【技术实现步骤摘要】
本专利技术涉及图像安全处理，特别涉及一种基于深度学习的图像安全处理方法、系统及相关设备。
技术介绍
1、在当今的安防监控与远程查看场景中，摄像头被广泛部署于各种场所以采集图像和视频数据，并传输至云平台存储，方便用户通过手机随时查看。在这一过程中，存在图像处理的安全性问题。一方面，在传输环节一般采用普通的未加密网络协议，如http传输图像或视频流，数据容易被黑客在网络中截获，他们能够轻易获取其中的敏感信息，无论是家庭监控中的私人生活场景，还是企业监控里的商业机密画面，都存在隐私泄露的风险。另一方面，摄像头端可能因采用复杂且低效的加密算法，导致在对图像或视频进行加密时占用大量的计算资源，使得数据传输出现明显延迟。比如实时监控画面可能会出现卡顿，无法流畅显示等，严重影响用户体验感。
2、鉴于此，需要一种基于深度学习的图像安全处理方法、系统及相关设备。
技术实现思路
1、本申请实施例提供了一种基于深度学习的图像安全处理方法、系统及相关设备，用于解决用户体验感差的问题。
2、本申请实施例第一方面提供了一种基于深度学习的图像安全处理方法，包括：
3、服务器获取监控摄像头实时拍摄的图像数据信息，并利用卷积神经网络模型提取所述图像数据信息中的目标特征区域；
4、所述服务器通过aes加密算法对所述目标特征区域的数据进行加密，将生成的一级密文传输至云平台；
5、所述云平台使用abe算法将接收到的一级密文进行加密，得到二级密文；
6
7、若是，则所述云平台根据所述访问请求选择属性信息，并基于选择的属性信息确定目标数据传输协议；
8、所述云平台根据所述目标数据传输协议将所述二级密文发送至所述移动端，使得所述移动端根据预设的分层解密框架还原原始的图像数据信息。
9、更进一步地，所述服务器获取监控摄像头实时拍摄的图像数据信息，并利用卷积神经网络模型提取所述图像数据信息中的目标特征区域，包括：
10、利用卷积神经网络模型提取所述图像数据信息中视频数据信息和图片数据信息的目标特征向量；
11、基于所述视频数据信息的目标特征向量确定关键帧，通过所述关键帧确定第一特征区域；
12、基于所述图片数据信息的目标特征向量确定第二特征区域；
13、根据所述第一特征区域和第二特征区域确定目标特征区域。
14、更进一步地，所述基于所述视频数据信息的目标特征向量确定关键帧，通过所述关键帧确定第一特征区域，包括：
15、基于所述视频数据信息的目标特征向量计算特征度量值，当所述特征度量值大于等于设定的阈值时，根据所述特征度量值确定关键帧集合；
16、所述特征度量值mf：
17、
18、其中：f为关键帧，为目标特征向量，d为目标特征向量的维度。
19、更进一步地，所述云平台使用abe算法将接收到的一级密文进行加密，得到二级密文，包括：
20、设置abe算法的属性信息、主公钥和主私钥，同时构建访问结构；
21、根据所述属性信息、主公钥、主私钥和访问结构对所述云平台接收到的一级密文进行加密，得到二级密文。
22、更进一步地，当接收到移动端的访问请求时，所述云平台判断所述移动端的访问请求是否满足访问条件，包括：
23、基于所述访问请求提取用户相关属性和移动端的设备属性；
24、将所述用户相关属性和移动端的设备属性与预设的访问条件进行逐一对比，所述预设的访问条件为根据系统的安全策略和业务需求设定的一系列访问条件。
25、更进一步地，所述若是，则所述云平台根据所述访问请求选择属性信息，并基于选择的属性信息确定目标数据传输协议，包括：
26、当所述移动端的访问请求满足访问条件时，基于所述移动端的访问请求选择相关属性子集；
27、根据所述相关属性子集设置权重，基于设置的权重计算构建的数据库中各个数据传输协议的得分，
28、对比各个数据传输协议的得分确定目标数据传输协议。
29、更进一步地，所述云平台根据所述目标数据传输协议将所述二级密文发送至所述移动端，使得所述移动端根据预设的分层解密框架还原原始的图像数据信息，包括：
30、根据所述目标数据传输协议对应的格式将所述二级密文封装后发送至所述移动端，使得所述移动端根据预设的分层解密框架分别进行第一层解密和第二层解密，得到原始的图像数据信息。
31、更进一步地，所述使得所述移动端根据预设的分层解密框架分别进行第一层解密和第二层解密，得到原始的图像数据信息，包括：
32、所述移动端根据所述二级密文的加密算法类型确定解密密钥，并基于所述二级密文和对应的解密密钥进行第一层解密，得到一级密文；
33、所述移动端根据所述一级密文的加密算法类型确定解密密钥，并基于所述一级密文和对应的解密密钥进行第二层解密，得到原始图像数据信息。
34、本申请实施例第二方面提供了一种基于深度学习的图像安全处理系统，包括：
35、目标特征区域提取单元，用于服务器获取监控摄像头实时拍摄的图像数据信息，并利用卷积神经网络模型提取所述图像数据信息中的目标特征区域；
36、一级密文生成和传输单元，用于所述服务器通过aes加密算法对所述目标特征区域的数据进行加密，将生成的一级密文传输至云平台；
37、二级密文生成单元，用于所述云平台使用abe算法将接收到的一级密文进行加密，得到二级密文；
38、访问请求判断单元，用于当接收到移动端的访问请求时，所述云平台判断所述移动端的访问请求是否满足访问条件；
39、目标数据传输协议确定单元，用于当所述移动端的访问请求满足访问条件时，则所述云平台根据所述访问请求选择属性信息，并基于选择的属性信息确定目标数据传输协议；
40、图像数据信息还原单元，用于所述云平台根据所述目标数据传输协议将所述二级密文发送至所述移动端，使得所述移动端根据预设的分层解密框架还原原始的图像数据信息。
41、本申请实施例第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任意一项所述的基于深度学习的图像安全处理方法的步骤。
42、从以上技术方案可以看出，本申请实施例具有以下优点：
43、本专利技术中获取监控摄像头实时拍摄的图像数据信息的基础上，利用卷积神经网络模型实现了从视频和图片数据信息中提取目标特征向量，并进一步确定关键帧、不同类型的特征区域以及最终的目标特征区域，为后续的数据处理提供了重要的数据基础；通过aes加密算法进行一级加密，得到的一级密文保留了图像的部分加密信息，在一定程度上本文档来自技高网...
【技术保护点】
1.一种基于深度学习的图像安全处理方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，所述服务器获取监控摄像头实时拍摄的图像数据信息，并利用卷积神经网络模型提取所述图像数据信息中的目标特征区域，包括：
3.根据权利要求2所述的基于深度学习的图像安全处理方法，其特征在于，所述基于所述视频数据信息的目标特征向量确定关键帧，通过所述关键帧确定第一特征区域，包括：
4.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，所述云平台使用ABE算法将接收到的一级密文进行加密，得到二级密文，包括：
5.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，当接收到移动端的访问请求时，所述云平台判断所述移动端的访问请求是否满足访问条件，包括：
6.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，所述若是，则所述云平台根据所述访问请求选择属性信息，并基于选择的属性信息确定目标数据传输协议，包括：
7.根据权利要求1所述的基于深度学习的图像安全处理方
8.根据权利要求7所述的基于深度学习的图像安全处理方法，其特征在于，所述使得所述移动端根据预设的分层解密框架分别进行第一层解密和第二层解密，得到原始的图像数据信息，包括：
9.一种基于深度学习的图像安全处理系统，其特征在于，包括：
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至8任意一项所述的基于深度学习的图像安全处理方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的图像安全处理方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，所述服务器获取监控摄像头实时拍摄的图像数据信息，并利用卷积神经网络模型提取所述图像数据信息中的目标特征区域，包括：
3.根据权利要求2所述的基于深度学习的图像安全处理方法，其特征在于，所述基于所述视频数据信息的目标特征向量确定关键帧，通过所述关键帧确定第一特征区域，包括：
4.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，所述云平台使用abe算法将接收到的一级密文进行加密，得到二级密文，包括：
5.根据权利要求1所述的基于深度学习的图像安全处理方法，其特征在于，当接收到移动端的访问请求时，所述云平台判断所述移动端的访问请求是否满足访问条件，包括：
6.根据权利要求1所述的基于深度学习的图像安全处理方法，...
【专利技术属性】
技术研发人员：李剑维，戴智鹏，许艺静，史朝有，
申请(专利权)人：南宁师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。