[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

说明书

本发明提出了一种基于深度学习图像处理的多模式安保监测方法，将需要监控的场景按照重要程度进行划分，并根据后续的机器学习结果定期调整，实现将有限的监控资源应用在最需要监控的地方，同时对需要监控的内容也进行重点关注，通过设定危险ID和次危险ID，将最可能出现需要监控的人物给筛选出来，两个操作的结合，实现对最需要监控的地方出现的最需要监控的人进行重点监测，同时通过采集实际的需要监控的场景，粘贴外来的大量训练数据，实现符合待监测场景的预训练集数据的丰富，进而提高最终识别的精度。同时通过训练后的结果，还可以对最可能发送异常行为的区域进行调整监督。实现以较低的设备成本和开销达成最大效率的视频在线监控。

技术领域

本发明属于计算机图像处理监测技术领域，具体地说，涉及一种基于深度学习图像处理的多模式安保监测方法。

背景技术

随着计算机技术的高速发展，基于机器学习的图像处理技术也愈发成熟，并应用在各行各业中。如人脸识别的快捷支付、人脸识别的密码锁、图像识别的快速智能识别等等。但其主要还是应用在图像的识别层面。因为图像的数据库是相当丰富的，在庞大的图像数据资源做支撑的情况下，图像识别的精度是相当高的；而当今世界上关于视频的数据库，其数据量是远远低于图像的数据量的，故对视频直接开展的识别受限于数据库资源，在技术成熟度和精度上都是远远低于对于图像的识别的。故一般对于视频的识别，通常都是将视频转换为一帧帧的图像，然后对图像进行识别，最终实现对视频的识别。在此种情况下，因为一秒视频一般就包含了几十帧的图像，常规对视频进行识别分析的开销是巨大的。在此基础上，现有技术通常都是采用稀疏帧的方式，从完整的视频帧图像中采样进行图像识别，在尽可能保证不损失图像内容的情况下进行图像识别，但其开销仍然是巨大的。同时这种方式也常见用于离线进行视频的识别，而在多场景的监控场景中，监控的识别本身就是在线实时进行的，同时需要采用图像处理来辅助监控的场景，一般也是存在于单人无法胜任的多摄像头对多区域进行查看的场景。在这种情形下，如果对多个摄像头都同时进行在线监控，那么其开销是巨大的，对设备的要求相当之高，在应用性上来说也会差很多，同时针对监控的多元化来说，监控的算法内容上的丰富，还会增加成本和开销，算法增加的开销若叠加在多个摄像头的监控上，其开销是呈指数型的增长的。

发明内容

本发明针对现有技术的上述缺陷，提出了一种基于深度学习图像处理的多模式安保监测方法，将需要监控的场景按照重要程度进行划分，并根据后续的机器学习结果定期调整，实现将有限的监控资源应用在最需要监控的地方，同时对需要监控的内容也进行重点关注，通过设定危险ID和次危险ID，将最可能出现需要监控的人物给筛选出来，两个操作的结合，实现对最需要监控的地方出现的最需要监控的人进行重点监测，同时通过采集实际的需要监控的场景，粘贴外来的大量训练数据，实现符合待监测场景的预训练集数据的丰富，进而提高最终识别的精度。同时通过训练后的结果，还可以对最可能发送异常行为的区域进行调整监督。实现以较低的设备成本和开销达成最大效率的视频在线监控。

本发明具体实现内容如下：

本发明提出了一种基于深度学习图像处理的多模式安保监测方法，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；