基于深度学习的分屏监控异常事件突显方法技术

本发明专利技术提供了基于深度学习的分屏监控异常事件突显方法，通过深度学习模型实时地监测各分屏视频的异常事件，并突显该分屏，包括：利用FFmpeg实时地从监控视频流中提取单帧图像，并获取每个分屏的位置坐标；通过YOLOv5模型实时检测视频流获取异常的事件区域，再利用ConvLSTM模型分析该事件区域以预测出异常事件；当检测到异常事件后，利用YOLOv5检测出的异常事件边界框位置与分屏位置进行映射，以定位到异常事件所在分屏；根据异常事件类型，利用不同方式突显其所在分屏。本发明专利技术有益效果：自动检测出异常事件，并将其所在的分屏突显，减少人工监控的负担，提高反应效率。

【技术实现步骤摘要】

本专利技术属于视频监控，尤其是涉及一种基于深度学习的分屏监控异常事件突显方法。

技术介绍

1、在大型工厂监控系统中，由于工厂的生产活动涉及大量设备运转、人员流动、原料加工和复杂的自动化流程，监控系统的覆盖面非常广泛，且需要实时对大量的视频数据进行分析。通常会有多个监控分屏显示不同区域的实时画面，人工分析每个分屏的异常事件（如噪音、爆炸、火灾、起烟等）。由于这些区域的监控内容繁多，人工识别潜在的异常会面临巨大的挑战，如信息过载：监控人员需要同时关注多个分屏，处理海量视频信息，容易导致忽视某些潜在的异常；反应迟缓：在紧急事件（如火灾或爆炸）发生时，人工监控的反应速度较慢，可能延误应急处理；识别难度：工厂环境中的异常事件种类繁多，人工辨识存在局限，特别是对于不常见或难以直接通过视觉识别的异常（如热源变化、起烟等）。

技术实现思路

1、有鉴于此，本专利技术旨在提出基于深度学习的分屏监控异常事件突显方法，以利用深度学习技术，自动检测出异常事件，并将其所在的分屏突显，减少人工监控的负担，提高反应效率。

2、为本文档来自技高网...

【技术保护点】

1.基于深度学习的分屏监控异常事件突显方法，其特征在于：通过深度学习模型实时地监测各分屏视频的异常事件，并突显该分屏，包括：

2.根据权利要求1所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：在所述S1中，若监控屏幕是固定的分屏布局时，直接使用预定义的网格划分每个分屏的位置坐标；

3.根据权利要求1所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：在所述S2中，所述异常事件类型包括爆炸事件、烟雾事件、火灾事件、噪音事件、高温事件；

4.根据权利要求1所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：在所述S3中，当YOLOv5...

【技术特征摘要】

1.基于深度学习的分屏监控异常事件突显方法，其特征在于：通过深度学习模型实时地监测各分屏视频的异常事件，并突显该分屏，包括：

2.根据权利要求1所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：在所述s1中，若监控屏幕是固定的分屏布局时，直接使用预定义的网格划分每个分屏的位置坐标；

3.根据权利要求1所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：在所述s2中，所述异常事件类型包括爆炸事件、烟雾事件、火灾事件、噪音事件、高温事件；

4.根据权利要求1所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：在所述s3中，当yolov5检测到异常事件后，通过其边界框位置将事件映射到对应的分屏。

5.根据权利要求4所述的基于深度学习的分屏监控异常事件突显方法，其特征在于：对于单个异常事件发生的坐标映射：通过计算异常事件的边界框的中心点坐标判断其所在的分屏区域；...

【专利技术属性】
技术研发人员：徐燕，
申请(专利权)人：北京时代奥视科技有限公司，
类型：发明
国别省市：