CN115048547A - 一种应用于安防监控图片视频数据的安全保护方法及系统 - Google Patents

Abstract

本发明公开了一种应用于安防监控图片视频数据的安全保护方法及系统，属于图像数据处理领域。所述方法包括：基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合；基于所述矩形元素分组集合构建混淆集；基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。本发明基于加密技术、地理空间索引技术等对安防监控图片和视频数据进行加密和安全保护，从而有效防止数据被篡改和销毁，并且能够对海量拍摄数据进行有效组织管理以及高效多条件约束查找。

Description

一种应用于安防监控图片视频数据的安全保护方法及系统

技术领域

本发明涉及图像数据处理技术领域，特别是涉及一种应用于安防监控图片视频数据的安全保护方法及系统。

背景技术

具有实时记录功能的各种摄像头已广泛存在于人们生活中的各个领域，如商场、马路、公司、家庭等等。摄像头每天都在产生海量的图片及视频数据，在这些数据中往往隐藏着许多关键信息，对这些海量数据的有效组织管理、查询搜索及关键数据的安全保护一直是值得关注、值得深入研究及意义重大的问题。如在有事故发生时，由这些交通摄像头所产生的公共视频数据往往会作为关键证据帮助法官为目标对象定罪，这导致目标对象可能会通过各种手段来销毁或篡改这些视频数据，法官可能需要从海量拍摄数据中找到某几项关键数据，而这就需要满足针对海量拍摄数据的多条件合法、高效率查找要求。

发明内容

基于此，本发明提供了一种应用于安防监控图片视频数据的安全保护方法及系统，用以对海量拍摄数据进行有效的组织管理以及高效多条件约束查找，从而有效防止数据被篡改和销毁。

一种应用于安防监控图片视频数据的安全保护方法，包括：

S1、基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型；

S2、基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合；

S3、基于所述矩形元素分组集合构建混淆集；

S4、基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。

可选地，所述步骤S1、基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合，具体包括：

S1a、获取所述拍摄数据并构成集合D={d1,d2,...,dm}，集合D中任意数据元素di为所述摄像头拍摄的图片数据或者视频数据，1≤i≤m；

S1b、依次获取集合D中的数据元素di，当判断数据元素di为图片数据时则执行步骤S1c，当判断数据元素di为视频数据则执行步骤S1e；

S1c、当数据元素di为图片数据时，依据数据元素di对应的摄像头的空间位置location、拍摄角度范围[ξ1,ξ2]和拍摄可视距离r为数据元素di构建视域模型；数据元素di的视域模型的视域属性为(location,ξ1,ξ2,r)；

S1d、确定数据元素di的视域模型的包围矩形，根据视域属性(location,ξ1,ξ2,r)计算所述包围矩形的矩形元素(xl,yl,xr,yr)，(xl,yl)和(xr,yr)分别为所述包围矩形的左下顶点坐标和右上顶点坐标，将矩形元素(xl,yl,xr,yr)存入矩形元素集合F中，F=F∪{(xl,yl,xr,yr)；

S1e、当数据元素di为视频数据时，为数据元素di构建假想空间视域模型，所述假想空间视域模型的视域属性为(location,ξ1,ξ2,r)，其中location为一个假想的拍摄位置，[ξ1,ξ2]为假想摄像头的拍摄角度范围，r为假想摄像头的拍摄可视距离；

S1f、确定所述假想空间视域模型的包围矩形；根据视域属性(location,ξ1,ξ2,r)计算包围矩形的矩形元素(xl,yl,xr,yr)，(xl,yl)和(xr,yr)分别为包围矩形的左下顶点坐标和右上顶点坐标，将矩形元素(xl,yl,xr,yr)存入矩形元素集合F中，F=F∪{(xl,yl,xr,yr)；

S1g、判断数据元素di是否为集合D中最后一个元素，若是则返回矩形元素集合F并结束，否则，令i+1并跳转到步骤S1b。

可选地，所述步骤S2、基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合，具体包括：

S2a、为集合D中的所有数据元素构建一个综合假想视域模型，所述综合假象视域模型的视域属性为(Loc,ξs,ξe,R)，所述综合假想视域模型能恰好覆盖集合D中所有数据元素的真实视域模型；

S2b、依次从矩形元素集合F={o1,o2,...,om}中移除一个矩形元素oi=(xl,yl,xr,yr)，1≤i≤m，获取矩形元素oi对应的视域属性oi.fov=(location,ξ1,ξ2,r)，构建集合Di={oi}；

S2c、依次获取当前矩形元素集合F中的一个矩形元素oj=(xl,yl,xr,yr)，j不等于i，获取oj对应的视域属性oj.fov=(location,ξ1,ξ2,r)；

S2d、针对oi.fov=(location,ξ1,ξ2,r)和oj.fov=(location,ξ1,ξ2,r)，分别计算oi.location和oj.location到Loc的距离Dist(Loc,oi.location)和Dist(Loc,oj.location)，并选出两者中的最大距离MaxDist；计算oi.location到oj.location的距离Dist(oi.location,oj.location)；计算oi.[ξ1,ξ2]和oj.[ξ1,ξ2]的角度范围的交集[ξ'1,ξ'2]；计算oi.r和oj.r之差的绝对值|oi.r-oj.r|，按照公式

计算将oi与oj归为一组的得分score(oi,oj)；式中λ1、λ2、λ3为可调节权重值，0≤λ1≤1、0≤λ2≤1、0≤λ3≤1且λ1+λ2+λ3=1；若score(oi,oj)不大于0.3则将oj从矩形元素集合F中移除并将oj存入集合Di，Di=Di∪{oj}；

S2e、判断oj是否为当前矩形元素集合F中的最后一个元素，若是则计算集合Di的包围矩形的矩形元素Recti=(xl,yl,xr,yr)，并执行步骤S2f，否则跳转到步骤S2c；

S2f、判断矩形元素集合F是否为空，为空则返回矩形元素分组集合{Du,...,Dv}并结束，否则跳转到步骤S2b。

可选地，所述步骤S3、基于所述矩形元素分组集合构建混淆集，具体包括：

S3a、获取矩形元素分组集合{Du,...,Dv}；

S3b、依次获取矩形元素分组集合{Du,...,Dv}中的一个矩形元素的分组集合Di={om,...,on}，u≤i≤v，并获取Di中各个矩形元素ox对应的视域属性ox.fov=(location,ξ1,ξ2,r)，m≤x≤n；

S3c、确定Di中包含的矩形元素对应的视域属性中的最小拍摄角度范围ωmin、最大拍摄角度范围ωmax、最小拍摄可视距离rmin和最大拍摄可视距离rmax；

S3d、为集合Di随机生成一个混淆集合Hi={o1,...,oz}，混淆集合Hi中包含z个随机生成的矩形元素，其中任意矩形元素ow，都被Di对应的矩形元素Recti完全覆盖，1<w≤z；混淆集合Hi中任意矩形元素ow对应一个假想的混淆视域模型，混淆视域模型的视域属性为(location,ξ1,ξ2,r)，混淆可视距离r满足rmin≤r≤rmax，混淆拍摄角度范围大小ω满足ωmin≤ω≤ωmax；设置Di的混淆集属性Di.confused=Hi={o1,...,oz}；

S3e、判断Di是否为矩形元素分组集合{Du,...,Dv}中最后一个矩形元素的分组集合，若是则返回矩形元素分组集合{Du,...,Dv}并结束，否则，令i+1并跳转到步骤S3b。

可选地，所述步骤S4、基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密，具体包括：

S4a、依次获取矩形元素分组集合{Du,...,Dv}中的一个矩形元素的分组集合Di={om,...,on}，u≤i≤v，并将Di构建为一个叶子节点Leafi；

S4b、依次为叶子节点Leafi构建空间属性；所述叶子节点Leafi的空间属性包括：孩子属性Leafi.children、包围矩形属性Leafi.rectangle、拍摄角度范围属性Leafi.angrange、拍摄可视距离属性Leafi.disrange以及混淆集属性Leafi.confused；孩子属性Leafi.children为Di∪Hi进行加密计算得到的值；包围矩形属性Leafi.rectangle=Recti；拍摄角度范围属性Leafi.angrange=[ωmin,ωmax]，ωmin为集合Di∪Hi中包含的矩形元素对应的视域属性中的最小拍摄角度范围，ωmax为集合Di∪Hi中包含的矩形元素对应的视域属性中的最大拍摄角度范围；拍摄可视距离属性Leafi.disrange=[rmin,rmax]，rmin为集合Di∪Hi中包含的矩形元素对应的视域属性中的最小可视距离，rmax为集合Di∪Hi中包含的矩形元素对应的视域属性中的最大可视距离；混淆集属性Leafi.confused的值是通过加密算法和公钥对Hi中的矩形元素进行加密得到的密文值；

S4c、判断i是否等于v，若是则得到一个叶子节点集合S1={Leafu,..,Leafv}，继续执行步骤S4d，否则令i+1并跳转到步骤S4a；

S4d、判断当前叶子节点集合S1中叶子节点数是否不大于M，若是则跳转到步骤S4n，否则继续执行步骤S4e；

S4e、将集合S1={Leafu,..,Leafv}中的叶子节点按最小面积约束分为h个组W={W1,W2,..,Wh}，任意叶子分组集合Wx={Leafc,...,Leafk}包含(v-u)/h个叶子节点，h个分组中各个组的(v-u)/h个叶子节点的空间覆盖范围的面积之和最小；

S4f、依次获取集合W={W1,W2,..,Wh}中的一个叶子节点的分组集合Wx，将Wx中的叶子节点构建为一个非叶子节点NonLeafx；

S4g、依次为非叶子节点NonLeafx构建空间属性；所述非叶子节点NonLeafx的空间属性包括：孩子属性NonLeafx.children、包围矩形属性NonLeafx.rectangle、拍摄角度范围属性NonLeafx.angrange以及拍摄可视距离属性NonLeafx.disrange；孩子属性NonLeafx.children为对Wx进行加密计算得到的值；包围矩形属性NonLeafx.rectangle为能包围住集合Wx中所有叶子节点的最小矩形；拍摄角度范围属性NonLeafx.angrange=[ωmin,ωmax]，ωmin为非叶子节点NonLeafx指向的叶子节点中的最小拍摄角度范围，ωmax为非叶子节点NonLeafx指向的叶子节点中的最大拍摄角度范围；拍摄可视距离属性NonLeafx.disrange=[rmin,rmax]，rmin为非叶子节点NonLeafx指向的叶子节点中的最小可视距离，rmax为非叶子节点NonLeafx指向的叶子节点中的最大可视距离；

S4h、判断Wx是否为集合W中的最后一个叶子节点的分组集合，若是则得到一个非叶子节点集合S2={NonLeaf1,..,NonLeafh}并继续执行步骤S4i，否则跳转到步骤S4f；

S4i、判断当前非叶子节点集合S2中非叶子节点数是否不大于M，若是则跳转到步骤S4n，否则继续执行步骤S4j；

S4j、将集合S2={NonLeaf1,..,NonLeafh}中的非叶子节点按最小面积约束分为q个组W={W1,W2,..,Wq}，任意非叶子分组集合Wy={NonLeafc,...,NonLeafk}包含h/q个非叶子节点，q个分组中各个组的h/q个非叶子节点的空间覆盖范围的面积之和最小；

S4k、依次获取集合W={W1,W2,..,Wq}中的一个非叶子节点的分组集合Wy，将Wy中的非叶子节点构建为一个新的非叶子节点NonLeafy'；

S4l、依次为非叶子节点NonLeafy'构建空间属性；非叶子节点NonLeafy'构建空间属性包括：孩子属性NonLeafy'.children、包围矩形属性NonLeafy'.rectangle、拍摄角度范围属性NonLeafy'.angrange以及拍摄可视距离属性NonLeafy'.disrange；孩子属性NonLeafy'.children为对Wy进行加密计算得到的值；包围矩形属性NonLeafy'.rectangle为能包围住集合Wy中所有非叶子节点的最小矩形；拍摄角度范围属性NonLeafy'.angrange=[ωmin,ωmax]，ωmin为NonLeafy'指向的NonLeafx中的最小拍摄角度范围，ωmax为NonLeafy'指向的NonLeafx中的最大拍摄角度范围；拍摄可视距离属性NonLeafy'.disrange=[rmin,rmax]，rmin为NonLeafy'指向的NonLeafx中的最小可视距离，rmax为NonLeafy'指向的NonLeafx中的最大可视距离；

S4m、判断Wy是否为W中最后一个元素，若是则得到一个新的非叶子节点集合并令新集合代替集合S2，然后跳转到步骤S4i，否则跳转到步骤S4k；

S4n、根节点构建；为当前不大于M个的节点构建根节点root，根节点root的值为不大于M个的节点进行哈希计算得到的值，根节点root的孩子属性root.children=S2，根节点root的包围矩形属性root.rectangle为能包围住集合S2中所有节点的最小矩形，根节点root的拍摄角度范围属性root.angrange=[ωmin,ωmax]，ωmin为集合S2中所有非叶子节点的最小拍摄角度范围，ωmax为集合S2中所有非叶子节点的最大拍摄角度范围，根节点root的拍摄可视距离属性root.disrange=[rmin,rmax]，rmin为集合S2中所有非叶子节点的最小可视距离，rmax为集合S2中所有非叶子节点的最大可视距离。

本发明还提供了一种应用于安防监控图片视频数据的安全保护系统，包括：

视域模型构建以及矩形元素集合确定模块，用于基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型；

分组模块，用于基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合;

混淆集构建模块，用于基于所述矩形元素分组集合构建混淆集；

空间索引结构构建模块，用于基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种应用于安防监控图片视频数据的安全保护方法及系统，所述方法包括：S1、基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型；S2、基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合；S3、基于所述矩形元素分组集合构建混淆集；S4、基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。本发明基于加密技术、地理空间索引技术等对安防监控图片和视频数据进行加密和安全保护，从而有效防止数据被篡改和销毁，并且能够对海量拍摄数据进行有效组织管理以及高效多条件约束查找。

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为本发明实施例提供的应用于安防监控图片视频数据的安全保护方法的流程图；

图2为本发明实施例提供的图片数据对应的视域模型的示意图；

图3为本发明实施例提供的视频数据对应的视域模型的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，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他实施例，都属于本发明保护的范围。

本发明的目的是提供一种应用于安防监控图片视频数据的安全保护方法及系统，用以对海量拍摄数据进行有效的组织管理以及高效多条件约束查找，从而有效防止数据被篡改和销毁。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的一种应用于安防监控图片视频数据的安全保护方法，包括以下步骤：

S1、基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型。

S2、基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合。

S3、基于所述矩形元素分组集合构建混淆集。

S4、基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。

其中，步骤S1具体包括：

S1a、获取所述拍摄数据并构成集合D={d1,d2,...,dm}，集合D中任意数据元素di为所述摄像头拍摄的图片数据或者视频数据，1≤i≤m；

S1b、依次获取集合D中的数据元素di，当判断数据元素di为图片数据时则执行步骤S1c，当判断数据元素di为视频数据则执行步骤S1e；

S1c、当数据元素di为图片数据时，依据数据元素di对应的摄像头的空间位置location、拍摄角度范围[ξ1,ξ2]（当ξ1<ξ2时，拍摄角度范围大小ω=ξ2-ξ1；当ξ1>ξ2时，拍摄角度范围大小ω=360+ξ2-ξ1）和拍摄可视距离r为数据元素di构建视域模型，数据元素di的视域模型如图2所示，视域模型在二维空间中视域FOV表现为一个扇形。数据元素di的视域模型的视域属性为(location,ξ1,ξ2,r)。

S1d、确定数据元素di的视域模型的包围矩形，根据视域属性(location,ξ1,ξ2,r)计算所述包围矩形的矩形元素(xl,yl,xr,yr)，(xl,yl)和(xr,yr)分别为所述包围矩形的左下顶点坐标和右上顶点坐标，将矩形元素(xl,yl,xr,yr)存入矩形元素集合F中，F=F∪{(xl,yl,xr,yr)；任意图片数据都有一个与它唯一对应的矩形元素，令视域模型的视域属性(location,ξ1,ξ2,r)为矩形元素形元素(xl,yl,xr,yr)对应的视域属性；

