CN116980059A - 一种用于检测视频监控设备的方法和电子设备 - Google Patents
一种用于检测视频监控设备的方法和电子设备 Download PDFInfo
- Publication number
- CN116980059A CN116980059A CN202310713666.0A CN202310713666A CN116980059A CN 116980059 A CN116980059 A CN 116980059A CN 202310713666 A CN202310713666 A CN 202310713666A CN 116980059 A CN116980059 A CN 116980059A
- Authority
- CN
- China
- Prior art keywords
- video monitoring
- detection
- flow data
- target
- data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000001514 detection method Methods 0.000 claims abstract description 248
- 238000012806 monitoring device Methods 0.000 claims description 185
- 230000008569 process Effects 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 37
- 238000012545 processing Methods 0.000 description 32
- 238000013136 deep learning model Methods 0.000 description 30
- 239000013598 vector Substances 0.000 description 30
- 230000008859 change Effects 0.000 description 28
- 239000010410 layer Substances 0.000 description 24
- 238000010801 machine learning Methods 0.000 description 23
- 238000007726 management method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 10
- 238000010295 mobile communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 229920001621 AMOLED Polymers 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
-
- 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
-
- 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
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种用于检测视频监控设备的方法及电子设备,该方法及电子设备根据电子设备周边的接入点信息确定目标检测信道,其中,该信道的信号强度大于或等于预设阈值,和/或该信道为频段为2.4GHz频段的信道;获取该信道内对应目标设备的流量数据,根据该流量数据和检测模型判断目标设备是否为视频监控设备。该本申请提供的方案可以提高视频监控设备检测的全面性和准确性,从而可以减少用户隐私被侵犯事件的发生,保证用户的隐私安全。
Description
技术领域
本申请涉及视频监控设备检测技术领域,尤其涉及一种用于检测视频监控设备的方法和电子设备。
背景技术
从关于偷拍产品的电商平台检索结果以及相关调查来看,如今的针孔摄像头改装手段十分隐蔽,为我们的隐私安全带来极大的隐患。根据京东和淘宝上微型监控摄像头检索结果,销量前100的视频监控设备96%以上均支持无线保真(wireless fidelity,Wi-Fi)无线连接。
针对上述问题,一种解决方案是硬件解决方案,通过特定的硬件设备检测视频监控设备(如上述针孔摄像头)本身或者其工作过程中的特征信号,如:视频监控设备镜头本身的反光特性,视频监控设备工作过程中发热特性,或者视频监控设备工作过程中产生的无线电磁波信号特性等,进行视频监控设备的检测;另一种解决方案是软件算法解决方案,其技术思路为利用主动探测技术得到的目标设备响应信息,从响应信息中提取设备指纹并结合服务器中的设备指纹库进行设备类型的识别,进行视频监控设备的检测。
其中,基于硬件解决方案包括:(1)、SpyFinder探测器是一款便携的针孔摄像头检测装置,包括由6个高亮红色发光二极管(light emitting diode,LED)组成的闪光灯阵列,启动闪光灯阵列后扫描整个房间,通过观测孔观测红色反光点进行摄像头的检测发现。(2)、视频监控设备在经过长时间工作后会造成局部区域的温度升高,可以利用热成像仪对房间整个空间进行扫描,发现可疑热源后进一步检查是否是视频监控设备。(3)、结合红外热成像识别和无线电磁波信号进行视频监控设备的检测。
但是通过上述硬件解决方案需要增加额外的成本,且这些硬件目前也很难集成到终端设备中;利用摄像头镜面反射特性,或利用监控设备的发热特性,或利用无线电磁波信号进行视频监控设备的检测存在的干扰较多,误检率和漏检率都比较高,降低用户体验。
基于软件解决方案包括:将运行检测的手机接入无线网络中,获取当前局域网内的存活设备列表,利用已有端口列表或扫描手段获取目标设备端口列表并对目标设备进行端口探测,从端口探测响应的信息中提取设备关键字,并结合服务器中的设备指纹库进行设备类型的识别。
但是通过上述软件解决方案的技术原理为网络空间设备类型识别,需要将检测设备接入到视频监控设备所在的无线网络内,对于没有权限接入的网络,或者隐藏的无线网络均没有设备检测能力;此外,设备类型的识别需要结合服务器中的设备指纹库,设备指纹库的完备程度会影响设备类型识别的精度。
发明内容
本申请提供一种用于检测视频监控设备的方法和电子设备,可以在不增加额外硬件模块的前提下,实现视频监控设备的检测,且可以无需接入视频监控设备所在网络,对视频监控设备进行检测,可以提高视频监控设备检测的全面性和准确性,从而可以减少用户隐私被侵犯事件的发生,保证用户的隐私安全。
第一方面,提供一种用于检测视频监控设备的方法,该方法应用于电子设备,包括:根据所述电子设备周边的接入点信息,确定第一目标检测信道,所述第一目标检测信道为信号强度大于或等于第一预设阈值的信道,和/或频段为2.4GHz频段的信道;获取所述目标检测信道的第一目标流量数据,所述第一目标流量数据对应第一目标设备;根据所述第一目标流量数据和检测模型判断所述第一目标设备是否为视频监控设备,所述检测模型包括第一机器学习模型或第一深度学习模型。
本申请提供的用于检测视频监控设备的方法,通过根据获取的第一目标检测信道的第一目标流量数据以及检测模型判断第一目标流量数据对应的第一目标设备是否为视频监控设备,可以在不增加额外硬件模块的前提下,实现视频监控设备的检测,且可以无需接入视频监控设备所在网络,对视频监控设备进行检测,可以提高视频监控设备检测的全面性和准确性,从而可以减少用户隐私被侵犯事件的发生。
结合第一方面,在一些可能的实现方式中,在所述获取所述第一目标检测信道的第一目标流量数据之后,所述方法还包括:若在预设时长内获取的所述第一目标流量数据的字节数大于或等于所述第二预设阈值,确定存在至少一个所述第一目标设备。
本申请实施例提供的方案,在预设时长内电子设备获取的第一目标流量数据的字节数大于或等于第二预设阈值的情况下,确定存在第一目标设备,并判断该第一目标设备是否为视频监控设备,可以节省电子设备检测视频监控设备的时间,提高检测效率。
结合第一方面,在一些可能的实现方式中,在所述获取所述第一目标检测信道的第一目标流量数据之后,所述方法还包括:若在预设时长内获取的所述第一目标流量数据的字节数小于第二预设阈值,确定不存在所述第一目标设备;获取第二目标检测信道的第二目标流量数据,所述第二目标流量数据对应第二目标设备,所述第二目标检测信道为信号强度大于或等于所述第一预设阈值的信道,和/或频段为2.4GHz频段的信道;根据所述第二目标流量数据和所述检测模型判断所述第二目标设备是否为所述视频监控设备。
本申请实施例提供的方案,在预设时长内电子设备获取的第一目标流量数据的字节数小于第二预设阈值的情况下,确定不存在第一目标设备,可以获取第二目标设备对应的第二目标流量数据,并根据第二目标流量数据和检测模型判断第二目标设备是否为视频监控设备,可以节省电子设备检测视频监控设备的时间,提高检测效率。
结合第一方面,在一些可能的实现方式中,所述方法还包括:若确定第一目标设备是所述视频监控设备,改变局部区域光线强度;获取第三目标流量数据,所述第三目标流量数据为所述第一目标设备在第一光强下的流量数据;获取第四目标流量数据,所述第四目标流量数据为所述第一目标设备在第二光强下的流量数据;根据所述第三目标流量数据和所述第四目标流量数据以及定位模型识别所述第一目标设备所处的方向和位置,所述定位模型包括第二机器学习模型或第二深度学习模型。
本申请实施例提供的方案,电子设备可以根据获取的第三目标流量数据和第四目标流量数据以及定位模型识别视频监控设备所处的方向和位置,有助于用户及时且准确地定位视频监控设备,可以减少用户隐私被侵犯事件的发生,从而保护用户的隐私。
结合第一方面,在一些可能的实现方式中,所述第三目标流量数据是基于所述电子设备的光源对准预设方向且所述光源处于亮时间窗内时采集的;所述第四目标流量数据是基于所述光源对准所述预设方向且所述光源处于灭时间窗内时采集的,或,所述光源未对准预设方向时采集的。
结合第一方面,在一些可能的实现方式中,所述第二机器学习模型或所述第二深度学习模型基于采集的第一正样本数据和第一负样本数据进行训练得到;所述第一正样本数据为所述电子设备处于亮时间窗内且所述电子设备的光源对准已知的视频监控设备产生的数据,所述第一负样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据;或,所述第一正样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据,所述第一负样本数据为所述电子设备处于亮时间窗内且所述光源对准所述已知的视频监控设备产生的数据。
结合第一方面,在一些可能的实现方式中,所述根据所述第三目标流量数据和所述第四目标流量数据以及定位检测模型识别所述第一目标设备所处的方向和位置,包括:对所述第三目标流量数据和所述第四目标流量数据进行样本分割,以得到所述第一目标设备对应的M个周期的每一个周期的亮时间窗内和灭时间窗内的目标流量数据;将第一目标设备对应的M个周期的每一个周期的目标流量数据分别分割为m1组流量数据和m2组流量数据,其中,m1组流量数据为亮时间窗内数据,m2组流量数据为灭时间窗内数据,m1和m2为大于或等于1的正整数;将第一目标信息输入所述定位模型,以得到所述每一个周期的所述m1组流量数据和所述m2流量数据的置信度,所述第一目标信息为所述每一个周期的所述m1组流量数据的特征向量和所述m2组流量数据的特征向量,或,所述第一目标信息为所述每一个周期的所述m1组流量数据和所述每一个周期的所述m2组流量数据;根据所述每一个周期的所述m1组流量数据和所述m2组流量数据的置信度和第三预设阈值识别所述第一目标设备所处的方向和位置。
结合第一方面,在一些可能的实现方式中,若所述定位模型为所述第二机器学习模型,所述第一目标信息为所述每一个周期的所述m1组流量数据的特征向量和所述每一个周期的所述m2组流量数据的特征向量;或,若所述定位模型为所述第二深度学习模型,所述第一目标信息为所述每一个周期的所述m1组流量数据和所述每一个周期的所述m2组流量数据。
结合第一方面,在一些可能的实现方式中,所述m1组流量数据的特征向量或所述m2组流量数据的特征向量包括以下向量中的至少一种:流量速率离散傅里叶变换系数、包长相关统计特征、持续时间相关统计特征、数据帧到达时间相关统计特征。
结合第一方面,在一些可能的实现方式中,所述根据所述每一个周期的所述m1组流量数据和所述m2组流量数据的置信度和所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型,包括:根据所述每一个周期的所述m1组流量数据的置信度的均值和所述每一个周期的所述m2组流量数据的置信度的均值以及所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型;或,根据m3、m4、m5和m6识别所述第一目标设备对应的目标流量数据的类型,m3为所述每一个周期中的m1组流量数据中大于或等于所述第三预设阈值的个数,m4为所述每一个周期中的m1组流量数据中小于所述第三预设阈值的个数,m5为所述每一个周期中的m2组流量数据中大于或等于所述第三预设阈值的个数,m6为所述每一个周期中的m2组流量数据中小于所述第三预设阈值的个数。
本申请实施例提供的方案,电子设备可以根据第一目标设备对应的目标流量数据的类型所形成的第一序列和电子设备的光源处于亮时间窗内或灭时间窗内所形成的第二序列识别所述第一目标设备所处的方向和位置,有助于用户及时且准确地定位视频监控设备,可以减少用户隐私被侵犯事件的发生,从而保护用户的隐私。
结合第一方面,在一些可能的实现方式中,若所述第一正样本数据为所述电子设备处于亮时间窗内且所述电子设备的光源对准所述已知的视频监控设备产生的数据,所述第一负样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据;
所述根据所述每一个周期的所述m1组流量数据的置信度的均值和所述每一个周期的m2组流量数据的置信度的均值以及所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型,包括:若所述M个周期中各m1组流量数据的置信度的均值大于或等于所述第三预设阈值,则识别各m1组流量数据为所述电子设备的光源对准所述已知的视频监控设备且所述电子设备处于亮时间窗内产生的数据类型;若所述M个周期中各m2组流量数据的置信度的均值小于所述第三预设阈值,则识别各m2组流量数据为所述电子设备的光源未对准所述已知的视频监控设备产生的数据类型或所述电子设备处于灭时间窗内产生的数据类型;
或,
所述根据m3、m4、m5和m6识别所述第一目标设备对应的目标流量数据的类型,包括:若m3≥m4且m5≤m6,则识别所述目标流量数据的类型为所述电子设备的光源对准所述已知的视频监控设备且所述电子设备处于亮时间窗内产生的数据类型;若m3<m4且m5≤m6,则识别所述目标流量数据的类型为所述电子设备的光源未对准所述已知的视频监控设备产生的数据类型或所述电子设备处于灭时间窗内产生的数据类型。
