【技术实现步骤摘要】
本专利技术涉及校园安防监控领域，尤其涉及深度学习支持的校园监控视频异常检测方法及系统。
技术介绍
1、随着校园安全问题日益受到重视，校园监控已成为维护校园安全不可或缺的手段。然而，现有的校园监控大多采用传统的视频监控方式，存在以下不足：首先，现有的校园监控通常将所有监控对象等同对待，无法根据不同人员身份进行区别对待和差异化监测，导致难以准确区分校内人员和外来人员，也无法有针对性地识别可疑行为和潜在威胁；其次，传统的校园监控主要依靠人工观察和判断，缺乏智能化的异常行为识别能力，当监控画面中出现异常情况时，难以实时发现和及时预警，存在安全隐患；再者，现有的校园监控在复杂校园环境下的精准定位和行为分析能力有限，对监控对象的跟踪和识别准确率不高，容易出现漏报和误报。因此，如何针对校园场景，实现对不同监控对象的差异化监测和精准行为分析，提高校园监控的智能化水平，进而全面加强校园安全保障能力，是亟待解决的问题。
技术实现思路
1、本专利技术针对现有校园监控无法对不同监控对象进行差异化监测和精准异常行为...
【技术保护点】
1.深度学习支持的校园监控视频异常检测方法，其特征在于，应用于深度学习支持的校园监控视频异常检测系统，所述系统与校内人员定位终端和监控摄像头阵列通信连接，包括：
2.如权利要求1所述的方法，其特征在于，与监控摄像头阵列通信并接收监控视频信息，对所述监控视频信息进行深度学习融合分析，获得监控人群定位点云，包括：
3.如权利要求2所述的方法，其特征在于，所述语义分割网络包括第一卷积语义分割基通道直到第Q卷积语义分割基通道，通过深度学习融合模型的语义分割网络，对所述第一摄像头监控视频直到所述第N摄像头监控视频进行语义分割，获得第一摄像头点云定位时序信...
【技术特征摘要】
1.深度学习支持的校园监控视频异常检测方法，其特征在于，应用于深度学习支持的校园监控视频异常检测系统，所述系统与校内人员定位终端和监控摄像头阵列通信连接，包括：
2.如权利要求1所述的方法，其特征在于，与监控摄像头阵列通信并接收监控视频信息，对所述监控视频信息进行深度学习融合分析，获得监控人群定位点云，包括：
3.如权利要求2所述的方法，其特征在于，所述语义分割网络包括第一卷积语义分割基通道直到第q卷积语义分割基通道，通过深度学习融合模型的语义分割网络，对所述第一摄像头监控视频直到所述第n摄像头监控视频进行语义分割，获得第一摄像头点云定位时序信息直到第n摄像头点云定位时序信息，包括：
4.如权利要求2所述的方法，其特征在于，所述点云融合网络包括点云清洗通道和点云全连接通道，通过深度学习融合模型的点云融合网络，对所述第一摄像头点云定位时序信息直到所述第n摄像头点云定位时序信息进行融合，获得第一时刻全局点云定位信息直到第m时刻全局点云定位信...
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。