S1e、当数据元素di为视频数据时，为数据元素di构建假想空间视域模型，如图3所示，假想空间视域模型能恰好完全覆盖视频数据di对应的一系列连续的真实视域；所述假想空间视域模型的视域属性为(location,ξ1,ξ2,r)，其中location为一个假想的拍摄位置，[ξ1,ξ2]为假想摄像头的拍摄角度范围，r为假想摄像头的拍摄可视距离；

S1f、确定所述假想空间视域模型的包围矩形；根据视域属性(location,ξ1,ξ2,r)计算包围矩形的矩形元素(xl,yl,xr,yr)，(xl,yl)和(xr,yr)分别为包围矩形的左下顶点坐标和右上顶点坐标，将矩形元素(xl,yl,xr,yr)存入矩形元素集合F中，F=F∪{(xl,yl,xr,yr)；令视域模型的视域属性(location,ξ1,ξ2,r)为矩形元素形元素(xl,yl,xr,yr)对应的视域属性；

S1g、判断数据元素di是否为集合D中最后一个元素，即判断i是否等于m，若是则返回矩形元素集合F并结束，否则，令i+1并跳转到步骤S1b。

其中，步骤S2具体包括：

S2a、为集合D中的所有数据元素构建一个综合假想视域模型，所述综合假象视域模型的视域属性为(Loc,ξs,ξe,R)，所述综合假想视域模型能覆盖集合D中所有数据元素的视域模型；

S2b、依次从矩形元素集合F={o1,o2,...,om}中移除一个矩形元素oi=(xl,yl,xr,yr)，1≤i≤m，获取矩形元素oi对应的视域属性oi.fov=(location,ξ1,ξ2,r)，构建集合Di={oi}；

S2c、依次获取当前矩形元素集合F中的一个矩形元素oj=(xl,yl,xr,yr)，j不等于i，获取oj对应的视域属性oj.fov=(location,ξ1,ξ2,r)；

S2d、针对oi.fov=(location,ξ1,ξ2,r)和oj.fov=(location,ξ1,ξ2,r)，分别计算oi.location和oj.location到Loc的距离Dist(Loc,oi.location)和Dist(Loc,oj.location)，并选出两者中的最大距离MaxDist；计算oi.location到oj.location的距离Dist(oi.location,oj.location)；计算oi.[ξ1,ξ2]和oj.[ξ1,ξ2]的角度范围的交集[ξ'1,ξ'2]；计算oi.r和oj.r之差的绝对值|oi.r-oj.r|，按照公式

计算将oi与oj归为一组的得分score(oi,oj);式中λ1、λ2、λ3为三个可调节权重值，通过调节它们的值可改变距离、视域角度、可视距离在最终得分中所占据的比重，式中λ1、λ2、λ3的值均大于等于0且小于等于1，且λ1、λ2、λ3之和等于1，若score(oi,oj)不大于0.3则将oj从矩形元素集合F中移除并将oj存入集合Di，Di=Di∪{oj}；

S2e、判断oj是否为当前矩形元素集合F中的最后一个元素，则为Di计算一个能恰好包围Di中的所有矩形元素的新矩形元素Recti=(xl,yl,xr,yr)，并执行步骤S2f，否则跳转到步骤S2c；

S2f、判断矩形元素集合F是否为空，为空则返回矩形元素分组集合{Du,...,Dv}并结束，否则跳转到步骤S2b。

其中，步骤S3具体包括：

S3a、获取矩形元素分组集合{Du,...,Dv}；

S3b、依次获取矩形元素分组集合{Du,...,Dv}中的一个矩形元素的分组集合Di={om,...,on}，u≤i≤v，集合Di中的任意矩形元素都是图片数据对应的矩形元素或视频数据对应的矩形元素，为Di中各个矩形元素ox获取它的视域属性ox.fov=(location,ξ1,ξ2,r)，m≤x≤n；

S3c、确定Di中包含的矩形元素对应的视域属性中的最小拍摄角度范围ωmin、最大拍摄角度范围ωmax、最小拍摄可视距离rmin和最大拍摄可视距离rmax；

S3d、为集合Di随机生成一个混淆集合Hi={o1,...,oz}，混淆集合Hi中包含z个随机生成的矩形元素，其中任意矩形元素ow（1<w≤z），都被Di对应的矩形元素Recti完全覆盖且都用类似(xl,yl,xr,yr)这样一个4元组表示；混淆集合Hi中任意矩形元素ow对应一个假想的混淆视域模型，混淆视域模型的视域属性为(location,ξ1,ξ2,r)，混淆可视距离r满足rmin≤r≤rmax，混淆拍摄角度范围大小ω满足ωmin≤ω≤ωmax（注意，当ξ1<ξ2时，拍摄角度范围大小ω=ξ2-ξ1；当ξ1>ξ2时，拍摄角度范围大小ω=360+ξ2-ξ1）；令ow对应的视域属性为ow=(location,ξ1,ξ2,r)，设置Di的混淆集属性Di.confused=Hi={o1,...,oz}；

S3e、判断Di是否为矩形元素分组集合{Du,...,Dv}中最后一个矩形元素的分组集合，即判断i是否等于v，若是则返回矩形元素分组集合{Du,...,Dv}并结束，否则，令i+1并跳转到步骤S3b。

