CN114913481A - 一种基于图像识别的加油站/充电站异常入侵检测方法 - Google Patents
一种基于图像识别的加油站/充电站异常入侵检测方法 Download PDFInfo
- Publication number
- CN114913481A CN114913481A CN202210622839.3A CN202210622839A CN114913481A CN 114913481 A CN114913481 A CN 114913481A CN 202210622839 A CN202210622839 A CN 202210622839A CN 114913481 A CN114913481 A CN 114913481A
- Authority
- CN
- China
- Prior art keywords
- intrusion detection
- layer
- picture
- face
- module
- 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
Images
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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明提出一种基于图像识别的加油站/充电站异常入侵检测方法,通过光照检测模块对图片进行分类,当分类结果为正常光时,采用基于人脸的入侵检测模块进行入侵检测,当所述分类结果为弱光时,采用基于姿态的入侵检测模块进行入侵检测;相对于现有技术,本发明通过光照检测模块对当前图片的光照进行检测,对不同的光照采用不同的方法进行入侵检测,提升了入侵检测的准确性;为了提升光照检测的实时性,本发明创造性的提出了一种压缩卷积神经网络,对光照进行识别;为了提升人脸检测的鲁棒性,本发明创造性的提出了一种人脸识别算法,将深度可分离卷积与残差块进行结合,提升了人脸检测的准确性。
Description
技术领域
本发明属于异常入侵检测领域,具体涉及一种基于图像识别的加油站/充电站异常入侵检测方法。
背景技术
加油站/充电站经营的是易燃、易爆的能源类商品,加油站/充电站的任何安全隐患,都有可能发生火灾等重大安全事故。因此在加油站/充电站设置视频监控成为了一种加油站/充电站基建的标配附属品。
人员入侵作为视频监控的重要内容,越来越受行业重视,为了高效的进行人员入侵的检测,研发开发自动化、高效的智能入侵检测方法非常必要。
目前主流的方法包括基于MOG2算法的入侵检测、基于低复杂度的监控视频入侵检测方法等,然而上述方法易受到光照突变和树叶摆动等背景因素的影响,造成稳定性较差,基于深度学习的入侵检测方法不易受到光照突变和树叶摆动等背景因素的影响,例如基于SSD的入侵检测、基于Yolo系列的入侵检测、基于Faster-RCNN的入侵检测等,然而,上述方法参数较多,无法满足实时性需求,另一方面,上述方法通常是基于光照、环境等较为简单的样本进行训练,当监控所拍摄的图像目标复杂、光线较弱或者夜晚图像时,目前的入侵检测算法鲁棒性较差。
针对上述问题,本发明提出了一种基于图像识别的加油站/充电站异常入侵检测方法,对传统的网络结构进行改进,通过实验验证,通过本发明提出的入侵检测方法,在加油站/充电站异常入侵检测任务中能够达到更高的准确率以及实时性。
发明内容
本发明的目的在于解决上述现有技术中入侵检测算法鲁棒性较差的难题,提供一种基于图像识别的加油站/充电站异常入侵检测方法,以达到更高的准确率以及实时性的入侵检测。
本发明是通过以下技术方案实现的:
本发明提供一种基于图像识别的加油站/充电站异常入侵检测方法,所述方法包括如下步骤:
步骤101:从加油站/充电站监控设备获取视频流,所述监控设备为位于危险区域的监控设备;
步骤102:将所述步骤101中监控设备获取得到的视频流进行分帧以及格式转换,转换为入侵检测模型可识别的图片格式,将转换后的图片序列存入第一存储空间;
步骤103:入侵检测模型从所述第一存储空间读取所述转换后的图片进行异常入侵检测,将异常入侵检测结果进行标注,存入第二存储空间;所述入侵检测模型包括:光照检测模块、基于人脸的入侵检测模块、基于姿态的入侵检测模块;所述光照检测模块用于对图片进行分类,所述分类结果包括正常光/弱光;当所述分类结果为正常光时,采用基于人脸的入侵检测模块进行入侵检测,当所述分类结果为弱光时,采用基于姿态的入侵检测模块进行入侵检测;
步骤104:从所述第二存储空间获取标注后的图片序列,并将图片序列重新组合为视频流进行输出,在监控显示设备进行实时显示。
具体的,所述光照检测模块可通过压缩卷积神经网络/图像处理算法进行实现。
具体的,所述压缩卷积神经网络包括顺序连接的输入层、第一卷积层、第一压缩模块、第二压缩模块、第三压缩模块、第四压缩模块、第五压缩模块、第六压缩模块、第二卷积层、全局平均池化层、softmax输出层,所述第一压缩模块输出的特征图经下采样后与第三压缩模块的输出的特征图融合后作为第四压缩模块的输入,所述第二压缩模块输出的特征图经下采样后与第四压缩模块输出的特征图融合后作为全局平均池化层的输入。
具体的,所述压缩模块包括顺序连接的压缩层、扩展层和融合层,所述压缩层通过1*1的卷积核进行卷积操作得到特征图C1,将所述特征图C1输入扩展层,所述扩展层包括并行连接的卷积核为1*1的第一卷积层、3*3的第二卷积层、5*5的第三卷积层,将第一卷积层、第二卷积层、第三卷积层的输出输入融合层进行特征融合作为压缩模块的输出。
所述图像处理算法包括如下步骤:计算所述图片的像素强度以及对比度,设置像素强度阈值以及对比度阈值,并基于所述像素强度阈值以及对比度阈值将所述图片分类为弱光图片/正常光图片。
较优的,通过光照检测模块对图片分类通过用户自定义的时间周期进行分类。
具体的,基于人脸的入侵检测模块包括如下步骤:
步骤11:通过人脸检测算法判断图片中是否有人脸,当存在人脸时,执行步骤12,否则读取下一张图片,返回步骤11;
步骤12:通过人脸识别算法将所述图片中的人脸与数据库中的人脸进行匹配,验证是否为合法人员,如果图片中的人脸与数据库中的人脸相匹配,则该人员为合法人员,否则为非法人员,判断为异常入侵。
优选的,所述人脸检测算法为Viola-Jones算法。
优选的,所述人脸识别算法包括:将所述图片输入骨干网络,所述骨干网络对输入的图片进行特征提取得到待识别特征图,将所述待识别特征图输入识别模块得到人脸识别结果。
具体的,所述骨干网络的结构为:输入层、3*3*32的常规卷积层、第一深度可分离卷积、第二深度可分离卷积、第三深度可分离卷积、第四深度可分离卷积、第一残差块、第二残差块、输出层。
具体的,所述识别模块的结构为:展平层、全连接层、softmax层、输出层。
具体的,基于姿态的入侵检测模块包括如下步骤:
步骤21:提取人体轮廓;
步骤22:对所述步骤21提取的人体轮廓通过2DPCA-2DLDA方法提取姿态特征矩阵;
步骤23:利用自编码器对所述步骤22生成的姿态特征矩阵进行压缩;
步骤24:将所述步骤23压缩后的特征矩阵展开为一维向量,使用基于欧几里德距离的最近邻分类器进行识别,判断图片中的人员为合法人员/非法人员。
进一步的,所述方法还包括:步骤105:当检测出异常入侵行为时,自动抽取入侵人员进入危险区域的视频片段,向管理员推送预警信息、视频片段以及处理建议。
相对于现有技术,本发明创造性的提出一种基于图像识别的加油站/充电站异常入侵检测方法,从加油站/充电站监控设备获取视频流,所述监控设备为位于危险区域的监控设备;将所述步骤101获取得到的监控视频流进行分帧以及格式转换,转换为入侵检测模型可识别的图片格式,将转换后的图片序列存入第一存储空间;入侵检测模型从所述第一存储空间读取所述转换后的图片进行异常入侵检测,将异常入侵检测结果进行标注,存入第二存储空间;所述入侵检测模型包括:光照检测模块、基于人脸的入侵检测模块、基于姿态的入侵检测模块;所述光照检测模块用于对图片进行分类,所述分类结果包括正常光/弱光;当所述分类结果为正常光时,采用基于人脸的入侵检测模块进行入侵检测,当所述分类结果为弱光时,采用基于姿态的入侵检测模块进行入侵检测;从所述第二存储空间获取标注后的图片序列,并将图片序列重新组合为视频流进行输出,在监控显示设备进行实时显示。
相对于现有技术,本发明具有如下有益效果:
(1)通过光照检测模块对当前图片的光照进行检测,对不同的光照采用不同的方法进行入侵检测,提升了入侵检测的准确性;
(2)为了提升光照检测的实时性,本发明创造性的提出了一种压缩卷积神经网络,对光照进行识别。
(3)为了提升人脸检测的鲁棒性,本发明创造性的提出了一种人脸识别算法,将深度可分离卷积与残差块进行结合,提升了人脸检测的准确性。
附图说明
为了更清楚的说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术中描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施方式,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种基于图像识别的加油站/充电站异常入侵检测方法的示例图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面对本发明具体实施方式中的技术方案进行清楚、完整的描述,以进一步阐述本发明,显然,所描述的具体实施方式仅仅是本发明的一部分实施方式,而不是全部的样式。
下面结合附图对本发明作进一步详细描述:
如附图1所示,本发明提供一种基于图像识别的加油站/充电站异常入侵检测方法,本发明是通过以下技术方案实现的:
一种基于图像识别的加油站/充电站异常入侵检测方法,所述方法包括如下步骤:
步骤101:从加油站/充电站监控设备获取视频流,所述监控设备为位于危险区域的监控设备;
步骤102:将所述步骤101中监控设备获取得到的视频流进行分帧以及格式转换,转换为入侵检测模型可识别的图片格式,将转换后的图片序列存入第一存储空间;
步骤103:入侵检测模型从所述第一存储空间读取所述转换后的图片进行异常入侵检测,将异常入侵检测结果进行标注,存入第二存储空间;所述入侵检测模型包括:光照检测模块、基于人脸的入侵检测模块、基于姿态的入侵检测模块;所述光照检测模块用于对图片进行分类,所述分类结果包括正常光/弱光;当所述分类结果为正常光时,采用基于人脸的入侵检测模块进行入侵检测,当所述分类结果为弱光时,采用基于姿态的入侵检测模块进行入侵检测;
步骤104:从所述第二存储空间获取标注后的图片序列,并将图片序列重新组合为视频流进行输出,在监控显示设备进行实时显示。
具体的,所述光照检测模块可通过压缩卷积神经网络/图像处理算法进行实现。
具体的,所述压缩卷积神经网络包括顺序连接的输入层、第一卷积层、第一压缩模块、第二压缩模块、第三压缩模块、第四压缩模块、第五压缩模块、第六压缩模块、第二卷积层、全局平均池化层、softmax输出层,所述第一压缩模块输出的特征图经下采样后与第三压缩模块的输出的特征图融合后作为第四压缩模块的输入,所述第二压缩模块输出的特征图经下采样后与第四压缩模块输出的特征图融合后作为全局平均池化层的输入。
具体的,所述压缩模块包括顺序连接的压缩层、扩展层和融合层,所述压缩层通过1*1的卷积核进行卷积操作得到特征图C1,将所述特征图C1输入扩展层,所述扩展层包括并行连接的卷积核为1*1的第一卷积层、3*3的第二卷积层、5*5的第三卷积层,将第一卷积层、第二卷积层、第三卷积层的输出输入融合层进行特征融合作为压缩模块的输出。
所述图像处理算法包括如下步骤:计算所述图片的像素强度以及对比度,设置像素强度阈值以及对比度阈值,并基于所述像素强度阈值以及对比度阈值将所述图片分类为弱光图片/正常光图片。
较优的,通过光照检测模块对图片分类通过用户自定义的时间周期进行分类。
具体的,基于人脸的入侵检测模块包括如下步骤:
步骤11:通过人脸检测算法判断图片中是否有人脸,当存在人脸时,执行步骤12,否则读取下一张图片,返回步骤11;
步骤12:通过人脸识别算法将所述图片中的人脸与数据库中的人脸进行匹配,验证是否为合法人员,如果图片中的人脸与数据库中的人脸相匹配,则该人员为合法人员,否则为非法人员,判断为异常入侵。
优选的,所述人脸检测算法为Viola-Jones算法。
Viola-Jones人脸检测算法由剑桥大学的Viola和Jones于2001年最早提出,是最为成功且满足实时要求的可实用人脸检测算法.Viola-Jones人脸检测算法使用HAAR特征值进行目标检测:通过adaboost算法生成级联分类器,直接对图像的一小块区域进行特征匹配,从而判断该区域内是否有人脸存在.该算法包括训练和检测两部分:训练部分使用adaboost算法从预先收集的正负样本中提取特征值进行计算,最终生成一个级联分类器;检测部分使用级联分类器,通过检测窗口的移动和缩放,对图像上的人脸进行检测。
优选的,所述人脸识别算法包括:将所述图片输入骨干网络,所述骨干网络对输入的图片进行特征提取得到待识别特征图,将所述待识别特征图输入识别模块得到人脸识别结果。
具体的,所述骨干网络的结构为:输入层、3*3*32的常规卷积层、第一深度可分离卷积、第二深度可分离卷积、第三深度可分离卷积、第四深度可分离卷积、第一残差块、第二残差块、输出层。
深度可分离卷积depthwise separable convolution,由depthwise(DW)和pointwise(PW)两个部分结合起来,用来提取特征feature map。相比常规的卷积操作,其参数数量和运算成本比较低,因此,本申请采用深度可分离卷积提升模型的运行速度。
具体的,所述识别模块的结构为:展平层、全连接层、softmax层、输出层。
具体的,基于姿态的入侵检测模块包括如下步骤:
步骤21:提取人体轮廓;
步骤22:对所述步骤21提取的人体轮廓通过2DPCA-2DLDA方法提取姿态特征矩阵;
步骤23:利用自编码器对所述步骤22生成的姿态特征矩阵进行压缩;
步骤24:将所述步骤23压缩后的特征矩阵展开为一维向量,使用基于欧几里德距离的最近邻分类器进行识别,判断图片中的人员为合法人员/非法人员。
进一步的,所述方法还包括:步骤105:当检测出异常入侵行为时,自动抽取入侵人员进入危险区域的视频片段,向管理员推送预警信息、视频片段以及处理建议。
本发明创造性的提出一种基于图像识别的加油站/充电站异常入侵检测方法,从加油站/充电站监控设备获取视频流,所述监控设备为位于危险区域的监控设备;将所述步骤101获取得到的监控视频流进行分帧以及格式转换,转换为入侵检测模型可识别的图片格式,将转换后的图片序列存入第一存储空间;入侵检测模型从所述第一存储空间读取所述转换后的图片进行异常入侵检测,将异常入侵检测结果进行标注,存入第二存储空间;所述入侵检测模型包括:光照检测模块、基于人脸的入侵检测模块、基于姿态的入侵检测模块;所述光照检测模块用于对图片进行分类,所述分类结果包括正常光/弱光;当所述分类结果为正常光时,采用基于人脸的入侵检测模块进行入侵检测,当所述分类结果为弱光时,采用基于姿态的入侵检测模块进行入侵检测;从所述第二存储空间获取标注后的图片序列,并将图片序列重新组合为视频流进行输出,在监控显示设备进行实时显示。相对于现有技术,本发明具有如下有益效果:(1)通过光照检测模块对当前图片的光照进行检测,对不同的光照采用不同的方法进行入侵检测,提升了入侵检测的准确性;(2)为了提升光照检测的实时性,本发明创造性的提出了一种压缩卷积神经网络,对光照进行识别。(3)为了提升人脸检测的鲁棒性,本发明创造性的提出了一种人脸识别算法,将深度可分离卷积与残差块进行结合,提升了人脸检测的准确性。
以上描述了本发明的主要技术特征和基本原理及相关优点,对于本领域技术人员而言,显然本发明不限于上述示范性具体实施方式的细节,而且在不背离本发明的构思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,均应将上述具体实施方式看作是示范性的,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囊括在本发明内。
此外,应当理解,虽然本说明书按照各实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (13)
1.一种基于图像识别的加油站/充电站异常入侵检测方法,所述方法包括以下步骤:
步骤101:从加油站/充电站监控设备获取视频流,所述监控设备为位于危险区域的监控设备;
步骤102:将所述步骤101中监控设备获取得到的视频流进行分帧以及格式转换,转换为入侵检测模型可识别的图片格式,将转换后的图片序列存入第一存储空间;
步骤103:入侵检测模型从所述第一存储空间读取所述转换后的图片进行异常入侵检测,将异常入侵检测结果进行标注,存入第二存储空间;所述入侵检测模型包括:光照检测模块、基于人脸的入侵检测模块、基于姿态的入侵检测模块;所述光照检测模块用于对图片进行分类,所述分类结果包括正常光/弱光;当所述分类结果为正常光时,采用基于人脸的入侵检测模块进行入侵检测,当所述分类结果为弱光时,采用基于姿态的入侵检测模块进行入侵检测;
步骤104:从所述第二存储空间获取标注后的图片序列,并将图片序列重新组合为视频流进行输出,在监控显示设备进行实时显示。
2.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述光照检测模块可通过压缩卷积神经网络/图像处理算法进行实现。
3.根据权利要求2所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述压缩卷积神经网络包括顺序连接的输入层、第一卷积层、第一压缩模块、第二压缩模块、第三压缩模块、第四压缩模块、第五压缩模块、第六压缩模块、第二卷积层、全局平均池化层、softmax输出层,所述第一压缩模块输出的特征图经下采样后与第三压缩模块的输出的特征图融合后作为第四压缩模块的输入,所述第二压缩模块输出的特征图经下采样后与第四压缩模块输出的特征图融合后作为全局平均池化层的输入。
4.根据权利要求3所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述压缩模块包括顺序连接的压缩层、扩展层和融合层,所述压缩层通过1*1的卷积核进行卷积操作得到特征图C1,将所述特征图C1输入扩展层,所述扩展层包括并行连接的卷积核为1*1的第一卷积层、3*3的第二卷积层、5*5的第三卷积层,将第一卷积层、第二卷积层、第三卷积层的输出输入融合层进行特征融合作为压缩模块的输出。
5.根据权利要求2所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述图像处理算法包括如下步骤:计算所述图片的像素强度以及对比度,设置像素强度阈值以及对比度阈值,并基于所述像素强度阈值以及对比度阈值将所述图片分类为弱光图片/正常光图片。
6.根据权利要求2所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:通过光照检测模块对图片分类通过用户自定义的时间周期进行分类。
7.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:基于人脸的入侵检测模块包括如下步骤:
步骤11:通过人脸检测算法判断图片中是否有人脸,当存在人脸时,执行步骤12,否则读取下一张图片,返回步骤11;
步骤12:通过人脸识别算法将所述图片中的人脸与数据库中的人脸进行匹配,验证是否为合法人员,如果图片中的人脸与数据库中的人脸相匹配,则该人员为合法人员,否则为非法人员,判断为异常入侵。
8.根据权利要求7所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述人脸检测算法为Viola-Jones算法。
9.根据权利要求7所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述人脸识别算法包括:将所述图片输入骨干网络,所述骨干网络对输入的图片进行特征提取得到待识别特征图,将所述待识别特征图输入识别模块得到人脸识别结果。
10.根据权利要求9所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述骨干网络的结构为:输入层、3*3*32的常规卷积层、第一深度可分离卷积、第二深度可分离卷积、第三深度可分离卷积、第四深度可分离卷积、第一残差块、第二残差块、输出层。
11.根据权利要求9所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述识别模块的结构为:展平层、全连接层、softmax层、输出层。
12.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:基于姿态的入侵检测模块包括如下步骤:
步骤21:提取人体轮廓;
步骤22:对所述步骤21提取的人体轮廓通过2DPCA-2DLDA方法提取姿态特征矩阵;
步骤23:利用自编码器对所述步骤22生成的姿态特征矩阵进行压缩;
步骤24:将所述步骤23压缩后的特征矩阵展开为一维向量,使用基于欧几里德距离的最近邻分类器进行识别,判断图片中的人员为合法人员/非法人员。
13.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法,其特征在于:所述方法还包括:步骤105:当检测出异常入侵行为时,自动抽取入侵人员进入危险区域的视频片段,向管理员推送预警信息、视频片段以及处理建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622839.3A CN114913481B (zh) | 2022-06-01 | 2022-06-01 | 一种基于图像识别的加油站或充电站异常入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622839.3A CN114913481B (zh) | 2022-06-01 | 2022-06-01 | 一种基于图像识别的加油站或充电站异常入侵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913481A true CN114913481A (zh) | 2022-08-16 |
CN114913481B CN114913481B (zh) | 2023-05-26 |
Family
ID=82771224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210622839.3A Active CN114913481B (zh) | 2022-06-01 | 2022-06-01 | 一种基于图像识别的加油站或充电站异常入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913481B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080252722A1 (en) * | 2007-04-11 | 2008-10-16 | Yuan-Kai Wang | System And Method Of Intelligent Surveillance And Analysis |
CN102542715A (zh) * | 2011-12-21 | 2012-07-04 | 西安石油大学 | 一种基于光编码技术的人员入侵智能报警装置 |
CN107331097A (zh) * | 2017-08-01 | 2017-11-07 | 中科融通物联科技无锡有限公司 | 基于目标位置信息融合的周界防入侵装置与方法 |
CN112381075A (zh) * | 2021-01-18 | 2021-02-19 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及系统 |
-
2022
- 2022-06-01 CN CN202210622839.3A patent/CN114913481B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080252722A1 (en) * | 2007-04-11 | 2008-10-16 | Yuan-Kai Wang | System And Method Of Intelligent Surveillance And Analysis |
