一种基于未知类别检测的消防通道占用识别系统与方法技术方案

一种基于未知类别检测的消防通道占用识别系统与方法，基于计算机视觉的系统，针对现有技术中基于视觉的方法在检测目标时无法检测未知类别的物品的缺点而改进的可检测任意未知类别通道占用物的方法，通过对检测图提取特征，并使用gan的方式，利用特征生成真实图。由于在训练时没有加入占用物体的样本，所以特征生成的真实图中会没有占用物。再通过差异网络，得出占用物体的及其位置，从而完成未知类别物体的检测。使得模型可以识别任意占用了消防通道的物体。不同于现有的深度学习模型以有限已知类别的物体作为样本，本发明专利技术训练时只需训练非占用物的背景类。在通过生成网络与差异网络得到未知类别的占用物。网络得到未知类别的占用物。网络得到未知类别的占用物。

【技术实现步骤摘要】
一种基于未知类别检测的消防通道占用识别系统与方法


[0001]本专利技术涉及安全生产活动中的基于计算机视觉的安防预警
，具体涉及一种基于未知类别检测的消防通道占用识别系统与方法。

技术介绍

[0002]占用消防通道一般是指违规摆放物品、停放车辆造成消防通道堵塞,不能正常使用的行为。为避免消防通道被占用导致的安全隐患，需要及时识别出此类事件并实时告警，预防潜在的危害公共安全的事件发生，专利技术一种准确且易部署的消防通道占用识别系统具有重要意义。
[0003]目前消防通道占用识别算法大部分以深度学习为主。主要可以分为以下三类：1）使用图像分类的方法，通过摄像头采集视觉数据，通过深度学习算法训练图像分类网络以直接将视频帧分为消防通道被占用以及未被占用两种状态。
[0004]2）使用图像特征提取比对的方法，通过摄像头采集视觉数据，通过深度学习算法训练特征提取网络，设定相似度阈值，来判定图像帧的消防通道是否处于被占用状态。
[0005]3）使用目标检测或分割的方法，通过摄像头采集视觉数据，通过深度学习算法训练目标检测网络，检测是否有预设的占用物体类别出现在画面内指定区域，来判定图像帧的消防通道是否处于被占用状态。
[0006]针对现有的消防通道占用识别算法，现有技术分别存在以下缺点。
[0007]1）基于图像分类的方法，该方法通过深度神经网络提取图像特征，通过分类头将图片进行分类(消防通道被占用以及未被占用两类)。分类的深度学习网络，随着网络深度的增加，感受野会越来越大。对图像的特征的提取会越来越high
‑
level以及对图像整体的感知，而不是局部的不同。当画面内占用消防通道的物体不大时，分类模型往往会忽略掉这些小物体，导致分类效果不佳。
[0008]2）基于图像特征提取与比对的方法，该方法通过深度神经网络提取图像特征，与分类模型不同的是，此类模型输出的不是分类，而是图像的特征值向量。可以通过人工设置特征底库的方式，计算视频帧的特征值向量与特征底库内图像特征值向量的相似度，来判断是否属于被占用状态。此方法相比于分类的好处在于，不用每个场景都使用样本训练，而是将场景图像加入底库来完成。此方法的缺点与图像分类一致，只能感受较大物体的占用，对于小物体类的占用感知很差，从而准确率不高。
[0009]3）基于目标检测或分割的方法，通过预设已有类别的占用物体，在已有类别的检测准确度上高。且对于较小物体仍有较高的准确度。但是待检测的占用物体类型是未知的，类别数也是不可知的。因此，在训练该类模型时，没办法穷尽占用物的种类，就会导致该方法无法检测出某些物品的情况。

技术实现思路

[0010]为了解决现有技术存在的技术缺陷，本专利技术提供了一种基于未知类别检测的消防
通道占用识别系统与方法。
[0011]本专利技术采用的技术解决方案是：一种基于未知类别检测的消防通道占用识别方法，包括以下步骤：（1）通过摄像头采集场景检测视频帧数据，每隔10帧取1帧输入后续模型推理，并在软件端绘制摄像头对应的电子围栏区域；（2）将采集到的视频帧图像数据同一预处理为512*512尺寸的输入图像，并保留原始的图像数据；（3）将预处理后的视频帧图像数据输入到背景类分割模型里，得到预测的label图；（4）将视频帧图像，预测label图输入到Gan网络中，得到生成的真实图；（5）将视频帧图像，预测label图以及生成的真实图输入到差异网络中，得到实际的各差异物体及其得分；（6）设定分数阈值，并判定高于分数阈值的物体是否处于对应的电子围栏中，若处于，则进行预警，并标出占用物体的位置。
[0012]所述的步骤（3）中的背景类分割模型为采用hrnet为backbone的ocrnet分割算法模型。
[0013]所述的步骤（3）中背景类分割模型分割出视频帧图像数据画面内所有非占用物体。
[0014]所述的步骤（5）中差异网络对输入的预测label图、生成的真实图以及视频帧三者的特征进行提取并组合，采用跳层连接以及反卷积的方式生成差异图，差异图上对应的差异物体会有对应的置信度分数。
[0015]所述的步骤（6）中的电子围栏区域为一个按一定顺序连接的多个点所围成的多边形区域。
[0016]所述的步骤（6）中判定高于分数阈值的物体是否处于对应的电子围栏中的方法为差异物体中心点坐标是否处于多边形区域内，来确定指定区域内是否存在消防通道的占用物。一种基于未知类别检测的消防通道占用识别系统，包括图像采集模块：包括部署在消防通道周围的多路摄像头，分别采集消防通道区域的视频数据并输送至图像数据预处理模块；图像数据预处理模块：接收图像采集模块输送的视频帧图像数据并进行预处理，并绘制电子围栏区域；背景类别分割模块：将预处理后的视频帧图像数据输入到背景类分割模型里，得到预测的label图；真实图像生成模块：将视频帧图像，预测label图输入到Gan网络中，得到生成的真实图；差异网络比对模块：将视频帧图像，预测label图以及生成的真实图输入到差异网络中，得到实际的各差异物体及其得分；分析及输出模块：判定高于分数阈值的物体是否处于对应的电子围栏中，若处于，则输出预警信号。
[0017]本专利技术的有益效果是：本专利技术提供了一种基于未知类别检测的消防通道占用识别系统与方法，基于计算机视觉的系统，针对现有技术中基于视觉的方法在检测目标时无法检测未知类别的物品的缺点而改进的可检测任意未知类别通道占用物的方法，通过对检测图提取特征，并使用gan的方式，利用特征生成真实图。由于在训练时没有加入占用物体的样本，所以特征生成的真实图中会没有占用物。再通过差异网络，得出占用物体的及其位置，从而完成未知类别物体的检测。使得模型可以识别任意占用了消防通道的物体。不同于现有的深度学习模型以有限已知类别的物体作为样本，本专利技术训练时只需训练非占用物的背景类。在通过生成网络与差异网络得到未知类别的占用物。
附图说明
[0018]图1为本专利技术算法架构图。
[0019]图2为本专利技术消防通道占用识别系统完整算法步骤图。
[0020]图3为本专利技术消防通道占用识别系统具体实施步骤图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，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做出创造性劳动前提下所获的的所有其他实施例，都属于本专利技术保护的范围。
[0022]一种基于未知类别检测的消防通道占用识别方法，算法架构图如附图1所示，具体步骤如下：S1、通过摄像头采集场景检测视频帧数据，每隔10帧取1帧输入后续模型推理。
[0023]S2、未知类别检测模块接收摄像头的图像帧数据，通过训练好的背景类别分割模型OCRNET，分割出画面内所有非占用物体的，生成预测label图。
[0024]S3、使用Gan模型，接收OCRNET输出的预测label图，从而生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于未知类别检测的消防通道占用识别方法，其特征在于，包括以下步骤：（1）通过摄像头采集场景检测视频帧数据，每隔10帧取1帧输入后续模型推理，并在软件端绘制摄像头对应的电子围栏区域；（2）将采集到的视频帧图像数据同一预处理为512*512尺寸的输入图像，并保留原始的图像数据；（3）将预处理后的视频帧图像数据输入到背景类分割模型里，得到预测的label图；（4）将视频帧图像，预测label图输入到Gan网络中，得到生成的真实图；（5）将视频帧图像，预测label图以及生成的真实图输入到差异网络中，得到实际的各差异物体及其得分；（6）设定分数阈值，并判定高于分数阈值的物体是否处于对应的电子围栏中，若处于，则进行预警，并标出占用物体的位置。2.根据权利要求1所述的一种基于未知类别检测的消防通道占用识别方法，其特征在于，所述的步骤（3）中的背景类分割模型为采用hrnet为backbone的ocrnet分割算法模型。3.根据权利要求2所述的一种基于未知类别检测的消防通道占用识别方法，其特征在于，所述的步骤（3）中背景类分割模型分割出视频帧图像数据画面内所有非占用物体。4.根据权利要求1所述的一种基于未知类别检测的消防通道占用识别方法，其特征在于，所述的步骤（5）中差异网络对输入的预测label图、生成的真实图以及视频帧三者的特征进行提取并组合，采...

【专利技术属性】
技术研发人员：谢勇勇，武铁峰，孙恒慧，贺胜如，王文霞，王以科，郭振宇，高亮，王锦华，唐书亮，蒋宇，胡旦恒，张诚，
申请(专利权)人：中海石油宁波大榭石化有限公司，
类型：发明
国别省市：