本發(fā)明涉及視頻流量分析技術(shù)，具體涉及一種基于多示例學(xué)習(xí)的隱蔽攝像頭發(fā)現(xiàn)方法及系統(tǒng)。

背景技術(shù)：

1、對隱蔽攝像頭的主動檢測是用戶預(yù)防隱私泄漏的的重要手段。目前的檢測手段之一主要通過感知和分析攝像頭設(shè)備的發(fā)出的特殊物理信號來發(fā)現(xiàn)設(shè)備，如無線電、紅外線、聲波等。還有一類方法是通過分析攝像頭的運(yùn)行對環(huán)境因素的影響來側(cè)面識別設(shè)備。

2、從無線信號角度來說，已有檢測隱藏?cái)z像頭的主流方法依賴于射頻接收器，該接收器感測特定頻率范圍內(nèi)的接收功率是否高于特定閾值。然而，由于此類探測器的工作原理是感測周圍的射頻信號，它們很容易被手機(jī)、收音機(jī)、智能電視和其他智能設(shè)備等合法的射頻設(shè)備觸發(fā)，從而限制了這些探測器的實(shí)用性。此外，還出現(xiàn)了一種單純基于網(wǎng)絡(luò)流量統(tǒng)計(jì)來檢測物聯(lián)網(wǎng)設(shè)備是否存在的替代方法。然而，這些方法僅確定設(shè)備的存在，而沒有關(guān)于設(shè)備信息、位置或設(shè)備是否實(shí)際上正在監(jiān)視用戶的語義信息。而且如果所處網(wǎng)絡(luò)環(huán)境內(nèi)有視頻直播、視頻通話、視頻會議等服務(wù)運(yùn)行，此類單純的網(wǎng)絡(luò)流量統(tǒng)計(jì)方法會有很高的誤報(bào)率，對于用戶的實(shí)際使用存在很大影響。類似的，還有一類方法，將可信攝像機(jī)的wifi流量模式與網(wǎng)絡(luò)上其他隱藏?cái)z像機(jī)的wifi流量模式相關(guān)聯(lián)，以檢測它們是否同時(shí)觀察同一空間。但是，這些特定于相機(jī)的方法無法跨模式推廣，對于實(shí)際應(yīng)用而言，還需要使用者隨身攜帶一個(gè)攝像頭，對于用戶來說極為不便。

3、例如專利cn113038375a公開一種隱蔽攝像頭感知、定位方法及系統(tǒng)，該技術(shù)方案先需要判斷目的地址與本機(jī)是否匹配，再需要將探測設(shè)備連接入攝像頭所在wifi，而實(shí)際場景可能無法確定隱藏?cái)z像頭的wifi。另外，該技術(shù)方案攝像頭感知方法中沒有區(qū)分?jǐn)z像頭流量與其他視頻流量特征，如視頻通話、視頻點(diǎn)播碼，還有其需要調(diào)用手機(jī)運(yùn)動軌跡，但手機(jī)的運(yùn)動感知對于小范圍環(huán)境的誤差較大，難以準(zhǔn)確獲取用戶移動距離。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的在于解決現(xiàn)有技術(shù)中存在的不足，提供一種基于多示例學(xué)習(xí)的隱蔽攝像頭發(fā)現(xiàn)方法及系統(tǒng)。

2、技術(shù)方案：本發(fā)明的一種基于多示例學(xué)習(xí)的隱蔽攝像頭發(fā)現(xiàn)方法，包括以下步驟：

3、步驟1、嗅探設(shè)備開啟混淆模式，使用空口抓包方法對環(huán)境內(nèi)的所有wifi信號進(jìn)行嗅探，并對2.4g頻段下所有的頻道進(jìn)行掃描，抓取一定時(shí)間段內(nèi)的流量，并從抓取到的流量報(bào)文中提取視頻流特征向量；

4、步驟2、基于決策樹構(gòu)建的視頻流識別模型m1，將視頻流特征向量輸入視頻流識別模型m1，通過視頻流識別模型m1識別出環(huán)境內(nèi)包含視頻流的wifi報(bào)文，獲取對應(yīng)的源mac地址集合cs1，并將源mac地址集合cs1中的mac地址標(biāo)記為可能的隱蔽攝像頭設(shè)備；

5、步驟3、將源mac地址集合cs1中每個(gè)mac地址對應(yīng)的實(shí)時(shí)報(bào)文作為輸入，使用滑動窗口方法，以5秒為一個(gè)窗口，提取報(bào)文的特征向量，并組合成多示例的特征向量序列vseq，再通過基于多示例的攝像頭流量發(fā)現(xiàn)模型m2，識別出該mac地址的上行流量有無突發(fā)視頻流量；

6、步驟4、用戶通過人為移動的方式觸發(fā)突發(fā)視頻流量，系統(tǒng)獲取用戶移動的開始和結(jié)束時(shí)間，并同時(shí)對比該時(shí)間區(qū)間內(nèi)攝像頭流量發(fā)現(xiàn)模型m2的輸出結(jié)果，來判斷當(dāng)前區(qū)域有無隱蔽攝像頭正在拍攝，如果確定有隱蔽攝像頭正在拍攝，則輸出隱蔽攝像頭數(shù)量以及每個(gè)隱蔽攝像頭的mac地址，得到隱蔽攝像頭的mac地址集合cs2。

7、進(jìn)一步地，所述步驟1中提取視頻流特征向量時(shí)，基于攝像頭的wifi流量特點(diǎn)以5秒作為采集時(shí)間窗口，將收集的數(shù)據(jù)劃分為多個(gè)序列，并針對每個(gè)序列中的每個(gè)mac地址提取視頻流量特征，具體包括以下視頻流量特征：

8、send_num特征，是指某mac地址在5秒內(nèi)發(fā)送報(bào)文的總數(shù)量，表示該設(shè)備發(fā)送報(bào)文的頻繁程度；

9、recv_num特征，是指mac地址在5秒內(nèi)接收報(bào)文的總數(shù)量，表示該設(shè)備接收報(bào)文的頻繁程度；

10、data_type特征，是指統(tǒng)計(jì)該mac地址在5秒內(nèi)發(fā)送的所有報(bào)文的幀類型并取平均值，表示該設(shè)備發(fā)送報(bào)文中對不同數(shù)據(jù)類型的傾向；

11、data_subtype特征，是指統(tǒng)計(jì)該mac地址在5秒內(nèi)發(fā)送的所有報(bào)文的幀子類型并取平均值，表示該設(shè)備發(fā)送報(bào)文的細(xì)粒度數(shù)據(jù)類型，包括是否為qos報(bào)文；

12、send_length_mean特征，是指該mac地址在5秒內(nèi)發(fā)送的所有報(bào)文的平均長度，表示該設(shè)備每次發(fā)送數(shù)據(jù)包含的信息量大??；

13、send_length_var特征，是指該mac地址在5秒內(nèi)發(fā)送的所有報(bào)文的長度方差，表示該設(shè)備發(fā)送數(shù)據(jù)的變化幅度；

14、recv_length_mean特征，是指該mac地址在5秒內(nèi)接收的所有報(bào)文的平均長度，表示該設(shè)備收到數(shù)據(jù)的信息量大?。?/p>

15、recv_length_var特征，是指該mac地址在5秒內(nèi)接收的所有報(bào)文的長度方差，表示該設(shè)備收到數(shù)據(jù)的變化幅度。

16、進(jìn)一步地，所述步驟2根據(jù)提取到的每個(gè)mac地址對應(yīng)的報(bào)文特征，通過視頻流識別模型m1識別出包含視頻流信息的報(bào)文，并將該類報(bào)文的源mac地址初步認(rèn)定為攝像頭地址，即得到疑似攝像頭的mac地址集合cs1；所述視頻流識別模型m1的構(gòu)建方法為：

17、步驟a、構(gòu)建訓(xùn)練集，即采集攝像頭與非攝像頭流量，并基于已知mac地址及實(shí)際設(shè)備類型對其所屬類別進(jìn)行標(biāo)記；

18、步驟b、訓(xùn)練分類模型，即將訓(xùn)練集導(dǎo)入已初始化的決策樹分類模型中，并基于模型預(yù)測結(jié)果與實(shí)際結(jié)果之間的偏差計(jì)算信息增益，進(jìn)而對決策樹模型進(jìn)行優(yōu)化，最終構(gòu)建最優(yōu)的決策樹分類模型；

19、步驟c、優(yōu)化模型，即對步驟b所得最優(yōu)的決策樹分類模型進(jìn)行后剪枝優(yōu)化，以確保其訓(xùn)練結(jié)果不會出現(xiàn)過擬合等情況。

20、進(jìn)一步地，所述步驟3中源mac地址集合cs1中各個(gè)mac地址代表發(fā)送視頻數(shù)據(jù)的設(shè)備，將無線嗅探到的報(bào)文根據(jù)mac地址分類，分別對每個(gè)mac地址的5s內(nèi)的報(bào)文提取特征向量v，每次提取10s-20s的報(bào)文(具體時(shí)間根據(jù)用戶交互操作)，設(shè)置不同的重疊度，可以得到每個(gè)mac地址對應(yīng)的不同長度的特征向量序列vseq，再把特征向量序列vseq作為攝像頭流量發(fā)現(xiàn)模型m2的輸入，輸出結(jié)果表示最近10-20s內(nèi)的mac地址對應(yīng)的報(bào)文里有無突發(fā)視頻流量。

