【技术实现步骤摘要】
本专利技术涉及视觉检测，具体为一种用于深度神经网络的计算优化机制系统。
技术介绍
1、随着科技的不断发展，安全智慧化监管是未来发展的大势所趋。计算机视觉、深度学习等技术被逐步应用于安全智慧化监管的不安全行为识别中。与人工监管相比，依靠计算机视觉技术的自动监管具有显著的优势：高效、准确、省力，最近几年深度学习在计算机视觉领域的技术得到了迅速的发展，深度学习能利用大量的训练样本和隐藏层逐层深入地学习图像的抽象信息，更全面直接地获取图像特征。数字图像是以矩阵来描述的，卷积神经网络更好地从局部信息块出发，进而描述图像的整体结构，故在计算机视觉领域。
2、如公开号为cn109583502a的专利公开了一种基于对抗擦除注意力机制的行人再识别方法，该方法包括：构建基于对抗擦除注意力机制的深度神经网络；获取训练集，并从中选择b个行人图像作为深度神经网络的输入；利用深度神经网络提取行人的全局深度特征；通过对抗擦除注意力机制，提取行人的局部深度特征；将全局深度特征和局部深度特征送入不同的损失函数中，基于得到的损失值优化深度神经网络；利用深度神经网络提取待查询图像的最终特征，计算最终特征与搜索库中行人图像的特征向量之间的相似度，获得待查询图像的匹配结果。本专利技术利用对抗擦除注意力机制的方法学习互补的行人特征，不但减小了过拟合的风险还提高了网络的泛化能力，从而提高行人检索匹配的正确率。
3、但是现有的技术中对于人体行为检测识别还存在一些局限性，适用的场景范围有限，只能简单的对其行为进行识别，无法判断其行为是否为不安全行为，而且
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用于深度神经网络的计算优化机制系统。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种用于深度神经网络的计算优化机制系统，包括图像获取模块、图像特征提取模块、检测识别模块、模型匹配模块、聚集检测模块和推理模块；
5、所述图像获取模块，用于获取目标的视频数据，通过光场摄像机中的微透镜阵列获得三维光场图像，配置在需要监控的场景处；
6、所述图像特征提取模块，用于将所获得的高分辨率图像进行卷积神经网络训练，以提取图像中所有目标的特征；
7、所述检测识别模块，用于以卷积神经网络建立的目标检测模型对重建的光场图像进行目标检测，然后对所获得的目标进行识别；
8、所述模型匹配模块，用于根据从现场图像获取的信息进行二次数据挖掘，获取与预先构建的本体模型相对应的图像特征信息，从而创建图形数据实例；
9、所述聚集检测模块，用于根据人群密度、运动向量值、持续时间量化指标数据的不同组合来识别和判定各种人群行为异常，并根据不同的人群行为异常做出相应的预警方案；
10、所述推理模块，用于根据图形数据实例，通过与预先建立的规则库中规则进行条件匹配，从而判断不安全行为类型、不安全行为的后果和给出不安全行为的干预或管理措施。
11、优选的，所述图像获取模块的图像获取步骤包括：
12、通过光场摄像机中的微透镜阵列获得三维光场图像，通过解码步骤将所获得的三维光场图像进行图像重建，并将所述重建的光场图像相结合进行再聚焦以获得高分辨率图像并且计算其所对应的深度。
13、优选的，所述通过解码步骤将所获得的三维光场图像进行图像重建包括：获得通过微透镜阵列成像的光场图像；
14、获得根据焦平面的距离排列的子孔径图像序列；
15、获得单个子孔径图像；
16、根据主镜头上的位置排列多视角子孔径图像，其中多视角子孔径图像阵列是在所述光场图像进行处理后获得的。
17、优选的，所述光场图像中的像素点被重投影到了各个子孔径图像中，形成了对场景不同视角的成像，将所述光场图像的光场信息进一步合成、提取，得到成像空间的多视角视图，进一步得到数字重聚焦序列，并且进一步得到深度图。
18、优选的，所述图像特征提取模块采用预先建立并训练好的目标检测模型，对现场图像进行现场目标实体的识别，采用预先建立并训练好的全景分割模型对现场图像进行全景分割，获取监测目标所处的场景信息，采用预先建立并训练好的轨迹跟踪识别模型对现场图像中的人体进行运动轨迹跟踪，获取人体的运动状态信息。
19、优选的，所述目标检测模型还包括特征提取、候选区域以及分类与回归步骤，其中所述卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成，将cnn经过卷积层、池化层、激活函数以及全连接层获得的特征图输入所述候选区域，并将经过所述候选区域获得的结果进行分类和回归，所述激活函数为relu函数，以表现图像的非线性因素，保证数据输入与输出也是可微的，不断进行循环计算，在每代循环过程中不断改变每个神经元的值。
20、优选的，所述聚集检测模块包括人体对象检测单元、光流法人体运动状态检测单元、人群聚集判断单元和人群密度计算单元。
21、优选的，所述不安全行为类型的判断过程包括：在特定的时间与地点，带有特定属性的行为主体从事特定的活动，并与带有特定属性的客体之间发生了特定的交互和关联，造成倾向性的行为后果，并给予相应的反馈，所述规则包括结果项和条件项，所述结果项和条件项均为三元组的形式，根据规则进行条件匹配，从而判断不安全行为类型，其过程包括：根据规则中的条件项，对图形数据实例中的信息进行匹配，从而得到对应的结果项，输出发生的不安全行为类型。
