[发明专利]一种隐私安全的身份特征快速计算方法

说明书

本发明公开了一种隐私安全的身份特征快速计算方法，包含有如下步骤：步骤一：分布在物理空间各处的多路监控相机采集空间区域内的不同位置、视角的视频，经过解码后发送给人形检测器，每个布置再物理空间本地的前端/边缘AI分析盒负责分析10路监控相机的视频，即每个AI分析盒每秒处理40帧相机传来的实时图像帧。本发明大大降低了高精度模型的调用频次，另一方面又仍然能精准地捕捉到同一人的图像特征变化较明显的情况，不同于简单地利用低精度模型进行加速的方法，本技术方案通过设计能够自动更新的特征映射表，实现了大多数人形框只进行了低精度模型的计算，但却使所有人形图像框的输出特征都是由高精度模型产生的。

技术领域

本发明涉及计算机科学技术领域，具体为一种隐私安全的身份特征快速计算方法。

背景技术

数字孪生已成为人工智能技术发展的新趋势，在数字孪生问题中人工智能需要对物理空间不同位置和视角的视频数据进行分析，将其中每一个人在物理空间内的行动路线在虚拟现实中还原，基于视觉图像确定行人身份的现有技术主要是基于人脸/人体外观，当同一人在不同时空下被视频采集到时，通过人工智能模型将同一人的两次观测到的视频图像框匹配在一起，形成较短的时空轨迹，不断重复这个过程，经过大量次数的匹配操作，最终将每个人的行动轨迹正确还原，在这个匹配过程中，前期的匹配错误在后期的匹配中会被继续放大，因此要确保最终匹配出的行人轨迹的精度，对人工智能模型的精度要求很高，受限于前端/边缘计算的算力资源，现有技术主要是在物理空间的前端相机中采集人形的图像框，将这些时空上的人形图像上传到云端，由云端的大规模人工智能模型完成人形图像框的身份特征计算，再根据计算得到的身份特征完成行人轨迹的匹配合并。

随着人们对人工智能/大数据系统的隐私性要求的不断提高，将物理空间内采集到的人脸/人形图像经过网络传输到云端或服务器端，再利用大规模的人工智能模型进行处理，可行性已大大受限，即为了避免对个人隐私的侵犯，将大量人脸/人形图像通过网络传输是不被容许的，即使在传输过程中进行数据加密也并不能解决这个问题，因为被加密的数据在计算前需要被解密，即在云端仍然会有原始人形/人脸图像数据存在的情况，而且被加密的数据在传输中也存在被破解而泄漏的风险。

而如果将人形/人脸图像的身份特征计算直接在进行采集的物理空间内进行，由于完成身份特征计算后，原始图像就不再参与后续计算，即可以将计算后的身份特征数据传输到云端进行后续的行人轨迹合并，这样就可以规避隐私安全的问题，但这样处理的新问题在于，不同于集中在云端计算可以使用大规模的算力资源，分散在各处进行前端数据采集的物理空间里布置的边缘算力往往很有限，因此如果在前端使用高精度的人工智能模型来计算图像框的身份特征，则计算速度会大大变慢，例如1小时的数字孪生计算可能需要10个小时才能计算完，导致实际上不可行。

发明内容

本发明的目的在于提供一种隐私安全的身份特征快速计算方法，具备处理效率高的优点，解决了如果使用高精度的身份特征模型，则在前端AI设备上计算的时长将完全失控，而失去可行性，例如以4帧每秒，每帧平均8个人形框，每个AI设备分析10路视频，每个人形框的高精度身份特征模型的计算时间为20ms计算，每1小时的视频需要6.4小时才能计算完，而如果将图片上传云端再利用高精度模型计算，则会有隐私泄露的风险；如果采用低精度身份特征模型计算身份特征，再上传云端，由于身份特征的精度低，复原的行人轨迹的精度也会很低的问题。

为实现上述目的，本发明提供如下技术方案：一种隐私安全的身份特征快速计算方法，包含有如下步骤：

步骤一：分布在物理空间各处的多路监控相机采集空间区域内的不同位置、视角的视频，经过解码后发送给人形检测器，每个布置再物理空间本地的前端/边缘AI分析盒负责分析10路监控相机的视频，即每个AI分析盒每秒处理40帧相机传来的实时图像帧，未来前端/边缘AI计算芯片的效率进一步提升的情况下可处理更多路的视频；

步骤二：收到实时帧图像后，前端AI分析盒上的人形检测器检测出每一帧中的人形图像框，每个人形图像框由一个向量（x，t）表示，其中x为人形框在图像中的矩形的坐标，t为人形框出现的时间；