System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及视觉技术的,具体为一种人体和武器目标训练方法及检测跟踪的报警系统。
技术介绍
1、随着银行自动柜员机在全球范围内的广泛使用,保障atm机和用户的安全成为了一个重要问题。尽管atm机通常安装在银行分行、商场或其他公共区域,但仍然面临潜在的安全危险,特别是武器相关的犯罪行为。
2、目前,一些银行atm机设备已经配备了监控摄像头,以便记录在atm机附近发生的事件。然而,现有的监控系统主要用于事后取证和调查,无法提供实时的武器报警功能。
3、计算机视觉和人工智能领域取得了巨大进展,尤其是目标检测和耿总技术。这些技术能够对视频流出进行实时分析、检测和跟踪感兴趣的目标。但是,现有的技术依旧不具备能够准确的检测和跟踪在atm出现的突发武器,做出迅速报警。
技术实现思路
1、针对现有技术存在的不足,本专利技术的目的在于提供一种人体和武器目标训练方法及检测跟踪的报警系统,其具有的优点:通过引入先进的计算机视觉技术,提高atm机的安全性,并通过及时的警报和快速响应减少潜在的危险和损失,以实现高度准确的目标检测与跟踪,为银行和用户提供更安全的使用环境。
2、本专利技术的上述目的是通过以下技术方案得以实现的:
3、一种人体和武器目标训练方法,包括如下步骤:
4、s1:人体和武器目标打标:
5、对包含行人的数据集{a}做标注,标出人全身和人头部的位置及类别{a,b};
6、对包含武器的数据集{b}做标注,标出武
7、s2:图片预处理:
8、从{a}和{b}中随机抽取一共抽取batch张图片,依次进行处理;
9、s3:backbone特征提取:
10、使用resnet50提取网络特征,输入大小为[b,n,n,3],输出大小为[b,n_w,n_h,c1]记为b_out;
11、s4:head模块:
12、b_out后接pafpn结构,pafpn后接2个分支,一个分支预测人形和人头2个类别,另一个分支预测武器类别;
13、s5:损失计算:
14、损失由背景分类损失,目标类别分类损失和位置偏移损失组成;
15、s6:梯度下降:
16、使用adam梯度下降算法优化模型;
17、s7:选择最佳模型:
18、最后选择损失最小的模型。
19、本专利技术在一较佳示例中可以进一步配置为:s2中的预处理包括:
20、填充像素值使其宽高相等,填充值为t0;
21、图片宽高缩放为k*k宽高;
22、以p1的概率做随机左右翻转;
23、光度畸变;mosaic增强;mixup增强;
24、减去均值mean,除以方差std。
25、本专利技术在一较佳示例中可以进一步配置为:s4中的每个分支包含2个卷积层,正则层,池化层,每个分支最后输出为分类和box位置回归网络。
26、本专利技术在一较佳示例中可以进一步配置为:s5中的背景分类损失使用二元分类的方法,将图像中的每个位置划分为两个类别:目标和背景:
27、背景分类损失的公式为:
28、loss=-∑i=1n(y背景(i)*log(p背景(i))+(1-y背景(i))*log(1-p背景(i)))
29、其中,n表示图像中的位置数量,y背景(i)是位置i处是否属于背景的标签,0表示背景,1表示目标,而p背景(i)是网络输出的位置i处为背景的概率;
30、s5中目标类别分类用于确定图像中目标的具体类别:
31、目标类别分类损失的公式可以表示为:
32、loss=-∑i=1n-∑c=1c(yc(i)*log(pc(i)))
33、其中,c表示目标类别的总数,yc(i)是位置i处目标的真实类别标签,pc(i)是网络输出的位置i处为目标类别c的概率。
34、s5中位置偏移损失用于调整目标边界框的位置,使其更准确地框住目标区域:
35、位置偏移损失的公式可以表示为:
36、loss=∑i=1n∑j∈anchor(i)(y偏移(i,j)-p偏移(i,j))2
37、anchor(i)表示位置i处所匹配的先验边界框集合,y偏移(i,j)是位置i处所匹配的第j个先验边界框的真实位置偏移值,而p偏移(i,j)是网络预测的位置偏移值。
38、用于上述训练方法的一种检测跟踪的报警系统,包括人形检测跟踪和武器检测跟踪,包括如下步骤:
39、t1:人形检测与跟踪:
40、对视频流中图片,每间隔n帧做一次人形检测;
41、t2:武器检测:
42、当连续m帧检测到人形后对含人形的图片使用武器检测算法做武器检测,检测出武器的类别和位置;
43、t3:武器结果过滤:
44、针对检测到的武器目标进行过滤的过程对于多种因素进行过滤;
45、t4:人形与武器位置重合度判断:
46、对检测到的人形目标和武器目标之间的位置关系进行分析,以判断两者之间的重合度;
47、t5:结果判断:
48、如检测到同时存在人形和武器,并满足t4,则判定为有人带武器出现在取款机旁。
49、本专利技术在一较佳示例中可以进一步配置为:如上述t3中所提到的多种因素所采用的主要解决方法包括:尺寸过滤、清晰度过滤、光照异常过滤、图像质量评估。
50、综上所述,本专利技术包括以下至少一种有益技术效果:
51、1.本系统结合了目标检测和跟踪技术,通过多层次的过滤和判断,能够提高目标检测的准确性,采用交并比判定人形与武器位置的重合度,以及同时存在时触发报警,进一步确保系统能够可靠地检测到潜在的危险情况;
52、2.本系统不仅仅基于单一的特征或判断条件,而是综合考虑了目标尺寸、清晰度、光照、图像质量以及位置关系等多个因素,这样的多因素综合判定能够降低误报率,提高系统的可信度;
53、3.由于整个系统基于视频流,能够实时地对场景进行监控和分析,一旦检测到潜在的武器持有者,系统能够立即触发报警,帮助银行atm机现场人员在最短时间内采取必要的应对措施,保障银行和用户的安全;
54、4.本系统的各个阶段都可以根据特定的场景和需求进行定制以及调整,不同的银行atm机环境可能存在不同的光照条件、人群密度等,本系统可以灵活适应这些变化,保持高效的检测和报警性能;
55、5.基于深度学习和计算机视觉技术,本体同可以在较大的程度上减少人工监控和判断的需求,不仅节省了人力成本,还能避免主观判断带来的偏差。
本文档来自技高网...【技术保护点】
1.一种人体和武器目标训练方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种人体和武器目标训练方法,其特征在于,S2中的预处理包括:
3.根据权利要求1所述的一种人体和武器目标训练方法,其特征在于,S4中的每个分支包含2个卷积层,正则层,池化层,每个分支最后输出为分类和box位置回归网络。
4.根据权利要求1所述的一种人体和武器目标训练方法,其特征在于,S5中的背景分类损失使用二元分类的方法,将图像中的每个位置划分为两个类别:目标和背景:
5.用于上述训练方法的一种检测跟踪的报警系统,其特征在于,包括人形检测跟踪和武器检测跟踪,包括如下步骤:
6.根据权利要求5所述的一种检测跟踪的报警系统,其特征在于,如上述T3中所提到的多种因素所采用的主要解决方法包括:尺寸过滤、清晰度过滤、光照异常过滤、图像质量评估。
【技术特征摘要】
1.一种人体和武器目标训练方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种人体和武器目标训练方法,其特征在于,s2中的预处理包括:
3.根据权利要求1所述的一种人体和武器目标训练方法,其特征在于,s4中的每个分支包含2个卷积层,正则层,池化层,每个分支最后输出为分类和box位置回归网络。
4.根据权利要求1所述的一种人体和武器目标训练方法,其...
【专利技术属性】
技术研发人员:胡玉帅,沈修平,
申请(专利权)人:上海悠络客电子科技股份有限公司,
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。