【技术实现步骤摘要】
一种基于深度学习的视频监控中行人目标检测方法及装置
[0001]本专利技术涉及目标检测
，尤其涉及一种基于深度学习的视频监控中行人目标检测方法及装置。
技术介绍
[0002]由于客滚船的特殊工作环境和复杂的海上天气条件，客滚船通常承载大量乘客和货物，需要在船舱、甲板和货仓等多个区域进行人员检测和搜索。同时，海上天气条件可能会对检测和搜索工作带来不利影响，例如大浪、风暴、能见度差等，深度学习中自我学习的特征可以更好地描述检测目标的特性，避免了复杂的特征提取和数据建模过程，行人检测是使用计算机视觉等方法判断图像中是否存在行人并给出在图像中的精准位置。
[0003]目前，可以通过深度学习的图像处理技术对客滚船上的视频监控画面进行处理和分析，提取出人体特征，并识别人体姿态和行为，例如，可以通过背景建模、运动检测、轮廓检测等技术来检测客滚船上的人员。
[0004]例如公开号为：CN114967731A公开的一种基于无人机的野外人员自动搜寻方法，包括：无人机接收手持终端设备发送来的航线飞行指令，在搜寻区域进行航线飞...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的视频监控中行人目标检测方法，其特征在于，包括以下步骤：S1，获取视频监控：通过在红外监控器获取客滚船上各个区域的实时热成像视频，并将实时热成像视频上传到检测平台；S2，对视频监控进行预处理：通过检测平台对实时热成像视频进行预处理并从中抽取视频帧；S3，处理视频监控，检测行人目标：在检测平台对比前后抽取的两个视频帧，若前后两帧完全相同，则将前一帧丢弃，并将后一帧存储继续与下一个抽取的视频帧进行对比，若前后两帧中出现差异，则将两帧存储，通过深度学习在热成像视频帧中找出类人姿态的区域；S4，展示检测结果以待确认：将类人姿态的热成像区域在检测平台展示，供工作人员确认热成像视频中检测到行人目标，从而完成行人目标检测。2.如权利要求1所述基于深度学习的视频监控中行人目标检测方法，其特征在于，所述S1中的将实时热成像视频上传到检测平台指将实时热成像视频及热成像视频对应的红外监控器位置、视频帧时间戳和热辐值一起打包发送至云平台。3.如权利要求1所述基于深度学习的视频监控中行人目标检测方法，其特征在于：所述S2中的对实时热成像视频进行预处理指将视频格式统一、视频采样、视频裁剪和视频去噪，便于后续对视频进行处理。4.如权利要求1所述基于深度学习的视频监控中行人目标检测方法，其特征在于：所述S2中抽取视频帧具体指每间隔一段时间间隔抽取一个视频帧，其中一段时间间隔包括一个数值和多个数值，避免抽取视频帧的频率与移动物体的移动频率相同导致前后帧内容相同而被丢弃。5.如权利要求1所述基于深度学习的视频监控中行人目标检测方法，其特征在于：所述S2中的检测平台包括预处理模块、对比模块、识别模块和展示模块；所述预处理模块用于将热成像视频进行预处理，并每隔一段时间间隔从热成像视频中抽取视频帧；所述对比模块用于将抽取的后一个视频帧与前一个视频帧对比，若完全无变化则删除前一个视频帧保留后一个视频帧，在将保留的视频帧与之后再次抽取的视频帧进行对比，若有变化则保存对比的前后两个视频帧，并将两个视频帧组合输入到识别模块；所述识别模块用于将对比模块输入的两个视频帧通过深度学习识别算法进行识别检测，得出其中包括类人姿态的区域；所述展示模块用于将包含类人姿态区域的视频帧展示给工作人员，由工作人员确认包含类人姿态区域的视频帧中检测到的行人目标。6.如权利要求5所述基于深度学习的视频监控中行人目标检测方法，其特征在于：所述对比模块中保留的视频帧最后需要重新按照时间戳顺序进行合并，保存为不包含丢弃帧且画面不连续的视频。7.如权利要求1所述基于深度学习的视频监控中行人目标检测方法，其特征在于，所述S3中通过深度学习在热成像视频...
【专利技术属性】
技术研发人员：崔迪，朱建华，占小跳，孙国庆，吴华玲，周亚飞，傅玲，蔡靖，赵文文，程霄楠，
申请(专利权)人：交通运输部水运科学研究所，
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。