摘要
在本研究中，提出了一种新型的分布式隐私感知人员搜索（Privacy-Aware Person Search, PAPS）模型，有效规避了隐私风险。为此，设计了一种智能物联网（IoT）监控系统，将PAPS模型集成其中，实现从监控视频中实时进行分布式隐私感知的人员搜索。智能监控系统，尤其是人员搜索功能，一个重要特征在于输出端提供视觉反馈，即在用户端以排序形式呈现人员图像结果。因此，即便在边缘端完成部分处理，仍需将裁剪出的人员图像存储或传输至云端服务器，以在用户端展示搜索结果。然而，将视频或图像数据存储或传输至云端服务器会引发严重的隐私问题。所提出的PAPS模型在执行人员搜索过程中，无需存储或传输原始图像或视频数据，从而从根本上解决了隐私隐患。该系统具有良好的可扩展性，可轻松接入更多摄像头节点，以扩大监控覆盖范围。由于绝大部分计算任务均在边缘服务器完成，仅需少量雾计算（fog computing）资源，且云端仅在用户端发起查询时进行极少量的处理，显著降低了系统负载。在整个系统中，仅传输经过处理和编码的数据，跨边缘、雾和云服务器之间不传输原始图像或视频，既保障了用户隐私，又大幅降低了带宽消耗。此外，本文提出了一种新的评估指标——“人员容量”（Person Capacity），用于评估基于边缘计算的系统在高密度人群场景中部署的可行性。在自建视频数据集以及PRW和CUHK-SYSU数据集上的性能评估结果表明，所提出的系统在实时性与实用性场景下，能够实现当前最先进的或具有竞争力的搜索性能，充分验证了其在实际应用中的有效性与优越性。