本发明专利技术公开了一种基于巡逻机器人的翻墙行为检测方法，包括：获取巡逻机器人上的摄像机采集到的不同场景下的图像信息；基于深度学习的语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域；基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息；基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息；根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断；根据翻墙行为判断结果输出告警信息。本发明专利技术解决了现有翻墙行为检测存在的检测角度固定、准确率欠佳、成本高的问题，实现了多场景多角度的巡逻检测。检测。检测。
Detection method, device, medium and equipment of wall climbing behavior based on patrol robot
【技术实现步骤摘要】
基于巡逻机器人的翻墙行为检测方法、装置、介质及设备
[0001]本专利技术涉及视频监控领域，尤其涉及一种基于巡逻机器人的翻墙行为检测方法、装置、介质及设备。
技术介绍
[0002]现有技术在进行翻墙行为检测时，通过在围墙上架设摄像机采集视频流，然后采用预设算法对视频流逐帧地进行检测分析来铺抓可疑人员的违规翻墙行为，并输出告警信息。然而通过架设摄像机的方式只能采集特定位置的视频流，在特定角度上进行翻墙行为检测，无法实现多场景多角度的巡逻检测；且翻墙行为检测的准确率欠佳；若需要对多个场景进行检测时必须在围墙的不同区域上安装摄像机，则大大地增加了检测成本。
技术实现思路
[0003]本专利技术实施例提供了一种基于巡逻机器人的翻墙行为检测方法、装置、介质及设备，以解决现有翻墙行为检测存在的检测角度固定、准确率欠佳、成本高的问题，实现多场景多角度的巡逻检测。
[0004]一种基于巡逻机器人的翻墙行为检测方法，所述方法包括：
[0005]获取巡逻机器人上的摄像机采集到的不同场景下的图像信息；
[0006]基于深度学习的语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域；
[0007]基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息；
[0008]基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息；
[0009]根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断；
[0010]根据翻墙行为判断结果输出告警信息。
[0011]可选地，所述基于深度学习的语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域包括：
[0012]构建围墙检测模型，采用若干不同视角和环境因素下的围墙图像进行模型训练；
[0013]采用训练好的模型对所述图像信息进行围墙检测，得到所述图像信息中的围墙区域；
[0014]其中所述围墙检测模型采用基于深度学习的语义分割方法对图像信息中的每一个像素进行背景和围墙分类，属于围墙分类的所有像素构成围墙掩码。
[0015]可选地，所述基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息包括：
[0016]遍历所述围墙区域中的每一列掩码，获取每列掩码中的掩码的横坐标；
[0017]获取每列掩码中横坐标最小的掩码作为该列掩码的围墙上沿点，组合所述围墙上
沿点，得到所述围墙的上沿信息；
[0018]获取每列掩码中横坐标最大的掩码作为该列掩码的围墙下沿点，组合所述围墙下沿点，得到所述围墙的下沿信息。
[0019]可选地，所述基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息还包括：
[0020]对所述围墙的上沿信息进行直线拟合，得到所述围墙上沿直线表示。
[0021]可选地，所述基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息包括：
[0022]构建人体检测模型，采用若干不同视角和环境因素下的人体图像进行模型训练；
[0023]采用训练好的模型对所述图像信息进行人体检测，得到包含人体信息的边界框；
[0024]其中所述人体检测模型基于卷积神经网络对图像信息进行人体检测，并采用边界框将人体信息从图像信息中标记出来。
[0025]可选地，所述根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断包括：
[0026]获取所述人体信息，根据所述人体信息的边界框计算边界框中心点坐标；
[0027]判断所述边界框中心点的横坐标是否落在所述围墙上沿直线表示的横坐标范围内；
[0028]若所述边界框中心点的横坐标落在所述围墙上沿直线表示的横坐标范围内，则获取所述边界框中心点的横坐标对应到围墙上沿直线表示的纵坐标；
[0029]判断所述边界框的左上角的纵坐标是否大于所述边界框中心点的横坐标对应到围墙上沿直线表示的纵坐标；
[0030]若所述边界框的左上角的纵坐标大于所述边界框中心点的横坐标对应到围墙上沿直线表示的纵坐标，则根据所述围墙的上沿信息和下沿信息获取所述图像信息中围墙的最大高度；
[0031]判断所述围墙的最大高度是否大于所述边界框的高度；
[0032]若所述围墙的最大高度大于所述边界框的高度，则对所述边界框进行横向放大，并计算横向放大后的边界框的墙体高度所占比例；
[0033]判断所述比例是否大于预设阈值，若是，则判定存在翻墙行为。
[0034]可选地，所述根据所述围墙的上沿信息和下沿信息获取所述图像信息中围墙的最大高度包括：
[0035]根据所述围墙的上沿信息和下沿信息计算所述图像信息中所有墙体位置的高度信息，其中，所述高度信息Hwi＝Diy
‑
Uiy，Diy表示第i个围墙上沿点的纵坐标，Uiy表示第i个围墙下沿点的纵坐标；
[0036]获取所述高度信息中的最大值作为所述图像信息中围墙的最大高度。
[0037]一种基于巡逻机器人的翻墙行为检测装置，所述装置包括：
[0038]获取模块，用于获取巡逻机器人上的摄像机采集到的不同场景下的图像信息；
[0039]围墙检测模块，用于基于深度学习的语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域；
[0040]边沿信息获取模块，用于基于图像处理和统计方法对所述围墙区域进行分析，得
到围墙的上沿信息和下沿信息；
[0041]人体检测模块，用于基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息；
[0042]判断模块，用于根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断；
[0043]告警模块，用于根据翻墙行为判断结果输出告警信息。
[0044]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于巡逻机器人的翻墙行为检测方法。
[0045]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于巡逻机器人的翻墙行为检测方法。
[0046]本专利技术实施例通过获取巡逻机器人上的摄像机采集到的不同场景下的图像信息，无需固定场景或角度；然后基于深度学习语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域；基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息；基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息；最后根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断；以及根据翻墙行为判断结果输出告警信息；有效地提高了翻墙行为检测的准确率，实现了多场景多角度的巡逻检测，解决了现有翻墙行为检测存在的检测角度固定、准确率欠佳、成本高的问题。
附图说本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于巡逻机器人的翻墙行为检测方法，其特征在于，包括：获取巡逻机器人上的摄像机采集到的不同场景下的图像信息；基于深度学习的语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域；基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息；基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息；根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断；根据翻墙行为判断结果输出告警信息。2.如权利要求1所述的基于巡逻机器人的翻墙行为检测方法，其特征在于，所述基于深度学习的语义分割方法对所述图像信息进行围墙检测，得到图像信息中的围墙区域包括：构建围墙检测模型，采用若干不同视角和环境因素下的围墙图像进行模型训练；采用训练好的模型对所述图像信息进行围墙检测，得到所述图像信息中的围墙区域；其中所述围墙检测模型采用基于深度学习的语义分割方法对图像信息中的每一个像素进行背景和围墙分类，属于围墙分类的所有像素构成围墙掩码。3.如权利要求2所述的基于巡逻机器人的翻墙行为检测方法，其特征在于，所述基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息包括：遍历所述围墙区域中的每一列掩码，获取每列掩码中的掩码的横坐标；获取每列掩码中横坐标最小的掩码作为该列掩码的围墙上沿点，组合所述围墙上沿点，得到所述围墙的上沿信息；获取每列掩码中横坐标最大的掩码作为该列掩码的围墙下沿点，组合所述围墙下沿点，得到所述围墙的下沿信息。4.如权利要求3所述的基于巡逻机器人的翻墙行为检测方法，其特征在于，所述基于图像处理和统计方法对所述围墙区域进行分析，得到围墙的上沿信息和下沿信息还包括：对所述围墙的上沿信息进行直线拟合，得到所述围墙上沿直线表示。5.如权利要求1所述的基于巡逻机器人的翻墙行为检测方法，其特征在于，所述基于深度学习目标检测方法对所述图像信息进行人体检测，得到图像信息中的人体信息包括：构建人体检测模型，采用若干不同视角和环境因素下的人体图像进行模型训练；采用训练好的模型对所述图像信息进行人体检测，得到包含人体信息的边界框；其中所述人体检测模型基于卷积神经网络对图像信息进行人体检测，并采用边界框将人体信息从图像信息中标记出来。6.如权利要求1所述的基于巡逻机器人的翻墙行为检测方法，其特征在于，所述根据所述人体信息、围墙的上沿信息和下沿信息进行翻墙行为判断包括：获取所述人体信息，根据所述人体信...
【专利技术属性】
技术研发人员：李永敬，何沛开，刘彪，柏林，舒海燕，宿凯，沈创芸，祝涛剑，雷宜辉，王恒华，
申请(专利权)人：广州高新兴机器人有限公司，
类型：发明
国别省市：
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。