[发明专利]基于卷积神经网络的安全视频异常检测系统及方法

说明书

本发明提出了一种基于卷积神经网络的安全视频异常检测系统及方法，包括以下四方：内容所有者、边缘计算服务器、随机数提供者和授权用户；内容所有者将每个密文视频帧和密文用户访问控制策略分割成两个随机秘密分享，并分别发送给两个边缘计算服务器进行存储；边缘计算服务器用于执行CNN模型的训练，为授权用户提供异常检测，并验证授权用户的访问有效性；随机数提供者分别为两台边缘计算服务器提供具有加性分享性质的随机数；授权用户向边缘计算服务器发送密文请求并接收来自两台边缘计算服务器的密文检测结果。其在确保原始视频中的相关信息隐私安全性的同时，实现了外包视频的安全异常检测，且降低了用户本地计算和通信成本。

技术领域

本发明涉及视频处理、加密视频数据处理、信息安全领域，尤其涉及一种基于卷积神经网络的安全视频异常检测系统及方法。

背景技术

近年来，监控摄像机越来越多地被应用于犯罪取证、交通分析和婴儿护理监测等领域。据著名的市场研究机构Research and Markets[1]预测，到2025年，全球视频监控市场规模将达到438亿美元，较2017年的183亿美元复合平均增长率为11.8％。随着监视摄像机的快速增长，全球监控摄像机据估计每天将会产生560千兆字节的海量视频数据^[2]。由于具有丰富的时空信息，基于视频数据的各种研究逐渐得到重视。其中针对海量视频文件的异常行为检测近年引起了学术圈和企业界的极大兴趣^[3,4]。视频异常检测的目的在于当检测到如自行车、手推车、轮椅等发生异常事件时自动报警，于此同时能从较长的视频序列中确定异常事件发生的时间窗口。在视频异常检测方面，大多数的传统方法通常聚焦于如何设计人工特征表示，以便更好地过滤出异常事件。然而，人工提取出的特征仅关注外观变化及动作线索，这种底层的特征，往往十分粗糙，无法获得良好的检测性能。

而基于卷积神经网络(CNN)的深度学习技术具有强大的特征学习能力，能够有效地避免人工提取特征方法的弊端，达到良好的视频异常检测效果。其中，自动编码网络(AE)在目标追踪和人脸对齐上有较好的表现力，常被用于捕获异常事件的时空线索^[3]。另外，长短时记忆网络(LSTM)这一分析时间事件的重要工具，可从时间的角度上解决空间运动异常的问题^[5]。虽然利用CNN技术能够得到高性能的特征表示，但复杂的CNN模型训练需要高昂的计算成本和高硬件配置，这是资源受限的普通用户所难以承担的。此外，海量视频数据样本存储也给普通用户带来了巨大的挑战。解决上述问题的通用解决方案是利用云计算技术。然而，由于长距离通信容易导致数据丢失和传输延迟，因此改用边缘计算技术不失为更好的选择。利用边缘计算技术，大量的计算和存储任务可以转移到接近用户的互联网边缘，从而确保数据完整性和响应的及时性^[6]。但是外包边缘计算服务器会导致用户失去对数据的控制，这将引起人们对数据隐私安全问题的担忧。同样的安全问题也存在于云计算技术中。为了解决数据隐私保护问题，同态加密技术已被尝试用于CNN模型训练。然而，其高计算成本和数据扩展的缺点无法在实际应用中得以推广。目前，这个领域仍然缺乏一种可行的方法，可以支持隐私保护的视频异常检测方案。

[1]“Video surveillance market to 2025-global analysis and forecastsby platforms(hardware and software),”https://www.researchandmarkets.com/research/zn5s9z/global video？w＝5.

[2]L.Tian,H.Wang,Y.Zhou,and C.Peng,“Video big data in smart city:Background construction and optimization for surveillance video processing,”Future Generation Computer Systems,2018.