目标识别方法、装置、视觉传感器及智能家居系统与流程

本发明涉及智能家居技术领域，尤其涉及一种实现用户隐私保护的目标识别方法、装置、视觉传感器及智能家居系统。

背景技术：

随着图像处理技术的发展，视觉传感器已被广泛应用于工业领域，例如，汽车部件组装、物品包装、冲压部件组装等，具有检测准确性高和检测效率高等优势。

然而，智能家居领域中，在检测用户环境中是否出现用户感兴趣的目标时，由于考虑用户隐私等安全性问题，视觉传感器往往会被其余传感器替代，例如，红外传感器、温度传感器等，这就导致目标识别的准确性较差，容易出现误报而影响用户的智能家居体验。

为此，如何在目标识别中兼顾准确性和安全性仍亟待解决。

技术实现要素：

为了解决相关技术中目标识别中兼顾准确性和安全性的问题，本发明各实施例提供一种实现用户隐私保护的目标识别方法、装置、视觉传感器及智能家居系统。

其中，本发明所采用的技术方案为：

第一方面，一种实现用户隐私保护的目标识别方法，应用于视觉传感器，所述方法包括：获取包含待识别目标的图像；对所述图像中的待识别目标进行识别，得到识别结果；将所述识别结果以非图像形式输出。

第二方面，一种实现用户隐私保护的目标识别装置，应用于视觉传感器，所述装置包括：图像获取模块，用于获取包含待识别目标的图像；目标识别模块，用于对所述图像中的待识别目标进行识别，得到识别结果；结果输出模块，用于将所述识别结果以非图像形式输出

在一示例性实施例中，所述结果输出模块包括：输出单元，用于将所述识别结果以文本形式输出。

在一示例性实施例中，所述装置还包括：图像删除模块，用于将完成识别的图像删除。

在一示例性实施例中，所述待识别目标包含人，所述装置还包括：图像检测模块，用于图像采集过程中，对采集到的图像进行人体特征检测；如果采集到图像中检测到人体特征，则判定采集到的图像中包含人。

在一示例性实施例中，所述装置还包括：文件获取模块，用于获取模型文件，所述模型文件是通过离线模型训练得到的；文件加载模块，用于本地加载所述模型文件，通过所述模型文件的本地加载以实现所述待识别目标的识别。

在一示例性实施例中，所述目标识别模块包括：特征提取单元，用于基于目标识别模型，从所述图像中提取得到所述待识别目标的初始特征；特征学习单元，用于对所述待识别目标的初始特征进行特征学习，得到所述待识别目标的全局特征；分类预测单元，用于根据所述待识别目标的全局特征进行所述待识别目标的分类预测，得到所述识别结果。

在一示例性实施例中，所述装置还包括：在线训练模块，用于根据完成识别的图像和所述识别结果引导所述目标识别模型进行在线模型训练。

在一示例性实施例中，所述装置还包括：指令接收模块，用于接收信息读取指令，以响应于所述信息读取指令将所述识别结果以非图像形式输出。

第三方面，一种视觉传感器，所述视觉传感器包括处理器、存储单元、相机模组、处理器、加速处理器和接口单元；其中，所述存储单元，用于存储计算机可读指令；所述处理器，用于通过读取所述存储单元中的计算机可读指令，控制所述相机模组、所述加速处理器和所述接口单元执行实现用户隐私保护的目标识别方法，包括：所述相机模组，用于拍摄并采集包含待识别目标的图像；所述加速处理器，用于对采集到图像中的待识别目标进行识别，得到识别结果；所述接口单元，用于以非图像形式输出所述识别结果。

在一示例性实施例中，所述处理器还用于将来自所述加速处理器的所述识别结果，转化为符合所述接口单元的协议类型，以供所述接口单元以非图像形式输出所述识别结果。

第四方面，一种智能家居系统，包括网关、以及部署于所述网关中的视觉传感器和智能设备，其中，所述视觉传感器，用于对获取到图像中的待识别目标进行识别得到识别结果，并以非图像形式输出所述识别结果；所述网关，用于接收所述视觉传感器中的所述识别结果，并根据所述识别结果生成控制指令；所述智能设备，用于接收所述网关下发的所述控制指令，并根据所述控制指令执行对应的动作。

第五方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的实现用户隐私保护的目标识别方法。

在上述技术方案中，基于视觉传感器进行实现用户隐私保护的目标识别，解决现有技术中目标识别难以兼顾准确性和安全性的问题。

具体而言，获取包含待识别目标的图像，以对图像中的待识别目标进行识别而得到识别结果，并将所述识别结果以非图像形式输出，由此，充分利用了视觉传感器具有检测准确性高和检测效率高的优势，提高了目标识别的准确性，并且识别结果以非图像形式输出，也即是不会有任何图像输出至外部设备，有效地防止了用户隐私出现泄漏，充分地保护了用户隐私，提高了目标识别的安全性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本发明所涉及的实施环境的示意图。

图2是根据一示例性实施例示出的一种视觉传感器的硬件结构框图。

图3是根据一示例性实施例示出的一种实现用户隐私保护的目标识别方法的流程图。

图4是根据一示例性实施例示出的一种实现用户隐私保护的目标识别方法的流程图。

图5是根据一示例性实施例示出的一种实现用户隐私保护的目标识别方法的流程图。

图6是图5对应实施例中模型文件的生成过程在一个实施例的流程图。

图7是图3对应实施例中步骤330在一个实施例的流程图。

图8是根据一示例性实施例示出的一种实现用户隐私保护的目标识别装置的框图。

图9是根据一示例性实施例示出的一种视觉传感器的框图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1为一种实现用户隐私保护的目标识别方法所涉及的实施环境的示意图。该实施环境包括智能家居系统100，智能家居系统100包括：网关110、部署于网关110中的视觉传感器130和智能设备150。

具体地，智能设备150可以是智能打印机、智能传真机、智能摄像机、智能空调、智能门锁或者配置了通信模块(例如zigbee模块、wi-fi模块、蓝牙模块等)的人体传感器、门窗传感器、温湿度传感器、水浸传感器、天然气报警器、烟雾报警器、蜂鸣报警器、墙壁开关、墙壁插座、无线开关无线墙贴开关、魔方控制器、窗帘电机等电子设备，在此不构成具体限定。

值得一提的是，视觉传感器130实质也属于智能设备150的一种类型。

视觉传感器130和智能设备150均部署于网关110，并通过自身所配置的通信模块与网关110通信，进而实现与网关110之间的交互。在一种实施方式中，通过局域网络接入网关110，从而部署于网关110中。通过局域网络接入网关110的过程包括，由网关110首先建立一个局域网络，视觉传感器130和智能设备150通过连接该网关110，从而接入该网关110建立的局域网络中。所述局域网络包括：zigbee或者蓝牙。

当视觉传感器130获取到包含待识别目标的图像，将对图像中的待识别目标进行识别而得到识别结果，进而将识别结果以非图像形式输出。

随着视觉传感器130、智能设备150与网关110之间的交互，网关110便可接收到视觉传感器130中的识别结果，并根据识别结果生成控制指令，进而下发至智能设备150，以控制智能设备150根据控制指令执行对应的动作。

请参阅图2，图2是根据一示例性实施例示出的一种视觉传感器的硬件结构框图。该种视觉传感器适用于图1所示出实施环境中的视觉传感器130。

需要说明的是，该种视觉传感器只是一个适配于本发明的示例，不能认为是提供了对本发明的使用范围的任何限制。该种视觉传感器也不能解释为需要依赖于或者必须具有图2中示出的示例性的视觉传感器200中的一个或者多个组件。

