[发明专利]一种基于CNN的模糊异常视频识别方法

说明书

本发明公开了一种基于CNN的模糊异常视频识别方法，首先对视频进行关键帧截取。再将截取的图像进行预处理。然后人工对样本打“标签”，进一步，将带标签的样本按照一定比例分成训练集和样本集。再用自主研发的人工智能框架设置训练参数，搭建CNN网络，进行模糊异常视频识别训练。将训练后的网络文件对未知样本集进行识别，再辅以人工分类矫正，扩充训练数据集，进行迭代训练。解决了筛选监控模糊异常视频时极其耗费人力、覆盖度不高、精确度不高、运算效率低下等问题。

技术领域

本发明涉及视频处理领域，特别涉及一种基于CNN的模糊异常视频识别方法。

背景技术

视频监控作为安防的一种重要手段越来越受到重视，在社会各个领域也得到了许多应用。一方面，视频监控系统中的前端设备经常出现故障与质量问题，产生信号丢失、偏色、彩条等问题。另一方面，被监控对象为了躲避监控会拿物体去故意遮挡监控设备。对于数以万计的监控视频，用人工的方式筛选上述异常视频显然是极其耗费人力，并且覆盖度不高，精确度不高。因此以一种人工智能的方法，让计算机去识别模糊异常视频很有必要。

近年来，基于CNN(Convolution Neural Network,卷积神经网络)的特征学习方法在图像分类目标检测等方面取得了巨大成功，引起了计算机视觉领域的极大关注。

传统的开源框架的局限性。当前所有知名的人工智能学习框架均由美国的公司和机构发布，这些人工智能框架的功能、特征、倾向性均由这些发布组织所把持，这也是整个人工智能产业难以在不同领域实现商用的重要原因之一，因为中小型公司几乎只能使用这些公开的框架进行上层包装式研发，受限技术实力，缺乏根据真实需求和不同应用深度定制人工智能框架的能力。

发明内容

本发明的目的在于：提供了一种基于CNN的模糊异常视频识别方法，采用人工智能的方式，大大释放了人工劳动力，提高了模糊异常识别精度和速度，并且该方法实现在低端硬件，视频清晰度一般的情况下高效、精准的识别出模糊异常视频。

本发明采用的技术方案如下：

一种基于CNN的模糊异常视频识别方法，包括以下步骤：

S1、获取视频样本；

S2、对S1获取的视频样本进行处理；

S3、构建CNN网络结构，所述CNN网络结构为训练网络，此训练网络包括三个卷积层、两个池化层和一个输出层；

S4、将步骤S2处理后的样本送入步骤S3建立的训练网络中进行识别训练，训练完成后，用测试程序把得到的网络文件对未知样本集进行分类识别，再辅以人工矫正，进行迭代训练，得到最终的CNN网络。

本发明是通过以下技术方案实现的：首先对视频进行关键帧截取。再将截取的图像进行预处理。然后人工对样本打“标签”，进一步，将带标签的样本按照一定比例分成训练集和样本集。再用自主研发的人工智能框架设置训练参数，搭建CNN网络，进行模糊异常视频识别训练。将训练后的网络文件对未知样本集进行识别，再辅以人工分类矫正，扩充训练数据集，进行迭代训练。

进一步的，所述步骤S3中的CNN网络结构由三个卷积层、两个池化层和一个输出层组成，其中：

第一层是卷积层，采用Relu激活函数，卷积方式为带边卷积；

第二层是池化层，按照最大值池化；

第三层是卷积层，采用Relu激活函数，卷积方式为带边卷积；

第四层是卷积层，采用Relu激活函数，卷积方式为带边卷积；

第五层是池化层，采用Relu激活函数；

第六层是输出层，采用Softmax激活函数。