一种基于智能摄像头的视频分析方法技术

本发明专利技术公开了一种基于智能摄像头的视频分析方法，包括：S1，对预定位置安装对指定方向监控的摄像头；S2，设计标注对象，并根据所述标注对象设计以及训练检测模型获得监测模型；S3，将所述监测模型芯片不支持的算子进行剪除后，获得剪除部分和剩余部分，所述剪除部分通过CPU进行推理和所述剩余部分通过芯片进行推理并作为模型算法；S4，将所述模型算法安装到所述摄像头；S5、启动所述模型算法，将所述摄像头获得的报警图片传至云平台。通过智能摄像头，定向设计检测网络模型，划分芯片计算和cpu计算，极大提升性能且安装部署方便，无需采用服务器进行巨量运算，极大地降低了硬件成本，采用自控监控，有效地减少了建筑工地人力维护成本，算法识别准确率高，实时性好，能够满足工程应用的需要。程应用的需要。程应用的需要。

【技术实现步骤摘要】
一种基于智能摄像头的视频分析方法


[0001]本专利技术涉及本视频监控人工智能领域，特别是涉及一种基于智能摄像头的视频分析方法。

技术介绍

[0002]随着计算机技术和网络技术的不断升级，人工智能得到不断发展，其应用正不断扩展。而人工智能中的核心即为信息检测与信息处理，而不同于传统的处理方式，其处理速度和数据处理量都会以集合数量级增加。
[0003]目前人工智能算法计算平台多数在服务器中，需要配置一块或者多块显卡。随着芯片技术的发展，智能算法计算平台逐渐转向边缘端，例如摄像头。与此同时，在建筑施工工地数字化转型中，人工智能检测算法也应用其中，例如安全帽检测、反光衣检测、人员区域入侵检测等等。
[0004]目前，这类算法本地的安装配置大多以服务器为主，且这一方式会存在以下问题：
[0005]其一，服务器高温散热问题；
[0006]其二，运输过程中显卡松动问题；
[0007]其三，机器相对而言较大且费用昂贵，也有一定维护成本。
[0008]因此，基于边缘摄像头的智能检测算法应运而生。摄像头相比服务器而言，体积小，同时芯片的计算能力有限，因此如何设计合理的算法模型，使其能在一定计算能力的摄像头中运行成为解决问题的关键。

技术实现思路

[0009]本专利技术的目的是提供了一种基于智能摄像头的视频分析方法，能极大提升识别准确度，且安装部署方便节省成本。
[0010]为解决上述技术问题，本专利技术提供了一种基于智能摄像头的视频分析方法，包括：
[0011]S1，对预定位置安装对指定方向监控的摄像头；
[0012]S2，设计标注对象，并根据所述标注对象设计以及训练检测模型获得监测模型；
[0013]S3，将所述监测模型芯片不支持的算子进行剪除后，获得剪除部分和剩余部分，所述剪除部分通过CPU进行推理和所述剩余部分通过芯片进行推理并作为模型算法；
[0014]S4，将所述模型算法安装到所述摄像头；
[0015]S5、启动所述模型算法，将所述摄像头获得的报警图片传至云平台。
[0016]其中，所述检测模型为改进的ssd模型，所述改进的ssd模型的基础模块包括第一路稠密层和第二路稠密层，所述第一路稠密层包括一个3*3卷积核，用于捕捉小尺度目标，所述第二路稠密层包括两个3*3卷积核，用于学习大尺度目标的视觉特征。
[0017]其中，所述S2包括：
[0018]所述检测模型法采用conv+bn+relu组合进行计算。
[0019]其中，所述S3包括：
[0020]将所述改进的ssd模型中prototxt模型文件中的Flatten层、PriorBox层、Concat层、Reshape层、Softmax层和DetectionOutPut层进行剪除作为剪除部分；
[0021]将剪切后的所述prototxt模型文件和caffemodel权重文件进行转换，转换为海思芯片对应的wk模型，作为所述剩余部分。
[0022]其中，所述剪除部分通过CPU进行推理包括：
[0023]采用SVP_NNIE_Ssd_PriorBoxForward对所述PriorBox层进行推理；
[0024]采用SVP_NNIE_Ssd_SoftmaxForward对所述Softmax层进行推理；
[0025]采用SVP_NNIE_Ssd_DetectionOutForward对所述DetectionOutPut层。
[0026]其中，所述采用SVP_NNIE_Ssd_PriorBoxForward对所述PriorBox层进行推理包括：
[0027]根据每一所述PriorBox层的最小边长minsize、最大边长maxsize计算正方形框；
[0028]根据长宽比aspect_ratio计算长方形框；
[0029]将每一所述PriorBox层的特征图大小映射回原图位置，其中，所述特征图大小分别为2个19*19、10*10、5*5、3*3和1*1。
[0030]其中，所述采用SVP_NNIE_Ssd_SoftmaxForward对所述Softmax层进行推理，包括：
[0031]采用f
i
作为置信度，对softmax层进行推理。
[0032]其中，所述采用SVP_NNIE_Ssd_DetectionOutForward对所述DetectionOutPut层，包括：
[0033]计算所述DetectionOutPut层的前topk的真实图像坐标值作为预测值解码进行推理计算。
[0034]其中，所述S4包括：
[0035]将所述模型算法采用arm-himix200-linux进行交叉编译后获得编译文件；
[0036]采用rpmbuild工具对所述编译文件打包获得打包文件；
[0037]将所述打包文件在线安装至所述摄像头。
[0038]其中，所述S1包括：
[0039]所述摄像头的俯仰角范围为-15
°
～15
°
。
[0040]本专利技术实施例提供的基于智能摄像头的视频分析方法与现有技术相比较，具有以下优点：
[0041]所述基于智能摄像头的视频分析方法，通过智能摄像头，定向设计检测网络模型，划分芯片计算和cpu计算，极大提升性能且安装部署方便，无需采用服务器进行巨量运算，极大地降低了硬件成本，采用自控监控，有效地减少了建筑工地人力维护成本，算法识别准确率高，实时性好，能够满足工程应用的需要。而且采用该种视屏分析方式，实现了摄像头的拍摄与分析的集成，无需将数据传回后进行分析，而是直接在摄像头进行分析，只需传回分析结果即可，实现即部署即使用的效果，降低部署成本。
附图说明
[0042]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简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
提供的附图获得其他的附图。
[0043]图1为本申请提供的基于智能摄像头的视频分析方法的一个实施例的步骤流程示意图。
具体实施方式
[0044]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，所描述的实施例仅仅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做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。
[0045]如图1所示，图1为本申请提供的基于智能摄像头的视频分析方法的一个实施例的步骤流程示意图。
[0046]在一种具体实施方式中，本专利技术提供的基于智能摄像头的视频分析方法，包括：
[0047]S1，对预定位置安装对指定方向监控的摄像头；对指定方向监控的摄像头，不限定数量，可以根据需要设置一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能摄像头的视频分析方法，其特征在于，包括：S1，对预定位置安装对指定方向监控的摄像头；S2，设计标注对象，并根据所述标注对象设计以及训练检测模型获得监测模型；S3，将所述监测模型芯片不支持的算子进行剪除后，获得剪除部分和剩余部分，所述剪除部分通过CPU进行推理和所述剩余部分通过芯片进行推理并作为模型算法；S4，将所述模型算法安装到所述摄像头；S5、启动所述模型算法，将所述摄像头获得的报警图片传至云平台。2.如权利要求1所述基于智能摄像头的视频分析方法，其特征在于，所述检测模型为改进的ssd模型，所述改进的ssd模型的基础模块包括第一路稠密层和第二路稠密层，所述第一路稠密层包括一个3*3卷积核，用于捕捉小尺度目标，所述第二路稠密层包括两个3*3卷积核，用于学习大尺度目标的视觉特征。3.如权利要求2所述基于智能摄像头的视频分析方法，其特征在于，所述S2包括：所述检测模型法采用conv+bn+relu组合进行计算。4.如权利要求3所述基于智能摄像头的视频分析方法，其特征在于，所述S3包括：将所述改进的ssd模型中prototxt模型文件中的Flatten层、PriorBox层、Concat层、Reshape层、Softmax层和DetectionOutPut层进行剪除作为剪除部分；将剪切后的所述prototxt模型文件和caffemodel权重文件进行转换，转换为海思芯片对应的wk模型，作为所述剩余部分。5.如权利要求4所述基于智能摄像头的视频分析方法，其特征在于，所述剪除部分通过CPU进行推理包括：采用SVP_NNIE_Ssd_PriorBoxForward对所述PriorBox层进行推理；采用SVP_NNIE_Ssd_SoftmaxForward对所述Softmax层进行推理；采用SV...

【专利技术属性】
技术研发人员：朱常玉，单建华，吴晓欣，
申请(专利权)人：杭州品茗安控信息技术股份有限公司，
类型：发明
国别省市：