如图2所示，视觉传感器200包括相机模组210、存储单元230、运算单元250、接口单元270、以及辅助单元290。

具体地，相机模组210，用于拍摄图片或者视频。拍摄的图片或者视频可以存储至存储单元230内，还可以通过接口单元270发送至外部各种输入/输出装置。

存储单元230作为资源存储的载体，可以是随机存储器、例如高速随机存储器、非易失性存储器，如一个或多个磁性存储装置、闪存、或者其它固态存储器。存储方式可以是短暂存储或者永久存储。该存储单元230可用于存储计算机程序以及模块，如本发明示例性实施例中的实现用户隐私保护的目标识别方法及装置对应的计算机可读指令及模块，还可以用于存储相机模组210所采集的图像。

运算单元250进一步包括：处理器251、图像信号处理器253、加速处理器257、以及图像算法加速器(图2中未示出)。

其中，处理器251可通过读取存储在存储单元230内的计算机可读指令，从而执行各种功能以及数据处理，例如，完成实现用户隐私保护的目标识别方法。

加速处理器257用于目标识别，例如，对图像中的待识别目标进行识别，得到识别结果。

接口单元270用于将外部各种输入/输出装置耦合至存储单元230以及运算单元250，以实现与外部各种输入/输出装置的通信。例如，接口单元270用于以非图像形式输出所述识别结果。

可以理解，图2所示的结构仅为示意，视觉传感器100还可包括比图2中所示更多或更少的组件，或者具有与图2所示不同的组件。图2中所示的各组件可以采用硬件、软件或者其组合来实现。

请参阅图3，在一示例性实施例中，一种实现用户隐私保护的目标识别方法适用于图1所示实施环境的视觉传感器，该视觉传感器的结构可以如图2所示。

该种实现用户隐私保护的目标识别方法可以由视觉传感器执行，可以包括以下步骤：

步骤310，获取包含待识别目标的图像。

其中，图像是视觉传感器所配置的相机模组针对用户环境进行拍摄生成的。在智能家居领域中，用户环境可以是指酒店房间、卧室、卫生间等较为私密的场景，也可以是指电影院、会议室等较为开放的场景，本实施例并未对此作出具体限定。

进一步地，视觉传感器可以布设于用户环境的四周，以便于从不同角度拍摄，有利于后续提高目标识别的精准度。

可以理解，拍摄可以是单次拍摄，还可以是连续性拍摄，相应地，对于连续性拍摄而言，得到的是包含若干连续图像帧的一段视频，而就单次拍摄来说，得到的则是包含独立图像帧的图片。基于此，本实施例中进行目标识别可以是基于包含若干连续图像帧的一段视频进行，也可以基于包含若干独立图像帧的多张图片进行。

换而言之，图像可以是一段视频，还可以是若干张图片，本实施例并未对此加以限定。

应当说明的是，无论是包含若干连续图像帧的一段视频，还是包含若干独立图像帧的若干张图片，后续的目标识别均是以图像帧为单位执行的。

图像的获取，可以是来源于预先存储于视觉传感器的图像，也可以是来源于视觉传感器实时采集的图像。换句话说，对于视觉传感器而言，可以获取实时采集的图像，以便于实时进行图像中待识别目标的识别，还可以获取一历史时间段内采集到的图像，以便于在处理任务较少的时候，或者，受控于操作人员的指示进行图像中待识别目标的识别，本实施例对此并未加以限定。

可以理解，图像中可能存在用户感兴趣的目标，也可能不存在用户感兴趣的目标，故而，本实施例中，目标识别，是基于包含待识别目标的图像，也就是说，只有在图像中包含待识别目标，才会对图像中的待识别目标作进一步地识别，以此提高目标识别的有效性。

待识别目标，也即是用户感兴趣的目标，在不同的应用场景可以有所区别。例如，在环境监控场景中，用户感兴趣的目标是出入用户环境的所有可疑对象，此时，待识别目标可以是人、宠物等等；或者，在设备控制场景中，用户期望对用户环境中的智能设备加以控制，那么，待识别目标则可以是用户及其执行的动作。

基于此，关于图像中包含待识别目标，实质是对图像中待识别目标的特征进行检测。例如，如果待识别目标为人，则所检测的特征包括人脸、手、脚、身体等；或者，如果待识别目标为动物，则所检测的特征可以是动物脸等；又或者，待识别目标的特征还可以是衣物图案、标签等。

如果检测到图像中包含待识别目标，则获取包含待识别目标的图像。

反之，如果未检测到图像中包含待识别目标，则丢弃未包含待识别目标的图像。

步骤330，对所述图像中的待识别目标进行识别，得到识别结果。

举例来说，在环境监控场景中，当图像中包含待识别目标，则表示用户环境可能有可疑对象出入，那么，针对待识别目标，需要进一步区分，属于可疑对象，还是属于安全对象。

又或者，在设备控制场景中，当用户执行了动作，则表示用户期望对用户环境中的智能设备加以控制，此时，则需要进一步地对图像中所描述的用户执行的动作加以识别，以此判断用户期望控制的智能设备究竟是哪个，以及期望该智能设备执行哪种动作。

由此，待识别目标的识别，实质是对图像中的待识别目标进行分类，相应地，识别结果，用于指示待识别目标所属的类别。

例如，在环境监控场景中，当识别结果为0，则表示待识别目标属于安全对象，或者，当识别结果为1，则表示待识别目标属于可疑对象。那么，基于识别结果1，在智能家居系统中，便可向用户发出告警，以此提示用户环境中有可疑对象出入。

可选地，待识别目标的识别，通过本地调用目标识别模型实现，以此充分保证目标识别的精准度和实时性。

步骤350，将所述识别结果以非图像形式输出。

其中，非图像形式的识别结果，指的是识别结果为非图像，也即是，识别结果不是图片、视频中的任意一种。

可选地，识别结果为文本形式。其中，文本形式包括文字、代码流等非图像形式。例如，代码流形式为二进制数值。

进一步地，输出，可以是视觉传感器主动将非图像形式的识别结果输出至外部设备，还可以是受控于外部设备而被动地将非图像形式的识别结果输出，本实施例对此并未加以限定。

通过如上所述的过程，基于视觉传感器实现了用户隐私保护，即识别结果以非图像形式输出至外部设备，提高了目标识别的安全性，同时还利用视觉传感器的优势提高了目标识别的准确性，有效地解决了现有技术中目标识别难以兼顾安全性和准确性的问题。

在一示例性实施例中，步骤330之后，如上所述的方法还可以包括以下步骤：

将完成识别的图像删除。

删除，可以是在图像完成识别之后默认删除，也可以根据用户的配置进行删除。

可选地，根据隐私配置信息所指示的开启用户隐私保护，将完成识别的图像删除。

隐私配置信息，用于指示用户隐私保护是否开启，也即是，如果隐私配置信息指示用户隐私保护开启，则需要将完成识别的图像删除，否则，如果隐私配置信息指示用户隐私保护关闭，则将完成识别的图像加密存储于本地，以此防止用户隐私泄漏。

隐私配置信息，可以是在视觉传感器出厂时默认开启用户隐私保护，也可以根据用户的实际需要进行配置，例如，用户在视觉传感器部署于网关时，对于较为私密的场景，将隐私配置信息中的用户隐私保护开启，而对于较为开放的场景，则可将隐私配置信息中的用户隐私保护关闭。

那么，通过隐私配置信息的指示，便可实现用户隐私保护的灵活性，进而扩展目标识别的通用性。

通过如上所述的过程，完成识别的图像将被删除，而不会输出至外部设备，充分地保障了用户的隐私，进一步提高了目标识别的安全性。

请参阅图4，在一示例性实施例中，待识别目标包含人，步骤310之前，如上所述的方法还可以包括以下步骤：

步骤301，图像采集过程中，对采集到的图像进行人体特征检测。

具体地，人体特征检测，实质指的是人体特征识别。例如，人体特征为人脸时，人体特征检测即是指人脸识别，以此判断图像中是否存在人，即图像中是否包含待识别目标。

如果采集到的图像中检测到人体特征，则视为用户环境中出现用户感兴趣的目标，即执行步骤303，以此唤醒后续基于该图像的目标识别。

反之，如果采集到的图像中未检测到人体特征，则视为用户环境中不存在用户感兴趣的目标，那么，丢弃该图像，避免视觉传感器进行不必要的目标识别，从而提高目标识别的有效性，提高视觉传感器的处理效率。

步骤303，如果采集到的图像中检测到人体特征，则判定采集到图像中包含人。

也就是说，本实施例中，待识别目标的识别，是通过硬件方式(视觉传感器)触发的，以便于为目标识别提供足够丰富的图像依据，进而有利于准确地识别出图像中的待识别目标。

请参阅图5，在一示例性实施例中，步骤330之前，如上所述的方法还可以包括以下步骤：

步骤410，获取模型文件。

其中，所述模型文件是通过离线模型训练得到的。换句话说，模型文件并非视觉传感器本地产生的。

在此以服务器端为执行主体，对模型文件的生成过程加以描述。

如图6所示，在一实施例中，模型文件的生成过程可以包括以下步骤：

步骤510，获取图像样本。

其中，图像样本对图像中待识别目标所属的类别进行了标注。

也就是说，图像样本中待识别目标所属的类别是已知的，即，图像样本是已知待识别目标所属类别的图像。

步骤530，根据图像样本对神经网络模型进行模型训练。

应当理解，作为目标识别模型的原型，神经网络模型反映的仅是图像样本中待识别目标及其所属类别之间初始的数学映射关系，为了使此数学映射关系达到最优，则需要基于海量的图像样本进行神经网络模型的模型训练。

模型训练，实质是对神经网络模型的模型参数进行迭代更新。

具体地，对神经网络模型的模型参数执行随机初始化，并将随机初始化的模型参数和其中一个图像样本输入至指定算法函数，以基于指定算法函数判断上述数学映射关系是否达到最优。

如果数学映射关系未达到最优，则更新神经网络模型的模型参数，并将更新的模型参数和后一个图像样本输入至指定算法函数，以继续基于指定算法函数判断上述数学映射关系是否达到最优。

反之，如果数学映射关系达到最优或者迭代次数达到最大，则停止迭代，视为神经网络模型收敛，并跳转执行步骤550。

当然，迭代次数可以根据实际的应用场景进行灵活地设定，例如，对目标识别的精准度要求较高的应用场景，则设定较大的迭代次数。

其中，指定算法函数包括但不限于：最大期望函数、损失函数(例如softmax分类激活函数)等等。

相应地，将更新的模型参数输入至最大期望函数，如果最大期望函数的最大期望最大，或者，将更新的模型参数输入至损失函数，如果损失函数的损失最小，则视为数学映射关系达到最优。

步骤550，当神经网络模型收敛时，对收敛的神经网络模型进行存储，得到模型文件。

在服务器端通过模型训练生成模型文件之后，基于视觉传感器与服务器端之间建立的无线或者有线的网络连接，视觉传感器便可获取到模型文件。

步骤430，本地加载所述模型文件，通过所述模型文件的本地加载以实现所述待识别目标的识别。

在视觉传感器获取到模型文件之后，当图像中检测到包含待识别目标，便可本地加载模型文件，进而通过模型文件的运行调用目标识别模型对待识别目标进行识别。

也就是说，本实施例中，待识别目标的识别，通过本地调用目标识别模型实现。

在上述实施例的作用下，通过离线模型训练所生成的模型文件的本地加载，为后续基于视觉传感器的目标识别奠定了基础，有效地解决了现有技术中受限于视觉传感器的小体积而难以实现复杂的图像算法的问题。