22、(三)有益效果
23、与现有技术相比，本专利技术提供了一种用于深度神经网络的计算优化机制系统，具备以下有益效果：
24、1、该一种用于深度神经网络的计算优化机制系统，通过采用光场摄像机进行视觉检测，能够实时拍摄出具有高分辨率图像，并通过视觉智能技术对数据进行深度学习模型训练，使其能够准确的识别视频中人体行为，避免了检测准确性低的问题，通过引入对人体不安全行为的判断，使其具有处理复杂多变的不安全行的能力，有效的解决的人体不安全行为的检测精准性低的问题。
25、2、该一种用于深度神经网络的计算优化机制系统，通过增加对人体聚集性检测的功能可有效帮助视觉检测计算优化机制系统，对人体聚集性不安全行为的检测效率，避免出现人群聚集性行为检测效率低的问题，进一步提高了计算优化机制系统的实用性。
本文档来自技高网...【技术保护点】
1.一种用于深度神经网络的计算优化机制系统，其特征在于，包括图像获取模块、图像特征提取模块、检测识别模块、模型匹配模块、聚集检测模块和推理模块；
2.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述图像获取模块的图像获取步骤包括：
3.根据权利要求2所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述通过解码步骤将所获得的三维光场图像进行图像重建包括：获得通过微透镜阵列成像的光场图像；
4.根据权利要求3所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述光场图像中的像素点被重投影到了各个子孔径图像中，形成了对场景不同视角的成像，将所述光场图像的光场信息进一步合成、提取，得到成像空间的多视角视图，进一步得到数字重聚焦序列，并且进一步得到深度图。
5.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述图像特征提取模块采用预先建立并训练好的目标检测模型，对现场图像进行现场目标实体的识别，采用预先建立并训练好的全景分割模型对现场图像进行全景分割，获取监测目标所处的场
6.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述目标检测模型还包括特征提取、候选区域以及分类与回归步骤，其中所述卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成，将CNN经过卷积层、池化层、激活函数以及全连接层获得的特征图输入所述候选区域，并将经过所述候选区域获得的结果进行分类和回归，所述激活函数为ReLU函数，以表现图像的非线性因素，保证数据输入与输出也是可微的，不断进行循环计算，在每代循环过程中不断改变每个神经元的值。
7.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述聚集检测模块包括人体对象检测单元、光流法人体运动状态检测单元、人群聚集判断单元和人群密度计算单元。
8.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述不安全行为类型的判断过程包括：在特定的时间与地点，带有特定属性的行为主体从事特定的活动，并与带有特定属性的客体之间发生了特定的交互和关联，造成倾向性的行为后果，并给予相应的反馈，所述规则包括结果项和条件项，所述结果项和条件项均为三元组的形式，根据规则进行条件匹配，从而判断不安全行为类型，其过程包括：根据规则中的条件项，对图形数据实例中的信息进行匹配，从而得到对应的结果项，输出发生的不安全行为类型。
...【技术特征摘要】
1.一种用于深度神经网络的计算优化机制系统，其特征在于，包括图像获取模块、图像特征提取模块、检测识别模块、模型匹配模块、聚集检测模块和推理模块；
2.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述图像获取模块的图像获取步骤包括：
3.根据权利要求2所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述通过解码步骤将所获得的三维光场图像进行图像重建包括：获得通过微透镜阵列成像的光场图像；
4.根据权利要求3所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述光场图像中的像素点被重投影到了各个子孔径图像中，形成了对场景不同视角的成像，将所述光场图像的光场信息进一步合成、提取，得到成像空间的多视角视图，进一步得到数字重聚焦序列，并且进一步得到深度图。
5.根据权利要求1所述的一种用于深度神经网络的计算优化机制系统，其特征在于：所述图像特征提取模块采用预先建立并训练好的目标检测模型，对现场图像进行现场目标实体的识别，采用预先建立并训练好的全景分割模型对现场图像进行全景分割，获取监测目标所处的场景信息，采用预先建立并训练好的轨迹跟踪识别模型对现场图像中的人体进行运动轨迹跟踪，获取人体的运动状态信息。
6.根据权利要求1所述...
【专利技术属性】
技术研发人员：杨天若，周浩杰，公平，
申请(专利权)人：维森派沃无锡科技有限公司，
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。