异常场景检测方法及装置制造方法及图纸

本发明专利技术提供的异常场景检测方法及装置，通过接收第一终端发送的视频数据，根据预设采样间隔对视频数据进行采样得到多个图像数据，将各图像数据输入到预设的第一卷积神经网络模型中，根据第一卷积神经网络模型的标定结果确定图像是否为异常图像，若确定有异常图像，则将该异常图像的图像信息发送给第二终端，以便第二终端的用户及时采取应急响应措施，避免二次事故的发生。通过上述方法，解决了现有技术中存在的对铁路或公路沿线异常场景检测准确率低的问题。

Abnormal scene detection method and device

The abnormal scene detection method and the device provided by the invention can acquire a plurality of image data by receiving the video data transmitted by the first terminal, sampling the video data according to the preset sampling interval, input the image data into the preset first convolution neural network model, and calibrate the first convolution neural network model according to the first convolution neural network model. Results To determine whether the image is abnormal or not, if the abnormal image is confirmed, the image information of the abnormal image is sent to the second terminal, so that the second terminal users can take emergency response measures in time to avoid the occurrence of secondary accidents. Through the above method, the problem of low accuracy in detecting abnormal scenes along railway or highway is solved.

【技术实现步骤摘要】
异常场景检测方法及装置
本专利技术涉及视频图像处理
，尤其涉及一种异常场景检测方法及装置。
技术介绍
当前国家铁路建设已成为国家发展战略中举足轻重的一环，便捷的铁路网为国家发展提供了保障，更为人民生活提供了便利。当遇到突发的自然灾害如泥石流、山体滑坡等造成铁轨掩埋以及铁轨道路路基坍塌等问题时，对轨道交通系统的安全性构成了很大威胁，因此，在铁路运营管理中，对铁路及周遭环境进行安全巡检是非常重要的环节，以确保列车的安全行驶。目前，铁路部门常用的方法为人工巡检，工人沿铁轨进行巡查，排除铁轨周围的异常情况，确保铁路通行安全。这种方法费时费力，而且难以及时地对可能发生的自然灾害隐患进行准确排查。因此相关论文提出了通过无人机实现基于空基的自主监视的检测系统，对铁路沿线的环境进行巡检。无人机可通过携带的摄像头采集地面的图像数据，并运用计算机视觉技术进行智能分析与处理，对铁路沿线的场景情况进行判断，实现自主巡检，确保铁路安全。然而，受到光照、天气变化等自然条件的影响，传统的计算机视觉技术很难准确地对铁路沿线的自然灾害做出检测与识别，因此，检测系统亟待完善。
技术实现思路
本专利技术提供一种异常场景检测方法及装置，解决了现有技术中存在的对铁路或公路沿线异常场景检测准确率低的问题。本专利技术的第一方面提供一种异常场景检测方法，包括：接收第一终端发送的视频数据；根据预设采样间隔对所述视频数据进行采样，得到多个图像数据；将各所述图像数据输入到第一卷积神经网络模型中；所述第一卷积神经网络模型用于标定图像是否为异常图像；根据所述第一卷积神经网络模型的标定结果确定所述图像是否为异常图像，若是，则将所述异常图像的信息发送到第二终端。进一步的，所述将各所述图像数据输入到第一卷积神经网络模型中之前，还包括：将第一场景数据库的图像样本导入卷积神经网络，并对所述卷积神经网络进行预训练，得到第二卷积神经网络模型；所述第一场景数据库包括不同类型的场景；将第二场景数据库的图像样本导入所述第二卷积神经网络模型；所述第二场景数据库包括自然灾害场景；对所述第二卷积神经网络模型进行二次训练，得到所述第一卷积神经网络模型。进一步的，所述将第二场景数据库的图像样本导入所述第二卷积神经网络模型之前，还包括：将第二场景数据库的图像样本分为训练集和测试集；对所述训练集中的图像样本进行多尺度变换和多角度变换，得到扩充后的训练集；所述将第二场景数据库的图像样本导入所述第二卷积神经网络模型，包括：将所述扩充后的训练集导入所述第二卷积神经网络模型；所述对所述第二卷积神经网络模型进行二次训练，得到第一卷积神经网络模型，包括：在所述扩充后的训练集中对所述第二卷积神经网络模型进行二次训练，得到第三卷积神经网络模型；将所述测试集输入到所述第三卷积神经网络模型，得到测试结果；根据所述测试结果计算所述第三卷积神经网络模型的标定准确率；确定所述标定准确率满足预设准确率，则将所述第三卷积神经网络模型作为所述第一卷积神经网络模型。进一步的，所述多尺度变换是对图像样本按照预设比例进行缩放，并裁取中心区域；所述多角度变换是对图像样本按照预设角度进行旋转，并裁取中心区域。进一步的，所述将各所述图像数据输入到第一卷积神经网络模型中之前，还包括：根据所述第一卷积神经网络模型的输入类型，对各所述图像数据进行缩放和裁剪处理。进一步的，所述第一卷积神经网络模型包括十六个卷积层、五个池化层、两个全连接层和一个softmax层。进一步的，所述将所述异常图像的信息发送到第二终端之前，还包括：获取所述异常图像的属性信息，所述属性信息包括所述图像数据的拍摄时间和拍摄位置；所述将所述异常图像的信息发送到第二终端，包括：将所述异常图像以及所述异常图像的属性信息发送到第二终端。本专利技术的第二方面提供一种异常场景检测装置，包括：接收模块，用于接收第一终端发送的视频数据；采样模块，用于根据预设采样间隔对所述视频数据进行采样，得到多个图像数据；导入模块，用于将各所述图像数据输入到第一卷积神经网络模型中；所述第一卷积神经网络模型用于标定图像是否为异常图像；确定模块，用于根据所述第一卷积神经网络模型的标定结果确定所述图像是否为异常图像；若确定所述图像为异常图像，发送模块，用于将所述异常图像的信息发送到第二终端。本专利技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面中任一项所述的方法。本专利技术的第四方面提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。本专利技术实施例提供的异常场景检测方法及装置，通过接收第一终端发送的视频数据，根据预设采样间隔对视频数据进行采样得到多个图像数据，将各图像数据输入到预设的第一卷积神经网络模型中，根据第一卷积神经网络模型的标定结果确定图像是否为异常图像，若确定有异常图像，则将该异常图像的图像信息发送给第二终端，以便第二终端的用户及时采取应急响应措施，避免二次事故的发生。通过上述方法，解决了现有技术中存在的对铁路或公路沿线异常场景检测准确率低的问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的异常场景检测方法的流程示意图；图2为本专利技术一实施例提供的第一卷积神经网络的建模流程图；图3为本专利技术一实施例提供的第一卷积神经网络模型特征标定的流程示意图；图4为本专利技术一实施例提供的异常场景检测装置的结构示意图；图5为本专利技术提供的电子设备实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。应当理解，本文中使用的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术提供一种异常场景检测方法及装置，以解决现有技术中存在的对铁路或公路沿线的自然灾害场景检测准确率低的问题。为了使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术进行详细说明。图1为本专利技术一实施例提供的异常场景检测方法的流程示意图，如图1所示，本实施例的方法应用于铁路系统或公路系统，对此本实施例不作具体限定。本实施例提供的异常场景检本文档来自技高网...