CN102542715A (zh) * | 2011-12-21 | 2012-07-04 | 西安石油大学 | 一种基于光编码技术的人员入侵智能报警装置 |
CN107331097A (zh) * | 2017-08-01 | 2017-11-07 | 中科融通物联科技无锡有限公司 | 基于目标位置信息融合的周界防入侵装置与方法 |
CN112381075A (zh) * | 2021-01-18 | 2021-02-19 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及系统 |
Non-Patent Citations (2)
Title |
---|
A. DERBEL ET AL.: "Access control based on gait analysis and face recognition", 《ELECTRONICS LETTERS》 * |
顾山翔: "基于树莓派的实时入侵检测系统的设计与实现", 《长江信息通信》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114913481B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182409B (zh) | 活体检测方法、装置、设备及存储介质 | |
CN110569720B (zh) | 一种基于音视频处理系统的音视频智能识别处理方法 | |
Ho | Machine vision-based real-time early flame and smoke detection | |
KR101953342B1 (ko) | 멀티 센서 화재감지 방법 및 시스템 | |
CN111582129A (zh) | 一种盾构机司机工作状态实时监测报警方法及装置 | |
CN109190475B (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN109460699A (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
CN112699801B (zh) | 基于视频图像的火灾识别方法及系统 | |
CN103605971A (zh) | 一种捕获人脸图像的方法及装置 | |
CN109977771A (zh) | 司机身份的验证方法、装置、设备及计算机可读存储介质 | |
CN208969813U (zh) | 一种孩童遗留车内报警系统 | |
CN111862413A (zh) | 实现抗疫情非接触多维身份快速识别的方法及其系统 | |
Liu et al. | Development of face recognition system based on PCA and LBP for intelligent anti-theft doors | |
KR101092472B1 (ko) | 감시카메라를 활용한 비디오 색인 시스템 및 그 색인 방법 | |
Ho et al. | Real-time video-based fire smoke detection system | |
CN104102921A (zh) | 一种基于人脸识别的视频检测方法及其检测装置 | |
CN112435414A (zh) | 一种基于人脸识别的安防监控系统及其监控方法 | |
CN112949439A (zh) | 一种油罐车重点区域人员入侵监测方法和系统 | |
CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
KR101337554B1 (ko) | 차량용 블랙박스의 영상인식을 이용한 수배자 및 실종자 추적 장치 및 그 방법 | |
KR101552564B1 (ko) | 가스센서 및 ip네트워크 카메라 기반 융합 보안 시스템 | |
CN113269111A (zh) | 一种基于视频监控的电梯异常行为检测方法及系统 | |
Mathew et al. | Person re-identification through face detection from videos using Deep Learning | |
CN114913481B (zh) | 一种基于图像识别的加油站或充电站异常入侵检测方法 | |
Desai et al. | Real-time implementation of Indian license plate recognition system |
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 |