文摘
全自动汽车车内(比如)缺乏监控。因此,客舱监测系统(IMS)侦查需要人们引起不规则或不正常的情况。然而,在公共领域监控允许披露个人的脸,这不利于隐私保护。此外,有一个相反的AVs的IMS对隐私的需求。因此,智能IMS必须同时满足个人隐私保护和人的需求相反期间识别异常情况。在这项研究中,我们提出一个privacy-preserved IMS, reidentify匿名虚拟个人面临异常情况。这IMS提取面部特征,包括一个一步完成的边缘设备(车载单元)的AV。这个设备匿名化一个人的面部身份之前传输的视频帧的数据服务器。我们创建了不同的异常情况的车辆舱。进一步,我们reidentified人用匿名虚拟脸和保留特征向量提取可疑的人。总体而言,该方法保留了个人隐私,同时保持安全监测系统,比如比如客舱的监控。
1。介绍
智能监控和监视系统被广泛使用,以确保安全。受欢迎的应用程序监控在公共视频监控摄像头(闭路电视);在智能交通监控系统,包括客舱监测和道路交通监控;和视频监测数据生成和导航任务在城市中心,机场,和公共道路1]。驾驶自动化也需要公众对多个任务的视觉信息(2]。六级自治定义的汽车工程师协会在2014年驾驶自动化(从没有自动化(0级)完全自动化(要求等级5))(2- - - - - -4]。四级自主车辆(AVs)是高度自动化和在一定条件下能够执行所有驾驶任务而无需人工干预。然而,司机(人类)可能控制等AVs和在需要时。特别是,全自动车辆(比如)(要求等级5 AVs)没有司机;所有乘客乘客只有(3,4]。因此,没有人监督这样的住客。此外,在公共和共享工具(如随意组合、车和车服务在AVs),乘客不知道对方。因此,重要的是要确保所有使用者的安全与安全坐在AVs的小屋。此外,车辆应该保护居住者和/或从任何恶意行为的外部威胁。因此,比如本质上需要多管齐下的客舱实时监控任务(5]。然而,许多国家已经禁止或严格限制在面部识别技术来保障个人信息(6- - - - - -16]。有法律和道德问题,实施各种限制公共监视和监测系统(16- - - - - -19]。此外,被告的识别在异常(不规则)情况下也很重要。这项研究是出于这一事实面部监测是重要的安全;但是,它对个人隐私构成威胁。在这项研究中,我们关注以下两个问题与客舱监测系统(ims):(我)面部保护隐私。(2)在异常情况下被告的证据。
因此,一个健壮的解决方案是需要在公众场合提供privacy-preserved监视20.]。此外,它应该能够识别相关人员在需要时。图1显示了智能监控系统的困境。
在上面的图,一个匿名的脸保护个人信息在客舱监控的最喜欢。然而,在某些不规则的情况下,需要个人身份识别被告。异常事件或不规则的情况的一个例子可以是主人最喜欢表演的暴力或试图破坏其他使用者或向最喜欢本身。在这种情况下,重要的是要识别相关的人。此外,这是一个异常情况;然而,客舱监测与真正的面孔不是解决这个问题。面部信息的破坏会导致多个后果,如滥用面部数据和银行和金融诈骗1,6,7,13,14]。我们这个工作的动机之一是提供一种方法,可以防止这样的问题在公共监控系统,特别是IMS。客舱监测与面部匿名化安全问题,而那些面部身份隐私问题。因此,它创建了一个隐私和安全之间的矛盾。
1.1。客舱监控
客舱监测是非常重要的在4级及以后AVs (5]。它为居民提供安全。同时,它提供了安全车辆本身的情况。过去的研究工作包括客舱监测在不同情况下(21]。综述了客舱监测暴力检测在一个喜欢在22]。贝尔等人的客舱进行监控检测严酷的车辆机动和危险驾驶行为(23]。Szawarski等人专利的想法的客舱监测监控车辆座位,乘客在车辆和乘客和车辆所在地的方向(24]。客舱监测车辆的安全性和清洁问题提出了在25]。然而,监控系统应该防止任何违反个人隐私(脸部标识),同时能够识别一个实际的人的不规则情况。
1.2。面部隐私和面部识别监控应用程序
