[发明专利]一种目标检测及跟踪的视频监控系统及方法

权利要求书

1.一种目标检测及跟踪的视频监控系统，其特征在于：包括图像采集设备、嵌入式单元、交换机以及PC机，所述交换机分别与PC机、图像采集设备和嵌入式单元连接，所述交换机与图像采集设备之间连接有转换模块；

所述转换模块为USB转RS485装置；

所述嵌入式单元包括目标检测模块和信息处理模块。

2.根据权利要求1所述的目标检测及跟踪的视频监控系统，其特征在于：所述图像采集设备为网络云台摄像机、云台搭载的网络枪机、云台搭载的USB摄像头或者云台搭载的摄像机模组。

3.根据权利要求1所述的目标检测及跟踪的视频监控系统，其特征在于：所述嵌入式单元为卡片电脑。

4.根据权利要求1至3任一项所述的目标检测及跟踪的视频监控系统的方法，其特征在于：包括如下步骤：

步骤一、视频采集

视频采集由前端图像采集设备和视频解码设备组成，并获得包括目标物体的实时视频流；

步骤二、目标检测

通过分析获得的实时视频流，获得目标物体种类、数量、位置及大小信息；

步骤三、信息处理

根据连续时间内的目标物体相关信息进行实时处理；

步骤四、信息传输

将目标物体的预判位置、大小及速度信息发送给图像采集设备；

也将图像采集设备发送的用户操作指令返回给嵌入式单元，实现嵌入式单元与图像采集设备之间的双向通讯；

步骤五，图像采集设备的控制

根据目标物体的预判位置、大小及速度信息，判断目标物体在画面中的位置，以及与中心区域的偏差，图像采集设备执行对应速度的3D算法，将目标物体移动到视场中心区域。

5.根据权利要求4所述的目标检测及跟踪的视频监控系统的方法，其特征在于：所述步骤二中，目标检测主要包括如下步骤：

(1)采集实时视频

通过调用OpenCV库或者FFMPEG解码库，开辟视频获取子线程，获得实时视频流，该线程会一直工作，直至程序结束或异常退出；

(2)载入深度学习模型

该模型是根据实际场景以及特定检测目标，应用基于深度学习算法的yolo框架预先训练出深度学习模型；

(3)计算物体位置、大小、类别及所属类别的置信概率

将所述深度学习模型载入到嵌入式单元的内存中，在采集实时视频的同时，将每帧视频流输入该模型进行计算，获得目标物体位置、大小、类别及所属类别的置信概率；

采集在测试过程中发现的画面中的误检漏检目标，将这些误检漏检目标图像加入训练集再次训练，得出该场景下准确率最高的模型；

(4)置信概率与设定阈值进行比较

在获得目标物体置信概率后，并与设定阈值比较：大于设定阈值，则程序继续判断目标物体；如果小于设定阈值，则舍弃该组检测数据，返回采集实时视频，开始下一帧目标检测；

(5)判断目标是否在有效区域

根据目标物体位置判断是否在有效区域内，如果在有效区域，则程序继续判断目标物体；如果不在有效区域，则舍弃该组检测数据，返回采集实时视频，开始下一帧目标检测；

(6)目标类别是否为特定检测目标

在阈值判断和有效区域判断后，需要判断目标的种类是否符合用户接口输入的特定种类，如果符合特定种类，则为有效目标，进入信息处理步骤继续处理；若为无效目标，则检测数据被舍弃，返回采集实时视频。

6.根据权利要求5所述的目标检测及跟踪的视频监控系统的方法，其特征在于：所述步骤3中，所述误检漏检目标为像素占比较少的小目标，或者在各种光线变化和外来无关事物的干扰下误检漏检的目标。