CN111860195A - 一种基于大数据的安保检测方法及安保检测装置 - Google Patents
一种基于大数据的安保检测方法及安保检测装置 Download PDFInfo
- Publication number
- CN111860195A CN111860195A CN202010591144.4A CN202010591144A CN111860195A CN 111860195 A CN111860195 A CN 111860195A CN 202010591144 A CN202010591144 A CN 202010591144A CN 111860195 A CN111860195 A CN 111860195A
- Authority
- CN
- China
- Prior art keywords
- altitude
- feature extraction
- target feature
- convolution layer
- layer
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 257
- 238000000605 extraction Methods 0.000 claims abstract description 121
- 238000009432 framing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 79
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000003672 processing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000533950 Leucojum Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及目标检测领域，公开了一种基于大数据的安保检测方法。本发明对待检测高空视频进行分帧处理，得到待检测高空图片集，利用预训练完成的安保检测模型，对所述待检测高空图片集进行特征提取，得到特征图集，并根据所述安保检测模型内的检测框生成层，计算所述特征图集的抛物检测框，将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。本发明还提供一种安保检测装置。本发明可以解决图片背景复杂或清晰度较低时，其检测效果较差的问题。
Description
技术领域
本发明实施例涉及目标检测领域，特别涉及一种基于大数据的高空抛物检测的方法及安保检测装置。
背景技术
随着城镇化进程不断加速，城市高层建筑如雨后春笋，如何执行安保任务即如何预防并及时检测出高层建筑下高空抛物的发生，对于市民安全及政府工作推进等都极其重要。
目前主要以数字图像处理方法进行高空抛物检测，其中数字图像处理方法是直接对图像内的像素点进行差异化判断，当两幅图像内的像素点位置发生改变，则识别出发生改变的像素位置，从而得到抛物检测结果。虽然以数字图像处理方法可以达到高空抛物检测的效果，但由于数字图像处理方法对于图片的清晰度要求较高，且对于背景复杂的图片，其检测效果会受到严重影响。
发明内容
本发明实施方式的目的在于提供一种基于大数据的安保(高空抛物)检测方法及安保检测方法，通过构建并两次训练包括卷积层的原始高空抛物检测模型，得到高空抛物检测模型，利用所述高空抛物检测模型计算得到抛物检测框，可以解决对于背景复杂的图片，其抛物检测效果较差的问题。
为解决上述技术问题，本发明的实施方式提供了一种基于大数据的安保检测方法，所述方法包括：构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型；根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型；根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型；获取待检测高空视频，对所述待检测高空视频进行分帧处理，得到待检测高空图片集；利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集；根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框；将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
为了解决上述问题，本发明还提供一种安保检测装置，所述装置包括：原始模型构建及训练模块，用于构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型，根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型，根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型；分帧模块，用于获取待检测高空视频，对所述待检测高空视频进行分帧处理，得到待检测高空图片集；检测模块，用于利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集，根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框；融合模块，用于将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于大数据的高空抛物检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于大数据的高空抛物检测方法。
本发明实施例先基于大目标、中目标以及小目标为不同抛物目标，构建出对应的卷积层，并按照预先设定的组合顺序构建得到原始高空抛物检测模型，由于不同体型目标的卷积层，其对应的卷积操作也不相同，因此提高了对不同抛物的卷积特征提取能力，提高了后续抛物检测的准确度，其次，通过不同的图片训练集，两次训练原始高空抛物检测模型，相比于单一的训练次数来说，进一步增强了高空抛物检测模型的鲁棒性，因此相比于数字图像处理方法，本发明即使在图片清晰度较低，且背景更复杂的情况下，其检测效果会相对来说更加优异。
另外，所述将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频，包括：将所述待检测高空视频映射至所述抛物检测框所在的坐标系；在所述坐标系内，将所述抛物检测框融合进所述待检测高空视频，得到所述抛物检测视频。
另外，所述构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型，包括：根据预设卷积层数量，构建所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层、所述特征卷积层及所述检测框生成层；按照预设顺序，排列组合所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层、所述特征卷积层及所述检测框生成层，得到所述原始高空抛物检测模型。
另外，所述根据预设卷积层数量，构建所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层，包括：根据预设的第一卷积层数量，构建大目标特征提取卷积层；根据预设的第二卷积层数量，构建中目标特征提取卷积层；根据预设的第三卷积层数量，构建小目标特征提取卷积层。
另外，所述第一卷积层数量、第二卷积层数量及第三卷积层数量分别为3、4、7。
另外，所述根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型，包括：步骤A1、利用所述大目标特征提取卷积层、所述中目标特征提取卷积层及所述小目标特征提取卷积层，依次对所述第一图片训练集进行卷积操作，得到第一训练特征图集；步骤B1、计算所述第一训练特征图集的损失值，判断所述损失值与预设的损失阈值的大小；步骤C1、若所述损失值大于所述损失阈值，调整所述大目标特征提取卷积层、所述中目标特征提取卷积层及所述小目标特征提取卷积层的内部参数，并返回步骤A1；步骤D1、若所述损失值小于或等于所述损失阈值，完成所述第一次训练，得到初级高空抛物检测模型。
另外，所述根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型，包括：步骤A2、利用所述初级高空抛物检测模型，检测所述第二图片训练集内的抛物，得到预测检测框集；步骤B2、计算所述预测检测框集与所述第二图片训练集对应的真实检测框集的误差值；步骤C2、若所述误差值大于所述误差阈值，调整所述初级高空抛物检测模型的内部参数，并返回步骤A2；步骤D2、若所述误差值小于等于所述误差阈值，完成所述第二次训练，得到所述高空抛物检测模型。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本发明第一实施例提供的基于大数据的安保检测方法流程示意图；
图2为本发明第一实施例提供的基于大数据的安保检测方法中S1的详细流程示意图；
图3为本发明第一实施例提供的基于大数据的安保检测方法中的模型构建图；
图4为本发明第一实施例提供的基于大数据的安保检测方法中S2的详细流程示意图；
图5为本发明第一实施例提供的基于大数据的安保检测方法中S3的详细流程示意图；
图6为本发明第一实施例提供的基于大数据的安保检测方法中S7的详细流程示意图；
图7为本发明第一实施例提供的基于大数据的安保检测方法中安保检测示例图；
图8为本发明第二实施例提供的安保检测装置的模块示意图；
图9为本发明第三实施例提供的实现基于大数据的安保检测方法的电子设备的内部结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明的实施方式涉及一种基于大数据的安保检测方法。具体地，本发明涉及一种基于大数据的高空抛物检测方法及高空抛物检测装置本实施方式的核心在于通过构建并两次训练包括卷积层的原始高空抛物检测模型，得到高空抛物检测模型，利用所述高空抛物检测模型计算得到抛物检测框，可以解决对于背景复杂的图片，其抛物检测效果较差的问题。下面对本实施方式的高空抛物检测实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本发明实施例所述基于大数据的安保检测方法的第一实施方式具体实施方式可参阅图1所示的流程图，包括：
S1、构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型。
本发明较佳实施例中，在利用所述高空抛物检测模型进行抛物检测前，需要构建出原始高空抛物检测模型，并训练所述原始高空抛物检测模型，得到预训练完成的高空抛物检测模型，详细地，参阅图2所示，构建所述原始高空抛物检测模型包括：
S11、根据预设的第一卷积层数量，构建大目标特征提取卷积层；
S12、根据预设的第二卷积层数量，构建中目标特征提取卷积层；
S13、根据预设的第三卷积层数量，构建小目标特征提取卷积层；
S14、构建特征卷积层及检测框生成层；
S15、按照预设顺序，排列组合所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层、所述特征卷积层及所述检测框生成层，得到所述原始高空抛物检测模型。
进一步地，所述第一卷积层数量、第二卷积层数量及第三卷积层数量需根据实际的应用场景进行对应设置，本发明较佳实施例中，所述第一卷积层数量、第二卷积层数量及第三卷积层数量分别为3、4、7。所述大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层及所述特征卷积层，主要区别包括卷积核尺寸及步长的不同，如本发明较佳实施例中，所述大目标特征提取卷积层的卷积核大小为75*75，中目标特征提取卷积层的卷积核大小为38*38，小目标特征提取卷积层的卷积核大小为19*19，而特征卷积层包括了两种卷积核尺寸，分别为3*3及1*1。