在多个监视应用程序实时监控是至关重要的。然而,隐私在公共领域是一个重要的问题在实时监控任务26- - - - - -30.]。面部匿名化保护个人隐私是一种常见的做法。最近,生成对抗网络——基于(GAN)的深度学习(DL)模型被广泛用于交换和匿名化(31日- - - - - -34]。在我们之前的研究31日),我们展示了一个健壮的方法保护面部居住者的身份在一个喜欢的小木屋。它将面部交换和旧时重现的技术维护隐私的客舱监控。然而,在ab异常情况下,匿名的人使它很难识别相关的人(20.]。
1.3。我们的主要研究亮点
在这项研究中,我们提出一种智能IMS。这是一个有效的方法来识别一个人,即使有一个匿名的脸。该方法解决了隐私和安全问题。因此,我们可以确定原因的人一个不规则的情况下,即使他们的匿名的脸。在这种方法中,我们保留关键人的面部信息和存储这些身份特性在云上。这些关键功能帮助识别的人参与了不规则情况。本研究的重点如下:(我)的概念有一个适当的来源为每个目标脸提高操的面部情绪和行为。它有助于在智能监控事件和行为检测和监测系统在公共领域。(2)二维(2 d)的参与在旧时重现的发电机和地标地位独立分割的脸和头发分割发生器与修复和混合发电机提高面部匿名化,再制定操作。(3)128 d身份特征是准确的面部识别的一个关键标志在一个匿名域。存储的概念一双id(原始和匿名)导致reidentification没有任何隐私威胁。不可能知道最初的脸只有128 d的身份特征。reidentification,最初的视觉输入和ID都是必需的。在云中,匿名与原有的视觉形象ID存储。因此,没有违反隐私的威胁,尽管id存储在云。(iv)因此,该方法增强面部身份特征信息来定位人参与任何异常情况没有任何个人隐私。
这种方法先锋新方法监测和监督,以避免任何法律或伦理问题。因此,监测数据库中可以创建匿名域,从而促进进一步的研究对事件和行为监测在公共领域。
2。材料和方法
个人隐私与识别是一个挑战以及实时监控应用的需求(20.]。在这项研究中,我们开发了一个privacy-preserved IMS reidentification能力,可以确定被告。该方法的框架如图2。提出的系统运行三个阶段。在阶段1中,面部进行匿名化,以确保个人隐私。这是使用机载设备执行的AV。在阶段2中,一对身份特性(IDs)为每个生成匿名化(之前和之后的脸IDR和ID一个)。此外,随着匿名视频id喂到云上。的双id被保存在云人reidentification时必需的。匿名视频帧被发送到数据中心进行进一步处理(监测和监督)。在第三阶段,id匹配搜索被指控人参与一个不规则的情况(IDA_AS))。在调查过程中,相似性ID确保有关人的识别(ID)。此外,在调查过程中,这种方法被匹配的验证id嫌疑人的脸(ID发票)的调查与被告的ID。
监控需求之间的困境和法律和伦理问题也通过这种方式解决。建议的方法的细节将彻底节中讨论2。2。这种方法适用于创建一个监视和监测数据库和合法化。
2.1。材料
许多研究工作已发表在个人隐私和个人识别考虑这两个问题作为单独的研究问题。在这项研究中,我们简要调查相关工作和发展面临匿名化和识别人。
2.1.1。面对匿名化
面对deidentification保护隐私信息。它改变了原始的脸藏隐私信息。匿名化面临的是一个更容易和更健壮的解决方案,个人隐私相关的威胁在数字域(35]。模糊,掩蔽的脸,或创建一个补丁脸更容易比其他任何脸上匿名化方法;然而,这些方法遭受重大损失的面部信息(32,36]。因此,面对交换吸引了大量的注意力用于面部匿名化目的。morphable基于模型的面部交换的方法被认为是一个开创性工作面对交换(37]。Bitouk等人证明了自动面临更换他们的工作(38]。Machine-learning-based面对[交换建议39]。一个卷积神经网络(CNN)是用于面对(分割和交换40]。GAN-based深模型已经成为流行的虚拟人脸代(33,34]。因此,连同autoencoders GAN-based脸交换了相当多的研究人员关注的无缝的端到端面对匿名化(33,34,41]。面对swapping-based自动生成和编辑面临的展示在42]。它使用的是一种region-separative GAN RSGAN)。一个autoencoder-based脸交换算法提出了检测假视频(43]。在[44),一个GAN-based encoder-decoder网络提出交换人脸。抵押品隐私问题也已解决使用面对交换方法(45]。甘Nirkin等人提出了一个面对交换(FSGAN) (46]。它提供了主题无关的脸之间的交换和旧时重现一副面孔。Naruniec等人提出了一种全自动神经面临交换方法(47]。太阳脸匿名化等人提出了一个混合模型36]。Hukkelas等人介绍了GAN-based DeepPrivacy架构面临deidentification删除所有隐私信息(34]。
2.1.2。人识别
人脸识别有多功能目标,如识别、分类、和歧视。城市化和智能城市需求广泛应用人脸识别(48- - - - - -52]。因此,涉及人的各种人脸识别方法识别已经证明了过去的研究人员。人脸识别方法分为三类:本地、整体和混合方法(52]。本地方法只涉及部分面部特征(如眼睛、嘴和鼻子)承认,而整体的方法包括完整的面部特征,包括面部识别的背景。混合方法,顾名思义,包括本地和整体的方法。在整体的方法中,流行的算法包括独立分量分析,线性判别分析、主成分分析(53,54]。人工智能(AI)的发展将DL和cnn提高了人脸识别算法的性能。Taigman等人提出了一个神经网络的人脸识别系统,DeepFace(55]。此外,许多其他版本的扩展DeepFace多项研究证实了(56- - - - - -59]。Adjabi等人彻底回顾了人脸识别技术和他们的比较和未来在他们的研究范围51]。Kortli等人调查了流行的人脸识别技术在所有三个类别,也就是本地的,整体的,和混合的方法,在他们的研究52]。他们比较这些技术的准确性、复杂性和鲁棒性。他们还讨论了各自的优点和缺点的方法。王等人有效地调查DL-based人脸识别技术在他们的研究(60]。他们详尽回顾各种流行DL-based方法,包括autoencoder-based CNN-based和GAN-based技术。他们还列举关键特性、优点和缺点的这些技巧。此外,他们总结了一些常用的数据集的人脸识别。此外,他们索引新兴现实问题和深层面部识别的主要技术关键的挑战。
然而,应用程序涉及人识别必须解决重要的隐私问题[61年]。特别是,面部识别在公共领域必须解决个人自由和ethics-related问题[51,62年]。因此,人脸识别的先进的研究问题是个体的reidentification匿名数据。巧克力等人证明正确reidentifying特定个体的可能性,即使匿名数据集(30.]。他们建议一个生成的图形模型,可以在不完整的训练数据来准确地识别个体。Rooijen等人建议2 d视频跟踪reidentification的个人在一个匿名数据集(20.]。他们认为一个人的真正的面部信息reidentification不是必需的。罗等人提出有效的培训技巧的人reidentification [63年]。剩余的学习框架使用剩余网络(ResNet)模型提出在64年视觉识别的任务。这促进了更容易和更有效的培训大大更深层次的网络。斯沃夫等人建议统一嵌入只使用128字节/高效识别(65年]。他们开发的网络通过将批处理输入层和深层CNN,其次是标准化。他们用三联体损失最小化训练错误。世界最简单的人脸识别库(Dlib人脸识别)是一种流行和有效的工具来提取面部地标(66年]。这是一个跨平台的开源机器学习工具包支持机器学习算法的发展。它有助于识别和操作的面孔。意图和行为已经成功地使用各种检测技术。面部姿态传感执行使用虚拟现实(VR)和增强现实(AR)设备,分别在67年,68年]。AR /虚拟现实设备提供传感器响应来检测用户的意图或行为。然而,最喜欢的客舱监测需要意图或行为检测使用视觉(计算机视觉(CV)的)监测方法。
2.2。方法
在这项研究中,我们提出了一个基于表示学习方法来生成居住者的身份特征。这个签名能够deidentifying一个人关心一个四级的小屋和不规则的局势超出AVs。我们提出了面部匿名化和reidentification系统提供对策的不规则情况。因此,该方法为个人信息安全提供了有关人的痕迹,以防有任何异常。该方法包括四个主要任务。首先,面对与reenrollment匿名化。这是由使用脸不可知论者交换技术。它使用一组甘斯。使用这些甘斯有三个目的:面部再制定和分割,面部修复,和面部混合。完成后面对匿名化,第二个任务是提取面部居住者的身份特征的脸成对(匿名化前后,即IDR和ID一个)使用ResNet的模型。这些id存储在云端,和客舱的匿名视频帧传输监测数据中心通过云进行进一步处理。第三个任务建议的方法是确定被告的身份特征匹配。相似性匹配的ID被告在数据中心获得id使用者存储在云的保证了识别有关的人(ID一个)。然而,它是ID匿名的被告。欧氏距离度量用于相似性匹配。同样,使用存储双id(印尼盾和ID一个),我们可以获得真正的面临指控的身份特征(IDR)。最后,在第四个任务中,被告的证据是通过匹配之间的相似之处id的嫌疑人ID在调查的指责。该方法的进一步的细节在下面几节中提供。
2.2.1。面部特征的特征向量
面部身份特性(128 1)维面部图像的编码。它包含编码标志的脸使用ResNet模型。FaceNet-based CNN模型和Facedlib人脸识别库是用来提取128 d身份特性(ID)的脸。此外,128 d最优嵌入,导致reidentification所需的适当的特性或测量两个面之间的相似性。已经验证的“FaceNet“架构,少于128 d身份特征识别性能恶化;然而,增加维度只不必要增加参数的数量。这是采用128 d的主要原因为识别人脸身份特性。
图3显示了(128 1)维面部身份特征向量代主人的脸的图像。它使用一个ResNet的架构组成的29个回旋的层。的ResNet架构促进七星层可访问性。此外,他们有一种内在的倾向训练误差最小化损失通过增加层数。三联体损失函数是用来估计误差的reidentification关心的人。它对128 d的身份执行相似匹配特性。匿名的锚的形象ID(我一个),积极的匿名形象ID(我P),和消极的匿名形象ID(我N),三联体损失估计由以下方程:
匿名锚映像ID (IA)代表128 d ID的人想出了一个不规则的情况下。积极的匿名图像(IA)是存储图像128 d ID相同的人在云上,和匿名的负面认知ID (IA)是另一个主人的128 d ID。在这里,(为x, y为2)表示之间的欧氏距离对{x,y在三联体损失函数}。一个因素是包含在方程(1),以减少错误的机会。这些面部特征纳入128 d编码和作为面部识别器只使用128字节的脸。
此外,基于距离的分类器比较了128 d特征来识别人参与一个不规则的情况。它代表两个特征向量的欧氏空间之间的区别。假设图像(R)代表的人。图像(C)是存储图像(副本)同一个人的云,和图像(D)是一种形象的另一个主人。此外,ƒ(x)代表的128 d编码图像 。相似性(年代在向量空间是由以下方程:
它保证图像(R)和(C)相同的主人和不同于图像(D),这是另一个主人的形象。
2.2.2。源图像的一代
所需的源图像在面部匿名化面临交换。它是用来取代脸出现在目标图像。这个替代,无缝交换,应该产生一个现实的结果,模拟类似于目标面临的匿名的脸。我们的建议是使用nonreal脸与源图像。能够减轻可能发生的任何混乱/冲突通过使用任何真正的面对与源图像。因此,在我们的方法中,我们使用GAN-generated虚拟人脸图像作为源。我们认为产生适当的源的面孔,可以有效地渲染原来的情绪或行为由居住者。它有助于进一步的事件和动态监测任务。图4显示了提出了源图像生成过程。我们应用相似性匹配的概念向量空间选择面临类似的来源为每个目标的脸从虚拟人脸的集合(nonreal面临与源图像)。源和目标之间的相似性匹配面临促进往复式相似的情感和意图,这是进一步监视应用程序所必需的。
