CN109344691A - 一种基于深度学习的视觉安全校园管理监视方法 - Google Patents
一种基于深度学习的视觉安全校园管理监视方法 Download PDFInfo
- Publication number
- CN109344691A CN109344691A CN201810908972.9A CN201810908972A CN109344691A CN 109344691 A CN109344691 A CN 109344691A CN 201810908972 A CN201810908972 A CN 201810908972A CN 109344691 A CN109344691 A CN 109344691A
- Authority
- CN
- China
- Prior art keywords
- image
- library
- target
- dangerous instruments
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的视觉安全校园管理监视方法,包括下述步骤:步骤一,建立危险器具目标检测图像库;建立危险器具目标检测图像库,将其分为源图像库和目标图像库;将所收集的包含危险器具的图像文件归类到源图像库和目标图像库中,且源图像库和目标图像库内的图像文件不重复;源图像库中的所有图像文件缩放到300x300像素,图像文件的内容为包含大部分场景下不同形态的危险器具;本发明的检测算法模块具有独立性,检测算法所得模型存储之后可直接被服务器获取供检测使用,无须每个流程都要经过检测算法模块,而且该模块可以和监控系统相结合,从监控系统获取视频帧进行检测,提高安全性,保证了校园处于安全的状态。
Description
技术领域
本发明涉及视觉监视技术领域,具体涉及一种基于深度学习的视觉安全校园管理监视方法。
背景技术
监控系统是由摄像、传输、控制、显示和记录登记组成。摄像机通过同轴视频电缆将视频图像传输到控制主机,控制主机再将视频信号分配到各监视器及录像设备,同时可将需要传输的语音信号同步录入到录像机内。通过控制主机,操作人员可发出指令,对云台的上、下、左、右的动作进行控制及对镜头进行调焦变倍的操作,并可通过控制主机实现在多路摄像机及云台之间的切换。利用特殊的录像处理模式,可对图像进行录入、回放、处理等操作,使录像效果达到最佳。但是,目前校园暴力事件屡禁不止,传统的校园监控系统在很大程度上只能记录存储视频资料,只能在事件发生后提供证据资料,或者在工作人员监视下能提前预防,而这需要人员的时刻关注。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于深度学习的视觉安全校园管理监视方法,该方法应用于校园安全管理的监视系统场景,对校园不同区域进行实时监控检测,并且能够灵活对接数据交互模块和通讯模块。
本发明的目的通过下述技术方案实现:
一种基于深度学习的视觉安全校园管理监视方法,包括下述步骤:
步骤一,建立危险器具目标检测图像库;
建立危险器具目标检测图像库,将其分为源图像库和目标图像库;将所收集的包含危险器具的图像文件归类到源图像库和目标图像库中,且源图像库和目标图像库内的图像文件不重复;
源图像库中的所有图像文件缩放到300x300像素,图像文件的内容为包含大部分场景下不同形态的危险器具;
目标图像库中图像文件的内容为包含校园背景下的完整形态危险器具,为了更加突出危险器具的特征,危险器具经图像裁剪处理后使其处于图像中心,若裁剪处理后的图像像素的高度或者宽度超过1000像素,则将其缩放到300x300像素;
步骤二,建立与危险器具目标检测图像库对应的图像标签库;
危险器具目标检测图像库中的每个图像文件都建立相应的符合标准PASCAL VOC格式的xml标签文件,而这些标签文件共同构成图像标签库;标签文件中的信息包括图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,危险器具目标所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框的左上顶点坐标,(xmax,ymax)为边界框的右下顶点坐标;若一个图像文件中包含多个危险器具,则标签文件中相应储存多个边界框;
步骤三,建立深度学习模型;
采用端到端的深度学习目标检测网络SSD模型,该深度学习目标检测网络SSD模型具体由基础特征提取网络和辅助网络组成,其中基础特征提取网络选用VGG-16卷积神经网络结构,辅助网络使用3x3卷积核,且辅助网络的输入为基础特征提取网络的不同卷积层的特征图输出;
步骤四,ImageData图像库生成;
将所有参与深度学习模型训练的图像与其对应的标签文件合成一个用于训练的、可以进行高效读取的文件,而这些文件共同构成ImageData图像库;
步骤五,建立目标模型;
利用步骤三中的深度学习目标检测网络SSD模型通过反向传播算法在ImageData图像库中进行训练,从而得到目标模型;
步骤六,目标模型测试;
将待检测的图片或者视频输入到固化后的目标模型中,用矩形边界框在待检测的图像或者视频中标注出检测到的危险器具目标框,以及该目标框中包含危险器具的置信度得分;
步骤七,通过监控系统获得视频帧并将其传送至后台服务器;
步骤八,视频帧经过后台服务器中的目标模型检测,若得到目标检测信息,则后台服务器通过GSM模块将信息传送至相关人员,以便于其做出相关的预防措施。
本发明与现有技术相比具有以下的有益效果:
