一种工地盗窃监测方法及系统技术方案

本发明专利技术涉及一种工地盗窃监测方法及系统，该方法包括以下步骤：S1、从监控摄像头对监控区域的监控视频中获取场景图像，通过深度学习目标检测算法框架YOLO V3检测图像中的目标监控材料，并用矩形框进行标识和输出；S2、通过实时多人姿态估计算法模型OpenPose检测并输出图像中所有个体的身体骨架姿态；S3、整合两种算法模型，利用KDTree算法计算出人体的手掌关键点坐标到所有矩形框的最短欧氏距离；S4、利用最短欧氏距离与对应矩形框较短的边相除实现归一化，若其值小于预设的阈值T，则判定工地材料可能遭受盗窃。该方法及系统有利于实时、准确地对工地内重要材料进行安全监控，以保护其不被盗取。其不被盗取。其不被盗取。

【技术实现步骤摘要】
一种工地盗窃监测方法及系统


[0001]本专利技术属于监测
，具体涉及一种工地盗窃监测方法及系统。

技术介绍

[0002]随着工程建设的不断发展，施工工地的规模越来越大，需要大量人员的参与，现场环境复杂，因此工地的管控和安防难度越来越大。工地上使用到的材料不会全部放置于仓库，如通信电缆、阀门、螺栓、架扣等部分材料通常会放置于工地的材料堆放区和辅助作业区上，工地停工后容易发生此类材料被盗的情况，严重威胁工地的财产安全和工人的财产安全。传统的防盗方法需要保卫人员轮流值守，费时费力，并不能很好的满足工业化的需求。因此，将智能化防盗技术应用到工地安防管理中具有重要的意义。

技术实现思路

[0003]本专利技术的目的在于提供一种工地盗窃监测方法及系统，该方法及系统有利于实时、准确地对工地内重要材料进行安全监控，以保护其不被盗取。
[0004]为实现上述目的，本专利技术采用的技术方案是：一种工地盗窃监测方法，包括以下步骤：步骤S1、从监控摄像头对监控区域的监控视频中获取场景图像，通过深度学习目标检测算法框架YOLO V3检测图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工地盗窃监测方法，其特征在于，包括以下步骤：步骤S1、从监控摄像头对监控区域的监控视频中获取场景图像，通过深度学习目标检测算法框架YOLO V3检测图像中的目标监控材料，并用矩形框进行标识和输出；步骤S2、通过实时多人姿态估计算法模型OpenPose检测并输出图像中所有个体的身体骨架姿态；步骤S3、整合两种算法模型，利用KDTree算法计算出人体的手掌关键点坐标到所有矩形框的最短欧氏距离；步骤S4、利用最短欧氏距离与对应矩形框较短的边相除实现归一化，若其值小于预设的阈值T，则判定工地材料可能遭受盗窃。2.根据权利要求1所述的一种工地盗窃监测方法，其特征在于，在步骤S1中，所述YOLO V3模型的训练，包括以下步骤：步骤A1、首先构建出目标监控材料图片的数据集，再对数据集进行扩增，然后对收集到的数据集进行增强，生成包括设定数量高质量图片的数据集；对数据集中图片标注出目标所在位置及其中心点坐标；步骤A2、构建YOLO V3框架所需的神经网络模型，层与层之间的激活函数采用leaky Relu激活函数；模型训练停止的条件包括：迭代至设定次数时停止，以及损失表现收敛时停止。3.根据权利要求2所述的一种工地盗窃监测方法，其特征在于，以Darknet
‑
53为骨干网络构建YOLO V3框架所需的神经网络模型，所述Darknet
‑
53采用3个不同尺度的特征层，分别为 13
×
13、26
×
26、52
×
...

【专利技术属性】
技术研发人员：陈国栋，赵志峰，林鸿强，王苡萱，
申请(专利权)人：福州大学，
类型：发明
国别省市：