结合第一方面,在一些可能的实现方式中,若所述第一正样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据,所述第一负样本数据为所述电子设备处于亮时间窗内且所述电子设备的光源对准所述已知的视频监控设备产生的数据;
所述根据所述每一个周期的所述m1组流量数据的置信度的均值和所述每一个周期的m2组流量数据的置信度的均值以及所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型,包括:若所述M个周期中各m1组流量数据的置信度的均值小于所述第三预设阈值,则识别各m1组流量数据为所述电子设备的光源对准所述已知的视频监控设备且所述电子设备处于亮时间窗内产生的数据类型;若所述M个周期中各m2组流量数据的置信度的均值大于或等于所述第三预设阈值,则识别各m2组流量数据为所述电子设备的光源未对准所述已知的视频监控设备产生的数据类型或所述电子设备处于灭时间窗内产生的数据类型;
或,
所述根据m3、m4、m5和m6识别所述第一目标设备对应的目标流量数据的类型,包括:若m3≥m4且m5≥m6,则识别所述目标流量数据的类型为所述电子设备的光源未对准所述已知的视频监控设备产生的数据类型或所述电子设备处于灭时间窗内产生的数据类型;若m3<m4且m5≥m6,则识别所述目标流量数据的类型为所述电子设备的光源对准所述已知的视频监控设备且所述电子设备处于亮时间窗内产生的数据类型。
结合第一方面,在一些可能的实现方式中,所述根据所述第一目标设备对应的目标流量数据的类型所形成的第一序列和所述电子设备处于亮时间窗内或灭时间窗内所形成的第二序列识别所述第一目标设备所处的方向和位置,包括:
若所述第一序列和所述第二序列的相关系数大于或等于所述第四预设阈值,则所述第一目标设备位于所述电子设备的光源所对准的预设方向;
若所述第一序列和所述第二序列的相关系数小于所述第四预设阈值,则所述第一目标设备不位于所述电子设备的光源所对准的预设方向。
本申请实施例提供的方案,电子设备根据第一序列和第二序列的相关系数与第四预设阈值识别所述第一目标设备所处的方向和位置,进一步地,可以有助于用户准确地定位视频监控设备,减少用户隐私被侵犯事件的发生,从而保护用户的隐私。
结合第一方面,在一些可能的实现方式中,所述根据所述第三目标流量数据和所述第四目标流量数据以及定位模型识别所述第一目标设备所处的方向和位置,包括:基于所述电子设备的运动轨迹,根据所述第三目标流量数据和所述第四目标流量数据以及所述定位模型识别所述第一目标设备所处的方向和位置,所述运动轨迹为所述电子设备分别依次对准当前环境的各个方位所形成的轨迹。
本申请实施例提供的方案,电子设备可以基于电子设备的运动轨迹,根据第三目标流量数据和第四目标流量数据以及定位模型识别第一目标设备所处的方向和位置,可以提高视频监控设备检测的全面性,可以减少用户隐私被侵犯事件的发生,从而保护用户的隐私。
结合第一方面,在一些可能的实现方式中,所述根据所述第一目标流量数据和检测模型判断所述第一目标设备是否为所述视频监控设备,包括:将所述第一目标流量数据分割为n组流量数据,n为大于或等于1的正整数;将第二目标信息输入到所述检测模型,以得到所述n组流量数据的置信度,所述第二目标信息为所述n组流量数据的特征向量或所述n组流量数据;根据所述n组流量数据的置信度和第五预设阈值判断所述第一目标设备是否为所述视频监控设备。
本申请实施例提供的方案,电子设备根据第一目标流量数据和检测模型判断第一目标设备是否为视频监控设备,可以在不增加额外硬件模块的前提下,实现视频监控设备的检测,且可以无需接入视频监控设备所在网络,对视频监控设备进行检测,可以提高视频监控设备检测的全面性和准确性,从而可以减少用户隐私被侵犯事件的发生,保护用户的隐私。
结合第一方面,在一些可能的实现方式中,若所述检测模型为所述第一机器学习模型,所述第二目标信息为所述n组流量数据的特征向量;或,若所述检测模型为所述第一深度学习模型,所述第二目标信息为所述n组流量数据。
结合第一方面,在一些可能的实现方式中,所述n组流量数据的特征向量包括以下向量中的至少一种:所述n组流量数据的包长相关统计特征、所述n组流量数据的持续时间相关统计特征、所述n组流量数据的到达时间相关统计特征、所述n组流量数据的流量瞬时带宽、所述n组流量数据的数据速率相关统计特征、所述n组流量数据的数据速率的时频图相关纹理特征。
结合第一方面,在一些可能的实现方式中,所述检测模型基于第二正样本流量数据和第二负样本流量数据训练得到;
若所述第二正样本流量数据为对已知的视频监控设备经过训练产生的流量数据,所述第二负样本流量数据为对非视频监控设备经过训练产生的流量数据;所述根据所述n组流量数据的置信度和第五预设阈值判断所述第一目标设备是否为所述视频监控设备,包括:若所述n组流量数据的置信度的均值大于或等于所述第五预设阈值,则所述第一目标设备是所述视频监控设备;若所述n组流量数据的置信度的均值小于所述第五预设阈值,则所述第一目标设备不是所述视频监控设备;
或,
若n1≥n2,则所述第一目标设备是所述视频监控设备;若n1<n2,则所述第一目标设备不是所述视频监控设备;其中,n1为所述n组流量数据中的置信度大于或等于所述第五预设阈值的个数,n2为所述n组流量数据中的置信度小于所述第五预设阈值的个数。
结合第一方面,在一些可能的实现方式中,所述检测模型基于第二正样本流量数据和第二负样本流量数据训练得到;
若所述第二正样本流量数据为对非视频监控设备经过训练产生的流量数据,所述第二负样本流量数据为对已知的视频监控设备经过训练产生的流量数据;所述根据所述n组流量数据的置信度和第五预设阈值判断所述第一目标设备是否为所述视频监控设备,包括:若所述n组流量数据的置信度的均值小于所述第五设阈值,则所述第一目标设备是所述视频监控设备;若所述n组流量数据的置信度的均值大于或等于所述第五预设阈值,则所述第一目标设备不是所述视频监控设备;
或,
若n3≥n4,则所述第一目标设备是所述视频监控设备;若n3<n4,则所述第一目标设备不是所述视频监控设备;其中,n3为所述n组流量数据中的置信度小于所述第五预设阈值的个数,n4为所述n组流量数据中的置信度大于或等于所述第五预设阈值的个数。
结合第一方面,在一些可能的实现方式中,所述方法还包括:获取所述第一目标流量数据的第一MAC层信息;根据所述第一MAC层信息对所述第一目标流量数据进行业务分流,以获得第五目标流量数据和第六目标流量数据,所述第五目标流量数据和第六目标流量数据分别对应第三目标设备和第四目标设备;所述根据所述第一目标流量数据和检测模型判断所述第一目标设备是否为视频监控设备,包括:根据所述第五目标流量数据和所述检测模型判断所述第三目标设备是否为所述视频监控设备;根据所述第六目标流量数据和所述检测模型判断所述第四目标设备是否为所述视频监控设备。
本申请提供的方案,在根据第一MAC层信息对获取的第一目标流量数据进行业务分流后,通过对分流后的流量数据分别检测所对应的设备是否为视频监控设备,可以进一步提高视频监控设备检测的准确性。
结合第一方面,在一些可能的实现方式中,所述目标检测信道列表包括第二目标检测信道,所述第二目标检测信道为信号强度大于或等于所述第一预设阈值的信道,和/或频段为2.4GHz频段的信道;在所述获取所述第一目标检测信道的第一目标流量数据之后,所述方法还包括:获取所述第二目标检测信道的第二目标流量数据,所述第二目标流量数据对应第二目标设备;根据所述第二目标流量数据和所述检测模型判断所述第二目标设备是否为所述视频监控设备。
本申请提供的方案,在获取第一目标流量数据之后,还可以获取第二目标设备对应的第二目标流量数据,并根据第二目标流量数据和检测模型判断第二目标设备是否为视频监控设备,可以实现视频监控设备检测的全面性,减少用户隐私被侵犯事件的发生,从而保护用户的隐私。
结合第一方面,在一些可能的实现方式中,在所述获取所述第一目标检测信道的第一目标流量数据前,所述方法还包括:将所述电子设备的Wi-Fi芯片的工作模式设置为监控模式。
第二方面,提供了一种GUI,所述图形用户界面存储在电子设备中,所述电子设备包括显示屏、存储器、一个或多个处理器,所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序,其特征在于,所述图形用户界面包括:显示在所述显示屏上的第一GUI,所述第一GUI包括第一应用的图标,用于检测当前网络空间是否存在视频监控设备,以及在存在所述视频监控设备的情况下对所述视频监控设备进行定位;响应于针对所述第一应用的触摸事件,在所述显示屏上显示第二GUI,所述第二GUI包括检测控件。
结合第二方面,在一些可能的实现方式中,所述图形用户界面还包括:响应于针对所述检测控件的触摸事件,在所述显示屏上显示第三GUI,所述第三GUI用于显示检测进度,以及当前检测信道信息。
结合第二方面,在一些可能的实现方式中,所述图形用户界面还包括:显示在所述显示屏上的第四GUI,所述第四GUI用于显示第一提示信息,所述第一提示信息用于提示不存在所述视频监控设备;或,所述第四GUI用于显示第二提示信息和定位控件,所述第二提示信息用于提示存在所述视频监控设备,所述定位控件用于定位所述视频监控设备。
结合第二方面,在一些可能的实现方式中,所述图形用户界面还包括:响应于针对所述定位控件的触摸事件,在所述显示屏上显示第五GUI,所述第五GUI用于显示第三提示信息和定位控件,所述第三提示信息包括用于提示用户进行定位的定位说明。
结合第二方面,在一些可能的实现方式中,所述图形用户界面还包括:显示在所述显示屏上的第六GUI,所述第六GUI包括用于显示第四提示信息,所述第四提示信息用于提示用户执行定位的指引动作。
结合第二方面,在一些可能的实现方式中,所述图形用户界面还包括:显示在所述显示屏上的第七GUI,所述第七GUI包括用于显示所述视频监控设备的位置信息。
第三方面,提供了一种装置,该装置包含在电子设备中,该装置具有实现上述方面及上述方面的可能实现方式中电子设备行为的功能。功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块或单元。
第四方面,提供了一种电子设备,包括:一个或多个处理器;存储器;一个或者多个应用程序;以及一个或多个计算机程序。其中,一个或多个计算机程序被存储在存储器中,一个或多个计算机程序包括指令。当指令被电子设备执行时,使得电子设备执行上述第一方面任一项可能的实现中的用于检测视频监控设备的方法。
第五方面,提供了一种芯片系统,包括至少一个处理器,当程序指令在所述至少一个处理器中执行时,使得上述第一方面任一项可能的实现中的用于检测视频监控设备的方法在所述电子设备上的功能得以实现。
第六方面,提供了一种计算机存储介质,包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述第一方面任一项可能的实现中的用于检测视频监控设备的方法。
第七方面,提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面任一项可能的设计中的用于检测视频监控设备的方法。
附图说明
图1是本申请实施例提供的一种电子设备的硬件结构示意图。
图2是本申请实施例提供的一种电子设备的软件结构示意图。
图3是本申请实施例提供的一组GUI的示意图。
图4是本申请实施例提供的另一组GUI的示意图。
图5是本申请实施例提供的检测视频监控设备的示意性流程图。
图6是本申请实施例提供的定位视频监控设备的示意性流程图。
图7是本申请实施例提供的定位视频监控设备的场景示意图。
图8是本申请实施例提供的定位视频监控设备过程中视频流量变化的示意图。
图9是本申请实施例提供的检测设备的光源强度变化的示意图。
图10是本申请实施例提供的用于检测视频监控设备的方法的示意性流程图。
图11是本申请实施例提供的另一种电子设备的示意性框图。
图12是本申请实施例提供的又一种电子设备的示意性框图。
具体实施方式
以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。还应当理解,在本申请以下各实施例中,“至少一个”、“一个或多个”是指一个、两个或两个以上。术语“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系;例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
本申请实施例提供一种用于检测视频监控设备的方法和电子设备,可以在不增加额外硬件模块的前提下,实现视频监控设备的检测,且可以无需接入视频监控设备所在网络,对视频监控设备进行检测,可以提高视频监控设备检测的全面性和准确性,从而可以减少用户隐私被侵犯事件的发生。
本申请实施例提供的用于检测视频监控设备的方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等电子设备上,本申请实施例对电子设备的具体类型不作任何限制。
示例性的,图1示出了电子设备100的结构示意图。电子设备100可以包括处理器110、外部存储器接口120、内部存储器121、通用串行总线(universal serial bus,USB)接口130、充电管理模块140、电源管理模块141、电池142、天线1、天线2、移动通信模块150、无线通信模块160、音频模块170、扬声器170A、受话器170B、麦克风170C、耳机接口170D、传感器模块180、指南针190、马达191、指示器192、摄像头193、显示屏194以及用户标识模块(subscriber identification module,SIM)卡接口195等。
可以理解的是,本申请实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中,电子设备100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的部件,也可以集成在一个或多个处理器中。在一些实施例中,电子设备101也可以包括一个或多个处理器110。其中,控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
在其他一些实施例中,处理器110中还可以设置存储器,用于存储指令和数据,例如用于存储定位算法。示例性地,处理器110中的存储器可以为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。这样就避免了重复存取,减少了处理器110的等待时间,因而提高了电子设备101处理数据或执行指令的效率。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路间(inter-integrated circuit,I2C)接口、集成电路间音频(inter-integrated circuitsound,I2S)接口、脉冲编码调制(pulse code modulation,PCM)接口、通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口、移动产业处理器接口(mobile industry processor interface,MIPI)、用输入输出(general-purpose input/output,GPIO)接口、SIM卡接口和/或USB接口等。其中,USB接口130是符合USB标准规范的接口,具体可以是Mini USB接口、Micro USB接口、USB Type C接口等。USB接口130可以用于连接充电器为电子设备100充电,也可以用于电子设备100与外围设备之间传输数据。该USB接口130也可以用于连接耳机,通过耳机播放音频。
可以理解的是,本申请实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对电子设备100的结构限定。在本申请另一些实施例中,电子设备100也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110、内部存储器121、外部存储器、显示屏194、摄像头193和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量、电池循环次数、电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块141也可以设置于处理器110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
电子设备100的无线通信功能可以通过天线1、天线2、移动通信模块150、无线通信模块160、调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。电子设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。
移动通信模块150可以提供应用在电子设备100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
无线通信模块160可以提供应用在电子设备100上的包括无线局域网(wirelesslocal area networks,WLAN)(如Wi-Fi网络)、蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS)、调频(frequency modulation,FM)、近距离无线通信技术(near field communication,NFC)、红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。其中,为了获取目标流量数据可以通过电子设备所携带的Wi-Fi网卡实现,该Wi-Fi网卡可以为无线通信模块160。
电子设备100通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像、视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD)、有机发光二极管(organic light-emittingdiode,OLED)、有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED)、柔性发光二极管(flex light-emittingdiode,FLED)、Miniled、MicroLed、Micro-oLed、量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,电子设备100可以包括1个或多个显示屏194。例如,电子设备在检测视频监控设备的过程中通过显示屏194显示视频监控设备的信息,在定位阶段显示视频监控设备的位置。
在本申请的一些实施例中,当显示面板采用OLED、AMOLED、FLED等材料时,上述图1中的显示屏194可以被弯折。这里,上述显示屏194可以被弯折是指显示屏可以在任意部位被弯折到任意角度,并可以在该角度保持。
电子设备100的显示屏194可以是一种柔性屏,目前,柔性屏以其独特的特性和巨大的潜力而备受关注。柔性屏相对于传统屏幕而言,具有柔韧性强和可弯曲的特点,可以给用户提供基于可弯折特性的新交互方式,可以满足用户对于电子设备的更多需求。
电子设备100可以通过ISP、摄像头193、视频编解码器、GPU、显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点、亮度、肤色进行算法优化。ISP还可以对拍摄场景的曝光、色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,电子设备100可以包括1个或多个摄像头193。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当电子设备100在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。电子设备100可以支持一种或多种视频编解码器。这样,电子设备100可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1、MPEG2、MPEG3、MPEG4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现电子设备100的智能认知等应用,例如:图像识别、人脸识别、语音识别、文本理解等。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展电子设备100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储一个或多个计算机程序,该一个或多个计算机程序包括指令。处理器110可以通过运行存储在内部存储器121的上述指令,从而使得电子设备101执行本申请一些实施例中所提供的控制音量的方法,以及各种应用以及数据处理等。内部存储器121可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统;该存储程序区还可以存储一个或多个应用(比如图库、联系人等)等。存储数据区可存储电子设备101使用过程中所创建的数据(比如照片,联系人等)等。此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储部件,闪存部件,通用闪存存储器(universal flash storage,UFS)等。在一些实施例中,处理器110可以通过运行存储在内部存储器121的指令,和/或存储在设置于处理器110中的存储器的指令,来使得电子设备101执行本申请实施例中所提供的控制音量的方法,以及其他应用及数据处理。电子设备100可以通过音频模块170、扬声器170A、受话器170B、麦克风170C、耳机接口170D、以及应用处理器等实现音频功能。例如音乐播放、录音等。
传感器模块180可以包括压力传感器180A、陀螺仪传感器180B、气压传感器180C、磁传感器180D、加速度传感器180E、距离传感器180F、接近光传感器180G、指纹传感器180H、温度传感器180J、触摸传感器180K、环境光传感器180L、骨传导传感器180M等。
环境光传感器180L用于感知环境光亮度。例如,电子设备在定位阶段可以感知环境光强。电子设备100可以根据感知的环境光亮度自适应调节显示屏194亮度。环境光传感器180L也可用于拍照时自动调节白平衡。环境光传感器180L还可以与接近光传感器180G配合,检测电子设备100是否在口袋里,以防误触。
指纹传感器180H用于采集指纹。电子设备100可以利用采集的指纹特性实现指纹解锁,访问应用锁,指纹拍照,指纹接听来电等。
温度传感器180J用于检测温度。在一些实施例中,电子设备100利用温度传感器180J检测的温度,执行温度处理策略。
触摸传感器180K,也称“触控面板”。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180K也可以设置于电子设备100的表面,与显示屏194所处的位置不同。
图2是本申请实施例的电子设备100的软件结构框图。分层架构将软件分成若干个层,每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中,将Android系统分为四层,从上至下分别为应用程序层,应用程序框架层,安卓运行时(Android runtime)和系统库,以及内核层。应用程序层可以包括一系列应用程序包。
如图2所示,应用程序包可以包括相机、图库、日历、通话、地图、导航、WLAN、蓝牙、音乐、视频、短信息等应用程序。其中,本申请可以基于WLAN实现视频监控设备的检测和定位。
该应用程序包也可以包括下文中提到的第一应用的应用程序。
应用程序框架层为应用程序层的应用程序提供应用编程接口(applicationprogramming interface,API)和编程框架,应用程序框架层包括一些预先定义的函数。
如图2所示,应用程序框架层可以包括窗口管理器、内容提供器、视图系统、电话管理器、资源管理器、通知管理器等。
窗口管理器用于管理窗口程序,窗口管理器可以获取显示屏大小,判断是否有状态栏、锁定屏幕、截取屏幕等。
内容提供器用来存放和获取数据,并使这些数据可以被应用程序访问。所述数据可以包括视频、图像、音频、拨打和接听的电话、浏览历史和书签、电话簿等。
视图系统包括可视控件,例如显示文字的控件,显示图片的控件等。视图系统可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如,包括短信通知图标的显示界面,可以包括显示文字的视图以及显示图片的视图。
电话管理器用于提供电子设备100的通信功能。例如通话状态的管理(包括接通,挂断等)。
资源管理器为应用程序提供各种资源,比如本地化字符串、图标、图片、布局文件、视频文件等等。
通知管理器使应用程序可以在状态栏中显示通知信息,可以用于传达告知类型的消息,可以短暂停留后自动消失,无需用户交互,也可以与用户交互进行下一步骤。在本申请中,通知管理器可以通知用户与视频监控设备的检测相关的消息等。
通知管理器还可以是以图表或者滚动条文本形式出现在系统顶部状态栏的通知,例如后台运行的应用程序的通知,还可以是以对话窗口形式出现在屏幕上的通知。例如在状态栏提示文本信息、发出提示音、电子设备振动、指示灯闪烁等。
系统库可以包括多个功能模块。例如:表面管理器(surface manager)、媒体库(media libraries)、三维图形处理库(例如:OpenGL ES)、2D图形引擎(例如:SGL)等。
表面管理器用于对显示子系统进行管理,并且为多个应用程序提供了2D和3D图层的融合。
媒体库支持多种常用的音频、视频格式回放和录制以及静态图像文件等。媒体库可以支持多种音视频编码格式,例如:MPEG4、H.264、MP3、AAC、AMR、JPG和PNG等。
三维图形处理库用于实现三维图形绘图、图像渲染、合成和图层处理等。
2D图形引擎是2D绘图的绘图引擎。
内核层是硬件和软件之间的层。内核层至少包含显示驱动、摄像头驱动、音频驱动、传感器驱动。
为了便于理解,本申请以下实施例将以具有图1和图2所示结构的手机为例,结合附图对本申请实施例提供的用于检测视频监控设备的方法进行具体阐述。
图3示出了手机的一组GUI,其中,从图3中的(a)到图3中的(j)示出了手机可以在第一应用下检测网络空间是否存在视频监控设备以及该视频监控设备的位置。
参见图3中的(a)所示的GUI,该GUI为手机的桌面。当手机检测到用户点击桌面上的第一应用的图标301的操作后,可以启动检测应用,显示如图3中的(b)所示的GUI,该GUI可以称为检测界面。
参见图3中的(b)所示的GUI,当手机检测到用户点击知道了的图标302的操作后,手机可以开始对网络空间是否存在视频监控设备进行检测,显示如图3中的(c)所示的GUI。
参见图3中的(c)所示的GUI,为手机正在进行扫描中的界面,其中,图中所示出的2%表示手机此时检测进度为2%,图中还可以包括当前检测信道下涵盖的热点信息。
若手机检测进度完成后,检测到网络空间不存在视频监控设备,在手机界面可以显示“未发现摄像头”,可以参考图3中的(d)所示的GUI。
若手机检测进度完成后,检测到网络空间存在2个视频监控设备,在手机界面可以显示“发现2个摄像头”,且还可以显示视频监控设备(即摄像头)的所连接的热点信息,如图3中的(e)所示的“TPlink_123”和对应的MAC地址信息“44:ee:bf:09:9d:23”、“TPlink_000”和对应的MAC地址信息“80:9f:9b:e1:2b:2b”。之后,用户根据需要启动对视频监控设备的定位,参考图3中的(e)所示的GUI。
在用户点击开始定位的图标303的操作后,手机可以自动打开闪光灯,同时手机界面可以显示“定位说明”,例如,该“定位说明”可以是请关闭室内灯光和窗帘,尽量降低环境光,手持设备(即手机)对准房间四周,缓慢转动一周,根据界面提示定位设备所在。在确保阅读了解“定位说明”后,可以点击知道了的图标304的操作,参见图3中的(f)所示的GUI。
在用户点击知道了的图标304的操作后,手机界面可以显示“请旋转一周”,用户可以手持该手机并旋转一周,可以参考图3中的(g)所示的GUI。
若该手机已被旋转一周,手机界面可以显示“旋转完成”,并提示用户“请等待定位检测结果”,可以参考图3中的(h)所示的GUI。
若该房间存在视频监控设备,可以显示定位检测结果,如图3中的(i)所示的界面,可以看出,“定位检测结果”上方显示摄像头的位置,下方显示摄像头的名称和MAC地址信息(即设备1:TPlink_123 44:ee:bf:09:9d:23;设备2:TPlink_000 80:9f:9b:e1:2b:2b),其中,设备1和设备2分别位于用户的东侧和南侧(在用户手持手机,定位指向正北方时)。
若该房间不存在视频监控设备,可以显示定位检测结果,如图3中的(j)所示的界面,本次结果显示为:该房间内未定位到视频监控设备。
在一些实施例中,在检测视频监控设备的过程中,也可以通过不同的图标实现全面扫描和快速扫描,图4示出了手机的另一组GUI,其中,从图4中的(a)到图4中的(e)示出了手机可以在第一应用下检测网络空间是否存在视频监控设备。
类似地,参见图4中的(a)所示的GUI,该GUI为手机的桌面。当手机检测到用户点击桌面上的第一应用的图标301的操作后,可以启动检测应用,显示如图4中的(b)所示的GUI,该GUI可以称为检测界面。
参见图4中的(b)所示的GUI,此时,用户可以选择全面扫描或快速扫描,不管用户选择哪种方式进行扫描,均可以显示如图4中的(c)所示的GUI。
扫描方式的选择可以通过手机内部实现,也可以是用户自主选择,不予限制。
在一种实现方式下,若通过手机内部实现扫描方式的选择,则不显示图4中的(b)所示的GUI,用户点击图4中的(a)所示的桌面上的第一应用的图标301后,直接进入图4中的(c)所示的GUI。以上手机内部选择快速扫描或全面扫描,可以根据设置的信号强度阈值的大小或扫描的无线信道中是否包含5G频段信道进行选择。
例如,若手机内部设置的信号强度阈值较大,则可以进行快速扫描,若设置的信号强度阈值较小,则可以进行全面扫描;若扫描的无线信道中包含5G频段信道,则可以进行全面扫描,若扫描的无线信道中不包含5G频段信道,则可以进行快速扫描。
应理解,上述信道强度阈值的较大或较小是一个相对的概念,例如,对于信号强度-75dBm来说,相对于信号强度-90dBm较大,相对于信号强度-50dBm较小。
示例性的,假设周围存在10个信道,若手机内部设置的信号强度阈值较大,此时手机可能仅扫描到3个信道,即快速扫描;若手机内部设置的信号强度阈值较小,此时手机可能能够扫描到9个信道,即全面扫描。
类似地,假设周围存在10个信道,其中有6个属于5GHz频段的信道,4个属于其它频段的信道。若手机内部进行设置不包含5G频段信道后,手机扫描到4个其它频段的信道,即实现快速扫描;若手机内部进行设置包含5G频段信道后,手机扫描到全部的10个信道(包括6个5GHz频段的信道和4个其它频段的信道),即实现全面扫描。
在另一种实现方式下,若用户自主选择扫描方式,可以根据周围环境进行选择。
例如,若用户进入酒店大堂或商场等低风险区域,则可以选择快速扫描,以对周围环境进行大概的检测;若用户进入酒店房间等高风险区域,则可以选择全面扫描,以对房间进行全方位的检测。
若手机检测到网络空间不存在视频监控设备,在手机界面可以显示“未发现摄像头”,可以参考图4中的(d)所示的GUI。
若手机检测到网络空间存在视频监控设备,在手机界面可以显示“发现2个摄像头”,且还可以显示视频监控设备(摄像头)所连接的热点信息,如图4中的(e)所示的“TPlink_123”和对应的MAC地址信息“44:ee:bf:09:9d:23”、“TPlink_000”和对应的MAC地址信息“80:9f:9b:e1:2b:2b”,同时可以启动开始定位303的操作,可以参考图4中的(e)所示的GUI。
在检测到存在视频监控设备后,后续的关于视频监控设备的定位可以参考图3中的(f)~图3中的(j)所示的界面,为了简洁,这里不再赘述。
需要说明的是,上述过程也可以以语音的形式实现视频监控设备的检测和定位。例如,若手机检测到网络空间存在视频监控设备,可以以语音播放的形式提示用户当前网络空间存在视频监控设备,并语音提示用户开始定位;若手机检测到网络空间不存在视频监控设备,可以以语音播放的形式提示用户当前网络空间不存在视频监控设备。其过程与图3所示的过程基本一致,仅是形式的不同,为了简洁,这里不再赘述。
本申请可以应用于用户入住的酒店或宾馆等一些场所,可以用于检测用户所在的网络空间是否存在视频监控设备,以减少用户隐私被侵犯事件的发生,从而可以保证用户的隐私安全。
下文先结合图5和图6分别说明本申请电子设备对视频监控设备的检测以及定位过程。
检测过程:
下面结合附图5介绍本申请实施例中电子设备(下文以检测设备为例)判断是否存在视频监控设备的过程。
本方案主要是利用检测设备的嗅探能力捕获周边环境的Wi-Fi流量数据,基于检测模型进行流量识别,从而完成视频监控设备的检测。
S610,检测设备扫描周边接入点,筛选目标检测信道列表。
检测设备可以在收到检测命令后开始扫描周边环境的接入点信息,例如,以安卓系统为例,可以调用Wi-Fi管理类获取接入点信息,可获取的信息可以包括:接入点名称、接入点MAC地址、接入点信号强度、接入点载波频率以及带宽等。
上述检测设备在收到检测命令后开始扫描周边环境的接入点信息,其中,该检测命令可以是用户通过点击第一应用所下发的命令,或者,该检测命令也可以是检测设备连接用户所入住的酒店或宾馆等场所的网络后所下发的命令,不予限制。
检测设备通过扫描周边接入点获取到周边环境的接入点信息后,可以从扫描结果(获取到的周边环境的接入点信息,即目标信道列表)中筛选出目标检测信道列表,可以通过以下两种方式进行筛选。
方式一:检测设备的目标信道列表中可以剔除信号强度较弱的信道。
可以理解的是,信号强度较弱的信道一般距离检测设备的位置较远,即使存在视频监控设备,可能不在用户所在的房间内,风险相对来说较低。因此,可以将信号强度较弱的信道剔除。
信号强度较弱的信道是相对的概念,在一些实施例中,可以理解为多个信道中的信号强度位于后5个的信道,例如,检测设备检测到了10个信道,这10个信道的信号强度按照从强到弱的顺序排序为信道1、信道2、信道3、……、信道9、信道10,则信号强度较弱的信道可以为信道6~信道10,因此,可以将信道6~信道10这5个信道剔除,以筛选出目标检测信道列表,即信道1、信道2、信道3、信道4和信道5。
在另一些实施例中,信号强度较弱的信道可以理解为信道强度小于预设阈值的信道,例如,假设该预设阈值为-75dBm,检测设备检测到了10个信道,分别为信道1、信道2、信道3、……、信道9、信道10,其中,信道2、信道3、信道8的信号强度均小于预设阈值-75dBm,则可以将信道2、信道3、信道8这3个信道剔除,以筛选出目标检测信道列表,即信道1、信道4、信道5、信道6、信道7、信道9和信道10。
方式一中的剔除信号强度较弱的信道可以理解为:手机内部设置的信号强度阈值较大,在扫描的过程中,可以扫描到信号强度阈值较强的信道,信号强度较弱的信道自动剔除。换句话说,该方式可以应用于快速扫描。
方式二:检测设备的目标信道列表中可以剔除5GHz频段的信道。
一般情况下,视频监控设备可以支持2.4GHz频段,而支持5GHz频段的较少,因此,可以将5GHz频段的信道剔除。
例如,检测设备检测到了10个信道,分别为信道1、信道2、信道3、……、信道9、信道10,其中,信道2、信道5、信道6、信道8均支持5GHz频段,则可以将信道2、信道5、信道6、信道8这4个频段剔除,以筛选出目标检测信道列表,即信道1、信道3、信道4、信道7、信道9和信道10。
类似地,方式二中的剔除5GHz频段的信道可以理解为:手机内部设置的包含5G频段信道,则可以进行快速扫描。在扫描的过程中,手机未扫描到5GHz频段的信道,5GHz频段的信道自动剔除,扫描到除5GHz频段的信道之外的其它信道。换句话说,该方式也可以应用于快速扫描。
需要说明的是,在筛选目标检测信道的过程中,上述两种方式可以同时使用,也可以单独使用,本申请对此不作具体限定。
若在筛选目标检测信道的过程中,上述两种方式同时使用,则可以将按照以下方式剔除信道。
(1)、可以将按照上述两种方式共同需要剔除的信道剔除。例如,若按照方式一需要将信道2、信道3、信道8这3个信道剔除,按照方式二需要将信道2、信道5、信道6、信道8这4个频段剔除,由于信道2和信道8在这两种方式下均需要剔除,因此,可以将信道2和信道8剔除。
(2)、可以将按照上述两种方式所涉及到的需要剔除的信道剔除。例如,若按照方式一需要将信道2、信道3、信道8这3个信道剔除,按照方式二需要将信道2、信道5、信道6、信道8这4个频段剔除,由于信道2、信道3、信道5、信道6、和信道8是在这两种方式下所涉及到的需要剔除的信道,因此,可以将信道2、信道3、信道5、信道6、和信道8剔除。
S620,获取目标检测信道的流量数据。
在获取目标检测信道的流量数据的过程中,需要先将检测设备的网卡设置为“监控”模式,利用检测设备的嗅探能力对目标检测信道中的流量数据进行捕获。
需要说明的是,在正常模式下,Wi-Fi模块将不是发送给自己的数据丢弃,在监控模式下,检测设备将Wi-Fi模块接收到的数据全部上报,这便是检测设备的嗅探能力。
嗅探能力的开启和关闭可以通过应用下发命令码和参数完成,示例性的,该应用为如图3(a)所示的第一应用。在一些实施例中,为降低检测设备的功耗,检测设备可以依据筛选的目标检测信道依次自动开启和关闭。
例如,假设通过上述步骤S610筛选出的目标检测信道包括信道1、信道2、信道3、信道4和信道5,检测设备可以分别依次对这5个信道中的流量数据进行捕获。捕获的流量数据可以实时缓存到检测设备内存中,如缓存到检测设备的随机存取存储器(random accessmemory,RAM)中;也可以在捕获完成后以报文的形式保存到检测设备的某一路径下,如保存到检测设备的应用的内部存储路径中,如可以保存到只读存储器(read-only memory,ROM)中。
在一些实施例中,若检测设备在某一信道(如上述信道1)捕获到的流量数据的字节数小于预设阈值,则可以跳过后续对该信道流量数据的检测流程,直接进行下一信道的流量数据的字节数的判断,并根据下一信道捕获的流量数据的字节数判断是否跳过后续检测流程,即S621,信道检测加速。
例如,对于信道1,若检测设备在5s内检测到的流量数据的字节数小于预设阈值,则可以跳过在信道1上的后续S630~S670的检测步骤,继续对信道2的流量数据的字节数进行判断。如果信道2的流量数据的字节数大于或等于预设阈值,则继续进行S630;如果信道2的流量数据的字节数小于预设阈值,则可以跳过在信道2上的后续S630~S670的检测步骤。
值得注意的是,该步骤S621为可选步骤,在一些实施例中,检测设备在获取目标检测信道的流量数据后,也可以直接进行步骤S630。
对于执行检测流程的目标检测信道,检测设备在获取到目标检测信道的流量数据后,可以对其进行解析,以提取流量数据的MAC层信息。例如,可以基于Wi-Fi传输协议对内存中的缓存数据,或,某路径下的报文数据进行解析,从而可以提取流量数据的MAC层信息。
其中,提取的MAC层信息可以包括但不限于:帧类型、帧大小、源地址、目的地址以及持续时间等。
S630,流量数据的特征向量提取。
本申请实施例中,在提取流量数据的特征向量前,可以先根据解析出的信息对目标检测信道的流量数据进行预处理。该预处理可以包括无关数据帧的剔除和对流量数据的业务分流。
其中,无关数据帧的剔除,即剔除不是数据帧的帧类型,例如,Wi-Fi管理帧、Wi-Fi控制帧和重传帧。需要说明的是,在IEEE802.11协议中,Wi-Fi管理帧用于管理Wi-Fi通信链路的建立,Wi-Fi控制帧用于协助数据帧的传输,重传帧是数据帧的重复传输,而数据帧承载了上层应用的业务数据。后续视频监控设备的识别,主要是通过识别监控视频业务数据为特征来完成的,对于不同业务来说,Wi-Fi管理帧、Wi-Fi控制帧是一样的,而重传帧与信道环境有关而与业务无关,而本申请主要是通过不同数据识别是否是视频监控设备,因此,对于业务识别来说,无关数据帧都是“噪声”,需要将其剔除。
对流量数据的业务分流,可以理解为对多个目标检测信道中每一个目标检测信道的不同设备的流量数据进行分流。例如,可以依据数据帧的源MAC地址和目的MAC地址,对每一个目标检测信道的不同设备的流量数据进行分流。
具体地,假设通过上述步骤S610筛选出的目标检测信道包括信道1、信道2、信道3、信道4和信道5,可以分别依次对这5个信道中的不同设备的流量数据进行业务分流。首先,可以对信道1进行业务分流,若该信道1中包括3个不同设备的流量数据,则可以根据这3个不同设备的源地址和目的地址对这3个不同设备的流量数据进行分流,以分别得到这3个设备的流量数据。类似地,对于其它信道中的设备也可以采取相同的方式进行分流,为了简洁,这里不再赘述。
在一种具体的实现方式中,在对目标检测信道的流量数据进行预处理后,可以对预处理后的流量数据进行特征向量提取,并将提取的特征向量输入至机器学习模型中,利用机器学习模型识别所检测的信道对应的设备是否为视频监控设备。
例如,可以利用专家经验人工设计提取特征向量,提取的特征向量包括但不限于:包长相关统计特征(如包长最大值、最小值、均值、方差和累计分布)、持续时间相关统计特征、流量瞬时带宽等。
在另一种具体的实现方式中,在对目标检测信道的流量数据进行预处理之后,将预处理后的流量数据输入至深度学习模型中,利用深度学习模型识别所检测的信道对应的设备是否为视频监控设备。
其中,深度学习模型可以为循环神经网络(recurrent neural network,RNN)模型、长短期记忆人工神经网络(long short-term memory,LSTM)模型等。应理解,本申请实施例中的深度学习模型包括但不限于上述列举的两种模型,还可以为其它模型,不予限制。
值得注意的是,该步骤S630为可选步骤,在一些实施例中,若检测模型采用的是深度学习模型,也可以直接进行步骤S650。
其中,机器学习模型或深度学习模型可以通过采集的正样本流量数据和负样本流量数据进行模型训练得到,即S640,流量数据分类器模型训练。
在一些实施例中,正样本流量数据可以为不同视频监控设备工作过程中产生的流量数据,正样本流量数据可以考虑不同因素可能造成的流量差异,如:监控视频画面质量、监控视频的编解码方案、视频的传输协议等;负样本流量数据可以为日常生活中不同非视频监控设备产生的业务流量数据,如:视频直播、在线视频播放、网络游戏、文本下载、系统更新等场景。
在另一些实施例中,正样本流量数据可以为日常生活中不同非视频监控设备产生的业务流量数据,如:视频直播、在线视频播放、网络游戏、文本下载、系统更新等场景;负样本流量数据可以为不同视频监控设备工作过程中产生的流量数据,同样地,负样本流量数据可以考虑不同因素可能造成的流量差异,如:监控视频画面质量、监控视频的编解码方案、视频的传输协议等。
S650,利用检测模型判断流量数据类型并根据该流量数据类型判断其所对应的设备是否为视频监控设备。
本申请实施例中的检测模型可以为上文中的机器学习模型或深度学习模型。
在视频监控设备检测过程中,可以将上述提取的流量数据的特征向量或流量数据输入到对应检测模型中进行数据流量类型的识别,以识别所检测的设备是否为视频监控设备。
(一)、模型1
若对应的检测模型为机器学习模型,且正样本流量数据可以为不同视频监控设备工作过程中产生的流量数据,负样本流量数据可以为日常生活中不同非视频监控设备产生的业务流量数据,则可以通过以下方式进行识别。
可以将预处理后的流量数据分割多组流量样本,分别提取这多组流量样本的特征向量,输入到机器学习模型中,得到多个流量样本的置信度,通过置信度与预设阈值识别是否为视频监控设备。
①)可以计算这多组流量样本的置信度均值,若该置信度均值大于或等于预设阈值,
则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若将一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本的置信度均值为0.6,该置信度均值大于预设阈值0.5,则可以判断该流量数据所对应的设备为视频监控设备,即当前网络空间存在视频监控设备。
示例性地,假设预设阈值为0.5,若将一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本的置信度均值为0.2,该置信度均值小于预设阈值0.5,则可以判断该流量数据所对应的设备不为视频监控设备,即当前网络空间不存在视频监控设备。
②可以结合单个样本的置信度和预设阈值进行判断,若置信度大于或等于预设阈值的流量样本的数目≥置信度小于预设阈值的流量样本的数目,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若将一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本大于或等于预设阈值0.5流量样本数有7个,而小于预设阈值0.5流量样本数有3个,即置信度大于或等于预设阈值的流量样本的数目(即7个)>置信度小于预设阈值的流量样本的数目(即3个),则可以判断该流量数据所对应的设备为视频监控设备,即当前网络空间存在视频监控设备。
示例性地,假设预设阈值为0.5,若将一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本大于或等于预设阈值0.5流量样本数有0个,而小于预设阈值0.5流量样本数有10个,即置信度大于或等于预设阈值的流量样本的数目(即0个)<置信度小于预设阈值的流量样本的数目(即10个),则可以判断该流量数据所对应的设备不为视频监控设备,即当前网络空间不存在视频监控设备。
(二)、模型2
若对应的检测模型为机器学习模型,且正样本流量数据可以为日常生活中不同非视频监控设备产生的业务流量数据,负样本流量数据可以为不同视频监控设备工作过程中产生的流量数据,则可以通过以下方式进行识别。
可以将预处理后的流量数据分割多组流量样本,分别提取这多组流量样本的特征向量,输入到机器学习模型中,得到多个流量样本的置信度,通过置信度与预设阈值识别是否为视频监控设备。
①)可以计算这多组流量样本的置信度均值,若该置信度均值小于预设阈值,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本的置信度均值为0.6,该置信度均值大于预设阈值0.5,则可以判断该流量数据所对应的设备不为视频监控设备,即当前网络空间不存在视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本的置信度均值为0.2,该置信度均值小于预设阈值0.5,则可以判断该流量数据所对应的设备为视频监控设备,即当前网络空间存在视频监控设备。
②可以结合单个样本的置信度和预设阈值进行判断,若置信度小于预设阈值的流量样本的数目≥置信度大于或等于预设阈值的流量样本的数目,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.1、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本小于预设阈值0.5流量样本数有4个,而大于或等于预设阈值0.5流量样本数有6个,即置信度小于预设阈值的流量样本的数目(4个)<置信度大于或等于预设阈值的流量样本的数目(6个),则可以判断该流量数据所对应的设备不为视频监控设备,即当前网络空间不存在视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本小于预设阈值0.5流量样本数有10个,而大于或等于预设阈值0.5流量样本数有0个,即置信度小于预设阈值的流量样本的数目(10个)>置信度大于或等于预设阈值的流量样本的数目(0个),则可以判断该流量数据所对应的设备为视频监控设备,即当前网络空间存在视频监控设备。
(三)、模型3
若对应的检测模型为深度学习模型,且正样本流量数据可以为不同视频监控设备工作过程中产生的流量数据,负样本流量数据可以为日常生活中不同非视频监控设备产生的业务流量数据。
在检测模型为深度学习模型的情况下,对获取到的流量数据进行预处理后,可以将预处理后的流量数据分割为多组流量样本,无需提取这多组流量样本的特征向量,可以将流量样本直接输入到深度学习模型中,得到多组流量样本的置信度,通过置信度与预设阈值识别是否为视频监控设备。
①可以计算这多组流量样本的置信度均值,若该置信度均值大于或等于预设阈值,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本的置信度均值为0.6,该置信度均值大于预设阈值0.5,则可以判断该流量数据所对应的设备为视频监控设备,即当前网络空间存在视频监控设备。
②可以结合单个样本的置信度和预设阈值进行判断,若置信度大于或等于预设阈值的流量样本的数目≥置信度小于预设阈值的流量样本的数目,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本大于或等于预设阈值0.5流量样本数有7个,而小于预设阈值0.5流量样本数有3个,即置信度大于或等于预设阈值的流量样本的数目>置信度小于预设阈值的流量样本的数目,则可以判断该流量数据所对应的设备为视频监控设备,即当前网络空间存在视频监控设备。
(四)、模型4
若对应的检测模型为深度学习模型,且正样本流量数据可以为日常生活中不同非视频监控设备产生的业务流量数据,负样本流量数据可以为不同视频监控设备工作过程中产生的流量数据。
类似地,在检测模型为深度学习模型的情况下,对获取到的流量数据进行预处理后,可以将预处理后的流量数据分割为多组流量样本,无需提取这多组流量样本的特征向量,将这多组流量样本直接输入到深度学习模型中,得到多组流量样本的置信度,通过置信度与预设阈值识别是否为视频监控设备。
①可以计算这多组流量样本的置信度均值,若该置信度均值小于预设阈值,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本的置信度均值为0.6,该置信度均值大于预设阈值0.5,则可以判断该流量数据所对应的设备不为视频监控设备,即当前网络空间不存在视频监控设备。
②可以结合单个样本的置信度和预设阈值进行判断,若置信度小于预设阈值的流量样本的数目≥置信度大于或等于预设阈值的流量样本的数目,则可以判断该流量数据对应的设备为视频监控设备;否则不为视频监控设备。
示例性地,假设预设阈值为0.5,若一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.1、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本小于预设阈值0.5流量样本数有4个,而大于或等于预设阈值0.5流量样本数有6个,即置信度小于预设阈值的流量样本的数目(4个)<置信度大于或等于预设阈值的流量样本的数目(6个),则可以判断该流量数据所对应的设备不为视频监控设备,即当前网络空间不存在视频监控设备。
需要说明的是,上述数值仅为举例说明,还可以为其它数值,不应对本申请造成特别限定。
在经过上述步骤S650后,若判断有视频监控设备,则执行步骤S660,若没有视频监控设备,则执行步骤S670。
S660,提示用户网络空间有视频监控设备,可以给出相关信息,如:视频监控设备所连接的Wi-Fi信息等,并启动设备定位算法,如图3中的(e)或图4中的(e)所示的界面。
S670,提示用户网络空间无视频监控设备,如图3中的(d)或图4中的(d)所示的界面。
定位过程:
若根据上述步骤S610~S670检测到网络空间有视频监控设备,可以启动设备定位算法,以实现对视频监控设备的定位。
具体地,在实际视频监控设备定位过程中,可以利用检测设备的光源改变局部检测区域的光线强度,同时进行监控视频流量数据的捕获。对视频流量数据进行预处理之后输入到检测设备定位模型,判断视频流量的类型。结合检测设备光源的变化形式和视频流量类型的变化形式,完成视频监控设备的定位过程。具体的视频监控设备定位流程图如下图6所示。
S710,提取视频监控设备的信息。
S720,改变局部区域光强,捕获视频流量数据。
在改变局部区域光强前,可以先降低周边环境光强,例如,可以利用周边所有窗户的窗帘降低周边环境光强,或,在灯光开启的情况下,关闭灯光以降低周边环境光强,如图3中的(f)所示的界面中的说明。
本申请实施例中的环境光强可以通过光传感器实现,例如,可以通过如图1所示的电子设备中的环境光传感器180L感知。当首次降低周边环境光强但环境光传感器180L感知该环境光强仍然不满足捕获视频流量数据的条件时,此时该电子设备的通知管理器可以通知用户再次降低周边环境光强,以达到捕获视频流量数据的条件。
本申请实施例中,改变局部区域光强可以通过检测设备的闪光灯对准局部区域实现。具体地,可以控制检测设备的闪光灯周期性地亮灭,在亮时间窗内,闪光灯快速周期性闪烁(如:20Hz),在灭时间窗内,闪光灯关闭。
需要说明的是,检测设备的闪光灯可以是自动打开的,例如,参考图3中的(e)所示的GUI,可以在检测设备检测到当前空间存在视频监控设备,且用户点击开始定位的图标303后,闪光灯打开。
还需要说明的是,在亮时间窗内,闪光灯不是常亮,而是周期性闪烁,主要是为了配合视频监控设备的摄像头的帧率(约20fps),不断改变视频监控设备所拍摄的画面,以形成更多的流量数据。这样,在亮时间窗下的数据和灭时间窗下的数据差异更大。
在控制检测设备的光源改变局部环境光强的同时,可以进行视频流量数据的捕获、解析和预处理。
以图7所示的定位场景为例进行说明。在图7所示的定位场景中,在手机(即检测设备)所对准的0°方向(区域1)存在一个视频监控设备,在手机所对准的90°方向(区域2)、180°方向(区域3)以及270°方向(区域4)没有视频监控设备。在视频监控设备的定位过程中,检测设备的光源强度变化如图9所示。在对准区域1的时候,可以看出检测设备所检测到的视频流量有较大变化,参考图8中的(a),即视频流量在不同时刻有较大的差异,说明区域1的这个方位有视频监控设备在响应检测设备的闪光灯的变化,因此,可以判断区域1的这个方位存在视频监控设备。
而在检测设备对准区域2或区域3的时候,所检测到的视频流量基本没有变化,参考图8中的(b)和图8中的(c),即视频流量在不同时刻基本没有差异,说明区域2或区域3的这个方位没有视频监控设备在响应检测设备的闪光灯的变化,因此,可以判断区域2或区域3的这个方位不存在视频监控设备。
类似地,区域4与上述区域2或区域3相同,为了简洁,这里不再赘述。
在具体实现过程中,用户可以先将检测设备的网卡设置为“监控”模式,利用检测设备的嗅探能力对目标信道(该目标信道是根据上述步骤S610~S670确定的,该目标信道可以是上述目标检测信道的全部或部分信道)中的流量数据进行捕获。类似地,捕获的流量数据可以实时缓存到设备内存中,也可以在捕获完成后以报文的形式保存到设备的某一路径下。
检测设备在获取到目标信道的流量数据后,可以对其进行解析,以提取流量数据的MAC层信息。例如,可以基于Wi-Fi传输协议对内存中的缓存数据,或,某路径下的报文数据进行解析,从而可以提取流量数据的MAC层信息。
其中,提取的MAC层信息可以包括但不限于:帧类型、帧大小、源地址、目的地址以及持续时间等。
上述流量数据的预处理过程可以包括无关数据帧的剔除和对流量数据的业务分流。
其中,无关数据帧的剔除,即剔除不是数据帧的帧类型,例如,Wi-Fi管理帧、Wi-Fi控制帧和重传帧。
对流量数据的业务分流,可以理解为对多个目标信道中的每一个目标信道的不同设备的流量数据进行分流。例如,可以依据MAC地址对多个目标信道中的不同设备的流量数据进行分流。
在一种具体的实现方式中,在对目标信道的流量数据进行预处理后,可以对预处理后的流量数据进行特征向量提取,并将提取的特征向量输入至机器学习模型中,利用机器学习模型识别视频监控设备是否在用户所在房间以及所在的方位。
例如,可以利用专家经验人工设计提取特征向量,提取的特征向量包括但不限于:流量速率离散傅里叶变换系数、包长相关统计特征(如包长最大值、最小值、均值、方差和累计分布、坡度、峰度等)、持续时间相关统计特征等。
在另一种具体的实现方式中,可以将预处理后的流量数据输入至深度学习模型中,利用深度学习模型识别视频监控设备是否在用户所在房间以及所在的方位。
其中,深度学习模型可以为RNN模型或LSTM模型等。应理解,本申请实施例中的深度学习模型包括但不限于上述列举的两种模型,还可以为其它模型,不予限制。
此外,上述机器学习模型或深度学习模型可以通过采集的正样本流量数据和负样本流量数据进行模型训练得到,即S740,流量数据分类器模型训练。
在一些实施例中,正样本流量数据可以为检测设备的光源处于亮时间窗内,且检测设备的光源对准视频监控设备时产生的流量数据;负样本流量数据可以为检测设备的光源处于灭时间窗内,或,检测设备的光源未对准视频监控设备时产生的流量数据。
在另一些实施例中,正样本流量数据可以为检测设备的光源处于灭时间窗内,或,检测设备的光源未对准视频监控设备时产生的流量数据;负样本流量数据可以为检测设备的光源处于亮时间窗内,且检测设备的光源对准视频监控设备时产生的流量数据。
S730,视频流量分类。
S750,结合闪光灯变化与视频流类型,判断闪光灯是否对准视频监控设备。
在经过上述步骤S750后,若闪光灯对准视频监控设备,则执行步骤S760,若闪光灯未对准视频监控设备,则执行步骤S770。
S760,给出视频监控设备所在的方位,如图3中的(i)所示的界面。
S770,提示视频监控设备不在用户所在的房间,如图3中的(j)所示的界面。
在视频监控设备定位过程中,可以将提取的流量数据的特征向量或流量数据输入到对应定位模型中进行数据流量类型的识别,结合流量类型的变化和设备光源的变换,以识别视频监控设备是否在用户所在房间,若在,给出视频监控设备在房间所处的方位,若不在,显示视频监控设备不在用户所在房间。
或者,也可以先将手机光源对准某一方向,获取该方向上的流量数据,将提取的流量数据的特征向量或流量数据输入到对应定位模型中进行数据流量类型的识别,结合流量类型的变化和设备光源的变换,以识别视频监控设备是否在用户所在房间,若在,给出视频监控设备在房间所处的方位,若不在,显示视频监控设备不在用户所在房间。当前方向检测完成后,转向下一方向继续上述流程。
本申请实施例中的定位模型可以为上文中的机器学习模型或深度学习模型。
(一)、模型1
若对应的定位模型为机器学习模型,且正样本流量数据为检测设备光源处于亮时间窗内,且检测设备光源对准视频监控设备时产生的监控视频流量;负样本流量数据可以为检测设备光源处于灭时间窗内,或者,设备检测光源未对准视频监控设备时产生的视频流量,则可以通过以下方式进行识别。
可以分别获取电子设备处于亮时间窗内和灭时间窗内的流量数据,对其分别进行处理,将预处理后的流量数据分割为多组流量样本,分别提取这多组流量样本的特征向量,输入到机器学习模型中,得到多组流量样本的置信度,通过置信度与预设阈值进行数据流量类型的识别,结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
①)可以计算这多组流量样本的置信度均值,若该置信度均值大于或等于预设阈值,则可以识别该数据流量类型为正样本流量数据类型;若该置信度值小于预设阈值,则可以识别该数量流量类型为负样本流量数据类型,再结合流量数据类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
示例性地,假设预设阈值为0.5,将电子设备在某一周期的亮时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本的置信度均值为0.6,该置信度均值大于预设阈值0.5,则可以判断该流量数据在亮时间窗内的数据类型为正样本流量数据类型。
将电子设备在某一周期的灭时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本的置信度均值为0.2,该置信度均值小于预设阈值0.5,则可以判断该流量数据在灭时间窗内的数据类型为负样本流量数据类型。
类似地,对电子设备获取的多个周期的亮时间窗内和灭时间窗内的流量数据进行处理和判断,可以获得多个周期的亮时间窗内和灭时间窗内的类型。
假设将正样本流量数据类型记为“1”,负样本流量数据类型记为“0”,若根据上述识别方法得到多个周期的亮时间窗内和灭时间窗内的流量数据类型均分别为“1”和“0”,且电子设备的光源的变化记为“1”和“0”,则可以根据结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
若检测的视频监控设备的流量数据类型所形成的第一序列与电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列的相关系数大于或等于预设阈值,则可以识别该视频监控设备位于光源对应方向;若该相关系数小于预设阈值,则可以识别该视频监控设备不位于光源对应方向。若视频监控设备不在房间的任何方位,则判断视频监控设备不在用户所在的房间内。
本申请实施例中的相关系数可以包括但不限于以下所示出中的相关系数:皮尔森相关系数、斯皮尔曼相关系数、肯德尔相关系数。
以皮尔森相关系数为例,两个变量之间的相关系数可以表示为:
其中,ρ(X,Y)表示X和Y的相关系数,cov(X,Y)表示X和Y的协方差,σX和σY分别表示X和Y的标准差,E(X,Y)表示X和Y的数学期望,E(X)和E(Y)分别为X和Y的数学期望,E(X2)和E(X2)分别为X2和Y2的数学期望。
示例性地,假设手机光源当前对准正东方向,若根据上述过程获得的视频监控设备的5个周期的亮时间窗内和灭时间窗内的流量数据类型所形成的第一序列为X=(1,0,1,0,1,0,1,0,1,0),且电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列Y=(1,0,1,0,1,0,1,0,1,0),则X和Y的相关系数为:
由于X和Y的相关系数为1,大于预设阈值0.5,因此,则可以识别该视频监控设备位于手机光源对准方向,即手机光源对准方向(即正东方向)存在视频监控设备,即图3中的(i)显示的设备1。
示例性地,假设手机光源对准正北方向,若根据上述过程获得的视频监控设备的5个周期的亮时间窗内和灭时间窗内的流量数据类型所形成的第一序列为X=(0,0,0,0,1,0,0,0,0,0),且电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列Y=(1,0,1,0,1,0,1,0,1,0),则X和Y的相关系数为:
由于X和Y的相关系数为0.33,小于预设阈值0.5,因此,则可以识别该视频监控设备不位于手机光源对准方向,即手机光源对准方向(即正北方向)并不存在视频监控设备,如图3中的(i)显示的正北方向并未检测到视频监控设备。
②可以结合单个样本的置信度和预设阈值进行判断,若亮时间窗内的置信度大于或等于预设阈值的流量样本的数目≥亮时间窗内的置信度小于预设阈值的流量样本的数目,且灭时间窗内的置信度大于或等于预设阈值的流量样本的数目≤灭时间窗内的置信度小于预设阈值的流量样本的数目,则可以识别该数据流量类型为正样本流量数据类型;若亮时间窗内的置信度大于或等于预设阈值的流量样本的数目<置信度小于预设阈值的流量样本的数目,且灭时间窗内的置信度大于或等于预设阈值的流量样本的数目≤灭时间窗内的置信度小于预设阈值的流量样本的数目,则可以识别该数据流量类型为负样本流量数据类型。
示例性地,假设预设阈值为0.5,将电子设备在某一周期的亮时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本大于或等于预设阈值0.5流量样本数有7个,而小于预设阈值0.5流量样本数有3个,即该亮时间窗内置信度大于或等于预设阈值的流量样本的数目大于置信度小于预设阈值的流量样本的数目;此外,将电子设备在该周期的灭时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本小于预设阈值0.5流量样本数有10个,即该灭时间窗内置信度大于或等于预设阈值的流量样本的数目小于置信度小于预设阈值的流量样本的数目;则可以判断该流量数据在亮时间窗内的数据类型为正样本流量数据类型。
示例性地,将电子设备在另一周期的亮时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.1、0.8、0.1、0.2、0.8、0.4、0.3、0.8、0.3、0.7,则这10个流量样本小于预设阈值0.5流量样本数有6个,而大于或等于预设阈值0.5流量样本数有4个,即该亮时间窗内置信度大于或等于预设阈值的流量样本的数目小于置信度小于预设阈值的流量样本的数目;此外,将电子设备在该周期的灭时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本小于预设阈值0.5流量样本数有10个,即该灭时间窗内置信度大于或等于预设阈值的流量样本的数目小于置信度小于预设阈值的流量样本的数目,则可以判断该流量数据在灭时间窗内的数据类型为负样本流量数据类型。
类似地,对电子设备获取的多个周期的亮时间窗内和灭时间窗内的流量数据进行处理和判断,可以获得多个周期的亮时间窗内和灭时间窗内的类型。
假设将正样本流量数据类型记为“1”,负样本流量数据类型记为“0”,若根据上述识别方法得到多个周期的亮时间窗内和灭时间窗内的流量数据类型均分别为“1”和“0”,且电子设备的光源的变化记为“1”和“0”,则可以根据结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
若检测的视频监控设备的流量数据类型所形成的第一序列与电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列的相关系数大于或等于预设阈值,则可以识别该视频监控设备位于光源对准方向,若该相关系数小于预设阈值,则可以识别该视频监控设备不位于光源对准方向。若视频监控设备不在房间的任何方位,则判断视频监控设备不在用户所在的房间内。
示例性地,假设手机光源对准正南方向,若根据上述过程获得的视频监控设备的5个周期的亮时间窗内和灭时间窗内的流量数据类型所形成的第一序列为X=(1,0,1,0,1,0,1,0,1,0),且电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列Y=(1,0,1,0,1,0,1,0,1,0),则X和Y的相关系数为:
由于X和Y的相关系数为1,大于预设阈值0.5,因此,则可以识别该视频监控设备位于手机光源对准方向,即手机光源对准方向(即正南方向)存在视频监控设备,即图3中的(i)显示的设备2。
示例性地,假设手机光源对准正西方向,若根据上述过程获得的视频监控设备的5个周期的亮时间窗内和灭时间窗内的流量数据类型所形成的第一序列为X=(0,0,0,0,1,0,0,0,0,0),且电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列Y=(1,0,1,0,1,0,1,0,1,0),则X和Y的相关系数为:
由于X和Y的相关系数为0.33,小于预设阈值0.5,因此,则可以识别该视频监控设备不位于手机光源对准方向,即手机光源对准方向(即正西方向)并不存在视频监控设备,如图3中的(i)显示的正西方向并未检测到视频监控设备。
(二)、模型2
若对应的检测模型为机器学习模型,正样本流量数据可以为检测设备光源处于灭时间窗内,或者设备检测光源未对准视频监控设备时产生的视频流量;负样本流量数据可以为检测设备光源处于亮时间窗内,且检测设备光源对准视频监控设备时产生的监控视频流量。
可以分别获取电子设备处于亮时间窗内和灭时间窗内的流量数据,对其分别进行处理,将预处理后的流量数据分割为多组流量样本,分别提取这多组流量样本的特征向量,输入到机器学习模型中,得到多组流量样本的置信度,通过置信度与预设阈值进行数据流量类型的识别,结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
①)可以计算这多组流量样本的置信度均值,若该置信度均值小于预设阈值,则可以识别该数据流量类型为正样本流量数据类型;若该置信度值大于或等于预设阈值,则可以识别该数量流量类型为负样本流量数据类型,再结合流量数据类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
例如,假设预设阈值为0.5,将电子设备在某一周期的亮时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本的置信度均值为0.6,该置信度均值大于预设阈值0.5,则可以判断该流量数据在亮时间窗内的数据类型为负样本流量数据。
将电子设备在某一周期的灭时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.1、0.2、0.2、0.3、0.4、0.1、0.1、0.2、0.1,则这10个流量样本的置信度均值为0.2,该置信度均值小于预设阈值0.5,则可以判断该流量数据在灭时间窗内的数据类型为正样本流量数据类型。
类似地,对电子设备获取的多个周期的亮时间窗内和灭时间窗内的流量数据进行处理和判断,可以获得多个周期的亮时间窗内和灭时间窗内的类型。
假设将正样本流量数据类型记为“1”,负样本流量数据类型记为“0”,若根据上述识别方法得到多个周期的亮时间窗内和灭时间窗内的流量数据类型均分别为“1”和“0”,且电子设备的光源的变化记为“1”和“0”,则可以根据结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
若检测的视频监控设备的流量数据类型所形成的第一序列与电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列的相关系数大于或等于预设阈值,则可以识别该视频监控设备位于光源对应方向;若该相关系数小于预设阈值,则可以识别该视频监控设备不位于光源对应方向。若视频监控设备不在房间的任何方位,则判断视频监控设备不在用户所在的房间内。
示例性地,假设手机光源当前对准正东方向,若根据上述过程获得的视频监控设备的5个周期的亮时间窗内和灭时间窗内的流量数据类型所形成的第一序列为X=(1,0,1,0,1,0,1,0,1,0),且电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列Y=(1,0,1,0,1,0,1,0,1,0),则X和Y的相关系数为:
由于X和Y的相关系数为1,大于预设阈值0.5,因此,则可以识别该视频监控设备位于手机光源对准方向,即手机光源对准方向(即正东方向)存在视频监控设备,即图3中的(i)显示的设备1。
②可以结合单个样本的置信度和预设阈值进行判断,若亮时间窗内的置信度大于或等于预设阈值的流量样本的数目≥置信度小于预设阈值的流量样本的数目,且灭时间窗内的置信度大于或等于预设阈值的数目≥灭时间窗内的置信度小于预设阈值的流量样本的数目,则可以识别该数据流量类型为正样本流量数据类型;若亮时间窗内的置信度大于或等于预设阈值的流量样本的数目<置信度小于预设阈值的流量样本的数目,且且灭时间窗内的置信度大于或等于预设阈值的数目≥灭时间窗内的置信度小于预设阈值的流量样本的数目,则可以识别该数据流量类型为负样本流量数据类型。
示例性地,假设预设阈值为0.5,将电子设备在某一周期的亮时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.8、0.1、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本小于预设阈值0.5流量样本数有4个,而大于或等于预设阈值0.5流量样本数有6个,即亮时间窗内的置信度大于或等于预设阈值的流量样本的数目>置信度小于预设阈值的流量样本的数目;此外,将电子设备在该周期的灭时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.5、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本大于或等于预设阈值0.5流量样本数有6个,而小于预设阈值0.5流量样本数有4个,即该灭时间窗内的置信度大于或等于预设阈值的数目>该灭时间窗内的置信度小于预设阈值的流量样本的数目,则可以判断该流量数据在亮时间窗内的数据类型为正样本流量数据类型。
示例性地,将电子设备在另一周期的亮时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.6、0.1、0.3、0.2、0.4、0.4、0.3、0.8、0.2、0.7,则这10个流量样本小于预设阈值0.5流量样本数有7个,而大于或等于预设阈值0.5流量样本数有3个,即该亮时间窗内置信度大于或等于预设阈值的流量样本的数目<置信度小于预设阈值的流量样本的数目;此外,将电子设备在该周期的灭时间窗内获取的一条流量数据分割为10个流量样本,这10个流量样本的置信度分别为0.3、0.5、0.5、0.2、0.8、0.4、0.3、0.8、0.9、0.7,则这10个流量样本大于或等于预设阈值0.5流量样本数有6个,而小于预设阈值0.5流量样本数有4个,即该灭时间窗内的置信度大于或等于预设阈值的数目>该灭时间窗内的置信度小于预设阈值的流量样本的数目;则可以判断该流量数据在灭时间窗内的数据类型为负样本流量数据类型。
类似地,对电子设备获取的多个周期的亮时间窗内和灭时间窗内的流量数据进行处理和判断,可以获得多个周期的亮时间窗内和灭时间窗内的类型。
假设将正样本流量数据类型记为“1”,负样本流量数据类型记为“0”,若根据上述识别方法得到多个周期的亮时间窗内和灭时间窗内的流量数据类型均分别为“1”和“0”,且电子设备的光源的变化记为“1”和“0”,则可以根据结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
若检测的视频监控设备的流量数据类型所形成的第一序列与电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列的相关系数大于或等于预设阈值,则可以识别该视频监控设备位于光源对准方向,若该相关系数小于预设阈值,则可以识别该视频监控设备不位于光源对准方向。若视频监控设备不在房间的任何方位,则判断视频监控设备不在用户所在的房间内。
示例性地,假设手机光源对准正北方向,若根据上述过程获得的视频监控设备的5个周期的亮时间窗内和灭时间窗内的流量数据类型所形成的第一序列为X=(0,0,0,0,1,0,0,0,0,0),且电子设备的光源处于亮时间窗内和灭时间窗内所形成的第二序列Y=(1,0,1,0,1,0,1,0,1,0),则X和Y的相关系数为:
由于X和Y的相关系数为0.33,小于预设阈值0.5,因此,则可以识别该视频监控设备不位于手机光源对准方向,即手机光源对准方向(即正北方向)并不存在视频监控设备,如图3中的(i)显示的正北方向并未检测到视频监控设备。
(三)、模型3
若对应的检测模型为深度学习模型,且正样本流量数据为检测设备光源处于亮时间窗内,且检测设备光源对准视频监控设备时产生的监控视频流量;负样本流量数据可以为检测设备光源处于灭时间窗内,或者,设备检测光源未对准视频监控设备时产生的视频流量。
可以将预处理后的流量数据分割为固定大小的流量样本,将流量样本的数据直接输入到深度学习模型中,得到多个流量样本的置信度,通过置信度与预设阈值进行数据流量类型的识别,结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
具体判断过程与模型1的判断过程类似,为了简洁,这里不再赘述。
(四)、模型4
若对应的检测模型为深度学习模型,且正样本流量数据为检测设备光源处于灭时间窗内,或者,设备检测光源未对准视频监控设备时产生的视频流量;负样本流量数据可以为检测设备光源处于亮时间窗内,且检测设备光源对准视频监控设备时产生的监控视频流量。
可以将预处理后的流量数据分割为固定大小的流量样本,将流量样本的数据直接输入到深度学习模型中,得到多个流量样本的置信度,通过置信度与预设阈值进行数据流量类型的识别,结合流量类型的变化和设备光源的变化识别所检测的视频监控设备的方位。
具体判断过程与模型2的判断过程类似,为了简洁,这里不再赘述。
下面介绍本申请提供的一种用于检测视频监控设备的方法的流程。
请参见图10,图10示出了一种用于检测视频监控设备的方法1000的示意性流程图。该方法流程图中涉及的设备包括有电子设备100和视频监控设备。其中,视频监控设备可以为上述图3或图4中所示的摄像头。
如图10所示,该方法1000可以包括:
S1012,根据所述电子设备周边的接入点信息,确定第一目标检测信道,所述第一目标检测信道为信号强度大于或等于第一预设阈值的信道,和/或频段为2.4GHz频段的信道。
本申请实施例中的第一目标检测信道可以为上述步骤S610中的目标检测信道列表中的信道,如步骤S610中所述,目标检测信道列表中的信道可以通过两种方式获得。示例性地,可以从目标信道列表中剔除信号强度较弱的信道从而确定第一目标检测信道,所述第一预设阈值可以为步骤S610中所述的预设阈值。示例性地,可以从检测设备的目标信道列表中剔除5GHz等其他频段的信道,仅保留2.4GHz频段的信道,从而确定第一目标检测信道。
S1014,获取所述目标检测信道的第一目标流量数据,所述第一目标流量数据对应第一目标设备。
本申请实施例中的第一目标流量数据可以为上述步骤S620中的流量数据。具体内容请参考步骤S620的描述,为了简洁,这里不再赘述。
可选地,在一些实施例中,如图10所示,在步骤S1014所述获取所述目标检测信道的第一目标流量数据之后,所述方法1000还可以包括步骤S1016~S1021。
S1016,若在预设时长内获取的所述第一目标流量数据的字节数小于第二预设阈值,确定不存在所述第一目标设备。
本申请实施例中,若在预设时长内获取的第一目标流量数据的字节数小于第二预设阈值,确定不存在第一目标设备,可以理解为:若在预设时长内获取的第一目标流量数据的字节数小于第二预设阈值,则该第一目标流量数据可能不是设备所消耗的流量数据,而是管理帧或控制帧等在进行管理业务或控制业务的过程中所消耗的流量数据,因此,可以确定不存在第一目标设备。如上述步骤S621中提到的信道检测加速,对于信道1,若检测设备在5s内检测到的流量数据的字节数小于预设阈值,则可以确定不存在第一目标设备,跳过在信道1上的后续S630~S670的检测步骤,继续对信道2的流量数据的字节数进行判断。所述预设时长可以为步骤S621中举例说明的5s,第二预设阈值可以为步骤S621中的预设阈值。
如果确定不存在所述第一目标设备,则继续执行以下步骤S1018和S1020。
S1018,获取所述目标检测信道的第二目标流量数据,所述第二目标流量数据对应第二目标设备,所述第二目标检测信道为信号强度大于或等于所述第一预设阈值的信道,和/或频段为2.4GHz频段的信道。
该步骤内的获取流量数据,参见步骤S620中的描述。
S1020,根据所述第二目标流量数据和所述检测模型判断所述第二目标设备是否为所述视频监控设备。
S1021,若在预设时长内获取的所述第一目标流量数据的字节数大于或等于所述第二预设阈值,确定存在所述第一目标设备。
S1022,根据所述第一目标流量数据和检测模型判断所述第一目标设备是否为视频监控设备,所述检测模型包括第一机器学习模型或第一深度学习模型。
该步骤S1022的内容可以参考上述步骤S650的描述内容,在此不再赘述。
本申请提供的用于检测视频监控设备的方法,通过根据获取的第一目标检测信道的第一目标流量数据以及检测模型判断第一目标流量数据对应的第一目标设备是否为视频监控设备,可以在不增加额外硬件模块的前提下,实现视频监控设备的检测,且可以无需接入视频监控设备所在网络,对视频监控设备进行检测,可以提高视频监控设备检测的全面性和准确性,从而可以减少用户隐私被侵犯事件的发生。
若确定第一目标设备为视频监控设备,则继续执行以下步骤S1024~S1030。
S1024,若确定第一目标设备是所述视频监控设备,改变局部区域光线强度。
示例性地,可以参考图3中的(f)所示的界面中的说明,可以先降低周边环境光强,如:请关闭室内灯光和窗帘,尽量降低环境光。
S1026,获取第三目标流量数据,所述第三目标流量数据为所述第一目标设备在第一光强下的流量数据。
S1028,获取第四目标流量数据,所述第四目标流量数据为所述第一目标设备在第二光强下的流量数据。
在一种可能的实现方式中,第一光强可以为电子设备的闪光灯处于打开状态下的光强,第二光强为闪光灯处于关闭状态下的光强。相应地,第三目标流量数据可以为电子设备的闪光灯处于打开状态且该闪光灯对准视频监控设备时产生的流量数据;第四目标流量数据为电子设备的闪光灯处于关闭状态或该闪光灯未对准视频监控设备时产生的流量数据。
在另一种可能的实现方式中,第一光强可以为电子设备的闪光灯处于关闭状态下的光强,第二光强为闪光灯处于打开状态下的光强。相应地,第三目标流量数据可以为电子设备的闪光灯处于关闭状态或该闪光灯未对准视频监控设备时产生的流量数据;第四目标流量数据为电子设备的闪光灯处于打开状态且该闪光灯对准视频监控设备时产生的流量数据。
具体内容可以参考上述步骤S720的描述,在此不再赘述。
S1030,根据所述第三目标流量数据和所述第四目标流量数据以及定位模型识别所述第一目标设备所处的方向和位置,所述定位模型包括第二机器学习模型或第二深度学习模型。
本申请中的定位模型可以为上述步骤S770中提到的定位模型。在降低电子设备周围环境光的同时,用户可以打开电子设备的闪光灯,使其光源对准预设方向,进行视频流量数据(包括第三目标流量数据和第四目标流量数据)的捕获、解析和预处理,进一步地,电子设备可以利用定位模型识别流量数据所对应的第一目标设备的方向和位置。具体过程请参考上述图7~图9的描述,这里不再赘述。
本申请实施例提供的方案,电子设备可以根据获取的第三目标流量数据和第四目标流量数据以及定位模型识别视频监控设备所处的方向和位置,有助于用户及时且准确地定位视频监控设备,可以减少用户隐私被侵犯事件的发生,从而保护用户的隐私。
本申请还提供了一种GUI,该GUI存储在电子设备中,所述电子设备包括显示屏、存储器、一个或多个处理器,所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序,其特征在于,所述图形用户界面包括:
显示在所述显示屏上的第一GUI,所述第一GUI包括第一应用的图标,用于检测当前网络空间是否存在视频监控设备,以及在存在视频监控设备的情况下对所述视频监控设备进行定位;响应于针对所述第一应用的触摸事件,在所述显示屏上显示第二GUI,所述第二GUI包括检测控件。
示例性地,以图3为例,参考图3中的(a),该第一应用的图标可以为图3中的(a)的第一应用的图标301。
本申请实施例中,响应于针对第一应用的触摸事件,在所述显示屏上显示第二GUI,可以理解为用户点击该第一应用的图标的操作,并显示如图3中的(b)所示的GUI。
其中,第二GUI包括检测控件可以为图3中的(b)所示的GUI的知道了的图标。
本申请实施例中的触摸事件可以通过电子设备中的触摸传感器实现,例如,可以通过图1所示的触摸传感器180K检测作用于触摸屏上的触摸操作(用户点击第一应用的图标的操作),并将检测到的触摸操作传递给应用处理器,以确定触摸事件类型,同时显示屏194提供与触摸操作相关的视觉输出(在显示屏上显示第二GUI)。
可选地,在一些实施例中,所述图形用户界面还包括:响应于针对所述检测控件的触摸事件,在所述显示屏上显示第三GUI,所述第三GUI用于显示检测进度,以及当前检测信道信息。
示例性地,本申请实施例中,响应于针对所述检测控件的触摸事件,在所述显示屏上显示第三GUI,可以理解为用户点击知道了的图标302的操作,并显示如图3中的(c)所示的GUI。
参考图3中的(c)所示的GUI,为手机正在进行扫描中的界面,其中,图中所示出的2%表示手机此时检测进度为2%,图中还可以包括当前检测信道下涵盖的热点信息。
类似地,本申请实施例中的触摸事件可以通过电子设备中的触摸传感器实现,例如,可以通过图1所示的触摸传感器180K检测作用于触摸屏上的触摸操作(用户点击检测控件的图标的操作),并将检测到的触摸操作传递给应用处理器,以确定触摸事件类型,同时显示屏194提供与触摸操作相关的视觉输出(在显示屏上显示第三GUI)。
可选地,在一些实施例中,所述图形用户界面还包括:显示在所述显示屏上的第四GUI,所述第四GUI用于显示第一提示信息,所述第一提示信息用于提示不存在所述视频监控设备;或,
所述第四GUI用于显示第二提示信息和定位控件,所述第二提示信息用于提示存在所述视频监控设备,所述定位控件用于定位所述视频监控设备。
示例性地,本申请实施例中的第四GUI可以为图3中的(d)或图3中的(e)所示的GUI。
其中,若第四GUI用于显示不存在视频监控设备,则该第四GUI可以为图3中的(d)所示的GUI。
若第四GUI用于显示存在视频监控设备和用于定位该视频监控设备的定位控件,则第四GUI可以为图3中的(e)所示的GUI。
可选地,在一些实施例中,所述图形用户界面还包括:响应于针对所述定位控件的触摸事件,在所述显示屏上显示第五GUI,所述第五GUI用于显示第三提示信息和定位控件,所述第三提示信息包括用于提示用户进行定位的定位说明。
示例性地,本申请实施例中,响应于针对所述定位控件的触摸事件,在所述显示屏上显示第五GUI,可以理解为用户点击知道了的图标303的操作,并显示如图3中的(f)所示的GUI。
该定位说明可以为图3中的(f)所示的GUI所显示的:请关闭室内灯光和窗帘,尽量降低环境光,手持设备(即手机)对准房间四周,缓慢转动一周,根据界面提示定位设备所在。
该定位按钮的控件可以理解为图3中的(f)所示的GUI所显示的知道了的图标304。
类似地,本申请实施例中的触摸事件也可以通过电子设备中的触摸传感器实现,例如,可以通过图1所示的触摸传感器180K检测作用于触摸屏上的触摸操作(用户点击定位控件的图标的操作),并将检测到的触摸操作传递给应用处理器,以确定触摸事件类型,同时显示屏194提供与触摸操作相关的视觉输出(在显示屏上显示第五GUI)。
可选地,在一些实施例中,所述图形用户界面还包括:显示在所述显示屏上的第六GUI,所述第六GUI包括用于显示第四提示信息,所述第四提示信息用于提示用户执行定位的指引动作。
示例性地,本申请实施例中的第六GUI可以为图3中的(g)所示的GUI,该指引动作可以为图3中的(g)所示的GUI中显示的:请旋转一周。
可选地,在一些实施例中,所述图形用户界面还包括:显示在所述显示屏上的第七GUI,所述第七GUI包括用于显示所述视频监控设备的位置信息。
示例性地,本申请实施例中的第七GUI可以为图3中的(i)所示的GUI,参考图3中的(i)所示的GUI,本次结果显示为:该房间内存在2个视频监控设备,分别为设备1和设备2,分别位于用户的东侧和南侧。
可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图11示出了上述实施例中涉及的电子设备1100的一种可能的组成示意图,如图11所示,该电子设备1100可以包括:确定单元1110、获取单元1120和判断单元1130。
其中,确定单元1110可以用于支持电子设备1100执行上述步骤S1012、S1016、S1021等,和/或用于本文所描述的技术的其他过程。
获取单元1120可以用于支持电子设备1100执行上述步骤S1014、S1018、S1026、S1028等,和/或用于本文所描述的技术的其他过程。
判断单元1130可以用于支持电子设备1100执行上述步骤S1020、S1022等,和/或用于本文所描述的技术的其他过程。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
本实施例提供的电子设备,用于执行上述用于检测视频监控设备的方法,因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下,电子设备可以包括处理模块、存储模块和通信模块。其中,处理模块可以用于对电子设备的动作进行控制管理,例如,可以用于支持电子设备执行上述各个单元执行的步骤。存储模块可以用于支持电子设备执行存储程序代码和数据等。通信模块,可以用于支持电子设备与其他设备的通信。
其中,处理模块可以是处理器或控制器。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理(digital signal processing,DSP)和微处理器的组合等等。存储模块可以是存储器。通信模块具体可以为射频电路、蓝牙芯片、Wi-Fi芯片等与其他电子设备交互的设备。
在一个实施例中,当处理模块为处理器,存储模块为存储器时,本实施例所涉及的电子设备可以为具有图1所示结构的设备。
图12示出了上述实施例涉及的电子设备1200的另一种可能的组成示意图,如图12所示,该电子设备1200可以包括通信单元1210、输入单元1220、处理单元1230、输出单元1240、外设接口1250、存储单元1260以及电源1270。
通信单元1210用于建立通信信道,使电子设备1200通过所述通信信道以连接至远程服务器,并从所述远程服务器下媒体数据。所述通信单元1210可以包括WLAN模块、蓝牙模块、NFC模块、基带模块等通信模块,以及所述通信模块对应的射频(Radio Frequency,简称RF)电路,用于进行无线局域网络通信、蓝牙通信、NFC通信、红外线通信及/或蜂窝式通信系统通信,例如宽带码分多重接入(wideband code division multiple access,W-CDMA)及/或高速下行封包存取(high speed downlink packet access,HSDPA)。所述通信模块1210用于控制电子设备中的各组件的通信,并且可以支持直接内存存取。
上述实施例步骤S620中获取目标检测信道的流量数据以及步骤S720中改变局部区域光强,捕获视频流量数据可以通过通信单元1210实现。
输入单元1220可以用于实现用户与电子设备的交互和/或信息输入到电子设备中。在本发明具体实施方式中,输入单元可以是触控面板,也可以是其他人机交互界面,例如实体输入键、麦克风等,还可是其他外部信息撷取装置,例如摄像头等。
上述实施例中输入单元1220接收到检测命令后可以执行步骤S610。
处理单元1230为电子设备的控制中心,可以利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储单元内的软件程序和/或模块,以及调用存储在存储单元内的数据,以执行电子设备的各种功能和/或处理数据。
输出单元1240包括但不限于影像输出单元和声音输出单元。影像输出单元用于输出文字、图片和/或视频。在本发明的具体实施方式中,上述输入单元1220所采用的触控面板亦可同时作为输出单元1240的显示面板。例如,当触控面板检测到在其上的触摸或接近的手势操作后,传送给处理单元以确定触摸事件的类型,随后处理单元根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图12中,输入单元1220与输出单元1240是作为两个独立的部件来实现电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板与显示面板集成一体而实现电子设备的输入和输出功能。例如,所述影像输出单元可以显示各种图形化用户接口以作为虚拟控制组件,包括但不限于窗口、卷动轴、图标及剪贴簿,以供用户通过触控方式进行操作。
上述实施例中步骤S660中提示用户网络空间有视频监控设备、步骤S670中提示用户网络空间无视频监控设备以及步骤S760中给出视频监控设备所在的方向和位置、步骤S770提示视频监控设备不在用户所在的房间可以通过输出单元1240实现。
存储单元1260可用于存储软件程序以及模块,处理单元通过运行存储在存储单元的软件程序以及模块,从而执行电子设备的各种功能应用以及实现数据处理。
本实施例还提供一种计算机存储介质,该计算机存储介质中存储有计算机指令,当该计算机指令在电子设备上运行时,使得电子设备执行上述相关方法步骤实现上述实施例中的用于检测视频监控设备的方法。
本实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例中的用于检测视频监控设备的方法。
另外,本申请的实施例还提供一种装置,这个装置具体可以是芯片,组件或模块,该装置可包括相连的处理器和存储器;其中,存储器用于存储计算机执行指令,当装置运行时,处理器可执行存储器存储的计算机执行指令,以使芯片执行上述各方法实施例中的用于检测视频监控设备的方法。
其中,本实施例提供的电子设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分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个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种用于检测视频监控设备的方法,所述方法应用于电子设备,所述电子设备包括显示屏,其特征在于,所述方法包括:
响应于用户的输入操作,显示第一应用的检测界面,所述第一应用用于检测视频监控设备;
显示所述第一应用的检测结果,所述检测结果包括所述视频监控设备的名称和MAC地址,或者所述检测结果包括未发现视频监控设备;
当所述检测结果包括所述视频监控设备的名称和MAC地址时,显示第一图标,所述第一图标用于对所述视频监控设备进行定位;
响应于对所述第一图标的输入操作,显示定位检测结果。
2.根据权利要求1所述的方法,其特征在于,响应于对所述第一图标的输入操作,显示定位检测结果,包括:
响应于对所述第一图标的输入操作,所述电子设备开启闪光灯,显示第一提示信息,所述第一提示信息用于提示所述用户降低环境光以及进行转动;
在所述用户转动完成后,显示定位检测结果。
3.根据权利要求1或2所述的方法,其特征在于,所述检测界面包括第二图标和第三图标,所述第二图标用于对所述视频监控设备进行快速扫描,所述第三图标用于对所述视频监控设备进行全面扫描。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述检测结果包括多个所述视频监控设备的名称和每个所述视频监控设备对应的MAC地址。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述定位检测结果包括所述电子设备当前的位置,以及所述视频监控设备在空间中的方向和/或位置。
6.根据权利要求1-5任一项所述的方法,其特征在于,响应于对所述第一图标的输入操作,显示定位检测结果,包括:
响应于对所述第一图标的输入操作,所述电子设备开启闪光灯,显示第一提示信息,所述第一提示信息用于提示所述用户降低环境光以及进行转动,其中,在所述用户转动的过程中,所述闪光灯的光强包括第一光强和第二光强,所述第一光强和所述第二光强不同;
在所述用户转动完成后,显示定位检测结果。
7.根据权利要求1-6任一项所述的方法,其特征在于,显示定位检测结果,包括:
基于所述电子设备的运动轨迹,显示定位检测结果。
8.根据权利要求1-7任一项所述的方法,其特征在于,显示第一应用的检测界面,包括:
显示第四图标,所述第四图标用于所述用户确认检测所述视频监控设备。
9.根据权利要求1-8任一项所述的方法,其特征在于,显示第一应用的检测界面,包括:
显示检测进度和第五图标,所述第五图标用于所述用户取消检测所述视频监控设备,所述检测进度包括当前扫描完成比例。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述方法还包括:
将所述电子设备的Wi-Fi芯片的工作模式设置为监控模式。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
一个或多个存储器;
所述一个或多个存储器存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令,当所述指令被所述一个或多个处理器执行时,使得所述电子设备执行如权利要求1至10中任一项所述的方法。
12.一种芯片系统,其特征在于,所述芯片系统包括至少一个处理器,当程序指令在所述至少一个处理器中执行时,使得如权利要求1至10中任一所述的方法在所述电子设备上的功能得以实现。
13.一种计算机存储介质,其特征在于,包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1至10中任一项所述的方法。
14.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713666.0A CN116980059A (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124425.5A CN114448530B (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
CN202310713666.0A CN116980059A (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011124425.5A Division CN114448530B (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116980059A true CN116980059A (zh) | 2023-10-31 |
Family
ID=81291553
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713666.0A Pending CN116980059A (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
CN202011124425.5A Active CN114448530B (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011124425.5A Active CN114448530B (zh) | 2020-10-20 | 2020-10-20 | 一种用于检测视频监控设备的方法和电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230388832A1 (zh) |
EP (1) | EP4213415A4 (zh) |
JP (1) | JP2023547837A (zh) |
CN (2) | CN116980059A (zh) |
WO (1) | WO2022083345A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830912A (zh) * | 2022-09-29 | 2024-04-05 | 华为终端有限公司 | 用于检测视频监控设备的方法和电子设备 |
CN117392596B (zh) * | 2023-09-07 | 2024-04-30 | 中关村科学城城市大脑股份有限公司 | 数据处理方法、电子设备和计算机可读介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9948412B2 (en) * | 2014-01-20 | 2018-04-17 | Mary Cecilia Critchfield | System, method, and apparatus for wireless camera detection |
WO2020022953A1 (en) * | 2018-07-26 | 2020-01-30 | Singapore Telecommunications Limited | System and method for identifying an internet of things (iot) device based on a distributed fingerprinting solution |
CN109587008B (zh) * | 2018-12-28 | 2020-11-06 | 华为技术服务有限公司 | 检测异常流量数据的方法、装置及存储介质 |
CN109818793A (zh) * | 2019-01-30 | 2019-05-28 | 基本立子(北京)科技发展有限公司 | 针对物联网的设备类型识别及网络入侵检测方法 |
CN110602041A (zh) * | 2019-08-05 | 2019-12-20 | 中国人民解放军战略支援部队信息工程大学 | 基于白名单的物联网设备识别方法、装置及网络架构 |
CN110493369A (zh) * | 2019-08-27 | 2019-11-22 | 王晓阳 | 一种对隐蔽性电子设备进行检测的方法、系统及检测设备 |
CN110958163B (zh) * | 2019-12-06 | 2022-01-25 | 杭州安恒信息技术股份有限公司 | 基于网络帧传输特征的盗摄器材的检测方法、装置、电子设备及计算机可读介质 |
CN111132120B (zh) * | 2020-04-01 | 2020-10-16 | 北京三快在线科技有限公司 | 识别房间局域网中的摄像装置的方法、系统及设备 |
CN111123388B (zh) * | 2020-04-01 | 2020-12-04 | 北京三快在线科技有限公司 | 房间摄像装置的检测方法、装置及检测设备 |
CN111757365A (zh) * | 2020-06-03 | 2020-10-09 | 湃方科技(北京)有限责任公司 | 一种无线网络中异常设备识别方法及装置 |
-
2020
- 2020-10-20 CN CN202310713666.0A patent/CN116980059A/zh active Pending
- 2020-10-20 CN CN202011124425.5A patent/CN114448530B/zh active Active
-
2021
- 2021-09-09 JP JP2023524203A patent/JP2023547837A/ja active Pending
- 2021-09-09 WO PCT/CN2021/117445 patent/WO2022083345A1/zh active Application Filing
- 2021-09-09 US US18/249,693 patent/US20230388832A1/en active Pending
- 2021-09-09 EP EP21881764.1A patent/EP4213415A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114448530A (zh) | 2022-05-06 |
EP4213415A1 (en) | 2023-07-19 |
CN114448530B (zh) | 2023-06-20 |
JP2023547837A (ja) | 2023-11-14 |
EP4213415A4 (en) | 2024-02-28 |
WO2022083345A1 (zh) | 2022-04-28 |
US20230388832A1 (en) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112714214B (zh) | 一种内容接续方法、设备、系统、gui及计算机可读存储介质 | |
CN115473957B (zh) | 一种图像处理方法和电子设备 | |
WO2021023035A1 (zh) | 一种镜头切换方法及装置 | |
CN114390337B (zh) | 投屏方法、系统及电子设备 | |
WO2023065873A1 (zh) | 帧率调整方法、终端设备及帧率调整系统 | |
CN112449120A (zh) | 高动态范围视频生成方法及装置 | |
CN112130788A (zh) | 一种内容分享方法及其装置 | |
CN113973398B (zh) | 无线网络连接方法、电子设备及芯片系统 | |
CN114448530B (zh) | 一种用于检测视频监控设备的方法和电子设备 | |
CN112287234B (zh) | 信息检索方法、装置及存储介质 | |
CN112237031B (zh) | 智能家居设备接入网络的方法及相关设备 | |
CN114610193A (zh) | 内容共享方法、电子设备及存储介质 | |
CN111556479B (zh) | 信息共享方法及相关装置 | |
CN112449336B (zh) | 一种设备能力发现方法及p2p设备 | |
CN114531742B (zh) | 双Wi-Fi连接方法及电子设备 | |
CN112351411B (zh) | 信息传输的方法和电子设备 | |
CN114079691B (zh) | 一种设备识别方法及相关装置 | |
CN115730091A (zh) | 批注展示方法、装置、终端设备及可读存储介质 | |
WO2024067291A1 (zh) | 用于检测视频监控设备的方法和电子设备 | |
CN114584817B (zh) | 投屏方法及系统 | |
CN114697960B (zh) | 一种连接外部摄像头的方法及系统 | |
CN116321265B (zh) | 网络质量评估方法、电子设备以及存储介质 | |
CN116095512B (zh) | 终端设备的拍照方法及相关装置 | |
CN116095219B (zh) | 通知显示方法和终端设备 | |
WO2024139947A1 (zh) | 一种终端设备的管理方法、装置及通信系统 |
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 |