本发明的检测算法模块具有独立性,检测算法所得模型存储之后可直接被服务器获取供检测使用,无须每个流程都要经过检测算法模块,而且该模块可以和监控系统相结合,从监控系统获取视频帧进行检测,提高安全性,保证了校园处于安全的状态;通过检测算法程序,使得系统检测到目标时,可以通过GSM通讯模块进行实时告知,具有实时性高的效果;监控系统无处不在,应用场景十分多,通过提出本程序设计方法,可以灵活将其应用于不同的场景,具有灵活移植的效果。
附图说明
图1为本发明的整体流程图;
图2为本发明的监视系统结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,一种基于深度学习的视觉安全校园管理监视方法,包括下述步骤:
步骤一,建立危险器具目标检测图像库;
建立危险器具目标检测图像库,将其分为源图像库和目标图像库;将所收集的包含危险器具的图像文件归类到源图像库和目标图像库中,且源图像库和目标图像库内的图像文件不重复;
源图像库中的所有图像文件缩放到300x300像素,图像文件的内容为包含大部分场景下不同形态的危险器具;
目标图像库中图像文件的内容为包含校园背景下的完整形态危险器具,为了更加突出危险器具的特征,危险器具经图像裁剪处理后使其处于图像中心,若裁剪处理后的图像像素的高度或者宽度超过1000像素,则将其缩放到300x300像素;
步骤二,建立与危险器具目标检测图像库对应的图像标签库;
危险器具目标检测图像库中的每个图像文件都建立相应的符合标准PASCAL VOC格式的xml标签文件,而这些标签文件共同构成图像标签库;标签文件中的信息包括图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,危险器具目标所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框的左上顶点坐标,(xmax,ymax)为边界框的右下顶点坐标;若一个图像文件中包含多个危险器具,则标签文件中相应储存多个边界框;
步骤三,建立深度学习模型;
采用端到端的深度学习目标检测网络SSD模型,该深度学习目标检测网络SSD模型具体由基础特征提取网络和辅助网络组成,其中基础特征提取网络选用VGG-16卷积神经网络结构,辅助网络使用3x3卷积核,且辅助网络的输入为基础特征提取网络的不同卷积层的特征图输出;而检测器是根据不同尺寸的特征图生成的默认框,检测器有两种功能:1、预测危险器具目标边界框的位置(相对于默认框坐标的4个顶点的偏移量),训练时采用的损失函数是Smooth L1loss;2、所预测目标是危险器具种类的置信度得分,训练时采用的损失函数是Softmax loss。
步骤四,ImageData图像库生成;
将所有参与深度学习模型训练的图像与其对应的标签文件合成一个用于训练的、可以进行高效读取的文件,而这些文件共同构成ImageData图像库;
步骤五,建立目标模型;
利用步骤三中的深度学习目标检测网络SSD模型通过反向传播算法在ImageData图像库中进行训练,从而得到目标模型;
步骤六,目标模型测试;
将待检测的图片或者视频输入到固化后的目标模型中,用矩形边界框在待检测的图像或者视频中标注出检测到的危险器具目标框,以及该目标框中包含危险器具的置信度得分;
步骤七,通过监控系统获得视频帧并将其传送至后台服务器;
步骤八,视频帧经过后台服务器中的目标模型检测,若得到目标检测信息,则后台服务器通过GSM模块将信息传送至相关人员,以便于其做出相关的预防措施。
如图2所示,本发明公开了一种基于深度学习方法实现的安全校园管理监视系统设计,通过电视监控系统,主要由前端监视设备、传输设备、后端存储、控制及显示设备这五大部分组成,其中后端设备可进一步分为中心控制设备和分控制设备,对校园各角落进行视频图像采集;其中主要包括检测算法模块、连接设备模块、数据交互模块以及通讯模块构成。该程序能够通过电视监控系统获取视频帧,经过检测刀具、木棍等危险器具模块,对接数据交互模块以及通讯模块;通过检测模块和通讯模块,应对可能即将发生的暴力事件等异常情况。
(1)检测算法模块:通过收集危险器具图像库,经过工具ImageLabel进行截取目标框存储为xml文件,通过ssd训练得到目标检测模型并保存。
(2)数据交互模块:从电视监控系统获取的视频帧,传送至后台服务器进行模型的目标检测;如果检测到嫌疑目标,则将监控编号通过GSM通讯告知工作人员。
本发明的检测算法模块具有独立性,检测算法所得模型存储之后可直接被服务器获取供检测使用,无须每个流程都要经过检测算法模块,而且该模块可以和监控系统相结合,从监控系统获取视频帧进行检测,提高安全性,保证了校园处于安全的状态;通过检测算法程序,使得系统检测到目标时,可以通过GSM通讯模块进行实时告知,具有实时性高的效果;监控系统无处不在,应用场景十分多,通过提出本程序设计方法,可以灵活将其应用于不同的场景,具有灵活移植的效果。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (1)
1.一种基于深度学习的视觉安全校园管理监视方法,其特征在于,包括下述步骤:
步骤一,建立危险器具目标检测图像库;
建立危险器具目标检测图像库,将其分为源图像库和目标图像库;将所收集的包含危险器具的图像文件归类到源图像库和目标图像库中,且源图像库和目标图像库内的图像文件不重复;
源图像库中的所有图像文件缩放到300x300像素,图像文件的内容为包含大部分场景下不同形态的危险器具;
