[发明专利]一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法

说明书

本发明公开了一种基于深度学习模型Fast‑Rcnn改进的警情自动化判定方法，包括以下步骤：S1：图像采集，采用图像采集卡或视霸卡将CCD或是CMOS摄像机的模拟视频信号经A/D后存储，然后送计算机进行处理；S2：候选框确定；S3：深度网络提取特征，CNN网络在卷积层之后会接上若干个全连接层，将卷积层产生的特征图映射成一个固定长度的特征向量，使用该像素周围的一个图像块作为CNN的输入用于训练和预测；S4：图像分类，对于对象的实际类可以特定于目标设备，由适配器负责创建并返回适当的编写器；S5：图像尺寸调整；S6：结果预测，最后两个loss层要改成一个softmax层，利用这种算法只检测人体的移动的时候，可以对真实警情程度能有很好的预测。

技术领域

本发明涉及计算机软件技术领域，具体为一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法。

背景技术

目前有成千上万的家庭和商户安装了安防摄像头，大多数的摄像头具有这样的功能，即当安防警报被触发时，摄像头会自动抓拍现场图片并且传回后方的安防控制中心。目前对于这些图像的处理基本为人工处理，即后台有工作人员点开图片观看来判定是否确实有警情，以及是否需要出警。这样的处理方式不仅速度慢，而且不具有统一性。不同人员的判断标准不一样，对于警情的判断难以统一，而且同一个工作人员在同一时间的判断标准也可能不一样。举一个例子，当工作人员疲劳是，判断的准确性可能会下降。

还有一个问题就是数据量的大小问题。每年安防的用户都在增长，目前可能人力还处理的过来，但是当用户数量多到一定程度的时候，所需要的人力太多，成本也就随之上涨,所以目前用人力判断的方法具有很多的弊端。

发明内容

本发明的目的在于提供一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，不是通过检测物体的移动，而是利用算法只检测人体的移动的时候，对真实警情程度能有很好的预测，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，该警情自动化判定方法具体步骤如下：

S1：图像采集，采用图像采集卡或视霸卡将CCD(Charge Coupled Device，电荷耦合器件)或是CMOS(互补金属氧化物半导体)摄像机的模拟视频信号经A/D后存储，然后送计算机进行处理；

S2：候选框确定，图像归一化为224×224直接送入网络，前五阶段是基础的conv+relu+pooling形式，在第五阶段结尾，输入P个候选区域(图像序号×1+几何位置×4，序号用于训练)，roi_pool层将每个候选区域均匀分成M×N块，对每块进行max pooling。将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层；

S3：深度网络提取特征，CNN网络在卷积层之后会接上若干个全连接层,将卷积层产生的特征图映射成一个固定长度的特征向量，使用该像素周围的一个图像块作为CNN的输入用于训练和预测，程序中第6和32对应的是原网络中pool1和pool5层。整个网络输出的结果，你可以在最后通过输出结果对应到原网络大小，从而保存其他层的图片特征结果；

S4：图像分类，对于对象的实际类特定于目标设备，由适配器负责创建并返回适当的编写器，CIFAR102和CIFAR100数据库是Tiny的两个子集，分别包含了10类和100类物Images体类别；

S5：图像尺寸调整，oI池化层用于将不同大小的输入张量池化为固定大小，RoI池化层指定池化窗口的数量为W\times HW×H，每个池化窗口的大小是根据池化区域变化的，

S6：结果预测，最后两个loss层要改成一个softmax层，输入是分类的score，输出概率，最后对每个类别采用NMS，使用softmax得到分类，使用回归得到边框回归，CNN的主体结构可以来自于AlexNet，也可以来自于VGGNet。