本發(fā)明屬于智能視頻監(jiān)控和通信領(lǐng)域，尤其涉及一種基于路由器的智能視頻監(jiān)控方法及智能路由器。

背景技術(shù)：

生活中，攝像頭的使用無處不在，隨之引發(fā)了隱私泄露問題，尤其是在視屏網(wǎng)站中，借助攝像頭進(jìn)行直播的視頻中，存在許多有意或無意泄露主播個人隱私的現(xiàn)象，這些帶有負(fù)面影響的視頻在網(wǎng)絡(luò)中傳播，造成不好的影響。

目前對視頻中涉及個人隱私的處理主要是人為監(jiān)控，存在不及時和成本消耗高的問題，并且處理手段簡單粗暴，直接封號，不能從根本上解決問題。

現(xiàn)有技術(shù)中，申請?zhí)朇N201310376849.4提供了一種物理處理方案：攝像頭外側(cè)設(shè)置可轉(zhuǎn)動的弧形擋板，在攝像頭不使用的使用可以方便的將攝像頭擋住，避免遭到黑客攻擊，非法盜用攝像頭，能夠非常有效的保護(hù)用戶的隱私，當(dāng)攝像頭開始工作時，使用者可以非常直觀的通過狀態(tài)指示燈看到攝像頭的工作狀態(tài)，進(jìn)一步增強了攝像頭的安全性能，使用起來也更加方便。

另外，申請?zhí)朇N201510233321.0中提供了一種圖像識別方案：用戶首先定義隱私內(nèi)容并存儲到隱私數(shù)據(jù)庫中，在攝像頭工作時，對攝像頭圖像傳感器的輸出圖像信號進(jìn)行圖像預(yù)處理，對預(yù)處理后的圖像與隱私數(shù)據(jù)庫中的隱私內(nèi)容作對比，當(dāng)識別到圖像中含有與隱私數(shù)據(jù)庫中隱私內(nèi)容相應(yīng)的圖像信息，采用計算機標(biāo)準(zhǔn)圖像處理的方法進(jìn)行處理，以滿足用戶保護(hù)隱私的需要，處理后的圖像數(shù)據(jù)利用網(wǎng)絡(luò)傳送回服務(wù)器或者其它終端設(shè)備。

上述處理方案中，物理處理方案人為控制因素太多，不能方便有效地監(jiān)控視頻，在自愿傳播視頻的情況下，本方案失效。圖像識別方案：需要用戶手動設(shè)置，步驟繁瑣，監(jiān)控粒度完全取決于用戶的喜好設(shè)定，不具有普遍適用性。同樣本方案不能預(yù)防用戶主動傳播視頻。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種基于路由器的智能視頻監(jiān)控方法及智能路由器，用以解決現(xiàn)有技術(shù)中存在的如何有效避免傳播的視頻中有意或無意泄露隱私的問題。

本發(fā)明一種基于路由器的智能視頻監(jiān)控方法，包括：

S100攝像裝置采集視頻數(shù)據(jù)并傳送給路由器；

S200所述路由器檢測接收的所述視頻數(shù)據(jù)，判斷所述視頻數(shù)據(jù)中是否存在隱私部分，若是，則進(jìn)入步驟S300，否則進(jìn)入步驟S400；

S300所述路由器將所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作，進(jìn)入步驟S400；

S400所述路由器將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中。

本發(fā)明基于路由器實現(xiàn)視頻監(jiān)控，在視頻還未上傳到網(wǎng)絡(luò)之前進(jìn)行了監(jiān)測，從根源上把控傳播的視頻是否泄漏了隱私，從而有效避免傳播的視頻中有意或無意泄漏隱私的問題。該方案節(jié)約人力資源，降低網(wǎng)絡(luò)視頻人的參與度，從根源上控制帶有負(fù)面影響(例如裸露身體)的視頻流入到網(wǎng)絡(luò)中。方案實施步驟簡單，只需要借助本地路由器進(jìn)行監(jiān)控和視頻處理即可傳播到網(wǎng)絡(luò)中。

進(jìn)一步地，所述步驟S200包括：

S210所述路由器接收到所述視頻數(shù)據(jù)后將所述視頻數(shù)據(jù)進(jìn)行存儲；

S220所述路由器檢測所述視頻數(shù)據(jù)中是否有人的存在；

S230當(dāng)檢測到所述視頻數(shù)據(jù)中有人存在時，則進(jìn)一步對所述視頻數(shù)據(jù)進(jìn)行身體裸露檢測，

S240判斷所述身體裸露部分是否存在隱私部分，若是，則進(jìn)入步驟S300，否則進(jìn)入步驟S400。

進(jìn)一步地，所述步驟S230中，對所述視頻數(shù)據(jù)進(jìn)行身體裸露檢測是采用訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型來對所述視頻數(shù)據(jù)進(jìn)行檢測，具體包括：