图4显示了源图像生成过程。面对检测器检测居住者的脸(目标面临)(从客舱视觉输入)。身份特征提取器提取id(128 d身份特性)的面孔(目标面临)和匹配目标面临的相似的一组虚拟人脸(源面)找到最合适的源的脸。这种相似性匹配是在向量空间(之间的欧几里得距离匹配提取的脸ID和id设置的虚拟人脸)。
2.2.3。面部匿名化
面部匿名化需要正确的匿名面临进一步减轻错误处理。因此,应该有效地执行交换提供不变的表情和情绪在匿名的脸。我们使用的概念FSGAN面部匿名化提供个人隐私在客舱监测不规则情况。这需要完善以下三个任务:
(我)面部再制定和分割。获得适当的面部交换,我们必须估计正确的重现的脸。这是由适当的细分的脸和头发的目标图像。适当的面部再制定需要单独的脸和头发分段映射的2 d面部地标的位置。因此,逐步损失函数被认为是目标函数实现面部旧时重现。为层特性图 ,知觉损失在对图像(x,y)表示如下:
重建的损失之间的一对图像(x,y)表示如下: ,“λ”是对应的hyperparameter 和培训期间是线性增加从0到1。Pixelwise损失之间的一对图像(x,y)计算 。我们使用了多尺度鉴别器对抗损失改善现实目标函数生成的图像。敌对的损失发电机和鉴频器(G,D)表示如下: ,“”是期望值除以所有真实的数据实例。”“是期望值除以所有随机输入的发电机。旧时重现的发电机损失是由以下方程:
永久的损失是用来估计错误捕捉好面部细节,和重建损失是用来评估pixelwise颜色不准确。敌对的损失提高生成的图像和提供了一个现实的看。标准熵损失被定义为(真理标签””和“SoftMax“概率””类)
此外,分割发电机损失通过以下方程:
(2)面部修复。这种方法估计丢失的部分由基于脸和头发目标图像的分割。结合现有发电机损失计算使用以下方程: (3)面部混合。它混合完全重现的脸,这样交换的脸与背景环境像原始目标的脸。的损失函数面部获得混合使用以下方程:
身份签名生成对应于每个居住者(一对身份签名真实的和匿名的面孔)喜欢。面部匿名化后,视频帧传输到云连同一对居住者的身份签名。
2.2.4。匿名人Reidentification异常情况
拟议的IMS促进人的reidentification参与异常情况。在我们的算法中,客舱面部匿名化保存身份在传输视频帧到云是通过下面的伪代码。身份签名生成对应于每个主人的喜欢。这是一个向量的大小1×128。因此,对于每一个主人,我们有一双身份签名对应于原始的和匿名的面孔。每一对都存储在云端。在任何不规则的情况下,有关人back-traced通过匹配签名和身份匿名的脸。以下是我们建议的方法的伪代码1获取身份特性(ID)的人参与一个异常情况。
|
我们认为虚拟人脸生成源的面孔。这些脸是用来交换的目标面临捕获视觉数据集的客舱。根据生成的源面临相似的目标面临的向量空间。面对类似的来源提供了正确重演的面部动作。这有助于更好的旧时重现的表演。虚拟人脸生成源的概念面临的风险保护任何混乱或威胁他人的身份。此外,我们的面部身份签名生成原始的和匿名的面孔。这些身份签名帮助回溯事件相关人的不规则情况。身份签名只是矢量信息。换句话说,我们建议的方法提取的身份签名用于reidentify的脸。 However, a face cannot be recreated using this information. Therefore, personal identity is not revealed through the identity signature. Our proposed approach provides proof or evidence that confirms the identity of the concerned person. The following is Pseudocode 2 of our proposed approach for evidence of the person involved in an abnormal situation.
