[发明专利]基于大数据和深度学习技术的视频智能监控系统

说明书

本发明公开了一种基于大数据和深度学习技术的视频智能监控系统，包括视频采集模块，该视频采集模块连接有视频智能处理模块，所述视频智能处理模块与视频图像大数据库相连，并将分析结果输出至视频智能监控终端。基于海量视频图像数据，利用深度学习技术，提取场景中的关键信息，更准确地识别分析，从而能够更加有效的协助安全人员处理危机，并最大限度的降低误报和漏报现象。

技术领域

本发明涉及一种视频智能监控系统，具体而言，涉及一种基于大数据和深度学习技术的视频智能监控系统。

背景技术

随着互联网、移动智能终端、物联网等信息与通信技术的迅猛发展，以及计算机存储和计算能力的不断提升，各种数据的爆炸式增长和持续获取成为可能，大数据时代悄然而至。相较于传统的数据，人们将大数据的特征总结为5个v，即体量大(volume)、速度决(velocity)、模态多(variety)、难辨识(veracity)和价值大密度低(value)。如何分析大数据，充分挖掘大数据的潜在价值，成为需要深入探讨的科学问题。

在互联网领域，网络流量监测是获取网络流量指标和网络用户行为参数的最有效手段。随着互联网用户的日益增多，互联网需要研宄和分析的数据也在不断增多，如何从海量的用尸流量数据中挖掘出流量规律和用户行为规律(即如何进行互联网流量大数据分析)，就成为业内亟需解决的技术难题。

深度学习是近十年来人工智能领域取得的最重要的突破之一，通过建立类似于人脑的分层模型结构对输入数据逐级提取从底层到高层的特征从而能很好地建立从底层信号到高层语义的映射关系。神经网络是对生物上大脑学习方式进行建模。当尝试进行一个新任务时，一系列特定的神经元集合会被激活。观察到结果，接下来利用反馈来调整哪些神经元应该被激活，以此来训练大脑。多次之后，一些神经元之间的联系将变强而另外一些则变弱，这就形成了记忆的基础。传统的神经网络具有很强的非线性能力，但是非常明显的缺点是参数数量多、收敛速度慢、容易过拟合等，20世纪计算机的计算能力比较薄弱，而且支持向量机等机器学习方法的兴起，导致神经网络(Artificial Neural Network)并没有得到重视。

基于深度神经网络的学习算法(简称深度学习方法)，作为成功的大数据分析方法，己为学术界和工业界所熟知。与传统方法相比，深度学习方法以数据驱动、能自动地从数据中提取特征(知识)，对于分析非结构化、模式不明多变、跨领域的大数据具有显著优势。

目前，在互联网流量大数据分析中使用的深度学习方法是基于前馈神经网络的深度学习方法，而前馈神经网络的特点是同层神经元之间没有反馈连接，没有“时间参数属性，所以基于前馈神经网络的深度学习方法只擅长处理静态数据，却无法处理动态数据(即与时间相关的数据)，实时性较差，满足不了人们对互联网流量大数据分析日益增长的高要求。此外，当前在互联网流量大数据分析中，受各种故障的影响，网络流量监测设备监测的数据会有缺失，进而会因监测的数据不完整而严重影响后续互联网流量大数据分析的精度。

目前基于大数据的深度学习仍处于刚起步阶段，是当前国际大数据领域的研究热点。但在实际应用中面临着网络参数设定、训练模式选择、分类器标签等问题，仍需进一步研究和探索，且当前深度学习多应用语音和图像搜索等领域，在视频智能分析领域的应用还很少。

发明内容

本发明的目的在于克服现有技术存在的以上问题，提供一种基于大数据和深度学习技术的视频智能监控系统，基于海量视频图像数据，利用深度学习技术，提取场景中的关键信息，更准确地识别分析，从而能够更加有效的协助安全人员处理危机，并最大限度的降低误报和漏报现象。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于大数据和深度学习技术的视频智能监控系统，包括视频采集模块，该视频采集模块连接有视频智能处理模块，所述视频智能处理模块与视频图像大数据库相连，并将分析结果输出至视频智能监控终端，其中，所述视频智能处理模块的智能监控处理方法包括：