CN111985334B - 一种枪支检测方法、系统、装置和存储介质 - Google Patents

一种枪支检测方法、系统、装置和存储介质 Download PDF

Info

Publication number
CN111985334B
CN111985334B CN202010698516.3A CN202010698516A CN111985334B CN 111985334 B CN111985334 B CN 111985334B CN 202010698516 A CN202010698516 A CN 202010698516A CN 111985334 B CN111985334 B CN 111985334B
Authority
CN
China
Prior art keywords
gun
detection
data set
training
picture
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.)
Active
Application number
CN202010698516.3A
Other languages
English (en)
Other versions
CN111985334A (zh
Inventor
黄翰
钟胜杰
冯夫健
徐杨
百晓
董志诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010698516.3A priority Critical patent/CN111985334B/zh
Publication of CN111985334A publication Critical patent/CN111985334A/zh
Application granted granted Critical
Publication of CN111985334B publication Critical patent/CN111985334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V20/48—Matching video sequences
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种枪支检测方法、系统、装置和存储介质，其中方法包括以下步骤：获取视频流数据，根据所述视频流数据获取图片；采用预设的枪支检测模型对所述图片进行枪支检测，输出检测结果；确定检测到图片中存有枪支，获取多帧图片，结合连续帧检测算法和多帧图片对检测结果进行校验。本发明的目的在于提供基于现有监控设备能够实时识别枪支的方案，且通过连续帧检测算法，能起到抗复杂场景干扰的作用，有效降低枪支的误检率和漏检率，提高检测准确度，能为监控系统提供可靠的枪支报警信息，及时发现监控环境周边存在的安全隐患，可广泛应用于图像数据处理技术领域。

