后判断是否为摄像头设备。
2.根据权利要求1所述的隐蔽摄像头感知方法,其特征在于:步骤A3中所述构建四维特征向量V={L,d,b,s},包括短时间内PLD特征L、硬件相关特征d、带宽稳定性特征b和PLD稳定性特征s;
所述短时间内PLD特征为记为矢量L:记录同一个流的包的长度,用若干包的累积分发函数CDF来计算;对于第i个流Fi,将这个流中的包分为N个块,L(ij)表示第i个流的第j个块的L;这样就能得到Fi这个流的向量形式,即Li={L(i1),L(i2),......,L(in)};
所述硬件相关特征为记d:用同一个流的包的周期的标准差来表示;
所述带宽稳定性特征记为b:用每一个流的瞬间带宽的标准差来表示;
所述PLD稳定性特征记为s:用L来计算s;
3.一种隐蔽摄像头感知系统,其特征在于,包括以下模块:
模块一,用于数据包抓取;
从手机端实时搜集所处环境的WIFI流量信息,获得流量数据包;检查确保数据包的完整性、目的地址与本机是否匹配;如果检查无误,则运行模块二;如果检查有误,则丢弃该数据报,继续运行模块一;
模块二,用于数据包解析;
基于捕获到的无线数据包,将数据单元中的数据载荷部分和尾部舍弃,提取数据帧的MAC头部;最后将抓取到的数据包存储为PCAP文件格式;
模块三,用于特征提取;
从数据流中提取出数据包的长度、周期、带宽以及每个流的稳定性四个特征,构建四维特征向量;
模块四,用于鉴别摄像头;
通过支持向量机SVM对摄像头的四维特征向量进行样本训练,获得训练好的摄像头检测器;将带有以上特征的流送入摄像头检测器中,分析特征流后判断是否为摄像头设备。
4.一种隐蔽摄像头定位方法,其特征在于,包括以下步骤:
步骤B1:隐蔽摄像头感知;
步骤B2:运动量化;
用户持有设备进行移动,捕捉用户移动的方向和加速度信息,循环计算用户移动距离方向信息;
步骤B3:摄像头距离探测;
用户拿着设备进行移动,对抓取的视频流进行分析;对单位时间内的比特率变化的趋势进行比较,通过比特率变化趋势,得到摄像头的大致方位;
步骤B4:摄像头方向探测;
通过捕捉到的比特率变化值判断摄像头方向。
5.根据权利要求4所述的隐蔽摄像头定位方法,其特征在于:步骤B4中,像素变化百分比%dPix的变化关系为:
%dPix=1.12-3.14×10-7s4+6.96×10-5s3-5.12×10-3s2+1.87×10-1s
其中,信噪比SNR=s;
根据对于比特率变化的分析,确定此时的移动状态是进入或离开视野范围、靠近或远离摄像头以及是否在视野范围内。
6.一种隐蔽摄像头定位系统,其特征在于,包括以下模块:
模块五,用于隐蔽摄像头感知;
模块六,用于运动量化;
用户持有设备进行移动,捕捉用户移动的方向和加速度信息,循环计算用户移动距离方向信息;
模块七,用于摄像头距离探测;
用户拿着设备进行移动,对抓取的视频流进行分析;对单位时间内的比特率变化的趋势进行比较,通过比特率变化趋势,得到摄像头的大致方位;
模块八,用于摄像头方向探测;
通过捕捉到的比特率变化值判断摄像头方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312805.XA CN113038375B (zh) | 2021-03-24 | 2021-03-24 | 一种隐蔽摄像头感知、定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312805.XA CN113038375B (zh) | 2021-03-24 | 2021-03-24 | 一种隐蔽摄像头感知、定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113038375A true CN113038375A (zh) | 2021-06-25 |
CN113038375B CN113038375B (zh) | 2022-03-04 |
Family
ID=76473217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312805.XA Active CN113038375B (zh) | 2021-03-24 | 2021-03-24 | 一种隐蔽摄像头感知、定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113038375B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114125806A (zh) * | 2021-09-24 | 2022-03-01 | 浙江大学 | 基于无线网络流量的云存储模式的无线摄像头检测方法 |
WO2022257647A1 (zh) * | 2021-06-10 | 2022-12-15 | Oppo广东移动通信有限公司 | 摄像头检测方法、装置、存储介质与电子设备 |
CN116017392A (zh) * | 2022-12-23 | 2023-04-25 | 四川昱澄信息技术有限公司 | 基于互联网的硬件装置检测的隐藏摄像头发现装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108718257A (zh) * | 2018-05-23 | 2018-10-30 | 浙江大学 | 一种基于网络流量的无线摄像头检测及定位方法 |
CN110223284A (zh) * | 2019-06-11 | 2019-09-10 | 深圳市启芯众志科技有限公司 | 一种基于智能终端的针孔摄像头的探测方法及探测装置 |
CN111103631A (zh) * | 2019-11-18 | 2020-05-05 | 武汉联一合立技术有限公司 | 隐蔽式摄像头探测相机及其探测方法 |
US20210044485A1 (en) * | 2019-08-05 | 2021-02-11 | Sk Planet Co., Ltd. | Service providing system and method for preventing hidden camera, service providing apparatus therefor, and non-transitory computer readable medium having computer program recorded thereon |
-
2021
- 2021-03-24 CN CN202110312805.XA patent/CN113038375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108718257A (zh) * | 2018-05-23 | 2018-10-30 | 浙江大学 | 一种基于网络流量的无线摄像头检测及定位方法 |
CN110223284A (zh) * | 2019-06-11 | 2019-09-10 | 深圳市启芯众志科技有限公司 | 一种基于智能终端的针孔摄像头的探测方法及探测装置 |
US20210044485A1 (en) * | 2019-08-05 | 2021-02-11 | Sk Planet Co., Ltd. | Service providing system and method for preventing hidden camera, service providing apparatus therefor, and non-transitory computer readable medium having computer program recorded thereon |
CN111103631A (zh) * | 2019-11-18 | 2020-05-05 | 武汉联一合立技术有限公司 | 隐蔽式摄像头探测相机及其探测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022257647A1 (zh) * | 2021-06-10 | 2022-12-15 | Oppo广东移动通信有限公司 | 摄像头检测方法、装置、存储介质与电子设备 |
CN114125806A (zh) * | 2021-09-24 | 2022-03-01 | 浙江大学 | 基于无线网络流量的云存储模式的无线摄像头检测方法 |
CN114125806B (zh) * | 2021-09-24 | 2022-08-23 | 浙江大学 | 基于无线网络流量的云存储模式的无线摄像头检测方法 |
CN116017392A (zh) * | 2022-12-23 | 2023-04-25 | 四川昱澄信息技术有限公司 | 基于互联网的硬件装置检测的隐藏摄像头发现装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113038375B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113038375B (zh) | 一种隐蔽摄像头感知、定位方法及系统 | |
US8769688B2 (en) | Simultaneous determination of a computer location and user identification | |
CN106454492A (zh) | 一种基于延时传送的直播色情内容审核系统及方法 | |
CN105872970B (zh) | 一种基于路灯物联网的伪基站检测系统 | |
CN105243373B (zh) | 人脸图像滤重抓拍方法、服务器、智能监控设备及系统 | |
CN108364374A (zh) | 基于深度学习的人脸门禁控制装置及方法 | |
CN104581062A (zh) | 一种身份信息与视频联动的视频监控方法及系统 | |
WO2017031886A1 (zh) | 通过远程控制获取图片的方法及服务器 | |
CN108540752B (zh) | 对视频监控中目标对象进行识别的方法、装置和系统 | |
WO2019128229A1 (zh) | 一种视频数据传输、处理方法、装置及终端、服务器 | |
CN112291520A (zh) | 异常事件识别方法、装置、存储介质及电子装置 | |
CN114125806B (zh) | 基于无线网络流量的云存储模式的无线摄像头检测方法 | |
CN116916049B (zh) | 一种基于云计算技术的视频数据在线采集与存储系统 | |
CN111753743B (zh) | 一种基于网闸的人脸识别方法及系统 | |
CN104519351A (zh) | 一种机顶盒自动测试方法 | |
CN107122698A (zh) | 一种基于卷积神经网络的电影院实时上座率统计方法 | |
CN114554185A (zh) | 一种基于无线网络流量的偷拍摄像头检测及防护方法 | |
CN105656730A (zh) | 一种基于tcp数据包的网络应用快速发现方法和系统 | |
CN111400047A (zh) | 通过云边协同从监控视频流中进行人脸检测和识别的方法 | |
WO2010111389A2 (en) | System and method for time series filtering and data reduction | |
Li et al. | Drone profiling through wireless fingerprinting | |
CN108960146A (zh) | 人脸识别监控视频的图像预处理方法 | |
CN108197614A (zh) | 一种基于人脸识别技术的考场监控摄像机及系统 | |
KR20060087732A (ko) | 스마트 네트워크 카메라 | |
JP2017184045A (ja) | 監視カメラシステム及び監視方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |