本发明属于摄像头技术领域,具体涉及一种图像数据保护识别系统及其方法与摄像头、终端。
背景技术:
iot日益盛行的今天,智能设备通常都需具备联网功能,设备联网增大了设备被网络破解、导致数据外流的风险,使得数据安全越来越受到重视;传统的网络摄像头识别物体,通常是将视频流数据传送至云端做识别处理、再将结果返回至终端;这就可能出现由于网络传输,导致图像识别的时滞性及数据被截获的风险,且为了保护数据的安全性、实时性经常要对云端进行维护;因此,在智能终端直接做图像识别,在今后会是比较常用的做法。
技术实现要素:
为了解决上述摄像头通过云端识别物体,可能出现时滞性及数据被截获的风险,且云端维护成本高等问题,本发明提供一种图像识别数据保护系统及其方法与摄像头、终端。
为实现上述目的,本发明所采用的技术方案是:一种图像数据保护识别方法,其方法如下:
采集原始视频数据流;
结合密码钥匙对获取的视频数据流加密成加密视频数据流;
通过神经网络获得密码钥匙对加密视频数据流进行解密操作;
直至输出图像识别结果。
进一步的,视频数据流进行加密操作前,对视频数据流进行分段处理。
进一步的,解密操作采用分段解密,对每个小数据量的数据进行解密。
进一步的,神经网络解密后的数据存放在仅神经网络可见的存储器中。
进一步的,解密后的数据存放在静态随机存取存储器中。
一种图像数据保护识别系统,包括采集模块、加密模块、神经网络模块、存储模块,所述
存储模块,用于存储加密算法的密码钥匙;
采集模块,用于采集原始视频数据流;
加密模块,用于通过结合密码钥匙对获取的视频数据流加密成加密视频数据流;
神经网络模块,用于通过神经网络获得密码钥匙对加密视频数据流进行解密操作,并输出图像识别结果。
进一步的,神经网络模块还包括存储单元,用于存储神经网络解密后的数据。
进一步的,加密模块包括分段加密单元,用于将视频数据流进行分段加密处理。
进一步的,神经网络模块还包括分段解密单元,用于将分段加密处理的数据流进行分段解密。
进一步的,神经网络模块包括cnn神经网络、dnn神经网络、rnn神经网络中的一种或多种。
一种摄像头,包括控制器,还包括上述的图像数据保护识别系统,所述图像识别数据保护系统与控制器相互独立设置。
一种终端,包括扫地机器人、智能风扇、手机,具有上述的摄像头。
本发明提供一种图像数据保护识别方法,通过采集原始视频数据流;结合密码钥匙对获取的视频数据流加密成加密视频数据流;通过神经网络获得密码钥匙对加密视频数据流进行解密操作;直至输出图像识别结果,实现在摄像头终端对图像内容的识别,避免数据传输到云端识别过程中,数据被截获的风险;且由于省去了云端的介入,使得智能终端摄像头在实时性、安全性上有了较大的提高;同时省去了云端维护费用,降低智能摄像头的维护成本。
附图说明
图1为图像数据保护识别系统的结构示意图;
图2为图像数据保护识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
一种终端,包括扫地机器人、智能风扇、手机等,所述终端上具有下面所述的摄像头。
如图1所示,一种图像数据保护识别系统,包括存储模块1、采集模块2、加密模块3、神经网络模块4,所述
存储模块1,用于存储加密算法的密码钥匙;即设计一种存储类硬件ip模块(为方便后续描述,将该ip模块简称为store_ip),该模块用于存储加密算法所必须的key,同时,该ip模块只能被特定的ip模块进行数据访问,却不能被cpu所访问;
采集模块2,用于采集采集原始视频数据流,即通过摄像头数据接口采集原始视频数据流;
加密模块3,用于通过结合密码钥匙对获取的视频数据流加密成加密视频数据流;加密模块包括分段加密单元,用户将视频数据流进行分段加密处理;也就是利用store_ip模块中存储的加密key配合加密模块,对视频数据流进行加密,加密后的数据流可以放在任意存储介质,如外部的sdram,ddr等;由于该数据是经过加密处理的数据,外部手段在不了解加密算法原理及key时,是无法获得该视频流的原始数据;
神经网络模块4,用于通过神经网络获得密码钥匙对加密视频数据流进行解密操作,并输出图像识别结果;
神经网络模块包括存储单元、分段解密单元,所述分段解密单元用于将分段加密处理的数据流进行分段解密;
所述存储单元用于存储解密处理后的视频数据流,且所述解密的视频数据流仅对神经网络模块可见,即神经网络cnn模块利用解密模块配合store_ip模块的key对加密后的数据流进行解密操作,并将解密后的数据存放在仅神经网络cnn模块的可见的sram中;
神经网络模块包括cnn神经网络、dnn神经网络、rnn神经网络,其具备多种、甚至上千种常见物体的识别功能,神经网络模块具备cnn、dnn、rnn网络结构运算能力,能够识别多种神经网络模型;因此,对于常见物体的识别,完全可以放在摄像头终端处理完成,省去了将视频数据流传送至云端的过程、提高了图像识别的实时性及节省了云端维护成本。
如图2所示,一种图像数据保护识别方法,使用上述的图像数据保护识别系统,其方法如下:
s1:采集原始的视频数据流;
即通过摄像头数据接口采集原始的视频数据流;
s2:结合密码钥匙对获取的视频数据流加密成加密视频数据流;
加密视频数据流存储于内部和/或外部sram、sdram、ddr,也就是对利用store_ip模块中存储的加密key配合加密模块,对视频数据流进行加密,加密后的数据流可以放在任意存储介质,如外部的sdram,ddr等;由于该数据是经过加密处理的数据,外部手段在不了解加密算法原理及key时,是无法获得该视频流的原始数据;
s3:通过神经网络获得密码钥匙对加密视频数据流进行解密操作,直至输出图像识别结果;
即神经网络cnn模块利用解密模块配合store_ip模块的key对加密后的数据流进行解密操作,并将解密后的数据存放在仅神经网络cnn模块的可见的sram中;
由于视频数据流在摄像头分辨率较高时,数据量通常比较大;而神经网络cnn模块sram容量通常比较小;为此,加密模块对提供视频流数据应用分段加密技术(encrypt_as_block)进行分段处理,解密模块提供分段加密技术(decrypt_as_block)对每个小数据量的数据进行解密;神经网络xnn模块对每个block数据进行图像识别,直至整个图像数据解密完成,给出图像识别结果。
神经网络xnn模块具备多种、甚至上千种常见物体的识别功能。该模块具备常见的cnn、dnn、rnn网络结构运算能力,能够识别多种神经网络模型;因此,对于常见物体的识别,完全可以放在摄像头终端处理完成,省去了将视频数据流传送至云端的过程、提高了图像识别的实时性及节省了云端维护成本。
上述仅为本发明的优选具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。