一种基于深度学习的智能视频监控系统
文献发布时间:2023-06-19 09:35:27
技术领域
本发明涉及计算机领域,具体涉及一种基于深度学习的智能视频监控系统。
背景技术
目前视频监控普遍存在“只记录不判断”的问题,即只记录和保存监控画面而不能够对视频中可能出现的异常行为进行及时的判断和检测。当发生出现异常行为时,需要依靠大量的人力和物力去进行视频内容的分析和判断。由于人的注意力不能长时间集中,在使用人工方式进行分析时,容易造成视频中重要信息的漏检或者误检。随着科技的迅速发展,各种视频设备逐渐普及化,视频数量呈现指数型增长的趋势,传统方法很难在这种情况下进行有效的分析。
发明内容
本发明的目的是针对上述不足,提出了一种利用深度学习中相关思想和算法模型,实现视频监控的“智能化”,即按照预先设定的异常行为判定规则,让机器去自动的捕捉视频监控画面中出现的异常行为的深度学习的智能视频监控系统。
本发明具体采用如下技术方案:
一种基于深度学习的智能视频监控系统,包括图像采集预处理模块、行人检测模块、行人追踪模块、行人分析模块和客户端模块;
图像采集预处理模块用于给系统提供输入图像数据,并对图像进行预处理;
行人检测模块用于对采集到的图像的人体进行标定,返回人体的质心位置坐标;
行人追踪模块用于实现对行人的跟踪和跟踪轨迹的生成;
行人分析模块用于按照异常行为判定规则对采集到的数据进行判定;
客户端模块用于实时监控画面的显示以及检测结果的显示。
优选地,图像采集预处理模块采用USB摄像头或者网络IP摄像头进行实时的图像采集,对采集的图像进行预处理,预处理包括颜色通道顺序转换和图像格式转换。
优选地,行人检测模块利用目标检测算法进行图像中行人的识别,提取出图像中行人的位置,目标检测算法选用改进版的Tiny-yolov3算法。
优选地,Tiny-yolov3主干网络进行替换为Mobilenet v1轻量级网络,提高Tiny-yolov3算法的检测精度,并在模型体积上实现压缩。
优选地,行人追踪模块用于对行人检测模块输出的行人位置进行人员的跟踪,对行人追踪功能的实现主要使用了卡尔曼滤波和匈牙利匹配算法。
优选地,行为分析模块对行人检测模块和行人追踪模块中提取到的结果进一步分析,按照异常行为判定规则检测行人是否存在异常行为,并将分析结果传递给客户端模块。
优选地,系统所检测的异常行为分为两种,分别为警戒区域内人员的入侵和人员的长时间徘徊;入侵行为的判定根据行人的位置进行判定,徘徊行为的判定根据行人运动轨迹的距离和位移之间的差值进行判定。
优选地,客户端模块包括行为视频数据的显示,异常行为检测模式的选择以及检测结果的显示和日志信息。
本发明具有如下有益效果:
该系统利用深度学习中的相关技术和思想实现了对传统视频监控的改造,实现了视频监控的“智能化”。机器自动分析和捕捉视频监控的异常行为画面,并及时向监测人员发出警报,及时制止危险行为和控制事态的发展。实现视频监控的“智能化”,即按照预先设定的异常行为判定规则,让机器去自动的捕捉视频监控画面中出现的异常行为。
附图说明
图1为基于深度学习的智能视频监控系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1,基于深度学习的智能视频监控系统,包括图像采集预处理模块、行人检测模块、行人追踪模块、行人分析模块和客户端模块。
图像采集预处理模块用于给系统提供输入图像数据,并对图像进行预处理;图像采集预处理模块采用USB摄像头或者网络IP摄像头进行实时的图像采集,对采集的图像进行预处理,预处理包括颜色通道顺序转换和图像格式转换。
行人检测模块用于对采集到的图像的人体进行标定,返回人体的质心位置坐标;行人检测模块利用目标检测算法进行图像中行人的识别,提取出图像中行人的位置,目标检测算法选用改进版的Tiny-yolov3算法。Tiny-yolov3主干网络进行替换为Mobilenet v1轻量级网络,提高Tiny-yolov3算法的检测精度,并在模型体积上实现压缩。
行人追踪模块用于实现对行人的跟踪和跟踪轨迹的生成;行人追踪模块用于对行人检测模块输出的行人位置进行人员的跟踪,对行人追踪功能的实现主要使用了卡尔曼滤波和匈牙利匹配算法。
行人分析模块用于按照异常行为判定规则对采集到的数据进行判定;行为分析模块对行人检测模块和行人追踪模块中提取到的结果进一步分析,按照异常行为判定规则检测行人是否存在异常行为,并将分析结果传递给客户端模块。
系统所检测的异常行为分为两种,分别为警戒区域内人员的入侵和人员的长时间徘徊;入侵行为的判定根据行人的位置进行判定,徘徊行为的判定根据行人运动轨迹的距离和位移之间的差值进行判定。
客户端模块用于实时监控画面的显示以及检测结果的显示。
客户端模块包括行为视频数据的显示,异常行为检测模式的选择以及检测结果的显示和日志信息。
当用户使用该系统进行视频中异常行为检测时,可根据实际场景选择不同的检测功能,也可混合使用。比如当需要对监控区域内的人员入侵进行检测时,检测前客户端提示用户在监控画面中画出警戒区域,然后系统将调用行人检测模块进行行人位置的提取,如果存在人员入侵警戒区域,客户端将自动捕捉当前界面,在画面中标出入侵警戒区域的人员,并以当前系统时间为文件名称写入本地,同时客户端发出警报音用以提醒工作人员。对于检测行人徘徊时,同样的,提示用户设定好位移和距离之间差值的阈值大小和违反的最多次数(阈值根据实际监控画面进行确定,违反次数一般设置为3次),行人跟踪模块实现对监控画面内行人的跟踪,如果存在人员徘徊,客户端将执行与检测人员入侵时同样的操作。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
- 一种基于深度学习的智能视频监控系统
- 一种基于5G的智能视频监控系统