[发明专利]一种基于深度学习图像处理的多模式安保监测方法

权利要求书

1.一种基于深度学习图像处理的多模式安保监测方法，其特征在于，包括以下步骤：

步骤1：构建被监测场地的全局地图模型；

步骤2：在构建的全局地图模型下划分多个不同的安保监测子区域；将不同安保监测子区域划分不同的监测力度等级，并对每个安保监测子区域安装相应的监控摄像头，并运行监控一段时间；

步骤3：选取图像数据库作为预训练集进行预训练，得到预训练模型；并调取安保监测子区域的监控摄像头历史监控的所有监控图像，用于丰富预训练集；

步骤4：在实际监测的时候，首先设定监测展示队列，将所有安保监测子区域的监控摄像头根据监测力度等级的高低间隔排序在监测展示队列中；然后按照设定的监测力度等级设定相对应的初始监测时间，同一监测力度等级的监控摄像头对应的初始监测时间相同，且监测力度等级越高的监控摄像头对应的初始监测时间越多；接着按照监测展示队列中的顺序抽取N个监控摄像头实时采集的图像在安保室内的监控屏幕上进行展示；

步骤5：对于在监控屏幕上进行展示的实时采集的图像，结合人脸识别算法和人体识别算法进行人脸识别以及人体识别，并使用人体行为识别算法判断是否发生异常行为，并采用人体追踪算法进行人体追踪；对于在初始监测时间结束时，在监控屏幕上展示且并未出现行人的实时采集的图像，从监控屏幕上移除，并从监测展示队列中调取后序的监控摄像头实时采集的图像在监控屏幕上进行展示并监测，周而复始在监测展示队列中进行循环；对于在初始监控时间结束前，在监控屏幕上出现行人的，增加在监控屏幕上的展示时间；当在监控屏幕上展示并监测到有行人发生异常行为时，以标识框的形式报警推送给工作人员，由工作人员核实是否存在异常行为，并进行处理；对于核实为发生了异常行为的图像，再次增加对应的监控摄像头的展示时间；

步骤6：对于核实为发生了异常行为的人体，将识别出的相对应的人脸信息提取出来，设定唯一的危险人物ID，并将人脸信息存储到对应的危险人物ID中；对于人脸信息被存储到危险人物ID中的行人，执行以下处理原则：

在后续的监测中，当在监控屏幕上存储的图像中识别到有人脸信息被存储在危险人物ID中的行人出现时，增加对应的监控摄像头在监控屏幕上的展示和监测时间；

对于人脸信息被存储在危险人物ID中的行人，使用人体行为识别算法监测行为时，还要识别其与处于同一监控摄像头下的其他行人之间是否存在互动行为，对于其他行人中存在互动行为的人脸信息进行存储，设定互动行为阈值B和次危险人物ID，对其他行人的互动行为进行累计加分，将累计加分超过互动行为阈值B的其他行人的人脸信息存储到次危险人物ID中；当人脸信息存储到次危险人物ID中的行人出现在监控摄像头上时，同样增加对应的监控摄像头的展示和监测时间；所述阈值B为根据实际情况自定义值；对于存储在次危险人物ID中的人脸信息：

若在存储后的时间E内并未识别出发生过异常行为，且存储后的重新计算的互动行为的累计加分并未超过阈值B，则将对应的人脸信息从次危险人物ID中删除；

若在存储后的时间E内并未识别出发生过异常行为，但存储后的重新计算的互动行为的累计加分超过了阈值B，则将对应的人脸信息从次危险人物ID中继续保留并刷新时间E的计时；

若在存储后的时间E内识别出发生了异常行为，则进行报警并将对应的人脸信息从次危险人物ID转移存储到危险人物ID中；

步骤7：在进行步骤4-步骤6操作达到时间A后，汇总时间A内每个安保监测子区域内发生异常行为的次数，并按照次数的多少重新划分监测力度等级；所述时间A为根据实际情况自定义时间量；

步骤8：在进行步骤4-步骤6操作达到时间C后，对于单个监控摄像头所识别出异常行为的图像进行汇总，计算单个图像中异常行为的标识框在图像中位置于图像中心的偏移值，根据计算出的偏移值对对应的监控摄像头进行位姿调整。

2.如权利要求1所述的一种基于深度学习图像处理的多模式安保监测方法，其特征在于，在所述步骤3中，丰富预训练集的具体操作为：调取每个安保监测子区域的监控摄像头历史的所有监控图像，且在预训练过程中，将预训练集中的行人从预训练集的图像中抠出，进行缩放、形变拉伸、色彩变换，并以不同的角度粘贴到调取出的监控图像中得到丰富后的训练图像，将丰富后的训练图像加入到预训练集中用于预训练。