一种基于图像识别进行智能监控的方法及系统技术方案

本发明专利技术涉及神经网络技术领域，公开了一种基于图像识别进行智能监控的方法及系统，本发明专利技术通过在智能监控系统中采集图像数据，生成热力图，搭建基于级联结构的的目标检测网络模型，根据热力图内的成像颜色和标注后的图像数据信息在图像数据样本中裁剪出对应区域，然后在特征收集网络模块中进行目标结构和目标密度的推理，进行分类识别和检测损失；最后在真实场景下的监控视频测试最优网络模型，完成基于图像识别的智能监控。本发明专利技术通过采用级联网络模型实现小目标检测任务，增强抗干扰力，从而提高模型的检测性能。而提高模型的检测性能。而提高模型的检测性能。

【技术实现步骤摘要】
一种基于图像识别进行智能监控的方法及系统


[0001]本申请涉及神经网络
，尤其涉及一种基于图像识别进行智能监控的方法及系统。

技术介绍

[0002]随着信息时代的到来，视频智能监控系统获得了长足发展，大量的视频监控设备被用于不同场所，用于监控一场的行为、事件或者数据，视频智能监控系统在公共安全、城市管理等领域发挥着重要的作用。
[0003]近些年来，深度学习技术迅猛发展，深度神经网络强大的特征表达能力和端到端的训练方式成为了智能视频监控系统的极大助力。在深度学习与智能视频监控技术的结合中，如何设计有效、鲁棒和可靠的神经网络结构是其中亟待解决的核心问题。
[0004]多数检测方法当前的算法大多针对于具有一定尺寸大小的常规目标，然而，真实场景下拍摄到的图像存在目标尺寸较小和特征不明显等原因，因而对小目标的检测性能远不能令人满意。
[0005]因此，亟需提出一种易训练、易部署的小目标智能监控检测方法，解决低分辨率下小目标边缘模糊导致的难区分问题，针对小目标检测中数据样本少和提取特征难问题出发，通过采用级联网络模型实现小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别进行智能监控的方法，其特征在于，包括以下步骤：步骤S1，在智能监控系统中采集图像数据，根据图像数据生成热力图；步骤S2，搭建基于级联结构的的目标检测网络模型，所述网络模型包括依次连接的主干网络模块、特征收集网络模块和残差注意力模块；步骤S3，将包含目标的图像数据进行标注，分为网络模型的训练集和测试集；步骤S4，根据热力图内的成像颜色和标注后的图像数据信息在图像数据样本中裁剪出对应区域，然后在特征收集网络模块中进行目标结构和目标密度的推理；步骤S5，根据主干网络模块初步提取图像数据的特征信息，通过特征收集网络模块对所述特征信息进行深度增强，最后使用残差注意力模块进行分类识别和检测损失；步骤S6，最后在真实场景下的监控视频测试最优网络模型，完成基于图像识别的智能监控。2.根据权利要求1所述的一种基于图像识别进行智能监控的方法，其特征在于，所述步骤S1包括：明确采集目标，根据从目标图像中提取的自然特征来检测图像目标；将图像目标与实时智能监控系统采集的图像中的特征进行比较，获取图像数据。3.根据权利要求1所述的一种基于图像识别进行智能监控的方法，其特征在于，所述步骤S2包括：所述主干网络模块包括上游分支结构和下游分支结构；所述上游分支结构包括依次串联连接的第一卷积模块、第一归一化模块和softmax激活函数模块；所述下游分支结构包括第二卷积模块、第二归一化模块、欧氏距离损失函数模块和标注图像模块，所述第二卷积模块、第二归一化模块依次串联连接，所述第二归一化模块并联连接有欧氏距离损失函数模块和标注图像模块；所述softmax激活函数模块、欧氏距离损失函数模块和标注图像模块共同连接至全连接模块进行回归输出。4.根据权利要求1所述的一种基于图像识别进行智能监控的方法，其特征在于，所述步骤S2包括：在特征收集网络模块中增设空间金字塔池化模块，所述金字塔池化模块包括依次连接的金字塔卷积组块、激活函数层、最大池化层和拼接层；所述金字塔卷积组块包括依次连接的第三卷积模块、第三归一化模块和激活函数层；所述特征收集网络模块包括多个结构相同的卷积组块以及金字塔池化模块，所述卷积组块和金字塔卷积组块的结构相同，...

【专利技术属性】
技术研发人员：丁红霞，董志敏，
申请(专利权)人：佛山市顺德区福禄康电器科技有限公司，
类型：发明
国别省市：