此外，一方面，视觉传感器不必再将采集到的图像传输至服务器端进行识别，有效地提高了目标识别的实时性，不仅大大降低了视觉传感器与服务器端之间的数据传输量，有利于降低二者所占用的传输带宽，而且进一步有效地防止了用户隐私泄漏，充分地保护了用户的隐私，提高了目标识别的安全性。

另一方面，对于视觉传感器而言，由于不需要实时输出图像，能够有效地降低功耗，延长使用寿命。

请参阅图7，在一示例性实施例中，步骤330可以包括以下步骤：

步骤331，基于目标识别模型，从所述图像中提取得到所述待识别目标的初始特征。

如前所述，通过模型文件的本地加载实现图像中待识别目标的识别。此模型文件是由收敛的神经网络模型存储得到的。

那么，当模型文件完成本地加载之后，通过模型文件的运行，便可实现对收敛的神经网络模型的调用，并以此实现图像中待识别目标的识别。其中，收敛的神经网络模型即视为目标识别模型。

本实施例中，目标识别模型所对应的模型结构包括输入层、卷积层、全连接层、分类层和输出层。其中，卷积层可以由多层卷积神经网络(cnn)、循环神经网络(rnn)、或者深度神经网络(dnn)构建，而全连接层则可以由多层双向长短期记忆神经网络、或者长短期记忆神经网络构建，本实施例并未对此构成具体限定。

由此，将图像由输入层输入至卷积层进行局部特征提取，便可得到待识别目标的初始特征。此初始特征是通过数字形式实现图像中待识别目标的特征的描述。

步骤333，对所述待识别目标的初始特征进行特征学习，得到所述待识别目标的全局特征。

仍以上述目标识别模型所对应的模型结构说明，将待识别目标的初始特征由卷积层输入至全连接层进行全连接，即得到待识别目标的全局特征。

此全局特征则是经过特征学习后，对图像中待识别目标的特征的准确描述，进而实现对图像中待识别目标的唯一表示。应当理解，如果图像中待识别目标不同，则学习得到的全局特征也有所区别。

步骤335，根据所述待识别目标的全局特征进行所述待识别目标的分类预测，得到所述识别结果。

继续以上述目标识别模型所对应的模型结构说明，将待识别目标的全局特征由全连接层输入至分类层进行分类预测，便可得到待识别目标的所属类别，即识别结果，进而经由输出层输出。

具体地，分类层，通过softmax分类器实现，即利用softmax分类器计算待识别目标的全局特征属于不同类别的概率，由此预测出待识别目标的所属类别。

举例来说，在环境监控场景中，假设待识别目标为人，类别为可疑对象和安全对象，假设待识别目标的全局特征属于可疑对象的概率为p0，待识别目标的全局特征属于安全对象的概率为p1，如果p0>p1，则识别结果指示待识别目标所属类别为可疑对象，即表示待识别目标为可疑对象。

那么，对于智能家居系统中的网关而言，通过与视觉传感器的交互，便可接收到指示了待识别目标为可疑对象的识别结果，进而生成“启动报警”的控制指令，并下发至蜂鸣报警器，以控制蜂鸣报警器发出“蜂鸣声”进行报警，从而达到对可疑对象的警示作用。

又或者，在设备控制场景中，假设待识别目标包括用户及其执行的动作，类别对应于用户所执行的动作，包括挥手动作、鼓掌动作、划圈动作等。

假设待识别目标的全局特征属于“挥手动作”类别的概率为p2，待识别目标的全局特征属于“鼓掌动作”类别的概率为p3，待识别目标的全局特征属于“划圈动作”类别的概率为p4，如果p3最大，则识别结果指示用户所执行动作的所属类别为“鼓掌动作”类别，即表示用户执行了鼓掌动作。

