CN114448733A - 虚拟机器视觉系统的加密传输模型训练方法及加解密方法 - Google Patents

虚拟机器视觉系统的加密传输模型训练方法及加解密方法 Download PDF

Info

Publication number
CN114448733A
CN114448733A CN202210371161.6A CN202210371161A CN114448733A CN 114448733 A CN114448733 A CN 114448733A CN 202210371161 A CN202210371161 A CN 202210371161A CN 114448733 A CN114448733 A CN 114448733A
Authority
CN
China
Prior art keywords
model
decoding
sample image
vision system
virtual machine
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
Application number
CN202210371161.6A
Other languages
English (en)
Inventor
郑泽胜
苏键聪
李晋芳
李博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yidao Intelligent Information Technology Co ltd
Original Assignee
Guangzhou Yidao Intelligent Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yidao Intelligent Information Technology Co ltd filed Critical Guangzhou Yidao Intelligent Information Technology Co ltd
Priority to CN202210371161.6A priority Critical patent/CN114448733A/zh
Publication of CN114448733A publication Critical patent/CN114448733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • H04L63/205—Network architectures or network communication protocols for network security for managing network security; network security policies in general involving negotiation or determination of the one or more network security mechanisms to be used, e.g. by negotiation between the client and the server or between peers or by selection according to the capabilities of the entities involved
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/136—Incoming video signal characteristics or properties
    • 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
    • H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种虚拟机器视觉系统的加密传输模型训练方法及加解密方法，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。