【技术保护点】
1.一种异常场景检测方法，其特征在于，包括：接收第一终端发送的视频数据；根据预设采样间隔对所述视频数据进行采样，得到多个图像数据；将各所述图像数据输入到第一卷积神经网络模型中；所述第一卷积神经网络模型用于标定图像是否为异常图像；根据所述第一卷积神经网络模型的标定结果确定所述图像是否为异常图像，若是，则将所述异常图像的信息发送到第二终端。

【技术特征摘要】
1.一种异常场景检测方法，其特征在于，包括：接收第一终端发送的视频数据；根据预设采样间隔对所述视频数据进行采样，得到多个图像数据；将各所述图像数据输入到第一卷积神经网络模型中；所述第一卷积神经网络模型用于标定图像是否为异常图像；根据所述第一卷积神经网络模型的标定结果确定所述图像是否为异常图像，若是，则将所述异常图像的信息发送到第二终端。2.根据权利要求1所述的方法，其特征在于，所述将各所述图像数据输入到第一卷积神经网络模型中之前，还包括：将第一场景数据库的图像样本导入卷积神经网络，并对所述卷积神经网络进行预训练，得到第二卷积神经网络模型；所述第一场景数据库包括不同类型的场景；将第二场景数据库的图像样本导入所述第二卷积神经网络模型；所述第二场景数据库包括自然灾害场景；对所述第二卷积神经网络模型进行二次训练，得到所述第一卷积神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述将第二场景数据库的图像样本导入所述第二卷积神经网络模型之前，还包括：将第二场景数据库的图像样本分为训练集和测试集；对所述训练集中的图像样本进行多尺度变换和多角度变换，得到扩充后的训练集；所述将第二场景数据库的图像样本导入所述第二卷积神经网络模型，包括：将所述扩充后的训练集导入所述第二卷积神经网络模型；所述对所述第二卷积神经网络模型进行二次训练，得到第一卷积神经网络模型，包括：在所述扩充后的训练集中对所述第二卷积神经网络模型进行二次训练，得到第三卷积神经网络模型；将所述测试集输入到所述第三卷积神经网络模型，得到测试结果；根据所述测试结果计算所述第三卷积神经网络模型的标定准确率；确定所述标定准确率满足预设准确率，则将所述第三卷积神经网络模型作为所述第一卷积神经网络模型。4.根据权...

【专利技术属性】
技术研发人员：曹先彬，甄先通，李岩，黄元骏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11