【技术实现步骤摘要】
基于深度神经网络的遗留物品检测方法、装置及电子设备
[0001]本专利技术涉及图像识别
，尤其涉及一种基于深度神经网络的遗留物品检测方法、装置及电子设备。
技术介绍
[0002]随着监控摄像头网络的不断完善，越来越多的场所都有了监控摄像头，这为人员的安全提供了很好的保障，但是庞大的数据量也为工作人员带来了很大的负担。在保证服务质量的前提下，单位需要增加更多的人力成本才可以做到全天实时地处理监控摄像头拍摄到的事件。物品遗留这种时间跨度长的随机事件，需要工作人员投入更多的精力，大大增加了工作人员的工作的负担，降低了工作人员的工作效率。
[0003]目前，现有技术已经有一些用于遗留物品检测的方案，如在一种现有的遗留物品检测方案中，基于不同的学习率对待检测视频的每一帧构建对应的不同的背景模型，并根据不同学习率下遗留物融入背景的速度差异，获取背景模型的背景差值，然后提取背景差值所对应的连通域，再获取连通域的外接矩形，最后对每一帧的每一外接矩形进行跟踪，得到稳定的静止区域，即遗留物区域；该方案使用背景信息确定遗留物的区域能...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络的遗留物品检测方法，其特征在于，包括如下步骤：输入第一视频，对第一视频进行预处理，得到检测图像集；将检测图像集输入训练好的遗留物品检测模型，遗留物品检测模型检测确定检测图像集中包含的物品以及各个物品的深度特征，所述深度特征至少包括物品的颜色特征、纹理特征及尺寸特征；所述遗留物品检测模型根据各个物品的深度特征确定该物品对应的第一倍数，以各个物品的原始检测框中心点为基准将各个物品的原始检测框的宽和高均扩大第一倍数，得到各个物品对应的扩大检测框；所述遗留物品检测模型在各个物品对应的扩大检测框的范围内检测行人，若所述物品的扩大检测框中检测到行人，则判定该物品为非遗留物品，否则判定该物品为遗留物品；提取遗留物品的深度特征并输出至物品跟踪模型，物品跟踪模型根据遗留物品的深度特征对遗留物品进行跟踪，并记录遗留物品的遗留时间；当遗留物品的遗留时间超出预设的遗留时间阈值时，生成并发送报警信息。2.如权利要求1所述的基于深度神经网络的遗留物品检测方法，其特征在于，所述遗留物品检测模型的训练过程包括：建立遗留物品检测模型，所述遗留物品检测模型为yolov5网络模型，且该yolov5网络模型的最后一个卷积层中增设有一个并行的用于优化第一倍数的第一卷积层；设定第一倍数的初始值；提供训练样本集，为训练样本集中的训练样本进行标注，标注出各训练样本中的物品的遗留标签，所述遗留标签用于反映所述物品是否为遗留物品；将训练样本输入所述遗留物品检测模型，所述遗留物品检测模型检测所述训练样本中的物品；以各个物品的原始检测框中心点为基准将各个物品的原始检测框的宽和高均扩大第一倍数，得到各个物品对应的扩大检测框并在各个物品对应的扩大检测框的范围内检测行人；通过所述第一卷积层将检测到的物品的深度特征及行人的深度特征映射到一多维的深度空间中，并在所述深度空间中进行检测结果比较；当检测结果为物品的遗留标签显示该物品为非遗留物品，且在物品对应的扩大检测框中检测到行人时，则减小该物品对应的第一倍数的值；当检测结果为物品的遗留标签显示该物品为非遗留物品，且在物品对应的扩大检测框中未检测到行人时，则增加该物品对应的第一倍数的值；当检测结果为物品的遗留标签显示该物品为遗留物品，且在物品对应的扩大检测框中未检测到行人时，保持该物品对应的第一倍数的值不变；当检测结果为物品的遗留标签显示该物品为遗留物品，且在物品对应的扩大检测框中检测到行人时，缩小该物品对应的第一倍数的值；持续训练所述遗留物品检测模型，直至所述遗留物品检测模型的检测结果达到预设的训练标准。3.如权利要求2所述的基于深度神经网络的遗留物品检测方法，其特征在于，在设定所述第一倍数的初始值的同时还设定一倍数变化差值；
当检测结果为物品的遗留标签显示该物品为非遗留物品，且在物品对应的扩大检测框中检测到行人时，则计算所述行人的检测框与物品的检测框之间的欧式距离，并用所述行人的检测框与物品的检测框之间的欧式距离除以所述物品的检测框的对角线距离得到一倍数基值，用所述倍数基值减去倍数变化差值得到该物品对应的调整后的第一倍数；当检测结果为物品的遗留标签显示该物品为非遗留物品，且在物品对应的扩大检测框中未检测到行人时，则计算所述行人的检测框与物品的检测框之间的欧式距离，并用所述行人的检测框与物品的检测框之间的欧式距离除以所述物品的检测框的对角线距离得到一倍数基值，用所述倍数基值加上倍数变化差值得...
【专利技术属性】
技术研发人员：苑子杨，吴婷，闾凡兵，
申请(专利权)人：长沙海信智能系统研究院有限公司，
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。