一种用于检测视频监控设备的方法和电子设备技术

本申请提供了一种用于检测视频监控设备的方法及电子设备，该方法及电子设备根据电子设备周边的接入点信息确定目标检测信道，其中，该信道的信号强度大于或等于预设阈值，和/或该信道为频段为2.4GHz频段的信道；获取该信道内对应目标设备的流量数据，根据该流量数据和检测模型判断目标设备是否为视频监控设备。该本申请提供的方案可以提高视频监控设备检测的全面性和准确性，从而可以减少用户隐私被侵犯事件的发生，保证用户的隐私安全。保证用户的隐私安全。保证用户的隐私安全。

【技术实现步骤摘要】
一种用于检测视频监控设备的方法和电子设备


[0001]本申请涉及视频监控设备检测
，尤其涉及一种用于检测视频监控设备的方法和电子设备。

技术介绍

[0002]近年来，出租屋和酒店等场所偷拍事件频发，相关报道不断见诸新闻。从关于偷拍产品的电商平台检索结果以及相关调查来看，如今的针孔摄像头改装已经渗透到了我们生活的日常用品，其改装手段十分隐蔽，为我们的隐私安全带来极大的隐患。根据京东和淘宝上微型监控摄像头检索结果，销量前100的视频监控设备96％以上均支持无线保真(wireless fidelity，Wi-Fi)无线连接。
[0003]针对上述问题，一种解决方案是硬件解决方案，通过特定的硬件设备检测视频监控设备(如上述针孔摄像头)本身或者其工作过程中的特征信号，如：视频监控设备镜头本身的反光特性，视频监控设备工作过程中发热特性，或者视频监控设备工作过程中产生的无线电磁波信号特性等，进行视频监控设备的检测；另一种解决方案是软件算法解决方案，其技术思路为利用主动探测技术得到的目标设备响应信息，从响应信息中提取设备指纹并结合服务器中的设备指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于检测视频监控设备的方法，所述方法应用于电子设备，其特征在于，包括：根据所述电子设备周边的接入点信息，确定第一目标检测信道，所述第一目标检测信道为信号强度大于或等于第一预设阈值的信道，和/或频段为2.4GHz频段的信道；获取所述第一目标检测信道的第一目标流量数据，所述第一目标流量数据对应第一目标设备；根据所述第一目标流量数据和检测模型判断所述第一目标设备是否为视频监控设备，所述检测模型包括第一机器学习模型或第一深度学习模型。2.根据权利要求1所述的方法，其特征在于，在所述获取所述第一目标检测信道的第一目标流量数据之后，所述方法还包括：若在预设时长内获取的所述第一目标流量数据的字节数大于或等于第二预设阈值，确定存在所述第一目标设备。3.根据权利要求1所述的方法，其特征在于，在所述获取所述第一目标检测信道的第一目标流量数据之后，所述方法还包括：若在预设时长内获取的所述第一目标流量数据的字节数小于第二预设阈值，确定不存在所述第一目标设备；获取第二目标检测信道的第二目标流量数据，所述第二目标流量数据对应第二目标设备，所述第二目标检测信道为信号强度大于或等于所述第一预设阈值的信道，和/或频段为2.4GHz频段的信道；根据所述第二目标流量数据和所述检测模型判断所述第二目标设备是否为所述视频监控设备。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：若判断结果为所述第一目标设备是所述视频监控设备，则改变局部区域光线强度；获取第三目标流量数据，所述第三目标流量数据为所述第一目标设备在第一光强下的流量数据；获取第四目标流量数据，所述第四目标流量数据为所述第一目标设备在第二光强下的流量数据；根据所述第三目标流量数据和所述第四目标流量数据以及定位模型识别所述第一目标设备所处的方向和位置，所述定位模型包括第二机器学习模型或第二深度学习模型。5.根据权利要求4所述的方法，其特征在于，其中，所述第三目标流量数据是基于所述电子设备的光源对准预设方向且所述光源处于亮时间窗内时采集的流量数据；所述第四目标流量数据是基于所述光源对准所述预设方向且所述光源处于灭时间窗内时采集的流量数据，或，所述光源未对准所述预设方向时采集的流量数据。6.根据权利要求4或5所述的方法，其特征在于，其中，所述第二机器学习模型或所述第二深度学习模型基于采集的第一正样本数据和第一负样本数据进行训练得到；所述第一正样本数据为所述电子设备处于亮时间窗内且所述电子设备的光源对准已知的视频监控设备产生的数据，所述第一负样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据；或，所述第一正样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的
