CN115457256A - 安全设施检测方法及系统 - Google Patents

Abstract

本申请公开了一种安全设施检测方法及系统，该方法包括：获取图像集，所述图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，所述图像集包括前景区域和背景区域；将所述图像集输入到预先建立的Faster‑RCNN级联网络结构中，筛选出包含目标的前景图像，所述预先建立的Faster‑RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；根据预先构建的异常检测模型，对所述包含目标的前景图像进行异常检测。本申请实施例采用计算机视觉检测，基于个性化模型和Faster‑RCNN深度学习框架进行视觉智能信息处理，将人工审核工作转化为人工智能技术的自动检测，极大地减轻了审核管理员、监理人员的工作压力，节约人力资源，提升安全管理水平。

Description

安全设施检测方法及系统

技术领域

本申请涉及网络安全领域，尤其涉及一种安全设施检测方法及系统。

背景技术

在一些针对通信基站施工安全检查的场景中，主要是采用人工检测方式进行。人工检测是指监理人员定期对工作人员的工作环境的合规性进行巡视检查，即设备的外观是否存在异常，仪表数据是否正常，设备的气味、触觉是否正常，以及允许触摸的识别温度是否正常等进行检查，尤其是作业人员有没有正确佩带安全带和安全帽。

由于每年都新增大量基站，且施工团队水平参差不齐，为保证质量，需要投入大量的人力对项目进行监管、审查和检查，这就需要耗费大量的人力成本和时间成本，效率较低。

发明内容

本申请实施例提供一种安全设施检测方法及系统，以解决现有技术中人工检查需要耗费大量人力成本，效率较低的问题。

为了解决上述技术问题，本申请是这样实现的：

第一方面，提供了一种安全设施检测方法，该方法包括：

获取图像集，所述图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，所述图像集包括前景区域和背景区域；

将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，所述预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；

根据预先构建的异常检测模型，对所述包含目标的前景图像进行异常检测。

第二方面，提供了一种安全设施检测系统，该系统包括：

获取模块，用于获取图像集，所述图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，所述图像集包括前景区域和背景区域；

筛选模块，用于将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，所述预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；

检测模块，用于根据预先构建的异常检测模型，对所述包含目标的前景图像进行异常检测。

第三方面，提供了一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。

在本申请实施例中，首先获取图像集，图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，图像集包括前景区域和背景区域；将图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；根据预先构建的异常检测模型，对包含目标的前景图像进行异常检测。本申请实施例采用计算机视觉检测，基于个性化模型和Faster-RCNN深度学习框架进行视觉智能信息处理，将人工审核工作转化为人工智能技术的自动检测，极大地减轻了审核管理员、监理人员的工作压力，节约人力资源，提升安全管理水平。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本申请实施例提供的安全设施检测方法的流程图；

图2是本申请实施例提供的安全设施检测系统的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的一种安全设施检测方法及系统进行详细地说明。

如图1所示，为本申请实施例提供的一种安全设施检测方法的流程图。如图2所示，该安全设施检测方法可以包括：步骤S101至步骤S103所示的内容。

在步骤S101中，获取图像集，图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，图像集包括前景区域和背景区域。

在本申请实施例中，图像集可以是拍摄的多张图像，也可以是从获取的视频中截取的多个视频帧后得到的图像。也就是，本申请实施例中可以通过多张图像进行安全设施的检测，也可以通过视频进行安全设施检测。

其中，安全设备可以包括安全带、安全帽等。

值得说明的是，获取的图像集中可以包括正确佩带安全设备的图像、通信设备安装正确的图像，也可以未正确佩带安全设备的图像，通信设备安装错误的图像。

进一步地，可以对上述图像中为正确佩带安全设备的图像和通信设备安装错误的图像进行标记，以训练异常检测模型。

具体地，可以标记多张图像，随机选取其中一部分放入训练集，另一部分放入验证集，对数据进行训练，得到异常检测模型。进一步地，在异常检测模型训练完成后，可以对图像集中的任意图像进行异常检测，以验证该异常检测模型是否可以准确检测。

