[论文解读] No Peeking through My Windows: Conserving Privacy in Personal Drones

Alem Fitwi, Yu Chen+1 more|arXiv (Cornell University)|Aug 26, 2019

Video Surveillance and Tracking Methods参考文献 33被引用 6

一句话总结

本文提出了一种轻量级、保护隐私的个人无人机机制，通过基于形态学与分割的方法（MASP）实现实时视频帧中的窗户检测，并应用混沌混淆技术以遮蔽窗户后的画面内容。该方法在 Raspberry Pi 3 B+ 上实现了 8.69 FPS 的性能，提供了一种实用且适用于边缘计算的解决方案，可有效防止通过窗户进行的未经授权监控，同时保持较低的计算开销。

ABSTRACT

The drone technology has been increasingly used by many tech-savvy consumers, a number of defense companies, hobbyists and enthusiasts during the last ten years. Drones often come in various sizes and are designed for a multitude of purposes. Nowadays many people have small-sized personal drones for entertainment, filming, or transporting items from one place to another. However, personal drones lack a privacy-preserving mechanism. While in mission, drones often trespass into the personal territories of other people and capture photos or videos through windows without their knowledge and consent. They may also capture video or pictures of people walking, sitting, or doing private things within the drones' reach in clear form without their go permission. This could potentially invade people's personal privacy. This paper, therefore, proposes a lightweight privacy-preserving-by-design method that prevents drones from peeking through windows of houses and capturing people doing private things at home. It is a fast window object detection and scrambling technology built based on image-enhancing, morphological transformation, segmentation and contouring processes (MASP). Besides, a chaotic scrambling technique is incorporated into it for privacy purpose. Hence, this mechanism detects window objects in every image or frame of a real-time video and masks them chaotically to protect the privacy of people. The experimental results validated that the proposed MASP method is lightweight and suitable to be employed in drones, considered as edge devices.

研究动机与目标

• 为解决个人无人机在未经同意的情况下通过窗户拍摄私人活动所引发的日益增长的隐私担忧。
• 开发一种适用于资源受限无人机作为边缘设备的实时、轻量级隐私保护机制。
• 利用利用窗户几何与结构特性的图像处理技术，在图像和视频帧中检测窗户对象。
• 通过混沌混淆技术遮蔽窗户区域，防止未经授权的室内活动视觉访问，从而保护隐私。
• 通过内置隐私保护机制，在保障无人机技术实用性与个人隐私权之间实现平衡。

提出的方法

• 该方法采用形态学与分割处理（MASP），利用窗户独特的几何与结构特征，高效检测图像与视频帧中的窗户。
• 通过图像预处理技术（如增强、形态学变换、分割与轮廓提取）将类似窗户的区域从背景中分离。
• 对检测到的窗户区域应用混沌混淆技术，以遮蔽透过窗户可见的任何内容，确保隐私得到保护。
• 系统专为在低功耗单板计算机（如 Raspberry Pi 3 B+）上进行边缘部署而设计，优化了速度与资源消耗。
• 该方法避免使用复杂的深度学习模型，转而依赖高效的手工设计图像处理流水线，以维持实时性能。
• 在包含 17,400 张图像和实时视频序列的自定义数据集上对方法进行了评估，以衡量检测准确率与帧率。

实验结果

研究问题

• RQ1 能否开发一种轻量级、实时的窗户检测方法，使其适用于在低功耗无人机边缘设备上部署？
• RQ2 MASP 基于的窗户检测方法在资源受限硬件上能否在保持高帧率的同时有效降低误报率？
• RQ3 对检测到的窗户区域进行混沌混淆在多大程度上能防止隐私泄露，同时不影响无人机视频流的可用性？
• RQ4 在 Raspberry Pi 3 B+ 等边缘平台上的性能表现中，该方法是否能在速度与资源效率方面超越现有的基于深度学习的目标检测器？
• RQ5 在不同角度与距离下，系统性能如何，特别是在远距离时窗户特征变得不明显的情况下？

主要发现

• 所提出的 MASP 方法在 Raspberry Pi 3 B+ 上实现了 8.69 FPS 的帧率，证明其在边缘设备上实现实时部署的可行性。
• 在包含 17,400 张图像和实时视频的测试集中，系统报告的误报率（FPR）为 10.67%，表明检测准确率处于中等水平。
• 与 HOG+SVM 和 Haar-cascade 等现有方法相比，MASP 方法显著更快，在相同硬件上分别实现 8.69 FPS、0.65 FPS 和 1.93 FPS。
• 该方法优于基于深度学习的检测器（如 SSD_mobilenet_v1，1.39 FPS）及其他 CNN 模型，后者在 Raspberry Pi 上的帧率均低于 2 FPS。
• 即使在远距离下，系统仍能保持功能正常，尽管随着距离增加，检测准确率略有下降。
• 作者指出需进一步降低误报率，并计划集成轻量级卷积神经网络以提升复杂建筑环境下的检测性能。