基于图像深度学习算法的超门店经营分析方法和装置制造方法及图纸

本发明专利技术公开了一种基于图像深度学习算法的超门店经营分析方法和装置，通过获取设置至少一个预置位的摄像机所拍摄的视频数据，其中预置位包括在店面上方的摄像机所监测的单个角度的位置；提取视频数据中的图像，通过图像深度学习算法对图像进行检测，识别出超门店经营行为并进行违章报警；以及对至少一个预置位检测得到的违章报警情况进行合并统计，得到店面超门店经营信息。通过图像深度学习算法对不同预置位获得的视频数据进行自动化检测，分析得到城市超门店经营行为，由于超门店经营是一种持续性的行为，因此通过图像深度学习算法不间断的运算分析可以对同一设备同一类型的违法行为持续地发出预警，让执法者及时进行处理，提升城市化管理效率。

【技术实现步骤摘要】
基于图像深度学习算法的超门店经营分析方法和装置
本专利技术涉及视频图像分析领域，具体涉及一种基于图像深度学习算法的超门店经营分析方法和装置。
技术介绍
超门店经营是指经营者通过占用其经营场所店面以外或附近的公共场所进行经营的行为，在城市治理中是一种较为常见的不规范经营现象。在治理这些乱象的过程中，通常采用巡逻、排查、监督等人工治理等方式，耗费非常多的人力物力，而且在城市管理人员不在的时候，超门店经营的乱象又会出现，因此在治理超门店经营过程中难度大、效果差，而且成本非常高。目前，随着城市中监控探头的广泛分布，超门店经营现象也在监控范围之内，但是监控数据量巨大，人工数据处理需要大量的时间和人力成本。随着人工智能技术的快速发展，带来许多新的技术和应用，例如深度学习算法、目标检测算法等等，都为超门店经营治理提供新的思路和方法。在现有技术中有通过动态物体检测方法进行背景建模来检测商店超门店经营现象，但是超门店经营的动态变化较弱，采用动态物体检测方法就明显增加了数据处理的难度。视频视角固定，即每一帧拍摄到的店面位置不变时，则利用动态物体检测本文档来自技高网...

【技术保护点】
1.一种基于图像深度学习算法的超门店经营分析方法，其特征在于，包括以下步骤：/nS1：获取设置至少一个预置位的摄像机所拍摄的视频数据，其中所述预置位包括在店面上方的所述摄像机所监测的单个角度的位置；/nS2：提取所述视频数据中的图像，通过图像深度学习算法对所述图像进行检测，识别出超门店经营行为并进行违章报警；/nS3：对至少一个所述预置位检测得到的违章报警情况进行合并统计，得到超门店经营信息。/n

【技术特征摘要】
1.一种基于图像深度学习算法的超门店经营分析方法，其特征在于，包括以下步骤：
S1：获取设置至少一个预置位的摄像机所拍摄的视频数据，其中所述预置位包括在店面上方的所述摄像机所监测的单个角度的位置；
S2：提取所述视频数据中的图像，通过图像深度学习算法对所述图像进行检测，识别出超门店经营行为并进行违章报警；
S3：对至少一个所述预置位检测得到的违章报警情况进行合并统计，得到超门店经营信息。


2.根据权利要求1所述的基于图像深度学习算法的超门店经营分析方法，其特征在于，所述步骤S1包括以下步骤：
S11：通过对所述店面上方的所述摄像机设置至少一个预置位；
S12：使所述摄像机在至少一个所述预置位上进行轮询跟踪监测，并实时获得所述摄像机在至少一个所述预置位上所拍摄的视频数据。


3.根据权利要求1所述的基于图像深度学习算法的超门店经营分析方法，其特征在于，所述步骤S2包括以下步骤：
S21：将所述视频数据中的所述图像通过基于VGG16的FasterRCNN网络进行训练，获得所述图像中的物体所在位置和类别；
S22：根据所述物体所在位置筛选出店面外的物体及类别；
S23：当所述店面外的物体属于店面经营物体时，则判定为超门店经营行为并进行违章报警。


4.根据权利要求3所述的基于图像深度学习算法的超门店经营分析方法，其特征在于，所述基于VGG16的FasterRCNN网络包括ConvLayers、RPN网络、RoiPooling和全连接层，通过所述ConvLayers提取所述图像的特征图，所述特征图用于所述RPN网络和全连接层的输入。


5.根据权利要求4所述的基于图像深度学习算法的超门店经营分析方法，其特征在于，所述ConvLayers包括13个conv层、13个relu层和4个pooling层，其中所述conv层中kernel_size＝3，pad＝1，stride＝1，所述pooling层中kernel_size＝2，stride＝2。


6.根据权利要求4所述的基于图像深度学习算法的超门店经营分析方法，其特征在于，所述RPN网络接收所述ConvLayers输出的特征图...

【专利技术属性】
技术研发人员：李国煌，陈积银，张龙，
申请(专利权)人：罗普特科技集团股份有限公司，
类型：发明
国别省市：福建;35