在步骤S102中，将图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像。

其中，预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的。

在本申请实施例中，为了更好地进行目标检测，将未正确佩带安全设备的图像以及通信设备安装错误的图像检测出来，本申请实施例构建了Faster-RCNN级联网络结构，将带径向基(Radial Basis Function，RBF)核函数的支持向量机分类器引入到区域生成网络(Region Proposal Network，RPN)中，对前景区域和背景区域进行分类并将背景图像筛除，仅将包含目标的前景图像送入后续检测步骤。其中，RBF核函数能将样本映射到高维空间，其拟合能力显著优于softmax等回归分类方法。

本申请实施例中的Faster-RCNN级联网络结构采用独立的支持向量机(SupportVector Machine，SVM)网络进一步提高了区域建议质量，过滤目标对象的背景区域，从而使区域建议更符合物体识别的要求。可以将来自不同对象的区域预测图像特征相互融合，信息互补利用，使得分类更加准确。

在步骤S103中，根据预先构建的异常检测模型，对包含目标的前景图像进行异常检测。

在本申请实施例中，首先获取图像集，图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，图像集包括前景区域和背景区域；将图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；根据预先构建的异常检测模型，对包含目标的前景图像进行异常检测。本申请实施例采用计算机视觉检测，基于个性化模型和Faster-RCNN深度学习框架进行视觉智能信息处理，将人工审核工作转化为人工智能技术的自动检测，极大地减轻了审核管理员、监理人员的工作压力，节约人力资源，提升安全管理水平。

在本申请的一个可能的实施方式中，将图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，可以包括以下步骤。

将图像集输入到预先建立的Faster-RCNN级联网络结构中，进行卷积计算，得到特征图；提取特征图中的目标图像，目标图像包括不同形态的目标；对目标图像进行二分类筛选，得到含目标的前景图像。

在本申请实施例中，将RPN网络学习输入图像的纹理特征，生成大量的可能性区域并输入后续的SVM网络，用二分类方法筛选出前景图像，弥补了RPN网络的不足。

在本申请的一个可能的实施方式中，对目标图像进行二分类筛选，得到包含目标的前景图像，可以包括以下步骤。

利用带径向基核函数的支持向量机分类器对目标图像进行二分类筛选，径向基核函数具有两个惩罚参数。

在本申请实施例中，检测结果主要取决于SVM的前景区域和背景区域的分类精度，而优异的分类能力，取决于RBF核函数的惩罚参数C和λ。为了提高SVM模型的准确率，利用带有引力搜索算子的正态变异猫群算法对惩罚参数进行优化。

具体地，每只猫代表着一组C和λ的向量，有两个维度。算法的目标是寻找最好的猫个体，即寻找最好的C和λ。

由于深度神经网络的分类任务中，在输出层常用的分类算法包括多项式逻辑回归、softmax函数和支持向量机等，其中针对二分类问题，SVM分类器是最常用的算法。其只需少量的训练样本就可以求得全局最优解，因此广泛应用于目标检测、目标分类、非线性回归和模式识别等领域。

进一步地，该利用带径向基核函数的支持向量机分类器对目标图像进行二分类筛选，具体包括：利用带有引力搜索算子的正态变异猫群算法优化惩罚参数，得到最优惩罚参数；将最优惩罚参数输入到支持向量机分类器中，将目标的前景区域图像和背景区域图像进行分类。

在本申请的一个可能的实施方式中，利用带有引力搜索算子的正态变异猫群算法优化惩罚参数，得到最优惩罚参数，可以包括以下步骤。

初始化猫群的位置和速度，每只猫对应一组惩罚参数；评价每只猫的适应度值；采用混合比例进行模式分配，模式包括搜索模式和追踪模式；若猫的模式为搜索模式，则利用正态分布曲线更新各猫的位置；若猫的模式为追踪模式，则通过惯性权重值和加速常数项更新各猫的位置；利用引力搜索算子优化更新后的各猫的位置，得到新的位置；判断是否满足终止条件，若满足，则终止，若不满足，则采用混合比例进行模式分配。

在本申请实施例中，惩罚参数决定了支持向量机的学习和泛化能力，优化后的惩罚参数对应的目标函数获得边缘最大化，使得支持向量机对前景图像和背景图像的分类达到最高的准确度。

具体地，SVM采用线性模型，将非线性输入向量引入多维空间，生成非线性类边界，从而在多维空间中建立了一个最大间隔超平面来进行精确分类。

给定一分类训练样本集(x_i,y_i)，其中y_i∈{-1,1}x_i∈R^d i＝1,2,3,......,n。非线性映射函数

将输入的样本空间映射到高维特征空间，之后在高维空间构造线性分类函数，判别函数为：

其中，sgn(x)为符号函数；ω为权值向量，b为偏移向量。

根据结构风险最小化原则，待解决的最优问题如下所示：

其中，C为误差惩罚因子，具有控制样本分类对错惩罚程度的作用，实现在错分样本比例和算法复杂度之间的折衷；ξ_i为松弛变量。

对于SVM模型，径向基核函数作为非线性函数可以降低训练过程的计算复杂度，因此采用RBF作为SVM的核函数。

径向基核函数的表达公式为：

K(x_i,x_j)＝exp(-λ||x_i-x_j||²),λ>0

其中，C和λ是需要精确调整的核心参数，C是误差惩罚系数，以控制误差样本的惩罚程度，而核函数参数λ主要影响空间中样本数据分布的复杂度。参数C和λ决定了支持向量机的学习和泛化能力，优化后的目标函数获得边缘最大化，此时的支持向量机对前景/背景图像分类达到最高的准确度。

进一步地，正态变异猫群算法采用混合比例(MR)来确定猫群搜索模式的分配，调节猫的模式是搜索还是追踪。

其中，搜索模式为：猫群持续环顾搜索来确定最佳位置，处于静止但警觉的状态。对于猫群中个体而言，对猎物的感知范围是从猫当前的静止位置开始逐渐减小的。正态变异猫群算法(NMCSO)利用正态分布曲线来表示猫在静止位置的感知特性，即使用正态分布曲线模型来更新搜索模式下亲本猫的位置，而不是基于变化域(SRD)百分比方式对亲本位置进行变异。在亲本位置附近变异概率更小，而远离亲本位置变异概率更大。正态分布密度函数与均值μ和标准差σ的关系表达式为：

其中，μ为零均值；σ为标准偏差。

正态随机数N可以表示为：

N(μ,σ²)＝μ+σN(0,1)

其中，N(0,1)为一个具有零均值(μ＝0)和标准偏差为1(σ＝1)的标准正态分布随机数。零均值μ和变化的标准偏差σ产生正态分布随机变异，从而引导猫进行位置更新，并始终随机分布在亲本猫的感知范围内，猫通过在精准区间内环顾四周，来寻找下一个位置。

正态变异后个体的位置x_i ^m可以表示为：

x_i ^m＝x_i+N(0,σ²)＝x_i+σN(0,1)

其中，x_i为第i只猫的位置。

追踪模式为：猫快速改变位置来对猎物展开持续追踪，每只猫下一时刻的位置向量取决于速度和群体全局最优位置。d维空间第i只猫的位置和速度分别为x_i,d＝(x_i,1,x_i,2,x_i,3...,x_i,D)和v_i,d＝(v_i,1,v_i,2,v_i,3...,v_i,D)。全局最优解为x_g,d＝(x_g,1,x_g,2,x_g,3...,x_g,D)。

第i只猫的速度可以通过以下公式计算：

v_i,d＝w*v_i,d+c*r*(x_g,d-x_i,d)

其中，w为惯性权重值，c为加速常数项，r为一个[0,1]之间的随机数。在每一次移动后第i只猫新的位置可以如下表示：

x_i,d ⁿ＝x_i,d+v_i,d

如果猫在任意维度上的位置超出搜索范围，则将此猫的速度向量置为边界值，并赋予-1值来开始反向搜索。最后，对群体中每只猫进行适应度值评估，算法完成1次迭代并得到全局最优解。

在本申请的一个可能的实施方式中，利用引力搜索算子优化更新后的各猫的位置，得到新的位置，可以包括以下步骤。

利用下式计算新的猫群中各猫的重力和惯性质量：

其中，m_i,d为第i只猫在d维空间中的重力；f(x)为猫的适应度值；x_i,d为第i只猫在d维空间中的位置；x_j,d为第j只猫在d维空间中的位置；w(t)为第猫的集合；M_i,d为第i只猫在d维空间中相对于其它猫的惯性质量；

从所有猫中选择质量最大的个体组成优越猫群集合，对剩余猫施加引力，得到各猫的新位置，各猫的新位置如下式所示：

x'_i,d＝x_i,d+F_i,d/M_i

其中，x'_i,d为第i只猫在d维空间中的新位置；F_i,d为第i只猫在d维空间中受到的引力总和；M_i为第i只猫的被动惯性质量；rand(0,1)是随机数函数，返回的值是0到1之间的实数；F_i,j,d为第i只猫在d维空间中受到第j只猫的引力；R为优越猫群集合；G为引力常量；M_j为第j只猫的被动惯性质量；r_i,j为第i只猫与第j只猫之间的欧式距离；ε为常数。

也就是，本申请实施例中将引力搜索算子引加入NMCSO算法流程中，可以使每只猫的位置受到其他最佳位置的猫的引力作用，在下次迭代前产生更好的位置信息并持续改进种群信息，可以避免早熟收敛和局部最优问题，从根本上提升种群多样性。还可以通过较好位置的猫来更新全部种群位置，作为下次迭代的初始位置，避免了无效搜索，有效提升算法优化速率。

在本申请实施例中，引力搜索算子通过猫之间的相互引力作用来改变猫在各维度的位置信息，最优猫的位置信息在群体中共享，以确保每只猫都能利用全局最优位置信息改善较差维度上的位置信息。在每次迭代后，群体中每只猫的位置信息，都受到较好位置猫的吸引从而进行位置更新，在下一次迭代前产生更好的种群位置，以提高优化精度，加速寻优过程。

本申请实施例提供的基于引力-正态变异猫群算法(GS-NMCSO)的Faster-RCNN网络优化的具体过程如下所示。

首先，初始化GS-NMCSO的运行参数：种群规模、最大迭代次数、PMO(变异概率)、CDC(尺寸改变计数)、SMP(搜索内存池)、SRD(变化域)、初始速度和位置等。其次，定义SVM的相关参数，猫种群维度为2，将猫的初始位置传送至SVM的RBF核函数参量C和λ，C和λ的初始值随机生成且分别在[0.1,2000]和[0.01,50]范围内。再次，RPN网络从输入图像中随机选取锚定框来训练SVM模型，将图像转化为一组特征值，即一组位置坐标和评分。同时，设正样本与负样本的比例为1:1以确保数据平衡。由于通信设备图像中未包含目标的负样本数量远大于正样本的数量，因此在部分正样本中填充若干负样本。然后，GS-NMCSO算法根据MR进行搜索模式和跟踪模式猫群的划定，优化过程中评估所有猫的适应度值。搜索模式下基于正态分布曲线更新猫群位置以获得精确的局部搜索能力，追踪模式下进行持续速度和位置更新，如果猫当前位置的适应度值优于最优值，则将最优值更新为当前的位置。搜索和追踪步骤重复，在每次迭代完成后，基于引力搜索算子对猫群位置进行更新，得到下一次迭代的更优初始位置信息。然后进行终止条件判断。若符合，输出并记录全局最优值。若不符合，则返回上述步骤继续寻优。将GS-NMCSO的全局最优值即参量C和λ输入SVM，实现RPN网络输出目标的前景和背景二分类。

在本申请的一个可能的实施方式中，在获取图像集之后，方法还可以包括：根据图像集，训练异常检测模型。

进一步地，根据图像集，训练异常检测模型，包括：利用图像集中的异常图像，训练异常检测模型，异常图像为安装不合格的通信设备图像和佩带不合格的安全设备图像。

具体地，在上述实施例中已经详细描述，考虑文本简洁，本申请实施例不再赘述。

在本申请的一个可能的实施方式中，还可以包括：针对GS-NMCSO算法执行及效果校验。

针对引力正态变异猫群算法(GS-NMCSO)对SVM核函数的优化效果，通过应用几种群智能优化算法进行对比实验，来验证迭代速度和优化精度，适应度函数为个体输出值的均方误差，均方误差得到极小值代表群体寻得全局最优解。

本申请实施例中引入几种群智能优化领域应用最广泛、效果最好的算法进行比较，包括：经典猫群算法(CSO)，量子粒子群优化算法(QPSO)和柯西猫群算法(CMCSO)。所有个体评估维度为2，即代表一组参量(C和λ)，搜索范围分别是[0.1,2000]和[0.01,50]，最大迭代次数为100。由于算法存在随机性，对本文待解决的SVM核函数优化问题，四种算法分别执行20次独立运算，取最优值和平均值进行对比。

表1中给出了分别进行20次实验后得到的最优值和平均值，累计产生2000组SVM核函数参量(C和λ)样本数据。

表1几种算法的最佳适应度值

如表1所示，GS-NMCSO算法的适应度最优值和平均值均小于CSO、QPSO和CMCSO算法，收敛速度最快，精度最高，无论收敛速度还是寻优精度都好于CMCSO，CSO和QPSO，在SVM核函数优化方面效果最好。这是因为GS-NMCSO利用正态分布的优势，在搜索阶段确保更新的位置始终分布在静态猫的感知范围内，提升了搜索精度，而在迭代完成后，通过适应度更好的猫的集合对种群施加引力作用，实现下次迭代前猫群初始位置的更新，提升了全局优化能力。但是，由于算法流程中包括正态变异和引力优化的环节，GS-NMCSO的处理流程更复杂，对系统的计算能力要求更高。

在本申请的一个具体地实施方式中，利用独立采集的5G基站环境下安全带，安全帽图像，对深度学习模型的准确率和误识别率进行测试，正样本率98.8％，负样本率97.9％。

通过手机摄像头采集，到识别出客户身份及是否佩带安全帽，安全带，全流程仅1-3秒，处理效率高。

单个图像视界内支持同时10个人的识别和比对，多人处理能力强，准确度不下降。

实现安全施工视频资料收集200TB，数据库新增高清全身照片图像80万张，极大地丰富了工程安全检测图像库，总体佩带安全帽安全带的全身照片超过5万张。

项目开发完成后并上线使用，应用效果良好，极大地提升了工程建设安全管理水平。通过收集全量施工人员的图像数据，通过偏转、转置、倾斜处理，已建立1.5万张高质量图片训练样本库，覆盖工程建设全量施工人员，包括3个批次的4000余张人脸图像，以及佩带安全设备的全身照3500张，并完成了正、负样本的精确标注。基于GPU集群完成50轮次模型训练后，生成物体检测模型，进一步提升检测效率，节省检测时间。

如图2所示，为本申请实施例提供的一种安全设施检测系统的示意图。如图2所示，该安全设施检测系统应用于证明者终端侧，该安全设施检测系统可以包括：获取模块201、筛选模块202和检测模块203。

具体地，获取模块201，用于获取图像集，图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，图像集包括前景区域和背景区域；筛选模块202，用于将图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；检测模块203，用于根据预先构建的异常检测模型，对包含目标的前景图像进行异常检测。

在本申请实施例中，首先获取模块201获取图像集，图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，图像集包括前景区域和背景区域；然后筛选模块202将图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；最后检测模块203根据预先构建的异常检测模型，对包含目标的前景图像进行异常检测。本申请实施例采用计算机视觉检测，基于个性化模型和Faster-RCNN深度学习框架进行视觉智能信息处理，将人工审核工作转化为人工智能技术的自动检测，极大地减轻了审核管理员、监理人员的工作压力，节约人力资源，提升安全管理水平。

可选地，筛选模块包括：计算单元、提取单元和筛选单元。

其中，计算单元，用于将图像集输入到预先建立的Faster-RCNN级联网络结构中，进行卷积计算，得到特征图；提取单元，用于提取特征图中的目标图像，目标图像包括不同形态的目标；筛选单元，用于对目标图像进行二分类筛选，得到含目标的前景图像。

可选地，筛选单元用于：利用带径向基核函数的支持向量机分类器对目标图像进行二分类筛选，径向基核函数具有两个惩罚参数。

利用带径向基核函数的支持向量机分类器对目标图像进行二分类筛选，包括：利用带有引力搜索算子的正态变异猫群算法优化惩罚参数，得到最优惩罚参数；将最优惩罚参数输入到支持向量机分类器中，将目标的前景区域图像和背景区域图像进行分类。

可选地，筛选单元用于：初始化猫群的位置和速度，每只猫对应一组惩罚参数；评价每只猫的适应度值；采用混合比例进行模式分配，模式包括搜索模式和追踪模式；若猫的模式为搜索模式，则利用正态分布曲线更新各猫的位置；若猫的模式为追踪模式，则通过惯性权重值和加速常数项更新各猫的位置；利用引力搜索算子优化更新后的各猫的位置，得到新的位置；判断是否满足终止条件，若满足，则终止，若不满足，则采用混合比例进行模式分配。

本申请所述的安全设施检测系统的功能已在图1所示的方法实施例中进行了详细的描述，故本实施例的描述中未详尽之处，可参见前述实施例中的相关说明，在此不再赘述。

可选地，本申请实施例还提供一种终端设备，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述安全设施检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

可选地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述安全设施检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁碟或者光盘等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种安全设施检测方法，其特征在于，包括：

获取图像集，所述图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，所述图像集包括前景区域和背景区域；

将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，所述预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；

根据预先构建的异常检测模型，对所述包含目标的前景图像进行异常检测。

2.根据权利要求1所述的方法，其特征在于，所述将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，包括：

将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，进行卷积计算，得到特征图；

提取所述特征图中的目标图像，所述目标图像包括不同形态的目标；

对所述目标图像进行二分类筛选，得到含所述目标的前景图像。

3.根据权利要求2所述的方法，其特征包在于，所述对所述目标图像进行二分类筛选，得到包含所述目标的前景图像，包括：

利用带径向基核函数的支持向量机分类器对所述目标图像进行二分类筛选，所述径向基核函数具有两个惩罚参数；

所述利用带径向基核函数的支持向量机分类器对所述目标图像进行二分类筛选，包括：

利用带有引力搜索算子的正态变异猫群算法优化所述惩罚参数，得到最优惩罚参数；

将所述最优惩罚参数输入到所述支持向量机分类器中，将所述目标的前景区域图像和背景区域图像进行分类。

4.根据权利要求3所述的方法，其特征在于，所述利用带有引力搜索算子的正态变异猫群算法优化所述惩罚参数，得到最优惩罚参数，包括：

初始化猫群的位置和速度，每只猫对应一组惩罚参数；

评价每只猫的适应度值；

采用混合比例进行模式分配，模式包括搜索模式和追踪模式；

若所述猫的模式为搜索模式，则利用正态分布曲线更新各猫的位置；

若所述猫的模式为追踪模式，则通过惯性权重值和加速常数项更新各猫的位置；

利用引力搜索算子优化更新后的各猫的位置，得到新的位置；

判断是否满足终止条件，若满足，则终止，若不满足，则采用混合比例进行模式分配。

5.根据权利要求4所述的方法，其特征在于，所述利用引力搜索算子优化更新后的各猫的位置，得到新的位置，包括：

利用下式计算新的猫群中各猫的重力和惯性质量：

其中，m_i,d为第i只猫在d维空间中的重力；f(x)为猫的适应度值；x_i,d为第i只猫在d维空间中的位置；x_j,d为第j只猫在d维空间中的位置；w(t)为第猫的集合；M_i,d为第i只猫在d维空间中相对于其它猫的惯性质量；

从所有猫中选择质量最大的个体组成优越猫群集合，对剩余猫施加引力，得到各猫的新位置，各猫的新位置如下式所示：

x'_i,d＝x_i,d+F_i,d/M_i

其中，x'_i,d为第i只猫在d维空间中的新位置；F_i,d为第i只猫在d维空间中受到的引力总和；M_i为第i只猫的被动惯性质量；rand(0,1)是随机数函数，返回的值是0到1之间的实数；F_i,j,d为第i只猫在d维空间中受到第j只猫的引力；R为优越猫群集合；G为引力常量；M_j为第j只猫的被动惯性质量；r_i,j为第i只猫与第j只猫之间的欧式距离；ε为常数。

6.根据权利要求1所述的方法，其特征在于，在所述获取图像集之后，所述方法还包括：

根据所述图像集，训练异常检测模型；

根据所述图像集，训练异常检测模型，包括：

利用所述图像集中的异常图像，训练所述异常检测模型，所述异常图像为安装不合格的通信设备图像和佩带不合格的安全设备图像。

7.一种安全设施检测系统，其特征在于，包括：

获取模块，用于获取图像集，所述图像集包括不同形态的通信设备图像和不同佩带安全设备的图像，所述图像集包括前景区域和背景区域；

筛选模块，用于将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，筛选出包含目标的前景图像，所述预先建立的Faster-RCNN级联网络结构为将带径向基核函数的支持向量机分类器引入到区域生成网络中得到的；

检测模块，用于根据预先构建的异常检测模型，对所述包含目标的前景图像进行异常检测。

8.根据权利要求7所述的系统，其特征在于，所述筛选模块包括：

计算单元，用于将所述图像集输入到预先建立的Faster-RCNN级联网络结构中，进行卷积计算，得到特征图；

提取单元，用于提取所述特征图中的目标图像，所述目标图像包括不同形态的目标；

筛选单元，用于对所述目标图像进行二分类筛选，得到含所述目标的前景图像。

9.根据权利要求8所述的系统，其特征在于，所述筛选单元用于：

利用带径向基核函数的支持向量机分类器对所述目标图像进行二分类筛选，所述径向基核函数具有两个惩罚参数；

所述利用带径向基核函数的支持向量机分类器对所述目标图像进行二分类筛选，包括：

利用带有引力搜索算子的正态变异猫群算法优化所述惩罚参数，得到最优惩罚参数；

将所述最优惩罚参数输入到所述支持向量机分类器中，将所述目标的前景区域图像和背景区域图像进行分类。

10.根据权利要求9所述的系统，其特征在于，所述筛选单元用于：

初始化猫群的位置和速度，每只猫对应一组惩罚参数；

评价每只猫的适应度值；

采用混合比例进行模式分配，模式包括搜索模式和追踪模式；

若所述猫的模式为搜索模式，则利用正态分布曲线更新各猫的位置；

若所述猫的模式为追踪模式，则通过惯性权重值和加速常数项更新各猫的位置；

利用引力搜索算子优化更新后的各猫的位置，得到新的位置；

判断是否满足终止条件，若满足，则终止，若不满足，则采用混合比例进行模式分配。

Images