那么，通过智能家居系统中网关与部署于该网关中视觉传感器之间的交互，网关将接收到表示用户执行了鼓掌动作的识别结果，进而生成“关闭空调”的控制指令，并下发至智能空调，以控制智能空调关闭，实现了用户的智能家居体验。

通过上述过程，实现了目标识别模型的本地调用，使得基于视觉传感器的目标识别得以实现，充分利用了视觉传感器所具有的检测准确性高和检测效率高的优势，进而有效地提高了目标识别的准确度。

在一示例性实施例中，步骤330之后，如上所述的方法还可以包括以下步骤：

根据完成识别的图像和所述识别结果引导所述目标识别模型进行在线模型训练。

本实施例中，完成识别的图像和识别结果作为图像样本，反馈至目标识别模型，进而引导目标识别模型进行在线模型训练。

也就是说，基于离线模型训练得到的目标识别模型，还将进行在线模型训练，使得目标识别模型的预测能力随着图像样本的增加，而不断地增强，并且无需人工维护，不仅有利于降低人工成本，而且有效地提高了模型训练的智能化。

此外，通过在线模型训练，使得目标识别模型的预测能力更加贴合视觉传感器所在的用户环境，能够更加有效地保障目标识别的准确性。

在一示例性实施例中，步骤350之前，如上所述的方法还可以包括以下步骤：

接收信息读取指令，以响应于所述信息读取指令将所述识别结果以非图像形式输出。

具体地，视觉传感器可以通过所配置接口单元与外部设备交互，进而接收外部设备发送的信息读取指令。

可选地，视觉传感器所配置接口单元包括低速通信协议接口，以通过低速通信协议充分保障视觉传感器难以被扫描和破解。低速通信协议接口包括但不限于：rs232串口、rs485串口、遵循2.0低速协议的usb接口、遵循蓝牙低功耗低速协议的蓝牙接口、遵循zigbee协议的zigbee接口，以此实现非图像形式的识别结果的输出。

值得一提的是，基于低速通信协议接口，对于视觉传感器所配置的处理器而言，需要对识别结果进行格式转化，即转换为符合低速通信协议接口的低速通信协议类型，以便于低速通信协议接口输出非图像形式的识别结果。

上述过程中，对于视觉传感器而言，一方面，识别结果只允许单向地读取，即接收到信息读取指令，才允许识别结果输出，另一方面，禁止数据写入，以此降低视觉传感器被破解的风险，从而加强视觉传感器的安全性，大大降低了用户隐私泄漏的概率。

下述为本发明装置实施例，可以用于执行本发明所涉及的实现用户隐私保护的目标识别方法。对于本发明装置实施例中未披露的细节，请参照本发明所涉及的实现用户隐私保护的目标识别方法的方法实施例。

请参阅图8，一种实现用户隐私保护的目标识别装置900，应用于视觉传感器，所述装置900包括但不限于：图像获取模块910、目标识别模块930和结果输出模块950。

其中，图像获取模块910，用于获取包含待识别目标的图像。

目标识别模块930，用于对所述图像中的待识别目标进行识别，得到识别结果。

结果输出模块950，用于将所述识别结果以非图像形式输出。

需要说明的是，上述实施例所提供的实现用户隐私保护的目标识别装置在进行实现用户隐私保护的目标识别处理时，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，即实现用户隐私保护的目标识别装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。

另外，上述实施例所提供的实现用户隐私保护的目标识别装置与实现用户隐私保护的目标识别方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

请参阅图9，在一示例性实施例中，一种视觉传感器1000，包括至少一处理器1001、至少一存储器1002、以及至少一通信总线1003。

其中，存储器1002上存储有计算机可读指令，处理器1001通过通信总线1003读取存储器1002中存储的计算机可读指令。

该计算机可读指令被处理器1001执行时实现上述各实施例中的实现用户隐私保护的目标识别方法。

在一示例性实施例中，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例中的实现用户隐私保护的目标识别方法。

上述内容，仅为本发明的较佳示例性实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。