一种基于动作解析的智能视频监控方法技术

本发明专利技术公开了一种基于动作解析的智能视频监控方法，通过包括：网络离线训练模块、动作解析模块、数据融合处理模块和视频监控模块构建的基于动作解析的智能视频监控系统实现；网络离线训练模块完成基于三维卷积神经网络的动作检测与识别网络模型的确定与训练，动作解析模块完成异常动作检测与识别，数据融合处理模块将检测结果与视频进行融合用于传输，视频监控模块通过可视化页面显示监控视频并展示报警事件。本发明专利技术利用监控视频的时空特征信息并搭建监控页面，实现了提升检测准确率和实时性的效果。性的效果。

【技术实现步骤摘要】
一种基于动作解析的智能视频监控方法


[0001]本专利技术涉及一种视频监控方法，特别是一种基于动作解析的智能视频监控方法。

技术介绍

[0002]计算机视觉快速发展，智能监控技术逐渐出现在大众视野中，该技术选用深度学习、图像处理等方法对摄像机采集的视频进行处理与分析，从而识别视频中的特定目标或异常情况，用于发出警报。智能视频监控技术的应用及普及促进了社会治安的提升，在改善生活质量、防御灾害等方面也有重要的意义。然而，受到检测识别算法及硬件平台的限制，现有智能视频监控系统常采用单帧图像检测的方法，易受监控摄像头的视野和角度等因素影响，存在动作检出率和检测准确性不高，且报警存在延时等问题。

技术实现思路

[0003]本专利技术目的在于提供一种基于动作解析的智能视频监控方法，解决当前智能视频监控系统识别准确率不高和实时性差的问题。
[0004]一种基于动作解析的智能视频监控方法的具体步骤为：
[0005]第一步搭建基于动作解析的智能视频监控系统，包括：网络离线训练模块、动作解析模块、数据融合处理模块和视频监控模块。...

【技术保护点】

【技术特征摘要】
1.一种基于动作解析的智能视频监控方法，其特征在于具体步骤为：第一步
ꢀꢀ
搭建基于动作解析的智能视频监控系统，包括：网络离线训练模块、动作解析模块、数据融合处理模块和视频监控模块；第二步 网络离线训练模块完成动作检测与识别网络模型的确定与训练网络离线训练模块确定并搭建深度三维卷积神经网络模型，用于检测与识别异常动作，确定网络输入帧数、网络层数、各层定义、各层卷积面个数、卷积核尺寸、池化尺寸、池化层计算函数、激活函数和损失函数；然后利用采集的监控数据构建样本库，包含不同的异常行为类别，并将视频序列都统一到相关的基准帧数即网络的输入帧数，帧数大于基准帧数的视频需进行采样，而帧数小于基准帧数的视频则通过复制按预定比例选出的帧进行插值；利用该样本库对三维卷积神经网络的各卷积核的未知参数进行离线学习训练；网络采用3D卷积和3D池化，在卷积层的特征映射连接了上一层多帧连续图像，这样既包含了空间信息，也包含了时间信息，从而获取一组帧序列的信息；3D卷积层的基本运算用公式(1)表示：公式(1)中，是坐标为(x,y,z)的单元在i层的第j个的特征映射值，其中z是时间维度，第f为激活函数，m是(i
‑
1)层上的特征映射几何的索引，表示卷积核与上一层的第m个特征图的连接权重，b
ij
是该特征映射的偏置，P
i
、Q
i
和R
i
是3D权重核立方体的维度，R
i
是时间维度的大小；3D池化层基本运算用公式(2)表示：公式(2)中，u为3D池化层的输入向量，池化处理后为v，三个方向的采样步长分别为s、t和r，p为池化层计算函数；分类层用来输出一个带有各个类别概率的向量，其中概率最大的类别就是本次推断的识别结果，最常用的分类函数是Softmax函数，它的输入是最后一层全连接层的输出神经元，先把它们经过指数函数处理，把结果以概率的形式呈现出来，用公式(3)表示：公式(3)中，j是类别编号，α
j
是输入的第j个神经元，N是类别数目，p
j
是j编号类别的概率；训练过程中的参数利用公式(4)进行更新：
公式(4)中，η代表训练过程中设计的学习率，上标(m)代表...

【专利技术属性】
技术研发人员：夏祎，葛宪莹，倪亮，宋玉娟，张宗傲，王青，柳春晓，李慧君，
申请(专利权)人：北京控制与电子技术研究所，
类型：发明
国别省市：