目标图像库中图像文件的内容为包含校园背景下的完整形态危险器具,为了更加突出危险器具的特征,危险器具经图像裁剪处理后使其处于图像中心,若裁剪处理后的图像像素的高度或者宽度超过1000像素,则将其缩放到300x300像素;
步骤二,建立与危险器具目标检测图像库对应的图像标签库;
危险器具目标检测图像库中的每个图像文件都建立相应的符合标准PASCAL VOC格式的xml标签文件,而这些标签文件共同构成图像标签库;标签文件中的信息包括图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,危险器具目标所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框的左上顶点坐标,(xmax,ymax)为边界框的右下顶点坐标;若一个图像文件中包含多个危险器具,则标签文件中相应储存多个边界框;
步骤三,建立深度学习模型;
采用端到端的深度学习目标检测网络SSD模型,该深度学习目标检测网络SSD模型具体由基础特征提取网络和辅助网络组成,其中基础特征提取网络选用VGG-16卷积神经网络结构,辅助网络使用3x3卷积核,且辅助网络的输入为基础特征提取网络的不同卷积层的特征图输出;
步骤四,ImageData图像库生成;
将所有参与深度学习模型训练的图像与其对应的标签文件合成一个用于训练的、可以进行高效读取的文件,而这些文件共同构成ImageData图像库;
步骤五,建立目标模型;
利用步骤三中的深度学习目标检测网络SSD模型通过反向传播算法在ImageData图像库中进行训练,从而得到目标模型;
步骤六,目标模型测试;
将待检测的图片或者视频输入到固化后的目标模型中,用矩形边界框在待检测的图像或者视频中标注出检测到的危险器具目标框,以及该目标框中包含危险器具的置信度得分;
步骤七,通过监控系统获得视频帧并将其传送至后台服务器;
步骤八,视频帧经过后台服务器中的目标模型检测,若得到目标检测信息,则后台服务器通过GSM模块将信息传送至相关人员,以便于其做出相关的预防措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908972.9A CN109344691A (zh) | 2018-08-10 | 2018-08-10 | 一种基于深度学习的视觉安全校园管理监视方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908972.9A CN109344691A (zh) | 2018-08-10 | 2018-08-10 | 一种基于深度学习的视觉安全校园管理监视方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109344691A true CN109344691A (zh) | 2019-02-15 |
Family
ID=65292126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810908972.9A Pending CN109344691A (zh) | 2018-08-10 | 2018-08-10 | 一种基于深度学习的视觉安全校园管理监视方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344691A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028473A (zh) * | 2019-12-20 | 2020-04-17 | 博瑞资(重庆)教育科技有限公司 | 校园安全监控联动识别系统 |
CN117237741A (zh) * | 2023-11-08 | 2023-12-15 | 烟台持久钟表有限公司 | 一种校园危险行为检测方法、系统、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102913284A (zh) * | 2012-10-29 | 2013-02-06 | 陕西联盟物流有限公司 | 一种监控系统 |
CN106713857A (zh) * | 2016-12-15 | 2017-05-24 | 重庆凯泽科技股份有限公司 | 一种基于智慧视频的校园安全系统和方法 |
CN107563381A (zh) * | 2017-09-12 | 2018-01-09 | 国家新闻出版广电总局广播科学研究院 | 基于全卷积网络的多特征融合的目标检测方法 |
CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
CN108304782A (zh) * | 2017-01-13 | 2018-07-20 | 福特全球技术公司 | 生成用于训练和验证检测模型的模拟传感器数据 |
CN108304787A (zh) * | 2018-01-17 | 2018-07-20 | 河南工业大学 | 基于卷积神经网络的道路目标检测方法 |
-
2018
- 2018-08-10 CN CN201810908972.9A patent/CN109344691A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102913284A (zh) * | 2012-10-29 | 2013-02-06 | 陕西联盟物流有限公司 | 一种监控系统 |
