CN115410324A - 一种基于人工智能的房车夜间安防系统及方法 - Google Patents

一种基于人工智能的房车夜间安防系统及方法 Download PDF

Info

Publication number
CN115410324A
CN115410324A CN202211330736.6A CN202211330736A CN115410324A CN 115410324 A CN115410324 A CN 115410324A CN 202211330736 A CN202211330736 A CN 202211330736A CN 115410324 A CN115410324 A CN 115410324A
Authority
CN
China
Prior art keywords
early warning
target
monitoring
artificial intelligence
person
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
Application number
CN202211330736.6A
Other languages
English (en)
Inventor
姜万强
邱英杰
赵宗刚
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.)
Shandong Shituo Caravan Group Co ltd
Original Assignee
Shandong Shituo Caravan Group Co ltd
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 Shandong Shituo Caravan Group Co ltd filed Critical Shandong Shituo Caravan Group Co ltd
Priority to CN202211330736.6A priority Critical patent/CN115410324A/zh
Publication of CN115410324A publication Critical patent/CN115410324A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G08B13/19606—Discriminating between target movement or movement in an area of interest and other non-signicative movements, e.g. target movements induced by camera shake or movements of pets, falling leaves, rotating fan
    • 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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及安防系统技术领域，具体公开了一种基于人工智能的房车夜间安防系统及方法，所述安防方法包括以下步骤：S1：当目标进入安全预警区域时，处理端进入一级预警；S2：识别目标为有生命特征体，处理端进入二级预警，监测端进一步识别有生命特征体；S3：有生命特征体为人，且人员在安全预警区域内停留超过时间阈值，监测端跟踪监测该人员，基于深度学习对该人员进行行为识别，该人员行为异常，处理端进入三级预警。本发明通过对房车划分安全预警区域，并在目标进入安全预警区域时，对目标进行识别，然后根据识别信息选择是否进行预警，进入预警后对预警状态进行分级处理，识别精度高，从而避免误报现象发生。

Description

一种基于人工智能的房车夜间安防系统及方法
技术领域
本发明涉及安防系统技术领域，具体涉及一种基于人工智能的房车夜间安防系统及方法。
背景技术
随着我国经济水平不断增加，开着房车旅行成为了一种新兴的生活时尚，房车兼具“房”与“车”两大功能，在旅行过程中可随时停靠在景区，就地扎营，但由于房车扎营地往往处于人烟稀少的偏僻野外或者自然景区，导致在夜间停驻时会存在着一些安全隐患，如野兽靠近、人为偷盗等，而这往往是房车车主的最大安全隐忧，所以，急需要一种针对房车驻车后的安防系统，来有效的预防安全隐患、并在安全隐患发生时及时进行处理。
申请号202110221965.3一种基于人工智能技术的房车安防系统及方法，主要针对夜间驻车时可疑情境监测，同时兼顾节能与安全。该系统采用双设备架构，PIR传感器和设备10用于移动目标的监测和定位，在检测到有移动目标时，唤醒休眠的红外摄像头和设备20，进行视频采集和识别，通过判断预警级别自动触发灯光和音效进行驱离。本发明中的房车夜间安防方法，主要算法流程包括：步骤1，预警区域初始化；步骤2，判断有移动目标进入预警区域，则进行区域定位，并唤醒红外摄像头；步骤3，移动目标识别和分类；步骤4，结合传感器对移动目标进行跟踪和轨迹识别；步骤5，触发控制模块。本发明的有益效果在于，在完成夜间监控的同时，保证了节能和自动排险。
上述技术存在以下不足：该安防系统在传感器检测有移动目标时，唤醒休眠的红外摄像头和设备，进行视频采集和识别，然而，该安防系统在检测到目标后进入预警状态，无法精准对目标进行行为识别，容易产生误报现象，使用存在一定局限性基于人工智能的房车夜间安防系统及方法解决上述问题。
发明内容
本发明的目的是提供一种基于人工智能的房车夜间安防系统及方法，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：一种基于人工智能的房车夜间安防方法，所述安防方法包括以下步骤：
S1：以房车中心设置安全预警区域，当目标进入安全预警区域时，唤醒监测端监测目标，处理端进入一级预警，监测端识别目标类别，当识别目标为无生命特征体时，监测端监测目标一段时间无异常后自动休眠；
S2：识别目标为有生命特征体，处理端进入二级预警，监测端进一步识别有生命特征体，有生命特征体为动物，房车发出超声波驱赶动物；
S3：有生命特征体为人，且人员在安全预警区域内停留超过时间阈值，监测端跟踪监测该人员，基于深度学习对该人员进行行为识别，该人员行为异常，处理端进入三级预警。
在一个优选的实施方式中，所述安全预警区域以房车中心为圆心，半径为5-8m绘制的圆形区域，监测端监测目标5-10s无异常后自动休眠，人员在安全预警区域内停留超过30s，监测端跟踪监测该人员。
在一个优选的实施方式中，所述处理端进入一级预警，处理端不存储录像，仅为监测端对目标进行监测；处理端进入二级预警，处理端存储录像；处理端进入三级预警，处理端存储录像，并发出相应警报。
在一个优选的实施方式中，所述监测端通过帧间差分法对运动目标检测，包括以下步骤：
获取视频的第
Figure 758007DEST_PATH_IMAGE001
帧和第
Figure 878410DEST_PATH_IMAGE002
帧图像；
设监控视频中像素
Figure 313939DEST_PATH_IMAGE003
在第
Figure 974728DEST_PATH_IMAGE001
帧和第
Figure 146690DEST_PATH_IMAGE002
帧的灰度值为
Figure 234732DEST_PATH_IMAGE004
和
Figure 705027DEST_PATH_IMAGE005
；
将图像中的灰度值做差分运算，得到差分图
Figure 559720DEST_PATH_IMAGE006
，计算公式为：
Figure 759757DEST_PATH_IMAGE008
式中，
Figure 894066DEST_PATH_IMAGE009
为第n帧图像
Figure 179554DEST_PATH_IMAGE003
点的差分值。
在一个优选的实施方式中，所述监测端监测运动目标后确定阈值，当
Figure 870560DEST_PATH_IMAGE010
， 表示区域为背景图像，当
Figure 534891DEST_PATH_IMAGE011
，表示区域为前景，计算公式为：
Figure 495894DEST_PATH_IMAGE013
式中，
Figure 190049DEST_PATH_IMAGE014
为差分图像二值化过程中选择的阈值，
Figure 871697DEST_PATH_IMAGE015
为二值化处理后的差分图， 用来区分像素点
Figure 780748DEST_PATH_IMAGE003
为前景或背景。
在一个优选的实施方式中，所述处理端基于深度学习识别数据采集模块图像，对停留在安全预警区域内的人员进行行为识别，所述深度学习包括卷积神经网络。
在一个优选的实施方式中，所述深度学习识别图像包括以下步骤：
输入图像通过和三个滤波器及一个加偏置进行卷积，卷积后产生三个特征映射图；
特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；
通过激活函数得到特征映射图，映射图中的像素值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
本发明还提供一种基于人工智能的房车夜间安防系统，所述安防系统用于实现一种基于人工智能的房车夜间安防方法，其特征在于：包括监测模块、处理模块以及预警模块；
监测模块监测进入房车安全预警区域内的目标，识别停留在安全预警区域内部目标类别，并生成目标信息发送至处理模块，处理模块根据目标类别进入相应的预警状态，预警模块：根据预警状态发出相应警报。
在一个优选的实施方式中，所述监测模块识别的目标类别包括无生命特征体、动物和人，所述预警模块包括超声波发生器以及声光报警器，超声波发生器发出超声波针对动物进行驱离，声光报警器对行为异常人发出警慑和驱离，所述监测模块包括N个热释红外传感器和红外摄像头，所述热释红外传感器将收集到的信号回送到处理模块，处理模块根据热释红外传感器的数据进行移动检测，在检测到移动目标时，进行定位，并唤醒摄像头运行。
在一个优选的实施方式中，所述处理模块包括特征检测单元、特征提取单元、特征分类单元以及存储单元，特征检测单元用于检测监测模块发送视频中的动作信息，特征提取单元基于光流法计算提取人员动作的轨迹信息，然后沿着这些轨迹信息再计算出多个描述符来捕获这些动作的形状、外观以及运动信息，特征分类单元用于融合运动特征后，对用的特征进行识别分类，存储单元，用于存储视频数据。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明以房车中心为圆心设置一个半径为5m左右的圆形安全预警区域，当目标进入安全预警区域时，唤醒监测端监测目标，处理端进入一级预警，监测端首先识别目标类别，当识别目标为无生命特征体时，监测端监测目标5-10s无异常后自动休眠，当识别目标为有生命特征体时，处理端进入二级预警，监测端进一步识别有生命特征体，当有生命特征体为动物时，房车发出超声波驱赶动物，当有生命特征体为人，且该人员在安全预警区域内停留超过30s，监测端跟踪监测该人员，基于深度学习算法对该人员进行行为识别，若该人员行为异常，处理端进入三级预警，该安防方法通过对房车划分安全预警区域，并在目标进入安全预警区域时，对目标进行识别，然后根据识别信息选择是否进行预警，进入预警后对预警状态进行分级处理，识别精度高，从而避免误报现象发生。
2、本发明通过帧间差分法算法实现确定人在安全预警区域内的位置，帧与帧之间的时间间隔比较短，检测速度快，从而提高预警速度。
3、本发明通过深度学习算法精准分析每一帧画面，数据采集模块获取单帧图像，并将单帧图像传输至训练好的深度学习模型，模型使用Yolo算法对单帧图像的内容进行目标检测，并通过对单帧图像的内容进行分析，精准识别停留在安全预警区域内人员的行为，停留在安全预警区域内人员的行为进行精准预判。
4、本发明利用获取的几种动作特征描述符进行识别分类，而在特征分类之前，首先需要将所提取的特征进行融合，由于人体的轮廓、边缘、运动特征等方面不具备通用性，只有将其组合起来，才能构建出更好的鲁棒性和有效性的特征，特征融合的作用是为了使特征能有拥有较好的区分能力，消除掉冗余的信息，以提高目标别的计算效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明安防方法的流程图。
图2为本发明的系统模块图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
实施例1
请参阅图1所示，本实施例所述一种基于人工智能的房车夜间安防方法，所述安防方法包括以下步骤：
以房车中心为圆心设置一个半径为5m左右的圆形安全预警区域，当目标进入安全预警区域时，唤醒监测端监测目标，处理端进入一级预警，监测端首先识别目标类别，当识别目标为无生命特征体时，监测端监测目标5-10s无异常后自动休眠，当识别目标为有生命特征体时，处理端进入二级预警，监测端进一步识别有生命特征体，当有生命特征体为动物时，房车发出超声波驱赶动物，当有生命特征体为人，且该人员在安全预警区域内停留超过30s，监测端跟踪监测该人员，基于深度学习算法对该人员进行行为识别，若该人员行为异常，处理端进入三级预警，该安防方法通过对房车划分安全预警区域，并在目标进入安全预警区域时，对目标进行识别，然后根据识别信息选择是否进行预警，进入预警后对预警状态进行分级处理，识别精度高，从而避免误报现象发生。
一级预警时，处理端不存储录像，仅为监测端对目标进行监测；二级预警时，处理端存储录像；三级预警时，处理端存储录像，并发出相应警报。
所述监测端包括N个热释红外传感器和带可旋转云台的红外摄像头，所述热释红外传感器将收集到的信号回送到处理端，处理端根据热释红外传感器的数据进行移动检测，在检测到移动目标时，进行定位，并唤醒摄像头运行；所述摄像头将收集到的视频信号回送到处理端，处理端运人工智能算法进行当前情境的判断，并根据判断结果做出相应判断。
热释红外传感器分置于车身，形成覆盖房车5米~10米的监控区域，以房车周边10米视距覆盖范围为预警区域，以5米覆盖范围为识别区域，并将覆盖区域进行分区和标定，一旦某个特定传感器被触发，则给临近摄像头发出启动信号，并驱动云台令摄像头转动至相对应的分区，开始视频采集。
所述红外摄像头初始化后处于休眠状态，根据处理端输出的指令，进行唤醒，并根据指令中包含的运动目标的位置数据，转动至相应角度；采集可疑区域的视频流，进行实时监控，并将视频发送至处理端。
处理端中包括声光报警器以及超声波发生器，超声波发生器发出超声波针对动物进行驱离，声光报警器对可疑人物警慑和驱离。
预警区域初始化，判断是否有移动目标进入预警区域，如果无，则按固定时间周期，定期进行预警区域的背景更新，如果有移动目标，则进行区域定位，并唤醒红外摄像头识别和分类移动目标，结合传感器对移动目标进行跟踪和轨迹识别，并根据目标行为进行预警，整个过程将按照设定时段周期循环，直至结束，完成夜间安防。
初始化热释红外传感器的监控范围并进行分区标定，利用安装于车身的接近传感器集合，根据不同传感器节点的视场，把监测区域划分为多个子区域。
初始化红外摄像头的监控范围并进行背景采集，对识别区域的位置及边界进行测量，获取其坐标数据，采用张氏标定法对摄像机参数进行标定，通过参照物将现场位置坐标与摄像机视场形成的高精度坐标映射，再将标定后的高点摄像机图像进行识别区域标注，实现对识别区域的定位，摄像头和传感器的同步和时空配准，为了兼顾能耗和范围，所采用红外摄像头为可360度旋转的摄像头，所旋转角度由运动触发的PIR传感器确定，随着移动对象接近房车，会不断触发不同传感器，需要令摄像头与热释红外传感器进行时空同步，从而保证摄像头的正面永远对准采集对象，同步时多个摄像头分别正对不同传感器视域拍照，作为目标检测的背景。
在安全预警区域内，采用传感器检测运动物体并进行定位，具体包括：N个热释红外传感器的信号定期发送至处理端，首先进行ADC模块转换为数字序列，输入一个三层神经网络，结构为：第一层为输入层，第二、三层为Linear+ReLu激活函数，输出为一个2维向量(camera，angle)，camera的取值为[-1，0，1]，分别对应唤醒摄像头；angle的取值为整数，是对应摄像头角度的电脉冲数量。
通过确定移动目标所在区域后，唤醒相对应的摄像头，通过将电脉冲信号转换为角位移，驱动摄像头底座，控制摄像头转动至移动目标相应的角度。
移动目标识别和分类，视频序列采集；提取背景图像实现移动目标的前景提取，提取移动目标；通过对移动目标进行分类，检测人体目标时，开展异常行为轨迹跟踪检测，采用一个轻量级时间卷积网络（TemporalConvolutionNetwork，TCN），包括一个输入层，k个隐层，和一个输出层，输入序列为X={x1，x2，...，xT}，其中xt=(fcam⊕fPIR)，fcam是由摄像头获取视频的特征向量，fPIR为热释红外传感器获取的特征向量，T为时间步长度，二者进行拼接，输入TCN模型，第一层使用1×1卷积，隐含层使用大小为3的因果卷积并采用残差连接，输出层经过1×1卷积后使用Softmax激活函数，输出警报级别，分别为对应安全、观察、报警。
实施例2
上述实施例1中，需要对进入停留在安全预警区域内的人员进行位置定位，本实施例中，针对人运动位置，首先需要判断是否存在人运动目标，当发生异常行为的时候，目标检测可以锁定目标的运动范围。
通过帧间差分法对运动目标检测的流程是通过视频序列中连续的两帧图像或者三帧图像相减从而得到运动目标的像素点，如果视频中的运动目标位置发生改变，则相应的像素点位置也会发生一定的变化，通过设置一个阈值将差分图像划分为前景和背景。
首先获取视频的第
Figure 66979DEST_PATH_IMAGE001
帧和第
Figure 202425DEST_PATH_IMAGE002
帧图像，设监控视频中像素
Figure 546819DEST_PATH_IMAGE003
在第
Figure 700589DEST_PATH_IMAGE001
帧和第
Figure 675498DEST_PATH_IMAGE002
帧的灰度值为
Figure 157295DEST_PATH_IMAGE004
和
Figure 931478DEST_PATH_IMAGE005
，将图像中的灰度值做差分运算，得到差分图
Figure 815120DEST_PATH_IMAGE006
，计算公式为：
Figure 960931DEST_PATH_IMAGE017
式中，
Figure 789079DEST_PATH_IMAGE009
为第n帧图像
Figure 740854DEST_PATH_IMAGE003
点的差分值。
然后使用合适的阈值法确定阈值，如果
Figure 416686DEST_PATH_IMAGE010
，则表示为此处为背景图像，如 果
Figure 684463DEST_PATH_IMAGE011
，则表示这些区域为前景，然后利用已经区分好的前景背景区域可以确定人在 视频中的位置，计算公式为：
Figure 875273DEST_PATH_IMAGE019
式中，
Figure 506105DEST_PATH_IMAGE014
为差分图像二值化过程中选择的阈值，
Figure 20132DEST_PATH_IMAGE015
为二值化处理后的差分图， 用来区分像素点
Figure 835642DEST_PATH_IMAGE003
为前景或背景。
本实施例中，通过帧间差分法算法实现确定人在安全预警区域内的位置，帧与帧之间的时间间隔比较短，检测速度快，从而提高预警速度。
实施例3
处理端基于深度学习算法识别数据采集模块图像，对停留在安全预警区域内的人员进行行为识别，在神经网络的基础上叠加隐层层数的一种学习网络；
深度学习算法的处理逻辑为：
设一个系统L，它有n层
Figure 389114DEST_PATH_IMAGE020
，它的输入是I，输出是O，其过程可表示为：
Figure DEST_PATH_IMAGE021
，如果输出O等于输入I，即输入I经过这个系统变化之后没有 任何的信息损失，这意味着输入I经过每一层Li都没有任何的信息损失，即在任何一层Li， 它都是原有信息（即输入I）的另外一种表示；
这样就可以自动地获取得到输入I的一系列层次特征，即
Figure 902266DEST_PATH_IMAGE022
，深度学习是对堆 叠多个层，本层的输出作为下一层的输入实现对输入信息进行分级表达。
所述深度学习算法包括卷积神经网络，卷积神经网络利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能，图像的一小部分（局部感受区域）作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征，这个方法能够获取对平移、缩放和旋转不变的观测数据的显著特征。
卷积神经网络是多层的人工神经网络，每层由多个二维平面构成，同时每个平面又由多个独立的神经元组成，具体处理逻辑为：
输入图像通过和三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数（Sigmoid函数）得到三个D2层的特征映射图，这些映射图再经过相应滤波得到C3层，该层再和D2一样产生D4，最终，这些像素值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出；
卷积神经网络包括局部感受野、权值共享以及时间、空间采样，其中，
局部感受野：通过局部区域的感知能够发现样本数据的一些局部特征；
权值共享：卷积神经网络中每一层的由多个特征图组成，每个特征图包括多个神经单元，同一个特征图的所有神经单元共享同一个卷积核（即权重），一个卷积核往往代表样本的一类特征；
空间采样：样本采样的目的主要是打乱某个特征的具体位置，因为样本的一个特征找到后，那么它的具体位置已经不重要了，系统只关心这个特征与其它特征的相对位置。
本实施例中，通过将卷积神经网络作为识别模型的深度学习算法，使得：
（1）输入图像和网络的拓扑结构能很好的进行吻合；
（2）特征提取和模式分类可以同时进行，并同时在网络训练中产生；
（3）权重共享可以减少网络的训练参数，使得神经网络结构变得更加简单，适应性更强。
通过深度学习算法精准分析每一帧画面，数据采集模块获取单帧图像，并将单帧图像传输至训练好的深度学习模型，模型使用Yolo算法对单帧图像的内容进行目标检测，并通过对单帧图像的内容进行分析，精准识别停留在安全预警区域内人员的行为，停留在安全预警区域内人员的行为进行精准预判。
实施例4
请参阅图2所示，本实施例所述一种基于人工智能的房车夜间安防系统，包括监测模块、处理模块以及预警模块；
其中，
监测模块：用于监测进入房车安全预警区域内的目标，并识别停留在安全预警区域内部目标类别，生成目标信息；
所述目标类别包括无生命特征体、动物和人。
处理模块：用于接收监测模块发送的目标信息，并根据目标类别进入相应的预警状态；
预警状态包括一级预警状态、二级预警状态和三级预警状态，目标进入安全预警区域内时，进入一级预警状态，处理模块不存储监测录像，仅为监测模块对目标进行监测；目标类别为动物或人，并在安全预警区域停留一定时间后，进入二级预警状态，处理模块存储录像，目标类别为人，且做出异常行为时，进入三级预警状态，处理模块存储录像，并控制预警模块发出相应警报。
预警模块：根据处理模块发出的预警状态，发出相应的警报；
所述预警模块包括超声波发生器以及声光报警器，超声波发生器发出超声波针对动物进行驱离，声光报警器对可疑人物警慑和驱离。
所述监测模块包括N个热释红外传感器和带可旋转云台的红外摄像头，所述热释红外传感器将收集到的信号回送到处理端，处理端根据热释红外传感器的数据进行移动检测，在检测到移动目标时，进行定位，并唤醒摄像头运行；所述摄像头将收集到的视频信号回送到处理端，处理端运人工智能算法进行当前情境的判断，并根据判断结果做出相应判断。
所述处理模块包括特征检测单元、特征提取单元、特征分类单元以及存储单元，特征检测单元用于检测监测模块发送视频中的动作信息，特征提取单元基于光流法计算提取人员动作的轨迹信息，然后沿着这些轨迹信息再计算出多个描述符来捕获这些动作的形状、外观以及运动信息，特征分类单元用于融合运动特征后，对用的特征进行识别分类，存储单元，用于存储视频数据。
特征检测单元通过FFmpeg工具与OpenCV开源库设计，通过调用FFmpeg工具中的函数接口来对训练集中的视频数据进行预处理，通过调OpenCV开源库中的calcOpticalFlowFarneback0等函数接口，来对视频帧中人体运动轨迹进行提取，其通过SURF特征和光流计算当前帧和上一帧的投影变换矩阵，来跟踪视频中的运动轨迹。
特征提取单元对追踪到的运动轨迹进行更详细的描述，通过设计HogComp()、HofComp()、 MbhComp0等函数来从运动轨迹中提取相应的HOG特征、HOF特征、以及MBH特征。
特征分类单元利用获取的几种动作特征描述符进行识别分类，而在特征分类之前，首先需要将所提取的特征进行融合，由于人体的轮廓、边缘、运动特征等方面不具备通用性，只有将其组合起来，才能构建出更好的鲁棒性和有效性的特征，特征融合的作用是为了使特征能有拥有较好的区分能力，消除掉冗余的信息，以提高目标别的计算效率，采用Fisher Vector 特征编码方式，其本质上是通过似然函数的梯度向量来表达一副图像，接着再对提取出来或编码后的行为特征进行降维处理，即采用PCA算法，以减少计算复杂度，去除多余的噪声，接着再使用半朴素贝叶斯分类器进行分类。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。
所述功能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。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的房车夜间安防方法，其特征在于：所述安防方法包括以下步骤：
S1：以房车中心设置安全预警区域，当目标进入安全预警区域时，唤醒监测端监测目标，处理端进入一级预警，监测端识别目标类别，当识别目标为无生命特征体时，监测端监测目标一段时间无异常后自动休眠；
S2：识别目标为有生命特征体，处理端进入二级预警，监测端进一步识别有生命特征体，有生命特征体为动物，房车发出超声波驱赶动物；
S3：有生命特征体为人，且人员在安全预警区域内停留超过时间阈值，监测端跟踪监测该人员，基于深度学习对该人员进行行为识别，该人员行为异常，处理端进入三级预警。
2.根据权利要求1所述的一种基于人工智能的房车夜间安防方法，其特征在于：所述安全预警区域以房车中心为圆心，半径为5-8m绘制的圆形区域，监测端监测目标5-10s无异常后自动休眠，人员在安全预警区域内停留超过30s，监测端跟踪监测该人员。
3.根据权利要求2所述的一种基于人工智能的房车夜间安防方法，其特征在于：所述处理端进入一级预警，处理端不存储录像，仅为监测端对目标进行监测；处理端进入二级预警，处理端存储录像；处理端进入三级预警，处理端存储录像，并发出相应警报。
4.根据权利要求3所述的一种基于人工智能的房车夜间安防方法，其特征在于：所述监测端通过帧间差分法对运动目标检测，包括以下步骤：
获取视频的第
Figure 108431DEST_PATH_IMAGE001
帧和第
Figure 553319DEST_PATH_IMAGE002
帧图像；
设监控视频中像素
Figure 813397DEST_PATH_IMAGE003
在第
Figure 925710DEST_PATH_IMAGE001
帧和第
Figure 464139DEST_PATH_IMAGE002
帧的灰度值为
Figure 661902DEST_PATH_IMAGE004
和
Figure 943979DEST_PATH_IMAGE005
；
将图像中的灰度值做差分运算，得到差分图
Figure 645218DEST_PATH_IMAGE006
，计算公式为：
Figure DEST_PATH_IMAGE007
式中，
Figure 321925DEST_PATH_IMAGE008
为第n帧图像
Figure 6984DEST_PATH_IMAGE003
点的差分值。
5.根据权利要求4所述的一种基于人工智能的房车夜间安防方法，其特征在于：所述监 测端监测运动目标后确定阈值，当
Figure 92752DEST_PATH_IMAGE009
，表示区域为背景图像，当
Figure 914077DEST_PATH_IMAGE010
，表示区域 为前景，计算公式为：
Figure 59888DEST_PATH_IMAGE011
式中，
Figure 199620DEST_PATH_IMAGE012
为差分图像二值化过程中选择的阈值，
Figure 89079DEST_PATH_IMAGE013
为二值化处理后的差分图，用来区 分像素点
Figure 764911DEST_PATH_IMAGE003
为前景或背景。
6.根据权利要求5所述的一种基于人工智能的房车夜间安防方法，其特征在于：所述处理端基于深度学习识别数据采集模块图像，对停留在安全预警区域内的人员进行行为识别，所述深度学习包括卷积神经网络。
7.根据权利要求6所述的一种基于人工智能的房车夜间安防方法，其特征在于：所述深度学习识别图像包括以下步骤：
输入图像通过和三个滤波器及一个加偏置进行卷积，卷积后产生三个特征映射图；
特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；
通过激活函数得到特征映射图，映射图中的像素值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
8.一种基于人工智能的房车夜间安防系统，所述安防系统用于实现权利要求1-7任一项所述的一种基于人工智能的房车夜间安防方法，其特征在于：包括监测模块、处理模块以及预警模块；
监测模块监测进入房车安全预警区域内的目标，识别停留在安全预警区域内部目标类别，并生成目标信息发送至处理模块，处理模块根据目标类别进入相应的预警状态，预警模块：根据预警状态发出相应警报。
9.根据权利要求8所述的一种基于人工智能的房车夜间安防系统，其特征在于：所述监测模块识别的目标类别包括无生命特征体、动物和人，所述预警模块包括超声波发生器以及声光报警器，超声波发生器发出超声波针对动物进行驱离，声光报警器对行为异常人发出警慑和驱离，所述监测模块包括N个热释红外传感器和红外摄像头，所述热释红外传感器将收集到的信号回送到处理模块，处理模块根据热释红外传感器的数据进行移动检测，在检测到移动目标时，进行定位，并唤醒摄像头运行。
10.根据权利要求9所述的一种基于人工智能的房车夜间安防系统，其特征在于：所述处理模块包括特征检测单元、特征提取单元、特征分类单元以及存储单元，特征检测单元用于检测监测模块发送视频中的动作信息，特征提取单元基于光流法计算提取人员动作的轨迹信息，然后沿着这些轨迹信息再计算出多个描述符来捕获这些动作的形状、外观以及运动信息，特征分类单元用于融合运动特征后，对用的特征进行识别分类，存储单元，用于存储视频数据。
CN202211330736.6A 2022-10-28 2022-10-28 一种基于人工智能的房车夜间安防系统及方法 Pending CN115410324A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211330736.6A CN115410324A (zh) 2022-10-28 2022-10-28 一种基于人工智能的房车夜间安防系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211330736.6A CN115410324A (zh) 2022-10-28 2022-10-28 一种基于人工智能的房车夜间安防系统及方法

Publications (1)

Publication Number Publication Date
CN115410324A true CN115410324A (zh) 2022-11-29

Family

ID=84168544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211330736.6A Pending CN115410324A (zh) 2022-10-28 2022-10-28 一种基于人工智能的房车夜间安防系统及方法

Country Status (1)

Country Link
CN (1) CN115410324A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560468A (zh) * 2023-11-10 2024-02-13 山东居安特消防科技有限公司 一种基于大数据的一体化消防器材生产监控系统
CN117549330A (zh) * 2024-01-11 2024-02-13 四川省铁路建设有限公司 一种施工安全监测机器人系统及控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647582A (zh) * 2018-04-19 2018-10-12 河南科技学院 一种复杂动态环境下目标行为识别与预测方法
CN109686109A (zh) * 2019-01-02 2019-04-26 江苏警官学院 一种基于人工智能的停车场安全监控管理系统
CN110443109A (zh) * 2019-06-11 2019-11-12 万翼科技有限公司 异常行为监控处理方法、装置、计算机设备和存储介质
CN110459027A (zh) * 2019-08-15 2019-11-15 青岛文达通科技股份有限公司 一种基于多源异构数据融合的社区安全防护方法及系统
CN112991656A (zh) * 2021-02-04 2021-06-18 北京工业大学 基于姿态估计的全景监控下人体异常行为识别报警系统及方法
CN113052029A (zh) * 2021-03-12 2021-06-29 天天惠民(北京)智能物流科技有限公司 基于动作识别的异常行为监管方法、装置及存储介质
CN113160508A (zh) * 2021-02-28 2021-07-23 宁波工程学院 一种基于人工智能的房车夜间安防系统及方法
CN113850229A (zh) * 2021-10-18 2021-12-28 重庆邮电大学 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备
CN113989930A (zh) * 2021-10-29 2022-01-28 重庆科技学院 基于小目标和动作识别的人体异常行为检测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647582A (zh) * 2018-04-19 2018-10-12 河南科技学院 一种复杂动态环境下目标行为识别与预测方法
CN109686109A (zh) * 2019-01-02 2019-04-26 江苏警官学院 一种基于人工智能的停车场安全监控管理系统
CN110443109A (zh) * 2019-06-11 2019-11-12 万翼科技有限公司 异常行为监控处理方法、装置、计算机设备和存储介质
CN110459027A (zh) * 2019-08-15 2019-11-15 青岛文达通科技股份有限公司 一种基于多源异构数据融合的社区安全防护方法及系统
CN112991656A (zh) * 2021-02-04 2021-06-18 北京工业大学 基于姿态估计的全景监控下人体异常行为识别报警系统及方法
CN113160508A (zh) * 2021-02-28 2021-07-23 宁波工程学院 一种基于人工智能的房车夜间安防系统及方法
CN113052029A (zh) * 2021-03-12 2021-06-29 天天惠民(北京)智能物流科技有限公司 基于动作识别的异常行为监管方法、装置及存储介质
CN113850229A (zh) * 2021-10-18 2021-12-28 重庆邮电大学 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备
CN113989930A (zh) * 2021-10-29 2022-01-28 重庆科技学院 基于小目标和动作识别的人体异常行为检测系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560468A (zh) * 2023-11-10 2024-02-13 山东居安特消防科技有限公司 一种基于大数据的一体化消防器材生产监控系统
CN117560468B (zh) * 2023-11-10 2024-05-14 山东居安特消防科技有限公司 一种基于大数据的一体化消防器材生产监控系统
CN117549330A (zh) * 2024-01-11 2024-02-13 四川省铁路建设有限公司 一种施工安全监测机器人系统及控制方法
CN117549330B (zh) * 2024-01-11 2024-03-22 四川省铁路建设有限公司 一种施工安全监测机器人系统及控制方法

Similar Documents

Publication Publication Date Title
Singh et al. Deep spatio-temporal representation for detection of road accidents using stacked autoencoder
Lopez-Fuentes et al. Review on computer vision techniques in emergency situations
Liu et al. Intelligent video systems and analytics: A survey
Ibrahim A comprehensive review on intelligent surveillance systems
US20130170696A1 (en) Clustering-based object classification
WO2019179024A1 (zh) 机场跑道智能监控方法、应用服务器及计算机存储介质
Shah et al. Automated visual surveillance in realistic scenarios
Dick et al. Issues in automated visual surveillance
CN115410324A (zh) 一种基于人工智能的房车夜间安防系统及方法
Gawande et al. Pedestrian detection and tracking in video surveillance system: issues, comprehensive review, and challenges
Maddalena et al. People counting by learning their appearance in a multi-view camera environment
Kumar et al. Study of robust and intelligent surveillance in visible and multi-modal framework
Lim et al. iSurveillance: Intelligent framework for multiple events detection in surveillance videos
CN113160508B (zh) 一种基于人工智能的房车夜间安防系统及方法
KR101877294B1 (ko) 객체, 영역 및 객체가 유발하는 이벤트의 유기적 관계를 기반으로 한 복수 개 기본행동패턴 정의를 통한 복합 상황 설정 및 자동 상황 인지가 가능한 지능형 방범 ｃｃｔｖ 시스템
Zin et al. Unattended object intelligent analyzer for consumer video surveillance
Jeyabharathi et al. Vehicle Tracking and Speed Measurement system (VTSM) based on novel feature descriptor: Diagonal Hexadecimal Pattern (DHP)
Tang et al. Hybrid blob and particle filter tracking approach for robust object tracking
Lin et al. Left-luggage detection from finite-state-machine analysis in static-camera videos
Chauhan et al. Study of moving object detection and tracking for video surveillance
Ali Real‐time video anomaly detection for smart surveillance
Liu et al. A video drowning detection device based on underwater computer vision
Andersson et al. Activity recognition and localization on a truck parking lot
CN106128105B (zh) 一种交通路口行人行为监测系统
Dey et al. Moving object detection using genetic algorithm for traffic surveillance

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221129