[发明专利]一种边缘计算环境下智能视频监控系统的离线学习方法

说明书

本发明公开了一种边缘计算环境下智能视频监控系统的离线学习方法，包括步骤：1)提取视频关键帧，输入分类模型，采集特征提取层之前的图像特征向量与分类输出层对应的分类结果，构建成对应的特征向量与输出类别的特征类别对(x,y)；2)对特征类别对(x,y)进行进一步压缩存储，根据分类结果中的置信度大小，存储在不同的样本集合中；3)符合参数更新条件时，对特征类别对解压缩，向用户查询，进行重标记，得到更正后的特征类别对；4)将更正后的特征类别对输入特征重映射网络进行训练，根据得到的新中心点对分类模型中分类输出层的参数进行更新，完成离线学习。本发明可以解决智能视频监控系统中的用户隐私保护问题，同时使系统更好适应复杂的应用场景。

技术领域

本发明涉及智能视频监控系统离线学习的技术领域，尤其是指一种边缘计算环境下智能视频监控系统的离线学习方法。

背景技术

随着人民安全意识的不断提高和智能安防技术的不断进步，智能视频监控系统逐渐走进千家万户，在给人们带来各种生活便利的同时，也引发一些关于智能视频监控系统新技术问题的讨论。

目前主流智能视频监控系统的模型在出厂时就已经将模型参数固化，更新时通过联网统一更新模型参数，但这样无法做到根据不同应用场景的有针对性的更新。由于本地设备计算能力的制约，我们无法在本地运行传统的学习方法，同时将数据上传到云端训练又会带来用户隐私保护的新问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种边缘计算环境下智能视频监控系统的离线学习方法，该方法简单高效，在本地就能完成模型更新，能够适应各种不同的复杂环境。

为实现上述目的，本发明所提供的技术方案为：一种边缘计算环境下智能视频监控系统的离线学习方法，所述智能视频监控系统是指能够对输入的视频流进行识别分类得到对应结果的系统，系统中分类模型由卷积神经网络组成，主要包含特征提取层和分类输出层两部分；其中，所述离线学习方法只针对分类输出层的参数进行更新，包括以下步骤：

1)关键帧特征采集：提取视频关键帧，输入分类模型，采集特征提取层之前的图像特征向量与分类输出层对应的分类结果，构建成对应的特征向量与输出类别的特征类别对(x,y)，其中x代表特征向量，y代表输出类别，即为分类结果；

2)特征压缩储存：对步骤1)中获取到的特征类别对(x,y)进行进一步压缩存储，根据分类结果中的置信度大小，存储在不同的样本集合中；

3)样本抽样：符合参数更新条件时，对步骤2)中得到的特征类别对解压缩，向用户查询，进行重标记，得到更正后的特征类别对；

4)局部参数更新：将步骤3)中得到的更正后的特征类别对输入特征重映射网络进行训练，根据得到的新中心点对分类模型中分类输出层的参数进行更新，完成离线学习。

在步骤1)中，对于输入的视频流，先根据结构相似性算法寻找到关键帧，然后输入模型获取关键帧对应的特征，包含以下步骤：

1.1)关键帧选取

视频流看作是多帧图像组成的一个序列P₁,P₂,P₃…P_n-1,P_n；对于这些图像，为了减少模型的重复计算，在输入模型之前，先应用结构相似性算法计算两帧间的结构相似性，其计算公式如下：

T(P_a,P_b)＝v(P_a,P_b)+f(P_a,P_b)+r(P_a,P_b)