一种视频专网异常行为智能识别与预警方法、系统及设备与流程

摘要: 本技术涉及图像处理与多模态融合以及视频网络安全,具体而言,涉及一种视频专网异常行为智能识别与预警方法、系统及设备。背景技术:1、随着移动视觉终端在特种作业场景下...
一种视频专网异常行为智能识别与预警方法、系统及设备与流程

本技术涉及图像处理与多模态融合以及视频网络安全,具体而言,涉及一种视频专网异常行为智能识别与预警方法、系统及设备。

背景技术:

1、随着移动视觉终端在特种作业场景下的广泛应用,设备通常需要通过安全受控的视频专网实时回传现场操作画面。针对此类终端的安全攻击已逐渐从网络传输层的窃听,前移转移至物理采集层和感知算法层面。攻击者往往采用物理视场劫持手段,在机器人图像采集传感器前方放置高分辨率屏幕直接播放预先生成的伪造录像,或者向真实画面中注入微小且肉眼难以察觉的对抗样本噪声,在信源采集源头篡改后续机器视觉算法的智能识别结果。

2、当前部署的视频专网标准体系主要依靠商用密码技术对视频信令及数据进行数字签名和链路加密。该密码技术体制仅能够防御网络传输阶段的数据报文抓包与非法篡改操作。然而,当画面伪造或噪声注入行为直接发生在图像采集部件的物理输入阶段时,商用密码芯片将无差别地对虚假的视频内容进行合规签名并传输,导致整个安全信任链条在信源端发生断裂。目前的异常识别技术主要是利用卷积神经网络对像素层面的空域特征进行模式匹配识别,缺乏针对设备拍摄时物理运动状态的跨维度几何约束校验。在面对具备自然运动渲染效果的高级深度伪造视频时,传统的空域检测算法错误检出率高,无法有效对信源端的伪造攻击和对抗样本攻击进行识别与预警。现有技术体系存在信源物理输入层面防御能力缺失的技术缺陷。

技术实现思路

1、本技术解决了现有视频专网在面对信源层面的物理环境重播伪造及对抗样本注入时防御能力缺失的问题。

2、本技术提供了一种视频专网异常行为智能识别与预警方法,包括:利用图像传感器采集视频流,并在采集阶段同步读取刚性固接的惯性测量单元输出的物理位姿参数;计算当前视频帧内容的哈希摘要值,将其与提取的物理位姿参数拼接,并通过密码处理硬件芯片利用预置私钥对拼接包进行数字签名;将签名结果及物理位姿参数封装于视频流编码层级的补充增强信息报文内部,并对视频流的像素数据实施加密并进行网络传输;剥离接收到的补充增强信息报文并利用公钥进行验签,并在验签通过后提取视频连续帧序列;提取相邻帧密集光流场矩阵获取视觉推算轨迹估计值;对物理位姿参数执行滤波及积分获取物理参考参数,并将其与视觉推算轨迹估计值进行跨模态几何差异度比对;若差异度参数大于设定边界阈值,则判定存在物理视场劫持异常。

3、进一步地,利用图像传感器采集视频流并在采集阶段同步读取刚性固接的惯性测量单元输出的物理位姿参数的步骤包括:基于设置于图像传感器的印刷电路板背面中心刚性贴片焊接的惯性测量单元,同步获取构成物理位姿参数的三轴加速度数据与三轴角速度数据;通过内部总线挂载的密码处理硬件芯片,并行抓取当前曝光周期的视频帧像素和具有时间戳映射关系的惯性数据缓冲块。

4、进一步地,计算当前视频帧内容的哈希摘要值将其与提取的物理位姿参数拼接的步骤包括:基于标准化通用密码算法计算当前曝光周期的视频帧像素的哈希摘要值,并在内存缓冲中与提取的三轴加速度数据与三轴角速度数据进行按位拼接形成待签名数据块;利用密码处理硬件芯片调取非对称加密机制对待签名数据块生成签名证书;将签名证书与物理位姿参数写入视频流的补充增强信息网络抽象层单元扩展负载内,并利用对称加密机制对关键帧图像区域执行加密操作。

5、进一步地,提取相邻帧密集光流场矩阵获取视觉推算轨迹估计值的步骤包括:对提取的视频连续帧序列进行灰度转化与金字塔分层,基于亮度恒定边界提取像素级别的光流向量建立密集光流场矩阵;根据相机内参矩阵将密集光流场矩阵投影至三维空间建立视觉误差代价函数,迭代更新求解视觉推算轨迹估计值的三维旋转矩阵分量与位移向量分量。

6、进一步地,对物理位姿参数执行滤波及积分获取物理参考参数并将其与视觉推算轨迹估计值进行跨模态几何差异度比对的步骤包括:配置卡尔曼滤波模型,将接收到的物理位姿参数作为观测输入量进行平滑处理;对平滑处理后的加速度输入量执行双重时间积分计算获取物理参考位移分量,并对平滑处理后的角速度输入量执行四元数积分获取物理参考旋转分量;计算三维旋转矩阵分量与物理参考旋转分量之间的第一矩阵距离,以及位移向量分量与物理参考位移分量之间的第二空间距离;将第一矩阵距离与第二空间距离的加权总和作为差异度参数与预置的设定边界阈值进行比对。

7、进一步地,在差异度参数不大于设定边界阈值的条件下,进一步执行以下步骤:利用离散频域分析逻辑对当前视频帧的像素矩阵进行二维离散余弦变换,将其由空间域映射为包含多个空间频率分量的二维频率分布矩阵;利用预定义的掩码空间坐标在二维频率分布矩阵中提取高频坐标区间,计算高频坐标区间内的能量聚合值。

8、进一步地,在计算高频坐标区间内的能量聚合值之后还执行:计算二维频率分布矩阵中所有坐标区间的全频带能量总值,将高频坐标区间内的能量聚合值除以全频带能量总值获取高频能量占比参数;将当前高频能量占比参数与预设历史时间窗口内统计的基础能量基线参数进行相减获取能量激增相对量;当判定能量激增相对量大于对抗样本识别临界系数时,阻断当前视频帧的转发流转进程,并生成附带当前时钟信息及高频坐标特征的异常拦截日志数据。

9、本技术提供了一种视频专网异常行为智能识别与预警系统,包括微处理器以及与微处理器连接的视觉采集模组、密码处理硬件芯片和预警解算模块;视觉采集模组包括同板刚性连接的图像传感器与惯性测量单元,配置为同步采集视频连续帧序列与对应的物理位姿参数;密码处理硬件芯片配置为计算当前视频帧内容的哈希摘要值,将其与提取的物理位姿参数拼接并通过预置私钥对拼接包进行数字签名,将签名结果及物理位姿参数封装于补充增强信息报文内部,并对像素数据实施加密后进行传输;预警解算模块配置为剥离接收到的补充增强信息报文并进行验签;在验签通过后提取视频连续帧序列;提取相邻帧密集光流场矩阵获取视觉推算轨迹估计值;对物理位姿参数执行滤波及积分获取物理参考参数并与视觉推算轨迹估计值进行跨模态几何差异度比对;若差异度参数大于设定边界阈值,则判定存在物理视场劫持异常。

10、进一步地,视觉采集模组配置有背板贴片封装层,惯性测量单元贴片焊接安装于图像传感器的印刷电路板背部中心区域;预警解算模块配置有迭代逼近空间旋转矩阵分布向量与位移向量分布建立视觉推算轨迹估计值的非线性迭代子模块,以及执行观测噪声抑制操作的滤波器组。

11、本技术提供了一种计算机设备,包括存储器和处理器;存储器配置为存储计算机程序,处理器执行计算机程序时实现上述任一视频专网异常行为智能识别与预警方法。

12、本技术通过底层硬件将终端实际的物理惯性位姿信息作为基准特征与视觉数据的哈希值强制关联,并使用密码算法封装于传输报文中,形成难以篡改的底层强绑定。通过在接收端建立跨模态光流一致性解算模型,实现了物理世界运动轨迹与纯视觉推算轨迹的几何拟合校验,杜绝了物理视场劫持攻击。基于对于合法物理运动规律下连续视频帧的频域能量分析,有效拦截了未改变物理宏观运动特征但注入了扰动噪声的对抗样本干扰攻击。各环节相互协同验证,构筑了从物理信源输入到专网网络传输的完整防伪信任闭环。