综合来说，不同的卷积层进行卷积时，会生成对应的特征图，而本发明中所述的检测框生成层，主要是根据各卷积层生成的特征图，计算得到检测框。其中计算检测框主要包括两个部分，一是检测框的大小，二是检测框的坐标，其中检测框的大小的计算公式为：
其中，m表示特征图的数量，Smin表示尺寸最小的特征图，Smax表示尺寸最大的特征图，k表示检测框调节参数，一般k的数值大于1，且小于m，Sk表示所述检测框的大小。而检测框的坐标可采用softmax函数进行预测。
同样地，预设顺序一般可根据实际的应用场景进行对应设置，结合上述，本发明较佳实施例的预设顺序可参阅图3所示，大目标特征提取卷积层在整个模型的最前端、中目标特征提取卷积层接在大目标特征提取卷积层之后、小目标特征提取卷积层接在中目标特征提取卷积层之后、特征卷积层接在小目标特征提取卷积层之后、检测框生成层位于整个模型的最后端，从而得到原始高空抛物检测模型。
S2、根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型
当构建出原始高空抛物检测模型后，需要对原始高空抛物检测模型进行训练，从而提高模型对于高空检测的鲁棒性和检测效果。详细地，训练所述原始高空抛物检测模型包括第一次训练及第二次训练，其中参阅图4所示，所述第一次训练包括：
S21、利用所述大目标特征提取卷积层、中目标特征提取卷积层及小目标特征提取卷积层，依次对预构建的第一图片训练集进行卷积操作，得到第一训练特征图集；
S22、计算所述第一训练特征图集的损失值；
S23、判断所述损失值与预设损失阈值的大小；
S24、若所述损失值大于所述损失阈值，调整所述大目标特征提取卷积层、所述中目标特征提取卷积层及所述小目标特征提取卷积层的内部参数，并返回S21；
S25、若所述损失值小于或等于所述损失阈值，完成所述第一次训练，得到初级高空抛物检测模型。
本发明较佳实施例中，第一图片训练集可采用当前已公开的图像数据集，比如ImageNet数据集等，损失值可通过预构建的损失函数求解得到，损失函数又称为代价函数，常见的损失函数包括平方误差损失、二分类损失函数等。
S3、根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型。
进一步地参阅图5所示，所述第二次训练包括：
S31、利用所述初级高空抛物检测模型，检测预构建的第二图片训练集内的抛物，得到预测检测框集；
S32、计算所述预测检测框集与所述第二图片训练集对应的真实检测框集的误差值；
S33、判断所述误差值是否大于预设的误差阈值；
S34、若所述误差值大于所述误差阈值，调整所述初级高空抛物检测模型的内部参数，并返回S31；
S35、若所述误差值小于等于所述误差阈值，完成所述第二次训练，得到所述高空抛物检测模型。
本发明较佳实施例中，所述第二图片训练集一般为预先收集的大数据抛物视频例如大量高空抛物视频，如某小区有一酒瓶在七楼下落后被检测得到一个视频，并人为预先标注出该酒瓶在视频内的位置，得到对应的真实检测框。同时高空抛物检测模型也会检测到该视频中酒瓶的位置，得到预测检测框，通过计算预测检测框与真实检测框之间的误差值，并通过误差值调整模型内部参数，从而得到高空抛物检测模型。
进一步地，所述第二图片训练集一般包括晴天、下雨天、下雪天等不同天气下的视频。
S4、对待检测高空视频进行分帧处理，得到待检测高空图片集。
本发明较佳实施例在进行分帧处理之前，需先获取所述待检测高空视频，其中获取的方法包括但不限于用户输入、高空检测设备拍摄等。
进一步地，待检测高空视频内的抛物一般包括酒瓶、塑料袋等生活用品、钢管、铜线圈等建筑用品等。优选地，由于待检测高空视频的数据量较大，比如高清的高空视频达到每秒80帧，若直接对待检测高空视频进行抛物检测，会格外占用计算资源，且影响到抛物检测的准确性，因此可使用分帧处理，将待检测高空视频变为图片数据，如在每秒80帧的高清高空视频内，以每秒为单位，抽取出5帧的图片数据，汇总得到待检测高空图片集。
S5、利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集。
进一步地，当得到高空抛物检测模型后，可使用该高空抛物检测模型对所述待检测高空图片集进行抛物检测，本发明较佳实施例中，所述利用所述中目标特征提取卷积层进行大目标特征提取、所述中目标特征提取卷积层进行中目标特征提取、所述小目标特征提取卷积层进行小目标特征提取。进一步地，大目标特征提取、中目标特征提取及小目标特征提取本质上都是卷积操作，只不过卷积操作的内部参数各不相同，其内部参数主要是第一次训练及第二次训练时被调整的。
S6、根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框。
其中，所述抛物检测框的计算方法如上述训练阶段所述，包括计算抛物检测框的大小和坐标，从而得到与所述待检测高空图片集对应的抛物检测框，如待检测高空视频中有一顶黄色帽子飘落，通过上述方法可检测到黄色帽子在该视频内的坐标和大小，从而得到检测框。
S7、将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
本发明较佳实施例，参阅图6所示，所述S7包括：
S71、将所述待检测高空视频映射至所述抛物检测框的坐标所在的坐标系；
S72、在所述坐标系内，将所述抛物检测框融合进所述待检测高空视频，得到抛物检测视频。
本发明通过将抛物检测框与待检测高空视频放入至同一个坐标系内，可通过坐标相同，判断出待检测高空视频内的抛物检测框位置。进一步地，可参阅图7的模拟图，在图7中共摘取待检测高空视频内4帧图片，其中该4帧图片均在不同的时间段内，在每帧图片内，若有抛物从高空中抛出时，会利用抛物检测框识别出该抛物，还可进一步地进行报警已提醒视频监控人员。
进一步地，当待检测高空视频是下雨天、下雪天等天气时，由于雨滴、雪花也属于抛物，因此会出现众多的抛物检测框，从而影响视频效果，因此较佳地，本发明会判断抛物检测框的面积与预设面积阈值的大小关系，若抛物检测框的面积小于所述面积阈值，则不对抛物检测框和高空抛物检测进行融合处理，若抛物检测框的面积大于所述面积阈值，则对抛物检测框和高空抛物检测进行融合处理，从而有效过滤掉下雨天、下雪天等对抛物检测的影响。
如图8所示，是本发明安保(高空抛物)检测装置的功能模块图。
本发明所述安保即高空抛物检测装置100可以安装于电子设备中。根据实现的功能，所述安保检测装置可以包括原始模型构建及训练模块101、分帧模块102、检测模块103及融合模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
原始模型构建及训练模块101，用于构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型，根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型，根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型。
分帧模块102，用于获取待检测高空视频，对所述待检测高空视频进行分帧处理，得到待检测高空图片集。
检测模块103，用于利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集，根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框；
融合模块104，用于将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
本申请所提供的装置中的模块能够通过构建并两次训练包括卷积层的原始高空抛物检测模型，得到高空抛物检测模型，利用所述高空抛物检测模型计算得到抛物检测框，可以解决对于背景复杂的图片，其抛物检测效果较差的问题。
如图9所示，是本发明实现基于大数据安保(高空抛物)检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如高空抛物检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行高空抛物检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。
图9仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图9示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的请求高空抛物检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现与上述方法项相同的技术实施手段，在此不再赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有权限控制程序，所述权限控制程序可被一个或多个处理器执行，以实现如下操作：
构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型，根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型，根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型；
构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型；
根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型；
根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型；
获取待检测高空视频，对所述待检测高空视频进行分帧处理，得到待检测高空图片集；
利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集；
根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框；
将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于大数据的安保检测方法，其特征在于，所述方法包括：
构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型；
根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型；
根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型；
获取待检测高空视频，对所述待检测高空视频进行分帧处理，得到待检测高空图片集；
利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集；
根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框；
将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
2.根据权利要求1所述的基于大数据的安保检测方法，其特征在于，所述将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频，包括：
将所述待检测高空视频映射至所述抛物检测框所在的坐标系；
在所述坐标系内，将所述抛物检测框融合进所述待检测高空视频，得到所述抛物检测视频。
3.根据权利要求1所述的基于大数据的安保检测方法，其特征在于，所述构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型，包括：
根据预设卷积层数量，构建所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层、所述特征卷积层及所述检测框生成层；
