不法分子用针孔摄像头违法偷拍的事儿，可以说是过段时间就上个新闻。导致现在不少人出门住个酒店都要先用网上学来的方法查个遍，才能安心躺下。然而像什么手机摄像头检测法、某宝上的检测仪等费时费力，主要效果还不一定好……

现在，来自新加坡国立大学的研究员们又开发出了一种新方法，用一部手机加一个智能应用程序，就能实现近 90% 的精准检测率。

真的吗？一起来看。

一部手机 + 机器学习 App 揪出针孔摄像头

首先，手机不是普通的手机，是带有 ToF （Time of light，飞行时间）传感器的手机。

△ 论文来自 ACM Sensys 2021 智能传感系统大会

所谓 ToF 传感器，就是传感器发出经调制的近红外光，遇物体后反射，然后通过计算光线发射和反射时间差或相位差，获得被拍摄景物的距离，以产生深度信息。

其测量范围可达数米、精度小于 2cm，每秒更新频率可达 30~60 fps。

可在手机上用于人脸识别、金融支付、摄像时精准抠像 / 探测景深、AR 建模与体感游戏等。

现在有部分手机已经配有 ToF 传感器，比如 iPhone 13、iPhone 12 Pro、Samsung S20+/Ultra、华为 P30 Pro、OPPO RX17 Pro 等。

没有的也别着急，未来会渐渐成为一种趋势。

进入正题。

我们都知道，相比普通物体的“散射”，光线打在镜头这类物体上会形成强烈的逆反射，就像这样：

一个更形象的比喻：

而 ToF 传感器正好不仅能告诉你物体离摄像头有多远，还能反映图像中每个像素有多亮。

那就好办了，就比如下图最右，通过适当距离的 ToF 传感器反射，我们可以发现四个高亮点，而其中一个就是针孔摄像头藏身之处。

但是，问题也来了，四个亮点长得差不多，凭什么说中间那个就是呢？

另外，如果传感器和嫌疑物的距离太近或太远，给出的成像会“糊”就会造成误报，那又不知道嫌疑物到底在哪，怎么选择一个理想位置进行检测呢？

以及目前的 ToF 传感器空间分辨率都非常低，只有 240x320，这就导致一个针孔摄像头的图像可能就占 1-2 个像素；位深（bit-depth）也低，只能代表 8 种颜色，检测难度直线上升，误报率居高不下。

最后，嫌疑摄像头反射的光只能在 20° 的视场角（FoV）范围内可见，操作不当也会导致漏报。

好家伙，问题这么多，怎么解决？

这就得靠搭载了计算机视觉和机器学习的应用程序来帮忙了。

首先，使用手机摄像头对准一些你嫌疑的对象，然后 App 通过计算引导你和嫌疑对象保持合适的检测距离（一般是 20 厘米）。

计算依据假定针孔摄像头的直径为 1-2mm。

在扫描过程中，ToF 传感器的每一帧都给我们提供了激光强度图像和深度图像，程序将两者结合，提取候选区域，然后根据物理知识和机器学习过滤掉形状和距离基本不可能的选项。

接着将过筛的图像通过坐标转换从 2D 转为 3D，再通过 FoV 过滤器进行视场角过滤。

最终给出是否有针孔摄像头的结论。

说了这么多，看看它的真本事吧。

88.9% 的检测率

研究人员一共提供了 21 件不含和 9 件含针孔摄像头的物品进行测试。

每件物品用三种检测方法：ToF 手机 / LAPD App（也就是他们的方法）+ 一种叫做 K18 的市面检测仪 + 裸眼。

后两者需人为进行可疑摄像头的标注，一共 379 名志愿者参与。

最终，他们的方法最高获得了 88.9% 的准确率，以及最低 16.7% 的误报率。

比 K18 检测仪高了近 30%。

并且，APP 在实验用的 Samsung S20 + 可以连续运行 2 个半小时。

看到这儿，网友都坐不住了，纷纷喊话：什么时候上线应用程序，戳我啊！

好消息是，作者回应了：

代码正在开源。

那么，你觉得这个方法如何？到时发布了你会试试吗？

论文原文：

https://dl.acm.org/doi/10.1145/3485730.3485941

参考链接：

[1]https://www.youtube.com/watch?v=t4Txdhlji4k

[2]https://news.ycombinator.com/item?id=29267168

本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/592/274.htm]