一种图像数据保护识别系统及其方法与摄像头、终端与流程

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。