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】
本专利技术涉及数据处理,特别是指一种分布式锅炉房视频智能分析方法及装置。
技术介绍
1、随着高清视频监控技术的不断发展,为智能化技术的应用打下了良好的基础,在供热领域,智能化技术如:区域入侵、人员作业管控(如安全帽检测,行为分析等)、视频巡检等技术得到了逐步的应用,为用户带来了极大的便利。
2、通过智能化分析,实现对各种人员身份核验、行为异常进行精细化的实时动态管理,提前预警,降低事故发生的风险。但是,传统的锅炉房安全管理存在诸多问题,如人员进出难以监控等问题,另外,有些视频分析方法对不同场景的分析效果差,无法满足分布式锅炉房的需求。
技术实现思路
1、本专利技术要解决的技术问题是提供一种分布式锅炉房视频智能分析方法及装置,能够实现对人脸的准确识别。
2、为解决上述技术问题,本专利技术的技术方案如下:
3、第一方面,一种分布式锅炉房视频智能分析方法,所述方法包括:
4、对获取的图像进行预处理,以得到预处理图像;
5、利用多级卷积神经网络对预处理图像进行特征提取,通过多级卷积层和池化层,提取不同层次的特征,以得到区别特征;
6、对区别特征进行加权,以得到关键特征;
7、将关键特征输入至全连接层进行分类,以得到第一分类结果;
8、根据第一分类结果,经过计算得到每个类别的概率,将每个类别的概率分别与预设概率阈值进行比较,以得到概率比较结果;
9、根据概率比较结果,对同一图像进行多次
10、将多个第二分类结果进行融合,以得到融合结果;
11、将融合结果与历史验证数据进行比对,以得到验证结果;
12、根据验证结果,确定人脸的身份。
13、进一步的,利用多级卷积神经网络对预处理图像进行特征提取,通过多级卷积层和池化层,提取不同层次的特征,以得到区别特征,包括:
14、将预处理图像输入至卷积神经网络的第一层卷积层,所述第一层卷积层使用多个不同的卷积核捕捉图像中的第一特征,每个卷积核在图像上滑动,与图像局部区域做卷积运算,得到一个特征映射,多个卷积核产生多个特征映射,以提取出图像的多种特征;
15、将所述多种特征输入至第二层卷积层,所述第二层卷积层使用卷积核提取特征映射的图形轮廓以及纹理,以得到第二特征;
16、将所述第二特征输入至第三层卷积层,所述第三层卷积层使用卷积核提取特征映射的物体类别,以得到第三特征;
17、将不同层次的所述第二特征和第三特征拼接,以得到图像的区别特征。
18、进一步的,对区别特征进行加权,以得到关键特征,包括:
19、构建一个全连接层,并通过卷积神经网络提取图像的区别特征,以得到不同层次的特征拼接后的特征向量,其中,全连接层节点数与特征向量长度相同,全连接层的第一权重矩阵学习每个特征向量元素的权重;
20、使用梯度下降和反向传播算法训练第一权重矩阵,以得到第二权重矩阵;
21、将特征向量与第二权重矩阵相乘,以得到加权后的关键特征。
22、进一步的,将关键特征输入至全连接层进行分类,以得到第一分类结果,包括:
23、构建包括全连接层和输出层的分类器;
24、将所述关键特征输入至所述全连接层,以得到特征表示;
25、将所述特征表示输入至所述输出层,将所述特征表示进行特征转换,以得到类别的预测概率;
26、根据所述预测概率,以得到第一分类结果。
27、进一步的,根据第一分类结果,经过计算得到每个类别的概率,将每个类别的概率分别与预设概率阈值进行比较,以得到概率比较结果,包括:
28、根据第一分类结果,对每个类别i,分别获取分类器预测的概率pi;
29、将每个概率pi分别与预设的概率阈值t进行比较,若概率pi≥概率阈值t,则概率pi对应的类别i被预测,若概率pi<概率阈值t,则概率pi对应的类别i未被预测;
30、将所有类别i=1,2,…,n分别对应的概率pi分别与阈值t进行比较,以得到n个比较结果。
31、进一步的,根据概率比较结果,对同一图像进行多次分类,以得到多个第二分类结果,包括:
32、根据概率比较结果,使用不同的卷积神经网络模型进行分类;
33、从图像中抽取不同的区域进行分类;
34、对图像进行不同程度的旋转、缩放后再分类,以得到多个分类器对同一图像的第二分类结果。
35、进一步的,每个第二分类结果均有一个或多个预测的类别,以及对应的概率;将多个第二分类结果进行融合,以得到融合结果,包括:
36、将多个第二分类结果按照类别进行汇总;
37、对每个类别计算有多少个分类器输出了该类别,以得到该类别的投票数量,以及将每个分类器对该类别的概率预测进行加权平均,得到该类别的综合概率;
38、根据所有类别的投票数量和综合概率,获取融合结果。
39、第二方面,一种分布式锅炉房视频智能分析装置,包括:
40、获取模块,用于对输入的图像进行预处理,以得到预处理图像;利用多级卷积神经网络对预处理图像进行特征提取,通过多级卷积层和池化层,提取不同层次的特征,以得到区别特征;对区别特征进行加权,以得到关键特征;将关键特征输入至全连接层进行分类,以得到第一分类结果;
41、处理模块,用于根据第一分类结果,经过计算得到每个类别的概率,将每个类别的概率分别与预设概率阈值进行比较,以得到概率比较结果;根据概率比较结果,对同一图像进行多次分类,以得到多个第二分类结果;将多个第二分类结果进行融合,以得到融合结果;将融合结果与历史验证数据进行比对,以得到验证结果。
42、第三方面,一种计算设备,包括:
43、一个或多个处理器;
44、存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述方法。
45、第五方面,一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现上述方法。
46、本专利技术的上述方案至少包括以下有益效果:
47、本专利技术的上述方案,采用多级卷积神经网络进行特征提取,可以提取出图像的多层语义信息,有利于进行精确的图像分类,对区别特征进行加权,可以突出对分类更重要的特征,提取出关键特征,提高分类性能,进行多次分类可以弥补单一模型的局限性,不同的模型和数据增强可以提供更全面的判断,比较分类概率与阈值,可以评估单次分类的可靠性,多次分类结果的融合可以获得更准确和稳定的最终分类结论,将融合结果与历史数据进行比对验证,可以进一步减少分类错误,提高结果的可靠性,分布式系统可以利用多节点进行并行高效的视频处理,提高整体性能,智能分析可以实现对锅炉房运行情况的自动监测,及时发现本文档来自技高网...
【技术保护点】
1.一种分布式锅炉房视频智能分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的分布式锅炉房视频智能分析方法,其特征在于,利用多级卷积神经网络对预处理图像进行特征提取,通过多级卷积层和池化层,提取不同层次的特征,以得到区别特征,包括:
3.根据权利要求2所述的分布式锅炉房视频智能分析方法,其特征在于,对区别特征进行加权,以得到关键特征,包括:
4.根据权利要求3所述的分布式锅炉房视频智能分析方法,其特征在于,将关键特征输入至全连接层进行分类,以得到第一分类结果,包括:
5.根据权利要求4所述的分布式锅炉房视频智能分析方法,其特征在于,根据第一分类结果,经过计算得到每个类别的概率,将每个类别的概率分别与预设概率阈值进行比较,以得到概率比较结果,包括:
6.根据权利要求5所述的分布式锅炉房视频智能分析方法,其特征在于,根据概率比较结果,对同一图像进行多次分类,以得到多个第二分类结果,包括:
7.根据权利要求6所述的分布式锅炉房视频智能分析方法,其特征在于,每个第二分类结果均有一个或多个预测的类别,以及对
8.一种分布式锅炉房视频智能分析装置,其特征在于,包括:
9.一种计算设备,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种分布式锅炉房视频智能分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的分布式锅炉房视频智能分析方法,其特征在于,利用多级卷积神经网络对预处理图像进行特征提取,通过多级卷积层和池化层,提取不同层次的特征,以得到区别特征,包括:
3.根据权利要求2所述的分布式锅炉房视频智能分析方法,其特征在于,对区别特征进行加权,以得到关键特征,包括:
4.根据权利要求3所述的分布式锅炉房视频智能分析方法,其特征在于,将关键特征输入至全连接层进行分类,以得到第一分类结果,包括:
5.根据权利要求4所述的分布式锅炉房视频智能分析方法,其特征在于,根据第一分类结果,经过计算得到每个类别的概率,将每个类别的概率分别...
【专利技术属性】
技术研发人员:梅德芳,柳玉宾,吴佳滨,司佳,王宇,王庆丰,王守金,孙哲,李越,潘虹,王亦能,冯明如,
申请(专利权)人:北京京能热力股份有限公司,
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。