[发明专利]安防监控领域人形智能摄像机的人形过滤算法

说明书

本发明公开了一种安防监控领域人形智能摄像机的人形过滤算法，涉及安防监控技术领域。该安防监控领域人形智能摄像机的人形过滤算法包括以下步骤：人形过滤检测准备工作、对检测框进行标定和处理、对组一进行检测和对组二进行检测。通过对组一和组二采用较差检测的方式进行轮流送检，可以显著提高检测到人形的速率的同时，保证了每两次送检中必定有一次是固定框的检测这样做的话可以解决人在画面中静止不动检测不到的问题，显著降低了漏报率，有效的降低了检测的耗时，在人形算法的基础上过滤掉视频画面最上方的人形检测结果和过滤掉很小的BGM结果，从而降低了人形的误报率，且将检测距离增加到10米，有效的提升了检测效率。

技术领域

本发明涉及安防监控技术领域，具体为一种安防监控领域人形智能摄像机的人形过滤算法。

背景技术

人工神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

现有的人形算法主要是采用基于人工神经网络算法进行检测的。人工神经网络，简称神经网络或类神经网络，是一种模仿生物神经网络结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络在语音、图片、视频、游戏等各类场景展现出了优异的性能，但是存在需要大量的数据进行训练来提高准确性的问题。

目前人形检测算法的原理是：首先通过BGM检测算法，检测到整体画面的所有运动区域，再将所有运动区域的数据依次进行神经网络算法的检测。由于受限主控的算力影响，在实际的测试中存在以下问题：

检测一帧人形数据时，耗时很长，最长达到2秒一帧，导致检测的实时性差；检测距离太短，只能检测到5米以内的人形；算法对电线杆、树干、警示柱等柱状物体的误报率在80％以上；算法不支持静态人形的检测，会导致人形的漏报。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种安防监控领域人形智能摄像机的人形过滤算法，解决了上述背景技术提到的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种安防监控领域人形智能摄像机的人形过滤算法，所述人形过滤算法包括以下步骤：

步骤一：人形过滤检测准备工作，获取BGM运动区域的结果，过滤掉视频画面最上方的运动框以及特别小的运动框。

步骤二：对检测框进行标定和处理，当前检测画面宽高为640*368，自行规定4个检测框，x、y坐标和宽高分别为：

全画幅框：x＝0，y＝20，w＝640，h＝320；

中间框：x＝20，y＝100，w＝600，h＝120；

左下框：x＝0，y＝168，w＝600，h＝200；

右下框：x＝40，y＝168，w＝600，h＝200；

并将BGM运动框与全画幅框设为组一，将中间框、左下框和右下框设为组二进行交叉检测，且对组一和组二进行轮流送检。