[发明专利]一种基于监控视频多目标检测的告警事件聚合方法和装置

权利要求书

1.一种基于监控视频多目标检测的告警事件聚合方法，其特征在于，包括以下步骤：

目标检测步骤，将获取到的视频帧输入目标检测模型，判断检测结果中是否存在目标对象，并根据置信度是否超过设定阈值判断是否是所述目标对象，并进入度量学习步骤；

度量学习步骤，通过深度余弦度量学习网络模型对所述视频帧中的所述目标对象进行表观特征向量提取，结合所述目标检测步骤获得所述目标对象的标签、表观特征向量和坐标位置；以及

聚合分类步骤，基于所述目标对象的所述标签、系统时间、所述表观特征向量以及所述坐标位置通过告警事件聚合规则判断所述视频帧中所述目标对象的所述告警事件是否是重复告警事件。

2.根据权利要求1所述的基于监控视频多目标检测的告警事件聚合方法，其特征在于，在所述目标检测步骤之前还包括：

通过OpenCV获取监控视频的实时视频流，并按照一定时间间隔进行截取得到所述视频帧。

3.根据权利要求1所述的基于监控视频多目标检测的告警事件聚合方法，其特征在于，所述深度余弦度量学习网络模型提取所述目标对象的所述表观特征向量构建事件聚合特征向量队列。

4.根据权利要求3所述的基于监控视频多目标检测的告警事件聚合方法，其特征在于，所述告警事件聚合规则具体包括：

通过所述标签查询已构建的所述事件聚合特征向量队列中是否存在所述目标对象，若是则进入时间匹配阶段，否则直接产生告警事件，并将所述目标对象的所述标签、所述表观特征向量和所述系统时间加入所述事件聚合特征向量队列；

判断所述系统时间与所述事件聚合特征向量队列中所述目标对象的时间的差值是否在有效时间段内，若是则进入余弦相似度匹配阶段，否则直接产生告警事件，并将所述目标对象的所述标签、所述表观特征向量和所述系统时间加入所述事件聚合特征向量队列；以及

将所述目标对象的所述表观特征向量与所述事件聚合特征向量队列中有效时间段内所述目标对象的表观特征向量进行余弦相似度计算，通过判断余弦相似度值与预先设定的余弦相似度阈值进行比对来判定所述目标对象是否符合匹配规则，如果余弦相似度值小于余弦相似度阈值，则表示所述表观特征向量匹配不成功，直接产生告警事件，将所述目标对象的所述标签、所述表观特征向量和所述系统时间加入所述事件聚合特征向量队列，如果余弦相似度值大于或等于余弦相似度阈值，则表示所述表观特征向量匹配成功，所述目标对象所对应的告警事件属于重复告警事件。

5.根据权利要求1-4中任一项所述的基于监控视频多目标检测的告警事件聚合方法，其特征在于，采用Django框架对所述目标检测模型和深度余弦度量学习网络模型进行封装。

6.根据权利要求1-4中任一项所述的基于监控视频多目标检测的告警事件聚合方法，其特征在于，所述目标检测模型采用YoloV3作为模型框架，在YoloV3模型的基础上将原有的分类模型改进为轻量级分类模型。

7.根据权利要求1-4中任一项所述的基于监控视频多目标检测的告警事件聚合方法，其特征在于，所述目标检测模型的网络结构中每层的激活函数均为线性整流函数ReLU，所述深度余弦度量学习网络模型的网络结构中每层的激活函数为指数线性单元ELU。

8.一种基于监控视频多目标检测的告警事件聚合装置，其特征在于，包括以下步骤：

目标检测模块，被配置为将获取到的视频帧输入目标检测模型，判断检测结果中是否存在目标对象，并根据置信度是否超过设定阈值判断是否是目标对象，并进入度量学习步骤；

度量学习模块，被配置为通过深度余弦度量学习网络模型对所述视频帧中的目标对象进行表观特征向量提取，结合所述目标检测模块获得所述目标对象的标签、表观特征向量和坐标位置；以及

聚合分类模块，被配置为基于所述目标对象的所述标签、系统时间、所述表观特征向量以及所述坐标位置通过告警事件聚合规则判断所述视频帧中所述目标对象的所述告警事件是否是重复告警事件。