面向人群异常检测的低延迟视频匿名化：隐私与性能的权衡
计算机视觉与模式识别
2026-05-05 v2 人工智能
摘要
人工智能的最新进展为利用监控摄像头的监测应用提供了巨大潜力。然而，对隐私和模型偏差的担忧使得在公共场合使用它们变得困难。尽管文献中提出了去身份识别方法，旨在实现一定程度的匿名化，但大多数方法使用的深度学习模型在实时边缘部署中计算需求过高。本研究重新审视了用于隐私保护和实时视频异常检测的传统匿名化解决方案。我们提出了一种轻量级自适应匿名化方法用于视频异常检测，该方法采用动态调整来增强全身隐私保护。我们使用多个公开数据集评估了隐私保护和VAD效用保持效果，以检验不同匿名化方法的优缺点，并突出我们方法的优势。实验表明，我们的方法能够在不过度降低VAD效果的情况下显著提升隐私匿名化水平，优于传统方法和深度学习方法。代码可在 https://github.com/muleina/LA3D 获取。
引用
@article{arxiv.2410.18717,
title = {Low-Latency Video Anonymization for Crowd Anomaly Detection: Privacy Versus Performance},
author = {Mulugeta Weldezgina Asres and Lei Jiao and Christian Walter Omlin},
journal= {arXiv preprint arXiv:2410.18717},
year = {2026}
}
备注
16 pages, 16 figures, 10 tables, Accepted Version