安防场景识别方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术涉及人工智能安防领域，本发明专利技术提供一种安防场景识别方法、装置、设备及可读存储介质，该方法包括：筛选出历史场景图像中的安防场景图像，基于所述安防场景图像训练目标检测模型；通过训练好的目标检测模型生成第一场景图像，所述第一场景图像用于训练加入骨骼点检测的网络模型；基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场景识别结果。本发明专利技术通过训练好的目标检测模型生成用于训练加入骨骼点检测的网络模型，使得网络模型的部署及维护成本降低，又通过训练好的加入骨骼点检测的网络模型进行安防场景识别，提高了安防场景识别的准确率。了安防场景识别的准确率。了安防场景识别的准确率。

【技术实现步骤摘要】
安防场景识别方法、装置、设备及可读存储介质


[0001]本专利技术涉及人工智能安防领域，尤其涉及一种安防场景识别方法、装置、设备及可读存储介质。

技术介绍

[0002]随着深度学习网络的不断发展以及计算机硬件类技术的进步，人工智能相关应用已经渗透到了生产生活的各个领域，特别是在日常的安防场景下，通过视觉安防技术替代人工进行监控逐步成为主流的方式，人工监控的地方、区域以及时间受限且成本较高，计算机视觉可以发挥监控更全面、分布更广泛的作用。
[0003]在校园安防场景中，监控主要布置在操场、校门口及教学楼等区域，现有的安防场景识别主要是云端或本地服务器基于现有图像识别技术进行的场景识别，部署及维护成本相对较高，识别准确率较低。

技术实现思路

[0004]本专利技术提供一种安防场景识别方法、装置、设备及可读存储介质，用以解决现有安防场景识别方案存在的部署及维护成本相对较高，识别准确率较低的技术问题。
[0005]本专利技术提供一种安防场景识别方法，包括：
[0006]筛选出历史场景图像中的安防场景图像，基于所述安防场景图像训练目标检测模型；
[0007]通过训练好的目标检测模型生成第一场景图像，所述第一场景图像用于训练加入骨骼点检测的网络模型；
[0008]基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场景识别结果。
[0009]根据本专利技术提供的一种安防场景识别方法，所述基于所述安防场景图像训练目标检测模型包括：
[0010]对所述安防场景图像进行标注，将标注了分类标签的安防场景图像输入目标检测模型；
[0011]根据所述目标检测模型输出的损失值，对所述目标检测模型的参数进行调整；
[0012]在所述目标检测模型的参数调整次数达到第一预设阈值，或者所述损失值小于第二预设阈值的情况下，确定所述目标检测模型训练完成。
[0013]根据本专利技术提供的一种安防场景识别方法，所述通过训练好的目标检测模型生成第一场景图像包括：
[0014]将采集到的视频流输入所述训练好的目标检测模型，通过所述训练好的目标检测模型对所述视频流进行截取以及场景检测，得到第一场景图像。
[0015]根据本专利技术提供的一种安防场景识别方法，所述基于所述第一场景图像训练加入骨骼点检测的网络模型包括：
[0016]将带有场景标签的第一场景图像输入带有骨骼点检测的网络模型，通过所述骨骼点检测确定所述第一场景图像的姿态特征；
[0017]根据所述姿态特征确定所述网络模型输出的场景概率结果；
[0018]基于所述场景概率结果和所述场景标签，对所述网络模型的参数进行调整；
[0019]根据所述网络模型的参数的调整结果，确定所述网络模型是否训练完成。
[0020]根据本专利技术提供的一种安防场景识别方法，所述基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场景识别结果包括：
[0021]将采集到的目标场景图像输入所述训练好的网络模型，通过所述训练好的网络模型提取所述目标场景图像的姿态信息；
[0022]基于所述姿态信息确定所述目标场景图像是否属于目标安防场景；
[0023]在所述目标场景图像属于所述目标安防场景的情况下，确定所述目标安防场景为所述目标场景图像的安防场景识别结果。
[0024]根据本专利技术提供的一种安防场景识别方法，所述基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场景识别结果之后包括：
[0025]根据边缘计算端配套的框架的应用程序编程接口，生成量化网络模型。
[0026]根据本专利技术提供的一种安防场景识别方法，所述根据边缘计算端配套的框架的应用程序编程接口，生成量化网络模型之后包括：
[0027]调整权重文件中所述量化网络模型的参数，使所述量化网络模型在所述边缘计算端运行。
[0028]本专利技术还提供一种安防场景识别装置，包括：
[0029]目标检测模型训练模块，用于筛选出历史场景图像中的安防场景图像，基于所述安防场景图像训练目标检测模型；
[0030]第一场景图像生成模块，用于通过训练好的目标检测模型生成第一场景图像，所述第一场景图像用于训练加入骨骼点检测的网络模型；
[0031]安防场景识别模块，用于基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场景识别结果。
[0032]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述安防场景识别方法。
[0033]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述安防场景识别方法。
[0034]本专利技术提供的安防场景识别方法、装置、设备及可读存储介质，首先筛选出历史场景图像中的安防场景图像，通过安防场景图像训练目标检测模型，继而通过训练好的目标检测模型生成第一场景图像，第一场景图像用于训练加入了骨骼点检测功能的网络模型，最后基于训练好的网络模型对采集到的目标场景图像进行识别，得到目标场景图像的安防场景识别结果，通过训练好的目标检测模型生成用于训练加入骨骼点检测的网络模型，使得网络模型的部署及维护成本降低，又通过训练好的加入骨骼点检测的网络模型进行安防场景识别，提高了安防场景识别的准确率。
附图说明
[0035]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1是本专利技术提供的安防场景识别方法的流程示意图之一；
[0037]图2是本专利技术提供的安防场景识别方法的流程示意图之二；
[0038]图3是本专利技术提供的安防场景识别装置的结构示意图；
[0039]图4是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0040]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通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。
[0041]请参照图1，本专利技术提供一种安防场景识别方法，包括：
[0042]步骤100，筛选出历史场景图像中的安防场景图像，基于所述安防场景图像训练目标检测模型；
[0043]具体地，通过人工或者计算机自动识别的方式，从历史收集的场景图像中筛选出包含特定场景的图像，即本实施例中的安防场景图像，以校园内的安防场景识别为例，包含特定场景的图像可以是包含人员摔倒、人员追逐打闹以及人员打架等场景的图像。筛选出包含特定场景的安防场景图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安防场景识别方法，其特征在于，包括：筛选出历史场景图像中的安防场景图像，基于所述安防场景图像训练目标检测模型；通过训练好的目标检测模型生成第一场景图像，所述第一场景图像用于训练加入骨骼点检测的网络模型；基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场景识别结果。2.根据权利要求1所述的安防场景识别方法，其特征在于，所述基于所述安防场景图像训练目标检测模型包括：对所述安防场景图像进行标注，将标注了分类标签的安防场景图像输入目标检测模型；根据所述目标检测模型输出的损失值，对所述目标检测模型的参数进行调整；在所述目标检测模型的参数调整次数达到第一预设阈值，或者所述损失值小于第二预设阈值的情况下，确定所述目标检测模型训练完成。3.根据权利要求1所述的安防场景识别方法，其特征在于，所述通过训练好的目标检测模型生成第一场景图像包括：将采集到的视频流输入所述训练好的目标检测模型，通过所述训练好的目标检测模型对所述视频流进行截取以及场景检测，得到第一场景图像。4.根据权利要求1所述的安防场景识别方法，其特征在于，所述基于所述第一场景图像训练加入骨骼点检测的网络模型包括：将带有场景标签的第一场景图像输入带有骨骼点检测的网络模型，通过所述骨骼点检测确定所述第一场景图像的姿态特征；根据所述姿态特征确定所述网络模型输出的场景概率结果；基于所述场景概率结果和所述场景标签，对所述网络模型的参数进行调整；根据所述网络模型的参数的调整结果，确定所述网络模型是否训练完成。5.根据权利要求1所述的安防场景识别方法，其特征在于，所述基于训练好的网络模型对采集到的目标场景图像进行识别，得到安防场...

【专利技术属性】
技术研发人员：李耀，梁秉豪，唐政，袁明明，王凯，
申请(专利权)人：浪潮通信信息系统有限公司，
类型：发明
国别省市：