CN114092972B 智能防偷窥的电子设备显示方法、系统和电子设备 （厦门美亚中敏科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114092972B(45)授权公告日2025.01.10

(21)申请号202111452028.5

(22)申请日2021.11.30

(65)同一申请的已公布的文献号申请公布号CN114092972A

(43)申请公布日2022.02.25

(73)专利权人厦门美亚中敏科技有限公司

地址361000福建省厦门市火炬高新区软

件园三期诚毅北大街62号209单元0391号

(72)发明人周鹏儿唐小勇李长叶吴智灿

(74)专利代理机构深圳市中科创为专利代理有限公司44384

专利代理师徐方星

(51)Int.CI.

GO6V40/10(2022.01)

GO6V40/16(2022.01)

GO6V10/764(2022.01)

GO6V10/80(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

GO6F9/451(2018.01)

GO6N3/048(2023.01)

(56)对比文件

CN108595278A,2018.09.28CN109409296A,2019.03.01审查员杨继爽

权利要求书4页说明书15页附图5页

(54)发明名称

智能防偷窥的电子设备显示方法、系统和电子设备

(57)摘要

CN114092972B本申请公开了一种智能防偷窥的电子设备显示方法、系统和电子设备。其通过结合基于整体图像的姿态识别和基于面部图像的意图识别，同时通过高斯密度图有效地在卷积神经网络映射下的高维特征空间中对两者进行特征融合，进一步再通过特征的离散化增广以在融合时不产生信息损失，并且采用高斯混合模型通过加权系数来对所述各个高斯分布之间实现了响应均一化，从而实现了对特征尺度的鲁棒性，能够有效地消除所述特征尺度之间的差异。这样，可以对待监测的人物是否有偷窥意图进行准确地识别，

CN114092972B

CN114092972B权利要求书1/4页

2

1.一种智能防偷窥的电子设备显示方法，其特征在于，包括：

获取预定时间内的一系列时间点的待监测人物的全身图像；

将所述一系列时间点的待监测人物的全身图像输入作为过滤器的第一卷积神经网络以获得第一特征向量；

获取所述一系列时间点的待监测人物的面部图像；

将所述一系列时间点的待监测人物的面部图像输入作为过滤器的第二卷积神经网络以获得第二特征向量；

对所述第一特征向量和所述第二特征向量进行基于高斯密度图的融合以获得高斯分布向量，所述高斯分布向量的每个位置为一个高斯分布，其中，所述基于高斯密度图的融合表示以所述第一特征向量和所述第二特征向量的每个位置的特征值间的均值构建的均值向量作为所述高斯密度图的均值向量和以所述第一特征向量和所述第二特征向量的每个位置之间的方差构建的协方差矩阵作为所述高斯密度图的协方差矩阵来构建所述高斯密

度图；

基于长度与所述高斯分布向量的向量长度相同的加权向量，计算所述高斯分布向量的高斯混合模型，其中，所述加权向量的各个位置的权值为1;

对所述高斯混合模型的每个位置的高斯分布进行高斯离散化以获得特征矩阵；

将所述特征矩阵通过分类器以获得用于表示待监测人物是否有偷窥意图的分类结果；以及

响应于所述分类结果为待监测人物有偷窥意图，启动屏幕保护模式；

其中，将所述一系列时间点的待监测人物的全身图像输入作为过滤器的第一卷积神经网络以获得第一特征向量，包括：

所述第一卷积神经网络的除最后一层以外的各层以如下公式对所述一系列时间点的待监测人物的全身图像进行空间编码以获得第一特征图；

所述公式为：

fi=Sigmoid(N?×fi-1+Bi),

其中，f:-1为第i层第一卷积神经网络的输入，f;为第i层第一卷积神经网络的输出，N为第i层第一卷积神经网络的过滤单元，且B为第i层第一卷积神经网络的偏置矩阵，Sigmoid表示非线性激活函数；以及

所述第一卷积神经网络的最后一层对所述第一特征图进行沿高度维度和宽度维度的全局池化处理以获得所述第一特征向量；

其中，将所述一系列时间点的待监测人物的面部图像输入作为过滤器的第二卷积神经网络以获得第二特征向量，包括：

所述第二卷积神经网络的除最后一层以外的各层以如下公式对所述一系列时间点的待监测人物的面部图像进行空间编码