[论文解读] A Review on Visual Privacy Preservation Techniques for Active and Assisted Living

Siddharth Ravi, Pau Climent-Pérez+1 more|arXiv (Cornell University)|Dec 17, 2021

Video Surveillance and Tracking Methods被引用 4

一句话总结

本文提出了一种用于分类主动与辅助生活（AAL）环境中视觉隐私保护技术的新型分类法，强调通过感知混淆保护身体隐私，以及通过机器混淆防御未经授权的AI分析。该分类法与隐私设计原则相联系，并指出了在环境隐私、非标准摄像头以及用户接受度方面存在的关键研究空白。

ABSTRACT

This paper reviews the state of the art in visual privacy protection techniques, with particular attention paid to techniques applicable to the field of active and assisted living (AAL). A novel taxonomy with which state-of-the-art visual privacy protection methods can be classified is introduced. Perceptual obfuscation methods, a category in the taxonomy, is highlighted. These are a category of visual privacy preservation techniques particularly relevant when considering scenarios that come under video-based AAL monitoring. Obfuscation against machine learning models is also explored. A high-level classification scheme of the different levels of privacy by design is connected to the proposed taxonomy of visual privacy preservation techniques. Finally, we note open questions that exist in the field and introduce the reader to some exciting avenues for future research in the area of visual privacy.

研究动机与目标

• 为应对主动与辅助生活（AAL）环境中日益增长的视觉隐私需求，其中视频监控支持老年人照护，但存在侵犯身体隐私与身份隐私的风险。
• 识别并分类现有的视觉隐私保护技术，特别是通过人类感知而非加密手段保护隐私的感知混淆方法。
• 将低层级技术方法与高层级隐私设计原则相联系，确保隐私从系统设计之初即被内嵌。
• 突出研究不足的领域，如环境隐私、步态匿名化，以及非标准摄像头（如鱼眼、热成像）中的隐私保护。
• 探讨社会与法律层面因素，包括用户信任、隐私悖论，以及可逆混淆在法医学或法律语境下的可接受性。

提出的方法

• 提出一种新颖的四类视觉隐私保护分类法：干预方法、盲视、安全处理与数据隐藏，重点聚焦于感知混淆。
• 根据其机制对技术进行分类：感知混淆（如模糊处理、像素化）用于保护身体隐私，机器混淆（如对抗性扰动）用于规避机器学习模型。
• 将分类法与隐私设计框架整合，使技术解决方案与系统性、前瞻性的隐私工程原则保持一致。
• 分析现有方法在处理非标准摄像头（如全向、热成像）时的局限性，原因包括图像失真及缺乏模型兼容性。
• 评估感知混淆对环境隐私的副作用，指出尽管小物体（如信用卡号）可能被遮蔽，但大物体仍可能泄露敏感信息。
• 呼吁开展跨学科研究，结合技术、社会与法律视角，以评估用户感知、接受度及可逆混淆的伦理影响。

实验结果

研究问题

• RQ1 如何在AAL系统背景下系统性地对视觉隐私保护技术进行分类？
• RQ2 感知混淆方法在不损害AAL监控系统实用性的前提下，能在多大程度上保护身体隐私？
• RQ3 当前隐私保护技术在应用于鱼眼或热成像等非标准摄像头类型时存在哪些局限性？
• RQ4 社会与法律因素（包括隐私悖论与用户信任）如何影响混淆技术在现实AAL部署中的采纳？
• RQ5 可逆混淆方法对法律与法医学应用有何影响，特别是关于数据完整性和信息丢失的问题？

主要发现

• 感知混淆方法（如模糊处理与像素化）在厕所、卧室等敏感AAL环境中对保护身体隐私具有高度相关性。
• 机器混淆技术（如对抗性扰动）在防止未经授权的机器学习模型识别身份方面有效，但在AAL语境中仍研究不足。
• 环境隐私——即保护信用卡、地址标签等敏感物体——虽至关重要，但研究仍显不足。
• 非标准摄像头（如全向、热成像）因图像失真及与现有检测与混淆处理流程不兼容，带来显著挑战。
• 可逆混淆方法引发法律担忧，因为重建图像可能包含随机噪声，可能削弱其在法医学或司法环境中的可采信性。
• 隐私悖论（即用户表达担忧但行为与其声明偏好相悖）削弱了自报用户接受度研究的有效性，亟需更稳健的偏好测量方法。