Description

一种枪支检测方法、系统、装置和存储介质
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种枪支检测方法、系统、装置和存储介质。
背景技术
根据世界卫生组织，每年有超过15,000人死于暴力犯罪，暴力中使用枪支的情况更是占大部分比例，因此及时发现潜在的危险对公民安全至关重要。
在传统的枪支检测领域，通常使用经典监督机器学习方法，这种方法需要人工设计核函数，包括加速分段测试(FAST)，尺度不变特征变换(SIFT)，有效特征外观模型(AAMs)和Harris算法等。使用的数据主要是通过X射线或毫米图像得到的，或者是通过RGB得到可见的枪支。虽然这种方法表现出良好的准确性，但应用场景仅限于无噪声的X射线图像，并且运算成本高。另外，在应用过程中，这种方法需要昂贵的金属探测器系统，例如机场通道中使用的系统。且这种系统的检测速度慢，不能用于实时检测。
枪支由于种类多，如手枪和AK47等，形状难以定义；另外，相同的枪支在不同的角度呈现的形状差异较大，容易被误识别成其它的物体，且由于遮挡、光照、背景复杂等其它问题，给枪支的检测带来了较大的困难。
发明内容
为了解决上述技术问题之一，本发明的目的是提供一种能够用于实时检测的枪支检测方法、系统、装置和存储介质。
本发明所采用的技术方案是：
一种枪支检测方法，包括以下步骤：
获取视频流数据，根据所述视频流数据获取图片；
采用预设的枪支检测模型对所述图片进行枪支检测，输出检测结果；
确定检测到图片中存有枪支，获取多帧图片，结合连续帧检测算法和多帧图片对检测结果进行校验。
进一步，所述枪支检测模型通过以下步骤建立获得：
构建枪支数据集，对所述枪支数据集中所有的图片数据进行标定，获得xml文件；
对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强后，从所述枪支数据集中获取训练数据集；
将所述训练数据集输入神经网络进行训练，并在训练完成后，获得枪支检测模型。
进一步，所述对所述枪支数据集中所有的图片数据进行标定，获得xml文件，包括：
对枪支进行分类，并确定类别名；
采用labelImg工具对所述枪支数据集中所有的图片数据进行标定，标定出枪支的类别和位置信息，生成xml文件；
其中，所述位置信息包括四个坐标点。
进一步，所述对经过标定的图片数据针对不同的缩放比例、旋转角度、亮度等进行数据增强，包括：
将所述枪支数据集中的图片数据进行对比度拉伸，所述xml文件中对应的标定信息不变，将经过对比度拉伸获得的图片数据加入所述枪支数据集中；
将所述枪支数据集中的图片数据进行多尺度变化，所述xml文件中对应的标定信息根据尺度变化进行相应的坐标改变，将经过多尺度变化获得的图片数据加入所述枪支数据集中；
将所述枪支数据集中的图片数据进行中心随机裁剪，所述xml文件中对应的标定信息根据中心随机裁剪进行相应的坐标改变，将经过中心随机裁剪获得的图片数据加入所述枪支数据集中。
进一步，所述神经网络采用Darknet-53框架作为模型的基本骨架，所述将所述训练数据集输入神经网络进行训练，并在训练完成后，获得枪支检测模型，包括：
将输入的训练数据集中的图片数据分成7x7个网格，每个所述网格预测5个边界框，所述边界框带有置信度；
使用非极大值抑制NMS算法对置信度小于预设阈值的边界框进行边界框抑制，输出最终的边界框和预测类别；
采用随机梯度下降法优化算法进行模型迭代，并在对模型进行迭代，并在迭代次数达到预设次数后停止训练，获得利器检测模型；
所述置信度定义为：
其中，Pr(Object)代表Object类别出现在这个网格的概率，为交并比。
进一步，训练过程中采用的损失函数为：
其中，σ(tx)、σ(ty)分别是基于先验矩形框中心点左上角格点的横、纵坐标偏移量，分别是基于后验矩形框中心点左上角格点的横、纵坐标偏移量，σ是激活函数，tw、th分别是先验框的宽和高，/>分别是后验框的宽和高，C、/>分别是先验和后验的类别，pi(c)、/>分别是对于类别c的先验、后验概率。
进一步，所述采用预设的枪支检测模型对所述图片进行枪支检测，包括：
将所述图片划分为多个网格，每个所述网格对应预测多个边界框，所述边界框带有置信度；
根据置信度对所有的边界框进行阈值筛选，将置信度低于设定阈值的边界框去除；
将剩余的边界框进行坐标变换，获取枪支的坐标信息；
采用OpenCV图像算法库将对应的坐标信息在图片中绘制出来，并标注对应的枪支类型和置信度。
本发明所采用的另一技术方案是：
一种枪支检测系统，包括：
数据获取模块，用于获取视频流数据，根据所述视频流数据获取图片；
检测模块，用于采用预设的枪支检测模型对所述图片进行枪支检测，输出检测结果；
校验模块，用于确定检测到图片中存有枪支，获取多帧图片，结合连续帧检测算法和多帧图片对检测结果进行校验。
本发明所采用的另一技术方案是：
一种枪支检测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明的目的在于提供基于现有监控设备，能够实时识别枪支的方案，且通过连续帧检测算法，能起到抗复杂场景干扰的作用，有效降低枪支的误检率和漏检率，提高检测准确度，能为监控系统提供可靠的枪支报警信息，及时发现监控环境周边存在的安全隐患。
附图说明
图1是本发明实施例一种枪支检测方法的步骤流程图；
图2是本发明实施例中连续帧检测算法校验的步骤流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参见图1，本实施例提供了一种枪支自动检测方法，该方法能够抗复杂场景干扰，包括但不限于以下步骤：
S1、收集和拍摄大量类监控场景下的枪支数据，构成枪支数据集。
通过步骤S1手机图片并构建枪支数据集，在本实施例中，构成枪支数据集的步骤如下S11-S15：
S11、分析复杂环境下常见的枪支种类，确定符合要求的数据类型，确定枪支种类为两种，手枪和AK47；
S12、收集各种复杂场景下的手枪和AK47的图片数据。
S13、通过爬虫下载包含手枪和AK47的相关图片，构成数据集的一部分。
S14、人工拍摄手枪和AK47的图片，构成数据集的一部分。
S15、对下载的图片进行筛选，剔除错误的图片，把分辨率太低导致肉眼难以分辨的图片和通道数异常的图片剔除，剩下的图片构成枪支数据集。
S2、给枪支种类指定类名名称，并且对所有的图片数据进行标定得到记录图片中物体类别及其位置信息的xml文件，该xml文件符合深度神经网络训练格式要求。本实施例的深度神经网络采用YOLOv3网络。
通过步骤S2对图片进行标注，具体通过以下步骤S21-S23进行图像标注：
S21、下载labelImg标注工具并进行环境配置，满足标注软件运行需求，其中，labelImg为一款开源图像标签注释软件；
S22、为枪支指定类别名，选择通用的类别名，比如：手枪命名为“pistol”，AK47命名为“AK47”；
S23、使用labelImg工具对所有的图片文件进行标定，标定图片中出现的物体信息(包括枪支信息)，对每个物体都要进行单独标定，要求标定框尽量只包含物体像素，标定出物体的类别和位置信息(xmin,ymin,xmax,ymax)，生成xml文件，便于后期解析得到图片中物体类别及位置信息。
S3、对处理好的数据集中的数据针对不同的缩放比例、旋转角度、亮度等进行数据增强，并按照7:2:1的比例进行随机划分为训练数据集、验证数据集和测试数据集。
通过步骤S3对图像进行增强，扩充数据量，步骤S3具体包括步骤S31-S33：
S31、对步骤S2所得数据集中所有图片进行对比度拉伸，对应的xml中的标注信息不变，将进行对比度拉伸的图片加入到新的数据集中；
S32、对步骤S2所得数据集中所有图片进行多尺度变化，同时对应的xml中的标注也根据尺度变化做相应的坐标改变，并将得到的数据加入到新的数据集中；
S33、对步骤S2所得的数据集进行中心随机裁剪，同时对应的xml中的标注也根据尺度变化做相应的坐标改变，并将得到的数据加入到新的数据集中。
S4、将枪支训练集放入特征提取网络提取枪支特征，使用多尺度融合技术进行预测来提升边界框和类别预测的准确性。
通过步骤S4进行图像检测，步骤S4具体包括步骤S41-S45：
S41、采用Darknet-53作为模型的基本骨架，把手枪和AK47的低维和高维信息聚合到一起，形成枪支特征层，以便进行后续操作。
S42、把输入的枪支图片分成7x7个格子(即网格)，如果一个物体(比如枪支)的中心落在这个格子，那么这个格子就负责检测这个物体。
S43、每个格子预测5个边界框，同时给每个边界框带上置信分数(confidencescores)。置信分数反映了边界框含有预测物体的可能性大小，以及这个预测的边界框的准确度。这个置信度(confident)定义为：
其中Pr(Object)代表Object类别出现在这个格子的概率，的意思为交并比，也即真实的边界框truth与预测的边界框pred进行交集，再除于两者的并集，得到的便是交并比。
S44、每个预测出来的边界框包含5个值：分别是x和y，代表边界框的中心点；以及w和h,分别代表边界框的宽和高；最后是confidence，则代表预测边界框和真实边界框的IOU。这里要注意的是x和y是相对单个格子而言的，而w和h是相对整张图片而言的。
S45、每个格子单元同时预测C个类别的概率，本实施例中枪支的的类别为2类(即手枪和AK47)，也即C＝2。
S5、使用NMS算法对置信度小于给定阈值的预测边界框实行边界框抑制，输出最终的预测边界框和预测类别。
通过步骤S5进行枪支检测，该步骤S5具体包括步骤S51-S5：
S51、采用在公开数据集ImageNet中预先训练好的Darknet53模型作为算法训练迭代的基础。
S52、算法的损失函数设置为：
其中，σ(tx)、σ(ty)分别是基于先验矩形框中心点左上角格点的横、纵坐标偏移量，分别是基于后验矩形框中心点左上角格点的横、纵坐标偏移量，σ是激活函数，本实施例中采用sigmoid函数/>作为激活函数，tw、tj分别是先验框的宽和高，分别是后验框的宽和高，C、/>分别是先验和后验的类别，pi(c)、/>分别是对于类别c的先验、后验概率；另外，/>代表在第i行j列的格子中，如果存在对应的物体类别obj，则该式子为1，否则为0，/>代表在第i行j列的格子中，如果存在任意类别，该式子值为1，否则为0；S2表示网格数，本实施例取7x7；B表示每个单元格预测框的个数，本发明取3。总的来说，损失函数的公式中，第一行和第二行采用总方误差作为位置预测的损失函数，第三行采用总方差作为置信度预测的损失函数，第四行采用总方差作为类别概率的损失函数。
S53、采用随机梯度下降法优化算法进行模型迭代，迭代至30000次停止训练，保存训练好的模型。
S6、将训练得到的算法模型文件和网络结构描述文件共同打包成Python SDK(软件开发包)，采用OpenCV开源图像算法库读取视频，对视频识别得到枪支的状态和位置信息。即采用训练好的模型对视频数据进行枪支识别。
通过步骤S6对视频中枪支种类进行检测，步骤S6包括步骤S61-S66：
S61、提取测试视频中的每一帧作为输入图像。
S62、将输入的每张图片调整成448*448大小，并平均划分成7x7＝49个网格，每个网格的大小为64*64。
S63、对于每个网格，网络预测的边界框数为3，边界框包含位置坐标和置信度，其中边界框的位置坐标有4个值，置信度有1个值。
S64、对预测出的7x7x3个目标窗口进行阈值筛选，将置信度低于设定阈值的窗口去除掉，接着利用非极大值抑制去除冗余窗口。
S65、将图片中剩余窗口检测到物品的坐标进行坐标变换，再进行一次非极大值抑制，去除检测到同一物体的重复窗口，得到最终的物体坐标信息。
S66、用OpenCV图像算法库将对应的位置信息在原图绘制出来，并写明对应的枪支类型和置信度。
S7、通过视频连续帧算法判断是否出现误检，如果符合视频连续帧算法，则报警提示，否则认为步骤S6的检测结果为误检。
参见图2，通过如下步骤S71-S74进行连续帧算法检测，达到抗复杂场景干扰的效果：
S71、通过步骤f处理待检测视频，得到每一帧视频的检测类别，分别用flag来记录此帧视频是否存在枪支，如果存在枪支，则设为True，否则设为False。
S72、在flag为True的条件下，记录是出现了手枪还是AK47，同时设置一个全局变量num记录出现的连续帧，并且令num加1。
S73、继续检测下一帧视频，按照S71和S72的操作，如果出现枪支，记录类别，并且令num加1；如果没有出现，说明可能出现了误检测，则令num＝0，继续检测下一帧。
S74、按照前三个步骤执行，如果num>5则报警提示，确认为视频连续5帧出现枪支。
本实施例还提供了一种枪支检测系统，包括：
数据获取模块，用于获取视频流数据，根据所述视频流数据获取图片；
检测模块，用于采用预设的枪支检测模型对所述图片进行枪支检测，输出检测结果；
校验模块，用于确定检测到图片中存有枪支，获取多帧图片，结合连续帧检测算法和多帧图片对检测结果进行校验。
本实施例的一种枪支检测系统，可执行本发明方法实施例所提供的一种枪支检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供了一种枪支检测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本实施例的一种枪支检测装置，可执行本发明方法实施例所提供的一种枪支检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种枪支检测方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种枪支检测方法，其特征在于，包括以下步骤：
获取视频流数据，根据所述视频流数据获取图片；
采用预设的枪支检测模型对所述图片进行枪支检测，输出检测结果；
确定检测到图片中存有枪支，获取多帧图片，结合连续帧检测算法和多帧图片对检测结果进行校验；
所述枪支检测模型通过以下步骤建立获得：
构建枪支数据集，对所述枪支数据集中所有的图片数据进行标定，获得xml文件；
对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强后，从所述枪支数据集中获取训练数据集；
将所述训练数据集输入神经网络进行训练，并在训练完成后，获得枪支检测模型；
所述神经网络采用Darknet-53框架作为模型的基本骨架，所述将所述训练数据集输入神经网络进行训练，并在训练完成后，获得枪支检测模型，包括：
将输入的训练数据集中的图片数据分成7x7个网格，每个所述网格预测5个边界框，所述边界框带有置信度；
使用非极大值抑制NMS算法对置信度小于预设阈值的边界框进行边界框抑制，输出最终的边界框和预测类别；
对模型进行迭代，并在迭代次数达到预设次数后停止训练，获得利器检测模型；
所述置信度定义为：
其中，Pr(Object)代表Object类别出现在这个网格的概率，为交并比；
训练过程中采用的损失函数为：
其中，σ(tx)、σ(ty)分别是基于先验矩形框中心点左上角格点的横、纵坐标偏移量，分别是基于后验矩形框中心点左上角格点的横、纵坐标偏移量，σ是激活函数，tw、th分别是先验框的宽和高，/>分别是后验框的宽和高，C、/>分别是先验和后验的类别，pi(c)、/>分别是对于类别c的先验、后验概率。
2.根据权利要求1所述的一种枪支检测方法，其特征在于，所述对所述枪支数据集中所有的图片数据进行标定，获得xml文件，包括：
对枪支进行分类，并确定类别名；
采用labelImg工具对所述枪支数据集中所有的图片数据进行标定，标定出枪支的类别和位置信息，生成xml文件；
其中，所述位置信息包括四个坐标点。
3.根据权利要求1所述的一种枪支检测方法，其特征在于，所述对经过标定的图片数据针对不同的缩放比例、旋转角度、亮度进行数据增强，包括：
将所述枪支数据集中的图片数据进行对比度拉伸，所述xml文件中对应的标定信息不变，将经过对比度拉伸获得的图片数据加入所述枪支数据集中；
将所述枪支数据集中的图片数据进行多尺度变化，所述xml文件中对应的标定信息根据尺度变化进行相应的坐标改变，将经过多尺度变化获得的图片数据加入所述枪支数据集中；
将所述枪支数据集中的图片数据进行中心随机裁剪，所述xml文件中对应的标定信息根据中心随机裁剪进行相应的坐标改变，将经过中心随机裁剪获得的图片数据加入所述枪支数据集中。
4.根据权利要求1所述的一种枪支检测方法，其特征在于，所述采用预设的枪支检测模型对所述图片进行枪支检测，包括：
将所述图片划分为多个网格，每个所述网格对应预测多个边界框，所述边界框带有置信度；
根据置信度对所有的边界框进行阈值筛选，将置信度低于设定阈值的边界框去除；
将剩余的边界框进行坐标变换，获取枪支的坐标信息；
采用OpenCV图像算法库将对应的坐标信息在图片中绘制出来，并标注对应的枪支类型和置信度。
5.一种枪支检测系统，其特征在于，包括：
数据获取模块，用于获取视频流数据，根据所述视频流数据获取图片；
检测模块，用于采用预设的枪支检测模型对所述图片进行枪支检测，输出检测结果；
校验模块，用于确定检测到图片中存有枪支，获取多帧图片，结合连续帧检测算法和多帧图片对检测结果进行校验；
所述枪支检测模型通过以下步骤建立获得：
构建枪支数据集，对所述枪支数据集中所有的图片数据进行标定，获得xml文件；
对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强后，从所述枪支数据集中获取训练数据集；
将所述训练数据集输入神经网络进行训练，并在训练完成后，获得枪支检测模型；
所述神经网络采用Darknet-53框架作为模型的基本骨架，所述将所述训练数据集输入神经网络进行训练，并在训练完成后，获得枪支检测模型，包括：
将输入的训练数据集中的图片数据分成7x7个网格，每个所述网格预测5个边界框，所述边界框带有置信度；
使用非极大值抑制NMS算法对置信度小于预设阈值的边界框进行边界框抑制，输出最终的边界框和预测类别；
对模型进行迭代，并在迭代次数达到预设次数后停止训练，获得利器检测模型；
所述置信度定义为：
其中，Pr(Object)代表Object类别出现在这个网格的概率，为交并比；
训练过程中采用的损失函数为：
其中，σ(tx)、σ(ty)分别是基于先验矩形框中心点左上角格点的横、纵坐标偏移量，分别是基于后验矩形框中心点左上角格点的横、纵坐标偏移量，σ是激活函数，tw、th分别是先验框的宽和高，/>分别是后验框的宽和高，C、/>分别是先验和后验的类别，pi(c)、/>分别是对于类别c的先验、后验概率。
6.一种枪支检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述的一种枪支检测方法。
7.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
CN202010698516.3A 2020-07-20 2020-07-20 一种枪支检测方法、系统、装置和存储介质 Active CN111985334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010698516.3A CN111985334B (zh) 2020-07-20 2020-07-20 一种枪支检测方法、系统、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010698516.3A CN111985334B (zh) 2020-07-20 2020-07-20 一种枪支检测方法、系统、装置和存储介质

Publications (2)

Publication Number Publication Date
CN111985334A CN111985334A (zh) 2020-11-24
CN111985334B true CN111985334B (zh) 2023-09-26

Family

ID=73439257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010698516.3A Active CN111985334B (zh) 2020-07-20 2020-07-20 一种枪支检测方法、系统、装置和存储介质

Country Status (1)

Country Link
CN (1) CN111985334B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829429A (zh) * 2019-01-31 2019-05-31 福州大学 基于YOLOv3的监控场景下的安防敏感物品检测方法
CN110807429A (zh) * 2019-10-23 2020-02-18 西安科技大学 基于tiny-YOLOv3的施工安全检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829429A (zh) * 2019-01-31 2019-05-31 福州大学 基于YOLOv3的监控场景下的安防敏感物品检测方法
CN110807429A (zh) * 2019-10-23 2020-02-18 西安科技大学 基于tiny-YOLOv3的施工安全检测方法及系统

Also Published As

Publication number Publication date
CN111985334A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN108229297B (zh) 人脸识别方法和装置、电子设备、计算机存储介质
CN111985385A (zh) 一种行为检测方法、装置及设备
CN111986156A (zh) 一种斧状利器检测方法、系统、装置和存储介质
CN111310706B (zh) 一种商品价签识别方法及装置、电子设备、存储介质
CN112906794A (zh) 一种目标检测方法、装置、存储介质及终端
CN106910204A (zh) 一种对海面船只自动跟踪识别的方法和系统
CN111814690A (zh) 一种目标重识别方法、装置和计算机可读存储介质
CN111639667B (zh) 图像识别方法、装置、电子设备及计算机可读存储介质
CN115691034A (zh) 一种智能家居异常情况告警方法、系统及存储介质
CN116403141A (zh) 一种烟火检测方法、系统及存储介质
CN114419739A (zh) 行为识别模型的训练方法、行为识别方法及设备
CN113435296A (zh) 基于rotated-yolov5的电梯异物检测方法、系统、存储介质、电梯
CN117475353A (zh) 基于视频的异常烟雾识别方法及系统
CN113505643A (zh) 违章目标物检测方法及相关装置
CN112989098A (zh) 一种图像类侵权实体自动化检索方法、装置和电子设备
CN111985334B (zh) 一种枪支检测方法、系统、装置和存储介质
CN112949453A (zh) 烟火检测模型的训练方法、烟火检测方法及设备
CN111402185B (zh) 一种图像检测方法及装置
CN117218545A (zh) 基于LBP特征与改进Yolov5的雷达图像检测方法
CN114119970B (zh) 目标跟踪方法及装置
CN115690514A (zh) 图像识别方法及相关设备
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
CN111191575B (zh) 一种基于火苗跳动建模的明火检测方法及系统
CN113240611A (zh) 一种基于图片序列的异物检测方法
CN113627342A (zh) 视频深度特征提取优化的方法、系统、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
GR01 Patent grant
GR01 Patent grant