[发明专利]检测方法、检测装置、监控设备和计算机可读存储介质

说明书

本发明提出了一种检测方法、检测装置、监控设备和计算机可读存储介质。其中，检测方法包括：获取至少一个摄像装置的图像数据；识别图像数据中目标图像的每一个像素点的像素值；根据相邻两帧目标图像中所有像素点的像素差值的绝对值之和、预设像素值，确定待检测图像；采用YOLO v3模型对待检测图像进行检测运算，以识别待检测图像中存在的目标检测对象；记录目标检测对象。本发明的检测方法能够大大提高检测对象进入监测区域时实时检测的检测速度和精度，而且可同时支持大量摄像装置实时检测，极大地提高了实际工程的投入产出比，并且能够排除非检测对象引起的误检影响。

技术领域

本发明涉及视频图像识别技术领域，具体而言，涉及一种检测方法、一种检测装置、一种监控设备和一种计算机可读存储介质。

背景技术

站房是整个工程监控系统的核心区域，大量的计算分析部署在这里，为防止闲杂人等随意进入及系统更新维护责任到人，保证站房系统安全及系统的有效管理，需要对监控站房的上百路甚至上千路摄像头进行实时行人检测。目前常见的行人检测算法有两种：帧间差分法和基于深度学习的目标检测算法。

帧间差分法是一种通过对视频图像序列的连续两帧图像做差分运算获取运动目标轮廓的方法。该方法实现简单，运算速度快(5ms左右)，对光线的变化不敏感。但是在运动体内易产生空洞，特别是目标运动速度较快时，影响目标区域准确提取，且检测效果取决于差分阈值的设定，对前景中的任何运动物体都会进行检测，无法区分行人和物体，存在目标误判、误检率高的问题。

基于深度学习的目标检测算法主要通过权值共享、局部连接等策略端到端的自动学习捕捉物体的特征，使网络具有更强的解析能力。但为了工程项目的投入产出比最大化，则需要一台服务器支持尽可能多路摄像头，而目标检测算法检测速度(20ms左右)相比帧间差分(5ms左右)慢四倍左右，仅仅用目标检测算法，运行速度过慢，难以支持上百路摄像头同时检测，使得项目的投入产出比大大降低。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明第一方面在于提出了一种检测方法。

本发明的第二方面在于提出了一种检测装置。

本发明的第三方面在于提出了一种监控设备。

本发明的第四方面在于提出了一种计算机可读存储介质。

有鉴于此，根据本发明的第一方面，提出了一种检测方法，包括：获取至少一个摄像装置的图像数据；识别图像数据中目标图像的每一个像素点的像素值；根据相邻两帧目标图像中所有像素点的像素差值的绝对值之和、预设像素值，确定待检测图像；采用YOLOv3模型对待检测图像进行检测运算，以识别待检测图像中存在的目标检测对象；记录目标检测对象。

本发明提供的检测方法，获取至少一个摄像装置的图像数据，识别同一路摄像装置采集目标图像中全部像素点的像素值，并计算相邻两帧目标图像中同一位置的像素点的像素值之间的像素差值，根据所有像素点的像素差值的绝对值之和与预设像素值之间的大小关系，判断是否存在运动物体，从而对采集于同一路摄像装置的相邻两帧目标图像进行帧间差分处理，同时将检测到运动物体的目标图像作为待检测图像，并送入YOLO v3(YouOnly Look One，你只看一次)模型迭代的第三个版本进行检测运算，利用YOLO v3模型识别出待检测图像中存在有的目标检测对象，并进行记录，以供用户对监测区域进行实时监控。本发明的检测方法利用帧间差分的快速性、广泛性及基于深度学习的目标检测算法的高精度，大大提高了检测对象进入监测区域时实时检测的检测速度和精度，而且可同时支持大量摄像装置实时检测，极大地提高了实际工程的投入产出比，并且能够排除非检测对象引起的误检影响，解决现有的行人检测方法在准确率、速度、经济效益投入产出比等方面存在不足的问题。