Description

虚拟机器视觉系统的加密传输模型训练方法及加解密方法
技术领域
本发明涉及机器视觉与虚拟现实技术领域，特别是涉及一种虚拟机器视觉系统的加密传输模型训练方法及加解密方法。
背景技术
虚拟现实是指虚拟和现实相互结合。从理论上来讲，虚拟现实技术（VRVirtualReality）是一种可以创建和体验虚拟世界的计算机仿真系统，其利用计算机生成一种模拟环境，使用户沉浸到该环境中。虚拟现实技术就是利用现实生活中的数据，通过计算机技术产生的电子信号，将其与各种输出设备结合使其转化为能够让人们感受到的现象，这些现象可以是现实中真切的物体，也可是我们肉眼所看不到的物质，而通过三维模型表现出来。
视觉系统就是用机器代替人眼来做测量和判断。视觉系统是指通过机器视觉产品（即图像摄取装置，常分COMS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。传统机器视觉系统主要由光学组件、图像采集单元以及计算机单元组成。对应的，虚拟机器视觉系统包括：样品库、样品输入、相机、相机架、镜头、光源等VR组件。
然而，在虚拟机器视觉系统中，存在图像编码方式信息量过大、传输速度较慢等问题。同时，图像被编码后的信息缺乏加密保护，导致信息被截取风险较高。
发明内容
基于此，有必要针对传统虚拟机器视觉系统进行图像信息传输所存在的缺陷，提供一种虚拟机器视觉系统的加密传输模型训练方法及加解密方法。
一种虚拟机器视觉系统的加密传输模型训练方法，包括步骤：
获取虚拟机器视觉系统的样本图像及样本图像的场景信息；
根据样本图像和场景信息建立数据集；
通过机器学习算法训练用于根据数据集进行编码的编码模型；其中，编码模型用于输出编码；
根据机器学习算法训练用于对编码进行解码的解码模型；
根据编码模型和解码模型建立加密传输模型。
上述的虚拟机器视觉系统的加密传输模型训练方法，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
在其中一个实施例中，在根据样本图像和场景信息建立数据集的过程之前，还包括步骤：
对场景信息进行归一化处理。
在其中一个实施例中，对场景信息进行归一化处理的过程，如下式：
Figure 32540DEST_PATH_IMAGE001
其中，X '表示归一化后的数据，X表示归一化前的数据，min表示场景信息的最小值，max表示场景信息的最大值。
在其中一个实施例中，在根据样本图像和场景信息建立数据集的过程之前，还包括步骤：
为样本图像添加噪声信息。
在其中一个实施例中，为样本图像添加噪声信息的过程，如下式：
Figure 1633DEST_PATH_IMAGE002
其中，（x，y）表示样本图像的像素坐标，σ表示标准差，用于为样本图像的像素点随机生成噪声信息。其中h（x，y）表示（x，y）的像素值，e表示自然数。
在其中一个实施例中，机器学习算法包括卷积神经网络算法；
编码模型为包括卷积层、最大池化层和全连接层的三层卷积神经网络。
在其中一个实施例中，机器学习算法包括卷积神经网络算法；
解码模型为包括卷积层、最大池化层和全连接层的三层卷积神经网络。
在其中一个实施例中，解码模型的解码过程如下式：
Figure 720453DEST_PATH_IMAGE003
其中，z表示编码，其服从正态分布（0，1）。P(x)为图像x的预测数据，P(z)为编码z的预测概率，P(x│z)为在编码为z的前提下图像x的预测数据。
一种虚拟机器视觉系统的加密传输模型训练装置，包括：
样本获取模块，用于获取虚拟机器视觉系统的样本图像及样本图像的场景信息；
数据建立模块，用于根据样本图像和场景信息建立数据集；
第一训练模块，用于通过机器学习算法训练用于根据数据集进行编码的编码模型；其中，编码模型用于输出编码；
第二训练模块，用于根据机器学习算法训练用于对编码进行解码的解码模型；
模型建立模块，用于根据编码模型和解码模型建立加密传输模型。
上述的虚拟机器视觉系统的加密传输模型训练装置，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的虚拟机器视觉系统的加密传输模型训练方法。
上述的计算机存储介质，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的虚拟机器视觉系统的加密传输模型训练方法。
上述的计算机设备，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
一种虚拟机器视觉系统的加密方法，包括步骤：
获取虚拟机器视觉系统的待加密图像；
通过编码模型对待加密图像进行编码，获得输出编码。
上述的虚拟机器视觉系统的加密方法，在获取到虚拟机器视觉系统的待加密图像后，通过编码模型对待加密图像进行编码，获得输出编码。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
一种虚拟机器视觉系统的解密方法，包括步骤：
获取传输链路中编码模型的输出编码；
通过解码模型对输出编码进行解码，获得对应的待加密图像。
上述的虚拟机器视觉系统的解密方法，在获取传输链路中编码模型的输出编码后，通过解码模型对输出编码进行解码，获得对应的待加密图像。基于此，在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码在传输链路中传输的安全性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为一实施方式的虚拟机器视觉系统的加密传输模型训练方法流程图；
图2为另一实施方式的虚拟机器视觉系统的加密传输模型训练方法流程图；
图3为一实施方式的虚拟机器视觉系统的加密传输模型训练装置模块结构图；
图4为一实施方式的虚拟机器视觉系统的加密方法流程图；
图5为一实施方式的虚拟机器视觉系统的解密方法流程图；
图6为一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
本发明实施例提供了一种虚拟机器视觉系统的加密传输模型训练方法。
图1为一实施方式的虚拟机器视觉系统的加密传输模型训练方法流程图，如图1所示，一实施方式的虚拟机器视觉系统的加密传输模型训练方法包括步骤S100至步骤S104：
S100，获取虚拟机器视觉系统的样本图像及样本图像的场景信息；
S101，根据样本图像和场景信息建立数据集；
S102，通过机器学习算法训练用于根据数据集进行编码的编码模型；其中，编码模型用于输出编码；
S103，根据机器学习算法训练用于对编码进行解码的解码模型；
S104，根据编码模型和解码模型建立加密传输模型。
其中，作为编码模型和解码模型的训练数据，对虚拟机器视觉系统进行训练数据采集，即获取虚拟机器视觉系统的图像作为样本图像。同时，记录样本图像的场景光源类型、工件类型等场景信息。
在其中一个实施例中，利用虚拟现实机器视觉实验室当中的虚拟相机搭配镜头在不同光场情况下进行拍照，获取拍摄到的图片作为样本图像。具体设置了三组光场条件：
明场条件：利用条形光源与地面平行0度正置于被拍摄工件的上方，等时间间隔切换拍照彩色模式与黑白模式，等时间拍摄不同工件通过视觉检测点的情况，将其作为明场高分辨率样本数据
Figure 927443DEST_PATH_IMAGE004
，即
Figure 837631DEST_PATH_IMAGE005
，并且样本图像皆为1920*1080的RGB三通道图像。
暗场条件：利用两条形光源与地面成45度斜置于被拍摄工件的侧上方形成双侧非直射光场，等时间间隔切换拍照彩色模式与黑白模式，等时间拍摄不同工件通过视觉检测点的情况，将其作为暗场高分辨率样本数据
Figure 497282DEST_PATH_IMAGE006
，即
Figure 518328DEST_PATH_IMAGE007
，并且样本图像皆为1920*1080的RGB三通道图像。
背光条件：利用方形面光源与地面成0度放置于被拍摄工件的正下方（被拍摄物件放置于面光源上）形成背光光场，等时间间隔切换拍照彩色模式与黑白模式，等时间拍摄不同工件通过视觉检测点的情况，将其作为背光光场高分辨率样本数据
Figure 314245DEST_PATH_IMAGE008
，即
Figure 395334DEST_PATH_IMAGE009
，并且样本图像皆为1920*1080的RGB三通道图像。
基于此，通过三组广场条件的设置，丰富虚拟机器视觉系统的样本图像的类型，提高后续模型训练应用在虚拟机器视觉系统领域的鲁棒性。将样本图像和场景信息进行数字化，形成与机器学习对应的数据集，作为编码模型和解码模型的训练数据。在其中一个实施例中，样本图像以像素矩阵的形式完成数字化。其中，像素矩阵的元素为图像每个像素点的像素值。
在其中一个实施例中，图2为另一实施方式的虚拟机器视觉系统的加密传输模型训练方法流程图，如图2所示，在根据样本图像和场景信息建立数据集的过程之前，还包括步骤S200：
S200，对场景信息进行归一化处理。
将场景信息形成与样本图像数字化对应的数字化形式。例如，将场景信息形成一个2*2矩阵。对应的，将场景光源类型、工件类型等场景信息在矩阵维度中不同位置作为区别。例如，将光的冷暖度、角度、拍摄工件类型等通过归一化将其缩放到[0，1]区间。
在其中一个实施例中，对场景信息进行归一化处理的过程，如下式：
Figure 542281DEST_PATH_IMAGE010
其中，X '表示归一化后的数据，X表示归一化前的数据，min表示场景信息的最小值，max表示场景信息的最大值。
在其中一个实施例中，如图2所示，在根据样本图像和场景信息建立数据集的过程之前，还包括步骤S201：
S201，为样本图像添加噪声信息。
其中，为样本图像添加噪声信息，可提高以数据集为基础进行训练的编码模型和解码模型的鲁棒性。在其中一个实施例中，选用高斯噪声作为噪声信息进行添加。对应的，为样本图像添加噪声信息的过程，如下式：
Figure 367018DEST_PATH_IMAGE011
其中，（x，y）表示样本图像的像素坐标，σ表示标准差，用于为样本图像的像素点随机生成噪声信息。其中，高斯噪声即为噪声的概率密度函数服从高斯分布的噪声，此处设置σ=1，为样本图像的每个像素点随机生成高斯噪声，将该通过在样本图像中加入噪声可以帮助数据集提高连续程度，提高编码模型部分学习的线性程度。其中h（x，y）表示（x，y）的像素值，e表示自然数。
在其中一个实施例中，对数据集进行数据增强处理，如分辨率变换处理或图像翻转处理。
将获得的训练集
Figure 283021DEST_PATH_IMAGE012
每一个样本图像进行分辨率变换处理，转换成中分辨率1280*720的RGB图像数据集
Figure 269432DEST_PATH_IMAGE013
，再将
Figure 903676DEST_PATH_IMAGE013
的每一个样本转换为低分辨率960*540的RGB数据集，从而将原本的图像数据集扩充了三倍。
将获得的训练集
Figure 266524DEST_PATH_IMAGE014
每一个样本进行水平、上下翻转处理。以1920*1080的RGB图像为例，将样本图像中的像素点(960,540)作为坐标中心点，(1,0)为X轴方向，(1,0)为Y轴方向绘制新坐标轴，重新获得原像素点的像素坐标，在新坐标系下将每一个样本图像的三条通道的X坐标取负（即水平翻转）获得新训练集
Figure 302613DEST_PATH_IMAGE015
。在新坐标系下将每一个样本图像的Y坐标取负（即上下翻转）获得新训练集
Figure 459925DEST_PATH_IMAGE016
Figure 581465DEST_PATH_IMAGE017
。将最终获得所有的样本图像四分之三作为模型训练集，四分之一作为模型测试集。
在其中一个实施例中，机器学习算法包括卷积神经网络算法；
编码模型为包括卷积层、最大池化层和全连接层的三层卷积神经网络。
编码模型包含传统的卷积层、最大池化层以及全连接层这样的三层卷积神经网络，卷积层会输出64、128、256个特征图，池化层部分使用最大池化方法。编码模型会在最后经过全连接层的加权投票，输出远小于原样本图像大小的编码，达到了减小信息传输量的目的。
对应的，解码模型为包括卷积层、最大池化层和全连接层的三层卷积神经网络。解码模型的三层卷积神经网络用于对编码模型进行反向处理。
其中，编码模型的求解过程实际上就是编码每张样本图像的每个像素点的位置和像素值的分布情况，该分布可以拆分为多个高斯分布函数，解码模型实际上就是求该分布，公式如下：
Figure 4397DEST_PATH_IMAGE018
其中，z服从正态分布N(0，1)（z即为编码）。每对于一个采样z，会有两个函数μ和σ，分别为该高斯分布的均值和方差，然后在积分域上所有的高斯分布的累加就成为了原始分布P(X)。再进行Unpooling（反池化）操作和反卷积，解码模型同样为三层的卷积神经网络将编码还原为图像，与编码模型形成一定的对称关系，便于两个部分的模型训练。P(x)为图像x的预测数据，P(z)为编码z的预测概率，P(x│z)为在编码为z的前提下图像x的预测数据。
在其中一个实施例中，解码模型还用于输出之前存储的场景信息。
在完成编码模型和解码模型的训练后，将解码模型与编码模型进行连接。在解码模型与编码模型间构建传输链路，用于传输编码信息，得到完整的加密传输模型。
例如，输入一张从虚拟视觉系统中拍摄到的图像给上述训练完成的加密传输模型，再将最终生成的图像的矩阵与原图像的像素矩阵进行比对，结合场景信息，对图像亮度情况与一开始记录的情况相比较，进一步验证加密传输模型的健全性。通过编码模型的编码，完成图像的加密与压缩，也能在解码后还原图像，保证虚拟机器视觉系统的正常工作。
上述任一实施例的虚拟机器视觉系统的加密传输模型训练方法，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
图3为一实施方式的虚拟机器视觉系统的加密传输模型训练装置模块结构图，如图3所示，一实施方式的虚拟机器视觉系统的加密传输模型训练装置包括：
样本获取模块100，用于获取虚拟机器视觉系统的样本图像及样本图像的场景信息；
数据建立模块101，用于根据样本图像和场景信息建立数据集；
第一训练模块102，用于通过机器学习算法训练用于根据数据集进行编码的编码模型；其中，编码模型用于输出编码；
第二训练模块103，用于根据机器学习算法训练用于对编码进行解码的解码模型；
模型建立模块104，用于根据编码模型和解码模型建立加密传输模型。
上述的虚拟机器视觉系统的加密传输模型训练装置，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
本发明实施例还提供了一种虚拟机器视觉系统的加密方法。
图4为一实施方式的虚拟机器视觉系统的加密方法流程图，如图4所示，一实施方式的虚拟机器视觉系统的加密方法包括步骤S300和步骤S301：
S300，获取虚拟机器视觉系统的待加密图像；
S301，通过编码模型对待加密图像进行编码，获得输出编码。
上述的虚拟机器视觉系统的加密方法，在获取到虚拟机器视觉系统的待加密图像后，通过编码模型对待加密图像进行编码，获得输出编码。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
对应的，本发明实施例还提供了一种虚拟机器视觉系统的解密方法。
图5为一实施方式的解密方法流程图，如图5所示，一实施方式的虚拟机器视觉系统的解密方法包括步骤S400和步骤S401：
S400，获取传输链路中编码模型的输出编码；
S401，通过解码模型对输出编码进行解码，获得对应的待加密图像。
上述的虚拟机器视觉系统的解密方法，在获取传输链路中编码模型的输出编码后，通过解码模型对输出编码进行解码，获得对应的待加密图像。基于此，在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码在传输链路中传输的安全性。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的虚拟机器视觉系统的加密传输模型训练方法及加解密方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存透图属性信息储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的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，包括若干指令用以使得一台计算机设备（可以是个人计算机、终端、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种虚拟机器视觉系统的加密传输模型训练方法及加解密方法。
该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟机器视觉系统的加密传输模型训练方法及加解密方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
上述的计算机设备，在获取到虚拟机器视觉系统的样本图像及样本图像的场景信息后，根据样本图像和场景信息建立数据集，并通过机器学习算法训练用于根据数据集进行编码的编码模型；同时，根据机器学习算法训练用于对编码进行解码的解码模型。最后根据编码模型和解码模型建立加密传输模型。基于此，通过机器学习的编码模型构建，降低编码后的编码信息量。在进行编码信息传输后，由对应的解码模型进行解码，通过机器学习的映射特性，保证编码传输的安全性。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种虚拟机器视觉系统的加密传输模型训练方法，其特征在于，包括步骤：
获取虚拟机器视觉系统的样本图像及所述样本图像的场景信息；
根据所述样本图像和所述场景信息建立数据集；
通过机器学习算法训练用于根据所述数据集进行编码的编码模型；其中，所述编码模型用于输出编码；
根据所述机器学习算法训练用于对所述编码进行解码的解码模型；
根据所述编码模型和所述解码模型建立加密传输模型。
2.根据权利要求1所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，在所述根据所述样本图像和所述场景信息建立数据集的过程之前，还包括步骤：
对所述场景信息进行归一化处理。
3.根据权利要求2所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，所述对所述场景信息进行归一化处理的过程，如下式：
Figure 62065DEST_PATH_IMAGE001
其中，X '表示归一化后的数据，X表示归一化前的数据，min表示所述场景信息的最小值，max表示所述场景信息的最大值。
4.根据权利要求1所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，在所述根据所述样本图像和所述场景信息建立数据集的过程之前，还包括步骤：
为所述样本图像添加噪声信息。
5.根据权利要求4所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，所述为所述样本图像添加噪声信息的过程，如下式：
Figure 741308DEST_PATH_IMAGE002
其中，（x，y）表示所述样本图像的像素坐标，σ表示标准差，用于为所述样本图像的像素点随机生成噪声信息，h（x，y）表示（x，y）的像素值，e表示自然数。
6.根据权利要求1所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，所述机器学习算法包括卷积神经网络算法；
所述编码模型为包括卷积层、最大池化层和全连接层的三层卷积神经网络。
7.根据权利要求1所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，所述机器学习算法包括卷积神经网络算法；
所述解码模型为包括卷积层、最大池化层和全连接层的三层卷积神经网络。
8.根据权利要求7所述的虚拟机器视觉系统的加密传输模型训练方法，其特征在于，所述解码模型的解码过程如下式：
Figure 828212DEST_PATH_IMAGE003
其中，z表示所述编码，其服从正态分布（0，1）；P(x)为图像x的预测数据，P(z)为编码z的预测概率，P(x│z)为在编码为z的前提下图像x的预测数据。
9.一种虚拟机器视觉系统的加密方法，其特征在于，包括步骤：
获取虚拟机器视觉系统的待加密图像；
通过编码模型对所述待加密图像进行编码，获得输出编码。
10.一种虚拟机器视觉系统的解密方法，其特征在于，包括步骤：
获取传输链路中编码模型的输出编码；
通过解码模型对所述输出编码进行解码，获得对应的待加密图像。
CN202210371161.6A 2022-04-11 2022-04-11 虚拟机器视觉系统的加密传输模型训练方法及加解密方法 Pending CN114448733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210371161.6A CN114448733A (zh) 2022-04-11 2022-04-11 虚拟机器视觉系统的加密传输模型训练方法及加解密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210371161.6A CN114448733A (zh) 2022-04-11 2022-04-11 虚拟机器视觉系统的加密传输模型训练方法及加解密方法

Publications (1)

Publication Number Publication Date
CN114448733A true CN114448733A (zh) 2022-05-06

Family

ID=81360220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210371161.6A Pending CN114448733A (zh) 2022-04-11 2022-04-11 虚拟机器视觉系统的加密传输模型训练方法及加解密方法

Country Status (1)

Country Link
CN (1) CN114448733A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116208297A (zh) * 2023-05-06 2023-06-02 中科航迈数控软件(深圳)有限公司 一种数控机床传输数据自适应编码方法、装置及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165854A1 (en) * 2016-08-11 2018-06-14 Integem Inc. Intelligent interactive and augmented reality based user interface platform
CN108710831A (zh) * 2018-04-24 2018-10-26 华南理工大学 一种基于机器视觉的小数据集人脸识别算法
CN109564706A (zh) * 2016-12-01 2019-04-02 英特吉姆股份有限公司 基于智能交互式增强现实的用户交互平台
CN109871124A (zh) * 2019-01-25 2019-06-11 华南理工大学 基于深度学习的情感虚拟现实场景评估方法
CN111858349A (zh) * 2020-07-23 2020-10-30 深圳慕智科技有限公司 一种基于图像语义切割合并的语义扩增方法
CN111967511A (zh) * 2020-08-04 2020-11-20 河海大学 一种基于异构特征融合网络的地基云图分类方法
WO2021247840A2 (en) * 2020-06-03 2021-12-09 Google Llc Systems and methods for improved machine-learned compression

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165854A1 (en) * 2016-08-11 2018-06-14 Integem Inc. Intelligent interactive and augmented reality based user interface platform
CN109564706A (zh) * 2016-12-01 2019-04-02 英特吉姆股份有限公司 基于智能交互式增强现实的用户交互平台
CN108710831A (zh) * 2018-04-24 2018-10-26 华南理工大学 一种基于机器视觉的小数据集人脸识别算法
CN109871124A (zh) * 2019-01-25 2019-06-11 华南理工大学 基于深度学习的情感虚拟现实场景评估方法
WO2021247840A2 (en) * 2020-06-03 2021-12-09 Google Llc Systems and methods for improved machine-learned compression
CN111858349A (zh) * 2020-07-23 2020-10-30 深圳慕智科技有限公司 一种基于图像语义切割合并的语义扩增方法
CN111967511A (zh) * 2020-08-04 2020-11-20 河海大学 一种基于异构特征融合网络的地基云图分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
双锴编著: "《计算机视觉》", 31 January 2020, 北京邮电大学出版社 *
魏龙生等著: "《计算机视觉中的相关滤波跟踪和图像质量评价》", 30 April 2021, 华中科学技术大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116208297A (zh) * 2023-05-06 2023-06-02 中科航迈数控软件(深圳)有限公司 一种数控机床传输数据自适应编码方法、装置及相关设备
CN116208297B (zh) * 2023-05-06 2023-08-08 中科航迈数控软件(深圳)有限公司 一种数控机床传输数据自适应编码方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN109558832B (zh) 一种人体姿态检测方法、装置、设备及存储介质
Cui et al. Multitask aet with orthogonal tangent regularity for dark object detection
CN112733794B (zh) 人脸图像的视线矫正方法、装置、设备及存储介质
CN112733795B (zh) 人脸图像的视线矫正方法、装置、设备及存储介质
CN112001914A (zh) 深度图像补全的方法和装置
US11475608B2 (en) Face image generation with pose and expression control
US20230008085A1 (en) Method for embedding watermark in video data and apparatus, method for extracting watermark in video data and apparatus, device, and storage medium
CN110599395A (zh) 目标图像生成方法、装置、服务器及存储介质
CN111931594A (zh) 人脸识别活体检测方法、装置、计算机设备和存储介质
CN112733797A (zh) 人脸图像的视线矫正方法、装置、设备及存储介质
CN112017222A (zh) 视频全景拼接与三维融合方法及装置
CN114448733A (zh) 虚拟机器视觉系统的加密传输模型训练方法及加解密方法
CN116630514A (zh) 图像处理方法、装置、计算机可读存储介质及电子设备
CN112070703B (zh) 一种仿生机器鱼水下视觉图像增强方法及系统
CN107295261B (zh) 图像去雾处理方法、装置、存储介质和移动终端
CN117392293A (zh) 图像处理方法、装置、电子设备及存储介质
CN116385622B (zh) 云图处理方法、装置、计算机及可读存储介质
CN114862866B (zh) 标定板的检测方法、装置、计算机设备和存储介质
CN115953524A (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN116894911A (zh) 三维重建方法、装置、电子设备及可读存储介质
CN114596245A (zh) 一种图像重构模型的生成方法和计算机设备
CN107481376B (zh) 一种基于智能应用的三维码开锁方法
Zhang et al. TCDM: Transformational Complexity Based Distortion Metric for Perceptual Point Cloud Quality Assessment
CN113255562B (zh) 一种基于光照差异消除的人脸活体检测方法及系统
CN112435201B (zh) 一种编码模板标定方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220506