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】
本专利技术涉及人工智能、计算机视觉与视频监控,具体为一种持刀持械检测方法和系统。
技术介绍
1、公共场所人多而且人员复杂,一旦发生手持刀持棍棒聚众斗殴等危险行为就可能造成恶劣影响,严重危害人民群众生命安全。因此需要尽可能提前发现武器携带、消除安全隐患、降低财产生命损失。随着计算机技术的不断发展,使得通过结合视频监控和计算机视觉技术进行持刀持械检测、告警成为可能。
2、目前的持刀持械检测技术主要有以下几种:
3、通过可见光摄像头采集图像,利用两个目标检测深度学习模型,分别检测图像中的人体和棍棒。再用轮廓跟踪参数从图像中提取棍棒和人体的轮廓,最后根据轮廓进行判断。
4、通过可见光摄像头采集图像,利用目标检测和图像分类的深度神经网络方法,以人体检测模型和图像分类模型分别对图像进行识别。
5、综上可见,现有持刀持械检测技术,只考虑人体和棍棒的检测,很容易因为复杂背景而产生误判情况,效果不佳,为此特提供一种持刀持械检测方法和系统以解决上述屋恩他。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了一种持刀持械检测方法和系统,解决了现有持刀持械检测技术,只考虑人体和棍棒的检测,很容易因为复杂背景而产生误判情况,效果不佳的问题。
3、(二)技术方案
4、为实现以上目的,本专利技术通过以下技术方案予以实现:一种持刀持械检测方法,包括以下步骤;
5、步骤一、获取持刀持械检测模
6、步骤二、获取持刀持械特征提取模型;
7、步骤三、获取持刀持械序列特征评估模型;
8、步骤四、采集监控场景图像进行人手和刀械的图像特征提取;
9、步骤五、根据步骤四的图像特征,根据人手与刀械是否存在图像相交情况来判断是否存在持刀持械行为。
10、优选的,所述步骤一中获取持刀持械检测模型过程,通过在互联网上收集行人图像、持刀持械行为图像和刀具棍棒图像,对其中人体、人手、刀具、棍棒进行标注,产生矩形标记框,图像和标记框构成数据集一;使用目标检测模型在数据集一上训练,至模型收敛,得到持刀持械检测模型。
11、优选的,所述持刀持械检测模型是通过检测出单张图像中人体、人手、刀具、棍棒目标区域;目标区域表达式为[cls_id,x,y,w,h];其中cls_id为目标类别,x、y、w、h为目标区域中心点坐标x、中心点坐标y、目标框宽度和目标框高度。
12、优选的,所述步骤二中获取持刀持械特征提取模型过程,通过截取图像中人手持刀持械区域保存为图片并标注为持刀持械,收集正常人手图片并标注为没有持刀持械,将两组图片组成新的数据集二;使用深度学习卷积网络训练数据集二,至模型收敛,得到持刀持械特征提取模型。
13、优选的,所述持刀持械特征提取模型:提取持刀持械目标区域的特征向量f1=[x1,x2x3,......,xn]特征向量尺寸为1*m。
14、优选的,所述步骤三中获取持刀持械序列特征评估模型过程,通过截取连续n张持刀持械图像,使用持刀持械特征提取模型提取特征,得到n*m矩阵,重复该步骤得到新的数据集三;使用持刀持械序列特征评估模型训练数据集三,至模型收敛,得到持刀持械序列特征评估模型。
15、优选的,所述持刀持械序列特征评估模型是通过提取连续n张图像的特征向量,组成序列特征矩阵,矩阵尺寸为n*m,输入到持刀持械序列特征评估模型,最终输出是否存在持刀持械行为。
16、优选的,所述步骤四中,通过采集监控场景图像,使用持刀持械检测模型检测出人体、人手、刀具、棍棒,如果未检测到人体人手,则判定该图像不含持刀持械行为,如果检测到人体人手,则进行进一步判断,人手、刀具、棍棒检测框中包含以下两种情况判定为持刀持械;
17、a.人手与刀具检测框相交;
18、b人手与棍棒检测框相交;
19、其中相交的判断公式为计算两个矩形框的面积交并比值iou,当iou大于等于设定阈值则认为两个目标框相交;当iou小于设定阈值则认为两个目标框不相交,当存在相交情况时,执行步骤5流程。
20、优选的,所述步骤五中,通过计算人手与刀具棍棒的最小外接矩形框,使用持刀持械特征提取模型提取该矩形框特征向量,然后重复步骤4至步骤5,提取n张图像的特征向量,组成特征矩阵n*m,使用持刀持械序列特征评估模型,判定是否存在持刀持械行为。
21、优选的,该持刀持械检测系统,包括以下功能模块;
22、1、数据录入模块,包含静态数据录入和动态数据录入,所述静态数据录入是通过在互联网上收集行人图像、持刀持械行为图像和刀具棍棒图像,为后续模型训练提供数据基础,所述动态数据录入用于实际使用时获取监控摄像头画面的图像;
23、2、特征识别模块,为智能ai图像识别,用于对所获取的静态数据和动态数据中的人手、刀具、器械和棍棒图形进行特征识别并提取;
24、3、智能分析模块,用于对所获取的动态数据进行智能分析,该功能模块基于持刀持械检测模型、持刀持械特征提取模型和持刀持械序列特征评估模型;
25、4、数据库,用于对所获取的静态数据和动态数据进行存储,同时数据库为模型训练学习提供进阶参考,同一位置的监控摄像头可参考之前所获取的动态数据图片作为参考,提升持刀持械行为判断速度;
26、5、ai深度学习模块,为持刀持械检测模型、持刀持械特征提取模型和持刀持械序列特征评估模型提供相应的硬件支持;
27、6、通信模块,为静态数据和动态数据获取提供网络通道,同时与监控设备和警务系统建立联系,用于触发持刀持械行为后进行快速提示;
28、7、系统底层框架,为多个功能模块搭建提供封装框架。
29、本专利技术公开了一种持刀持械检测方法和系统,其具备的有益效果如下:
30、1、该持刀持械检测方法和系统,使用目标检测模型同时检测人体、人手、刀具、棍棒。充分利用人手、刀具、棍棒位置信息判断是否为持刀持械动作,提高了模型准确率。
31、2、该持刀持械检测方法和系统,引入持刀持械特征提取模型和序列特征评估模型,提升了检测的准确性,同时避免背景图像疑似目标的物体与人手相交的误判,使得系统整体准确率更高。
32、3、该持刀持械检测方法和系统,通过在系统中建立数据库,数据库对各个监控设备的往期监控判断画面进行分类存储,在后续该画面进行检测判断时作为参照比对,能够快速排除该区域内一些原有的固定场景和固定疑似特征,进一步提升判断速度和精准度。
本文档来自技高网...【技术保护点】
1.一种持刀持械检测方法,其特征在于,包括以下步骤;
2.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述步骤一中获取持刀持械检测模型过程,通过在互联网上收集行人图像、持刀持械行为图像和刀具棍棒图像,对其中人体、人手、刀具、棍棒进行标注,产生矩形标记框,图像和标记框构成数据集一;使用目标检测模型在数据集一上训练,至模型收敛,得到持刀持械检测模型。
3.根据权利要求2所述的一种持刀持械检测方法,其特征在于:所述持刀持械检测模型是通过检测出单张图像中人体、人手、刀具、棍棒目标区域;目标区域表达式为[cls_id,x,y,w,h];其中cls_id为目标类别,x、y、w、h为目标区域中心点坐标x、中心点坐标y、目标框宽度和目标框高度。
4.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述步骤二中获取持刀持械特征提取模型过程,通过截取图像中人手持刀持械区域保存为图片并标注为持刀持械,收集正常人手图片并标注为没有持刀持械,将两组图片组成新的数据集二;使用深度学习卷积网络训练数据集二,至模型收敛,得到持刀持械特征提取模型。
6.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述步骤三中获取持刀持械序列特征评估模型过程,通过截取连续n张持刀持械图像,使用持刀持械特征提取模型提取特征,得到n*m矩阵,重复该步骤得到新的数据集三;使用持刀持械序列特征评估模型训练数据集三,至模型收敛,得到持刀持械序列特征评估模型。
7.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述持刀持械序列特征评估模型是通过提取连续n张图像的特征向量,组成序列特征矩阵,矩阵尺寸为n*m,输入到持刀持械序列特征评估模型,最终输出是否存在持刀持械行为。
8.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述步骤四中,通过采集监控场景图像,使用持刀持械检测模型检测出人体、人手、刀具、棍棒,如果未检测到人体人手,则判定该图像不含持刀持械行为,如果检测到人体人手,则进行进一步判断,人手、刀具、棍棒检测框中包含以下两种情况判定为持刀持械;
9.根据权利要求8所述的一种持刀持械检测方法,其特征在于:所述步骤五中,通过计算人手与刀具棍棒的最小外接矩形框,使用持刀持械特征提取模型提取该矩形框特征向量,然后重复步骤4至步骤5,提取n张图像的特征向量,组成特征矩阵n*m,使用持刀持械序列特征评估模型,判定是否存在持刀持械行为。
10.一种持刀持械检测系统,包括权利要求1-9任一项所述的持刀持械检测方法,其特征在于:所述持刀持械检测系统包括以下功能模块;
...【技术特征摘要】
1.一种持刀持械检测方法,其特征在于,包括以下步骤;
2.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述步骤一中获取持刀持械检测模型过程,通过在互联网上收集行人图像、持刀持械行为图像和刀具棍棒图像,对其中人体、人手、刀具、棍棒进行标注,产生矩形标记框,图像和标记框构成数据集一;使用目标检测模型在数据集一上训练,至模型收敛,得到持刀持械检测模型。
3.根据权利要求2所述的一种持刀持械检测方法,其特征在于:所述持刀持械检测模型是通过检测出单张图像中人体、人手、刀具、棍棒目标区域;目标区域表达式为[cls_id,x,y,w,h];其中cls_id为目标类别,x、y、w、h为目标区域中心点坐标x、中心点坐标y、目标框宽度和目标框高度。
4.根据权利要求1所述的一种持刀持械检测方法,其特征在于:所述步骤二中获取持刀持械特征提取模型过程,通过截取图像中人手持刀持械区域保存为图片并标注为持刀持械,收集正常人手图片并标注为没有持刀持械,将两组图片组成新的数据集二;使用深度学习卷积网络训练数据集二,至模型收敛,得到持刀持械特征提取模型。
5.根据权利要求4所述的一种持刀持械检测方法,其特征在于:所述持刀持械特征提取模型:提取持刀持械目标区域的特征向量f1=[x1,x2x3,......,xn]特征向量尺寸为1*m。
6.根据权利要求1所述的一种持刀持械检测...
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。