智能防偷窥的电子设备显示方法、系统和电子设备技术方案

本申请公开了一种智能防偷窥的电子设备显示方法、系统和电子设备。其通过结合基于整体图像的姿态识别和基于面部图像的意图识别，同时通过高斯密度图有效地在卷积神经网络映射下的高维特征空间中对两者进行特征融合，进一步再通过特征的离散化增广以在融合时不产生信息损失，并且采用高斯混合模型通过加权系数来对所述各个高斯分布之间实现了响应均一化，从而实现了对特征尺度的鲁棒性，能够有效地消除所述特征尺度之间的差异。这样，可以对待监测的人物是否有偷窥意图进行准确地识别，从而在检测到有人有偷窥意图时对屏幕内容进行有效地保护。行有效地保护。行有效地保护。

【技术实现步骤摘要】
智能防偷窥的电子设备显示方法、系统和电子设备


[0001]本专利技术涉及智能防偷窥的领域，且更为具体地，涉及一种智能防偷窥的电子设备显示方法、系统和电子设备。

技术介绍

[0002]随着信息科学技术的发展，网络以及网络终端的各种电子产品已经与人的日常生活密不可分。目前电子产品的信息显示方式大多还是通过屏幕来传达给使用者，这就很容易导致使用者的信息被窥视和泄露，特别在某些保密性很强和要处理个人私密信息的时候。
[0003]实现电脑屏幕防窥视主要有主动防窥、被动防窥两种方法。被动防窥就是采用特殊屏幕贴膜，在一定角度下看不到屏幕内容。主动防窥则检测是否有人到达可视范围，有人则主动隐藏电脑窗口或者直接进入屏幕保护模式，以达到防窥视的目的。比较以上两种，显然主动防窥安全性更好一点，适用于一些保密性要求比较高的场合。
[0004]但是，大部分主动防窥的方法是一旦检测到有非使用者以外的人员在窥视屏幕的内容时就让屏幕进入保护模式，但进入屏幕保护模式时，使用者也无法看到屏幕上的内容。任何安防系统都有灵敏性和准确性的矛盾问题，也就是，如果防窥检测过于敏感，例如一旦检测到有人，则自动地切换到屏幕保护模式，这样就会影响使用者的正常使用，但如果防窥检测过于不敏感，则会导致内容泄露。因此，在确认是否开启屏幕保护之前，准确地分析并判断用户是否有偷窥意图是非常重要的。
[0005]因此，期待一种能够对待监测的人物是否有偷窥意图进行准确地识别，以达到防偷窥在灵敏性和准确性两方面的统一的智能防偷窥的电子设备显示方案。
专利
技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能防偷窥的电子设备显示方法、系统和电子设备，其通过结合基于整体图像的姿态识别和基于面部图像的意图识别，同时通过高斯密度图有效地在卷积神经网络映射下的高维特征空间中对两者进行特征融合，进一步再通过特征的离散化增广以在融合时不产生信息损失，并且采用高斯混合模型通过加权系数来对所述各个高斯分布之间实现了响应均一化，从而实现了对特征尺度的鲁棒性，能够有效地消除所述特征尺度之间的差异。这样，可以对待监测的人物是否有偷窥意图进行准确地识别，从而在检测到有人有偷窥意图时对屏幕内容进行有效地保护。
[0007]根据本申请的一个方面，提供了一种智能防偷窥的电子设备显示方法，其包括：
[0008]获取预定时间内的一系列时间点的待监测人物的全身图像；
[0009]将所述一系列时间点的待监测人物的全身图像输入作为过滤器的第一卷积神经网络以获得第一特征向量；
[0010]获取所述一系列时间点的待监测人物的面部图像；
[0011]将所述一系列时间点的待监测人物的面部图像输入作为过滤器的第二卷积神经网络以获得第二特征向量；
[0012]对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，所述高斯分布向量的每个位置为一个高斯分布，其中，所述基于高斯密度图的融合表示以所述第一特征向量和所述第二特征向量的每个位置的特征值间的均值构建的均值向量作为所述高斯密度图的均值向量和以所述第一特征向量和所述第二特征向量的每个位置之间的方差构建的协方差矩阵作为所述高斯密度图的协方差矩阵来构建所述高斯密度图；
[0013]基于长度与所述高斯分布向量的向量长度相同的加权向量，计算所述高斯分布向量的高斯混合模型，其中，所述加权向量的各个位置的权值为1；
[0014]对所述高斯混合模型的每个位置的高斯分布进行高斯离散化以获得特征矩阵；
[0015]将所述特征矩阵通过分类器以获得用于表示待监测人物是否有偷窥意图的分类结果；以及
[0016]响应于所述分类结果为待监测人物有偷窥意图，启动屏幕保护模式。
[0017]在上述智能防偷窥的电子设备显示方法中，将所述一系列时间点的待监测人物的全身图像输入作为过滤器的第一卷积神经网络以获得第一特征向量，包括：所述第一卷积神经网络的除最后一层以外的各层以如下公式对所述一系列时间点的待监测人物的全身图像进行空间编码以获得第一特征图；
[0018]所述公式为：
[0019]f
i
＝Sigmoid(N
i
×
f
i
‑1+B
i
)
[0020]其中，f
i
‑1为第i层第一卷积神经网络的输入，f
i
为第i层第一卷积神经网络的输出，N
i
为第i层第一卷积神经网络的过滤单元，且B
i
为第i层第一卷积神经网络的偏置矩阵，Sigmoid表示非线性激活函数；以及，所述第一卷积神经网络的最后一层对所述第一特征图进行沿高度维度和宽度维度的全局池化处理以获得所述第一特征向量。
[0021]在上述智能防偷窥的电子设备显示方法中，将所述一系列时间点的待监测人物的面部图像输入作为过滤器的第二卷积神经网络以获得第二特征向量，包括：所述第一卷积神经网络的除最后一层以外的各层以如下公式对所述一系列时间点的待监测人物的面部图像进行空间编码以获得第二特征图；
[0022]所述公式为：
[0023]f
i
＝Sigmoid(N
i
×
f
i
‑1+B
i
)
[0024]其中，f
i
‑1为第i层第二卷积神经网络的输入，f
i
为第i层第二卷积神经网络的输出，N
i
为第i层第二卷积神经网络的过滤单元，且B
i
为第i层第二卷积神经网络的偏置矩阵，Sigmoid表示非线性激活函数；以及，所述第二卷积神经网络的最后一层对所述第二特征图进行沿高度维度和宽度维度的全局池化处理以获得所述第二特征向量。
[0025]在上述智能防偷窥的电子设备显示方法中，对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，包括：将所述第一特征向量和所述第二特征向量中各个位置的特征值转化到0到1的概率区间内以获得第一概率化特征向量和第二概率化特征向量；以及，以如下公式对所述第一概率化特征向量和所述第二概率化特征向量进行基于高斯密度图的融合以获得所述高斯分布向量，其中，所述公式为：
[0026][0027]其中，μ(f1,f2)表示计算所述第一概率化特征向量和所述第二概率化特征向量的每个位置的特征值间的均值作为高斯分布的均值以得到所述高斯特征图的均值向量，且∑(f1,f2)表示计算所述第一概率化特征向量和所述第二概率化特征向量之间的每个位置的特征值之间的方差以得到所述高斯特征图的协方差矩阵。
[0028]在上述智能防偷窥的电子设备显示方法中，对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，包括：以如下公式对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得所述高斯分布向量，其中，所述公式为：...

【技术保护点】

【技术特征摘要】
1.一种智能防偷窥的电子设备显示方法，其特征在于，包括：获取预定时间内的一系列时间点的待监测人物的全身图像；将所述一系列时间点的待监测人物的全身图像输入作为过滤器的第一卷积神经网络以获得第一特征向量；获取所述一系列时间点的待监测人物的面部图像；将所述一系列时间点的待监测人物的面部图像输入作为过滤器的第二卷积神经网络以获得第二特征向量；对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，所述高斯分布向量的每个位置为一个高斯分布，其中，所述基于高斯密度图的融合表示以所述第一特征向量和所述第二特征向量的每个位置的特征值间的均值构建的均值向量作为所述高斯密度图的均值向量和以所述第一特征向量和所述第二特征向量的每个位置之间的方差构建的协方差矩阵作为所述高斯密度图的协方差矩阵来构建所述高斯密度图；基于长度与所述高斯分布向量的向量长度相同的加权向量，计算所述高斯分布向量的高斯混合模型，其中，所述加权向量的各个位置的权值为1；对所述高斯混合模型的每个位置的高斯分布进行高斯离散化以获得特征矩阵；将所述特征矩阵通过分类器以获得用于表示待监测人物是否有偷窥意图的分类结果；以及响应于所述分类结果为待监测人物有偷窥意图，启动屏幕保护模式。2.根据权利要求1所述的智能防偷窥的电子设备显示方法，其中，将所述一系列时间点的待监测人物的全身图像输入作为过滤器的第一卷积神经网络以获得第一特征向量，包括：所述第一卷积神经网络的除最后一层以外的各层以如下公式对所述一系列时间点的待监测人物的全身图像进行空间编码以获得第一特征图；所述公式为：f
i
＝Sigmoid(N
i
×
f
i
‑1+B
i
)其中，f
i
‑1为第i层第一卷积神经网络的输入，f
i
为第i层第一卷积神经网络的输出，N
i
为第i层第一卷积神经网络的过滤单元，且B
i
为第i层第一卷积神经网络的偏置矩阵，Sigmoid表示非线性激活函数；以及所述第一卷积神经网络的最后一层对所述第一特征图进行沿高度维度和宽度维度的全局池化处理以获得所述第一特征向量。3.根据权利要求2所述的智能防偷窥的电子设备显示方法，其中，将所述一系列时间点的待监测人物的面部图像输入作为过滤器的第二卷积神经网络以获得第二特征向量，包括：所述第一卷积神经网络的除最后一层以外的各层以如下公式对所述一系列时间点的待监测人物的面部图像进行空间编码以获得第二特征图；所述公式为：f
i
＝Sigmoid(N
i
×
f
i
‑1+B
i
)其中，f
i
‑1为第i层第二卷积神经网络的输入，f
i
为第i层第二卷积神经网络的输出，N
i
为
第i层第二卷积神经网络的过滤单元，且B
i
为第i层第二卷积神经网络的偏置矩阵，Sigmoid表示非线性激活函数；以及所述第二卷积神经网络的最后一层对所述第二特征图进行沿高度维度和宽度维度的全局池化处理以获得所述第二特征向量。4.根据权利要求1所述的智能防偷窥的电子设备显示方法，其中，对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，包括：将所述第一特征向量和所述第二特征向量中各个位置的特征值转化到0到1的概率区间内以获得第一概率化特征向量和第二概率化特征向量；以及以如下公式对所述第一概率化特征向量和所述第二概率化特征向量进行基于高斯密度图的融合以获得所述高斯分布向量，其中，所述公式为：其中，μ(f1,f2)表示计算所述第一概率化特征向量和所述第二概率化特征向量的每个位置的特征值间的均值作为高斯分布的均值以得到所述高斯特征图的均值向量，且∑(f1,f2)表示计算所述第一概率化特征向量和所述第二概率化特征向量之间的每个位置的特征值之间的方差以得到所述高斯特征图的协方差矩阵。5.根据权利要求3所述的智能防偷窥的电子设备显示方法，其中，对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，包括：以如下公式对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融...

【专利技术属性】
技术研发人员：周鹏儿，唐小勇，李长叶，吴智灿，
申请(专利权)人：深圳市辰星瑞腾科技有限公司，
类型：发明
国别省市：