[发明专利]一种隔栏递物检测方法

权利要求书

1.一种隔栏递物检测方法，其特征在于：利用深度学习、均值偏移跟踪算法和贝叶斯网络相结合，用大量样本训练得到人体、背包、手提包、行李箱、手提袋、矿泉水瓶、饮水杯7种类别的卷积神经网络模型，并将均值偏移得到的目标预测位置反馈给卷积神经网络，用卷积神经网络进行目标检测，利用当前帧检测到的目标和上一帧检测到的目标，逐帧建立起人体和各种物品的跟踪轨迹以及实时更新的类别概率，然后得到围栏左侧人数N_L，围栏右侧人数N_R，围栏两侧ROI里检测到的人体的平均概率P_H，左侧人体的平均运动方向V_HL，右侧人体的平均运动方向V_HR，围栏附近人体之间检测到的物品的平均概率P_O，物品的平均运动方向V_O，以发生隔栏递物报警的变量A为父节点，N_L、N_R、P_H、V_HL、V_HR、P_O、V_O为A的直接子节点构建贝叶斯网络，假设在A条件下变量N_L、N_R、P_H、V_HL、V_HR、P_O、V_O相互独立，则概率P(N_L,N_R,P_H,P_O,V_HL,V_HR,V_O|A)等于P(N_L|A)·P(N_R|A)·P(P_H|A)·P(P_O|A)·P(V_HL|A)·P(V_HR|A)·P(V_O|A)，所以，在观测到N_L、N_R、P_H、V_HL、V_HR、P_O、V_O时，A发生的概率P(A|N_L,N_R,P_H,P_O,V_HL,V_HR,V_O)正比于P(N_L|A)·P(N_R|A)·P(P_H|A)·P(P_O|A)·P(V_HL|A)·P(V_HR|A)·P(V_O|A)，假设P(N_L|A)、P(N_R|A)、P(P_H|A)、P(P_O|A)、P(V_HL|A)、P(V_HR|A)、P(V_O|A)都服从高斯分布，用实际的样本来估计该贝叶斯网络的参数，最终根据N_L、N_R、P_H、V_HL、V_HR、P_O、V_O是否发生了来估计隔栏递物发生的概率。

2.根据权利要求1所述的隔栏递物检测方法，其特征在于，从前端设备提取视频流，并解码成YUV图像，然后转换为RGB图像，并通过ROI保留围栏两侧区域，对远处区域像素填充R＝G＝B＝128。

3.根据权利要求1所述的隔栏递物检测方法，其特征在于，通过卷积神经网络共识别人体、背包、手提包、行李箱、手提袋、矿泉水瓶、饮水杯7种类别，将帧图像F缩放到基准分辨率480x480的图像I，然后在I上进行全图的区域卷积神经网络提取特征，接着将I划分为15x15个块B，每个块根据是否有跟踪信息反馈采用不同的目标框预估模式，然后估计每个块所含的目标概率和宽高，最终通过重叠率机制进行合并，输出目标的中心坐标、宽高、目标属于哪个类别的概率。