基于深度学习的防偷拍检测方法技术

本发明专利技术公开一种基于深度学习的防偷拍检测方法，其步骤为：1、构建深度学习的目标检测网络；2、生成训练集；3、采取多种尺度画框方式对图片中的同一偷拍行为进行标记；4、训练深度学习网络；5、检测偷拍行为；6、对无偷拍行为的图片进行图像增强；7、对特征增强后的图像再次进行检测。本发明专利技术通过在对数据集进行标记时采取多种尺度画框方式，克服了因偷拍行为动作多样化导致的检测正确率低的问题，构建了深度学习网络并对人形区域进行图像增强处理，保证了在监控视频中的偷拍行为检测上能够达到实时效果，并具有较高的正确率。

Anti-camera Detection Method Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的防偷拍检测方法
本专利技术属于图像处理
，更进一步涉及目标检测
中的一种基于深度学习的防偷拍检测方法。本专利技术可对视频监控中所拍摄到的人的偷拍行为进行实时检测。技术背景视频监控中的防偷拍检测在许多保密机构和单位中是一个十分有必要的行为，能够防止机构或单位的内部保密信息向外界泄露。但是在实际中，人工检测视频监控中的偷拍行为费时费力，而且很难做到实时检测。为解决上述问题，人们通常设计目标检测方法，利用计算机对视频监控中的偷拍行为进行检测。裕利年电子南通有限公司在其申请的专利文献“基于计算机视觉的防拍照显示系统及防拍照方法”(申请号：201811171034.1，公布号：CN109271814A)中提供了一种基于计算机视觉的防拍照显示系统及防拍照方法。该方法的步骤为，首先从数据库中调入基于RGB颜色空间的图像数据，并对数据进行滤波处理，使数据较为平滑；然后将RGB颜色空间映射到HSV空间，并对图像进行形态学处理；最后通过将检测到的物体轮廓图和大小与手机以及数码相机进行比对，判断图像是否包含偷拍行为。该方法的不足之处是：由于该方法在检测时只对偷拍设备进行检测而本文档来自技高网...

【技术保护点】
1.一种基于深度学习的防偷拍检测方法，其特征在于，构建深度学习的目标检测网络，采取多种尺度画框方式对图片进行标记，对无偷拍行为的图片进行图像增强，该方法的步骤如下：(1)构建深度学习的目标检测网络：(1a)搭建一个由四个模块组成的Yolov3目标检测网络具体结构如下：所述第一个模块的结构依次为：输入层→第1卷积层→第2卷积层→第一卷积子模块→第3卷积层→第二卷积子模块→第4卷积层→第三卷积子模块→第5卷积层→第四卷积子模块→第6卷积层→第五卷积子模块；所述第二卷积子模块是由四个依次串联的第一卷积单元组成；所述第三卷积子模块由八个依次串联的第2卷积单元组成；所述第四卷积子模块是由八个依次串联的第...

【技术特征摘要】
1.一种基于深度学习的防偷拍检测方法，其特征在于，构建深度学习的目标检测网络，采取多种尺度画框方式对图片进行标记，对无偷拍行为的图片进行图像增强，该方法的步骤如下：(1)构建深度学习的目标检测网络：(1a)搭建一个由四个模块组成的Yolov3目标检测网络具体结构如下：所述第一个模块的结构依次为：输入层→第1卷积层→第2卷积层→第一卷积子模块→第3卷积层→第二卷积子模块→第4卷积层→第三卷积子模块→第5卷积层→第四卷积子模块→第6卷积层→第五卷积子模块；所述第二卷积子模块是由四个依次串联的第一卷积单元组成；所述第三卷积子模块由八个依次串联的第2卷积单元组成；所述第四卷积子模块是由八个依次串联的第3卷积单元组成；所述第五卷积子模块是由四个依次串联的第4卷积单元组成；所有卷积单元的结构均依次为:两个依次串联的卷积层→ResNet层，每个ResNet层将所在卷积子模块的输入端连接并合并到输出端；所述第二个模块的结构依次为：第7卷积层→第8卷积层→第9卷积层→第10卷积层→第11卷积层→第12卷积层→第13卷积层→输出层；所述第三个模块的结构依次为：第14卷积层→上采样层→第1concat层→第15卷积层→第16卷积层→第17卷积层→第18卷积层→第19卷积层→第20卷积层→第21卷积层→输出层；所述第四个模块的结构依次为：第22卷积层→上采样层→第2concat层→第23卷积层→第24卷积层→第25卷积层→第26卷积层→第27卷积层→第28卷积层→第29卷积层→输出层；将第一个模块中的第五卷积子模块与第二个模块中第7卷积层相连，将第二个模块中第11卷积层与第三个模块中第14卷积层相连，将第三个模块中第19卷积层与第四个模块中第22卷积层相连；将第一个模块中的第四卷积子模块与第三个模块中的第1concat层相连，将第一个模块中的第三卷积子模块与第四个模块中的第2concat层相连，组成Yolov3目标检测网络；(1b)设置深度学习的目标检测网络每层的参数如下：将第1至第6卷积层的所有卷积核大小均设置为3*3，通道数依次设置为32,64,128,256,512,1024，第1卷积层步长设置为1，将第2至第5卷积层的步长均设置为2；将第7、9、11卷积层的卷积核大小均设置为1*1，通道数均设置为512，步长均设置为1；将第8、10、12卷积层的卷积核大小均设置为3*3，通道数均设置为1024，步长均设置为1；将第14卷积层的卷积核大小设置为1*1，通道数设置为256，步长设置为1；将第15、17、19卷积层的卷积核大小均设置为1*1，通道数均设置为256，步长均设置为1；将第16、18、20卷积层的卷积核大小均设置为3*3，通道数均设置为512，步长均设置为1；将第22卷积层的卷积核大小设置为1*1，通道数设置为128，步长设置为1；将第23、25、27卷积层的卷积核大小均设置为1*1，通道数均设置为128，步长均设置为1；将第24、26、28卷积层的卷积核大小均设置为3*3，通道数均设置为256，步长均设置为1；将第13、21、29卷积层的卷积核大小均设置为1*1，通道数均设置为255，步长均...

【专利技术属性】
技术研发人员：张静，胡锐，周秦，申枭，李云松，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61