一种基于大数据的智慧园区视频监控管理系统技术方案

本发明专利技术涉及图像数据处理领域，公开了一种基于大数据的智慧园区视频监控管理系统，包括：第一模块，将固定时长的视频进行处理获得帧图像，并对帧图像进行灰度化处理获得视频帧图像；第三模块，基于视频帧图像和区域图像生成顶点图；第四模块，生成训练集；将重构误差作为损失值训练更新异常评估模型的参数；第五模块，将训练集中的所有训练样本输入异常评估模型获得重构误差；第六模块，则判断待预测的视频内是否存在异常行为；存在异常行为，进行告警操作；避免了因为人群遮挡等因素导致的特征缺失，提高了视频监控智能判别异常行为的准确性。性。性。

【技术实现步骤摘要】
一种基于大数据的智慧园区视频监控管理系统


[0001]本专利技术涉及图像数据处理领域，更具体地说，它涉及一种基于大数据的智慧园区视频监控管理系统。

技术介绍

[0002]视频异常行为检测是属于智能视频监控的范畴；大多数方法一般涉及两个部分，在训练阶段通过无监督学习训练数据的外观和运动特征，建立与正常数据相关联的一个或多个模型；根据视频数据与模型是否匹配判定视频是否异常。通过视频中运动目标的轨迹来生成运动特征，人群遮挡运动特征缺失，导致模型的误差过大。

技术实现思路

[0003]本专利技术提供一种基于大数据的智慧园区视频监控管理系统，解决相关技术中人群遮挡引起的特征缺失而导致的模型误差过大的技术问题。
[0004]本专利技术提供了一种基于大数据的智慧园区视频监控管理系统，包括：第一模块，将固定时长的视频进行处理获得帧图像，并对帧图像进行灰度化处理获得视频帧图像；
[0005]第二模块，将视频帧图像进行图像分割获得区域图像；
[0006]第三模块，基于视频帧图像和区域图像生成顶点图，顶点图包括顶点以及连接顶点的边，顶点包括第一顶点和第二顶点，第一顶点对应视频帧图像，第二顶点对应视频帧图像分割之后的区域图像，第t帧的视频帧图像的第一顶点和第t+1帧的视频帧图像的第一顶点存在边；同一视频帧图像的区域图像的第二顶点之间通过边全连接，第t帧和第t+1帧的视频帧图像中存在的重叠的区域图像对应的第二顶点存在边；对区域图像和视频帧图像进行特征化处理获得对应顶点的顶点矢量；
[0007]第四模块，生成训练集，训练集中的视频中均不包含异常行为，将训练集中的视频处理获得的顶点图和顶点矢量输入异常评估模型对异常评估模型进行训练，异常评估模型包括GNN层、逻辑层、第一隐藏层、反卷积层、重构误差计算层，其中GNN层对顶点对应的顶点矢量进行更新，输出顶点第二矢量到逻辑层，逻辑层对第一顶点的顶点第二矢量进行矩阵化处理获得顶点特征，将第一顶点的顶点特征按照其对应的视频帧图像的时间进行排序生成顶点特征序列，然后输入第一隐藏层，输出顶点输出特征序列，反卷积层将顶点输出特征序列的序列单元进行反卷积到与视频帧图像尺寸一致，获得重构图像序列，重构误差计算层计算重构图像序列与视频帧图像的重构误差；
[0008]将重构误差作为损失值训练更新异常评估模型的参数，达到最大更新次数，或者重构误差相比于上一次训练的变化值小于0.1时，停止训练。
[0009]第五模块，将训练集中的所有训练样本输入异常评估模型获得重构误差，计算所有训练样本的重构误差的最大值作为误差阈值；
[0010]第六模块，将待预测的视频处理获得的顶点图和顶点矢量输入异常评估模型，输出待预测的视频的重构误差，如果该重构误差超过误差阈值，则判断待预测的视频内存在
异常行为，否则判断待预测的视频内不存在异常行为；
[0011]第七模块，重构误差没超过误差阈值，认定视频中不存在异常行为，不对视频进行处理。超过误差阈值，进行告警操作，提醒负责人注意告警区域的视频，并对告警区域进行人力排查处理。
[0012]进一步的，图像分割可以采用SegNet、DeepLab、Mask R
‑
CNN、U
‑
Net、Gated SCNN等图像分割模型。
[0013]进一步的，特征化处理的方法为卷积处理，对区域图像进行卷积处理时可以对其进行边缘填充处理来获得矩阵形式的图像特征。
[0014]进一步的，重构误差计算层的计算公式如下：其中D
x,y
表示y
k
与x
k
之间的距离，y
k
表示重构图像序列的第k个序列单元，x
k
表示第k个视频帧图像，N*M表示视频帧图像的尺寸。
[0015]进一步的，D
x,y
为欧氏距离或余弦距离，以一个像素值作为一个维度。
[0016]进一步的，GNN层的计算公式如下：
[0017][0018]表示第i个节点的顶点第二矢量，和分别表示第i和j个节点的顶点矢量，W表示GNN层的权重参数，表示GNN层的权重矢量，N
i
表示与第i个节点直接连接的节点的集合。
[0019]进一步的，逻辑层对第一顶点的顶点第二矢量进行矩阵化处理获得顶点特征的方法是：将顶点第二矢量截取S个等长矢量，并作为顶点特征的S个行向量。
[0020]进一步的，第一隐藏层包括CNN层、RNN层、张量层组成，其中CNN层输入一个顶点特征对应的输出一个第一中间特征，第一中间特征的行向量依次拼接生成第二中间特征，RNN层在第t个时间步输入顶点特征序列的第t个序列单元生成的第二中间特征，并输出对应的第三中间特征，第三中间特征输入张量层之后矩阵化获得顶点输出特征。
[0021]进一步的，反卷积层的计算过程是将输入特征图进行填充，并使用权重进行卷积操作。
[0022]本专利技术的有益效果在于：避免了因为人群遮挡等因素导致的特征缺失，提高了视频监控智能判别异常行为的准确性。
附图说明
[0023]图1是本专利技术的一种基于大数据的智慧园区视频监控管理系统的模块示意图；
[0024]图2是本专利技术的异常评估模型的模块示意图；
[0025]图3是本专利技术的第一隐藏层的处理流程图。
[0026]图中：第一模块101，第二模块102，第三模块103，第四模块104，第五模块105，第六模块106，第七模块107。
具体实施方式
[0027]现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0028]如图1
‑
图3所示，一种基于大数据的智慧园区视频监控管理系统，包括：
[0029]第一模块101，将固定时长的视频进行处理获得帧图像，并对帧图像进行灰度化处理获得视频帧图像；
[0030]第二模块102，将视频帧图像进行图像分割获得区域图像；
[0031]图像分割可以采用SegNet、DeepLab、Mask R
‑
CNN、U
‑
Net、Gated SCNN等图像分割模型。
[0032]第三模块103，基于视频帧图像和区域图像生成顶点图，顶点图包括顶点以及连接顶点的边，顶点包括第一顶点和第二顶点，第一顶点对应视频帧图像，第二顶点对应视频帧图像分割之后的区域图像，第t帧的视频帧图像的第一顶点和第t+1帧的视频帧图像的第一顶点存在边；同一视频帧图像的区域图像的第二顶点之间通过边全连接，第t帧和第t+1帧的视频帧图像中存在的重叠的区域图像对应的第二顶点存在边；
[0033]对区域图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的智慧园区视频监控管理系统，其特征在于，包括：第一模块，将固定时长的视频进行处理获得帧图像，并对帧图像进行灰度化处理获得视频帧图像；第二模块，将视频帧图像进行图像分割获得区域图像；第三模块，基于视频帧图像和区域图像生成顶点图，顶点图包括顶点以及连接顶点的边，顶点包括第一顶点和第二顶点，第一顶点对应视频帧图像，第二顶点对应视频帧图像分割之后的区域图像，第t帧的视频帧图像的第一顶点和第t+1帧的视频帧图像的第一顶点存在边；同一视频帧图像的区域图像的第二顶点之间通过边全连接，第t帧和第t+1帧的视频帧图像中存在的重叠的区域图像对应的第二顶点存在边；对区域图像和视频帧图像进行特征化处理获得对应顶点的顶点矢量；第四模块，生成训练集，训练集中的视频中均不包含异常行为，将训练集中的视频处理获得的顶点图和顶点矢量输入异常评估模型对异常评估模型进行训练，异常评估模型包括GNN层、逻辑层、第一隐藏层、反卷积层、重构误差计算层，其中GNN层对顶点对应的顶点矢量进行更新，输出顶点第二矢量到逻辑层，逻辑层对第一顶点的顶点第二矢量进行矩阵化处理获得顶点特征，将第一顶点的顶点特征按照其对应的视频帧图像的时间进行排序生成顶点特征序列，然后输入第一隐藏层，输出顶点输出特征序列，反卷积层将顶点输出特征序列的序列单元进行反卷积到与视频帧图像尺寸一致，获得重构图像序列，重构误差计算层计算重构图像序列与视频帧图像的重构误差；将重构误差作为损失值训练更新异常评估模型的参数；第五模块，将训练集中的所有训练样本输入异常评估模型获得重构误差，计算所有训练样本的重构误差的最大值作为误差阈值；第六模块，将待预测的视频处理获得的顶点图和顶点矢量输入异常评估模型，输出待预测的视频的重构误差，如果该重构误差超过误差阈值，则判断待预测的视频内存在异常行为，否则判断待预测的视频内不存在异常行为；第七模块，视频内不存在异常行为不对视频进行处理，视频内存在异常行为，进行告警操作，提醒负责人注意告警区域的视频，并对告警区域进行人力排查处理。2.根据权利要求1所述的一种基于大数据的智慧园区视频监控管理系统，其特征在于，图像分割采用SegNet、DeepLab、Mask R
‑
...

【专利技术属性】
技术研发人员：黄霞，黄敬发，
申请(专利权)人：福建恒吟信息科技有限公司，
类型：发明
国别省市：