[发明专利]一种用于非连续监控路段的视频预测方法

说明书

本发明公开用于非连续监控路段的视频预测方法，包括：构建基于生成对抗网络的视频预测生成模型GAN：视频预测生成模型GAN由生成网络G和鉴别网络D组成；鉴别网络D通过学习训练以正确区分由生成网络G生成的视频序列与真实视频序列Y；将训练集数据输入预测生成模型GAN网络训练；将训练完成的生成网络模型参数导出，利用一组来自网络公共数据库的真是视频序列作为输入数据，通过该生成网络模型输出相应的预测的视频序列。本发明可利用本发明所提出的基于深度学习的方法实现对交通监管过程中两摄像头间区域非连续监控路段进行视频预测。

技术领域

本发明涉及视频监控技术领域，特别是涉及一种用于非连续监控路段的视频预测方法。

背景技术

一些需要进行监控的交通路段由于施工成本、技术限制或自然/人为破坏，往往会缺失摄像头的监控，为了便于交通监管(如判断行车是否超速)与针对车辆(行人)的目标跟踪等，因此，亟需一种应用于非连续监控路段的视频预测方法。

发明内容

本发明的目的是针对现有技术中存在的视频预测技术在应用于交通监管与目标跟踪时难以得到长期、清晰的结果的难题，而提供一种用于非连续监控路段的视频预测方法，具体是一种对公共交通监控环境中因摄像头监控视域不连续而产生的监控盲区路段进行视频预测的方法。

为实现本发明的目的所采用的技术方案是：

一种用于非连续监控路段的视频预测方法，包括：

S1.构建基于生成对抗网络的视频预测生成模型GAN：

所述视频预测生成模型GAN由生成网络G和鉴别网络D组成；

所述鉴别网络D通过学习训练以正确区分由生成网络G生成的视频序列与真实视频序列Y；

S2.将训练集数据输入预测生成模型GAN进行网络训练；

S3.将验证样本集输入S2训练完成的网络模型中，测试评估网络性能，若反馈的性能指标指标不符合要求，则调整超参数与各权重初始值，重复步骤S2，重新训练网络及评估过程，直到符合要求；

S4.将训练完成的生成网络模型参数导出，利用一组来自网络公共数据库的真是视频序列作为输入数据，通过该生成网络模型输出相应的预测的视频序列。

本发明通过以上技术方案，便可利用本发明所提出的基于深度学习的方法实现对交通监管过程中两摄像头间区域非连续监控路段进行视频预测。

附图说明

图1本发明的用于非连续监控路段的视频预测方法的整体流程示意图。

图2本发明的生成对抗网络结构示意图。

图3本发明的生成网络结构示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明用于非连续监控路段的视频预测方法，其步骤如下：

S1.构建基于生成对抗网络的视频预测生成模型GAN：所述视频预测生成模型GAN由生成网络G和鉴别网络D组成；所述鉴别网络D通过学习训练以正确区分由生成网络G生成的视频序列与真实视频序列Y；

S2.将训练集数据输入预测生成模型GAN进行网络训练；

S3.将验证样本集输入S2训练完成的网络模型中，测试评估网络性能，若反馈的性能指标指标不符合要求，则调整超参数与各权重初始值，重复步骤S2，重新训练网络及评估过程，直到符合要求；