监控场景下的异常闯入物实时检测方法及装置制造方法及图纸

本发明专利技术提供了一种监控场景下的异常闯入物实时检测方法及装置，包括：实时获取监控视频；将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物检测模型输出的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别。本发明专利技术能够实时监测监控范围内的环境中是否存在会阻碍正常生产、影响安全及会引起信息泄露的异常闯入物，从而在检测到存在异常闯入物时及时进行语音及视频标注框提醒，以保证监控区域的安全。域的安全。域的安全。

【技术实现步骤摘要】
监控场景下的异常闯入物实时检测方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种监控场景下的异常闯入物实时检测方法及装置。

技术介绍

[0002]安全是现代生活中社会关注的焦点问题，各地都建立了全方位的监控体系来保障社会的平稳有序运行，视频监控系统就是其中应用最广泛的一部分。伴随着高清摄像机的普及和移动网络的发展，视频监控系统逐渐应用在当下生产生活中的各个场景，特别是在一些敏感、高危区域视频监控覆盖率极高。得益于近年来计算机视觉技术，特别是深度学习技术的不断突破，计算机能够在算法模型的指导下对视频图像进行分析处理，提取出其中有价值的信息进行判断输出，像人一样的理解画面，从而代替工作人员完成一些繁琐的任务，并提高效率和准确率。然而，这些海量视频数据也给实时智能监控带来了极大挑战，常规的方法很难在实时处理的条件下达到较高的检测识别精度。
[0003]应用在安防领域视觉监控的异物入侵检测方法可以分为两种：一种方法是基于背景建模的运动目标检测算法，如静态差分、高斯混合模型和ViBe算法。这类算法需要建立背景模型，符合背景模型的像素点即为背景，同时作为背景输入更新背景模型，不符合背景模型的像素点为前景，即检测目标。基于背景建模的算法具有运算速度快、泛化性好的优点，但是缺点在于误报率高，对复杂场景下、远距离的较小目标的检测效果差；另一种方法是基于深度学习的目标检测算法，如Faster RCNN、SSD和YOLO系列。基于深度学习的目标检测算法不依赖视频帧之间的信息，可以对单幅图像进行目标检测。基于深度学习的目标检测算法的优点在于检测精度高、误报率低，缺点在于对远距离和像素点较小的目标检测效果差，占用计算机资源多，实时性不高。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术实施例提供一种监控场景下的异常闯入物实时检测方法及装置。
[0005]第一方面，本专利技术实施例提供一种监控场景下的异常闯入物实时检测方法，包括：
[0006]实时获取监控视频；
[0007]将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物检测模型输出的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别；其中，所述含有异常闯入物的监控图像中携带标注框，所述标注框用于框住所述异常检测物；所述预设的异常闯入物检测模型为采用监控视频样本作为输入数据，以及与所述监控视频样本对应的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别作为输出数据，基于机器学习算法训练得到的。
[0008]进一步地，还包括：
[0009]构建异常闯入物数据集，并进行标注确定所述异常闯入物所属类别；
[0010]对所述异常闯入物数据集进行扩展增强；
[0011]基于进行扩展增强后的所述异常闯入物数据集采用聚类算法获取符合预设待检测目标尺度特点的锚点框尺寸；
[0012]基于聚类后的所述异常闯入物数据集通过改进非极大值抑制的方法，抑制冗余框；
[0013]并基于YOLO_v4和/或YOLO_v5神经网络对所述异常闯入物数据集进行训练和检测。
[0014]进一步地，还包括：
[0015]计算两个所述锚点框中心点的距离；
[0016]根据计算结果抑制所述锚点框中的冗余框。
[0017]进一步地，所述对所述异常闯入物数据集进行扩展增强，具体包括：
[0018]采用旋转、亮度、尺度、角度变换，以及噪声和模糊处理的变换方式对所述异常闯入物数据集进行扩展增强。
[0019]第二方面，本专利技术实施例提供了一种监控场景下的异常闯入物实时检测装置，包括：
[0020]获取模块，用于实时获取监控视频；
[0021]检测模块，用于将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物检测模型输出的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别；其中，所述含有异常闯入物的监控图像中携带标注框，所述标注框用于框住所述异常检测物；所述预设的异常闯入物检测模型为采用监控视频样本作为输入数据，以及与所述监控视频样本对应的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别作为输出数据，基于机器学习算法训练得到的。
[0022]进一步地，还包括，构建模型模块：
[0023]所述构建模型模块，用于构建异常闯入物数据集，并进行标注确定所述异常闯入物所属类别；
[0024]对所述异常闯入物数据集进行扩展增强；
[0025]基于进行扩展增强后的所述异常闯入物数据集采用聚类算法获取符合预设待检测目标尺度特点的锚点框尺寸；
[0026]基于聚类后的所述异常闯入物数据集通过改进非极大值抑制的方法，抑制冗余框；
[0027]并基于YOLO_v4和/或YOLO_v5神经网络对所述异常闯入物数据集进行训练和检测。
[0028]进一步地，所述构建模型模块，还用于：
[0029]计算两个所述锚点框中心点的距离；
[0030]根据计算结果抑制所述锚点框中的冗余框。
[0031]进一步地，所述构建模型模块在执行对所述异常闯入物数据集进行扩展增强时，具体用于：
[0032]采用旋转、亮度、尺度、角度变换，以及噪声和模糊处理的变换方式对所述异常闯入物数据集进行扩展增强。
[0033]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的监控场景下的异常闯入物实时检测方法的步骤。
[0034]第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的监控场景下的异常闯入物实时检测方法的步骤。
[0035]由上述技术方案可知，本专利技术实施例提供的监控场景下的异常闯入物实时检测方法及装置，通过实时获取监控视频；将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物检测模型输出的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别。本专利技术能够实时监测监控范围内的环境中是否存在会阻碍正常生产、影响安全及会引起信息泄露的异常闯入物，从而在检测到存在异常闯入物时及时进行语音及视频标注框提醒，以保证监控区域的安全。
附图说明
[0036]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的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术一实施例提供的监控场景下的异常闯入物实时检测方法的流程示意图；...

【技术保护点】

【技术特征摘要】
1.一种监控场景下的异常闯入物实时检测方法，其特征在于，包括：实时获取监控视频；将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物检测模型输出的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别；其中，所述含有异常闯入物的监控图像中携带标注框，所述标注框用于框住所述异常检测物；所述预设的异常闯入物检测模型为采用监控视频样本作为输入数据，以及与所述监控视频样本对应的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别作为输出数据，基于机器学习算法训练得到的。2.根据权利要求1所述的监控场景下的异常闯入物实时检测方法，其特征在于，还包括：构建异常闯入物数据集，并进行标注确定所述异常闯入物所属类别；对所述异常闯入物数据集进行扩展增强；基于进行扩展增强后的所述异常闯入物数据集采用聚类算法获取符合预设待检测目标尺度特点的锚点框尺寸；基于聚类后的所述异常闯入物数据集通过改进非极大值抑制的方法，抑制冗余框；并基于YOLO_v4和/或YOLO_v5神经网络对所述异常闯入物数据集进行训练和检测。3.根据权利要求2所述的监控场景下的异常闯入物实时检测方法，其特征在于，还包括：计算两个所述锚点框中心点的距离；根据计算结果抑制所述锚点框中的冗余框。4.根据权利要求2所述的监控场景下的异常闯入物实时检测方法，其特征在于，所述对所述异常闯入物数据集进行扩展增强，具体包括：采用旋转、亮度、尺度、角度变换，以及噪声和模糊处理的变换方式对所述异常闯入物数据集进行扩展增强。5.一种监控场景下的异常闯入物实时检测装置，其特征在于，包括：获取模块，用于实时获取监控视频；检测模块，用于将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物...

【专利技术属性】
技术研发人员：吕彦锋，于倩，李怡，乔红，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：