[发明专利]基于YOLOv3的监控场景下的安防敏感物品检测方法

说明书

本发明涉及一种基于YOLOv3的监控场景下的安防敏感物品检测方法。包括以下步骤：步骤S1：分别采集刀具、枪械、行李箱、手提包、火焰的图像数据，构成安防敏感物品图像集；步骤S2：对下载好的图像进行人工标注，生成xml文件，以符合YOLOv3训练的要求；步骤S3：对处理好的数据进行若干数据增强；步骤S4：训练YOLOv3神经网络模型；步骤S5：将监控视频信息进行预处理，对监控视频中的物品进行检测。本发明方法着眼于计算机视觉对于安防领域的辅助作用，具有创新意义；且本发明方法的准确率高，时效性好，对于监控场景下的敏感物品检测具有一定效果。

技术领域

本发明涉及目标识别与计算机视觉领域，特别是一种基于YOLOv3的监控场景下的安防敏感物品检测方法。

背景技术

随着对安防的日益重视，监控产品越来越普及各行各业，智能安防理念也不断深入人心。传统的监控方法主要用于所发生事件的实时机械记录、主要以震慑盗窃者和事后取证为主。并不能对发生的违法犯罪事件起到阻拦作用。而对监控视频进行基于计算机视觉分析的智能安防监控则可以实时分析监控场景下的可疑物品及行为，及时进行报警，防范于未然。

智能安防包含若干技术，目标检测是其最重要的核心。近年来，目标检测算法愈发成熟并广泛应用在各个领域，2013年，Ross Girshick等提出了R-CNN，其是将CNN方法应用到目标检测上的一个里程碑，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化，但其仍存在几个明显的问题，如多个候选区域对应的图像需要预先提取，占用较大的磁盘空间，以及在归一化时导致信息丢失等。针对R-CNN特征提取过于耗时的问题，KaimingHe提出SPP-Net，在R-CNN的基础上做了实质性的改进，取消了图像归一化过程，解决了信息丢失问题，并且只需输入一次原图，便可得到每个候选区域的特征，在速度上有了较大提升，但其仍存在很多问题，其训练过程仍然是隔离的，无法整体训练参数，此外，无法同时Tuning在SPP-Layer两边的卷积层和全连接层，很大程度上限制了深度CNN的效果。2015年，R-CNN原作者Ross Girshick进一步提出了Fast-RCNN，Fast-RCNN借鉴了SPP-Net的思路，提出简化版的ROI池化层，同时加入了候选框映射功能，使得网络能够反向传播，解决了SPP-Net的整体网络训练问题，同时通过多任务Loss层进一步整合深度网络，统一了训练过程，从而提高了算法准确度。然而，Fast-RCNN依然没有解决ProposalRegion耗时的问题。2016年，由KamingHe与Ross Girshick共同提出的Faster-RCN，通过添加额外的RPN分支网络，将候选框提取合并到深度网络中。通过使用共享特征交替训练的方式，达到接近实时的性能。而在2015年，由Joseph Redmon等提出了YOLO，与R-CNN系列的方法对比，提供了另外一种思路，将Object Detection的问题转化成一个Regression问题。给定输入图像，直接在图像的多个位置上回归出目标的bounding box以及其分类类别，YOLO是一个可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，且速度极快。另外，YOLO直接选用整张图片训练模型，可以更好的区分目标和背景区域。2016年，YOLO原作者又提出了YOLOv2，针对YOLO利用全连接层的数据完成边框的预测，导致丢失较多的空间信息，定位不准的问题，作者在网络中去掉了全连接层，加入了anchor boxes。YOLOv2使用了K-means聚类方法类训练bounding boxes，可以自动找到更好的boxes宽高维度。此外，YOLOv2中每个卷积层后加入了Batch Normalization操作，且去掉了dropout技术，能提升模型收敛速度且有一定防止过拟合作用，对精度也有较大的提升。再之后，YOLO v3采用了上采样和特征图融合，将浅层的细节信息和深层的语义信息进行融合，并且多特征输出，这样做可以极大提升对小物体的检测效果