CN114390295B - 一种视频隐私保护方法和装置 - Google Patents
一种视频隐私保护方法和装置 Download PDFInfo
- Publication number
- CN114390295B CN114390295B CN202111499740.0A CN202111499740A CN114390295B CN 114390295 B CN114390295 B CN 114390295B CN 202111499740 A CN202111499740 A CN 202111499740A CN 114390295 B CN114390295 B CN 114390295B
- Authority
- CN
- China
- Prior art keywords
- privacy
- encryption
- deep learning
- area
- zone
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
- H04N19/513—Processing of motion vectors
- H04N19/517—Processing of motion vectors by encoding
- H04N19/52—Processing of motion vectors by encoding by predictive encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
- H04N19/513—Processing of motion vectors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种视频隐私保护方法和装置,涉及数据处理技术领域。该方法具体包括隐私区域提取、隐私区域保护、隐私区域管理三步式;隐私保护的第一步是识别和提取视频的隐私区域;第二步为隐私区域保护,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;第三步为隐私区域管理,采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。可以看到,本申请实施例采用三步式的视频隐私保护方案,并提供了三个阶段的落实方案,可以有效的减少监控设备隐私泄露风险,避免造成由信息泄露带来的巨大损失。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种视频隐私保护方法和装置。
背景技术
近年来,随着互联网和多媒体技术的快速发展,以及视频监控的硬件成本、实施成本的不断下降,使视频监控技术得到了广泛应用。视频监控可以使监控者远程对目标区域实施监控,这给日常的治安管理、事故预警、案件侦破等需求带来了极大的便利。
现在市场上的监控设备就隐私泄露的风险应对措施不足。现实生活中视频泄露的案例也并不少见,泄露的隐私信息如果被非法使用,可能会对受害者造成巨大损失和伤害,泄露的信息有些甚至涉及到商业机密和国家安全。因此,亟需解决这一技术问题。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的视频隐私保护方法和装置,采用三步式的视频隐私保护方案,并提供了三个阶段的落实方案,可以有效的减少监控设备隐私泄露风险,避免造成由信息泄露带来的巨大损失。技术方案如下:
第一方面,提供了一种视频隐私保护方法,包括隐私区域提取、隐私区域保护、隐私区域管理三步式;
隐私保护的第一步是识别和提取视频的隐私区域;
第二步为隐私区域保护,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;
第三步为隐私区域管理,采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。
在一种可能的实现方式中,所述识别和提取视频的隐私区域,包括:利用深度学习对视频内的隐私区域进行识别以及提取;
在采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护之后,所述方法包括:
再次利用深度学习对加密保护后的视频进行隐私区域识别以及提取,并根据当前识别隐私区域识别到的个数控制所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数再次对识别提取出来的隐私区域进行多次加密,然后再次利用深度学习进行隐私区域识别以及提取,直至加密到所述深度学习识别不到隐私区域为止,并且在深度学习进行隐私区域识别和提取的过程中,记录被多次识别提取到的隐私区域,并根据识别提取次数判断所述隐私区域是否需要更换加密算法。
在一种可能的实现方式中,所述方法包括:
步骤A1,利用如下公式根据当前识别隐私区域识别到的个数控制下一次所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数:
其中Da+1(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a+1次识别提取到的隐私区域的控制加密次数;Da(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的隐私区域的控制加密次数,若a=1,则Da(G)=1;G[ka(i)]表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据;Fa+1{G[ka(i)]}表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据进行第a+1次深度学习算法的隐私区域识别和提取的输出值,若第a+1次深度学习算法识别和提取到隐私区域则输出Fa+1{G[ka(i)]}=1,反之则输出Fa+1{G[ka(i)]}=0;na表示深度学习算法第a次识别提取到的隐私区域个数;「]表示进行向上取整。
在一种可能的实现方式中,所述方法包括:
步骤A2,利用如下公式根据所述深度学习多次对隐私区域识别以及提取的结果判断对隐私区域进行保护是否执行结束:
其中Ba+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后所述隐私区域保护是否执行结束的控制值;
若Ba+1=1,表示当前还存在隐私区域处于危险状态则隐私区域保护未结束,则需要首先通过步骤A3的判断以及控制再继续进行步骤A1的加密算法和步骤A2的判断;
若Ba+1=0,表示当前不存在隐私区域处于危险状态则隐私区域保护结束,即三步式中的第二步结束,则不通过步骤A3直接进行三步式中第三步的步骤;
步骤A3,若在步骤A2中判断为若Ba+1=1,则利用下面的公式根据被多次识别提取到的隐私区域的提取次数判断所述隐私区域是否需要更换加密算法:
其中φa+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后是否需要更换所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的控制值;
若φa+1>0,表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式未失效,则无需更换加密算法继续进行上述步骤A1和A2的计算和判断;
若φa+1≤0,表示表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方法已失效,则需更换新的加密算法继续进行上述步骤A1和A2的计算和判断。
第二方面,提供了一种视频隐私保护装置,包括:
隐私区域提取模块,用于识别和提取视频的隐私区域;
隐私区域保护模块,用于采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;
隐私区域管理模块,用于采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。
在一种可能的实现方式中,所述隐私区域提取模块还用于:利用深度学习对视频内的隐私区域进行识别以及提取;
所述隐私区域保护模块还用于:在采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护之后,再次利用深度学习对加密保护后的视频进行隐私区域识别以及提取,并根据当前识别隐私区域识别到的个数控制所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数再次对识别提取出来的隐私区域进行多次加密,然后再次利用深度学习进行隐私区域识别以及提取,直至加密到所述深度学习识别不到隐私区域为止,并且在深度学习进行隐私区域识别和提取的过程中,记录被多次识别提取到的隐私区域,并根据识别提取次数判断所述隐私区域是否需要更换加密算法。
在一种可能的实现方式中,所述隐私区域保护模块还用于:
步骤A1,利用如下公式根据当前识别隐私区域识别到的个数控制下一次所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数:
其中Da+1(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a+1次识别提取到的隐私区域的控制加密次数;Da(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的隐私区域的控制加密次数,若a=1,则Da(G)=1;G[ka(i)]表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据;Fa+1{G[ka(i)]}表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据进行第a+1次深度学习算法的隐私区域识别和提取的输出值,若第a+1次深度学习算法识别和提取到隐私区域则输出Fa+1{G[ka(i)]}=1,反之则输出Fa+1{G[ka(i)]}=0;na表示深度学习算法第a次识别提取到的隐私区域个数;「]表示进行向上取整。
在一种可能的实现方式中,所述隐私区域保护模块还用于:
步骤A2,利用如下公式根据所述深度学习多次对隐私区域识别以及提取的结果判断对隐私区域进行保护是否执行结束:
其中Ba+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后所述隐私区域保护是否执行结束的控制值;
若Ba+1=1,表示当前还存在隐私区域处于危险状态则隐私区域保护未结束,则需要首先通过步骤A3的判断以及控制再继续进行步骤A1的加密算法和步骤A2的判断;
若Ba+1=0,表示当前不存在隐私区域处于危险状态则隐私区域保护结束,即三步式中的第二步结束,则不通过步骤A3直接进行三步式中第三步的步骤;
步骤A3,若在步骤A2中判断为若Ba+1=1,则利用下面的公式根据被多次识别提取到的隐私区域的提取次数判断所述隐私区域是否需要更换加密算法:
其中φa+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后是否需要更换所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的控制值;
若φa+1>0,表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式未失效,则无需更换加密算法继续进行上述步骤A1和A2的计算和判断;
若φa+1≤0,表示表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方法已失效,则需更换新的加密算法继续进行上述步骤A1和A2的计算和判断。
借由上述技术方案,本申请实施例提供的视频隐私保护方法和装置,具体包括隐私区域提取、隐私区域保护、隐私区域管理三步式;隐私保护的第一步是识别和提取视频的隐私区域;第二步为隐私区域保护,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;第三步为隐私区域管理,采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。可以看到,本申请实施例采用三步式的视频隐私保护方案,并提供了三个阶段的落实方案,可以有效的减少监控设备隐私泄露风险,避免造成由信息泄露带来的巨大损失。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1示出了根据本申请实施例的视频隐私保护方法的流程图;
图2示出了根据本申请实施例的视频隐私保护装置的结构图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
本申请实施例提供了一种视频隐私保护方法,可以应用在服务器、移动终端、个人电脑、平板电脑等电子设备。如图1所示,该视频隐私保护方法可以包括隐私区域提取、隐私区域保护、隐私区域管理三步式,具体包括以下步骤S101至S103:
步骤S101,隐私保护的第一步是识别和提取视频的隐私区域;
步骤S102,第二步为隐私区域保护,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;
步骤S103,第三步为隐私区域管理,采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。
该步骤中,可以采用人脸识别和身体轮廓检验相结合的方式对访问视频的请求进行验证,如果验证通过,则展示视频的隐私区域;如果验证不通过,则不展示视频的隐私区域。
在本实施例中,视频具体可以是监控设备采集的视频数据。帧内预测模式加密、运动矢量及运动补偿加密可以采用现有的加密手段。另外,人脸识别和身体轮廓检验可以采用现有的人脸识别算法和身体轮廓检验算法。
本申请实施例具体可以包括隐私区域提取、隐私区域保护、隐私区域管理三步式;隐私保护的第一步是识别和提取视频的隐私区域;第二步为隐私区域保护,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;第三步为隐私区域管理,采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。可以看到,本申请实施例采用三步式的视频隐私保护方案,并提供了三个阶段的落实方案,可以有效的减少监控设备隐私泄露风险,避免造成由信息泄露带来的巨大损失。
本申请实施例中提供了一种可能的实现方式,上文步骤S101识别和提取视频的隐私区域,具体可以是利用深度学习对视频内的隐私区域进行识别以及提取,可以提高识别和提取的效率。
进一步地,在步骤S102采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护之后,可以再次利用深度学习对加密保护后的视频进行隐私区域识别以及提取,并根据当前识别隐私区域识别到的个数控制帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数再次对识别提取出来的隐私区域进行多次加密,然后再次利用深度学习进行隐私区域识别以及提取,直至加密到深度学习识别不到隐私区域为止,并且在深度学习进行隐私区域识别和提取的过程中,记录被多次识别提取到的隐私区域,并根据识别提取次数判断隐私区域是否需要更换加密算法。
本申请实施例中提供了一种可能的实现方式,在进行隐私区域保护时,可以包括:
步骤A1,利用如下公式根据当前识别隐私区域识别到的个数控制下一次帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数:
其中Da+1(G)表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a+1次识别提取到的隐私区域的控制加密次数;Da(G)表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的隐私区域的控制加密次数,若a=1,则Da(G)=1;G[ka(i)]表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据;Fa+1{G[ka(i)]}表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据进行第a+1次深度学习算法的隐私区域识别和提取的输出值,若第a+1次深度学习算法识别和提取到隐私区域则输出Fa+1{G[ka(i)]}=1,反之则输出Fa+1{G[ka(i)]}=0;na表示深度学习算法第a次识别提取到的隐私区域个数;「]表示进行向上取整。
本申请实施例根据当前识别隐私区域识别到的个数控制下一次帧内预测模式加密、运动矢量及运动补偿加密结合的方法的加密次数,进而根据每次识别到的隐私区域个数逐步增加加密次数,以确保加密的可靠性。
本申请实施例中提供了一种可能的实现方式,在进行隐私区域保护时,还可以包括:
步骤A2,利用如下公式根据深度学习多次对隐私区域识别以及提取的结果判断对隐私区域进行保护是否执行结束:
其中Ba+1表示深度学习算法在进行完第a+1次隐私区域的识别和提取后隐私区域保护是否执行结束的控制值;
若Ba+1=1,表示当前还存在隐私区域处于危险状态则隐私区域保护未结束,则需要首先通过步骤A3的判断以及控制再继续进行步骤A1的加密算法和步骤A2的判断;
若Ba+1=0,表示当前不存在隐私区域处于危险状态则隐私区域保护结束,即三步式中的第二步结束,则不通过步骤A3直接进行三步式中第三步的步骤;
步骤A3,若在步骤A2中判断为若Ba+1=1,则利用下面的公式根据被多次识别提取到的隐私区域的提取次数判断隐私区域是否需要更换加密算法:
其中φa+1表示深度学习算法在进行完第a+1次隐私区域的识别和提取后是否需要更换帧内预测模式加密、运动矢量及运动补偿加密结合的方式的控制值;
若φa+1>0,表示当前帧内预测模式加密、运动矢量及运动补偿加密结合的方式未失效,则无需更换加密算法继续进行上述步骤A1和A2的计算和判断;
若φa+1≤0,表示表示当前帧内预测模式加密、运动矢量及运动补偿加密结合的方法已失效,则需更换新的加密算法继续进行上述步骤A1和A2的计算和判断。
本申请实施例根据深度学习多次对隐私区域识别以及提取的结果判断第二步为隐私区域保护是否执行结束,以确保第二步以完全将隐私区域加密保护完,确保加密的安全性;最后再利用步骤A3的公式根据被多次识别提取到的隐私区域的提取次数判断隐私区域是否需要更换加密算法,以防止在加密过程中算法失效起不到作用,进而根据加密的状态及时地判断是否需要更换加密算法,保证三步式的第一步和第二步都可以顺利完成。
需要说明的是,实际应用中,上述所有可能的实施方式可以采用结合的方式任意组合,形成本申请的可能的实施例,在此不再一一赘述。
基于上文各个实施例提供的视频隐私保护方法,基于同一发明构思,本申请实施例还提供了一种视频隐私保护装置。
图2示出了根据本申请实施例的视频隐私保护装置的结构图。如图2所示,该视频隐私保护装置可以包括隐私区域提取模块210、隐私区域保护模块220以及隐私区域管理模块230。
隐私区域提取模块210,用于识别和提取视频的隐私区域;
隐私区域保护模块220,用于采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;
隐私区域管理模块230,用于采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。
本申请实施例中提供了一种可能的实现方式,上文图2展示的隐私区域提取模块210还用于:利用深度学习对视频内的隐私区域进行识别以及提取;
隐私区域保护模块220还用于:在采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护之后,再次利用深度学习对加密保护后的视频进行隐私区域识别以及提取,并根据当前识别隐私区域识别到的个数控制帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数再次对识别提取出来的隐私区域进行多次加密,然后再次利用深度学习进行隐私区域识别以及提取,直至加密到深度学习识别不到隐私区域为止,并且在深度学习进行隐私区域识别和提取的过程中,记录被多次识别提取到的隐私区域,并根据识别提取次数判断隐私区域是否需要更换加密算法。
本申请实施例中提供了一种可能的实现方式,上文图2展示的隐私区域保护模块220还用于:
步骤A1,利用如下公式根据当前识别隐私区域识别到的个数控制下一次帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数:
其中Da+1(G)表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a+1次识别提取到的隐私区域的控制加密次数;Da(G)表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的隐私区域的控制加密次数,若a=1,则Da(G)=1;G[ka(i)]表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据;Fa+1{G[ka(i)]}表示帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据进行第a+1次深度学习算法的隐私区域识别和提取的输出值,若第a+1次深度学习算法识别和提取到隐私区域则输出Fa+1(G[ka(i)]}=1,反之则输出Fa+1{G[ka(i)]}=0;na表示深度学习算法第a次识别提取到的隐私区域个数;「]表示进行向上取整。
本申请实施例中提供了一种可能的实现方式,上文图2展示隐私区域保护模块220还用于:
步骤A2,利用如下公式根据深度学习多次对隐私区域识别以及提取的结果判断对隐私区域进行保护是否执行结束:
其中Ba+1表示深度学习算法在进行完第a+1次隐私区域的识别和提取后隐私区域保护是否执行结束的控制值;
若Ba+1=1,表示当前还存在隐私区域处于危险状态则隐私区域保护未结束,则需要首先通过步骤A3的判断以及控制再继续进行步骤A1的加密算法和步骤A2的判断;
若Ba+1=0,表示当前不存在隐私区域处于危险状态则隐私区域保护结束,即三步式中的第二步结束,则不通过步骤A3直接进行三步式中第三步的步骤;
步骤A3,若在步骤A2中判断为若Ba+1=1,则利用下面的公式根据被多次识别提取到的隐私区域的提取次数判断隐私区域是否需要更换加密算法:
其中φa+1表示深度学习算法在进行完第a+1次隐私区域的识别和提取后是否需要更换帧内预测模式加密、运动矢量及运动补偿加密结合的方式的控制值;
若φa+1>0,表示当前帧内预测模式加密、运动矢量及运动补偿加密结合的方式未失效,则无需更换加密算法继续进行上述步骤A1和A2的计算和判断;
若φa+1≤0,表示表示当前帧内预测模式加密、运动矢量及运动补偿加密结合的方法已失效,则需更换新的加密算法继续进行上述步骤A1和A2的计算和判断。
本申请实施例识别和提取视频的隐私区域,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;进而采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理。可以看到,本申请实施例采用三步式的视频隐私保护方案,并提供了三个阶段的落实方案,可以有效的减少监控设备隐私泄露风险,避免造成由信息泄露带来的巨大损失。
所属领域的技术人员可以清楚地了解到,上述描述的系统、装置、模块的具体工作过程,可以参考前述方法实施例中的对应过程,为简洁起见,在此不另赘述。
本领域普通技术人员可以理解:本申请的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,其包括若干程序指令,用以使得一电子设备(例如个人计算机,服务器,或者网络设备等)在运行所述程序指令时执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的电子设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被电子设备的处理器执行时,所述电子设备执行本申请各实施例所述方法的全部或部分步骤。
以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:在本申请的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案脱离本申请的保护范围。
Claims (4)
1.一种视频隐私保护方法,其特征在于,包括隐私区域提取、隐私区域保护、隐私区域管理三步式;
隐私保护的第一步是识别和提取视频的隐私区域;
第二步为隐私区域保护,采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;
第三步为隐私区域管理,采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理;
其中,所述识别和提取视频的隐私区域,包括:利用深度学习对视频内的隐私区域进行识别以及提取;
在采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护之后,所述方法包括:
再次利用深度学习对加密保护后的视频进行隐私区域识别以及提取,并根据当前识别隐私区域识别到的个数控制所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数再次对识别提取出来的隐私区域进行多次加密,然后再次利用深度学习进行隐私区域识别以及提取,直至加密到所述深度学习识别不到隐私区域为止,并且在深度学习进行隐私区域识别和提取的过程中,记录被多次识别提取到的隐私区域,并根据识别提取次数判断所述隐私区域是否需要更换加密算法;
其中,所述视频隐私保护方法还包括:
步骤A1,利用如下公式根据当前识别隐私区域识别到的个数控制下一次所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数:
其中Da+1(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a+1次识别提取到的隐私区域的控制加密次数;Da(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的隐私区域的控制加密次数,若a=1,则Da(G)=1;G[ka(i)]表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据;Fa+1{G[ka(i)]}表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据进行第a+1次深度学习算法的隐私区域识别和提取的输出值,若第a+1次深度学习算法识别和提取到隐私区域则输出Fa+1{G[ka(i)]}=1,反之则输出Fa+1{G[ka(i)]}=0;na表示深度学习算法第a次识别提取到的隐私区域个数;表示进行向上取整。
2.根据权利要求1所述的视频隐私保护方法,其特征在于,包括:
步骤A2,利用如下公式根据所述深度学习多次对隐私区域识别以及提取的结果判断对隐私区域进行保护是否执行结束:
其中Ba+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后所述隐私区域保护是否执行结束的控制值;
若Ba+1=1,表示当前还存在隐私区域处于危险状态则隐私区域保护未结束,则需要首先通过步骤A3的判断以及控制再继续进行步骤A1的加密算法和步骤A2的判断;
若Ba+1=0,表示当前不存在隐私区域处于危险状态则隐私区域保护结束,即三步式中的第二步结束,则不通过步骤A3直接进行三步式中第三步的步骤;
步骤A3,若在步骤A2中判断为若Ba+1=1,则利用下面的公式根据被多次识别提取到的隐私区域的提取次数判断所述隐私区域是否需要更换加密算法:
其中φa+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后是否需要更换所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的控制值;
若φa+1>0,表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式未失效,则无需更换加密算法继续进行上述步骤A1和A2的计算和判断;
若φa+1≤0,表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方法已失效,则需更换新的加密算法继续进行上述步骤A1和A2的计算和判断。
3.一种视频隐私保护装置,其特征在于,包括:
隐私区域提取模块,用于识别和提取视频的隐私区域;
隐私区域保护模块,用于采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护;
隐私区域管理模块,用于采用人脸识别和身体轮廓检验相结合的方式对隐私区域进行管理;
其中,所述隐私区域提取模块还用于:利用深度学习对视频内的隐私区域进行识别以及提取;
所述隐私区域保护模块还用于:在采用帧内预测模式加密、运动矢量及运动补偿加密结合的方式对隐私区域进行保护之后,再次利用深度学习对加密保护后的视频进行隐私区域识别以及提取,并根据当前识别隐私区域识别到的个数控制所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数再次对识别提取出来的隐私区域进行多次加密,然后再次利用深度学习进行隐私区域识别以及提取,直至加密到所述深度学习识别不到隐私区域为止,并且在深度学习进行隐私区域识别和提取的过程中,记录被多次识别提取到的隐私区域,并根据识别提取次数判断所述隐私区域是否需要更换加密算法;
其中,所述隐私区域保护模块还用于:
步骤A1,利用如下公式根据当前识别隐私区域识别到的个数控制下一次所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的加密次数:
其中Da+1(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a+1次识别提取到的隐私区域的控制加密次数;Da(G)表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的隐私区域的控制加密次数,若a=1,则Da(G)=1;G[ka(i)]表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据;Fa+1{G[ka(i)]}表示所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式对深度学习算法第a次识别提取到的第i个隐私区域进行加密后的二进制形式的隐私区域数据进行第a+1次深度学习算法的隐私区域识别和提取的输出值,若第a+1次深度学习算法识别和提取到隐私区域则输出Fa+1{G[ka(i)]}=1,反之则输出Fa+1{G[ka(i)]}=0;na表示深度学习算法第a次识别提取到的隐私区域个数;表示讲行向上取整。
4.根据权利要求3所述的视频隐私保护装置,其特征在于,所述隐私区域保护模块还用于:
步骤A2,利用如下公式根据所述深度学习多次对隐私区域识别以及提取的结果判断对隐私区域进行保护是否执行结束:
其中Ba+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后所述隐私区域保护是否执行结束的控制值;
若Ba+1=1,表示当前还存在隐私区域处于危险状态则隐私区域保护未结束,则需要首先通过步骤A3的判断以及控制再继续进行步骤A1的加密算法和步骤A2的判断;
若Ba+1=0,表示当前不存在隐私区域处于危险状态则隐私区域保护结束,即三步式中的第二步结束,则不通过步骤A3直接进行三步式中第三步的步骤;
步骤A3,若在步骤A2中判断为若Ba+1=1,则利用下面的公式根据被多次识别提取到的隐私区域的提取次数判断所述隐私区域是否需要更换加密算法:
其中φa+1表示所述深度学习算法在进行完第a+1次隐私区域的识别和提取后是否需要更换所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式的控制值;
若φa+1>0,表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方式未失效,则无需更换加密算法继续进行上述步骤A1和A2的计算和判断;
若φa+1≤0,表示当前所述帧内预测模式加密、运动矢量及运动补偿加密结合的方法已失效,则需更换新的加密算法继续进行上述步骤A1和A2的计算和判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499740.0A CN114390295B (zh) | 2021-12-09 | 2021-12-09 | 一种视频隐私保护方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499740.0A CN114390295B (zh) | 2021-12-09 | 2021-12-09 | 一种视频隐私保护方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114390295A CN114390295A (zh) | 2022-04-22 |
CN114390295B true CN114390295B (zh) | 2022-08-19 |
Family
ID=81195174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111499740.0A Active CN114390295B (zh) | 2021-12-09 | 2021-12-09 | 一种视频隐私保护方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114390295B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113473138A (zh) * | 2021-06-30 | 2021-10-01 | 杭州海康威视数字技术股份有限公司 | 视频帧编码方法、装置、电子设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101936802B1 (ko) * | 2012-07-20 | 2019-01-09 | 한국전자통신연구원 | 얼굴인식 기반의 개인정보보호 장치 및 방법 |
CN103763567B (zh) * | 2013-12-31 | 2017-01-18 | 华中科技大学 | 一种应用于监控视频隐私保护的压缩域失真漂移补偿方法 |
CN107273822B (zh) * | 2017-05-26 | 2021-06-04 | 西安电子科技大学 | 一种基于监控视频多目标跟踪和人脸识别的隐私保护方法 |
CN109948508A (zh) * | 2019-03-14 | 2019-06-28 | 深圳市趣创科技有限公司 | 一种面部识别方法及装置 |
CN111737706B (zh) * | 2020-05-11 | 2023-01-06 | 华南理工大学 | 一种生物特征隐私保护的前端人像加密与识别方法 |
CN111726345B (zh) * | 2020-06-15 | 2021-07-06 | 电子科技大学 | 基于授权认证的视频实时人脸加密解密方法 |
CN111898587A (zh) * | 2020-08-14 | 2020-11-06 | 广州盈可视电子科技有限公司 | 一种视频打码处理方法和装置 |
CN113489991B (zh) * | 2021-06-30 | 2023-04-07 | 杭州海康威视数字技术股份有限公司 | 视频编码方法、装置、视频编码设备及存储介质 |
-
2021
- 2021-12-09 CN CN202111499740.0A patent/CN114390295B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113473138A (zh) * | 2021-06-30 | 2021-10-01 | 杭州海康威视数字技术股份有限公司 | 视频帧编码方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
多值预测位置隐私保护机制;宋成等;《北京邮电大学学报》;20211109;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114390295A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101506815A (zh) | 用于安全系统的双处理器结构 | |
CN103345601A (zh) | 基于射频的身份记录和验证系统 | |
CN101038568A (zh) | 外置式计算机硬盘数据加密方法及其装置 | |
CN103559435A (zh) | 终端设备的调试端口控制方法和装置 | |
CN103440462A (zh) | 一种提高安全微处理器安全保密性能的嵌入式控制方法 | |
CN106446667B (zh) | 一种密码数据处理方法、装置及设备 | |
CN114528602B (zh) | 基于攻击检测行为的安全芯片运行方法及装置 | |
CN103473512B (zh) | 一种移动存储介质管理方法和装置 | |
CN114390295B (zh) | 一种视频隐私保护方法和装置 | |
CN114942729A (zh) | 一种计算机系统的数据安全存储与读取方法 | |
CN104866783A (zh) | 一种文件存储方法及装置 | |
CN1186732C (zh) | 电脑硬盘的保护方法及保护系统 | |
CN112637172A (zh) | 一种新型数据安全与保密方法 | |
US11249691B2 (en) | Data judging method applied in distributed storage system and distributed storage system | |
CN111553693A (zh) | 一种基于二次哈希的关联存证方法及系统 | |
CN116821928A (zh) | 一种提高电力边缘计算芯片内部数据安全性的方法及系统 | |
CN116401718A (zh) | 基于区块链的数据保护方法及装置、电子设备和存储介质 | |
CN105678185A (zh) | 一种数据安全保护方法以及智能终端管理系统 | |
CN112738006B (zh) | 识别方法、设备及存储介质 | |
WO2009057098A1 (en) | Software protection against fault attacks | |
JP2006221259A (ja) | 外部記憶媒体へのデータ記録方式とこれに使用するデータ転送制御インタフェース・ソフトウェアー | |
CN103824029B (zh) | 智能卡数据处理方法和装置 | |
CN111556339A (zh) | 一种基于敏感信息度量的视频信息隐私保护系统及方法 | |
KR101955449B1 (ko) | 인증프로세스의 단계분할과 생채인증을 접목한 개인정보침해 방어 방법 및 시스템 | |
CN110059469A (zh) | 一种安全u盘系统及其使用方法 |
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 |