21、進(jìn)一步地，基于多示例的攝像頭流量發(fā)現(xiàn)模型m2的構(gòu)建方法為：

22、步驟a、采集訓(xùn)練數(shù)據(jù)，將全過程中無移動行為的攝像頭流量作為負(fù)示例包數(shù)據(jù)，將過程中存在移動行為的攝像頭流量作為正示例包，具體方法為：

23、首先，在一個(gè)確保無人的環(huán)境使用無線流量嗅探方法采集攝像頭的靜態(tài)畫面數(shù)據(jù)，在此過程中，收集到的全部流量均不包含移動流量特征，因此可將其用于負(fù)示例包數(shù)據(jù)的生成；隨后，通過在攝像頭監(jiān)控范圍內(nèi)外保持移動狀態(tài)，不斷出入攝像頭畫面的方法采集攝像頭的動態(tài)畫面數(shù)據(jù)，在此過程中，收集到的流量同時(shí)包含有代表移動與靜止的正負(fù)示例；基于多示例學(xué)習(xí)的思想，取一段較長的時(shí)間序列用于生成正示例包，以確保該段序列內(nèi)除了存在不確定數(shù)量的負(fù)示例外，一定存在部分正示例數(shù)據(jù)，因此可以在多示例學(xué)習(xí)場景下被標(biāo)記為正示例包；

24、步驟b、設(shè)計(jì)模型架構(gòu)

25、基于輸入的無線流量數(shù)據(jù)構(gòu)建多示例包，后續(xù)的分類網(wǎng)絡(luò)由三個(gè)全連接層、一個(gè)池化層和一個(gè)激活層組成；全連接層提取示例級別的特征表示向量，隨后基于池化層對整個(gè)示例包級別的特征表示進(jìn)行學(xué)習(xí)，激活層基于獲得的示例包級別的表示向量計(jì)算分類結(jié)果，由此實(shí)現(xiàn)隱蔽攝像頭定位的包分類問題；本發(fā)明中全連接層與池化層的目的是學(xué)習(xí)一個(gè)表示整體示例包的特征表示向量，并最終由激活層進(jìn)行分類結(jié)果計(jì)算，該模型實(shí)是一個(gè)遵循嵌入空間范式的深度多示例學(xué)習(xí)模型；

26、通過下述公式對模型進(jìn)行描述：

27、

28、其中，代表第l層提取的特征向量，i為示例包編號，j為其內(nèi)的示例編號，yi代表第i個(gè)示例包的分類結(jié)果，l為模型的最大層數(shù)，hl為模型的第l層全連接層，ml為模型最后的計(jì)算層，包含一個(gè)mil池化層和最終的激活層。

29、本發(fā)明還公開一種多示例學(xué)習(xí)的隱蔽攝像頭發(fā)現(xiàn)方法的系統(tǒng)，包括無線嗅探模塊、mac地址過濾模塊、突發(fā)視頻流分析模塊、對比判斷模塊；

30、無線嗅探模塊開啟混雜模式，對區(qū)域內(nèi)的wifi信號進(jìn)行空口抓包，為保證盡可能發(fā)現(xiàn)所有可能的隱蔽攝像頭，需要對2.4g頻段下所有頻道進(jìn)行跳頻采集；

31、mac地址過濾模塊先對嗅探到的報(bào)文提取特征向量，使用基于決策樹方法的視頻流識別模型m1，對嗅探到的wifi報(bào)文進(jìn)行識別，得到發(fā)送視頻流的設(shè)備mac地址集合cs1；

32、突發(fā)視頻流分析模塊將初步過濾得到的mac地址集合cs1作為依據(jù)，將每個(gè)包含mac源地址的報(bào)文分類，提取多示例特征向量，使用攝像頭流量發(fā)現(xiàn)模型，判斷最近一段時(shí)間內(nèi)是否出現(xiàn)突發(fā)視頻流；

33、序列比對模塊將用戶交互得到的人體移動時(shí)間段與該時(shí)間段內(nèi)某mac源地址的報(bào)文是否出現(xiàn)突發(fā)視頻流的結(jié)果進(jìn)行對比判斷，可以得出判斷為隱蔽攝像頭的設(shè)備mac地址，最終得到區(qū)域內(nèi)的隱蔽攝像頭數(shù)量及對應(yīng)mac地址。

34、有益效果：本發(fā)明將多示例學(xué)習(xí)模型用于隱蔽攝像頭發(fā)現(xiàn)，通過引入人體移動導(dǎo)致突發(fā)視頻流量包含多示例特征，提高隱蔽攝像頭發(fā)現(xiàn)的準(zhǔn)確性。廣泛的實(shí)驗(yàn)證明了本方法的有效性，且在實(shí)際物理環(huán)境進(jìn)行測試，針對四類品牌多臺設(shè)備，采集100條樣本，發(fā)現(xiàn)準(zhǔn)確率平均為95％，可以得出本發(fā)明提出的方法具有較好性能、較高準(zhǔn)確率的結(jié)論。