S231將采樣的視頻數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入；

S232通過n個可訓(xùn)練的濾波器對輸入的視頻數(shù)據(jù)進(jìn)行卷積，卷積后在卷積層C1獲得n個不同的特征映射圖，n為正整數(shù)；每個特征映射圖中的每一個神經(jīng)元與標(biāo)準(zhǔn)化輸入數(shù)據(jù)的一個局部感受野相連，用于提取相應(yīng)的局部特征，每個特征映射圖中的所有神經(jīng)元獲得的相應(yīng)的局部特征綜合后獲得一個全局信息，將該全局信息作為一個特征映射圖中的數(shù)據(jù)特征；

S233將每個特征映射圖中每組m×m個像素進(jìn)行求和，加權(quán)值，加偏置，通過Sigmoid函數(shù)得到n個抽樣層S2的特征映射圖；m為正整數(shù)；

S234將所述抽樣層的特征映射圖進(jìn)行濾波得到卷積層C3的特征映射圖，；

S235再將卷積層C3層的特征映射圖中每組m×m個像素進(jìn)行求和，加權(quán)值，加偏置，通過Sigmoid函數(shù)得獲得抽樣層S4層的特征映射圖，根據(jù)設(shè)定的卷積層數(shù)，重復(fù)多次濾波映射后，將所得的抽樣層的特征映射圖的像素值通過光柵化處理，并連接成一個向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，輸出特征結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，可以大型圖像處理。卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法。由于該網(wǎng)絡(luò)避免了對圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像，因而得到了更為廣泛的應(yīng)用。

進(jìn)一步地，所述步驟S100包括：

S110攝像裝置捕捉視頻影像并將所述視頻影像轉(zhuǎn)換為數(shù)字信號，形成視頻數(shù)據(jù)；

S120所述攝像裝置將所述視頻數(shù)據(jù)進(jìn)行壓縮打包，并添加攝像頭視頻標(biāo)簽；

S130所述攝像頭裝置將所述視頻數(shù)據(jù)發(fā)送給路由器進(jìn)行傳播；

所述步驟S210包括：

S211所述路由器檢測到帶有攝像頭視頻標(biāo)簽的數(shù)據(jù)后進(jìn)行攔截，在所述路由器的外接存儲設(shè)備中進(jìn)行緩存；

S212所述路由器將攔截的視頻數(shù)據(jù)保存到路由器數(shù)據(jù)庫中。

添加視頻標(biāo)簽，便于路由器接收到數(shù)據(jù)后，將帶有視頻標(biāo)簽的視頻數(shù)據(jù)進(jìn)行檢測，有助于提高工作效率，減輕路由器的工作量。

進(jìn)一步地，所述步驟S120中，所述攝像裝置采用Open-NI驅(qū)動程序?qū)⑺鲆曨l數(shù)據(jù)進(jìn)行壓縮打包；

所述步驟S212中，所述路由器通過工具OpenCV將攔截的視頻數(shù)據(jù)保存到路由器數(shù)據(jù)庫中；

所述步驟S220中，所述路由器采用另一訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型，利用InceptionV3檢測所述視頻數(shù)據(jù)中是否有人的存在；

所述步驟S300中，所述路由器使用視頻編輯器對所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作。

Open-NI是現(xiàn)有的一種驅(qū)動程序，OpenNI分為3個組件，OpenNI的本身框架，算法分析的中間件，以及硬件模塊組。

OpenCV的全稱是：Open Source Computer Vision Library。OpenCV是一個基于BSD許可(開源)發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列C函數(shù)和少量C++類構(gòu)成，同時提供了Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。

InceptionV3作為一個圖像分類模型，一個最重要的改進(jìn)是分解(Factorization)，將7x7分解成兩個一維的卷積(1x7，7x1)，3x3也是一樣(1x3，3x1)，這樣的好處，既可以加速計算(多余的計算能力可以用來加深網(wǎng)絡(luò))，又可以將1個conv拆成2個conv，使得網(wǎng)絡(luò)深度進(jìn)一步增加，增加了網(wǎng)絡(luò)的非線性，還有值得注意的地方是網(wǎng)絡(luò)輸入從224x224變?yōu)榱?99x299，更加精細(xì)設(shè)計了35x35/17x17/8x8的模塊。

進(jìn)一步地，所述步驟S240包括：

S241判斷所述通過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型獲得的特征結(jié)果中，是否含有所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的隱私特征部分，若是，則進(jìn)入步驟S300，否則進(jìn)入步驟S400。

本發(fā)明還包括一種智能路由器，該路由器能運用上述智能視頻監(jiān)控方法對視頻數(shù)據(jù)進(jìn)行監(jiān)控。具體的，該智能路由器包括信息獲取模塊、檢測模塊、模糊處理模塊、及信息發(fā)送模塊，所述檢測模塊分別與所述信息獲取模塊、模糊處理模塊相連，且所述信息發(fā)送模塊分別與所述檢測模塊及模糊處理模塊相連，其中：