视频监控设备产生的数据，所述第一负样本数据为所述电子设备处于亮时间窗内且所述光源对准所述已知的视频监控设备产生的数据。7.根据权利要求6所述的方法，其特征在于，所述根据所述第三目标流量数据和所述第四目标流量数据以及定位模型识别所述第一目标设备所处的方向和位置，包括：对所述第三目标流量数据和所述第四目标流量数据进行样本分割，以得到所述第一目标设备对应的M个周期的每一个周期的亮时间窗内和灭时间窗内的目标流量数据；将所述第一目标设备对应的M个周期的每一个周期的目标流量数据分别分割为m1组流量数据和m2组流量数据，其中，m1组流量数据为亮时间窗内数据，m2组流量数据为灭时间窗内数据，m1和m2均为大于或等于1的正整数；将第一目标信息输入所述定位模型，以得到所述每一个周期的所述m1组流量数据和所述m2流量数据的置信度，所述第一目标信息为所述每一个周期的所述m1组流量数据的特征向量和所述m2组流量数据的特征向量，或，所述第一目标信息为所述每一个周期的所述m1组流量数据和所述每一个周期的所述m2组流量数据；根据所述每一个周期的所述m1组流量数据和所述m2组流量数据的置信度和第三预设阈值识别所述第一目标设备对应的目标流量数据的类型；根据所述第一目标设备对应的目标流量数据的类型所形成的第一序列和所述电子设备的光源处于亮时间窗内或灭时间窗内所形成的第二序列识别所述第一目标设备所处的方向和位置。8.根据权利要求7所述的方法，其特征在于，若所述定位模型为所述第二机器学习模型，所述第一目标信息为所述每一个周期的所述m1组流量数据的特征向量和所述每一个周期的所述m2组流量数据的特征向量；或，若所述定位模型为所述第二深度学习模型，所述第一目标信息为所述每一个周期的所述m1组流量数据和所述每一个周期的所述m2组流量数据。9.根据权利要求7或8所述的方法，其特征在于，所述m1组流量数据的特征向量或所述m2组流量数据的特征向量包括以下向量中的至少一种：流量速率离散傅里叶变换系数、包长相关统计特征、持续时间相关统计特征、数据帧到达时间相关统计特征。10.根据权利要求7至9中任一项所述的方法，其特征在于，所述根据所述每一个周期的所述m1组流量数据和所述m2组流量数据的置信度和所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型，包括：根据所述每一个周期的所述m1组流量数据的置信度的均值和所述每一个周期的所述m2组流量数据的置信度的均值以及所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型；或，根据m3、m4、m5和m6识别所述第一目标设备对应的目标流量数据的类型，m3为所述每一个周期中的m1组流量数据的置信度大于或等于所述第三预设阈值的个数，m4为所述每一个周期中的m1组流量数据的置信度小于所述第三预设阈值的个数，m5为所述每一个周期中的m2组流量数据的置信度大于或等于所述第三预设阈值的个数，m6为所述每一个周期中的m2组流量数据的置信度小于所述第三预设阈值的个数。11.根据权利要求10所述的方法，其特征在于，若所述第一正样本数据为所述电子设备
处于亮时间窗内且所述电子设备的光源对准所述已知的视频监控设备产生的数据，所述第一负样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据；所述根据所述每一个周期的所述m1组流量数据的置信度的均值和所述每一个周期的m2组流量数据的置信度的均值以及所述第三预设阈值识别所述第一目标设备对应的目标流量数据的类型，包括：若所述M个周期中各m1组流量数据的置信度的均值大于或等于所述第三预设阈值，则识别各m1组流量数据为所述电子设备的光源对准所述已知的视频监控设备且所述电子设备处于亮时间窗内产生的数据类型；若所述M个周期中各m2组流量数据的置信度的均值小于所述第三预设阈值，则识别各m2组流量数据为所述电子设备的光源未对准所述已知的视频监控设备产生的数据类型或所述电子设备处于灭时间窗内产生的数据类型；或，所述根据m3、m4、m5和m6识别所述第一目标设备对应的目标流量数据的类型，包括：若m3≥m4且m5≤m6，则识别所述目标流量数据的类型为所述电子设备的光源对准所述已知的视频监控设备且所述电子设备处于亮时间窗内产生的数据类型；若m3<m4且m5≤m6，则识别所述目标流量数据的类型为所述电子设备的光源未对准所述已知的视频监控设备产生的数据类型或所述电子设备处于灭时间窗内产生的数据类型。12.根据权利要求10所述的方法，其特征在于，若所述第一正样本数据为所述电子设备处于灭时间窗内或所述光源未对准所述已知的视频监控设备产生的数据，所述第一负样本数据为所述电子设备处于亮时间窗内且所述电子设备的光源对准所述已知的视频监控设备产生的数据；所述根据所述每...

【专利技术属性】
技术研发人员：黄庆超，龙水平，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：