[发明专利]一种基于视觉相关判别网络的室外场景安全监控方法

权利要求书

1.一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：包括如下步骤：

S1：采集室外不同场景的图片，通过视觉标记工具对各个图片中的室外常见事物进行标记，并且标注图片类别；

S2：基于Yolov3网络搭建深度学习网络；

S3：根据YOLO3采用K-means聚类得到先验框的尺寸，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框，并利用K-means推断出abchorbox的数据集；

S4.利用步骤S1所得到的anchorbox数据集训练Yolov3网络，得到训练后的数据集；

S5.把S4步骤获得的经过训练的数据集进行视觉相关网络VD-Net进行判别训练，对Yolov3检测出的图像进行标签推断，得到图像判别结果；

S6、根据S5步骤所获得的图像判别结果，利用场景真实语义的符合度进行对比，判断是否真正获取了场景的真实内容。

2.根据权利要求1所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：所述的S3步骤中，首先对S1步骤获得的图片数据集进行目标框标定，待标记的数据集的图片大小分为大中小三个层次，数据集标签包括目标坐标(X,Y,H,W)框内的物体类别C，其中类别C主要分为：person、dangerthing、safething三种标签。

3.根据权利要求1或2所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：所述的S3步骤中，输入尺寸为416*416*3的图片，在不同层次的网络采样后，Yolov3算法输出相对于输入图像32、16、8倍的三组采样图；输出特征图层分别为13*13*3、26*26*3、52*52*3,3代表三个先验框。

4.根据权利要求1或2或3所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：所述的S3步骤具体为：

对数据集通过k-means聚类算法获得数据集中3种不同尺度目标框的anchorbox；K-means聚类算法的K初步设定为8，聚类中心初始化采用扩展二叉排序树，步骤如下：

输入：分类的数目k和包含n个对象的数据集

输出：8个初试聚类中心点

S301：为数据集创建一颗扩展二叉排序树

S302：计算每一个划分的密度p_j和中值m_j

S303：选择max p_j和中值点m_j为第一个初始点C₁

S304：选择第2到第8个初始点

d_j＝min_k＝1,2(e(C_k,m_j))]·ρ_j；其中，max d_j为C_t；t＝2 to 8；j＝1 to p。

5.根据权利要求1所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：在S6步骤中，将输入图片分成13*13、26*26、52*52个网格大小，每个网格预测三个box,每个box需要有(x,y,w,h c)五个基本参数；利用yolov3采用三种训练层次去提升目标尺度精度，Yolov3的输出为三组不同目标尺度下的预测值。

6.根据权利要求1所述的一种基于视觉相关判别网络的室外场景安全监控方法，其特征在于：在S6步骤中，对训练模型采用的数据进行预处理，包括对图片的色彩进行亮度调节，进行图片角度矫正处理，再对数据集进行均值消减预处理的步骤。