所述信息獲取模塊接收攝像裝置采集的視頻數(shù)據(jù)；

所述檢測模塊檢測所述信息獲取模塊接收的所述視頻數(shù)據(jù)，判斷所述視頻數(shù)據(jù)中是否存在隱私信息；

當(dāng)所述檢測模塊檢測到獲取的所述視頻數(shù)據(jù)中存在隱私信息，則所述模糊處理模塊將所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作，再通過所述信息發(fā)送模塊將所述模糊處理后的視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中；

當(dāng)所述檢測模塊檢測到獲取的所述視頻數(shù)據(jù)中不存在隱私信息，則所述信息發(fā)送模塊將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中。

進(jìn)一步地，還包括存儲模塊，所述存儲模塊分別與所述信息獲取模塊及檢測模塊相連，所述檢測模塊包括人體檢測單元、隱私部分檢測單元，所述人體檢測單元與所述隱私部分檢測單元相連，其中：

所述信息獲取模塊在接收到所述視頻數(shù)據(jù)后通過所述存儲模塊將所述視頻數(shù)據(jù)進(jìn)行存儲；

所述人體檢測單元檢測所述視頻數(shù)據(jù)中是否有人的存在；

當(dāng)所述人體檢測單元檢測到所述視頻數(shù)據(jù)中有人存在時，則所述隱私部分檢測單元對所述視頻數(shù)據(jù)進(jìn)行身體裸露檢測，判斷所述視頻數(shù)據(jù)中是否存有隱私部分。

進(jìn)一步地，所述隱私部分檢測單元采是訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型檢測單元，用來對所述視頻數(shù)據(jù)進(jìn)行檢測，其中：

所述隱私部分檢測單元將采樣的視頻數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入；

所述隱私部分檢測單元通過n個可訓(xùn)練的濾波器對輸入的視頻數(shù)據(jù)進(jìn)行卷積，卷積后在卷積層C1獲得n個不同的特征映射圖，n為正整數(shù)；每個特征映射圖中的每一個神經(jīng)元與標(biāo)準(zhǔn)化輸入數(shù)據(jù)的一個局部感受野相連，用于提取相應(yīng)的局部特征，每個特征映射圖中的所有神經(jīng)元獲得的相應(yīng)的局部特征綜合后獲得一個全局信息，將該全局信息作為一個特征映射圖中的數(shù)據(jù)特征；

所述隱私部分檢測單元將每個特征映射圖中每組m×m個像素進(jìn)行求和，加權(quán)值，加偏置，通過Sigmoid函數(shù)得到n個抽樣層S2的特征映射圖；m為正整數(shù)；

所述隱私部分檢測單元將所述抽樣層的特征映射圖進(jìn)行濾波得到卷積層C3的特征映射圖；

所述隱私部分檢測單元再將卷積層C3層的特征映射圖按照步驟S233的方法獲得抽樣層S4層的特征映射圖，根據(jù)設(shè)定的卷積層數(shù)，重復(fù)多次濾波映射后，將所得的抽樣層的特征映射圖的像素值通過光柵化處理，并連接成一個向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，輸出特征結(jié)果。

進(jìn)一步地，所述信息獲取模塊包括：接收單元、及與所述接收單元相連的判斷單元；其中：

所述接收單元接收到視頻數(shù)據(jù)后，通過所述判斷單元判斷所述視頻數(shù)據(jù)是否帶有攝像頭視頻標(biāo)簽；若否，則將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中，若是，則通過所述存儲模塊將所述視頻數(shù)據(jù)存儲到路由器數(shù)據(jù)庫中，以便所述檢測模塊對所述視頻數(shù)據(jù)進(jìn)行檢測。

本發(fā)明通過本地的路由器來對上傳的視頻進(jìn)行監(jiān)管，由于這些隱私信息或者不良信息是需要通過路由器來進(jìn)行傳播網(wǎng)絡(luò)中，所以從路由器端更能有效控制這些隱私信息或者不良信息的擴散，路由器從源頭進(jìn)行監(jiān)控把關(guān)，更早的遏制這些隱私信息或者不良信息的傳播擴散。相對于從網(wǎng)絡(luò)服務(wù)器監(jiān)控而言，由于這些隱私信息或者不良信息還沒有傳播到網(wǎng)絡(luò)，所以能有效控制。通過本發(fā)明節(jié)約了人力資源，降低網(wǎng)絡(luò)視頻人的參與度，從根源上控制視頻中有意或無意泄露的隱私部分流入到網(wǎng)絡(luò)中。此外，本發(fā)明方案實施步驟簡單，只需要借助本地路由器進(jìn)行監(jiān)控和視頻處理后即可傳播到網(wǎng)絡(luò)中。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明一種基于路由器的智能視頻監(jiān)控方法實施例流程圖；

圖2為本發(fā)明一種基于路由器的智能視頻監(jiān)控方法另一實施例流程圖；

圖3為本發(fā)明一種基于路由器的智能視頻監(jiān)控方法另一實施例中卷積神經(jīng)網(wǎng)絡(luò)檢測處理視頻數(shù)據(jù)流程圖；

圖4為本發(fā)明一種基于路由器的智能視頻監(jiān)控方法應(yīng)用環(huán)境結(jié)構(gòu)示意圖；

圖5為本發(fā)明一種基于路由器的智能視頻監(jiān)控方法另一實施例中卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)示范圖；

圖6為本發(fā)明一種基于路由器的智能視頻監(jiān)控方法另一實施例示意圖；

圖7為本發(fā)明一種智能路由器實施例框圖；

圖8為本發(fā)明一種智能路由器另一實施例框圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn)一步地詳細(xì)描述，顯然，所描述的實施例僅僅是本發(fā)明一部份實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明公開了一種基于路由器的智能視頻監(jiān)控方法，實施例一如圖1所示，包括步驟：

S100攝像裝置采集視頻數(shù)據(jù)并傳送給路由器；

S200所述路由器檢測接收的所述視頻數(shù)據(jù)，判斷所述視頻數(shù)據(jù)中是否存在隱私部分，若是，則進(jìn)入步驟S300，否則進(jìn)入步驟S400；

S300所述路由器將所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作，進(jìn)入步驟S400；

S400所述路由器根據(jù)用戶需求將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中。

本實施例從發(fā)布源頭，即路由器端對拍攝的視頻進(jìn)行監(jiān)測處理，防止將包含隱私部分的內(nèi)容流入網(wǎng)絡(luò)。這里的隱私部分可以包括人體的隱私、或者自定義的不愿公諸于眾的內(nèi)容。例如，現(xiàn)在直播亂象叢生，如果能從直播者發(fā)布視頻網(wǎng)絡(luò)之前便進(jìn)行檢測，防止將涉嫌不良信息的內(nèi)容傳播到網(wǎng)絡(luò)中，則能對網(wǎng)絡(luò)管理做出積極貢獻(xiàn)，同時也節(jié)約了人力資源，降低網(wǎng)絡(luò)視頻人的參與度，從根源上控制帶有負(fù)面影響(例如裸露身體)的視頻流入到網(wǎng)絡(luò)中。此外，方案實施步驟簡單，只需要借助本地路由器進(jìn)行監(jiān)控和視頻處理后即可傳播到網(wǎng)絡(luò)中。

本發(fā)明方法的另一實施例，如圖2所示，具體包括：

S100攝像裝置采集視頻數(shù)據(jù)并傳送給路由器；

S210所述路由器接收到所述視頻數(shù)據(jù)后將所述視頻數(shù)據(jù)進(jìn)行存儲；

S220所述路由器檢測所述視頻數(shù)據(jù)中是否有人的存在；

S230當(dāng)檢測到所述視頻數(shù)據(jù)中有人存在時，則進(jìn)一步對所述視頻數(shù)據(jù)進(jìn)行身體裸露檢測，

S240判斷所述身體裸露部分是否存在隱私部分，若是，則進(jìn)入步驟S300，否則進(jìn)入步驟S400。

S300所述路由器將所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作，進(jìn)入步驟S400；

S400所述路由器根據(jù)用戶需求將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中。

本方案通過路由器來對檢測視頻中是否包含人體隱私部分。具體的，路由器的檢測部分分成了兩個檢測階段，第一個檢測階段是檢測視頻中是否有人存在，有人存在的話才會進(jìn)入第二個檢測階段，檢測看該視頻數(shù)據(jù)中是否裸露了身體的隱私部分。由于檢測視頻圖像中是否有人比身體裸露檢測要簡單，相對而言更容易實現(xiàn)，數(shù)據(jù)處理少一些，因此，先檢測視頻圖像中是否存在有人，如果沒有人的話，也不會存在身體裸露隱私部分了，因此，如果拍攝的視頻錄像不包含人，也就不需要再進(jìn)行后續(xù)的檢測及處理了，則可以直接將這個視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)了。而如果檢測到了含有人，那么就需要進(jìn)行第二個階段的檢測。檢測視頻數(shù)據(jù)中是否存在裸露身體隱私部分，如果檢測出來有，那么需要對該隱私部分進(jìn)行模糊處理，或者打上馬賽克之類，然后再將此視頻數(shù)據(jù)上傳到網(wǎng)絡(luò)。

具體的，上述步驟S100包括：

S110攝像裝置捕捉視頻影像并將所述視頻影像轉(zhuǎn)換為數(shù)字信號，形成視頻數(shù)據(jù)；

S120所述攝像裝置將所述視頻數(shù)據(jù)進(jìn)行壓縮打包，并添加攝像頭視頻標(biāo)簽；

S130所述攝像頭裝置將所述視頻數(shù)據(jù)發(fā)送給路由器進(jìn)行傳播。

攝像頭拍攝視頻影像后將其轉(zhuǎn)換成數(shù)字信號，形成視頻數(shù)據(jù)，然后將視頻數(shù)據(jù)打包，添加攝像頭視頻標(biāo)簽后再將此數(shù)據(jù)發(fā)送給路由器。添加標(biāo)簽的好處是，路由器可以根據(jù)標(biāo)簽識別出這個數(shù)據(jù)是攝像頭拍攝的視頻數(shù)據(jù)，屬于待檢測的數(shù)據(jù)，路由器不用對接收的所有數(shù)據(jù)進(jìn)行檢測，只需要對含有視頻標(biāo)簽的視頻數(shù)據(jù)進(jìn)行檢測即可，減輕了路由器的工作量，增強了工作效率。

上述步驟S210包括：路由器檢測到帶有攝像頭視頻標(biāo)簽的數(shù)據(jù)后進(jìn)行攔截，在所述路由器的外接存儲設(shè)備中進(jìn)行緩存；所述路由器將攔截的視頻數(shù)據(jù)保存到路由器數(shù)據(jù)庫中。

上述步驟S220中，路由器先對視頻數(shù)據(jù)進(jìn)行人體檢測，判斷該視頻數(shù)據(jù)中是否有人存在，如果沒有人的話，肯定也不會存在裸露的人體隱私部分，因此也就不需要進(jìn)行后續(xù)的檢測。關(guān)于人體檢測，可以運用現(xiàn)有的各種圖像檢測技術(shù)來進(jìn)行目標(biāo)(人)檢測，圖像檢測，是指對圖像進(jìn)行處理、分析和理解，以檢測各種不同模式的目標(biāo)和對像的技術(shù)。當(dāng)然，從視頻圖像中檢測出是否有人，也可以通過一訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，這里的一訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)，是指該卷積神經(jīng)網(wǎng)絡(luò)已學(xué)習(xí)了大量包含人的圖像，通過數(shù)據(jù)庫中存儲的大量人的圖像，獲得了人體的特征，得到能檢測出人體的卷積神經(jīng)網(wǎng)絡(luò)模型。

在上述步驟S230中，對所述視頻數(shù)據(jù)進(jìn)行身體裸露檢測是采用訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型來對所述視頻數(shù)據(jù)進(jìn)行檢測，如圖3所示，具體包括：

S231將采樣的視頻數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入；

S232通過n個可訓(xùn)練的濾波器對輸入的視頻數(shù)據(jù)進(jìn)行卷積，卷積后在卷積層C1獲得n個不同的特征映射圖，n為正整數(shù)；每個特征映射圖中的每一個神經(jīng)元與標(biāo)準(zhǔn)化輸入數(shù)據(jù)的一個局部感受野相連，用于提取相應(yīng)的局部特征，每個特征映射圖中的所有神經(jīng)元獲得的相應(yīng)的局部特征綜合后獲得一個全局信息，將該全局信息作為一個特征映射圖中的數(shù)據(jù)特征；

S233將每個特征映射圖中每組m×m個像素進(jìn)行求和，加權(quán)值，加偏置，通過Sigmoid函數(shù)得到n個抽樣層S2的特征映射圖；m為正整數(shù)；

S234將所述抽樣層的特征映射圖進(jìn)行濾波得到卷積層C3的特征映射圖；

S235再將卷積層C3層的特征映射圖按照步驟S233的方法獲得抽樣層S4層的特征映射圖，根據(jù)設(shè)定的卷積層數(shù)，重復(fù)多次濾波映射后，將所得的抽樣層的特征映射圖的像素值通過光柵化處理，并連接成一個向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，輸出特征結(jié)果。

身體裸露檢測，檢測是否存在裸露的人體隱私部分。這一實現(xiàn)方案是通過訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的。這里的訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)是指通過學(xué)習(xí)過大量人體隱私部分圖片獲得人體隱私部分特征，得到了人體隱私部分的卷積神經(jīng)網(wǎng)絡(luò)識別模型。然后，利用該訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)則可對視頻數(shù)據(jù)進(jìn)行人體隱私部分檢測，看是否存在人體隱私部分。

進(jìn)一步的，在上述步驟S120中，所述攝像裝置采用Open-NI驅(qū)動程序?qū)⑺鲆曨l數(shù)據(jù)進(jìn)行壓縮打包；

在上述步驟S212中，所述路由器通過工具OpenCV將攔截的視頻數(shù)據(jù)保存到路由器數(shù)據(jù)庫中；

在上述步驟S220中，所述路由器采用另一訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型，利用InceptionV3檢測所述視頻數(shù)據(jù)中是否有人的存在；

在上述步驟S300中，所述路由器使用視頻編輯器對所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作。

較佳的，上述步驟S240包括：

S241判斷所述通過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型獲得的特征結(jié)果中，是否含有所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的隱私特征部分，若是，則進(jìn)入步驟S300，否則進(jìn)入步驟S400。

本發(fā)明方法的另一實施例，當(dāng)開啟的攝像頭檢測到隱私敏感行為時，對視頻做模糊處理。本發(fā)明采用基于卷積神經(jīng)網(wǎng)絡(luò)的方法來發(fā)現(xiàn)用戶在日常生活中可能的暴露身體等隱私信息。本發(fā)明使用Tensorflow框架訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),從而達(dá)到識別身體裸露的目的。

TensorFlow是谷歌基于DistBelief進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，其命名來源于本身的運行原理。Tensor(張量)意味著N維數(shù)組，F(xiàn)low(流)意味著基于數(shù)據(jù)流圖的計算，TensorFlow為張量從流圖的一端流動到另一端計算過程。TensorFlow是將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)傳輸至人工智能神經(jīng)網(wǎng)中進(jìn)行分析和處理過程的系統(tǒng)。TensorFlow可被用于語音識別或圖像識別等多項機器深度學(xué)習(xí)領(lǐng)域，對2011年開發(fā)的深度學(xué)習(xí)基礎(chǔ)架構(gòu)DistBelief進(jìn)行了各方面的改進(jìn)，它可在小到一部智能手機、大到數(shù)千臺數(shù)據(jù)中心服務(wù)器的各種設(shè)備上運行。TensorFlow將完全開源，任何人都可以用。

本發(fā)明的應(yīng)用環(huán)境結(jié)構(gòu)示意圖如圖4所示，在整個流程中，攝像頭采集視頻，通過路由器處理后，傳播到網(wǎng)絡(luò)中。

本實施例主要涉及兩個步驟:

攝像頭采集用戶的視頻數(shù)據(jù)并傳送到路由器；

路由器檢測從攝像頭傳過來的視頻數(shù)據(jù)，若發(fā)現(xiàn)存在隱私泄露的信息，則進(jìn)行模糊處理操作。

·視頻采集過程：

攝像頭捕捉視頻影像并轉(zhuǎn)換為數(shù)字信號；

通過Open-NI驅(qū)動程序進(jìn)行數(shù)據(jù)壓縮打包，添加攝像頭視頻標(biāo)簽，發(fā)送到與之相連的主機上，主機發(fā)送給路由器進(jìn)行傳播。

·視頻處理過程：

路由器檢測到帶有攝像頭視頻標(biāo)簽的數(shù)據(jù)并將之?dāng)r截，在路由器外接存儲設(shè)備中開辟一塊存儲空間用于暫時存儲數(shù)據(jù)；

通過工具OpenCV將攔截的視頻數(shù)據(jù)保存到路由器數(shù)據(jù)庫當(dāng)中；

采用訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型，利用工具Inception V3檢測視頻數(shù)據(jù)中是否有人，如果發(fā)現(xiàn)有人的存在，則需要進(jìn)行下一步操作，對視頻數(shù)據(jù)進(jìn)行身體裸露檢測處理。

卷積網(wǎng)絡(luò)是為識別二維形狀而特殊設(shè)計的一個多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對平移、比例縮放、傾斜或者共他形式的變形具有高度不變性。這些良好的性能是網(wǎng)絡(luò)在有監(jiān)督方式下學(xué)會的，網(wǎng)絡(luò)的結(jié)構(gòu)主要有稀疏連接和權(quán)值共享兩個特點，包括如下形式的約束：

1、特征提取。每一個神經(jīng)元從上一層的局部接受域得到突觸輸人，因而迫使它提取局部特征。一旦一個特征被提取出來，只要它相對于其他特征的位置被近似地保留下來，它的精確位置就變得沒有那么重要了。

2、特征映射。網(wǎng)絡(luò)的每一個計算層都是由多個特征映射組成的，每個特征映射都是平面形式的。平面中單獨的神經(jīng)元在約束下共享相同的突觸權(quán)值集，這種結(jié)構(gòu)形式具有如下的有益效果：a.平移不變性。b.自由參數(shù)數(shù)量的縮減(通過權(quán)值共享實現(xiàn))。

3、子抽樣。每個卷積層后面跟著一個實現(xiàn)局部平均和子抽樣的計算層，由此特征映射的分辨率降低。這種操作具有使特征映射的輸出對平移和其他形式的變形的敏感度下降的作用。

卷積神經(jīng)網(wǎng)絡(luò)是一個多層的神經(jīng)網(wǎng)絡(luò)，每層由多個二維平面組成，而每個平面由多個獨立神經(jīng)元組成。

如圖5所示，輸入?yún)?shù)是視頻數(shù)據(jù)，中間處理過程包括數(shù)據(jù)特征提取和特征映射；三個可訓(xùn)練的濾波器對輸入數(shù)據(jù)進(jìn)行卷積計算，卷積后在C1層生成三個特征映射圖；然后對特征映射圖中每組的四個像素再進(jìn)行求和、加權(quán)值和加偏置計算，通過一個Sigmoid函數(shù)得到三個S2層的特征映射圖；這些映射圖再進(jìn)過濾波得到C3層；這個層級結(jié)構(gòu)再和S2一樣產(chǎn)生S4；以此往復(fù)多次濾波映射，最后，這些像素值通過光柵化處理，并連接成一個向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，輸出特征結(jié)果。

一般地，C層為特征提取層，每個神經(jīng)元的輸入與前一層的局部感受野相連，并提取該局部的特征，一旦該局部特征被提取后，它與其他特征間的位置關(guān)系也隨之確定下來；S層是特征映射層，網(wǎng)絡(luò)的每個計算層由多個特征映射組成，每個特征映射為一個平面，平面上所有神經(jīng)元的權(quán)值相等。特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。此外，由于一個映射面上的神經(jīng)元共享權(quán)值，因而減少了網(wǎng)絡(luò)自由參數(shù)的個數(shù)，降低了網(wǎng)絡(luò)參數(shù)選擇的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)中的每一個特征提取層(C-層)都緊跟著一個用來求局部平均與二次提取的計算層(S-層)，這種特有的兩次特征提取結(jié)構(gòu)使網(wǎng)絡(luò)在識別時對輸入樣本有較高的畸變?nèi)萑棠芰Α?/p>

裸露檢測同樣需要采用訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型來檢測視頻中人身體裸露部分，如果檢測到身體裸露了隱私部分，則使用視頻編輯器對檢測到的人體裸露隱私部分進(jìn)行模糊處理操作。具體示意圖如圖6所示。

本實施例節(jié)約了人力資源，降低網(wǎng)絡(luò)視頻人的參與度，從根源上控制帶有負(fù)面影響(例如裸露身體)的視頻流入到網(wǎng)絡(luò)中。且方案實施步驟簡單，只需要借助本地路由器進(jìn)行監(jiān)控和視頻處理即可傳播到網(wǎng)絡(luò)中。

基于相同的技術(shù)構(gòu)思，本發(fā)明實施例還提供一種智能路由器，該路由器可執(zhí)行上述方法實施例。本發(fā)明實施例提供的路由器如圖7所示。包括信息獲取模塊10、檢測模塊20、模糊處理模塊30、及信息發(fā)送模塊40，所述檢測模塊20分別與所述信息獲取模塊10、模糊處理模塊30相連，且所述信息發(fā)送模塊40分別與所述檢測模塊20及模糊處理模塊30相連，其中：

所述信息獲取模塊10接收攝像裝置采集的視頻數(shù)據(jù)；

所述檢測模塊20檢測所述信息獲取模塊10接收的所述視頻數(shù)據(jù)，判斷所述視頻數(shù)據(jù)中是否存在隱私信息；

當(dāng)所述檢測模塊20檢測到獲取的所述視頻數(shù)據(jù)中存在隱私信息，則所述模糊處理模塊30將所述視頻數(shù)據(jù)中檢測到的所述隱私部分進(jìn)行模糊處理操作，再通過所述信息發(fā)送模塊40將所述模糊處理后的視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中；

當(dāng)所述檢測模塊20檢測到獲取的所述視頻數(shù)據(jù)中不存在隱私信息，則所述信息發(fā)送模塊40將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中。

本實施例提供的智能路由器，能夠智能識別出需要傳播到網(wǎng)絡(luò)的視頻是否包含隱私部分。這里的隱私部分可以是身體私密部分，也可以是設(shè)置的不愿意或禁止公布到網(wǎng)絡(luò)上的東西。同樣的，用戶待上傳的照片，也同樣可以通過該路由器進(jìn)行監(jiān)測，讓網(wǎng)絡(luò)環(huán)境更加安全和干凈。由于這些隱私信息或者不良信息是需要通過路由器來進(jìn)行傳播網(wǎng)絡(luò)中，所以，從路由器端更能有效控制這些隱私信息或者不良信息的擴散，路由器從源頭進(jìn)行監(jiān)控把關(guān)，更早的遏制這些隱私信息或者不良信息的傳播擴散。相對于從網(wǎng)絡(luò)服務(wù)器監(jiān)控而言，由于這些隱私信息或者不良信息還沒有傳播到網(wǎng)絡(luò)，所以能有效監(jiān)管到。而如果通過網(wǎng)絡(luò)的服務(wù)器進(jìn)行監(jiān)管，由于已經(jīng)傳播到網(wǎng)絡(luò)中的服務(wù)器了，也就是說已經(jīng)通過路由器上傳給網(wǎng)絡(luò)中的服務(wù)器了，網(wǎng)絡(luò)中已經(jīng)存在此信息了，那么安全性降低了，擴散的概率會比較高，一旦被黑客攻陷，則極可能被擴散。

較佳的，本發(fā)明的另一實施例，在上述實施例基礎(chǔ)上，還包括存儲模塊50，所述存儲模塊50分別與所述信息獲取模塊10及檢測模塊20相連，所述檢測模塊20包括人體檢測單元21、隱私部分檢測單元22，所述人體檢測單元21與所述隱私部分檢測單元22相連，其中：

所述信息獲取模塊10在接收到所述視頻數(shù)據(jù)后通過所述存儲模塊50將所述視頻數(shù)據(jù)進(jìn)行存儲；

所述人體檢測單元21檢測所述視頻數(shù)據(jù)中是否有人的存在；

當(dāng)所述人體檢測單元21檢測到所述視頻數(shù)據(jù)中有人存在時，則所述隱私部分檢測單元22對所述視頻數(shù)據(jù)進(jìn)行身體裸露檢測，判斷所述視頻數(shù)據(jù)中是否存有隱私部分。

人體檢測單元21檢測視頻圖像中是否有人，當(dāng)檢測到有人存在時，再通過隱私部分檢測單元22來檢測是否存在裸露的人體隱私部分。如果人體檢測單元21未檢測到人的存在，那么也就不需要進(jìn)行后續(xù)的人體隱私部分檢測了。

較佳的，在上述實施例中，所述隱私部分檢測單元22是訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型檢測單元，用來對所述視頻數(shù)據(jù)進(jìn)行檢測，其中：

所述隱私部分檢測單元22將采樣的視頻數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入；

所述隱私部分檢測單元22通過n個可訓(xùn)練的濾波器對輸入的視頻數(shù)據(jù)進(jìn)行卷積，卷積后在卷積層C1獲得n個不同的特征映射圖，n為正整數(shù)；每個特征映射圖中的每一個神經(jīng)元與標(biāo)準(zhǔn)化輸入數(shù)據(jù)的一個局部感受野相連，用于提取相應(yīng)的局部特征，每個特征映射圖中的所有神經(jīng)元獲得的相應(yīng)的局部特征綜合后獲得一個全局信息，將該全局信息作為一個特征映射圖中的數(shù)據(jù)特征；

所述隱私部分檢測單元22將每個特征映射圖中每組m×m個像素進(jìn)行求和，加權(quán)值，加偏置，通過Sigmoid函數(shù)得到n個抽樣層S2的特征映射圖；m為正整數(shù)；

所述隱私部分檢測單元22將所述抽樣層的特征映射圖進(jìn)行濾波得到卷積層C3的特征映射圖；

所述隱私部分檢測單元22再將卷積層C3層的特征映射圖中每組m×m個像素進(jìn)行求和，加權(quán)值，加偏置，通過Sigmoid函數(shù)得獲得抽樣層S4層的特征映射圖，根據(jù)設(shè)定的卷積層數(shù)，重復(fù)多次濾波映射后，將所得的抽樣層的特征映射圖的像素值通過光柵化處理，并連接成一個向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，輸出特征結(jié)果。

隱私部分檢測單元22采是訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型檢測單元，這里訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型檢測單元是指學(xué)習(xí)過大量身體隱私圖像，提取了身體隱私特征，能夠檢測出圖像中是否含有身體隱私特征的卷積神經(jīng)網(wǎng)絡(luò)身體隱私部分識別模型。當(dāng)然，關(guān)于人體檢測單元21，也同樣可以采用訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)人體識別模型。

較佳的，在上述任一實施例中，所述信息獲取模塊10包括：接收單元11、及與所述接收單元11相連的判斷單元12；其中：

所述接收單元11接收到視頻數(shù)據(jù)后，通過所述判斷單元12判斷所述視頻數(shù)據(jù)是否帶有攝像頭視頻標(biāo)簽；若否，則將所述視頻數(shù)據(jù)傳播到網(wǎng)絡(luò)中，若是，則通過所述存儲模塊50將所述視頻數(shù)據(jù)存儲到路由器數(shù)據(jù)庫中，以便所述檢測模塊20對所述視頻數(shù)據(jù)進(jìn)行檢測。

攝像頭拍攝視頻轉(zhuǎn)換為數(shù)字信號后，添加視頻標(biāo)簽，并壓縮打包后發(fā)給路由器進(jìn)行上傳，路由器在接收到數(shù)據(jù)信息后，先判斷該數(shù)據(jù)是否帶有視頻標(biāo)簽，如果帶有視頻標(biāo)簽的話，則說明該數(shù)據(jù)是攝像頭拍攝的視頻，需要進(jìn)行檢測。

盡管已描述了本發(fā)明的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。