[发明专利]一种针对拍屏行为的自动检测告警方法及系统

说明书

本发明公开了一种针对拍屏行为的自动检测告警方法及系统，其中，自动检测告警方法包括文件检测步骤、拍屏检测步骤和检测关闭步骤；本发明在受保护文件被打开时开启物体检测模型进行拍屏行为检测，在受保护文件被关闭时关闭物体检测模型，因此确保了仅检测拍屏受保护文件的行为，从而不影响正常拍屏其他文件的行为；本发明使用训练好的物体检测模型进行拍屏行为的检测，因此提高了检测的准确性；本发明通过摄像头获取PC端使用者的实时视频，对实时视频进行拍屏行为的检测，确保了检测的实时性。

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种针对拍屏行为的自动检测告警方法及系统。

背景技术

如今在国家政务、安全、科技、军事等领域存在许多受保护信息，这些信息以文件的形式存在各种存储介质中，当相关人员使用PC端处理这些文件时，如果缺乏监管，有可能会出现利用手机、相机等设备对屏幕进行拍摄的行为，这种行为较为隐秘且危害极大。

因此需要设计一种自动检测告警方法，该方法针对手机、相机等设备对受保护文件的拍屏行为，同时不影响相关人员正常拍屏其他文件的行为。

目前这一领域的研究较少，相关研究主要集中在针对使用手机的行为进行检测，缺乏对拍屏受保护文件的这一行为的针对性检测。

为了便于理解本发明，以下对有关术语和相关概念进行解释：

物体检测模型：常用的用于完成目标物体检测任务的深度学习模型；物体检测模型的输入是图片，输出的图片中通常包含以下两种检测框：(1)正确检测框：成功检测出目标物体，并用检测框进行标识；(2)误检框：将背景检测为目标物体，检测框里的内容是背景；常用的物体检测模型有ssd、yolo等；

数据增强：图像领域的常用技术，主要包括以下八种操作：翻转变换，随机修剪，色彩抖动，平移变换，尺度变换，对比度变换，随机噪声，仿射变换；

召回率：深度学习中常用的评价指标，计算公式为：recall＝TP/(TP+FN)，其中TP表示真阳性，即模型预测为正例、实际为正例的样本个数，FN表示假阴性，即模型预测为负例、实际为正例的样本个数；

准确率：深度学习中常用的评价指标，计算公式为：accuracy＝(TP+TN)/(P+N)，其中TN表示真阴性，即模型预测为负例、实际为负例的样本个数，P+N表示所有的样本数。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种针对拍屏行为的自动检测告警方法及系统，旨在解决拍屏受保护信息的行为能被检测的问题。

为实现上述目的，本发明提供了一种针对拍屏行为的自动检测告警方法，用于PC端和检测端之间的通信，PC端存储受保护文件，检测端安装训练好的物体检测模型；包括以下步骤：

(1)文件检测步骤：

PC端检测到受保护文件被打开且所述物体检测模型未启动时，发送模型开启指令到检测端，执行步骤(2)；当检测到受保护文件未被打开且所述物体检测模型正在运行时，发送模型关闭指令到检测端，执行步骤(3)；

(2)拍屏检测步骤：

检测端开启摄像头，同时开启所述物体检测模型对摄像头采集的PC端使用者的实时视频流进行实时检测，当检测到拍屏行为时，向PC端发送告警信息；

(3)检测关闭步骤：

检测端关闭摄像头和所述物体检测模型。

优选地，所述文件检测步骤包括以下子步骤：

(1-1)初始化子步骤：

PC端将模型状态的值设定为否；

模型状态的值有两种：是和否；是表示所述物体检测模型已开启；否表示所述物体检测模型已关闭；