[发明专利]一种基于边缘计算的暴力行为检测方法及系统

说明书

一种基于边缘计算的暴力行为检测方法，在云端服务器构造和训练用于暴力行为检测的深度学习模型及强化学习方法；监控设备端对视频画面进行前景检测，得到感兴趣区域画面并上传至边缘端服务器，边缘端服务器进行目标检测，得到画面中存在有人区域的结果反馈至监控设备端；监控设备端判断有人区域的人数是否超过阈值，建立视频帧缓冲区并调用强化学习方法对视频帧进行关键帧筛选，将关键帧存入缓冲区，如果缓冲区满，将缓冲区中的视频帧作为一组上传至边缘服务器，边缘服务器调用深度学习模型对该组视频帧进行端到端的推理，得到该组视频帧中暴力行为存在的概率；本发明能够有效降低暴力行为检测整个流程中的计算资源耗费和网络带宽占用。

技术领域

本发明属于公共安全监控技术领域，特别涉及一种基于边缘计算的暴力行为检测方法及系统。

背景技术

视频监控对暴力行为的监测是其重要价值之一，当暴力行为发生时，当事人在面对强烈的外部冲击时通常无法在第一时间报警。人工值班监视的方式也难以做到全天候无死角的处理海量数据。将视频数据传入计算单元，通过计算机算法实时检测并向有关区域安保力量发出预警是更好的解决方案。

现有技术中，对于暴力行为的检测多局限于对检测方法本身的创新上，但其实际的落地部署存在诸多问题。

常见部署方案包括终端直接部署和云端汇总数据。对于终端直接部署，受限于计算资源和制造成本的限制，目前准确率较高的深度学习方法难以广泛部署于现有的监控终端中。而云端汇总数据是将算法部署于云端逐帧接收全部视频数据，但这对主干网络和云服务器造成过多非必要负载，由于暴力行为是偶发性事件，这种方式经济性较差。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于边缘计算的暴力行为检测方法及系统，能够在设备端有效过滤视频冗余信息，保证检测精度的同时有效降低网络负载和服务器负载。

为了实现上述目的，本发明采用的技术方案是：

一种基于边缘计算的暴力行为检测方法，包括如下步骤：

步骤1：在云端服务器上构造和训练用于暴力行为检测的深度学习模型，并构造和训练强化学习方法；所述深度学习模型单次输入为一组视频帧，输出为存在暴力行为的概率；所述强化学习方法输入为逐帧视频数据，选定出一组视频帧后输入到深度学习模型中，根据预设的奖励规则迭代更新强化学习方法中的参数；

步骤2：监控设备端接收视频数据，实时读取视频数据中的视频帧；

步骤3：监控设备端利用前景检测算法对视频画面进行前景检测，根据前景区域特征进行判断，如果符合预设条件，进一步计算出感兴趣区域并进行画面裁切得到感兴趣区域画面，进入步骤4；不符合则重复步骤3；

步骤4：将感兴趣区域画面上传至边缘端服务器，边缘端服务器利用目标检测算法进行目标检测，得到画面中存在有人区域的结果反馈至监控设备端；

步骤5：监控设备端利用有人区域结果修正前景检测算法相关参数，判断有人区域的人数是否超过阈值，如超过则进入步骤6，否则返回步骤3；

步骤6：在监控设备端建立最大容量为固定帧数的视频帧缓冲区并调用强化学习方法对视频帧进行关键帧筛选，将关键帧存入缓冲区；

步骤7：判断缓冲区中视频帧的滞后性，如果滞后性大于设定阈值，则丢弃最早进入缓冲区的视频帧，如果缓冲区中视频帧数量等于缓冲区最大容量即缓冲区满，将缓冲区中的视频帧作为一组上传至边缘服务器执行步骤8；而后，按存入缓冲区的时间先后顺序丢弃设定比例数量的视频帧；在缓冲区未满状态下重复执行步骤6和步骤7；当缓冲区非满状态持续时间达到阈值，则返回步骤3，每次出现缓冲区满将重新开始记录持续时间；

步骤8：边缘服务器调用深度学习模型对该组视频帧进行端到端的推理，得到该组视频帧中暴力行为存在的概率；