具体的，步骤S4具体包括：

S4a、依次获取矩形元素分组集合{Du,...,Dv}中的一个矩形元素的分组集合Di={om,...,on}，u≤i≤v，并将Di构建为一个叶子节点Leafi；

S4b、依次为叶子节点Leafi构建空间属性；所述叶子节点Leafi的空间属性包括：孩子属性Leafi.children、包围矩形属性Leafi.rectangle、拍摄角度范围属性Leafi.angrange、拍摄可视距离属性Leafi.disrange以及混淆集属性Leafi.confused；孩子属性Leafi.children为Di∪Hi进行加密计算得到的值；包围矩形属性Leafi.rectangle=Recti；拍摄角度范围属性Leafi.angrange=[ωmin,ωmax]，ωmin为集合Di∪Hi中包含的矩形元素对应的视域属性中的最小拍摄角度范围，ωmax为集合Di∪Hi中包含的矩形元素对应的视域属性中的最大拍摄角度范围；拍摄可视距离属性Leafi.disrange=[rmin,rmax]，rmin为集合Di∪Hi中包含的矩形元素对应的视域属性中的最小可视距离，rmax为集合Di∪Hi中包含的矩形元素对应的视域属性中的最大可视距离；混淆集属性Leafi.confused的值是通过加密算法和公钥对Hi中的矩形元素进行加密得到的密文值，再通过解密算法和私钥对Leafi.confused进行解密可得到混淆集Hi，当对某一关键视域模型的元素进行篡改或删除操作时，混淆集的存在使得找到关键视域模型的概率明显降低，而非公开的、保密的私钥使得针对索引结构的空间查询的精确性得到了保障；

S4c、判断i是否等于v，若是则得到一个叶子节点集合S1={Leafu,..,Leafv}，继续执行步骤S4d，否则令i+1并跳转到步骤S4a；

S4d、判断当前叶子节点集合S1中叶子节点数是否不大于M，若是则跳转到步骤S4n，否则继续执行步骤S4e；

S4e、将集合S1={Leafu,..,Leafv}中的叶子节点按最小面积约束分为h个组W={W1,W2,..,Wh}，任意叶子分组集合Wx={Leafc,...,Leafk}包含(v-u)/h个叶子节点，h个分组中各个组的(v-u)/h个叶子节点的空间覆盖范围的面积之和最小；

S4f、依次获取集合W={W1,W2,..,Wh}中的一个叶子节点的分组集合Wx，将Wx中的叶子节点构建为一个非叶子节点NonLeafx；

S4g、依次为非叶子节点NonLeafx构建空间属性；所述非叶子节点NonLeafx的空间属性包括：孩子属性NonLeafx.children、包围矩形属性NonLeafx.rectangle、拍摄角度范围属性NonLeafx.angrange以及拍摄可视距离属性NonLeafx.disrange；孩子属性NonLeafx.children为对Wx进行加密计算得到的值；包围矩形属性NonLeafx.rectangle为能包围住集合Wx中所有叶子节点的最小矩形；拍摄角度范围属性NonLeafx.angrange=[ωmin,ωmax]，ωmin为非叶子节点NonLeafx指向的叶子节点中的最小拍摄角度范围，ωmax为非叶子节点NonLeafx指向的叶子节点中的最大拍摄角度范围；拍摄可视距离属性NonLeafx.disrange=[rmin,rmax]，rmin为非叶子节点NonLeafx指向的叶子节点中的最小可视距离，rmax为非叶子节点NonLeafx指向的叶子节点中的最大可视距离；

S4h、判断Wx是否为集合W中的最后一个叶子节点的分组集合，若是则得到一个非叶子节点集合S2={NonLeaf1,..,NonLeafh}并继续执行步骤S4i，否则跳转到步骤S4f；

S4i、判断当前非叶子节点集合S2中非叶子节点数是否不大于M，若是则跳转到步骤S4n，否则继续执行步骤S4j；

S4j、将集合S2={NonLeaf1,..,NonLeafh}中的非叶子节点按最小面积约束分为q个组W={W1,W2,..,Wq}，任意非叶子分组集合Wy={NonLeafc,...,NonLeafk}包含h/q个非叶子节点，q个分组中各个组的h/q个非叶子节点的空间覆盖范围的面积之和最小；

S4k、依次获取集合W={W1,W2,..,Wq}中的一个非叶子节点的分组集合Wy，将Wy中的非叶子节点构建为一个新的非叶子节点NonLeafy'；

S4l、依次为非叶子节点NonLeafy'构建空间属性；非叶子节点NonLeafy'构建空间属性包括：孩子属性NonLeafy'.children、包围矩形属性NonLeafy'.rectangle、拍摄角度范围属性NonLeafy'.angrange以及拍摄可视距离属性NonLeafy'.disrange；孩子属性NonLeafy'.children为对Wy进行加密计算得到的值；包围矩形属性NonLeafy'.rectangle为能包围住集合Wy中所有非叶子节点的最小矩形；拍摄角度范围属性NonLeafy'.angrange=[ωmin,ωmax]，ωmin为NonLeafy'指向的NonLeafx中的最小拍摄角度范围，ωmax为NonLeafy'指向的NonLeafx中的最大拍摄角度范围；拍摄可视距离属性NonLeafy'.disrange=[rmin,rmax]，rmin为NonLeafy'指向的NonLeafx中的最小可视距离，rmax为NonLeafy'指向的NonLeafx中的最大可视距离；

S4m、判断Wy是否为W中最后一个元素，若是则得到一个新的非叶子节点集合并令新集合代替集合S2，然后跳转到步骤S4i，否则跳转到步骤S4k；

S4n、根节点构建；为当前不大于M个的节点构建根节点root，根节点root的值为不大于M个的节点进行哈希计算得到的值，根节点root的孩子属性root.children=S2，根节点root的包围矩形属性root.rectangle为能包围住集合S2中所有节点的最小矩形，根节点root的拍摄角度范围属性root.angrange=[ωmin,ωmax]，ωmin为集合S2中所有非叶子节点的最小拍摄角度范围，ωmax为集合S2中所有非叶子节点的最大拍摄角度范围，根节点root的拍摄可视距离属性root.disrange=[rmin,rmax]，rmin为集合S2中所有非叶子节点的最小可视距离，rmax为集合S2中所有非叶子节点的最大可视距离。

步骤S4具有以下优点：

1、树形索引结构的节点的孩子属性都是对此节点指向的孩子节点进行加密计算后的值，此项设计保障了对底层FOV数据，即FOV数据对应的图片和视频数据的验证确认、非法篡改等安全保护，其中FOV数据与图片和视频数据存在一一对应的关系；

2、混淆集的构建进一步降低了对图片及视频数据的非法查找篡改几率；

3、树形索引中对节点空间属性的设置保障了索引结构的地理空间特性，使得基于此索引结构可以实现从地理空间角度对图片及视频数据进行多种条件约束查找。

本发明实施例中，如城市空间中的摄像头等电子设备通过其镜头的光学参数和所在位置可以描述镜头拍摄的照片或视频的地理空间覆盖范围，即设备镜头拍摄的照片或视频在地理空间中的拍摄区域，此地理空间覆盖范围在二维平面空间中可以用一个扇形描述，被称为视域，用FOV(Field-Of-View)表示。如图2中扇形所示，图2中是以正北为参考方向。

本发明还提供了一种应用于安防监控图片视频数据的安全保护系统，包括：

视域模型构建以及矩形元素集合确定模块，用于基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型；

分组模块，用于基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合;

混淆集构建模块，用于基于所述矩形元素分组集合构建混淆集；

空间索引结构构建模块，用于基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。

与现有技术相比，本发明的有益效果是：

1、设计的针对摄像头抓拍的图片或拍摄的视频数据的树形索引结构构建技术考虑了加密技术、地理空间索引构建、FOV模型等多种技术因素，可广泛应用于安防监控图片数据、视频数据的安全保护中，从地理空间及安全保护的角度有效组织和管理了摄像头产生的海量图片及视频数据；

2、设计的树形索引结构的节点的值都是此节点指向的孩子节点的哈希，不同于传统对视频数据进行直接加密的方式，此索引结构的底层是为拍摄数据对应的视域的包围矩形及混淆集进行加密处理，此项设计保障了对底层FOV数据，即FOV数据对应的图片和视频数据的验证确认、非法篡改等安全保护功能；

3、为树种叶子节点设计的混淆集可进一步降低对图片及视频数据的非法查找篡改几率，非公开密钥的应用保障了基于树形索引对图片及视频数据进行合法空间查询的准确性；

4、为树形索引中节点空间属性的设计保障了索引结构的地理空间特性，使得基于此索引结构可以实现从地理空间角度对图片及视频数据进行多种条件约束的高效搜索。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种应用于安防监控图片视频数据的安全保护方法，其特征在于，包括：

S1、基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型；

S2、基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合；

S3、基于所述矩形元素分组集合构建混淆集；

S4、基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。

2.根据权利要求1所述的应用于安防监控图片视频数据的安全保护方法，其特征在于，所述步骤S1、基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合，具体包括：

S1a、获取所述拍摄数据并构成集合D={d1,d2,...,dm}，集合D中任意数据元素di为所述摄像头拍摄的图片数据或者视频数据，1≤i≤m；

S1b、依次获取集合D中的数据元素di，当判断数据元素di为图片数据时则执行步骤S1c，当判断数据元素di为视频数据则执行步骤S1e；

S1c、当数据元素di为图片数据时，依据数据元素di对应的摄像头的空间位置location、拍摄角度范围[ξ1,ξ2]和拍摄可视距离r为数据元素di构建视域模型；数据元素di的视域模型的视域属性为(location,ξ1,ξ2,r)；

S1d、确定数据元素di的视域模型的包围矩形，根据视域属性(location,ξ1,ξ2,r)计算所述包围矩形的矩形元素(xl,yl,xr,yr)，(xl,yl)和(xr,yr)分别为所述包围矩形的左下顶点坐标和右上顶点坐标，将矩形元素(xl,yl,xr,yr)存入矩形元素集合F中，F=F∪{(xl,yl,xr,yr)；

S1e、当数据元素di为视频数据时，为数据元素di构建假想空间视域模型，所述假想空间视域模型的视域属性为(location,ξ1,ξ2,r)，其中location为一个假想的拍摄位置，[ξ1,ξ2]为假想摄像头的拍摄角度范围，r为假想摄像头的拍摄可视距离；

S1f、确定所述假想空间视域模型的包围矩形；根据视域属性(location,ξ1,ξ2,r)计算包围矩形的矩形元素(xl,yl,xr,yr)，(xl,yl)和(xr,yr)分别为包围矩形的左下顶点坐标和右上顶点坐标，将矩形元素(xl,yl,xr,yr)存入矩形元素集合F中，F=F∪{(xl,yl,xr,yr)；

S1g、判断数据元素di是否为集合D中最后一个元素，若是则返回矩形元素集合F并结束，否则，令i+1并跳转到步骤S1b。

3.根据权利要求2所述的应用于安防监控图片视频数据的安全保护方法，其特征在于，所述步骤S2、基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合，具体包括：

S2a、为集合D中的所有数据元素构建一个综合假想视域模型，所述综合假想视域模型的视域属性为(Loc,ξs,ξe,R)，所述综合假想视域模型能恰好覆盖集合D中所有数据元素的真实视域模型；

S2b、依次从矩形元素集合F={o1,o2,...,om}中移除一个矩形元素oi=(xl,yl,xr,yr)，1≤i≤m，获取矩形元素oi对应的视域属性oi.fov=(location,ξ1,ξ2,r)，构建集合Di={oi}；

S2c、依次获取当前矩形元素集合F中的一个矩形元素oj=(xl,yl,xr,yr)，j不等于i，获取oj对应的视域属性oj.fov=(location,ξ1,ξ2,r)；

S2d、针对oi.fov=(location,ξ1,ξ2,r)和oj.fov=(location,ξ1,ξ2,r)，分别计算oi.location和oj.location到Loc的距离Dist(Loc,oi.location)和Dist(Loc,oj.location)，并选出两者中的最大距离MaxDist；计算oi.location到oj.location的距离Dist(oi.location,oj.location)；计算oi.[ξ1,ξ2]和oj.[ξ1,ξ2]的角度范围的交集[ξ'1,ξ'2]；计算oi.r和oj.r之差的绝对值|oi.r-oj.r|，按照公式

计算将oi与oj归为一组的得分score(oi,oj)；式中λ1、λ2、λ3为可调节权重值，0≤λ1≤1、0≤λ2≤1、0≤λ3≤1且λ1+λ2+λ3=1;若score(oi,oj)不大于0.3则将oj从矩形元素集合F中移除并将oj存入集合Di，Di=Di∪{oj}；

S2e、判断oj是否为当前矩形元素集合F中的最后一个元素，若是则计算集合Di的包围矩形的矩形元素Recti=(xl,yl,xr,yr)，并执行步骤S2f，否则跳转到步骤S2c；

S2f、判断矩形元素集合F是否为空，为空则返回矩形元素分组集合{Du,...,Dv}并结束，否则跳转到步骤S2b。

4.根据权利要求3所述的应用于安防监控图片视频数据的安全保护方法，其特征在于，所述步骤S3、基于所述矩形元素分组集合构建混淆集，具体包括：

S3a、获取矩形元素分组集合{Du,...,Dv}；

S3b、依次获取矩形元素分组集合{Du,...,Dv}中的一个矩形元素的分组集合Di={om,...,on}，u≤i≤v，并获取Di中各个矩形元素ox对应的视域属性ox.fov=(location,ξ1,ξ2,r)，m≤x≤n；

S3c、确定Di中包含的矩形元素对应的视域属性中的最小拍摄角度范围ωmin、最大拍摄角度范围ωmax、最小拍摄可视距离rmin和最大拍摄可视距离rmax；

S3d、为集合Di随机生成一个混淆集合Hi={o1,...,oz}，混淆集合Hi中包含z个随机生成的矩形元素，其中任意矩形元素ow，都被Di对应的矩形元素Recti完全覆盖，1<w≤z；混淆集合Hi中任意矩形元素ow对应一个假想的混淆视域模型，混淆视域模型的视域属性为(location,ξ1,ξ2,r)，混淆可视距离r满足rmin≤r≤rmax，混淆拍摄角度范围大小ω满足ωmin≤ω≤ωmax；设置Di的混淆集属性Di.confused=Hi={o1,...,oz}；

S3e、判断Di是否为矩形元素分组集合{Du,...,Dv}中最后一个矩形元素的分组集合，若是则返回矩形元素分组集合{Du,...,Dv}并结束，否则，令i+1并跳转到步骤S3b。

5.根据权利要求4所述的应用于安防监控图片视频数据的安全保护方法，其特征在于，所述步骤S4、基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密，具体包括：

S4a、依次获取矩形元素分组集合{Du,...,Dv}中的一个矩形元素的分组集合Di={om,...,on}，u≤i≤v，并将Di构建为一个叶子节点Leafi；

S4b、依次为叶子节点Leafi构建空间属性；所述叶子节点Leafi的空间属性包括：孩子属性Leafi.children、包围矩形属性Leafi.rectangle、拍摄角度范围属性Leafi.angrange、拍摄可视距离属性Leafi.disrange以及混淆集属性Leafi.confused；孩子属性Leafi.children为Di∪Hi进行加密计算得到的值；包围矩形属性Leafi.rectangle=Recti；拍摄角度范围属性Leafi.angrange=[ωmin,ωmax]，ωmin为集合Di∪Hi中包含的矩形元素对应的视域属性中的最小拍摄角度范围，ωmax为集合Di∪Hi中包含的矩形元素对应的视域属性中的最大拍摄角度范围；拍摄可视距离属性Leafi.disrange=[rmin,rmax]，rmin为集合Di∪Hi中包含的矩形元素对应的视域属性中的最小可视距离，rmax为集合Di∪Hi中包含的矩形元素对应的视域属性中的最大可视距离；混淆集属性Leafi.confused的值是通过加密算法和公钥对Hi中的矩形元素进行加密得到的密文值；

S4c、判断i是否等于v，若是则得到一个叶子节点集合S1={Leafu,..,Leafv}，继续执行步骤S4d，否则令i+1并跳转到步骤S4a；

S4d、判断当前叶子节点集合S1中叶子节点数是否不大于M，若是则跳转到步骤S4n，否则继续执行步骤S4e；

S4e、将集合S1={Leafu,..,Leafv}中的叶子节点按最小面积约束分为h个组W={W1,W2,..,Wh}，任意叶子分组集合Wx={Leafc,...,Leafk}包含(v-u)/h个叶子节点，h个分组中各个组的(v-u)/h个叶子节点的空间覆盖范围的面积之和最小；

S4f、依次获取集合W={W1,W2,..,Wh}中的一个叶子节点的分组集合Wx，将Wx中的叶子节点构建为一个非叶子节点NonLeafx；

S4g、依次为非叶子节点NonLeafx构建空间属性；所述非叶子节点NonLeafx的空间属性包括：孩子属性NonLeafx.children、包围矩形属性NonLeafx.rectangle、拍摄角度范围属性NonLeafx.angrange以及拍摄可视距离属性NonLeafx.disrange；孩子属性NonLeafx.children为对Wx进行加密计算得到的值；包围矩形属性NonLeafx.rectangle为能包围住集合Wx中所有叶子节点的最小矩形；拍摄角度范围属性NonLeafx.angrange=[ωmin,ωmax]，ωmin为非叶子节点NonLeafx指向的叶子节点中的最小拍摄角度范围，ωmax为非叶子节点NonLeafx指向的叶子节点中的最大拍摄角度范围；拍摄可视距离属性NonLeafx.disrange=[rmin,rmax]，rmin为非叶子节点NonLeafx指向的叶子节点中的最小可视距离，rmax为非叶子节点NonLeafx指向的叶子节点中的最大可视距离；

S4h、判断Wx是否为集合W中的最后一个叶子节点的分组集合，若是则得到一个非叶子节点集合S2={NonLeaf1,..,NonLeafh}并继续执行步骤S4i，否则跳转到步骤S4f；

S4i、判断当前非叶子节点集合S2中非叶子节点数是否不大于M，若是则跳转到步骤S4n，否则继续执行步骤S4j；

S4j、将集合S2={NonLeaf1,..,NonLeafh}中的非叶子节点按最小面积约束分为q个组W={W1,W2,..,Wq}，任意非叶子分组集合Wy={NonLeafc,...,NonLeafk}包含h/q个非叶子节点，q个分组中各个组的h/q个非叶子节点的空间覆盖范围的面积之和最小；

S4k、依次获取集合W={W1,W2,..,Wq}中的一个非叶子节点的分组集合Wy，将Wy中的非叶子节点构建为一个新的非叶子节点NonLeafy'；

S4l、依次为非叶子节点NonLeafy'构建空间属性；非叶子节点NonLeafy'构建空间属性包括：孩子属性NonLeafy'.children、包围矩形属性NonLeafy'.rectangle、拍摄角度范围属性NonLeafy'.angrange以及拍摄可视距离属性NonLeafy'.disrange；孩子属性NonLeafy'.children为对Wy进行加密计算得到的值；包围矩形属性NonLeafy'.rectangle为能包围住集合Wy中所有非叶子节点的最小矩形；拍摄角度范围属性NonLeafy'.angrange=[ωmin,ωmax]，ωmin为NonLeafy'指向的NonLeafx中的最小拍摄角度范围，ωmax为NonLeafy'指向的NonLeafx中的最大拍摄角度范围；拍摄可视距离属性NonLeafy'.disrange=[rmin,rmax]，rmin为NonLeafy'指向的NonLeafx中的最小可视距离，rmax为NonLeafy'指向的NonLeafx中的最大可视距离；

S4m、判断Wy是否为W中最后一个元素，若是则得到一个新的非叶子节点集合并令新集合代替集合S2，然后跳转到步骤S4i，否则跳转到步骤S4k；

S4n、根节点构建；为当前不大于M个的节点构建根节点root，根节点root的值为不大于M个的节点进行哈希计算得到的值，根节点root的孩子属性root.children=S2，根节点root的包围矩形属性root.rectangle为能包围住集合S2中所有节点的最小矩形，根节点root的拍摄角度范围属性root.angrange=[ωmin,ωmax]，ωmin为集合S2中所有非叶子节点的最小拍摄角度范围，ωmax为集合S2中所有非叶子节点的最大拍摄角度范围，根节点root的拍摄可视距离属性root.disrange=[rmin,rmax]，rmin为集合S2中所有非叶子节点的最小可视距离，rmax为集合S2中所有非叶子节点的最大可视距离。

6.一种应用于安防监控图片视频数据的安全保护系统，其特征在于，包括：

视域模型构建以及矩形元素集合确定模块，用于基于摄像头的拍摄数据构建视域模型，并确定所述视域模型的矩形元素集合；所述拍摄数据包括图片数据和视频数据；所述视域模型包括真实空间视域模型和假想空间视域模型；

分组模块，用于基于所述视域模型的视域属性对所述矩形元素集合进行分组，得到矩形元素分组集合;

混淆集构建模块，用于基于所述矩形元素分组集合构建混淆集；

空间索引结构构建模块，用于基于所述矩形元素分组集合以及所述混淆集构建空间索引结构，实现所述拍摄数据对应的视域模型的加密。

Images