一种基于智能学习的多目标识别监控方法及系统技术方案

本发明专利技术涉及智能监控技术领域，具体涉及一种基于智能学习的多目标识别监控方法及系统。该方法包括获取摄像机实时采集的监控区域的全景监控视频，建立和更新监控区域的背景模型，自动抓取多个前景目标作为被跟踪目标并锁定，基于多个预训练模型对每个被跟踪目标的实时监控画面进行识别，获取每个被跟踪目标的多标识检测结果，判断异常检测结果并标记异常监测框。使用一个摄像机，通过智能学习，生成多个模型，然后将多个模型植入摄像机，实现一个摄像机对一定区域的目的地多个标识的识别监控，实现对监控区的精确监控，利于精准判断多目标在监控视频中的运动状态，保证监控视频在出现异常的第一时间紧急预警。异常的第一时间紧急预警。异常的第一时间紧急预警。

【技术实现步骤摘要】
一种基于智能学习的多目标识别监控方法及系统


[0001]本专利技术涉及智能监控
，尤其涉及一种基于智能学习的多目标识别监控方法及系统。

技术介绍

[0002]随着计算机技术以及网络通讯技术的飞速发展及日趋完善，以及人们安防意识的提高，在安防监控领域也逐渐采用高清摄像头替代传统的安保人员巡逻的方式，满足所需安防监控管辖区域的安全维护需求。
[0003]目前针对安防监控管辖区域的安全维护主要是采用高清摄像头进行全区域覆盖的方式进行视频监控，由安防人员查看视频的方式进行做出安全防范，无法采用跟踪监控的方式进行管理，需要安防管理人员手动控制高清摄像头的云台转动，或通过简单的红外设备技术进行单目标跟踪拍摄，针对多目标无法有效识别以及自动识别监控，导致目前的安防监控系统无法满足多目标监控需求。

技术实现思路

[0004]为解决目前安防监控的高清摄像头针对多目标无法有效识别以及自动识别监控的问题，本专利技术提供了一种基于智能学习的多目标识别监控方法及系统，以解决在多目标监控的情况下，能够实现一个摄像机对一定区域的目的地多个标识的识别监控。
[0005]为实现上述目的，本专利技术提供了如下的技术方案：
[0006]第一方面，在本专利技术提供的一个实施方案中，提供了一种基于智能学习的多目标识别监控方法，包括以下步骤：
[0007]获取摄像机实时采集的监控区域的全景监控视频，并基于所述全景监控视频建立和更新所述监控区域的背景模型；
[0008]根据所述背景模型分割出所述全景监控视频中的前景目标，自动抓取多个前景目标作为被跟踪目标并锁定，从所述全景监控视频中获取每个被跟踪目标的实时监控画面；
[0009]基于置入所述摄像机的多个预训练模型对每个被跟踪目标的实时监控画面进行识别，获取每个被跟踪目标的多标识检测结果；
[0010]根据预设的目标数据库及动作标识判断所述多标识检测结果中的异常检测结果，在所述全景监控视频中对所述被跟踪目标标记异常监测框，保存与所述异常检测结果对应的被跟踪目标的实时监控画面。
[0011]第二方面，本专利技术还提供了一种基于智能学习的多目标识别监控系统，所述基于智能学习的多目标识别监控系统采用上述基于智能学习的多目标识别监控方法监控摄像机监控画面内多目标并对异常行为检测并紧急预警；所述基于智能学习的多目标识别监控系统包括：
[0012]视频采集模块，获取摄像机实时采集的监控区域的全景监控视频，并基于所述全景监控视频建立和更新所述监控区域的背景模型；
[0013]目标锁定模块，用于根据所述背景模型分割出所述全景监控视频中的前景目标，自动抓取多个前景目标作为被跟踪目标并锁定，从所述全景监控视频中获取每个被跟踪目标的实时监控画面；
[0014]标识检测模块，用于基于置入所述摄像机的多个预训练模型对每个被跟踪目标的实时监控画面进行识别，获取每个被跟踪目标的多标识检测结果；
[0015]异常标记模块，用于根据预设的目标数据库及动作标识判断所述多标识检测结果中的异常检测结果，在所述全景监控视频中对所述被跟踪目标标记异常监测框，保存与所述异常检测结果对应的被跟踪目标的实时监控画面。
[0016]第三方面，在本专利技术提供的又一个实施方案中，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现基于智能学习的多目标识别监控方法的步骤。
[0017]第四方面，在本专利技术提供的再一个实施方案中，提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器加载并执行时实现所述基于智能学习的多目标识别监控方法的步骤。
[0018]本专利技术提供的技术方案，具有如下有益效果：
[0019]本专利技术提供的基于智能学习的多目标识别监控方法及系统，使用一个摄像机，通过智能学习，生成多个模型，然后将多个模型植入摄像机，实现一个摄像机对一定区域的目的地多个标识的识别监控，实现对监控区的精确监控，以保证对多目标准确识别且目标识别结果的真实可靠，精准判断多目标在监控视频中的运动状态，保证监控视频在出现异常的第一时间紧急预警。
[0020]本专利技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例。在附图中：
[0022]图1为本专利技术一个实施例的一种基于智能学习的多目标识别监控方法的流程图。
[0023]图2为本专利技术实施例的一种基于智能学习的多目标识别监控方法中建立和更新背景模型的流程图。
[0024]图3为本专利技术另一个实施例的一种基于智能学习的多目标识别监控方法中锁定被跟踪目标的流程图。
[0025]图4为本专利技术另一个实施例的一种基于智能学习的多目标识别监控方法中辨识生物特征的流程图。
[0026]图5为本专利技术实施例的一种基于智能学习的多目标识别监控系统的系统框图。
具体实施方式
[0027]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不
用于限定本专利技术。
[0028]在本专利技术的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0029]下面将结合本专利技术示例性实施例中的附图，对本专利技术示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]由于目前针对安防监控管辖区域的安全维护主要是采用高清摄像头进行全区域覆盖的方式进行视频监控，由安防人员查看视频的方式进行做出安全防范，无法采用跟踪监控的方式进行管理，需要安防管理人员手动控制高清摄像头的云台转动，或通过简单的红外设备技术进行单目标跟踪拍摄，针对多目标无法有效识别以及自动识别监控，导致目前的安防监控系统无法满足多目标监控需求。
[0031]针对目前监控视频无法针对多目标无法有效识别以及自动识别监控的问题，本专利技术提供的基于智能学习的多目标识别监控方法及系统，能够实现一个摄像机对一定区域的目的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能学习的多目标识别监控方法，其特征在于，所述基于智能学习的多目标识别监控方法包括以下步骤：获取摄像机实时采集的监控区域的全景监控视频，并基于所述全景监控视频建立和更新所述监控区域的背景模型；根据所述背景模型分割出所述全景监控视频中的前景目标，自动抓取多个前景目标作为被跟踪目标并锁定，从所述全景监控视频中获取每个被跟踪目标的实时监控画面；基于置入所述摄像机的多个预训练模型对每个被跟踪目标的实时监控画面进行识别，获取每个被跟踪目标的多标识检测结果；根据预设的目标数据库及动作标识判断所述多标识检测结果中的异常检测结果，在所述全景监控视频中对所述被跟踪目标标记异常监测框，保存与所述异常检测结果对应的被跟踪目标的实时监控画面。2.如权利要求1所述的基于智能学习的多目标识别监控方法，其特征在于，所述基于所述全景监控视频建立和更新所述监控区域的背景模型，包括以下步骤：按照预设时间间隔进行分帧处理，提取所述全景监控视频中的视频帧图像；将提取的每帧所述视频帧图像采用VIBE算法进行背景建模，提取前景区域和背景图像；遍历提取的所有背景图像，统计所述背景图像中每个像素点的像素值，将像素值占比最多的像素点确定更新后像素点；将更新后像素点填充至背景建模的任一背景图像中，经处理后得到所述监控区域的背景模型。3.如权利要求2所述的基于智能学习的多目标识别监控方法，其特征在于，自动抓取多个前景目标作为被跟踪目标并锁定，包括：基于背景模型提取所述全景监控视频中前景区域的图像数据；将所述图像数据传输至目标辨识网络模型，辨识出所述图像数据中前景目标的生物特征及前景目标在所述图像数据中的位置；基于所述前景目标的生物特征锁定所述前景目标在监控区域的位置并拍摄。4.如权利要求3所述的基于智能学习的多目标识别监控方法，其特征在于，辨识出所述图像数据中前景目标的生物特征，还包括：将提取的前景区域的图像数据输入至目标辨识网络模型辨识出的前景目标的生物特征；基于所述目标辨识网络模型中载入的分类器对所述前景目标的生物特征进行目标识别，将前景目标进行分类并标记被跟踪目标标签；识别所述前景目标的轮廓信息，并生成被跟踪目标框；基于生物特征锁定所述前景目标在监控区域的位置，在继续拍摄的全景监控视频中标记前景目标的被跟踪目标框及标签。5.如权利要求4所述的基于智能学习的多目标识别监控方法，其特征在于，所述分类器为按照加载的目标类别，在获取到前景目标的生物特征后，在预定存储的目标类别特...

【专利技术属性】
技术研发人员：王彦立，杨淑钢，甄庆红，樊向斌，赵飞，
申请(专利权)人：中国通信建设第一工程局有限公司，
类型：发明
国别省市：