[发明专利]一种隔栏递物检测方法

说明书

本发明提出了基于深度学习、均值偏移跟踪算法和贝叶斯网络相结合的隔栏递物检测方法。利用卷积神经网络在目标检测上的优势，在没有任何预测信息下对视频中当前帧图像进行人体和物品的检测。在卷积神经网络检测到的目标基础上，利用均值偏移跟踪算法计算下一帧的目标预测位置，将此预测位置反馈给卷积神经网络的候选目标选择层。基于检测目标和跟踪目标的重叠程度计算两者的匹配率，更新跟踪目标的轨迹和所属类别概率等。在得到了跟踪目标轨迹和类别概率这些数据后，输入给贝叶斯网络，判断是否有隔栏递物行为发生。本发明结合了深度学习算法和传统计算机视觉的算法，实现了基于视频分析的隔栏递物行为检测，大大提高周界区域的安全性。

技术领域

本发明属于安防技术中的视频监控领域，涉及模式识别、图形图像处理、视频分析等，利用目标检测跟踪及推理的算法实现隔栏递物检测，主要用到深度学习、均值偏移(MeanShift)跟踪算法、贝叶斯网络等。

背景技术

出于安全考虑，围栏在现实生活中很常见，是一种常规的周界防范设施，围栏能在物理上对空间进行隔离，以达到阻止非授权人或者车等目标进入。围栏有别于围墙，一般墙体是实心的，无法穿透的，而围栏通常是栏杆组合而成，伸手可以透过去，甚至有些小的目标如小孩或者小猫小狗等，能通过围栏的孔隙穿过。所谓隔栏递物，就是有两人或者多人隔着围栏进行物品的传递。比如地铁安全防范系统里，通过围栏闸机等将空间区域分为安检前的区域和安检后的区域，所有的乘客都得通过安检门或者安检机以及人工安检等环节，才能进入地铁站台，乘坐地铁。然而，却有不少乘客不出站与围栏外没有进站的乘客进行物品交换，围栏外的乘客及其物品，很多情况下都没有经过安检，这样就给地铁造成了安全隐患，如果向围栏里传递的是危险品，那将给其它乘客人身安全造成威胁。而围栏分布广，靠视频监控人工盯防，已基本不可能。隔栏递物示意图如图1所示。

围栏本质上属于周界的一种，利用周界报警的方法和设备，在一定程度上对隔栏递物有震慑作用，能减少隔栏递物的发生，但隔栏递物不同于普通的攀爬围栏，所以传统的周界报警方法并不适用隔栏递物的检测。比如带有红外对射的周界报警器，一般装在围栏上方，目的是为了检测人攀越围栏，但隔栏递物通常不需要攀越围栏，只是通过围栏的中间的空隙传递物品。又如振动光缆，靠的是检测人攀爬围栏时产生的振动，而隔栏递物通常并不会接触围栏，因此也不会产生振动，因此振动光缆很有可能检测不到，相反，有不少人依靠在围栏上休息或者树叶落下等都会产生振动，这样会导致大量的误报。因此，传统的周界报警算法在检测隔栏递物这种行为上通常会失效。

随着人工智能技术的发展，视频分析技术也取了了重大进展，因此，通过对视频内容分析，使基于视频分析的隔栏递物检测成为可能。

在最近几年，基于深度学习的目标检测算法取得了重大突破，主要是卷积神经网络带来了目标检测识别率的大幅提升。所谓目标检测，任务就是给出一幅图像，定位出目标在图中的位置大小，并给出目标的类别，比如人脸检测和行人检测。利用卷积神经网络能检测出场景中的人和各种物品，但这些算法通常都是基于单帧图像检测，这样并不能检测出隔栏递物这种行为。

发明内容

本发明为了检测隔栏递物行为，提出了基于深度学习、均值偏移跟踪算法和贝叶斯网络相结合的隔栏递物检测算法。利用卷积神经网络在目标检测上的优势，在没有任何预测信息下对单幅图像(视频中的帧)进行人体和物品的检测。在卷积神经网络检测到的目标(包括目标坐标、宽高、类别、概率等)基础上，利用均值偏移跟踪算法计算下一帧的目标预测位置，将此预测位置反馈给卷积神经网络的候选目标选择层。基于检测目标和跟踪目标的重叠程度计算两者的匹配率，更新跟踪目标的轨迹和所属类别概率等。在得到了跟踪目标轨迹和类别概率这些数据后，输入给贝叶斯网络，判断是否有隔栏递物行为发生。本发明结合了深度学习算法和传统计算机视觉的算法，实现了基于视频分析的隔栏递物行为检测，大大提高周界区域的安全性。

本发明提供的基于深度学习、均值偏移跟踪算法和贝叶斯网络相结合的隔栏递物检测算法，包括：