CN106713857A (zh) * | 2016-12-15 | 2017-05-24 | 重庆凯泽科技股份有限公司 | 一种基于智慧视频的校园安全系统和方法 |
CN108304782A (zh) * | 2017-01-13 | 2018-07-20 | 福特全球技术公司 | 生成用于训练和验证检测模型的模拟传感器数据 |
CN107563381A (zh) * | 2017-09-12 | 2018-01-09 | 国家新闻出版广电总局广播科学研究院 | 基于全卷积网络的多特征融合的目标检测方法 |
CN108304787A (zh) * | 2018-01-17 | 2018-07-20 | 河南工业大学 | 基于卷积神经网络的道路目标检测方法 |
CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028473A (zh) * | 2019-12-20 | 2020-04-17 | 博瑞资(重庆)教育科技有限公司 | 校园安全监控联动识别系统 |
CN117237741A (zh) * | 2023-11-08 | 2023-12-15 | 烟台持久钟表有限公司 | 一种校园危险行为检测方法、系统、装置和存储介质 |
CN117237741B (zh) * | 2023-11-08 | 2024-02-13 | 烟台持久钟表有限公司 | 一种校园危险行为检测方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN109886130B (zh) | 目标对象的确定方法、装置、存储介质和处理器 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN109922310B (zh) | 目标对象的监控方法、装置及系统 | |
CN102693603B (zh) | 一种基于双光谱的森林防火智能监控系统 | |
CN104766086B (zh) | 一种公路标识的监管方法和系统 | |
CA3081967C (en) | Method and system for connected advanced flare analytics | |
CN112906463A (zh) | 基于图像的火情检测方法、装置、设备及存储介质 | |
US20210072737A1 (en) | System for power plant management and device for building 3d virtual model of power plant | |
KR101988356B1 (ko) | 공사현장의 3차원 디지털화 및 가상 건설영상 분석을 통한 인공지능 스마트 현장관리 시스템 | |
CN112419233B (zh) | 一种数据标注方法、装置、设备以及计算机可读存储介质 | |
KR102183473B1 (ko) | 영상 모니터링 방법 및 장치 | |
CN112422909B (zh) | 一种基于人工智能的视频行为分析管理系统 | |
CN110047092B (zh) | 一种复杂环境下多目标实时跟踪方法 | |
CN113191252A (zh) | 一种用于生产管控的视觉识别系统及生产管控方法 | |
CN112671104A (zh) | 面向复杂场景的变电站多维度场景管控平台 | |
CN109344691A (zh) | 一种基于深度学习的视觉安全校园管理监视方法 | |
CN102291568A (zh) | 一种大视场智能化视频监控系统的加速处理方法 | |
CN112232239B (zh) | 变电站施工安全标示牌监控方法、装置和电子设备 | |
CN111738312A (zh) | 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质 | |
CN116385465A (zh) | 图像分割模型的构建及图像分割方法、系统、设备和介质 | |
EP3748444B1 (en) | Method and system for connected advanced flare analytics | |
CN113411543A (zh) | 一种多路监控视频融合显示方法及系统 | |
CN112532936A (zh) | 一种热力站智能监控方法、系统、设备及存储介质 | |
EP3819817A1 (en) | A method and system of evaluating the valid analysis region of a specific scene |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Huang Qiong Inventor after: Cai Qianqian Inventor after: Meng Wei Inventor before: Huang Qiong Inventor before: Cai Qianqian Inventor before: Fu Min Yue Inventor before: Meng Wei |
|
CB03 | Change of inventor or designer information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |