[发明专利]一种基于深度学习的校园防护方法和系统

说明书

本发明提出了一种基于深度学习的校园防护方法和系统，所述方法包括：利用视频摄像头，实时采集监控校园内各路段或场所的人员情况，获取视频对应的多个图像；采集学校信息类系统内部存储的学校学生和学校教职工对应的身份图片；建立人脸识别的神经网络模型，利用所述身份图片对所述神经网络模型进行训练；将所述视频采集的多个图像作为所述训练好的神经网络模型的输入，通过所述神经网络对所述多个图像进行识别处理，并输出识别结果；判断是否存在非学校学生和教职工的人员出现，并整合所述非学校学生和教职工的人员的运动路线。所述系统包括与所述方法步骤对应的模块。

技术领域

本发明提出了一种基于深度学习的校园防护方法和系统，属于防护技术领域。

背景技术

学校是学生学习和生活的主要场所，其安全性尤为重要，现有的校园安全管理基本上是以视频监控为主体，但是，现有的视频监控只停留才视频采集播放和人工监控视频图像的方式来进行校园安全防护，但是这种方式安全监控效率较低，一旦出现问题，需要人工通过视频录像进行排查来获取非在校人员，费时费力，效率极低。

发明内容

本发明提供了一种基于深度学习的校园防护方法和系统，用以解决现有校园视频监控过程中，无法自动识别校外人员，安全防护性能较差的问题，所采取的的技术方案如下：

一种基于深度学习的校园防护方法，所述方法包括：

利用视频摄像头，实时采集监控校园内各路段或场所的人员情况，获取视频对应的多个图像；

采集学校信息类系统内部存储的学校学生和学校教职工对应的身份图片；

建立人脸识别的神经网络模型，利用所述身份图片对所述神经网络模型进行训练；

将所述视频采集的多个图像作为所述训练好的神经网络模型的输入，通过所述神经网络对所述多个图像进行识别处理，并输出识别结果；

判断是否存在非学校学生和教职工的人员出现，并整合所述非学校学生和教职工的人员的运动路线。

进一步地，利用所述身份图片对所述神经网络模型进行训练，包括：

将所述身份照片进行分辨率降低处理，获得降低分辨率后的初始处理图片；

将所述身份照片进行分辨率升高处理，获得升高分辨率后的次级处理图片；

将所述初始处理图片输入值所述神经网络模型中，通过神经网络模型进行特征提取，获得初级处理图片对应的各特征，并将所述各特征整合为初始特征集合；

将所述次级处理图片输入值所述神经网络模型中，通过神经网络模型进行特征提取，获得次级处理图片对应的各特征，并将所述各特征整合为次级特征集合；

将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较，并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同，获得调整后的初级特征集合；

根据调整后的初级特征集合中的各特征还原所述初级处理图片，获取初级处理图片调整后图片；

将所述初级处理图片调整后图片和所述次级处理图片进行区分识别，当无法识别出所述高分辨率图片和所述次级处理图片的区别时，则确定完成此次神经网络训练。

进一步地，将所述视频采集的多个图像作为所述训练好的神经网络模型的输入，通过所述神经网络对所述多个图像进行识别处理，并输出识别结果，包括：

将所述视频采集的多个视频图像输入值神经挖网络模型中，通过神经网络模型将所述视频图像进行图像分辨率调整；