【技术实现步骤摘要】
本专利技术涉及智能监控，具体来说，涉及一种基于深度学习的智能监控方法。
技术介绍
1、基于深度学习的智能监控方法通过使用神经网络自动识别和分析监控视频中的目标，提高了传统监控系统的效率与准确性，在公共场所的安全保障、交通管理等方面具有广泛的应用前景；然而，在实际应用中存在一些挑战，尤其是在背景复杂动态的情况下，由于运动背景与目标之间边界不清晰导致前景对象分割困难，比如在有树叶晃动或水波荡漾的背景下捕捉移动的人体或是其他具体对象时，容易引起误判或遗漏检测，这是因为现有的很多算法难以完全自适应地调整以适应高度变化性的场景，并且在处理纹理细节丰富或非周期性变动的内容时面临较高难度，上述问题极大地限制了该技术进一步应用的可能性。
技术实现思路
1、本专利技术的目的在于提出一种基于深度学习的智能监控方法，以克服现有技术中存在的上述不足。
2、为实现上述技术目的，本专利技术的技术方案是这样实现的：
3、一种基于深度学习的智能监控方法，包括：
4、基于预设的深度神经网络模型对视频流进行逐帧分析；
5、提取视频帧中的特征向量并去除静态背景成分；
6、基于特征向量和动态模型更新策略区分并抑制运动背景的影响；
7、利用所述模型对处理后的图像进行前景对象分割；
8、生成并输出含有精确前景对象信息的结果数据。
9、进一步的，基于预设的深度神经网络模型对视频流进行逐帧分析包括：
10、对每一帧视频数据
11、使用预设的卷积层逐层提取帧内深度特征；
12、运用批量归一化(batch normalization)技术提高模型收敛速度；
13、基于预设的注意力机制调整重点提取区域权重，以优化复杂背景下物体识别精度，通过减少背景干扰来更准确地定位和追踪感兴趣的移动物体，从而解决由于运动背景造成的物体分割困难。
14、进一步的，基于特征向量和动态模型更新策略区分并抑制运动背景的影响包括：
15、应用光流算法追踪相邻视频帧之间像素级别的位移矢量；
16、将所述位移矢量叠加至特征图，增强动态元素检测；
17、基于当前帧与历史帧中相同区域的变化率确定背景变动等级；
18、判断所述变动等级是否大于预置动量阀值v，若满足，则将变化标记出来以便进一步剔除噪声(v是变动阈值；v值越大，表明系统对外界细微变动更为钝感，减少假阳性事件发生概率)。
19、进一步的，利用所述模型对处理后的图像进行前景对象分割的改进在于：
20、基于多任务学习框架，同步执行目标分割和分类任务来优化模型表现；
21、导入掩码(mask)rcnn进行精细到像素级别的目标分割；
22、结合自适应阈值t与背景差分算法区分真实运动与背景杂音(t是指用来区别动态元素与固定背景差异大小的参考数值)，如果像素级的变化超过了该阈值，则将其视为非静态成分进行分离，降低环境噪音的影响；
23、调整边界框和遮罩输出结果，提升小规模移动对象的发现与识别。
24、进一步的，在处理背景复杂情况下产生的误报进行优化的过程如下所述：
25、识别视频序列的连续帧内相似模式来消除重复性噪音影响；
26、实施背景更新机制定期调整参考背景模板减少长时间运行中的累积错误；
27、如果目标的轮廓s与先前保存的最大连通域s的欧氏距离低于设定门限δ则被视为同一类物体而不作报警(其中s是最近几次有效移动目标形状存储，用于同新检测目标进行对比，帮助识别真实目标并过滤虚假正样本)；
28、更新连通分量记录数据库来支持实时决策并防止长期记忆偏差影响后续分析效果。
29、进一步的，对动态背景影响较大的情形采取如下措施改进前景对象的信息捕获准确率，即：
30、引入帧差分技术和背景混合模型来补偿由于环境照明改变带来的目标识别模糊现象；
31、实施自适应背景学习模块，根据时间段动态调整背景模板，保证全天候监控质量；
32、针对每一个像素建立亮度波动容忍窗口，基于该区域过去p时刻的历史亮度均值μ和标准差σ决定是否属于异常变化部分(其中，当|i(n)μ|>λ×σ且此条件持续q次数，n代表当前观测到的灰度值时，则确认该点存在突然变动)；
33、增加自适应调整系数，动态修改异常检测阈λ，使其更能反映实际背景复杂度，避免因光线瞬变导致过频繁触发预警。
34、进一步的，在进行最终精确前对象信息筛选步骤具体实现上进一步加强为：
35、使用自研混合框架进行跨域特征融合与重标记，以减少模型过度学习某类型背景特征问题，改善对新种类动态场景响应；
36、扩展现有模型结构，整合额外分支来预测目标的置信区间分布，辅助区分低频次出现却极具意义的目标实体；
37、提出改进损失函数l来指导网络更加关注边缘处细节数，使前景目标与背景更鲜明地区分开；l＝l1*|s_trues_est|^α+l2*log(1+|i_truei_est|^β)(这里，l1与l2为权衡不同损失部分重要性系数，^α^β则对应两个部分的非线性权重调整指数，共同确保前景区域与周围背景界限清晰)。
38、本专利技术的有益效果：本专利技术能够解决在背景复杂动态的情况下由于运动背景与目标之间的混淆导致出现的前景对象分割困难的问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的智能监控方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1)包括：
3.根据权利要求2所述的方法，其特征在于，步骤3)包括：
4.根据权利要求3所述的方法，其特征在于，步骤4)包括：
5.根据权利要求4所述的方法，其特征在于，在处理背景复杂情况下产生的误报进行优化的过程如下所述：
6.根据权利要求5所述的方法，其特征在于，对动态背景影响较大的情形采取如下措施改进前景对象的信息捕获准确率，即：
7.根据权利要求6所述的方法，其特征在于，在进行最终精确前对象信息筛选步骤具体实现上进一步加强为：
8.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的基于深度学习的智能监控方法。
9.一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存储有计算机指令，所述计算机指令用于使所述计算机执行权利
...【技术特征摘要】
1.一种基于深度学习的智能监控方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1)包括：
3.根据权利要求2所述的方法，其特征在于，步骤3)包括：
4.根据权利要求3所述的方法，其特征在于，步骤4)包括：
5.根据权利要求4所述的方法，其特征在于，在处理背景复杂情况下产生的误报进行优化的过程如下所述：
6.根据权利要求5所述的方法，其特征在于，对动态背景影响较大的情形采取如下措施改进前景对象的信息捕获准确率，即：
...【专利技术属性】
技术研发人员：谢芳华，李大伟，高明军，周肖鹏，徐晓丹，陈然然，
申请(专利权)人：南京森林警察学院，
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。