[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

说明书

为了解决现有技术推断真实场景困难而导致的场景推断结果不准确的问题，本发明提供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；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；S4.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，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。本发明具有识别准确率高的优点。

技术领域

本发明涉及图像处理和计算机视觉目标检测领域技术领域，特别涉及一种基于视觉相关判别网络的室外场景安全监控方法。

背景技术

夜晚的时候，各种公共场所的监控都需要值班人员在时时刻刻看着以防止有突发情况的发生，公共场所的安全定义很多样，需要值班人员在盯着，根据个人的经验进行分析，这样会造成人员的资源浪费，也会使工作人员的辛苦程度大量增加。针对室外安全的视觉检测判别方法就有着重要的意义。

过去的监控方法是基于图像处理技术实现的，存在着噪音干扰，语义推断能力不足，视觉判断能力弱，场景识别效果很差的问题。随着计算机算力的提升，基于机器学习算法的视觉判别方法的提出，相对于过去的场景识别，准确率有了很大的提升，鲁棒性也大大增强。但是传统的算法所采用的数据存在着大量的非视觉先验信息，方法上很容易形式化，不具备进一步推断真实场景的语义信息。从而导致现有的关系数据的表征并不能明显提升相关场景推断。

发明内容

为了解决现有技术推断真实场景困难而导致的场景推断结果不准确的问题，本发明提供一种基于视觉相关判别网络的室外场景安全监控方法。

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：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。

本发明的有益效果是：本发明利用YOLOV3深度学习网络和视觉相关判别网络VD-Net训练算法模型，识别室外公共场所的安全状况，通过推断场景里面是否有危险的定义来定义是否安全，具有识别准确率高的优点。

附图说明

图1为本发明的流程图。

图2为视觉判别网络原理示意图。

图3为本发明中输入到输出的示意图。

图4为不同的方法检测能力对比图。

具体实施方式

下面结合附图对本发明进行进一步的说明。

具体实施例I：为了进一步叙述本发明的特征、理念、技术手段以及所达到功能目的。下面开始进一步详细叙述实施方案。

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，具有以下步骤：