|
在证明或证据的情况下,我们的方法确定有关的人是谁。返回的身份特性(真正的脸IDR(k在伪代码1)是指所涉及的人的关键特征参数异常情况。匹配的身份特征的调查ID(真实的脸IDR(k)证实了人参与一个异常情况。因此,这种方法很容易定位的人参与的情况下没有任何违反他人的身份。
3所示。结果与讨论
在我们的实验中,我们第一次匿名的居住者喜欢保护自己的隐私在公共领域。进一步,我们应用向量空间的概念相似度匹配表示上优于身份特征人脸识别定位的人参与一个不规则的情况。的增加representation-learning-based身份reidentification特性引入了一个新的领域。介绍了拟议的系统在监控维护个人隐私。我们检查客舱提出系统监视任务的最喜欢。我们捕获数据库在异常情况下的客舱监控。(的相似性度量方法 )欧氏距离计算的(ED)度量,表示如下: ƒ(我)和ƒ(j)代表了128 d编码的图像我和j,分别。因此,识别距离的相似性度量方法(欧氏距离)之间的两双id(128 d编码)。较小的距离,近的脸。
3.1。适当的源的脸
我们提出一个适当的源的概念在我们的面部匿名化方法。每个主人的脸(目标脸),一个适当的源面获得的匹配相似度的向量空间。我们认为不同的情境来评估我们建议的方法的有效性,包括单个和多个面孔在输入图像帧。图5显示了完整的考虑源面临在我们的实验中。我们考虑一组24来源面临(如下所示)。所有这些脸都不是真实的(AI-generated)。源面临被用来交换目标面临面部匿名化过程。
这些面孔nonreal虚拟人脸。生成的照片提供GAN-generated面孔,nonreal人脸的人类。这进一步增加匿名化的好处。在我们的实验中我们考虑各种场景。例子包括图像与一个脸(男性和女性),多个面孔只雄性和雌性,和多个雄性和雌性的面孔。这些是客舱图像从公共领域获得(通过图片搜索网络上)和图所示6。我们认为不同的场景居住者的小屋。因此,在F1和F2,只有一个人的客舱(F1:男性和F2:女性)。在其他情况下,我们认为不止一个人在机舱内(只雄性,雌性和雄性和雌性)。最后,我们认为是有孩子的家庭。有四个最合适来源面临(S1 ~ S4)选择匿名化。
表1礼物之间的相似之处(在向量空间)源和目标面孔,如图5和6。
这些值遵循源和目标的面部相似的面孔。这些值之间的距离测量源和目标面临的身份特征。值越低,越相似的面孔。绿框中的值表示的最小欧氏距离。这些最小值表明合适的匿名化源的脸。我们可以观察到男性的目标面临较小的距离对男性面临比女性源的面孔。有趣的是,价值观遵循相似的距离看起来。目标脸东部有一个较小的距离源面临东部比西部源的脸,反之亦然。女性来源面临较小的距离比儿童的身份特征目标面孔。
3.2。隐私保护在客舱监控
面部执行匿名化在决定适当的源使用FSGAN-based脸交换和旧时重现。图7描述了由匿名化的目标。这里,第一行(F1 F8)和第三行F23 (F9)显示原始的客舱视觉输入,输出和相应的匿名表示在第二行(A1-A8)和第四行(A9-A23)。我们选择四个源面临(S1 ~ S4图所示6F23)交换目标面孔(F1)。
从这个结果很明显,完美再现实现即使在匿名域。因此,大师的保护个人隐私在监测和监督操作。此外,这个合适的再制定支持实时检测异常的或不规则的情况下。检查异常检测在匿名域,我们尝试通过考虑破坏车辆舱室内不规则情况。我们创建了我们的数据库类似的情况。片段里的破坏车辆如图8。我们创建了一个情况,在车的后座乘客开始与前排座位的乘客。四个场景在我们的实验中被抓获。肩膀摇晃所示的场景 。场景显示了一个拍打的场景。头摇晃在现场看见 ,和场景代表一个脖子窒息事故车辆的小屋内。身份特性(IDs)计算每个居住者的正常和不规则的情况。很明显观察到,O3(绿色的盒子)负责不规则情况(客舱破坏车辆的红框所示)。
3.3。人Reidentification异常情况
表2介绍了匿名身份的相似性特性(ID一个)与居住者的身份匿名面部特征# 3 (IDai)。在这里,IDai是主人的匿名身份特征参与一个不规则的情况计算的数据中心,然后呢ID一个主人的匿名身份特征存储在云端。
绿框中的值表示的最小欧氏距离。这些差异最小ID年代显示相关的人。最初的ID这个人是存储在云。因此,通过映射ID,我们可以很容易地分辨出真实的人。Reidentification是由回溯ID从云计算和获得的照片居住者在调查。的ID人参与一个异常情况的云(IDR)需要匹配ID年代的人在人的面部识别的工具。这种方法提供了证据或证据证实有关人的身份。为保证的人参与了异常情况,我们拍照片的人(在调查)。在图所示的图像9。现在,每个主人的身份特征提取匹配相关的人ID(IDR按伪代码)(2)。首先,我们比较了相似的脸居住者在车辆与其他面临调查中获得的。这是需要确保住户都是相同的。
表3提出了居住者之间的相似性措施”ID在调查和他们的年代中提取ID年代从客舱中提取图像。
最小欧氏距离由绿色框表示。这里,最小值表明,居住者O, O′”都是一样的。此后,保证所涉及的人是由居住者的身份特征匹配的从客舱中提取图像的车辆ID的人参与一个异常情况(存储在云IDR)。表4提出了居住者之间的相似性措施”ID年代从客舱图像中提取得到ID的人参与一个异常情况(存储在云IDR)。
零值在绿色框表示主人(O3)是参与一个异常情况的人。总的来说,这种方法侧重于客舱与个人隐私保护的监控,以避免异常情况。个人隐私保护的实现是通过使用事件和行为监测在一个匿名的概念域。人的reidentification只是提供证据的情况下涉及人否认。
4所示。结论
身份特性增加匿名化是一个潜在的解决方案在公共领域提供隐私监控。识别涉及到的人是至关重要的,特别是在不正常的情况。提出智能IMS增强的安全特性与隐私。此法适用于创建一个监控数据库没有任何限制或合法性。我们进行了不同的情境来评估该系统的有效性。它提供了一个有效的算法来执行监视任务在公共领域没有任何威胁一个人的个人身份。这在reidentification帮助,即使一个匿名的脸。在未来,这种算法可以实现对各种公共领域监测平台,如交通系统、购物中心、剧院、医院、公路、燃料充气站,智能城市应用程序和收费广场。
数据可用性
所使用的图像数据来支持本研究的结果都包含在本文。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
Ashutosh Mishra和金可以促成了概念化。Ashutosh Mishra Jaekwang Cha, Kim发达的方法可以进行正式的分析,调查。Ashutosh Mishra审查和编辑。Ashutosh Mishra和Jaekwang Cha提供软件和执行验证、可视化和数据管理。Ashutosh Mishra提供参考资料和准备。金可以导致监督、项目管理和资金收购。所有作者已阅读及同意发布版本的纸。
确认
本研究支持的部分脑池程序通过韩国国家研究基金会(NRF)由科技部资助的ICT (NRF - 2019 h1d3a1a01071115)和研究所的信息和通信技术规划和评估由韩国政府(IITP)拨款(MSIT)(没有。2021-0-01352,验证自主驾驶的技术开发服务从法律法规的角度)。作者感谢所有志愿者的价值贡献我们的数据库创建。