[发明专利]基于视频监控平台的可疑人员入侵的检测方法

说明书

本发明涉及一种基于视频监控平台的可疑人员入侵的检测方法，包括下列的步骤：数据集的建立：采集用于人员检测的监控视频，对每一段监控视频进行帧提取，对数据集中的每张图片进行真实目标的人工标记；利用Kmeans聚类算法对数据集中标记的真实目标进行聚类分析，得出不同的长宽组合；Yolov3网络的训练：用数据集对yolov3网络进行训练，训练的损失函数三个部分，即目标框的回归损失、目标框分类判别的置信度损失和分类损失，采用随机梯度下降法对损失函数进行优化；网络最终的输出包含三个尺度的信息，分别检测大中小不同尺度大小的人员。

技术领域

本发明属于计算机视觉领域的目标检测任务，应用本发明的方法可以对特定区域进行人员的实时检测，并对可疑人员的入侵做出及时的预警。

背景技术

近些年来，安防工作逐渐成为人们着重关注的问题。近年来随着监控领域的迅速发展，大多数场所采用人工观看监控视频的手段来对周边的情况进行实时的观测，但是这种做法会极大地消耗人力，且无法做到全天候的监测，存在巨大的安全隐患。另外，一些场所会采用红外对射仪器、微波对射仪器、电网等手段进行可疑人员的检测，但是上述方案防护等级低，而且容易受到客观环境的影响，如强光、雨、雪、雾等，导致误报率很高。

随着计算机视觉领域的飞速发展，智能视频监控系统应运而生。其中目标检测是又一个很重要的研究领域。特别的，国内外科研工作者对人员检测领域进行了深入的研究。传统的人员检测手段主要分为图片的预处理、特征提取、分类判别等几个步骤，其中最重要的一个环节就是特征提取，常用的特征涉及到梯度直方图HOG特征、局部二值模式LBP特征、积分通道特征ICF等等。分类判别阶段主要是通过训练人员检测的分类器对之前提取的特征进行分类，主要方法包含支持向量机SVM、可变部件模型DPM等等。

目前，随着计算机计算能力的不断提升，深度学习进入了飞速发展的阶段，利用深度学习进行目标检测逐渐成为了科研工作者们的主攻方向之一。一些经典的检测网络使得目标检测的效果及效率得到了极大的提升，以Faster-RCNN为代表的两阶段目标检测网络得到了很高的检测精度，而以Yolo为代表的单阶段目标检测网络则极大的缩短了检测时间。

对于实际监控场景下的人员检测，存在以下几个特点：监控图像中的人员与摄像头呈现一定的倾角、人员距离摄像头的远近导致的多尺度问题、人体姿态的多样性等等。目前一些主流的深度学习检测网络无法很好的兼顾上述几个问题。

发明内容

本发明提出一种适用于实际监控场景下的可疑人员实时检测方法。本发明的技术方案如下：

一种基于视频监控平台的可疑人员入侵的检测方法，包括下列的步骤：

1)数据集的建立：采集用于人员检测的监控视频，对每一段监控视频进行帧提取，对数据集中的每张图片进行真实目标的人工标记。

2)利用Kmeans聚类算法对步骤1)所建立的数据集中标记的真实目标进行聚类分析，得出9组不同的长宽组合；

3)Yolov3网络的训练：用步骤1)建立的人数据集对yolov3网络进行训练，训练的损失函数三个部分，即目标框的回归损失、目标框分类判别的置信度损失和分类损失，采用随机梯度下降法对损失函数进行优化。网络最终的输出包含三个尺度的信息，分别检测大中小不同尺度大小的人员。

4)输入视频帧，将禁入区域用矩形框标记出来，这个矩形区域称为警戒区域；

5)从录像机读入图像数据，将第3)步所选取的警戒区域送入已经训练好的深度学习网络进行检测，输出预测图片；

6)对预测图片进行分析，将检测出的人员用矩形框进行定位，若警戒区域内出现红色矩形框，即检测出了可疑人员，即可判定为发生了可疑人员入侵现象，并结合报警系统进行预警。