基于深度学习的视图库布控报警方法技术

本发明专利技术提供了基于深度学习的视图库布控报警方法，其根据来自安装于不同城市区域的安防摄像头采集的视频以及目标人员的身体外表特征信息或身体动态特征信息，识别得到目标人员在不同城市区域的存在状态，继而得到目标人员的行踪轨迹；根据行踪轨迹，预测得到目标人员在未来预定时间段内的出现轨迹，以此确定目标人员在未来预定时间段内出现的地点位置；最后指示地点位置安装的安防摄像头进行定点拍摄，根据定点拍摄的结果，向安防平台中心反馈相应的通知消息，其以目标人员的历史行踪轨迹为基准，预测目标人员可能出现的地点位置，对同时对海量监测视频进行识别排查，优先确定目标人员最可能出现的地点，提高对目标人员进行追踪的效率和准确性。追踪的效率和准确性。追踪的效率和准确性。

Alarm method of view Library Based on deep learning

The invention provides a view library deployment alarm method based on deep learning, which recognizes the existence state of the target personnel in different urban areas and then obtains the whereabouts of the target personnel according to the video collected from the security cameras installed in different urban areas and the body appearance feature information or body dynamic feature information of the target personnel; According to the trajectory, the occurrence trajectory of the target personnel in the future scheduled time period is predicted, so as to determine the location of the target personnel in the future scheduled time period; Finally, the security camera installed at the location is instructed to shoot at a fixed point. According to the results of the fixed-point shooting, the corresponding notification message is fed back to the security platform center. Based on the historical whereabouts of the target personnel, it predicts the possible location of the target personnel, identifies and checks the massive monitoring videos at the same time, and gives priority to determine the most likely location of the target personnel, Improve the efficiency and accuracy of tracking target personnel. Efficiency and accuracy of tracking. Efficiency and accuracy of tracking< br/>

【技术实现步骤摘要】
基于深度学习的视图库布控报警方法


[0001]本专利技术涉及图像识别处理的
，特别涉及基于深度学习的视图库布控报警方法。

技术介绍

[0002]目前，对于嫌疑人的追踪定位都是将嫌疑人的人脸图像分发到不同监控人员中，再通过监控人员对监控视频进行逐一的排查对比，确定嫌疑人的出现位置。上述方式需要对海量的监控视频进行人工筛选排查，这不仅需要耗费大量的人力物力，增加视频分析的工作量，并且人工筛选排查不可避免存在错误，降低视频分析的准确性。

技术实现思路

[0003]针对现有技术存在的缺陷，本专利技术提供基于深度学习的视图库布控报警方法，其根据来自安装于不同城市区域的安防摄像头采集的视频以及目标人员的身体外表特征信息或身体动态特征信息，识别得到目标人员在不同城市区域的存在状态，继而得到目标人员的行踪轨迹；再根据行踪轨迹，预测得到目标人员在未来预定时间段内的出现轨迹，以此确定目标人员在未来预定时间段内出现的地点位置；最后指示地点位置安装的安防摄像头进行定点拍摄，根据定点拍摄的结果，向安防平台中心反馈相应的通知消息，其以目标人员的历史行踪轨迹为基准，预测目标人员可能出现的地点位置，这样能够对同时对海量监测视频进行识别排查，优先确定目标人员最可能出现的地点，提高对目标人员进行追踪的效率和准确性。
[0004]本专利技术提供基于深度学习的视图库布控报警方法，其包括如下步骤：
[0005]步骤S1，收集安装于不同城市区域的安防摄像头采集的视频；根据目标人员在不同城市区域的历史出现情况，将所有视频转换成视频队列，以及将所述视频队列保存到区块链中；
[0006]步骤S2，根据目标人员的身体外表特征信息或身体动态特征信息，从所述视频队列中识别得到目标人员在不同城市区域的存在状态；根据所述存在状态，得到目标人员的行踪轨迹；
[0007]步骤S3，根据所述行踪轨迹，预测得到目标人员在未来预定时间段内的出现轨迹；根据所述出现轨迹，确定目标人员在未来预定时间段内出现的地点位置；
[0008]步骤S4，指示所述地点位置安装的安防摄像头进行定点拍摄，根据定点拍摄的结果，向安防平台中心反馈相应的通知消息。
[0009]进一步，在所述步骤S1中，收集安装于不同城市区域的安防摄像头采集的视频具体包括：
[0010]收集安装于不同城市区域的安防摄像头采集的视频，并获取所述视频的实际影像亮度值；
[0011]将所述实际影像亮度值与预设影像亮度阈值进行比对，若所述实际影像亮度值小
于或等于预设影像亮度阈值，则丢弃所述视频；若所述实际影像亮度值大于预设影像亮度阈值，则保留所述视频。
[0012]进一步，在所述步骤S2中，根据目标人员在不同城市区域的历史出现情况，将所有视频转换成视频队列，以及将所述视频队列保存到区块链中具体包括：
[0013]按照目标人员在不同城市区域的历史出现概率值由高到低的顺序，依次将所有保留的视频排列转换成视频队列，以及将所述视频队列中的每个视频依次保存到区块链的不同区间中。
[0014]进一步，在所述步骤S2中，将所述视频队列中的每个视频依次保存到区块链的不同区间中具体包括：
[0015]若依次保存每个视频时出现无法将一个完整视频全部保存至区块链的单个区间中时，需要对所述单个完整视频进行分割并将分割后的两个子视频数据添加衔接因子数据然后再分别保存在区块链的不同区间中，其具体过程为：
[0016]步骤S201，利用下面公式(1)，根据每个视频的数据量判断是否需要进行分割视频的后续操作，
[0017][0018]在上述公式(1)中，W表示分割视频控制值；S0表示区块链的单个区间可存储的最大数据量；H(F
a
)表示第a个视频的数据量；n表示所述视频队列中的视频个数；Z,
‑
表示非负检验函数，若括号内的数值为非负数则函数值为1，若括号内的数值为负数则函数值为0；
[0019]若W＝1，表示存在视频需要进行分割储存，则找到要分割的视频继续进行后续步骤；
[0020]若W＝0，表示存在视频不需要进行分割储存，则不继续进行后续步骤，直接按照视频顺序储存到区块链的区间中；
[0021]步骤S202，若需要进行分割视频，则在分割视频后利用下面公式(2)在被分割的两个子视频的分割位置添加衔接因子数据，
[0022][0023]在上述公式(2)中，L(i,j)表示被分割的两个子视频的分割位置添加的衔接因子数据中第i行第j列的数值(所述衔接因子数据的数据形式为矩阵形式)；k,k+1表示被分割的视频的分割位置为视频的第k帧和第k+1帧中间；G
k
(i,j)表示被分割的视频的第k帧图像中第i行第j列像素点的像素值；G
k+1
(i,j)表示被分割的视频的第k+1帧图像中第i行第j列像素点的像素值；
[0024]将所述衔接因子数据添加在分割后的第一个视频数据的尾部，以及分割后的第二个视频数据的头部，进而形成视频的一个帧数；
[0025]步骤S203，若需要从区块链中依次提取出每个视频时，则需要利用下面公式(3)，根据相邻顺序的视频数据的前后两帧的图像数据判断是否需要进行视频合成，
[0026][0027]在上述公式(3)中，E表示提取视频过程中相邻顺序的视频数据进行视频合成的控
制值；m表示所述相邻顺序的视频数据的前一个视频数据的总帧数；P
1_m
(i,j)表示所述相邻顺序的视频数据的前一个视频数据的第m帧图像矩阵数据中第i行第j列的数值；P
2_1
(i,j)表示所述相邻顺序的视频数据的后一个视频数据的第1帧图像矩阵数据中第i行第j列的数值；||表示求取绝对值；P
1_(m
‑
1)
(i,j)表示所述相邻顺序的视频数据的前一个视频数据的第m
‑
1帧图像矩阵数据中第i行第j列的数值；P
2_2
(i,j)表示所述相邻顺序的视频数据的后一个视频数据的第2帧图像矩阵数据中第i行第j列的数值；I表示视频的一帧图像矩阵数据中每一列的数值个数；J表示视频的一帧图像矩阵数据中每一行的数值个数；
[0028]若E＝0，表示当前提取视频过程中的两个相邻顺序的视频数据是被分割的数据，需要进行视频合成；
[0029]若E≠0，表示当前提取视频过程中的两个相邻顺序的视频数据不是被分割的数据，不需要进行视频合成。
[0030]进一步，对目标人员的脸部图像进行识别分析，得到目标人员的脸部五官轮廓特征信息，以此作为所述身体外表特征信息；
[0031]对目标人员的背部图像进行识别分析，得到目标人员的背部轮廓特征信息，以此作为所述身体外表特征信息；
[0032]对目标人员的行走动态图像进行识别分析，得到目标人员的行走四肢姿态特征信息，以此作为所述身体动态特征信息。
[0033]进一步，在所述步骤S2中，根据目标人员的身体外表特征信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的视图库布控报警方法，其特征在于，其包括如下步骤：步骤S1，收集安装于不同城市区域的安防摄像头采集的视频；根据目标人员在不同城市区域的历史出现情况，将所有视频转换成视频队列，以及将所述视频队列保存到区块链中；步骤S2，根据目标人员的身体外表特征信息或身体动态特征信息，从所述视频队列中识别得到目标人员在不同城市区域的存在状态；根据所述存在状态，得到目标人员的行踪轨迹；步骤S3，根据所述行踪轨迹，预测得到目标人员在未来预定时间段内的出现轨迹；根据所述出现轨迹，确定目标人员在未来预定时间段内出现的地点位置；步骤S4，指示所述地点位置安装的安防摄像头进行定点拍摄，根据定点拍摄的结果，向安防平台中心反馈相应的通知消息。2.如权利要求1所述的基于深度学习的视图库布控报警方法，其特征在于：在所述步骤S1中，收集安装于不同城市区域的安防摄像头采集的视频具体包括：收集安装于不同城市区域的安防摄像头采集的视频，并获取所述视频的实际影像亮度值；将所述实际影像亮度值与预设影像亮度阈值进行比对，若所述实际影像亮度值小于或等于预设影像亮度阈值，则丢弃所述视频；若所述实际影像亮度值大于预设影像亮度阈值，则保留所述视频。3.如权利要求2所述的基于深度学习的视图库布控报警方法，其特征在于：在所述步骤S2中，根据目标人员在不同城市区域的历史出现情况，将所有视频转换成视频队列，以及将所述视频队列保存到区块链中具体包括：按照目标人员在不同城市区域的历史出现概率值由高到低的顺序，依次将所有保留的视频排列转换成视频队列，以及将所述视频队列中的每个视频依次保存到区块链的不同区间中。4.如权利要求3所述的基于深度学习的视图库布控报警方法，其特征在于：在所述步骤S2中，将所述视频队列中的每个视频依次保存到区块链的不同区间中具体包括：若依次保存每个视频时出现无法将一个完整视频全部保存至区块链的单个区间中时，需要对所述单个完整视频进行分割并将分割后的两个子视频数据添加衔接因子数据然后再分别保存在区块链的不同区间中，其具体过程为：步骤S201，利用下面公式(1)，根据每个视频的数据量判断是否需要进行分割视频的后续操作，在上述公式(1)中，W表示分割视频控制值；S0表示区块链的单个区间可存储的最大数据量；H(F
a
)表示第a个视频的数据量；n表示所述视频队列中的视频个数；Z[]表示非负检验函数，若括号内的数值为非负数则函数值为1，若括号内的数值为负数则函数值为0；若W＝1，表示存在视频需要进行分割储存，则找到要分割的视频继续进行后续步骤；若W＝0，表示存在视频不需要进行分割储存，则不继续进行后续步骤，直接按照视频顺
序储存到区块链的区间中；步骤S202，若需要进行分割视频，则在分割视频后利用下面公式(2)在被分割的两个子视频的分割位置添加衔接因子数据，在上述公式(2)中，l(i，j)表示被分割的两个子视频的分割位置添加的衔接因子数据中第i行第j列的数值(所述衔接因子数据的数据形式为矩阵形式)；k，k+1表示被分割的视频的分割位置为视频的第k帧和第k+1帧中间；G
k
(i，j)表示被分割的视频的第k帧图像中第i行第j列像素点的像素值；G
k+1
(i，j)表示被分割的视频的第k+1帧图像中第i行第j列像素点的像素值；将所述衔接因子数据添加在分割后的第一个视频数据的尾部，以及分割后的第二个视频数据的头部，进而形成视频的一个帧数；步骤S203，若需要从区块链中依次提取出每个视频时，则需要利用下面公式(3)，根据相邻顺序的视频数据的前后两帧的图像数据判断是否需要进行视频合成，在上述公式(3)中，E表示提取视频过程中相邻顺...

【专利技术属性】
技术研发人员：兰雨晴，黄永琢，余丹，王丹星，唐霆岳，
申请(专利权)人：慧之安信息技术股份有限公司，
类型：发明
国别省市：