按照预设顺序，排列组合所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层、所述特征卷积层及所述检测框生成层，得到所述原始高空抛物检测模型。
4.根据权利要求3所述的基于大数据的安保检测方法，其特征在于，所述根据预设卷积层数量，构建所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层，包括：
根据预设的第一卷积层数量，构建大目标特征提取卷积层；
根据预设的第二卷积层数量，构建中目标特征提取卷积层；
根据预设的第三卷积层数量，构建小目标特征提取卷积层。
5.根据权利要求4所述的基于大数据的安保检测方法，其特征在于，所述第一卷积层数量、第二卷积层数量及第三卷积层数量分别为3、4、7。
6.根据权利要求1所述的基于大数据的安保检测方法，其特征在于，所述根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型，包括：
步骤A1、利用所述大目标特征提取卷积层、所述中目标特征提取卷积层及所述小目标特征提取卷积层，依次对所述第一图片训练集进行卷积操作，得到第一训练特征图集；
步骤B1、计算所述第一训练特征图集的损失值，判断所述损失值与预设的损失阈值的大小；
步骤C1、若所述损失值大于所述损失阈值，调整所述大目标特征提取卷积层、所述中目标特征提取卷积层及所述小目标特征提取卷积层的内部参数，并返回步骤A1；
步骤D1、若所述损失值小于或等于所述损失阈值，完成所述第一次训练，得到初级高空抛物检测模型。
7.根据权利要求1所述的基于大数据的安保检测方法，其特征在于，所述根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型，包括：
步骤A2、利用所述初级高空抛物检测模型，检测所述第二图片训练集内的抛物，得到预测检测框集；
步骤B2、计算所述预测检测框集与所述第二图片训练集对应的真实检测框集的误差值；
步骤C2、判断所述误差值与预设的误差阈值的大小关系；
步骤D2、大于所述误差阈值，调整所述初级高空抛物检测模型的内部参数，并返回步骤A2；
步骤E2、若所述误差值小于等于所述误差阈值，完成所述第二次训练，得到所述高空抛物检测模型。
8.一种基于大数据的安保检测装置，其特征在于，所述装置包括：
原始模型构建及训练模块，用于构建包括大目标特征提取卷积层、中目标特征提取卷积层、小目标特征提取卷积层、特征卷积层及检测框生成层的原始高空抛物检测模型，根据预构建的第一图片训练集，对所述原始高空抛物检测模型进行第一训练得到初级高空抛物检测模型，根据预构建的第二图片训练集，对所述原始高空抛物检测模型进行第二训练得到高空抛物检测模型；
分帧模块，用于获取待检测高空视频，对所述待检测高空视频进行分帧处理，得到待检测高空图片集；
检测模块，用于利用所述高空抛物检测模型内的所述大目标特征提取卷积层、所述中目标特征提取卷积层、所述小目标特征提取卷积层及所述特征卷积层，对所述待检测高空图片集进行特征提取，得到特征图集，根据所述高空抛物检测模型内的所述检测框生成层，计算所述特征图集的抛物检测框；
融合模块，用于将所述抛物检测框与所述待检测高空视频融合，得到抛物检测视频。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591144.4A CN111860195B (zh) | 2020-06-25 | 2020-06-25 | 一种基于大数据的安保检测方法及安保检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591144.4A CN111860195B (zh) | 2020-06-25 | 2020-06-25 | 一种基于大数据的安保检测方法及安保检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860195A true CN111860195A (zh) | 2020-10-30 |
| CN111860195B CN111860195B (zh) | 2024-03-01 |
Family
ID=72989546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010591144.4A Active CN111860195B (zh) | 2020-06-25 | 2020-06-25 | 一种基于大数据的安保检测方法及安保检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860195B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822239A (zh) * | 2021-11-22 | 2021-12-21 | 聊城中赛电子科技有限公司 | 一种基于电子围栏的安全监控方法、装置、电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
| CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
| WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技（深圳）有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
| CN110910415A (zh) * | 2019-11-28 | 2020-03-24 | 重庆中星微人工智能芯片技术有限公司 | 抛物检测方法、装置、服务器和计算机可读介质 |
-
2020
- 2020-06-25 CN CN202010591144.4A patent/CN111860195B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
| WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技（深圳）有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
| CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
| CN110910415A (zh) * | 2019-11-28 | 2020-03-24 | 重庆中星微人工智能芯片技术有限公司 | 抛物检测方法、装置、服务器和计算机可读介质 |
Non-Patent Citations (2)
| Title |
|---|
| 杨其睿;: "油田安防领域基于改进的深度残差网络行人检测模型", 计算机测量与控制, no. 11 * |
| 王俊健;王莹;王以好;: "云台场景下高速公路异常事件自动检测系统", 中国交通信息化, no. 10 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822239A (zh) * | 2021-11-22 | 2021-12-21 | 聊城中赛电子科技有限公司 | 一种基于电子围栏的安全监控方法、装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860195B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
| CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| WO2022095359A1 (zh) | 基于防摄屏的信息安全保护方法、装置、电子设备及介质 | |
| CN112767320A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN111311010A (zh) | 车辆风险预测方法、装置、电子设备及可读存储介质 | |
| CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
| CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
| CN113705460A (zh) | 图像中人脸睁眼闭眼检测方法、装置、设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
| CN117197388A (zh) | 一种基于生成对抗神经网络和倾斜摄影的实景三维虚拟现实场景构建方法及系统 | |
| CN111860195A (zh) | 一种基于大数据的安保检测方法及安保检测装置 | |
| CN114627435B (zh) | 基于图像识别的智能灯光调节方法、装置、设备及介质 | |
| CN112561889A (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
| CN115049836A (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN112633134A (zh) | 基于图像识别的车内人脸识别方法、装置及介质 | |
| CN113869385A (zh) | 基于目标检测的海报比对方法、装置、设备及存储介质 | |
| CN113190703A (zh) | 视频图像的智能检索方法、装置、电子设备及存储介质 | |
| CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
| CN112434601A (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
| CN113255456A (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN112528908B (zh) | 活体检测方法、装置、电子设备及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 650032 building 13, Hualong family, Xiaokang Avenue, Wuhua District, Kunming City, Yunnan Province Applicant after: Guo Yibin Address before: 336100 No.33, Guojia group, nanmiao village, Gaocheng Town, Wanzai County, Yichun City, Jiangxi Province Applicant before: Guo Yibin |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240125 Address after: Room 701, 7th Floor, No. 371-375 Huanshi East Road, Yuexiu District, Guangzhou City, Guangdong Province, 510000 Applicant after: Guangzhou Pearl River Business Management Co.,Ltd. Country or region after: China Address before: 650032 building 13, Hualong family, Xiaokang Avenue, Wuhua District, Kunming City, Yunnan Province Applicant before: Guo Yibin Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |