[发明专利]一种基于CNN的模糊异常视频识别方法在审
申请号: | 201811088546.1 | 申请日: | 2018-09-18 |
公开(公告)号: | CN109299687A | 公开(公告)日: | 2019-02-01 |
发明(设计)人: | 刘宏基 | 申请(专利权)人: | 成都网阔信息技术股份有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 成都弘毅天承知识产权代理有限公司 51230 | 代理人: | 刘东 |
地址: | 610041 四川省成都*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 异常视频 模糊 样本集 截取 样本 标签 预处理 训练数据集 人工智能 迭代训练 框架设置 人工分类 识别训练 网络文件 训练参数 运算效率 覆盖度 关键帧 训练集 研发 矫正 视频 筛选 图像 监控 网络 | ||
1.一种基于CNN的模糊异常视频识别方法,其特征在于:包括以下步骤:
S1、获取视频样本;
S2、对S1获取的视频样本进行处理;
S3、构建CNN网络结构,所述CNN网络结构为训练网络,此训练网络包括三个卷积层、两个池化层和一个输出层;
S4、将步骤S2处理后的样本送入步骤S3建立的训练网络中进行识别训练,训练完成后,用测试程序把得到的网络文件对未知样本集进行分类识别,再辅以人工矫正,进行迭代训练,得到最终的CNN网络。
2.根据权利要求1所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S3中的CNN网络结构由三个卷积层、两个池化层和一个输出层组成,其中:
第一层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第二层是池化层,按照最大值池化;
第三层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第四层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第五层是池化层,采用Relu激活函数;
第六层是输出层,采用Softmax激活函数。
3.根据权利要求1所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S2中对S1获取的视频样本进行处理的方法包括以下步骤:
S201、截取步骤S1中视频样本的关键帧;
S202、对步骤S201截取的视频关键帧图像进行样本分类,同时抽取测试集和训练集;
S203、对步骤S201截取的视频关键帧图像进行预处理,减少后续处理的计算量。
4.根据权利要求3所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S201中截取步骤S1中视频样本的关键帧采用OpenCV图形库进行图像截取。
5.根据权利要求3所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S202中对步骤S201截取的视频关键帧图像进行样本分类,将黑屏、蓝屏、花屏、模糊不清屏、用各种物品遮挡摄像头的图像归为模糊类,将剩下的清晰图像归为不模糊类。
6.根据权利要求3所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S203中对图像进行预处理的方法包括先进行灰度处理,然后进行图像压缩,最后进行像素值归一化处理。
7.根据权利要求1所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S4中进行识别训练的训练框架采用了动态学习率的算法和自动判收敛算法。
8.根据权利要求1所述的一种基于CNN的模糊异常视频识别方法,其特征在于:所述步骤S4中还包括对训练图像进行变换的方法,图像变换的方法包括横向平移、纵向平移,旋转、改变图像对比度、改变明亮度、设置模糊区域范围及模糊程度和调整噪声大小,并且对每类变换都可详细控制变换数量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于成都网阔信息技术股份有限公司,未经成都网阔信息技术股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811088546.1/1.html,转载请声明来源钻瓜专利网。