[發明專利]一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法

在審

• 申請號: 202210427381.6
• 申請日: 2022-04-22
• 公開（公告）號: CN114913510A
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 劉佶鑫;趙蘭心
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V20/59
• 分類號: G06V20/59;G06V20/52;G06V20/40;G06V10/77;G06V10/774;G06V10/82;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

1.一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：所述隱私保護昆蟲仿生智能處理方法包括以下步驟：

步驟1：獲取車內視頻監控行為數據集，對數據集里的視頻行為通過果蠅視覺仿生處理進行隱私保護處理，得到具有視覺屏蔽效果的視頻流，以此實現前端視覺采樣的隱私保護；

步驟2：通過C3D網絡模型對于步驟1得到的視頻流進行特征提取，得到視覺屏蔽下的特征向量；

步驟3：利用PCA技術對于步驟2中提取的特征向量進行降維，然后進行車內視頻監控行為特征的識別。

2.根據權利要求1所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：所述步驟1具體包括如下步驟：

步驟1-1：將獲取到的車內視頻監控行為數據集的視頻處理成N×N大小的圖像幀形式；

步驟1-2：利用果蠅復眼的視覺敏銳度，仿生果蠅復眼對步驟1.1處理后的圖像幀進行采樣；

步驟1-3：重復步驟1-1和步驟1-2，實現對車內視頻監控行為數據集仿生果蠅復眼的處理；

步驟1-4：最后將圖像幀轉換為視頻流。

3.根據權利要求1所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：步驟2中特征向量獲取包括如下步驟：

步驟2-1：將輸入的經過仿生處理的具有視覺屏蔽效果的數據集，作為C3D網絡模型的輸入；

步驟2-2：調整C3D網絡模型，利用調整后的模型對仿生處理的視頻進行特征提取，得到C3D網絡模型的全連接層特征作為輸出特征向量。

4.根據權利要求3所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：步驟2-2中調整后的C3D網絡模型包括8個卷積層、5個池化和2個全連接層，選擇全連接層的特征作為輸出特征向量，其視頻最終輸出大小為4096×1，所述C3D網絡模型中所有的三維卷積核的尺寸大小均為3×3×3，時空尺度大小均為1，第一層池化層的卷積核大小和時空尺度為1×2×2，第二層至第五層池化層卷積核的大小時空尺度均為2×2×2。

5.根據權利要求1所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：步驟3具體包括如下步驟：

步驟3-1：對輸出的特征向量進行PCA降維處理；

步驟3-2：采用經過FOA算法優化的BP神經網絡對PCA降維處理的車內視頻監控典型行為特征進行識別。

6.根據權利要求5所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：所述步驟3-2中FOA算法的具體步驟如下：

步驟3-2-1：每個權值和閾值搜索全局最優值的隨機方向和距離由隨機函數分配，計算個體與原點之間的距離D_i，并計算味覺濃度的判斷值S_i；

步驟3-2-2：將式2中得到的味覺濃度判斷值替換成適應度函數，計算果蠅個體味覺濃度：

T＝F(S_i) (3)

步驟3-2-3：找到味覺濃度最好的果蠅，如4所示，即找到其最小值。

G_iter＝min(T) (4)

步驟3-2-4：重復步驟3-2-1、步驟3-2-2、步驟3-2-3得到最優的G，將迭代過程中得到的最優閾值和最優權值替換到BP網絡中。

7.根據權利要求6所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：所述步驟3-2中優化的BP神經網絡由輸入層、輸出層和隱含層組成且所述輸入層、輸出層和隱含層均為一層。

8.根據權利要求7所述一種適于車內視頻監控的隱私保護昆蟲仿生智能處理方法，其特征在于：所述步驟3-2中優化的BP神經網絡具體包括如下步驟：

步驟a：初始化，將FOA中得到的最優權值、閾值輸入；

步驟b：隨機選取第k個輸入樣本及對應期望輸出

步驟c：計算隱藏層各神經元的輸入和輸出；

步驟d：計算全局誤差

步驟e：判斷網絡誤差是否滿足要求，當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法，否則，選取下一個學習樣本及其期望輸出，返回步驟c進入下一輪學習。