【技术实现步骤摘要】
一种基于视觉相关判别网络的室外场景安全监控方法
本专利技术涉及图像处理和计算机视觉目标检测领域
，特别涉及一种基于视觉相关判别网络的室外场景安全监控方法。
技术介绍
夜晚的时候，各种公共场所的监控都需要值班人员在时时刻刻看着以防止有突发情况的发生，公共场所的安全定义很多样，需要值班人员在盯着，根据个人的经验进行分析，这样会造成人员的资源浪费，也会使工作人员的辛苦程度大量增加。针对室外安全的视觉检测判别方法就有着重要的意义。过去的监控方法是基于图像处理技术实现的，存在着噪音干扰，语义推断能力不足，视觉判断能力弱，场景识别效果很差的问题。随着计算机算力的提升，基于机器学习算法的视觉判别方法的提出，相对于过去的场景识别，准确率有了很大的提升，鲁棒性也大大增强。但是传统的算法所采用的数据存在着大量的非视觉先验信息，方法上很容易形式化，不具备进一步推断真实场景的语义信息。从而导致现有的关系数据的表征并不能明显提升相关场景推断。
技术实现思路
为了解决现有技术推断真实场景困难而导致的场景推断结果不准确的...
【技术保护点】
1.一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：包括如下步骤：/nS1：采集室外不同场景的图片，通过视觉标记工具对各个图片中的室外常见事物进行标记，并且标注图片类别；/nS2：基于Yolov3网络搭建深度学习网络；/nS3：根据YOLO3采用K-means聚类得到先验框的尺寸，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框，并利用K-means推断出abchorbox的数据集；/nS4.利用步骤S1所得到的anchorbox数据集训练Yolov3网络，得到训练后的数据集；/nS5.把S4步骤获得的经过训练的数据集进行视觉相关网络VD-Net进行判...
【技术特征摘要】
1.一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：包括如下步骤：
S1：采集室外不同场景的图片，通过视觉标记工具对各个图片中的室外常见事物进行标记，并且标注图片类别；
S2：基于Yolov3网络搭建深度学习网络；
S3：根据YOLO3采用K-means聚类得到先验框的尺寸，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框，并利用K-means推断出abchorbox的数据集；
S4.利用步骤S1所得到的anchorbox数据集训练Yolov3网络，得到训练后的数据集；
S5.把S4步骤获得的经过训练的数据集进行视觉相关网络VD-Net进行判别训练，对Yolov3检测出的图像进行标签推断，得到图像判别结果；
S6、根据S5步骤所获得的图像判别结果，利用场景真实语义的符合度进行对比，判断是否真正获取了场景的真实内容。
2.根据权利要求1所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：所述的S3步骤中，首先对S1步骤获得的图片数据集进行目标框标定，待标记的数据集的图片大小分为大中小三个层次，数据集标签包括目标坐标(X,Y,H,W)框内的物体类别C，其中类别C主要分为：person、dangerthing、safething三种标签。
3.根据权利要求1或2所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：所述的S3步骤中，输入尺寸为416*416*3的图片，在不同层次的网络采样后，Yolov3算法输出相对于输入图像32、16、8倍的三组采样图；输出特征图层分别为13*13*3、26*26*3、52*52*3,3代表三个先验框。
4.根据权利要求1或2或3所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：所述的S3步骤具体为：
对数据集通过k-means聚类算法获得数据集中3种不同尺度目标框的anchorbox；K-means聚类算法的K初步设定为8，聚类中心初始化采用扩展二叉排序树，步骤如下：
输入：分类的数目k和包含n个对象的数据集
输出：8个初试聚类中心点
S301：为数据集创建一颗扩展二叉排序树
S302：计算每一个划分的密度pj和中值mj
S3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。